Тип работы:
 Предмет:
 Язык работы:


Реализация математической модели искусственной нейронной сети, распознающей биометрические данные лиц на изображении

Работа №84413

Тип работы

Дипломные работы, ВКР

Предмет

информатика

Объем работы41
Год сдачи2016
Стоимость4220 руб.
ПУБЛИКУЕТСЯ ВПЕРВЫЕ
Просмотрено
91
Не подходит работа?

Узнай цену на написание


Введение 3
Постановка задачи 3
1. Анализ поставленной задачи 5
2. Обнаружение лиц на изображении и их локализация 6
3. Нахождение ключевых точек 8
3.1 Scale Invariant Feature Transform 9
3.1.1 Нахождение особенных точек 9
3.1.2 Выделение ключевых точек 11
3.1.3 Определение ориентации точки 12
3.1.4 Составление дескрипторов 12
3.2 Speed Up Robust Features 13
4. Нейронная сеть 15
4.1 Ознакомление с алгоритмом 15
4.2 Нейрон 15
4.3 Слой нейронов 17
4.4 Обучение. Стохастический градиентный спуск 18
5. Валидация работы программы после обучения нейронной сети 21
Заключение 24
Список использованной литературы 25
Приложения 28
Исходный код программы


Распознавание лиц на сегодняшний день является одним из наиболее актуальных и популярных направлений компьютерного зрения. Количество областей, где применяются наработки по этому направлению, увеличиваются с каждым днем. Это и подсчет уникальных посетителей в торговых центрах, и обеспечение системы защиты на объектах с ограниченным доступом, и поиск подозреваемых в преступлениях среди прохожих по уличным камерам видео-наблюдения, и многие другие прикладные задачи.
Сегодня известно несколько методов распознавания лиц и объектов в принципе, в том числе метод главных компонент [15], скрытые марковские модели [16] и др. Они используют статистические параметры изображения, сокращают размерность векторного представления изображения, сохраняя отличительные параметры распознаваемого объекта. Но, пожалуй, самым известным и наиболее результативным подходом является применение нейронных сетей [7, 17]. Нейронные сети получили очень широкое применение во многих областях машинного обучения. В компьютерном зрении эта модель применяется для распознавания объектов, классификации и кластеризации изображений, а также ряда других задач.
Постановка задачи
В данной выпускной квалификационной работе рассматривается задача распознавания лиц на изображении и классификация их биометрических данных, таких как: пол, возраст, степень улыбки, с помощью нейронной сети [8].
Чаще всего для распознавания объектов на изображениях используют сверточную нейронную сеть [9,10]. Она принимает в качестве входных данных все изображение в виде вектора , состоящего из всех пикселей изображения.


Возникли сложности?

Нужна помощь преподавателя?

Помощь студентам в написании работ!
ДИПЛОМНЫЕ МАГИСТЕРСКИЕ ДИССЕРТАЦИИ
Курсовые Статьи Диплом Рязань

В дипломной работе рассмотрено и реализовано решение для задачи распознавания лиц и определение их биометрических данных, являющейся крайне актуальной в настоящее время, так как находит применение во многих областях. Применен собственный подход поиска ключевых точек в выстраивании процесса обучения нейронной сети, позволяющий его контролировать. Для оценки скорости обучения с использованием описанного в работе подхода с поиском ключевых точек в сравнении с обучением классической для распознавания изображений сверточной нейронной сети необходимо провести отдельное исследование, но предварительные субъективные оценки дают надежду на получение улучшенных характеристик при обучении сети с использованием поиска ключевых точек.
Основные моменты, реализованы в ВКР. Для обнаружения лиц и их локализации на изображениях используется признаки Хаара в алгоритме Виолы-Джонса (библиотека OpenCV). Для нахождения ключевых точек используется реализация детектора SIFT (библиотека OpenCV). Для построения и обучения многослойной нейронной сети реализованы классы, приведенные в Приложении.
Вывод: все поставленные задачи были успешно выполнены. Исследование в рамках выпускной квалификационной работы успешно завершено.



