-
Diese
Erfindung betrifft im Allgemeinen die Gesichtserkennung und insbesondere
die lichtunabhängige
Gesichtserkennung.
-
Gesichtserkennungssysteme
werden für
die Identifkation und Verifizierung von Personen für viele
verschiedene Anwendungen verwendet, wie beispielsweise zum Erlangen
des Zutritts zu Einrichtungen, zum Erkennen von Leuten, um Dienste
zu personalisieren, wie beispielsweise in einer Heimnetzwerkumgebung,
und zum Lokalisieren gesuchter Personen in öffentlichen Einrichtungen.
Das ultimative Ziel bei dem Entwurf jedes Gesichtserkennungssystems
ist es, die bestmögliche
Klassifizierungsleistung (Prädiktionsleistung)
zu erzielen. In Abhängigkeit
von der Verwendung des Gesichtserkennungssystems kann es mehr oder
weniger wichtig sein, sicherzustellen, dass der Vergleich einen
hohen Genauigkeitsgrad aufweist. Bei einer Hochsicherheitsanwendung,
wie beispielsweise beim Identifizieren gesuchter Personen, ist es
sehr wichtig, dass eine Identifikation ungeachtet geringfügiger Veränderungen
in dem aufgenommenen Bild gegenüber
dem gespeicherten Bild erzielt wird.
-
Der
Prozess der Gesichtserkennung erfordert typischerweise die Aufnahme
eines Bilds oder mehrerer Bilder einer Person, ein Bearbeiten des
Bilds oder der Bilder und dann ein Vergleichen des Bilds mit gespeicherten
Bildern. Falls eine positive Übereinstimmung
zwischen dem gespeicherten Bild und dem aufgenommenen Bild auftritt,
kann die Identität
der Person entweder herausgefunden oder verifiziert werden. US-Patent Nr.
6,292,575 beschreibt ein derartiges System und wird hiermit durch
Verweis aufgenommen.
-
Das
US-Patent 6,072,496 beschreibt ein Verfahren zum robusten Nachverfolgen,
bei welchem manuell angeordnete Markierungen auf dem Gesicht eines
Darstellers über
die Zeit nachverfolgt werden, um menschliche Gesichtsausdrücke zu modellieren.
Die Entsprechung zwischen Markierungen wird durch Strahlverfolgung
in Verbindung mit RANSAC herausgefunden.
-
Dornaika
und Ahlberg („Face
Model Adaptation using Robust Matching and Active Appearance Models", Proc. 6th IEEE Workshop on Applications of Computer
Vision, Seiten 3 bis 7, 2002) finden robuste 3D-nach-2D-Punktentsprechungen
zwischen den Scheitelpunkten eines 3D-Drahtmodells und eines 2D-Bilds unter
Verwendung von RANSAC zum Zweck des Nachverfolgens eines menschlichen
Gesichts. Die Scheitelpunkte des 3D-Modells entsprechen verschiedenen
Gesichtselementen.
-
Das
Bearbeiten der Bilder umfasst eine Normalisierung. Eine Normalisierung
stellt sicher, dass die Größe des Gesichts
in dem aufgenommenen Bild ungefähr
die gleiche Größe aufweist
wie in den gespeicherten Bildern. Diese Normalisierung ist ein Versuch
zum Kontrollieren von Unterschieden, welche in einem aufgenommenen
Bild auftreten könnten
und welche in einem gespeicherten Bild nicht gefunden werden (und
vice versa). Diese Unterschiede verursachen falsche Negatividentifikationsergebnisse,
wenn die beiden Gesichter verglichen werden, aber wenn in Wirklichkeit
in beiden Bildern die gleiche Person erscheint.
-
Viele
Systeme kontrollieren auch die Beleuchtung des aufgenommenen Bilds,
um sicherzustellen, dass die Beleuchtung ähnlich der Beleuchtung der
gespeicherten Bilder wird. Wenn die Person einmal sachgerecht angeordnet
ist, nimmt die Kamera ein einzelnes oder mehrere Bilder der Person
auf, und es wird ein Vergleich mit gespeicherten Bildern angefertigt.
