• Задать вопрос менеджеру

Twitter новости

Обучение письменному иноязычному общению на основе ИКТ http://t.co/IK2NAjncrk

Online-опрос

Антиплагиат онлайнДипломант
Яндекс.Метрика

Алгоритм классификации человека по фотографии лица

Предмет:Информатика
Тип:Дипломная/Магистерская
Объем, листов:22
Word
Получить полную версию работы
Релевантные слова:людей, классификации, лица, человека, фотографии, алгоритма, лиц, фотографий, атрибута, качества, работы, вход, количество, тестовой, возраст
Процент оригинальности:
82 %
Цена:500 руб.
Содержание:

1 Введение 4

2 Постановка задачи 6

2. 1 Формальная постановка задачи 6

2. 2 Критерии качества и методы оценки 6

2. 3 Цели дипломной работы 7

3 Обзор существующих методов 8

3. 1 Предобработка фотографий 8

3. 2 Признаки 8

3. 3 Методы обучения 10

3. 4 Выводы 11

4 Предложенный метод 12

4. 1 Предобработка фотографий 12

4. 2 BIF 13

4. 3 Рандомизированные решающие деревья 14

5 Экспериментальные результаты 16

6 Описание практической части 19

7 Заключение 20

8 Литература 21

Вступление:

В последнее время быстрое развитие компьютерной техники позволяет решать всё новые и новые сложные задачи за приемлемое для практического применения время. Всё более широкое распространение получают миниатюрные фото- и видеокамеры, которые располагаются повсюду – от систем видеонаблюдения до телефонов в руках обычных людей. Накапливается огромное количество информации, которую невозможно проанализировать вручную. Тут на помощь приходят методы компьютерного зрения, позволяющие извлекать информацию из изображений и видео.

Одним из основных объектов интереса на фото- и видеоматериалах является человек. Большое количество информации о человеке можно узнать по лицу: пол, примерный возраст, эмоциональное состояние и т. п. Автоматическая система, позволяющая получать информацию о людях по фотографиям лиц, могла бы найти много практических применений.

Одно из таких практических приложений – «умный» интерфейс взаимодействия человека и компьютера. Используя характеристики пользователя, полученные по его фотографии, заснятой с помощью встроенной камеры, компьютер сможет подстроить интерфейс так, чтобы взаимодействие было более удобным для человека. Например, можно увеличить размер шрифта для пожилого человека в очках, использовать больше картинок вместо слов для ребенка или вывести на первый план ту информацию, которую чаще всего запрашивают люди из определенной социальной группы. Такой интерфейс очень хорошо подходит для общественно доступных компьютеров типа информационных терминалов.

Автоматическая классификация людей была бы очень полезна маркетологам, позволяя собирать статистику о том, какие люди больше всего интересовались данным товаром или смотрели о нем рекламу. Возможен и обратный сценарий – «умный» рекламный экран, который показывает разные рекламные ролики в зависимости от того, кто на него смотрит.

Системы видеонаблюдения также можно усовершенствовать, используя автоматический классификатор людей. Сейчас, чтобы найти какого-то человека на видеозаписи по приметам, приходится просматривать огромные объемы видео, что отнимает много времени. Система со встроенным модулем автоматической классификации позволила бы составлять поисковые запросы с приметами человека и осуществлять поиск гораздо быстрее.

Автоматическая классификация людей по лицу может использоваться и для решения других задач компьютерного зрения, например, в задаче верификации людей, то есть проверки, изображен ли на двух фотографиях один и тот же человек. Авторы статьи [1] предлагают следующий подход: результаты классификации людей по большому числу признаков (пол, возраст, цвет волос, форма лица, наличие очков, усов, улыбки и т. п. ) подаются на вход алгоритму верификации в качестве вектора признаков.

Заключение:

В рамках дипломной работы были решены следующие задачи:

• Проведен обзор существующих алгоритмов классификации людей по фотографии лица, выявлены их основные недостатки

• Разработан собственный алгоритм, учитывающий влияние атрибутов друг на друга

• Алгоритм реализован в среде MATLAB, проведено тестирование и оценка результатов, показавшая улучшение результатов при использовании предложенного алгоритма

Список литературы:

1. Kumar, N. , Berg, A. C. , Belhumeur, P. N. , Nayar, S. K. , Attribute and Simile Classifiers for Face Verification // International Conference on Computer Vision. 2009. P 365-372.

2. Kwon, Y. , Lobo, N. Age Classification from Facial Images // Computer Vision and Image Understanding. 1999. 74. N 1. P 1-21.

3. Xu Z. , Lu L. , Shi P. A Hybrid Approach to Gender Classification from Face Images // International Conference on Pattern Recognition. 2008. P 1-4.

4. Lanitis, A. , Draganova, C. , Christodoulou C. Comparing Different Classifiers for Automatic Age Estimation // IEEE Transactions on Systems, Man, and Cybernetics. 2004. 34. N 1. P 621-628.

5. Cootes T. F. , Edwards G. J. , Taylor C. J. Active Appearance Models // European Conference on Computer Vision. 1998. 2. P 484-498.

6. Fu, Y. , Xu, Y. , Huang, T. S. Estimating Human Age by Manifold Analysis of Face Pictures and Regression on Aging Features // IEEE Conference on Multimedia and Expo. 2007. P 1383-1386.

7. Guo, G. , Mu, G. , Fu, Y. , Dyer, C. , Huang, T. A Study on Automatic Age Estimation Using a Large Database // International Conference on Computer Vision. 2009. P 1986-1991.

8. Baluja S. , Rowley H. A. Boosting Sex Identification Performance // International Journal of Computer Vision. 2007. 71. N 1. P 111-119.

9. Lian, H. -C. , Lu, B. -L. Multi-view Gender Classification Using Local Binary Patterns and Support Vector Machines // Advances in Neural Networks. 2006. 3972. P 202-209.

10. Guo, G. , Mu, G. , Fu, Y. , Huang, T. S. Human Age Estimation Using Bio-inspired Features // Conference on Computer Vision and Pattern Recognition. 2009. P 112-119.

11. Verschae R. , Ruiz-del-Solar J. , Correa M. Gender Classification of Faces Using Adaboost // Progress in Pattern Recognition, Image Analysis and Applications. 2006. 4225. P 68-78.

12. Littlewort G. , Bartlett M. S. , Fasel I. , Susskind J. , Movellan J. Dynamics of Facial Expression Extracted Automatically from Video // Conference on Computer Vision and Pattern Recognition Workshop. 2004. 5. P 80-87.

13. Breiman, L. Random Forests // Machine Learning. 2001. 45. N 1. P 5-32.

14. Phillips P. J. , Wechsler H. , Huang J. , Rauss P. The FERET Database and Evaluation Procedure for Face Recognition Algorithms // Image and Vision Computing. 1998. 16. N 5. P 295-306.

15. The FG-NET Aging Database [HTML] (http://www. fgnet. rsunit. com/).

16. The IMM Face Database [HTML] (http:// www2. imm. dtu. dk/~aam/datasets/datasets. html).

17. The ORL Database of Faces [HTML] (http://www. cl. cam. ac. uk/research/dtg/attarchive/facedatabase. html)

18. The AR Face Database [HTML] (http://www2. ece. ohio-state. edu/~aleix/ARdatabase. html)

Бесплатные работы:

Готовые работы:

Рекомендованные документы: