Тимошенко Денис Максимович. Методы автоматической идентификации личности по изображениям лиц, полученным в неконтролируемых условиях

Короткий опис

Тимошенко Денис Максимович. Методы автоматической идентификации личности по изображениям лиц, полученным в неконтролируемых условиях: диссертация ... кандидата технических наук: 05.13.18 / Тимошенко Денис Максимович;[Место защиты: Петрозаводс ком государственном университете].- Петрозаводск, 2014.- 140 с.

Федеральное государственное бюджетное образовательное учреждение
высшего профессионального образования
«Санкт-Петербургский государственный университет»
На правах рукописи

Тимошенко Денис Максимович
МЕТОДЫ АВТОМАТИЧЕСКОЙ ИДЕНТИФИКАЦИИ
ЛИЧНОСТИ ПО ИЗОБРАЖЕНИЯМ ЛИЦ, ПОЛУЧЕННЫМ
В НЕКОНТРОЛИРУЕМЫХ УСЛОВИЯХ
05.13.18 - математическое моделирование, численные методы
и комплексы программ
Диссертация на соискание ученой степени
кандидата технических наук
Научный руководитель кандидат технических наук, доцент Гришкин В.М.
Санкт-Петербург - 2014 
ОГЛАВЛЕНИЕ
ПЕРЕЧЕНЬ СОКРАЩЕНИЙ 5
ВВЕДЕНИЕ 7
ГЛАВА 1 . ОБЗОР СОВРЕМЕННЫХ СИСТЕМ РАСПОЗНАВАНИЯ ЛИЦ 12
1 Л. Биометрические системы распознавания лиц 12
1.2. Критерии эффективности систем 16
1.3. Базы для систем распознавания лиц 20
1.3.1. База Face Recognition Grand Challenge (FRGC) 22
1.3.2. База Facial Recognition Technology (FERET) 23
1.3.3. База Labeled Faces in Wild (LFW) 23
1.3.4. Базы TOP-Celebrities и Social 24
1.4. Обзор существующих систем 25
1.3.1. Система «FaceVACS-DBScan» компании «Cognitec Systems» 25
1.3.2. Система «VeriLook SDK» компании «Neurotechnology» 27
1.3.3. Система «NEC’s Face Recognition» компании «NEC» 28
1.3.4. Система «Re:Action» компании «VisionLabs» 30
1.3.5. Система «Face Recognition» компании «FACE++» 30
1.5. Выводы 31
ГЛАВА 2 . ДЕТЕКТИРОВАНИЕ ЛИЦ НА ИЗОБРАЖЕНИЯХ 33
2.1. Признаки изображений 34
2.1.1. Признаки Хаара 35
2.1.2. Локальные бинарные шаблоны 39
2.1.3. Двухмерное косинусное преобразование 43
2.2. Методы бинарной классификации признаков 46
з
2.2.1. Композиции классификаторов 47
2.2.2. Адаптивный бустинг и метод Виолы-Джонса 48
2.2.3. Смеси гауссовых распределений 51
2.3. Сверточные нейронные сети 55
2.3.1. Структура сверточной нейронной сети 56
2.3.2. Слои сверточной нейронной сети 58
2.3.3. Алгоритм обратного распространения ошибки для СНС 62
2.3.4. Обучение выходного МОВ-слоя 65
2.3.5. Способы борьбы с переобучением сети 67
2.4. Комбинированный детектор лиц 68
2.4.1. Предобработка изображений 68
2.4.2. Локализация лиц на изображениях 70
2.4.3. Уточнение границ обнаруженных лиц 78
2.5. Выводы 80
ГЛАВА 3 . МЕТОДЫ ИДЕНТИФИКАЦИИ ЛИЦ ПО СПИСКУ 82
3.1. Многомерный статистический анализ 83
3.1.1. Метод главных компонент 84
3.1.2. Линейный дискриминантный анализ Фишера 88
3.1.3. Вероятностный линейный дискриминантный анализ 92
3.2. Метод идентификации по списку на основе ВЛДА 96
3.3. Объединение систем 101
3.3.1. Основные методы слияния 102
3.3.2. Канонический корреляционный анализ 103
3.4. Выводы 106
ГЛАВА 4 . ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ 108
4.1. Детектирование лиц 108
4.1.1. Обучение каскадного классификатора 109
4.1.2. Обучение классификатора на основе СГР 111
4.1.3. Обучение СНС для детектирования лиц 112
4.1.4. Обучение СНС для выравнивания MBR 117
4.2. Система идентификации по списку 118
4.2.1. Эксперименты на базе TOP-Celebrities 119
4.2.3. Эксперименты на базах ORL и LFW 125
4.3. Выводы 126
ЗАКЛЮЧЕНИЕ 128
СПИСОК ИСПОЛЬЗОВАННЫХ ИСТОЧНИКОВ 129
ПРИЛОЖЕНИЕ А 139

Список літератури

ЗАКЛЮЧЕНИЕ
Представленная диссертационная работа содержит результаты исследований по разработке системы идентификации лиц по списку на статических двумерных фотографиях, полученных в неконтролируемых условиях.
Основные научные и практические результаты работы заключаются в следующем:
1) проведен обзор существующих систем распознавания лиц, отмечены ограничения систем и возникающие трудности при детектировании, идентификации или верификации лиц;
2) предложены комбинированный алгоритм детектирования лиц и алгоритм компенсации угла отклонения головы;
3) разработан и опробован метод моделирования и идентификации лиц по спискам, основанный на вероятностном линейном дискриминантном анализе с многошаговой редукцией пространства исходных признаков методами многомерного статистического анализа;
4) разработано и внедрено в автоматизированные системы программное обеспечение для детектирования и идентификации лиц по спискам;
5) предложена методика обучения системы детектирования и идентификации лиц на изображениях, собранных в неконтролируемых условиях;
6) проведено экспериментальное исследование отдельных модулей предложенной системы и даны рекомендации по выбору параметров системы, повышающих точность детектирования и идентификации лиц.