Ein Problem bei diesen Systemen ist, dass für viele Anwendungen, wie beispielsweise
für Sicherheitsanwendungen,
manchmal die Beleuchtung des aufgenommenen Bilds von der Beleuchtung
verschieden ist, welche für
das gespeicherte Bild verwendet wurde. Wenn die Beleuchtung in dem
aufgenommenen Bild von der Beleuchtung in dem gespeicherten Bild
verschieden ist, tritt eine Wahrscheinlichkeit eines falschen Negatividentifikationsergebnisses
auf. Da es nicht immer möglich
ist, die gleiche Beleuchtung bereitzustellen, wird ein System benötigt, welches
die unterschiedliche Beleuchtung berücksichtigt.
-
Dementsprechend
ist es eine Aufgabe der Erfindung, ein System bereitzustellen, welches
eine Gesichtsidentifikation/-Verifizierung durchführt, welche
gegenüber
Fehlern, welche durch Lichtvariation bewirkt werden, weniger empfindlich
ist.
-
Diese
Aufgabe wird durch Nehmen von Zufallspixelproben innerhalb des Gesichts
und durch Durchführen
von Vergleichen mit den gleichen Zufallsproben in den gespeicherten
Bildern erzielt. Der Vergleich wird unter Verwendung fast jeder
Art der Gesichtserkennung durchgeführt. Der RANSAC-Algorithmus
wird verwendet, um eine robuste Übereinstimmung
(M. Fischler und R. Bolles – „Random
Sample Consensus: A paradigm for Model Fitting with Applications
to Image Analysis and Automated Cartography", Communications of the ACM, Bd. 24,
Nr. 6, Seiten 381 bis 395, 1981) durchzuführen. Der RANSAC-Algorithmus
hilft, die Möglichkeit des
Auftretens beschatteter Bereiche des Gesichts zu beseitigen, welche
falsche Negativergebnisse bewirken.
-
Bei
einer Ausführungsform
der Erfindung wird an Stelle einer rein zufälligen Stichprobennahme eine gewichtete
Stichprobennahme verwendet, welche in den Bereichen des Gesichts,
welche am wenigsten wahrscheinlich durch die Beleuchtung beeinträchtigt werden,
gewichtet wird. Es wird eine Bestimmung der Bereiche des Gesichts
durchgeführt,
welche wahrscheinlicher durch die Beleuchtung beeinträchtigt werden.
Die Stichproben werden dann in den Bereichen gewichtet, bei welchen
es eine niedrigere Wahrscheinlichkeit von Lichtveränderungen
gibt. Diese gewichteten Stichproben werden dann mit den ähnlichen
Pixeln in den gespeicherten Bildern unter Verwendung einer Gesichtserkennung
verglichen, um eine Ähnlichkeit
zu bestimmen.
-
Andere
Aufgaben und Vorteile werden im Lichte der Beschreibung und der
Ansprüche
offensichtlich.
-
Für ein besseres
Verständnis
der Erfindung wird auf die folgenden Zeichnungen verwiesen:
-
1a zeigt
die Auswahl einer Gerade durch eine Punktmenge in der Gegenwart
von Ausreißern.
-
1b zeigt
die Auswahl einer Gerade durch eine Punktmenge in der Gegenwart
von Ausreißern
unter Verwendung des RANSAC-Algorithmus.
-
2 zeigt
ein Ablaufdiagramm einer bevorzugten Ausführungsform, welche den RANSAC-Algorithmus
verwendet, um eine robuste Gesichtserkennung durchzuführen.
-
3a zeigt
Bilder der Zufallspixelproben der Größe 1000, für ein Bild der Größe 64×72.
-
3b zeigt
Zufallspixelproben für
wirkliche Bilder der Größe 133×100, und
wobei die Zufallsprobe 40% des Bilds beträgt.
-
4 zeigt
ein Ablaufdiagramm, wie eine gewichtete Stichprobennahme bei einer
beispielhaften Ausführungsform
der Erfindung verwendet wird.
-
5 zeigt
ein Sicherheitssystem gemäß einer
bevorzugten Ausführungsform
der Erfindung.
