Тип работы:
Предмет:
Язык работы:


СИСТЕМА РАСПОЗНАВАНИЯ И АКТУАЛИЗАЦИИ ИНФОРМАЦИИ О ЛИЧНОСТИ

Работа №42268

Тип работы

Магистерская диссертация

Предмет

информационные системы

Объем работы84
Год сдачи2019
Стоимость5700 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
177
Не подходит работа?

Узнай цену на написание


ВВЕДЕНИЕ 3
ГЛАВА 1. АНАЛИЗ СУЩЕСТВУЮЩИХ ПОДХОДОВ К РАСПОЗНАВАНИЮ ЛИЦ 5
1.1 Общая структура процесса распознавания лиц 5
1.2 Методы на основе внешнего вида 7
1.3 Методы на основе антропологических признаков 14
1.4 Нейронные сети 22
ГЛАВА 2. РЕАЛИЗАЦИЯ АЛГОРИТМОВ РАСПОЗНАВАНИЯ ЛИЦ 27
2.1 Реализация метода главных компонент (PCA) и решение вычислительной задачи 27
2.2 Реализация алгоритма распознавания на основе линейного дискриминантного анализа 28
ГЛАВА 3. ЭКСПЕРИМЕНТЫ И РЕЗУЛЬТАТЫ 30
3.1 Эксперимент с использование базы данных Гарвардского университета 30
3.2 Эксперименты с использованием базы данных Йельского университета 32
3.3 Эксперимент с распознаванием лиц в очках и без очков 33
3.4 Выводы по экспериментам 34
ЗАКЛЮЧЕНИЕ 35
СПИСОК ЛИТЕРАТУРЫ 36
ПРИЛОЖЕНИЕ

В наше время технологии распознавания лиц активно развиваются в мире и играют важную роль в разных областях применения: ритейл, банковский сектор, правоохранительная сфера, безопасность и др. Поэтому, система распознавания, которая, является недорогой в использовании, выполняет быстрое сравнение, обрабатывает большие базы данных и выполняет распознавание в изменяющейся среде - необходимость нашего времени. Распознавание лиц - очень легкая задача для человека в том случае, когда лиц немного, но очень трудно иметь дело с большим количеством неизвестных лиц. Данное человеческое ограничение можно преодолеть с помощью суперкомпьютеров, которые будут используют хорошо продуманные алгоритмы. В настоящее время во многих приложениях производительность систем распознавания лиц в контролируемой среде достигла удовлетворительного уровня. Однако, все еще существует много проблем, связанных с неконтролируемой средой. Некоторые из этих проблем связаны с различиями в освещении, угол поворота лица, выражении лица и т.д. [1] Изменения условий освещения является одной из проблем [2], c которой система распознавания лица должна сталкиваться на практике. Кроме того, в практической среде изменение освещения всегда связано с другими проблемами, такими как изменение позы и изменение выражения лица, которые увеличивают сложность автоматического распознавания лиц. За последние 15 лет исследования были сосредоточены на том, чтобы сделать системы распознавания лиц полностью автоматическими, решая такие проблемы, как локализация лица на определенном изображении или видео, а также извлечение таких антропологических черт, как глаза, рот и т. д. В итоге, значительные успехи были сделаны в проектировании классификаторов для успешного распознавания лица. Среди подходов, основанных на целостном внешнем виде методы EigenFace [3] и Fisherfaces [4] хорошо зарекомендовали себя в экспериментах с большими базами данных. Подходы, основанные на сравнении графов, также были весьма успешными. По сравнению с целостными подходами, методы, основанные на признаках, менее чувствительны к изменениям освещенности и углу поворота лица и неточности в локализации лица. Однако методы извлечения признаков, необходимых для подхода этого типа, все еще не являются надежными или достаточно точными. Распознавание лиц также можно выполнить с помощью мягких вычислительных средств. Нейронные сети, нечеткие множества и генетический алгоритм часто используются мягкими вычислительными методами. По сравнению со всеми другими методами, методы мягких вычислений являются трудоемкими. Несмотря на то, что для решения проблемы распознавания лиц уже появилось множество методов, это все же развивающаяся область, зависящая от области применения приложения и ограничений.

