主頁（http://www.by236.com）：視頻圖像識別分析軟件簡析 近年來，隨著信號處理技術的進步，視頻和圖像處理技術得到迅速發展，并逐步滲透到我們的社會生活中。大量的視頻監控應用已經出現，我們可能都已經看到，視頻監控幾乎無所不在：銀行柜臺和ATM機，小區、酒店、寫字樓、機場等公共場所的安全管理，高速公路和停車場的車輛收費管理，以及道路交通的流量管理等等。 與此同時，大規模視頻監控帶來的海量視頻信息成為了系統安裝后的處理難題。系統利用率低、有效信息提取困難，而視頻圖像識別分析技術則可以解決這個問題，智能視頻分析軟件就是基于此點迅速發展起來。 技術發展狀況 人臉辨識技術 Eigenface法是假設所有人臉可以用一組基底人臉的線性組合所表示，作者以PCA組成分析原理（Principle Components Analysis)找出這組基底。 Fisherface法則是進一步利用LDA線性判別式分析法（Linear Discriminant Analysis )，強制將不同的人臉在投射空間中盡量分開，因而提高了辨識率。 基本上人臉辨識可以分為兩種主要方法，一是整體特征方法，一是局部特征方法。 整體特征方法：直接將整張人臉當作單一特征來做辨識；局部特征方法：先找出臉上的局部特征，通常是眼睛、鼻子和嘴巴，然后分別根據這些局部特征做辨識，最后將個別局部特征的結果統合而得到最后結果。近來的研究發現局部特征方法要比整體特征方法有更高的準確率，但局部特征方法存在局部特征的對位問題，在實際應用上有較高的困難度。 大部分的人臉辨識方法會先將原始影像數據經過降維的程序，在投射的子空間進行辨識，如此一來降低了運算量，例如前述的利用PCA或LDA方法。 近來也有方法是利用不連續余弦轉換法DCT（Discrete Cosine Transform)來做降維，其與PCA 和LDA不同處在于DCT法抽取的是影像的低頻部分作為特征，并且不用象PCA或LDA需要很多樣本(sample)來計算轉置矩陣，而是利用單一公式直接對每個樣本降維。 在抽取出特征后（不管是原始影像或是降維空間），做辨識通常是利用最近鄰居法( Nearest-Neighbor)，Eigenface以及Fisherface皆屬于這種方式。比較快速的方式是利用中樞網絡法（Neural Network），再配合DCT的處理結果作為特征后，在Yale以及ORL人臉數據庫有不錯的辨識率。 近來非常熱門的Support Vector Machine(SVM)方法也被應用到人臉辨識的題目上，其直接取原始影像作為特征，或是經過PCA降維后當作特征，再訓練出SVM來做辨識。 一個很有創意的人臉辨識方法是利用DCT加上Hidden Markov Model(HMM)來做人臉辨識，其是利用了人臉由上而下，眼睛、鼻子和嘴巴這些特征是有一定順序的性質。 人臉辨識目前公認存在的難題有兩個，一是不同光源的問題，一是不同角度的問題。由于同一張人臉在不同光線以及角度下常常會有很大的差別，所以傳統的方法通常會失敗。 近來有不少方法致力于處理上述兩問題，在處理光線問題方面有Illumination Cone、 Quotient Image以及Self Quotient Image和Intrinsic Illumination Subspace四種方法。 Illumination Cone提出建立3D臉部模型，理論上可以重建固定視角下所有光源的臉2D樣貌，因而處理了光線變化的問題。 Quotient Image、Self Quotient Image和Intrinsic Illumination Subspace概念上都是一種前處理的手段，三者皆先將欲辨識的人臉轉成刪除光源信息的格式，再做人臉辨識。 在處理不同角度方面有Morphable model、View-Base Eigenspaces、Elastic Bunch Graph Matching和Active appearance model四種方法。 Morphable model 與Active appearance model提供將視角為非正面輸入影像轉換成正面影像，因而去除了不同視角的因素，在此條件下做人臉辨識自然有較高的精確度。 View-Base Eigenspaces是基于Eigenface的方法，但根據不同的視角都個別去做，因而數據庫中儲存了同一人在不同視角下的數據。 Elastic Bunch Graph Matching方法則是根據人臉上的特征點建立一個圖(graph)，藉由允許此圖變形而使得不同視角下臉部的特征點仍位于臉上相同位置，因此藉由這些特征點來做人臉辨識便排除了不同視角的因素。 上述的這些方法皆是利用2D的模型來進行人臉辨識。另外一類的方法使用3D模型來進行人臉辨識，如在FRVT 2002中三維Morphable模型的測試被證明可以有效地改善不同視角的辨識率。 傳統的人臉辨識使用單張影像，相對于此種靜態影像辨識方法外，利用影片中連續的多張影像來做辨識的方法則稱為動態影像辨識。動態影像相對于靜態影像有許多優勢，一是多張影像提供的信息比單張影像豐富，其中包括了不同的視角，相鄰影像的信息等，這些信息都能夠增加人臉辨識的準確度。 總結來說，光線和視角仍是目前人臉辨識的難題，雖然有相當多的研究是針對這兩點的，但并沒有完全解決。近來的研究趨向利用動態影像來得到更高的精確度，而利用3D的人臉模型來進行辨識也因為在視角改變的狀況下有不錯的表現，在近幾年也受到重視。
|