-
Bei
typischen Gesichtserkennungsprogrammen werden Pixel eines aufgenommenen
Bilds mit Pixeln der gespeicherten Bilder unter Verwendung von Gesichtserkennungsverfahren
verglichen. Falls ein bestimmter Prozentsatz der Pixel mit den gleichen
Pixeln in einem gespeicherten Bild übereinstimmt, werden die Bilder als übereinstimmend
angesehen, und es ist eine Verifizierung oder Identifikation aufgetreten.
Es gibt viele bekannte Gesichtserkennungsverfahren, welche eine Ähnlichkeit
zwischen Bildern bestimmen. Der Begriff „Übereinstimmen", wie er hier verwendet
wird, kann eine Wahrscheinlichkeit einer Übereinstimmung oder eine genaue Übereinstimmung
bedeuten, oder dass genug Pixel oberhalb einer vorbestimmten Schwelle übereinstimmen,
dass eine Identifikation wahrscheinlich ist, oder dass der Ähnlichkeitsindex,
welcher nach Durchführen
einer Gesichtserkennung mit diesen Stichproben herausgefunden wird, über einer
bestimmten Schwelle liegt. Das Problem ist, dass, falls ein Abschnitt
des Gesichts in dem aufgenommenen Bild einen Schatten von einer
Lichtquelle aufweist und das Bild dieser Person in der gespeicherten
Datenbank schattenfrei ist, es beim Vergleichen der Pixel der beiden
Bilder wahrscheinlich ist, dass jene Pixel innerhalb des Schattens
nicht mit den entsprechenden Pixeln in dem gespeicherten Bild übereinstimmen
werden. Dies liegt daran, dass es einen großen Prozentsatz von nicht übereinstimmenden
Pixeln aufgrund ungleichmäßiger Beleuchtung
gibt, statt dass die Gesichter in den Bildern von verschiedenen
Leuten sind. Falls ein bestimmter Prozentsatz der Pixel übereinstimmen
muss, um als eine passende Identifkation angesehen zu werden, verursacht
der große
Prozentsatz nicht übereinstimmender
Pixel eine falsche Negativübereinstimmung.
-
Es
wurde herausgefunden, dass eine Gesichtserkennung auf Abschnitten
eines Gesichts statt auf einem ganzen Gesicht durchgeführt werden
kann. Die vorliegende Erfindung wählt Zufallspixelproben innerhalb des
Gesichts aus, doch diese Zufallsproben werden als Teil eines Algorithmus
ausgewählt,
welcher „Ausreißer", d.h. Datenpunkte
ignoriert, welche außerhalb
einer Mehrheit der Datenpunkte liegen. Der RANSAC-Algorithmus ist ein
robuster Abschätzungsalgorithmus,
welcher vermeidet, dass „Ausreißer" aus den ausgewählten Stichproben
unkorrekte Übereinstimmungsergebnisse
bewirken, und er wird bei einer bevorzugten Ausführungsform der vorliegenden
Erfindung verwendet. Es können
auch andere derartige Algorithmen verwendet werden, wie bei spielsweise
der Least Median of Squares (LmedS). Wie nachfolgend ausführlicher
erklärt, wählt der
RANSAC-Algorithmus zufällig
Pixel aus und erkennt „Ausreißer", welcher bei der
vorliegenden Erfindung die beschatteten Bereiche sind.
