Методы автоматической идентификации личности по изображениям лиц, полученным в неконтролируемых условиях

• Автор: Тимошенко, Денис Максимович
• Шифр специальности: 05.13.18
• Научная степень: Кандидатская
• Год защиты: 2014
• Место защиты: Санкт-Петербург
• Количество страниц: 140 с. : ил.

ОГЛАВЛЕНИЕ
ПЕРЕЧЕНЬ СОКРАЩЕНИЙ
ВВЕДЕНИЕ
ГЛАВА 1 . ОБЗОР СОВРЕМЕННЫХ СИСТЕМ РАСПОЗНАВАНИЯ ЛИЦ
1Л. Биометрические системы распознавания лиц
1.2. Критерии эффективности систем
1.3. Базы для систем распознавания лиц
1.3.1. База Face Recognition Grand Challenge (FRGC)
1.3.2. База Facial Recognition Technology (FERET)
1.3.3. База Labeled Faces in Wild (LFW)
1.3.4. Базы TOP-Celebrities и Social
1.4. Обзор существующих систем
1.3.1. Система «FaceVACS-DBScan» компании «Cognitec Systems»
1.3.2. Система «VeriLook SDK» компании «Neurotechnology»
1.3.3. Система «NEC’s Face Recognition» компании «NEC»
1.3.4. Система «Re:Action» компании «VisionLabs»
1.3.5. Система «Face Recognition» компании «FACE++»
1.5. Выводы
ГЛАВА 2 . ДЕТЕКТИРОВАНИЕ ЛИЦ НА ИЗОБРАЖЕНИЯХ
2.1. Признаки изображений
2.1.1. Признаки Хаара
2.1.2. Локальные бинарные шаблоны
2.1.3. Двухмерное косинусное преобразование
2.2. Методы бинарной классификации признаков

2.2.1. Композиции классификаторов
2.2.2. Адаптивный бустинг и метод Виолы-Джонса
2.2.3. Смеси гауссовых распределений
2.3. Сверточные нейронные сети
2.3.1. Структура сверточной нейронной сети
2.3.2. Слои сверточной нейронной сети
2.3.3. Алгоритм обратного распространения ошибки для СНС
2.3.4. Обучение выходного МОВ-слоя
2.3.5. Способы борьбы с переобучением сети
2.4. Комбинированный детектор лиц
2.4.1. Предобработка изображений
2.4.2. Локализация лиц на изображениях
2.4.3. Уточнение границ обнаруженных лиц
2.5. Выводы
ГЛАВА 3 . МЕТОДЫ ИДЕНТИФИКАЦИИ ЛИЦ ПО СПИСКУ
3.1. Многомерный статистический анализ
3.1.1. Метод главных компонент
3.1.2. Линейный дискриминантный анализ Фишера
3.1.3. Вероятностный линейный дискриминантный анализ
3.2. Метод идентификации по списку на основе ВЛДА
3.3. Объединение систем
3.3.1. Основные методы слияния
3.3.2. Канонический корреляционный анализ
3.4. Выводы
ГЛАВА 4 . ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ

4.1. Детектирование лиц
4.1.1. Обучение каскадного классификатора
4.1.2. Обучение классификатора на основе СГР
4.1.3. Обучение СНС для детектирования лиц
4.1.4. Обучение СНС для выравнивания MBR
4.2. Система идентификации по списку
4.2.1. Эксперименты на базе TOP-Celebrities
4.2.3. Эксперименты на базах ORL и LFW
4.3. Выводы
ЗАКЛЮЧЕНИЕ
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ
ПРИЛОЖЕНИЕ А

Признаки
изображения
Рисунок 2.2. Классификация признаков изображений. Заливкой выделены типы признаков, использующиеся для описания изображений для задачи детектирования лица.
Далее рассмотрим подробнее несколько видов признаков, которые можно отнести к спектральным (Хаара, ДКП-2) и бинарным типам (ЛБШ), а некоторые их разновидности - к гистограммным (гистограмма ЛБШ) и геометрическим (унифицированные шаблоны ЛБШ).
2.1.1. Признаки Хаара
Вейвлеты Хаара - это семейство базисных функций, открытое в начале XX века Альфредом Хааром [14]. Вейвлеты Хаара ортогональны, обладают компактным носителем, хорошо локализованы в пространстве, являются кусочнопостоянными функциями с разрывами 1-го рода. Из-за своей простой и быстрой формулы расчета они повсеместно применяются в задачах анализа нестационарных сигналов.
Рассмотрим множество кусочно-постоянных функций, определенных на интервале [0,1), состоящем из 21 подинтервалов равной длины. Пусть функции, определенные на всем единичном интервале, образуют пространство V0; кусочнопостоянные функции, одна часть каждой из которых определена на интервале