ПОБУДОВА ПРАВИЛ ПРИЙНЯТТЯ РІШЕНЬ ДЛЯ РОЗПІЗНАВАННЯ ОБЛИЧ НА ОСНОВІ КВАДРАТА ВІДСТАНІ МАХАЛАНОБІСА ДЛЯ НОРМАЛІЗОВАНИХ ДАНИХ
DOI:
https://doi.org/10.32782/IT/2023-2-6Ключові слова:
розпізнавання облич, відстань Махаланобіса, еліпсоїд прогнозування, нормалізація, Dlib, багатовимірний нормальний розподіл.Анотація
Розпізнавання облич є одним із завдань розпізнавання образів, яке стає все більш популярним через широке застосування в комп’ютерному зорі, системах безпеки та ін. Низька ймовірність ідентифікації особи за обличчям може мати негативні наслідки. Тому існує потреба в розробці та вдосконаленні методів розпізнавання облич. Один із широко використовуваних методів розпізнавання образів базується на застосуванні вирішальних правил на основі квадрата відстані Махаланобіса. Квадрат відстані Махаланобіса використовується для побудови еліпсоїда прогнозування. Але суттєвим обмеженням його використання є необхідність виконання припущення про нормальність розподілу багатовимірних даних, порушення якого як правило призводить до зменшення ймовірності розпізнавання. Метою роботи є підвищення ймовірності розпізнавання облич за рахунок побудови правил прийняття рішень на основі квадрата відстані Махаланобіса для десятивимірних нормалізованих даних характеристик обличчя. Для отримання вектору характеристик обличчя з використанням бібліотеки Dlib було розроблено програму мовою Python. Для оцінювання відхилення від нормального розподілу даних було використано тест Mardia. Досліджено, що отримані вибірки характеристик обличчя мають розподіл, який відхиляється від нормального, тому була виконана нормалізація за допомогою відомого одновимірного перетворення у вигляді десяткового логарифму. На основі квадрата відстані Махаланобіса побудовані правила прийняття рішень у вигляді десятивимірних еліпсоїдів прогнозування для початкових та нормалізованих даних. Вирішальні правила, побудовані для нормалізованих даних, показали більшу ймовірність розпізнавання облич. Результати доводять, що нормалізація збільшує ймовірність розпізнавання облич у разі суттєвого відхилення багатовимірного розподілу характеристик обличчя від нормального. Також було з’ясовано, що у разі існування високої кореляція між характеристиками обличчя, застосування одновимірних нормалізуючих перетворень не завжди призводить до добрих результатів розпізнавання. У цьому разі потрібно використовувати багатовимірні нормалізуючі перетворення, такі як Бокса-Кокса або Джонсона.
Посилання
Довбиш, А. С., І. В. Шелехов. Основи теорії розпізнавання образів : навч. посіб. : у 2-х ч. Суми : Сумський державний університет, 2015. 109 c.
Amato, Giuseppe, et al. A comparison of face verification with facial landmarks and deep features. 10th International Conference on Advances in Multimedia (MMEDIA). 2018.
Beham, M. Parisa, and S. Mohamed Mansoor Roomi. A review of face recognition methods. International Journal of Pattern Recognition and Artificial Intelligence, 2013.
Bijarnia, Saroj, and Preety Singh. Age invariant face recognition using minimal geometrical facial features. Advanced Computing and Communication Technologies: Proceedings of the 9th ICACCT, 2015. Springer Singapore, 2016.
Boyko, Nataliya, Oleg Basystiuk, and Nataliya Shakhovska. Performance evaluation and comparison of software for face recognition, based on dlib and opencv library. 2018 IEEE Second International Conference on Data Stream Mining & Processing (DSMP). IEEE, 2018.
Brereton, Richard G. The chi squared and multinormal distributions. Journal of Chemometrics 29.1, 2015 : 9–12.
Brereton, Richard G. Multivariate classification models. Journal of Chemometrics 35.12, 2021 : e3332.
Burak. Dataset Pins Face Recognition. 2019. URL: https://www.kaggle.com/datasets/hereisburak/pinsface- recognition (дата звернення: 08.02.2023).
Etherington, Thomas R. Mahalanobis distances for ecological niche modelling and outlier detection: implications of sample size, error, and bias for selecting and parameterising a multivariate location and scatter method. PeerJ 9, 2021 : e11436.
Fischer, Christoph. Comparing the logarithmic transformation and the box-cox transformation for individual tree basal area increment models. Forest Science, 2016.