-
Bei
einer bevorzugten Ausführungsform
der Erfindung wird das aufgenommene Bild mit den gespeicherten Bildern
unter Verwendung eines bekannten Gesichtserkennungsalgorithmus verglichen,
und falls keine Übereinstimmung
gefunden wird, wird dann dem aufgenommenen Bild eine zufällige Stichprobe
entnommen, und die Zufallspixelprobe Tj wird
mit der gleichen Zufallsprobe in den gespeicherten Bildern unter
Verwendung eines Gesichtserkennungsalgorithmus verglichen. Die Anzahl
ausgewählter
Zufallsproben wird durch die Rechenleistung und den Genauigkeitsgrad
bestimmt, welcher für
eine bestimmte Anwendung benötigt
wird. Bei einer bevorzugten Ausführungsform
werden zwischen 100 und 1000 oder mehr Stichprobensätze ausgewählt. Auf
allen Stichproben wird eine Gesichtserkennung durchgeführt. Die
Stichprobe, welche das beste Ergebnis bereitstellt (d.h. die Stichprobe,
welche am nächsten
mit der gleichen Stichprobe in einem gespeicherten Bild übereinstimmt)
wird ausgewählt,
und das Ergebnis des Stichprobenvergleichs wird mit einer Schwelle
verglichen. Falls die Stichprobe des aufgenommenen Bilds mit der
gleichen Stichprobe in einem gespeicherten Bild übereinstimmt, wird dann angenommen,
dass das gespeicherte Bild die gleiche Person wie in dem aufgenommenen
Bild zeigt. Das gespeicherte Bild, welches diese Übereinstimmung
bereitstellt, weist eine höhere
Wahrscheinlichkeit auf, das gleiche Gesicht wie in dem aufgenommenen
Bild zu sein, da es wahrscheinlich ist, dass eine der Stichproben
relativ frei von Ausreißern
sein wird. Dies führt
zu weniger falschen Negativergebnissen, da es weniger wahrscheinlich
ist, dass die Zufallsprobe die Abschnitte des Gesichts aufweist,
welche durch die Beleuchtung beeinträchtigt werden.
-
2 zeigt
ein Ablaufdiagramm eines bevorzugten Verfahrens dieser Erfindung.
Bei 10 wird ein Bild erfasst. Bei 12 wird für I = 1
: X eine Zufallsprobenuntermenge 20 erzeugt. I ist ein
Inkrement, und X wird auf der Grundlage der Rechenleistung und des
benötigten
Genauigkeitsgrads bestimmt. Der RANSAC-Algorithmus wird verwendet,
um die Untermenge und die Anzahl Untermengen auszuwählen. RANSAC
steht für
Zufallsprobenübereinstimmung
(Random Sample Consensus), und sie wird hier in Bezug auf eine Geradenabschätzung erklärt. Sie
arbeitet in anderen Fällen,
wie beispielsweise bei Bildern, ähnlich.
Es wird angenommen, dass eine Zufallsprobe von Punkten existiert,
wie in 1a gezeigt, und eine Gerade
A durch diese Punkte angepasst werden muss. Falls es Ausreißer gibt
(es gibt zwei O1 und O2 in 1a in
dem nordwestlichen Quadranten), wird die Gerade A deutlich von der
wahren Position verschoben. 1b zeigt
diese gleiche Zufallsprobe von Punkten, doch die Gerade A wird unter
Verwendung des RANSAC-Algorithmus angepasst. In 1b ist
die Gerade A eine bessere Geradenabschätzung als 1b,
wenn angenommen wird, dass O1 und O2 fehlerhafte Datenpunkte sind. RANSAC arbeitet
auf die folgende Weise:
- 1. Zufälliges Entnehmen
einer minimalen Anzahl von Punkten, welche benötigt werden, um die Gerade (zwei)
abzuschätzen.
- 2. Anpassen der Gerade durch diese Punkte.
- 3. Zählen
der Anzahl von Punkten aus der Menge, welche nahe der Geraden sind
(gemäß einem
gegebenen Kriterium, d.h. alle Punkte, welche näher als drei Pixel sind, sind
OK – sie
unterstützen
das Modell.) Bezeichnen der Anzahl Nj, welche
die Konzentration von Punkten nahe der Gerade quantitativ repräsentiert.
- 4. Wiederholen der Schritte 1 bis 3 oft genug, um mit einer
bestimmten Wahrscheinlichkeit (gewöhnlich 95 bis 99%) zu gewährleisten,
dass zumindest die beiden Punkte, welche ausgewählt wurden, eine gute Repräsentation
einer Konzentration der Punkte sind.
- 5. Finden der größten Anzahl
aller Nj und der Geraden, welche diese Nj ergeben hat. Verwenden aller Nj Punkte,
welche diese Gerade unterstützen,
Abschätzen
der optimalen Geraden unter Verwendung des gewöhnlichen Verfahrens der kleinsten
Quadrate.
-
Um
eine allgemeine, zufällige
Pixelprobennahme in einem Bild durchzuführen, wird ein Bild als ein Vektor
repräsentiert,
d.h. jedem Pixel wird eine eindeutige Zahl zugeordnet, wie in Tabelle
1 gezeigt.
