Как адаптировать добавление и использование изображений лиц, собранных во время проверки подлинности, для повышения эффективности аутентификации лиц?

Мой текущий проект заключается в создании системы аутентификации лиц. У меня есть ограничение: во время регистрации пользователь дает одно изображение для обучения. Тем не менее, я могу добавлять и использовать изображения, данные пользователем во время проверки подлинности.

Причина, по которой я хочу добавить больше образов в обучение, - это среда пользователя не ограничена - разные условия освещения, различное расстояние от камеры, от разных камер MP. Единственное облегчение - поза почти фронтальная.

Я думаю, вышеупомянутая проблема похожа на широко распространенное приложение тегов. Может ли кто-нибудь предложить метод для использования доступных изображений адаптивно и умно??

- Спасибо

Ответ 1

Чтобы сделать ваш классификатор надежным, вам нужно использовать независимые от условий функции. Например, вы не можете использовать цвет лица, поскольку он зависит от условий освещения и состояния самого человека. Однако вы можете использовать расстояние между глазами, так как оно не зависит от каких-либо изменений.

Я бы предложил создать некоторую модель таких независимых функций и переквалифицировать классификатор каждый раз, когда пользователь начинает сеанс аутентификации. Лучшая модель, о которой я могу думать, Модель активного внешнего вида (одна из реализаций).

Ответ 2

Я бы рекомендовал вам внимательно рассмотреть SOM (самоорганизующиеся карты). Я думаю, что он содержит решения всех проблем и ограничений, о которых вы упоминали.

Вы можете использовать его для решения одного изображения на человека. Кроме того, используя множественную стратегию SOM-face, вы можете адаптировать ее для случаев, когда для обучения доступны дополнительные изображения. Что-то довольно опрятное в отношении всей концепции, так это то, что когда встречается новое лицо, для переучивания требуется только новая, а не вся исходная база данных.

Несколько ссылок, которые вы можете найти полезными на этом пути:

http://en.wikipedia.org/wiki/Self-organizing_map (wiki)

http://cs.nju.edu.cn/zhouzh/zhouzh.files/publication/tnn05.pdf (интересная исследовательская работа, демонстрирующая вышеупомянутую технику)

Удача