Gaber, Amira, et al. SVM classification of facial functions based on facial landmarks and animation Units. Biomedical Physics & Engineering Express 7.5, 2021.
Gallego, Guillermo, et al. On the Mahalanobis distance classification criterion for multidimensional normal distributions. IEEE Transactions on Signal Processing, 2013.
Ghorbani, Hamid. Mahalanobis distance and its application for detecting multivariate outliers. Facta Universitatis, Series: Mathematics and Informatics, 2019.
Haghpanah, Mohammad A., et al. Real-time facial expression recognition using facial landmarks and neural networks. 2022 International Conference on Machine Vision and Image Processing (MVIP). IEEE, 2022.
Hamill, Patrick, et al. An AERONET-based aerosol classification using the Mahalanobis distance. Atmospheric Environment 140, 2016: 213-233.
Happy, S. L., and Aurobinda Routray. Automatic facial expression recognition using features of salient facial patches. IEEE transactions on Affective Computing 6.1, 2014: 1–12.
Johnston, Benjamin, and Philip de Chazal. A review of image-based automatic facial landmark identification techniques. EURASIP Journal on Image and Video Processing 2018.1, 2018: 1–23.
Juhong, Aniwat, and Chuchart Pintavirooj. Face recognition based on facial landmark detection. 2017 10th Biomedical Engineering International Conference (BMEiCON). IEEE, 2017.
Khabarlak, Kostiantyn, and Larysa Koriashkina. Fast facial landmark detection and applications: A survey. arXiv preprint arXiv:2101.10808, 2021.
Li, Dahua, et al. Facial expression recognition based on electroencephalogram and facial landmark localization. Technology and Health Care 27.4, 2019: 373–387.
Mardia, Kanti V. Measures of multivariate skewness and kurtosis with applications. Biometrika, 1970, 57.3: 519–530.
Mardia, Kanti V. Applications of some measures of multivariate skewness and kurtosis in testing normality and robustness studies. Sankhyā: The Indian Journal of Statistics, Series B, 1974, 115-128.
Meshkani, Seyed Ahmad, et al. The application of geochemical pattern recognition to regional prospecting: A case study of the Sanandaj–Sirjan metallogenic zone, Iran. Journal of geochemical exploration 108.3, 2011: 183–195.
Nader, Patric, Paul Honeine, and Pierre Beauseroy. Mahalanobis-based one-class classification. 2014 IEEE International Workshop on Machine Learning for Signal Processing (MLSP). IEEE, 2014.
Nestor, Adrian, Jean M. Vettel, and Michael J. Tarr. Internal representations for face detection: An application of noise-based image classification to BOLD responses. Human brain mapping 34.11, 2013: 3101–3115.
Osman Ali, Amal Seralkhatem, et al. Age-invariant face recognition using triangle geometric features. International Journal of Pattern Recognition and Artificial Intelligence 29.05, 2015: 1556006.
S. Prykhodko, N. Prykhodko, L. Makarova and A. Pukhalevych, Application of the squared mahalanobis distance for detecting outliers in multivariate non-Gaussian data, 2018 14th International Conference on Advanced Trends in Radioelecrtronics, Telecommunications and Computer Engineering (TCSET), Lviv- Slavske, Ukraine, 2018, pp. 962–965, doi: 10.1109/TCSET.2018.8336353.
Prykhodko, Sergiy, et al. Application of transformed prediction ellipsoids for outlier detection in multivariate non-Gaussian data. 2020 IEEE 15th International Conference on Advanced Trends in Radioelectronics, Telecommunications and Computer Engineering (TCSET). IEEE, 2020. 29. Saib, Yaaseen Muhammad, and Sameerchand Pudaruth. Is Face Recognition with Masks Possible?. International Journal of Advanced Computer Science and Applications 12.7, 2021.
Sen, Sumen, Norou Diawara, and Khan M. Iftekharuddin. Statistical pattern recognition using Gaussian copula. Journal of Statistical Theory and Practice 9, 2015: 768–777.
Van Aelst, Stefan, and Peter Rousseeuw. Minimum volume ellipsoid. Wiley Interdisciplinary Reviews. Computational Statistics 1.1, 2009: 71–82.
Andrew R. Webb, Keith D. Copsey. Statistical Pattern Recognition. Third Edition. John Wiley & Sons, 2011.
Wu, Yue, and Qiang Ji. Facial landmark detection: A literature survey. International Journal of Computer Vision 127, 2019: 115–142.