-
Tabelle
1. Pixel-Annotation für
ein 64×72-Bild.
-
Um
für das
in Tabelle 1 gegebene Beispiel eine Stichprobe von 100 zufälligen Pixeln
zu erzeugen, wird eine Stichprobe mit Zufallszahlen zwischen 1 und
4616 erzeugt und dann werden einfach Pixel entsprechend der 100
Zufallszahlen ausgewählt. 3a zeigt
Bilder der Zufallsproben der Größe 1000
für ein
Bild der Größe 64×72. 3b zeigt
Zufallspixelproben für
wirkliche Bilder der Größe 133×100, und
wobei die Zufallsprobe 40% des Bilds beträgt. Es gibt eine breite Vielfalt
von Algorithmen, um Zufallszahlen zu erzeugen, welche in jeder Programmiersprache
(C/C++, Fortran) oder in jedem Programmierpaket (MATLAB, Mathematica
usw.) verfügbar
sind.
-
Bei
einer bevorzugten Ausführungsform
der vorliegenden Erfindung wird eine zufällige Stichprobennahme in der
Form von RANSAC verwendet, welche zum Durchführen einer Gesichtserkennung
wie folgt angewandt wird:
- 1. Zufällige Entnahme
einer bestimmten Anzahl von Pixeln aus einem Gesichtstestbild (Tj).
- 2. Vergleichen von Tj mit den (ortsweise)
entsprechenden Pixeln des Gesichts in der Datenbank und Berechnen
eines Ähnlichkeitsmaßes sj. (Es ist zu beachten, dass sj im
ursprünglichen
RANSAC-Algorithmus Nj entspricht.)
- 3. Wiederholen der Schritte 1 bis 2 ausreichend X oft, um mit
einer bestimmten Wahrscheinlichkeit (gewöhnlich 95 bis 99%) zu gewährleisten,
dass alle
-
Stichprobenpunkte
nicht wesentlich durch Lichtveränderungen
beeinträchtigt
werden. X kann experimentell abgeschätzt werden oder wie folgt berechnet
werden:
Es wird angenommen, dass das fragliche Gesichtsbild
aus 1000 Pixeln gebildet wird und dass 50 von ihnen durch Lichtveränderungen
beeinträchtigt
werden. Weiterhin wird angenommen, dass nur 100 Gesichtspixel ausgewählt werden
können,
um eine Gesichtserkennung durchzuführen. Falls alle 100 Pixel
von den 950 Pixeln sind, welche nicht durch Lichtveränderungen
beeinträchtigt
werden, sollte es dann gute Erkennungsergebnisse geben. Die Wahrscheinlichkeit,
dass keiner der ausgewählten
100 Pixel durch Lichtveränderungen beeinträchtigt wird,
ist gegeben durch
-
Falls
es nötig
ist, zu garantieren, dass mindestens eine Stichprobe mit der Wahrscheinlichkeit
von 0,99 frei von Ausreißern
ist, kann dann die Anzahl Stichproben X, welche ausgewählt werden
müssen,
erhalten werden aus
- 4. Das Ähnlichkeitsmaß wird nun
als s = max(sj) erhalten.
- 5. Falls s über
einer gegebenen Schwelle liegt, liegt dann eine Übereinstimmung vor, andernfalls
gibt es keine Übereinstimmung.
-
Wie
oben stehend erklärt,
werden die Sätze
von Bereichen zufällig
ausgewählt;
und für
ein X, welches groß genug
ist, ist es wahrscheinlich, dass mindestens ein Satz von Bereichen
eine konsistente Beleuchtung aufweisen wird, welche gut mit dem
entsprechenden Satz von Bereichen in der Datenbank übereinstimmen wird.
Falls es eine hohe Ähnlichkeit
gibt, tritt dann eine Übereinstimmung
zwischen dem aufgenommenen Bild und dem gespeicherten Bild mit hoher Ähnlichkeit
auf.
