Разработка и анализ алгоритмов детектирования и классификации объектов на основе методов машинного обучения

• Автор: Голубев, Максим Николаевич
• Шифр специальности: 05.12.04
• Научная степень: Кандидатская
• Год защиты: 2012
• Место защиты: Ярославль
• Количество страниц: 211 с. : ил.

СОДЕРЖАНИЕ
ВВЕДЕНИЕ
1. АЛГОРИТМЫ ДЕТЕКТИРОВАНИЯ ЛИЦ НА ЦИФРОВЫХ ИЗОБРАЖЕНИЯХ
1.1. Классификация методов
1.2. Методы, основанные на знаниях
1.3. Методы на основе инвариантных свойств
1.3.1. Признаки лица
1.3.2. Текстура
1.3.3. Сочетание признаков
1.4. Методы на основе сравнения с шаблоном
1.4.1. Предопределенные шаблоны
1.4.2. Деформируемые шаблоны
1.5. Методы на основе обучения
1.5.1. Собственные лица
1.5.2. Методы на основе вероятностных распределений
1.5.3. Нейронные сети
1.5.4. Наивный байесовский классификатор
1.5.5. Скрытые марковские модели
1.5.6. Теоретико-информационный подход
1.5.7. Индуктивное обучение
1.5.8. Бустинг
1.5.9. Разреженная сеть просеивающих элементов
1.5.10. Машина опорных векторов
1.6. Тестовая база изображений
1.7. Сравнительный анализ алгоритмов на основе обучения
1.8. Краткие выводы
2. АНАЛИЗ АЛГОРИТМОВ ВЫДЕЛЕНИЯ ЛИЦ В УСЛОВИЯХ ИСКАЖЕНИЙ
2.1. Вводные замечания
2.2. Модели искажений
2.2.1. Гауссов шум
2.2.2. Импульсный шум
2.2.3. Импульсный шум в цветных изображениях
2.3. Описание фильтров
2.3.1. Фильтры для удаления гауссова шума
2.3.2. Фильтры для удаления импульсного шума
2.4. Анализ работы алгоритмов в условиях наличия искажений на изображениях
2.5. Фильтрация зашумленных изображений
2.6. Краткие выводы
3. ПОСТОБРАБОТКА ВЫДЕЛЕННЫХ ОБЛАСТЕЙ С ЦЕЛЬЮ ФИЛЬТРАЦИИ ЛОЖНЫХ СРАБАТЫВАНИЙ
3.1. Использование информации о цвете
3.2. Подходы к детектированию пикселей кожи на изображениях
3.2.1. Явное определение кластера кожи
3.2.2. Непараметрические модели распределения оттенков кожи
3.2.3. Параметрические модели распределения оттенков кожи
3.3. Фильтрация ложных срабатываний на основе детектора кожи
3.3.1. Алгоритм 1: Явное задание кластера кожи
3.3.2. Алгоритм 2: Непараметрическая модель кожи
3.3.3. Результаты моделирования
3.4. Использование детектора кожи для лиц людей различных рас
3.5. Краткие выводы
4. ПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ К ЗАДАЧЕ АВТОМАТИЧЕСКОГО РАСПОЗНАВАНИЯ ПОЛА ЛЮДЕЙ ПО ИЗОБРАЖЕНИЮ ЛИЦА
4.1. Вводные замечания
4.2. Описание алгоритмов
4.2.1. Линейный дискриминантный анализ
4.2.2. Метод опорных векторов
4.2.3. Предлагаемый алгоритм
4.3. Методика тестирования
4.4. Результаты тестирования
4.5. Краткие выводы
5. ПРОГРАММНАЯ РЕАЛИЗАЦИЯ АЛГОРИТМОВ ДЕТЕКТИРОВАНИЯ И КЛАССИФИКАЦИИ ОБЪЕКТОВ В СРЕДЕ КЕСОО№ТКЖЬАВ
5.1. Вводные замечания
5.2. Интерфейс программы
5.2.1. Основное окно
5.2.2. Панель управления
5.2.3. Окно параметров
5.3. Особенности представления алгоритмов в среде Кесо§пШоп.ЬаЬ
5.3.1. Изображение
5.3.2. Алгоритмы детектирования
5.3.3. Параметры детектирования
5.4. Процедура добавления нового объекта детектирования
5.4.1. Обучающая база
5.4.2. Обучение каскада
5.4.3. Добавление объекта в Кесо§пМоп.ЕаЬ
5.5. Краткие выводы

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ
ПРИЛОЖЕНИЕ 1. Тестовые наборы для алгоритмов детектирования лиц .203 ПРИЛОЖЕНИЕ 2. Акты внедрения результатов работы

последовательности случайных изображений и все шаблоны нелиц, ошибочно классифицированные текущей системой как лица, отбираются в обучающий набор в качестве новых отрицательных примеров. Таким образом, метод бутстрепа позволил избежать явного отбора репрезентативных изображений нелиц и был использован в дальнейших работах [85, 145].
Могхаддамом и Пентлендом был разработан вероятностный метод визуального обучения, основанный на оценке плотности вероятностей в пространстве высокой размерности с использованием разложения на собственные пространства [91]. Анализ главных компонент используется здесь для определения подпространства, наилучшим образом представляющего набор изображений лиц. Полученные главные компоненты сохраняют основные линейные корреляции в данных и отбрасывают те из них, которые являются незначительными. Этот метод раскладывает векторное пространство на два взаимно исключающих и комплементарных подпространства: главное подпространство (или пространство признаков) и его ортогональное дополнение. Поэтому целевая плотность вероятностей раскладывается на два компонента: плотность вероятностей в основном подпространстве (содержащем главные компоненты) и его ортогональное дополнение (которое отбрасывается в стандартном РСА) (рис. 1.6). Каждая точка данных х раскладывается на два компонента: расстояние в пространстве признаков (distance in feature space, DIFS) и расстояние вне пространства признаков (distance from feature space, DFFS) [21]. Многомерные функции Гаусса и смесь гауссианов используются для изучения статистик локальных признаков лица. Затем полученные плотности вероятностей используются для детектирования объектов на основе оценки максимального правдоподобия. Предложенный метод был использован для локализации лица, его кодирования и распознавания. По сравнению с классическим подходом собственных лиц предложенный метод показал