3 Gesichtserkennung
3.3 Gesichtsklassifizierung

Ein Gesichtserkennungssystem arbeitet in der Regel in zwei Hauptphasen. Die erste Phase ist ein Trainingsprozess und die zweite ist die Klassifizierung von Benutzern. Moderne Gesichtserkennungsverfahren arbeiten ordnungsgemäß, wenn bis zu 10 Bilder einer Person in der Trainingsphase verfügbar sind. Es wurden zahlreiche Techniken zur Gesichtserkennung von nur einem einzigen Bild pro Person entwickelt. Der Trainingsprozess sollte vollständig automatisiert werden und die Benutzer müssen in der Lage sein, ihn zu kontrollieren. Der Trainingsprozess verwendet Clustering-Algorithmen.

Der Hauptzweck aller Clusteralgorithmen ist es, die Cluster oder Klassen im Eingabedatensatz zu identifizieren. Es gibt viele Clusteralgorithmen. Diese Algorithmen können in zwei Gruppen eingeteilt werden: Partitionierungs- und hierarchische Algorithmen [5].

Als Beispiel für einen Clustering-Algorithmus kann K-Mittel genannt werden. Ein anderer Algorithmus, der zur Clusterbildung verwendet wird, ist der SOM (self-organizing map), der zu den neuronalen Netzwerk-Techniken oder DBSCAN (density-based spatial clustering of applications with noise) Methoden gehört.

Zur Klassifizierung von Gesichtsmerkmalen stellen wir zwei Verfahren vor, die abhängig von der Anzahl von Trainingsbildern und der Anzahl von Identitäten verwendet werden können:

  • Support Vector Machine (SVM) - wird verwendet, wenn nur eine relativ geringe Anzahl von Identitäten in dem System angenommen wird. Hauptnachteil dieser Methode ist die zeitaufwendige Ausbildung des Modells, wenn eine große Anzahl von Proben verwendet wird.
  • K-Nächster-Nachbar (KNN) Abstands-Übereinstimmung (mit dem Einsatz des Chi-Quadrat Abstandes) - dieser Algorithmus kann leicht parallelisiert und in verteilten Systemen verwendet werden. Das Training wird einfach durch Einsetzen der Features in die Datenbank [5] durchgeführt.