-
Unter
Rückbezug
auf 2, werden dann für X = 1 bis 1000 Zufallsprobenuntersätze (20)
ausgewählt, nachdem
das Bild bei 10 erfasst wird. Für
jede Stichprobe wird eine Gesichtserkennung auf der Stichprobe unter
Verwendung des RANSAC- oder eines anderen Ausreißererkennungsalgorithmus durch
Vergleichen der Stichprobe des aufgenommenen Bilds mit den gleichen
Zufallsproben in den gespeicherten Bildern bei 30 durchgeführt. Falls
es eine hohe Ähnlichkeit 32 zwischen
den beiden Stichproben gibt, wird dann eine Übereinstimmung 33 zwischen
den Gesichtern angenommen. Der Untersatz mit der höchsten Anzahl Übereinstimmungen
wird gespeichert, und es wird bestimmt, ob die Anzahl hoch genug
ist, um eine Übereinstimmung
zwischen den Bildern zu erklären.
Falls nicht, gibt es dann keine Übereinstimmung 34.
Bei einer ersten Ausführungsform
wird die Gesichtserkennung durchgeführt, bis eine Übereinstimmung
gefunden wird oder bis X erreicht wird. Bei einer zweiten Ausführungsform
werden alle Stichproben verglichen, und die Stichprobe mit der höchsten Ähnlichkeit
wird mit einer Schwelle verglichen, um zu bestimmen, ob es eine Übereinstimmung
gibt.
-
GEWICHTETE PROBENNAHME
FÜR EINE
LICHTUNABHÄNGIGE
ERKENNUNG
-
Während bei
der gleichmäßigen Stichprobennahme
alle Pixel die gleiche Wahrscheinlichkeit aufweisen, ausgewählt zu werden,
werden bei einer gewichteten Stichprobennahme einige Pixel wahrscheinlicher ausgewählt als
die anderen. Die gewichtete Stichprobennahme wurde auch ausführlich in
der Literatur studiert, und der Unterschied dazwischen und einer
gleichmäßigen Stichprobennahme
wird durch das folgende Beispiel erklärt.
-
Es
wird angenommen, dass eine Zahl zwischen 1 und 5 (Matrix X) gewählt werden
muss, dass aber die Stichprobennahme nicht gleichmäßig sondern
gewichtet ist, wie in Tabelle 2 gezeigt.
-
-
Ein
Weg, eine gewichtete Stichprobennahme unter Verwendung der Gewichte
durchzuführen,
welche in Tabelle 2 dargelegt sind, wäre es, eine Hilfsmatrix Y =
{1, 2, 2, 3, 3, 3, 4, 4, 5, 5} zu bilden.
-
Diese
Matrix weist 10 Elemente auf, und, wenn eine gleichmäßige Stichprobennahme
auf der Matrix Y durchgeführt
wird, ist dies äquivalent
zu einer gewichteten Stichprobennahme auf X. Bei diesem Beispiel
ist es zweimal wahrscheinlicher, dass 2 auftritt als 1; und 3 wird
am wahrscheinlichsten mit der Wahrscheinlichkeit von 0,3 auftreten.
-
Eine
gewichtete Stichprobennahme für
eine lichtunabhängige
Gesichtserkennung ist einfach eine Erweiterung der Verwendung des
RANSAC-Algorithmus bei der Gesichtserkennung. Bei dem vorhergehenden Fall
wird die Stichprobennahme gleichmäßig durchgeführt, d.h.
jeder Pixel des Satzes Tj wird mit gleicher Wahrscheinlichkeit
1/(Zahl der Pixel in dem Gesicht) ausgewählt. Bei einer gewichteten
Stichprobennahme werden einige Pixel auf der Grundlage der folgenden
Kriterien wahrscheinlicher ausgewählt als die anderen.
