เบลอรูปทำให้ประสิทธิภาพการตรวจจับใบหน้าลดลงหรือไม่
CP491:Biometric
จัดทำโดย
- นายฉัตรัย ขุนเจริญ 62102010166
- นายเพทาย จำนงค์ธรรม 62102010178
- นายวชิรพงศ์ คำภาพงษ์ 62102010184
- นายสุวัจชัย เครือประสิทธิ์ 62102010191
- นายศุภกร ขำละเอียด 62102010437
หากเราลดคุณภาพของรูปภาพโดยการเบลอล่ะ?
จากบทความที่แล้วเราได้แสดงให้เห็นถึงการทำ Face Recognition ซึ่งในครั้งนี้เราจะทำการลดคุณภาพของรูปภาพ โดยการทดสอบนี้เราได้ใช้เทคนิคการเบลอภาพโดยใช้ gaussian blur ซึ่งเราเลือกใช้การเบลอขนาด 5 * 5 เพื่อที่จะได้รูปภาพที่มีลักษณะเบลอออกมา แล้วทำการ save ลงโฟลเดอร์
ขั้นตอน ที่ 1 Face-Detection
ซึ่งเราจะนำรูปที่ได้ทำการ detect แล้วมาทำการเบลอโดยใช้ code ตามด้านล่าง
- Blur enrollment faces
- Blur sample faces
- Blur unknown faces
ตัวอย่างผลลัพธ์ที่ได้จากการรัน code
ขั้นตอน ที่ 2 Face-Encoding และ ขั้นตอน ที่ 3 Face recognition
ทำตามขั้นตอนเดิมเหมือนที่เคยอธิบายไว้ที่บทความ Face Recognition
Face verification
เปรียบเทียบค่าตารางที่ได้
- ภาพธรรมดา
- ภาพที่ทำการเบลอ
จะพบว่าค่าที่ได้มีความแตกต่างอย่างชัดเจน นั่นคือรูปภาพที่ผ่านการเบลอจะมีค่า distance ที่เยอะกว่า ภาพธรรมดา
หลังจากที่ได้ตารางมาแล้ว เราจะมาหา FAR กับ FRR โดยเราต้องกำหนด threshold (คือ ใช้ในการตัดสินว่า actual identity จะผ่านหรือไม่ผ่านในการเข้าสู่ระบบ) อยู่ระหว่าง 0.1–0.7 โดยเพิ่มขึ้นทีละ 0.05 เราจะเริ่มจากการหา genuine attempt เพื่อใช้คำนวณหา FRR และ imposter attempt เพื่อคำนวณหา FAR และทำการ Plot FAR and FRR trade-off graph โดยใช้ matplotlib เช่นเดิม
ผลลัพธ์ที่ได้
- ภาพธรรมดา
- ภาพที่ทำการเบลอ
จากผลลัพธ์ graph ที่ได้ทั้งสองจะสังเกตุได้ว่าภาพที่ทำการเบลอนั้นมีค่า FRR ที่มากขึ้น หรือนั่นคือค่า Error rate กลายเป็น 20% แตกต่างจากรูปภาพเดิมที่มี Error rate ที่เกือบจะเป็น 0% ส่วนค่า FAR มีค่าใกล้เคียงเดิม ซึ่งจากกราฟรูปภาพที่ผ่านการเบลอ เราควรที่จะเลือก threshold = 0.6 เนื่องจากเส้นของ FAR กับ FRR ตัดกันพอดี
Face identification
Close-set identification
เปรียบเทียบค่าตารางที่ได้
- ภาพธรรมดา
- ภาพที่ทำการเบลอ
เมื่อได้ตารางแล้ว เราจะทำการเปรียบเทียบ performance ของ close-set โดยสร้าง IDR function เพื่อหา detection rate ในแต่ละ rank (1–10) เช่นเดิม
ผลลัพธ์ที่ได้
- ภาพธรรมดา
- ภาพที่ทำการเบลอ
ซึ่งจากผลลัพธ์ที่ได้จะพบว่าค่า IDR ลดลงอย่างชัดเจน เช่น IDR (Rank-1) ของรูปภาพธรรมดาเท่ากับ 96.00% แต่พอนำมาลดคุณภาพของรูปภาพโดยการเบลอ ค่า IDR (Rank-1) ที่ได้ก็ลดลงเหลือ 59.11% ทำให้เห็นได้ชัดว่าการลดคุณภาพของรูปภาพมีผลกับการตรวจสอบรูปภาพ
และเมื่อนำนำ Detection rate ที่ได้ในแต่ละ rank มา plot CMC (Cumulative Match Characteristic) curve graph
ผลลัพธ์ที่ได้
- ภาพธรรมดา
- ภาพที่ทำการเบลอ
จะเห็นได้ว่าภาพธรรมดามีเปอร์เซ็นต์การตรวจจับที่มากกว่า เช่น rank1 ของภาพธรรมดา มีค่าเท่ากับ 96% ส่วนภาพที่ทำการเบลอ มีค่า rank1 ที่ลดเหลือเพียงแค่ 59%
Open-set identification
เปรียบเทียบค่าตารางที่ได้
- ภาพธรรมดา
- ภาพที่ทำการเบลอ
หลังจากสร้างตาราง open-set เสร็จ จะเริ่มทำการหา IDR ของ rank1 และ FAR โดยเริ่มแรกเราจะหาจำนวน genuine และ imposter attempt เพื่อใช้ใน FAR function เช่นเดิมกับที่ทำในรูปภาพธรรมดา แต่ในครั้งนี้เราจะสร้าง IDR_1 function ซึ่งจะต่างจาก close-set โดยเราจะทำเพียง rank 1 เท่านั้นและมี threshold เข้ามาเกี่ยวข้องด้วย เนื่องจากมี unknown user เข้ามาในระบบ
ผลลัพธ์ที่ได้
- ภาพธรรมดา
- ภาพที่ทำการเบลอ
ซึ่งผลลัพธ์ที่ได้จะพบว่าภาพที่ทำการเบลอจะมี performance ที่น้อยกว่าภาพที่ไม่ได้เบลอ หรือนั่นคือ ค่า IDR ลดลงอย่างเห็นได้ชัด