Das vorliegende Fachbuch befasst sich mit Algorithmen und Techniken zur Gesichtsentdeckung sowie zur Gesichtserkennung bzw. Gesichtswiedererkennung. Das hauptsächlich behandelte Thema ist die Wiedererkennung von Personen aufgrund zuvor erlernter biometrischer Informationen. Einleitend wird der derzeitige Stand der Forschung präsentiert. Dieser Überblick behandelt sowohl 2D- als auch 3D-basierende Algorithmen zur Gesichtsentdeckung und Gesichtserkennung. Beispielsweise wird die Gesichtsentdeckung durch Bildreduzierung um Hintergrundinformationen, durch die Auswertung von Farbinformationen, durch Erkennung von Bewegungen und durch Geometrievergleiche beschrieben. Die leistungsfähige und heutzutage gängigste Gesichtsentdeckungsmethode, die Viola-Jones-Methode, wird eingehend diskutiert und als C++-Programmcode implementiert. Die theoretische Behandlung verschiedener Gesichtserkennungsalgorithmen, wie Erkennung mittels Hidden Markov Models, durch Elastic Bunch Graph Matching, mit Hilfe von 3D Morphable Models, durch 3D Face Recognition sowie durch Anwendung von Fisherfaces oder Eigenfaces, führt zur praktischen Gesichtserkennungsimplementierung. Dabei werden Gesichter in einem Webcam-Stream automatisch entdeckt, in den Graustufenbereich transformiert und aus der Aufnahme extrahiert. Die normalisierte Gesichtsabbildung wird an den Gesichtserkennungsteil der Software weitergereicht, der die Wiedererkennung bekannter Personen oder die Erlernung unbekannter Gesichter mit Hilfe des Eigenfaces-Algorithmus durchführt. Die selbst geschriebene Software wurde mit einem kleinen Set an Bildern von Personen getestet und erreichte dabei eine Erkennungsrate von 95,83 %. Das vorliegende Fachbuch beschreibt die Funktionsweise des Programms detailliert. Der C++-Code ist im Buch enthalten und bedient sich der frei erhältlichen Open Computer Vision Library.

Textprobe: Kapitel 3.8, Vergleich: Obwohl standardisierte, frei erhältliche Gesichtsdatenbanken wie die FERET-Database, die Yale-Database oder die ORL-Database existieren und diese auch vorzugsweise in Publikationen zur Evaluierung der Gesichtserkennungsalgorithmen verwendet werden, ist kein verlässlicher Vergleich zwischen den Algorithmen möglich. Es werden meist nur Auszüge der Datenbanken oder eigene Datenbanken verwendet. 3.9, Leistungssteigernde Erweiterungen: Eine Leistungssteigerung der vorgestellten Algorithmen zur Gesichtserkennung kann durch Kombination oder Verschachtelung der Algorithmen untereinander erfolgen. Dies wird vor allem zur Abwendung von Falschidentifizierungen angewandt, kann aber mitunter die Erkennungsrate senken. Außerdem sind als Erweiterungen für die Methoden Eigenfaces und Fisherfaces Kernel-Methoden gebräuchlich, die Kernel-Funktionen verwenden um die Datenbetrachtung höherdimensional durchzuführen. Zur Steigerung der Erkennungsrate eines Algorithmus kann ein Bayes‘sches Netz zum Vergleich mit der Gesichtsdatenbank implementiert werden. Bayes’sche Netze treffen aufgrund bekannter statistischer Zusammenhänge Aussagen über zukünftige Wahrscheinlichkeiten. Dieses Prinzip wird in seiner einfachsten Form auch bei ‘Hidden Markov Models’ verwendet. 4, Verwendete Hardware: In diesem Kapitel wird die im praktischen Teil dieser Arbeit verwendete Hardware beschrieben und die Aspekte bei der Auswahl dieser werden erläutert. 4.1, Kameraauswahl: Die Bildaufnahme spielt bei der Gesichtsentdeckung sowie Erkennung eine wesentliche Rolle. Die Hardware muss bezogen auf das Anwendungsgebiet ausgewählt werden. Für Labor- und Testzwecke ist die verwendete Microsoft LifeCam Studio geeignet. Für die Gesichtsabbildungen selbst reicht eine Auflösung von 92x112 Pixel, wie sie zum Beispiel die Facial Recognition Technology (FERET) Database verwendet. Es ist aber zu beachten, dass zum Beispiel in einem Szenenbild ein Gesicht herausgeschnitten werden muss und auch dann die Auflösung 92x112 Pixel bei hoher Detailtreue betragen sollte (für geeignete Bilder siehe Abbildung 20). Die maximale Auflösung der verwendeten Webcam beträgt 1280x720 Pixel. Die Kamera wird über USB 2.0 an den PC angeschlossen. Die Kommunikation erfolgt über den mitgelieferten Microsoft LifeCam-Treiber. Diese Webcam wurde ausgewählt, da sie bereits in einer vorhergehenden Arbeit mittels eines eigenen Programms angesprochen wurde und qualitativ gute Bilder liefert. 4.2, Workstation-Auswahl: Die Workstation-Auswahl ist bezogen auf das Anwendungsgebiet durchzuführen. So steigt mit der Größe der Gesichtsdatenbank der Rechenaufwand zur Identifikation einer Person linear an. Auch der gleichzeitige Aufruf von mehreren Erkennungsprozessen erhöht die benötigten Rechenressourcen linear. Zudem ist trotz unterschiedlichster Optimierungen in den Algorithmen auch die Methodenauswahl zur Gesichtserkennung ein entscheidender Faktor für die zu verwendenden Hardware-Ressourcen. Bei der Nutzung von Gesichtsdatenbanken für Testversuche, wie im praktischen Teil, ist eine aktuelle Hardware ausreichend. Der hier eingesetzte PC verwendet eine Intel Core i5 CPU mit 2 Kernen (jeweils 2,53 GHz) und 3GB DDR3-Arbeitsspeicher. Auf der verwendeten Workstation läuft Windows 7 Enterprise als Betriebssystem.

• Gesichtsentdeckung

• Eigenfaces

• Viola-Jones

• Codebeispiel

• OpenCV

Andreas Ranftl, BSc, wurde 1990 in Salzburg, Österreich geboren. Er schloss die Höhere Technische Lehranstalt in Salzburg in der Vertiefung Elektronik/Technische Informatik erfolgreich mit der Arbeit ‘Presentation Glove - Entwicklung eines multifunktionalen PC-Eingabegeräts’ ab. Anschließend absolvierte er berufsbegleitend das Bachelorstudium für Informationstechnik & Systemmanagement an der Fachhochschule Salzburg, wobei er sich auf Industrielle Informationstechnik spezialisierte. Dieses Fachbuch erschien ausgehend vom Interesse des Autors für künstliche Intelligenz und folgte auf eine Studienarbeit über Stereokamerasysteme.