-
Es
wird angenommen, dass ein Gesicht mit 100 verschiedenen Ausleuchtungen
fotografiert wurde. Jeder Pixel p
j in dem
ursprünglichen
Gesichtsbild (d.h. mit gleichmäßiger Beleuchtung)
wird mit dem gleichen Pixel in den Bildern verglichen, welche unter
verschiedenen Ausleuchtungen erhalten wurden, und es wird gezählt, wie
oft der Unterschied zwischen ihnen unter einer gegebenen Schwelle
liegt. Diese Anzahl wird mit n
j bezeichnet,
wobei
-
Die
Pixel mit höherer
n
j sind nützlicher, da sie weniger wahrscheinlich
durch Beleuchtungsveränderungen
beeinträchtigt
werden, so dass diese Pixel zu höherer
Genauigkeit führen,
wenn sie Teil der Vergleiche sind. In anderen Worten ist es bei
Verwendung dieser Pixel wahrscheinlicher, einen Vergleich zu finden,
welcher beleuchtungsunabhängig
ist. Dementsprechend werden bei der Ausführungsform der gewichteten
Stichprobennahme dieser Erfindung diese „lichtunabhängigen Pixel" häufiger als
Teil von T
j ausgewählt. Die Wahrscheinlichkeit,
dass ein Pixel in der gewichteten Stichprobe ausgewählt wird,
ist nicht gleichmäßig, sondern wird
durch die folgende Formel gegeben
-
Der
Algorithmus fährt
nun auf die gleiche Weise fort wie mit der zuvor beschrieben beleuchtungsunabhängigen RANSAC-Erkennung.
-
Ersatzweise
kann Computergrafik verwendet werden, um Gewichte für eine Stichprobennahme
zu berechnen. Es wird ein 3D-Modell eines Kopfs erzeugt, wobei Lichtquellen
in verschiedenen Richtungen angeordnet werden. Viele Computergrafikpakete
können
dann das 3D-Bild auf 2 Dimensionen zurückbringen, wobei die verschiedenen
Lichtquellen verschiedene Wirkungen auf die 2-dimensionalen Bilder
erzeugen. Es kann dann bestimmt werden, welche Bereiche des Gesichts
eine höhere
Wahrscheinlichkeit aufweisen, sich mit verschiedenen Lichtquellen
zu verändern.
Die Abschnitte des Gesichts, welche eine geringe Wahrscheinlichkeit aufweisen,
sich zu verändern,
können
dann ein höheres
Gewicht oder eine höhere
Wahrscheinlichkeit erhalten, ausgewählt zu werden, als die Pixel
mit einer hohen Wahrscheinlichkeit, sich zu verändern. Beispiele von Programmen,
welche diesen Typ der Strahlverfolgung durchführen, sind POV-Ray oder OpenGL.
-
4 zeigt
ein Ablaufdiagramm eines Verfahrens dieser Erfindung, bei welchem
eine gewichtete Stichprobennahme verwendet wird. In diesem Fall
wird bei 10 ein Bild erfasst. Die Abschnitte des Bilds,
welche am stärksten
durch Licht beeinträchtigt
sind, werden bei 15 bestimmt. Die Pixel werden dann bei 35 zu
Gunsten der lichtunabhängigen
Pixel gewichtet. Bei 12 wird für I = 1 : X ein gewichteter
Stichprobenuntersatz bei 45 ausgewählt. Bei 55 wird der
gewichtete Untersatz unter Verwendung der gleichen Art der Gesichtserkennung mit
der gleichen gewichteten Stichprobe des gespeicherten Bilds verglichen.
Eine Wahrscheinlichkeit einer Übereinstimmung
wird dann auf der Grundlage des Untersatzes mit dem besten Ergebnis
bestimmt.
-
5 zeigt
eine Sicherheitsanwendung gemäß der vorliegenden
Erfindung. Von einer Bilderzeugungsvorrichtung 70 wird
ein Bild einer Person 72 eingefangen, welche in einen Raum
mit einer Lichtquelle 71 über Kopf läuft. Das Bild wird mit Bildern
verglichen, welche gemäß der Erfindung
im Computer 73 gespeichert sind.
-
Während hier
gezeigt und beschrieben wurde, was als bevorzugte Ausführungsformen
der Erfindung angesehen wird, versteht es sich natürlich, dass verschiedene
Modifizierungen und Veränderungen
an Form oder Einzelheiten unmittelbar angefertigt werden können. Es
ist deshalb vorgesehen, dass die Erfindung nicht auf die genauen
Formen beschränkt
ist, welche beschrieben und illustriert wurden, sondern so anzusehen
ist, dass sie alle Modifikationen abdeckt, welche innerhalb des
Schutzumfangs der angefügten
Ansprüche
fallen können.