Программа по распознаванию лиц

ВВЕДЕНИЕ
В современном мире данная тема является очень актуальной, так как это направление уже является одним из наиболее перспективных, наряду с развитием технологий передачи информации, разного рода облачных сер-висов и осмысленного анализа больших объемов данных. Целью моей ра-боты является: изучение темы «Система видеонаблюдения с распознавани-ем лиц» определение основных направлений использования и определение основных принципов работы алгоритмов и создание продукта на основе собранного материала по данной теме, доказывающий эффективную рабо-ту системы видеонаблюдения с распознаванием лиц. В XXI веке биометри-ческая аутентификация, когда для удостоверения личности людей исполь-зуются их физические характеристики (например, отпечатки пальцев, сет-чатка глаза, лицо), становится неотъемлемой частью повседневной жизни.
Сегодня функция распознавания лиц используется для обеспечения безопасности в телефонах, ноутбуках, паспортах и платёжных приложени-ях. Ожидается, что эта технология кардинально изменит рынок таргетиро-ванной рекламы и ускорит диагностику определённых заболеваний. В то же время технология идентификации лиц превращается в инструмент госу-дарственного давления и корпоративной слежки. Распознавание лиц (Face Recognition - англ.) - это одни из наиболее перспективных методов биомет-рической бесконтактной идентификации человека по лицу. Первые системы распознавания лиц были реализованы как программы, устанавливаемые на компьютер. В наше время технология распознавания лиц наиболее ча-сто используется в системах видеонаблюдения, контроля доступа, на раз-нообразных мобильных и облачных платформах. Для обеспечения без-опасности и наблюдения за обстановкой в современном мире используют-ся системы видеонаблюдения, которые берут на себя часть монотонной работы операторов, автоматически выявляют нештатные ситуации и ин-формируют о них. Оператору остается принять решение о необходимой реакции на поступающие события. Функциональные возможности систем видеонаблюдения получают все больше средств для автоматического ана-лиза видеоинформации. Качественная современная система видеонаблюде-ния должна не только производить запись и выводить изображение на экран, но и осуществлять ряд аналитических функций. Одной из наиболее востребованных является распознавание и идентификация людей (лиц) в зоне контроля. Интеллектуальное видеонаблюдение базируется на алго-ритмах распознавания образов, которые обеспечивают автоматическое определение различных объектов в видеопотоках, транслируемых с камер видеонаблюдения в режиме реального времени.
Для достижения цели необходимо решить следующие задачи:
1. Структурировать предметную область и выявить основные направления развития. • Собрать информацию по каждому из направле-ний.
2. Познакомиться с программными продуктами, обеспечивающих решение задач по распознаванию образов.
3. Разработать программу распознавания лиц на языке програм-мирования Python.
Объект исследования составляют принципы и методы разработки программ для распознавания лиц.
Предмет исследования составляет система распознавания лиц на фо-тографиях.








ГЛАВА 1. ОПИСАНИЕ НЕЙРОННЫХ СЕТЕЙ ДЛЯ
РАСПОЗНАВАНИЯ ЛИЦ
1.1. Основные элементы нейронных сетей
Многослойный перцептрон строится из 3+ слоев и применяет нели-нейную функцию активации для классификации данных. Каждый узел в слое соединен с каждый узлом в последующем слое, что делает сеть полно-стью связанной. Такая архитектура находит применение в задачах распо-знавания образов, речи и машинном переводе. Для начала нам необходи-мо понимать – какой способ обучения нейросети будет использоваться. Существуют следующие методы:
Машинное обучение с учителем. При обучении нейронной сети для распознавания образов с учителем имеется выборка с истинными ответами на вопрос, что изображено на картинке – метками классов. Нейросети по-даются на вход эти изображения, после чего вычисляется ошибка, сравни-вающая выходные значения с истинными метками классов. В зависимости от степени и характера несоответствия предсказания нейронной сети, её ве-са корректируются, ответы нейронной сети подстраиваются под истинные ответы, пока ошибка не станет минимальной.
Обучение без учителя. В этом случае у обучающей выборки нет ме-ток классов, и перед нейронной сетью стоит задача найти заранее не из-вестные ответы. Нейронная сеть пытается самостоятельно найти законо-мерности в данных, извлекая полезные признаки и анализируя их. Напри-мер, кластеризация — наиболее распространенная задача для обучения без учителя. Алгоритм подбирает похожие данные, находя общие призна-ки, и группируют их вместе. Обучение с частичным привлечением учителя Обучающая выборка содержит как размеченные, так и неразмеченные данные. Этот метод особенно полезен, когда разметить все объекты – тру-доемкая задача. Тем не менее, нейронная сеть может извлечь информацию из небольшой доли размеченных данных и улучшить точность предсказа-ний по сравнению с моделью, обучающейся исключительно на неразме-ченных данных. Обучение с подкреплением Обучение с подкреплением действует по принципу получения обратной связи - награды за определён-ные действия. Следующим шагом является выбор алгоритма обучения нейронной сети. Существуют следующие алгоритмы обучения многослой-ной нейронной сети: Алгоритм обучения многослойной нейронной сети методом обратного распространения ошибки Алгоритм обратного рас-пространения ошибки (Backpropagation) — популярный алгоритм обуче-ния многослойных персептронов. Относится к методам обучения с учите-лем, поэтому требует, чтобы в обучающих примерах были заданы целевые значения.
Несмотря на существенные различия, отдельные тины нейронных се-тей обладают несколькими общими чертами. Во-первых, основу каждой нейронных сетей составляют относительно простые, в большинстве случа-ев - однотипные, элементы (ячейки), имитирующие работу нейронов мозга. Далее под нейроном будет подразумеваться искусственный нейрон, то есть ячейка нейронной сети. Каждый нейрон характеризуется своим текущим состоянием по аналогии с нервными клетками головного мозга, которые могут быть возбуждены или заторможены. Он обладает группой синапсов - однонаправленных входных связей, соединенных с выходами других нейронов, а также имеет аксон - выходную связь данного нейрона, с кото-рой сигнал (возбуждения или торможения) ноступает на синапсы следую-щих нейронов.
Схема подготовки исходных данных включает в себя все этапы пре-образования данных с момента их получения до момента подготовки обу-чающего, тестового и, если необходимо, проверочного множеств. Схема подготовки исходных данных состоит из трех этапов: сбор и анализ ис-ходных данных, предобработка исходных данных и подготовка обучаю-щей выборки. Для обучения каскадного классификатора нужны положи-тельный и отрицательный наборы изображения. Имея несколько сотен по-ложительных и отрицательных изображений, генерируем из них образцы для входа в каскадный классификатор.