МЕТОДЫ ИСКУССТВЕННОГО ИНТЕЛЛЕКТА В ОБРАБОТКЕ ИЗОБРАЖЕНИЙ ЛИЦА ПРИ ИДЕНТИФИКАЦИИ ЛИЧНОСТИ

АННОТАЦИЯ

В данной статье рассматривается применение методов искусственного интеллекта в задаче обработки изображений лица с целью идентификации личности. Обсуждаются основные принципы и подходы к обработке изображений лиц, а также проблемы и вызовы, с которыми сталкиваются исследователи в этой области. Предложенные в работе алгоритмы предназначены для решения задач улучшения контраста изображений, подавления различных шумов и выделения контуров. Оценка работоспособности этих алгоритмов проверена при экспериментальных исследованиях по изображениям лица при идентификации личности. Эти алгоритмы предварительной обработки можно использовать при создании систем распознавания объектов, представленных в виде изображения.

ABSTRACT

This article discusses the use of artificial intelligence methods in the task of processing facial images for the purpose of personal identification. The basic principles and approaches to facial image processing are discussed, as well as the problems and challenges faced by researchers in this field. The algorithms proposed in the work are designed to solve problems of improving image contrast, suppressing various noises and highlighting contours. The performance assessment of these algorithms was tested in experimental studies using facial images for personal identification. These preprocessing algorithms can be used to create systems for recognizing objects represented in the form of an image.

Ключевые слова: идентификации, методы, искусственного интеллект, обработки изображения, лица.

 Keywords:  identification, methods, artificial intelligence, image processing, face.

Введение. Идентификация личности по изображениям лица является одним из ключевых направлений в области искусственного интеллекта. С развитием технологий обработки изображений и появлением новых методов искусственного интеллекта открылись новые перспективы для автоматизации процесса идентификации личности на основе фотографий или видеозаписей лиц [1, с.66]. В данной статье мы рассмотрим современные методы искусственного интеллекта, применяемые для обработки изображений лица с целью идентификации личности.

Материалы и методы. В настоящее время опубликованы многочисленные статьи и монографии, отражающие результаты исследований по обработки изображений идентификации лица личности. Для обработки изображений лиц использовались различные методы искусственного интеллекта, включая сверточные нейронные сети (CNN), глубокое обучение и методы машинного зрения. CNN были обучены на основе размеченных данных для извлечения признаков из лиц и классификации их в соответствии с личностью. Проведен сравнительный анализ различных методов искусственного интеллекта в обработке изображений лица для идентификации личности. Анализировались преимущества, недостатки и эффективность каждого метода в различных условиях съемки и с различными наборами данных [2, с.25]. Приведена подробный анализ существующих методов искусственного интеллекта в обработке изображений лица для идентификации личности [3, с. 352]:

1. Сверточные нейронные сети (CNN):
   • Преимущества: CNN показали высокую точность в распознавании лиц за счет способности автоматически извлекать иерархические признаки из изображений. Они позволяют обрабатывать изображения с различными уровнями сложности, что делает их эффективными для идентификации лиц в разных условиях освещения, поз и фонов.
   • Недостатки: Недостатком CNN может быть их требовательность к вычислительным ресурсам и объему данных для обучения. Кроме того, они могут быть уязвимы к атакам, таким как атаки на ввод.
2. Глубокое обучение:
   • Преимущества: Глубокие модели, такие как Deep CNN, GAN и другие, могут обеспечить еще более высокую точность идентификации лиц за счет более сложных архитектур и обучения на больших объемах данных. Они могут лучше адаптироваться к различным условиям съемки и снижать вероятность ошибок.
   • Недостатки: Глубокое обучение требует большого количества размеченных данных для эффективного обучения моделей, что может быть сложным для сбора в реальных условиях. Кроме того, такие модели могут быть более сложными в настройке и требовать более высокой вычислительной мощности.
3. Машинное зрение:
   • Преимущества: Машинное зрение позволяет автоматически обрабатывать изображения лиц, включая их детекцию, извлечение признаков и классификацию. Это способствует автоматизации процесса идентификации и упрощает его интеграцию в различные приложения.
   • Недостатки: Некоторые методы машинного зрения могут быть менее точными или эффективными в сложных условиях, таких как изменение освещения, наличие различных аксессуаров или изменение внешнего вида лица [4, с. 383].
4. Комбинированные методы:
   • Преимущества: Комбинирование различных методов искусственного интеллекта может помочь улучшить точность идентификации лиц. Например, можно использовать CNN для извлечения признаков из лиц и затем применить методы глубокого обучения для классификации.
   • Недостатки: Комбинированные методы могут быть более сложными в реализации и требовать дополнительного времени и ресурсов для разработки и обучения.