1. Viola P., Jones M. Robust real-time object detection //International Journal of Computer Vision. - 2001. - Т. 4.
2. Viola-Jones object detection framework - [Электронный ресурс] https://en.wikipedia.org/wiki/Viola-93Jones_object_detection_framework
3. Lowe D. G. Distinctive image features from scale-invariant keypoints //International journal of computer vision. - 2004. - Т. 60. - №. 2. - С. 91-110.
4. Построение SIFT дескрипторов и задача сопоставления изображений - [Электронный ресурс]
https://habrahabr.ru/post/106302/
5. Bay H., Tuytelaars T., Van Gool L. Surf: Speeded up robust features //Computer vision-ECCV 2006. - Springer Berlin Heidelberg, 2006. - С. 404-417.
6. Panchal P. M., Panchal S. R., Shah S. K. A comparison of SIFT and SURF //International Journal of Innovative Research in Computer and Communication Engineering. - 2013. - Т. 1. - №. 2. - С. 323-327.
7. Artificial neural network - [Электронный ресурс] https://en.wikipedia.org/wiki/Artificial_neural_network
8. Ciresan D. C. et al. Flexible, high performance convolutional neural networks for image classification //IJCAI Proceedings-International Joint Conference on Artificial Intelligence. - 2011. - Т. 22. - №. 1. - С. 1237.
9. Matsugu M. et al. Subject independent facial expression recognition with robust face detection using a convolutional neural network //Neural Networks. - 2003. - Т. 16. - №. 5. - С. 555-559.
10. Convolutional neural network - [Электронный ресурс] https://en.wikipedia.org/wiki/Convolutional_neural_network
11. Gaussian function - [Электронный ресурс] https://en.wikipedia.org/wiki/Gaussian_function
12. Hessian matrix - [Электронный ресурс] https://en.wikipedia.org/wiki/Hessian_matrix
13. Artificial neuron - [Электронный ресурс] https://en.wikipedia.org/wiki/Artificial_neuron
14. Gradient descent - [Электронный ресурс] https://en.wikipedia.org/wiki/Gradient_descent
15. Miranda A. A., Le Borgne Y. A., Bontempi G. New routes from minimal approximation error to principal components //Neural Processing Letters. - 2008. - Т. 27. - №. 3. - С. 197-207.
16. Hidden Markov model - [Электронный ресурс] https://en.wikipedia.org/wiki/Hidden_Markov_model
17. Курс машинного обучения - [Электронный ресурс] https://www.coursera.org/learn/vvedenie-mashinnoe-obuchenie
18. Lampert C. H., Blaschko M. B., Hofmann T. Beyond sliding windows: Object localization by efficient subwindow search //Computer Vision and Pattern Recognition, 2008. CVPR 2008. IEEE Conference on. - IEEE, 2008. - С. 1-8.
19. OpenCV - [Электронный ресурс] http ://opencv. org/
20. Taylor series - [Электронный ресурс] https://en.wikipedia.org/wiki/Taylor_series
21. Activation function
https://en.wikipedia.org/wiki/Activation_function


Работу высылаем на протяжении 30 минут после оплаты.



Заказать работу

Заявка на оценку стоимости

Это краткая форма заказа. После ее заполнения вы перейдете на полную форму заказа работы

Каталог работ (149820)

Новости

06.01.2018 Помощь студентам и аспирантам в выполнении работ от наших партнеров Помощь студентам и аспирантам в выполнении работ от наших партнеров

Помощь в выполнении учебных и научных работ на заказ ОФОРМИТЬ ЗАКАЗ

дальше

»» Все новости

Заказать работу

Заявка на оценку стоимости

Это краткая форма заказа. После ее заполнения вы перейдете на полную форму заказа работы

Заказать диплом

Приглашаем авторов студенчесчких работ


©2024 Cервис помощи студентам в выполнении работ
.