Возникли сложности?

Нужна помощь преподавателя?

Помощь студентам в написании работ!


При выполнении исследований для диссертации, в соответствии с ранее определенными целями и поставленными задачами были получены следующие результаты:
1. Для реализации системы были изучены такие библиотеки, как Junit 4, Hamcrest, Lombok, Guava. В результате работы били получены и улучшены навыки программирования, на Java и написания модульных тестов.
2. Проанализированы разные методы реализации алгоритмов распознавания лиц. В ходе анализа, были определены основные проблемы распознавания, так же были рассмотрены разные методы решения проблем распознавания лиц, для описанных ранее подходов.
3. Реализованы методы на основе внешнего вида, а именно метод главных компонент и метод линейного дискриминантного анализа, который основан на линейном дискриминантном анализе Фишера.
4. Выполнены эксперименты по распознаванию лиц и сделаны соответствующие выводы.
5. Реализованы алгоритмы, которые можно использовать для внедрения в системы распознавания лиц, например в приложение для операционной системы Android.
6. В перспективе планируется реализовать метод распознавания лиц на основе нейронных сетей с использованием уже реализованных алгоритмов.



1. Vishwakarma V. P An illumination invariant accurate face recognition with down scaling of DCT coefficients / Vishwakarma V. P., Pandey
S. and Gupta M. N., // Journal of Computing and Information Technology. - 2010. - №18(1) - pp. 53-67
2. Zhang T. Generalized discriminant analysis: A matrix exponential approach / Zhang T., Fang B., Tang Y. Y., Shang Z. W., Xu B. // IEEE Transactions on Systems, Man, and Cybernetics, Part B: Cybernetics.
- 2010. - №40(1) - pp. 186-197.
3. Turk M. Eigenfaces for recognition / Turk M., Pentland A. // Journal of Cognitive Neuroscience. - 1991. - №3. - pp. 71-86.
4. Yang J. Combined Fisherfaces framework / Yang J., Yang J. Y. Frangi A. F. // Image and Vision Computing. - 2003. - №21(12) - pp. 10371044.
5. Chellappa R. Human and machine recognition of faces: A survey / Chellappa R., Wilson C. L., Sirohey S. // Proceedings of the IEEE. - 1995. - №83(5) - pp. 705-741.
6. Gonzalez R. C. Digital Image Processing / Gonzalez R. C., Woods R.
E // Pearson Education. - 2006.
7. Nefian A. Hidden markov models for face recognition / Nefian A., Hayes M. // Proceedings of the IEEE International Conference on Acoustics, Speech, and Signal Processing, Washington, USA, - 1998.
- №5 - pp. 2721-2724.
8. Liu J. A study on three linear discriminant analysis based methods in small sample size problem / Liu J., Chen S., Tan X. // Pattern Recognition. - 2008. - №41(1) - pp. 102-116.
9. Gandhe S. T. Intelligent face recognition techniques: A comparative study / Gandhe S. T., Talele K. T., Keskar A. G. // GVIP Journal. - 2007. - №7(2) - pp. 53-60.
10. Vishwakarma V. P. Fuzzy based pixel wise information extraction for face recognition / Vishwakarma V. P., Pandey S., Gupta M. N. // International Journal of Engineering and Technology. - 2010. - №2(1)
- pp. 117-123.
11. Kirby M. Application of the Karhunen-Loeve procedure for the characterization of human faces / Kirby M., Sirovich L. // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1990. - 12(1) - pp. 103-108.
12. Huang G. H. Kernel principal component analysis and application in face recognition / Huang G. H., Shao H. H. // Computing Engineering
- 2004. - №30(13) - pp. 13-14.
13. Liu J. A study on three linear discriminant analysis based methods in small sample size problem / Liu J., Chen S., Tan X. // Pattern Recognition. - 2008. - №41(1) - pp. 102-116.