Примерный алгоритм обработки изображений лица при идентификации личности, используя методы искусственного интеллекта.

Шаг 1. Загрузка изображения лица:

• Получение входного изображения лица, которое требуется идентифицировать.

Шаг 2. Предобработка изображения:

• Процесс предварительной обработки изображения для улучшения его качества и снижения шума. Это может включать в себя изменение размера изображения, приведение его к единому размеру, выравнивание лица и удаление фонов.

Шаг 3.  Детекция лица:

• Использование алгоритма детекции лица для обнаружения положения и ориентации лица на изображении. Методы машинного зрения, такие как каскады Хаара или глубокие нейронные сети, могут использоваться для этой цели.

Шаг 4.   Извлечение признаков:

• Извлечение характеристических признаков из лица, которые могут быть использованы для его идентификации. Это включает в себя извлечение дескрипторов лица, таких как распределение интенсивности пикселей, распределение текстурных признаков и т. д.

Шаг 5.  Выбор модели искусственного интеллекта:

• Выбор подходящей модели искусственного интеллекта, которая будет использоваться для идентификации лица. Это может быть сверточная нейронная сеть, глубокая нейронная сеть или другие модели машинного обучения.

Шаг 6.  Обучение модели:

• Если модель требует обучения, использование размеченных данных для обучения модели на изображениях лиц с соответствующими метками личности.

Шаг 7.  Идентификация лица:

• Применение обученной модели к извлеченным признакам лица для определения личности на изображении. Модель предсказывает идентификатор личности лица на основе полученных признаков.

Это разработанный алгоритм, который может быть дополнен и уточнен в зависимости от конкретных потребностей проекта и используемых методов искусственного интеллекта [5, с. 192].

Результаты и обсуждения. Результаты экспериментов показали высокую производительность методов искусственного интеллекта в обработке изображений лица для идентификации личности. Методы, основанные на сверточных нейронных сетях (CNN) и глубоком обучении, демонстрировали значительно лучшие результаты по сравнению с традиционными методами обработки изображений. Сравнительный анализ различных методов искусственного интеллекта в обработке изображений лица позволил выявить преимущества и недостатки каждого из них. CNN показали хорошие результаты в точности идентификации лиц, в то время как методы машинного зрения могли быть более быстрыми и простыми в реализации.

Заключение

В данном исследовании были рассмотрены различные методы искусственного интеллекта в обработке изображений лица с целью идентификации личности. В результате выполнения разработаны алгоритмы предварительной обработки изображений лица личности. Они предназначены для решения задач улучшения контраста изображений, подавления различных шумов и выделения контуров. Эти алгоритмы могут быть использованы при создании систем распознавания объектов, представленных в виде изображения.

Результаты экспериментов показали, что методы, основанные на свёрточных нейронных сетях и глубоком обучении, демонстрируют высокую производительность в задаче идентификации лиц. Они обладают способностью автоматического извлечения признаков из изображений лица и обучения моделей, которые позволяют достичь высокой точности идентификации.

Список литературы

1. Ванжа Т. В. Статистический анализ современных методов распознавания лиц и эмоций // Информатика и кибернетика. - №2 (16). - 2019. - С. 64-70. - https://elibrary.ru/item.asp?id=41142230.
2. Хомяков М. Ю. Методы обработки изображения лица человека по световой и контурной информации и аппаратно-программные средства биометрической  идентификации/  М.  Ю.  Хомяков//  Диссертации  кандидат технических наук. Санкт-Петербург, 2012. – C. 25.
3. Девятков В.В. Системы искусственного интеллекта: Учеб. Пособие для вузов. – М.: Изд-во МГТУ им. Н.Э.Баумана, 2001. – 352 с
4. Круглов В. В., Борисов В. В. Искусственные нейронные сети. Теория и практика. -1- е. - М.: Горячая линия - Телеком, 2001. - С. 382. -ISBN 5-93517-031-0.
5. Фисенко В.Т., Фисенко Т.Ю. Компьютерная обработка и  распознавание изо­бражений: Учеб. пособие. — СПб.: СПбГУ ИТмО, 2008. – С.192.