DE60310766T2 - Beleuchtungsunabhängige gesichtserkennung - Google Patents

Description

• 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. 6^th 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 T_j 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 N_j, 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 N_j und der Geraden, welche diese N_j ergeben hat. Verwenden aller N_j 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 (T_j).
• 2. Vergleichen von T_j mit den (ortsweise) entsprechenden Pixeln des Gesichts in der Datenbank und Berechnen eines Ähnlichkeitsmaßes s_j. (Es ist zu beachten, dass s_j im ursprünglichen RANSAC-Algorithmus N_j 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(s_j) 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.
• 

  Tabelle 2
• 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 T_j 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.

Claims (16)

1. Verfahren zum Vergleichen eines aufgenommenen Bilds eines Gesichts mit gespeicherten Gesichtsbildern, umfassend: a) Abrufen eines aufgenommenen Bilds; b) Einstellen eines vorgegebenen Ähnlichkeitsindexwerts; c) iteratives Aktualisieren des Ähnlichkeitsindexwerts durch Durchführen der folgenden Schritte bei jeder Iteration: c.1) Nehmen von Zufallspixelproben aus Gesichtsbereichen des aufgenommenen Bilds; c.2) Nehmen von ortsweise entsprechenden Pixelproben aus Gesichtsbereichen des gespeicherten Bilds eines Gesichts; c.3) Durchführen einer Gesichtserkennung durch: c.3.1) Vergleichen der Zufallspixelproben des aufgenommenen Gesichtsbilds mit den ortsweise entsprechenden Zufallspixelproben des gespeicherten Gesichtsbilds; c.3.2) Berechnen eines neuen Ähnlichkeitsindexwerts, welcher für den Vergleich zwischen den Zufallsproben des aufgenommenen Gesichtsbilds und der ortsweise entsprechenden Zufallspixelproben des gespeicherten Bilds kennzeichnend ist; c.3.3) Ersetzen des Ähnlichkeitsindexwerts, falls der neue Ähnlichkeitsindex höher ist als ein Ähnlichkeitsindexwert, welcher in vorhergehenden Iterationen erhalten wurde, und d) Annehmen, dass eine Übereinstimmung aufgetreten ist, falls der Ähnlichkeitsindexwert über einem vorbestimmten Schwellenwert liegt.
2. Verfahren nach Anspruch 1, wobei ein Ausreißererkennungsalgorithmus verwendet wird, welcher Stichproben aus der Gesichtserkennung entfernt, welche als fehlerhaft angesehen werden.
3. Verfahren nach Anspruch 2, wobei der Ausreißererkennungsalgorithmus der RANSAC-Algorithmus ist.
4. Verfahren nach Anspruch 2, wobei der Ausreißererkennungsalgorithmus der Least-Median-of-Squares-Algorithmus ist.
5. Verfahren nach Anspruch 1, wobei Pixel innerhalb des Gesichtsbereichs des Bilds in Abhängigkeit von der Wahrscheinlichkeit, durch Licht beeinträchtigt zu werden, gewichtet werden und wobei ein Nehmen von Zufallspixelproben von Gesichtsbereichen des aufgenommenen Bilds von den Gewichtungen der Pixel abhängt.
6. Verfahren nach Anspruch 1, wobei der Schritt des Annehmens derartig während der Iteration auftritt, dass, falls es eine Übereinstimmung gibt, keine zusätzlichen Zufallsproben genommen und verglichen werden müssen.
7. Verfahren nach Anspruch 1, wobei die Anzahl Iterationen gemäß einer erwünschten Genauigkeit derartig eingerichtet wird, dass eine der Stichproben mit einer erwünschten Wahrscheinlichkeit ausreißerfrei ist.
8. Verfahren nach Anspruch 1, wobei die Anzahl Iterationen gemäß Berechnungsanforderungen eingerichtet wird.
9. Vorrichtung zum Vergleichen eines aufgenommenen Bilds eines Gesichts mit einem gespeicherten Gesicht, umfassend: – eine Vorrichtung, welche ein aufgenommenes Gesichtsbild empfängt; – eine Vorrichtung, welche ein gespeichertes Gesichtsbild erhält; – einen Prozessor, welcher die folgende Funktion durchführt: – Einstellen eines vorgegebenen Ähnlichkeitsindexwerts; – Vergleichen von Zufallspixelproben des aufgenommenen Bilds mit den ortsweise entsprechenden Zufallspixelproben des gespeicherten Bilds; – Berechnen eines neuen Ähnlichkeitsindexwerts, welcher für den Vergleich zwischen den Zufallsproben des aufgenommenen Gesichtsbilds und der ortsweise entsprechenden Zufallspixelproben des gespeicherten Gesichtsbilds kennzeichnend ist; – Ersetzen des Ähnlichkeitsindexwerts mit dem neuen Ähnlichkeitsindexwert, falls der neue Ähnlichkeitsindex höher ist als ein Ähnlichkeitsindexwert, welcher in vorhergehenden Iterationen erhalten wurde, und – Annehmen, dass eine Übereinstimmung aufgetreten ist, falls der Ähnlichkeitsindexwert über einem vorbestimmten Schwellenwert liegt.
10. Vorrichtung nach Anspruch 9, wobei der Prozessor einen Bildvergleich unter Verwendung eines Ausreißererkennungsalgorithmus durchführt, welcher eine Gesichtserkennung durch Entfernen von Stichproben aus der Gesichtserkennung durchführt, welche als fehlerhaft angesehen werden.
11. Vorrichtung nach Anspruch 10, wobei der Ausreißererkennungsalgorithmus ein RANSAC-Algorithmus ist.
12. Vorrichtung nach Anspruch 10, wobei der Ausreißererkennungsalgorithmus der Least-Median-of-Squares-Algorithmus ist.
13. Vorrichtung nach Anspruch 9, wobei Pixel innerhalb des Gesichtsbereichs des Bilds in Abhängigkeit von der Wahrscheinlichkeit, durch Licht beeinträchtigt zu werden, gewichtet werden und wobei ein Nehmen von Zufallspixelproben von Gesichtsbereichen des aufgenommenen Bilds von den Gewichtungen der Pixel abhängt.
14. Vorrichtung nach Anspruch 9, wobei das Annehmen derartig während der Iteration auftritt, dass, falls es eine Übereinstimmung gibt, keine zusätzlichen Zufallsproben genommen und verglichen werden müssen.
15. Vorrichtung nach Anspruch 9, wobei die Anzahl Iterationen gemäß Berechnungsanforderungen eingerichtet wird.
16. Vorrichtung nach Anspruch 9, wobei die Anzahl Iterationen gemäß einer erwünschten Genauigkeit derartig eingerichtet wird, dass eine der Stichproben mit einer erwünschten Wahrscheinlichkeit ausreißerfrei ist.