14. Wang Y. The facial expression recognition based on KPCA / Wang Y., Zhang Y. // International Conference on Intelligent Control and Information Processing. China - 2010.
15. Schelkopf B. Nonlinear component analysis as a kernel eigenvalue problem / Schelkopf B., Smola A., Muller K. // Neural Computation.
10(1998)1299-1319.
16. Yang M.-H., Kernel eigenfaces vs. kernel fisherfaces: Face recognition using kernel methods // Proceedings of Fifth IEEE International Conference on Automatic Face Gesture Recognition - 2002. - pp. 215-220.
17. Hyvarinen A. Survey on independent component analysis // Neural Computation. - №2 - 1999 - pp. 1-35.
18. Li J. A comparison of subspace analysis for face recognition / Li J., Zhou S., Shekhar C. // Proceedings of the IEEE International Conference on Acoustics, Speech, and Signal Processing - 2003. - pp. 121-124.
19. Yang J. KCPA plus LDA: A complete kernel fisher discriminant framework for feature extraction and recognition / Yang J., Frangi A.
F. , Zhang D., Jin Z. // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2005. - №27(2) - pp. 230-244.
20. Sharma A. Fast principal component analysis using fixed-point algorithm / Sharma A., Paliwal K. K. // Pattern Recognition. Lett. - 2007. - №28 - pp. 1151-1155.
21. Chen L.-F. A new LDA based face recognition system which can solve the small sample size problem / Chen L.-F., Liao H.-Y., Lin J.-C., Ko M.-T., Yu G.-J. // Pattern Recognition. - 2000. - №33(10) - pp. 17131726.
22. Yang J. 2-D discriminant transform for face recognition / Yang J., Zhang D., Xu Y., Yang J. Y. // Pattern Recognition. - 2005. - №38(7)
- pp. 1125-1129.
23. Fan Z. Local linear discriminant analysis framework using sample neighbors / Fan Z., Xu Y., Zhang D. // IEEE Transactions on Neural Networks. - 2011. - №22(7) - pp. 1119-1132.
24. Yan S. Multilinear discriminant analysis of face recognition / Yan S., Xu D., Yang Q., Zhang L. // IEEE Transactions on Image Processing.
- 2007. - №16(1) - pp. 212-220.
25. Nie F. Extracting the optimal dimensionality for local tensor discriminant analysis / Nie F., Xiang S., Song Y., Zhang C. // Pattern Recognition. - 2009 - №42(1) - pp. 105-114.
26. Basri R. Lambertian reflection and linear subspaces / Basri R., Jacobs
D. // IEEE Transactions on Pattern Analysis and Machine Intelligence.
- 2003. - №25(3) - pp. 218-233.
27. Yang Q., Tang X. Recent advances in subspace analysis for face recognition / Yang Q., Tang X. // SINOBIOMETRICS - 2004. - pp. 275-287.
28. Wiskott L. Face recognition by elastic bunch graph matching, in Intelligent Biometric Techniques in Fingerprint and Face Recognition / Wiskott L., Fellous J., Kruger N. von der Malsburg C // CRC Press -
1999. - pp. 355-396.
29. Kalocsai P. Face recognition by statistical analysis of feature detectors / Kalocsai P., von der Malsburg C., Horn J. // Image and Vision Computing. - 2000. -№18 - pp. 273-278.
30. Hjelmas E. Feature-based face recognition // in NOBIM Proceedings Norwegian Image Processing and Pattern Recognition Conf. - 2000.
31. Ramesha K. Feature extraction-based face recognition, gender and age classification / Ramesha K., Raja K. B., Venugopal K. R., Patnaik L.
M // International Journal on Computer Science and Engineering. - 2010. - №2(01S) - pp. 14-23.
32. Klarea B. Sketch to photo matching: A feature-based approach /
Klarea B., Jain A. K. // World Class University, Science and Technology - 2010.
33. Shen L. L. Gabor feature-based face recognition using kernel methods / Shen L. L., Bai L. // Sixth IEEE International Conference. - 2010. - №10(8) - pp. 235-249.
34. Xu Z. Robust shape-feature-vector-based face recognition system / Xu Z., Wu, H. R. Yu X., Horadam K., Qiu B. // IEEE Transactions on Instrumentation and Measurement - 2011. - №60(12) - pp. 16131631.
35. Georghiades A., Belhumeur P. Kriegman D. From few to many: Illumination cone models for face recognition under variable lighting and pose / Georghiades A., Belhumeur P. Kriegman D. // IEEE
Transactions on Pattern Analysis and Machine Intelligence. - 2001. - №23(6) - pp. 643-660
36. Ding L. Features versus Context: An approach for precise and detailed detection and delineation of faces and facial features / Ding L., Martinez A. M. // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2010 - №32(11) - pp. 148-157.
37. Tseng S. Comparison of holistic and feature based approaches to face recognition // MBC Thesis, Royal Melbourne Institute of Technology University - 2003.
38. Chiachia G. Census histograms: A simple feature extraction and matching approach for face recognition / Chiachia G., Marana A. N., Ruf T., Ernst A. // International Journal of Pattern Recognition and Artificial Intelligence. - 2011 - №25(4) - pp. 1337-1348.
39. Intrator N. Face recognition using a hybrid supervised or unsupervised neural network / Intrator N., Reisfeld D., Yeshurun Y. // Pattern Recognition Letters. - 1995. - №17 - pp. 67-76.
40. Weng J., Ahuja N., Huang T. S. Learning recognition and segmentation of 3-D objects from 3-D images / Weng J., Ahuja N., Huang T. S. // Proceedings of the International Conference on Computer Vision, Berlin, Germany - 1993.
41. Lawrence S. Face recognition: A convolutional neural network approach / Lawrence S., Giles C. L., Tsoi A. C., Back A. D. // IEEE Transactions on Neural Networks. - 1997. - №8 - pp. 98-113.
42. Bouzalmat A. Face recognition using neural network based fourier Gabor filters and random projection / Bouzalmat A., Belghini N., Zarghili A., Kharroubi J., Majda A. // International Journal of Computer Science and Security. - 2011. - №5(3) - pp. 376-377.
43. Agarwal M., Jain N., Kumar M., Agrawal H. Face recognition using eigen faces and artificial neural network / Agarwal M., Jain N., Kumar
M., Agrawal H. Face // International Journal of Computer Theory and Engineering. - 2010. - №2(4) - pp. 624-629.
44. Kohonen T. Self-Organizing Maps // Springer-Verlag, Berlin, Germany. - 1995.
45. Zhao J. Combined weighted eigenface sand BP-based networks for face recognition // 5th International Conference on Visual Information Engineering. - 2008. - pp. 298-302.
46. Khatun A. Neural network-based face recognition with Gabor filters / Khatun A., Al-Amin Bhuiyan Md. // International Journal of Computer Science and Network Security. - 2011. - №3(5) - pp. 376-386.
47. Jing X. Face recognition based on linear classifiers combination / Jing X., Zhang D. // Neurocomputing. - 2003. - №50 - pp. 485-488.
48. Ojala T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns / Ojala T., Pietikainen M., Maenpaa T. // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 2002. - №24(7) - pp. 971-987
49. Freund Y. A decision-theoretic generalization of on-line learning and an application to boosting / Freund Y., Schapire R. E. // Journal of Computer and System Sciences. - 1997. - №55 - pp. 119-139.
50. Fasel I. R. A comparison of Gabor filters methods for automatic detection of facial landmarks / Fasel I. R., Bartlett M. S., Movellan J.
R // Proceedings of Fifth IEEE International Conference on Automatic Face and Gesture Recognition - 2002.


Работу высылаем на протяжении 30 минут после оплаты.



Подобные работы


©2024 Cервис помощи студентам в выполнении работ