<<
>>

Тестирование алгоритмов распознавания пола людей по детектированной области лица

Для осуществления обучения и тестирования гендерных

классификаторов, описанных в разделе 1.3, необходима достаточно объемная база полноцветных изображений, содержащая лица мужчин и женщин.

Существует общепринятая база данных для распознавания лиц, носящая название FERET [89]. В ней содержится 14 051 изображение лиц 1 199 людей, которые сняты при различном освещении, либо в разные промежутки времени. Изображения также отличаются выражением лица и его положением по отношению к камере. Цветная версия базы FERET содержит 11 338 изображений лиц 994 людей. Однако база FERET не может быть использована для задачи обучения и тестирования гендерного классификатора, поскольку содержит недостаточное количество лиц различных людей каждого пола. В связи с этим была составлена собственная база изображений, набранная из различных источников, в соответствии с требованиями, приведенными в табл. 1.2.

Таблица 1.2

Параметры собственной базы изображений

Параметр Значение
Общее количество изображений 8 654
Число лиц мужчин 5 250
Число лиц женщин 5 250
Минимальное разрешение изображений 640x480
Формат цветового пространства RGB
Выражение лица естественное
Положение по отношению к камере фронтальное
Условия освещения и фон требования не предъявляются
Возраст людей от 18 до 65 лет
Раса европеоидная

На каждом изображении из собственной базы алгоритмом на базе бустинга были выделены лица.

Затем вручную были удалены ложные выделения и сформирована база выделенных фрагментов, содержащая 10 500 изображений (по 5 250 на каждый класс).
Эта база была разделена на три независимых выборки: обучающую, контрольную и тестовую. Обучающая выборка использовалась для генерации признаков и построения классификаторов на базе МОВ и KDDA. Контрольная выборка необходима для того, чтобы избежать эффекта переобучения в процессе оптимизации параметров ядерной функции. Проверка работы обученных классификаторов осуществлялась с использованием тестовой выборки. Пример изображений из собственной базы лиц приведен на рис. 1.14.

Рис. 1.14. Примеры изображений мужчин и женщин из собственной базы лиц Для представления результатов классификации использовалась так

называемая кривая ошибок или ROC-кривая (Receiver Operator Characteristic).

Поскольку классов два, один из них называется классом с положительными

исходами, второй - с отрицательными исходами. ROC-кривая показывает

зависимость количества верно классифицированных положительных

примеров от количества неверно классифицированных отрицательных

примеров при варьировании порога решающего правила [90].

Преимуществом ROC-кривой является её инвариантность относительно

отношения цены ошибки I и II рода.

Результаты сравнительного анализа существующих алгоритмов классификации пола человека по изображению лица приведены на рис. 1.15 и в табл. 1.3.

Таблица 1.3

Уровень распознавания существующих алгоритмов классификации пола

Алгоритм K DDA АП-МОВ М ЮВ
Параметр Верно Неверно Верно Неверно Верно Неверно
Уровень распознавания мужчин, % 75,8 24,2 90,6 9,4 89,0 11,0
Уровень распознавания женщин, % 65,5 34,5 91,0 9,0 81,3 19,7
Общий уровень распознавания, % 69,7 30,3 90,8 9,2 85,1 14,9

Рис.

1.15. ROC-кривые рассматриваемых алгоритмов классификации пола

Сравнение алгоритмов показывает, что классификаторы, построенные на базе МОВ, имеют значительное преимущество по сравнению с классификатором, обученным методом линейного дискриминантного анализа. При этом использование адаптивных признаков дает

дополнительное преимущество порядка 5,7%.

Существует небольшой перекос между уровнями распознавания мужчин и женщин, а именно, вероятность верного распознавания мужчин несколько выше, что может быть объяснено большей вариативностью внешности внутри класса женщин, однако, результаты тестирования показывают, что переход в признаковое пространство и оптимизация итогового порога классификатора способны устранить имеющуюся несимметричность. Следует отметить, что неисследованным остается вопрос

устойчивости классификатора на базе МОВ к изменению условий освещенности, а также к наличию искажений и помех на изображениях.

Помощь с написанием академических работ
<< | >>
Источник: Шмаглит Лев Александрович. Разработка и анализ алгоритмов распознавания лиц на телевизионных изображениях для биометрической идентификации. ДИССЕРТАЦИЯ на соискание ученой степени кандидата технических наук по специальности. Ярославль - 2014. 2014

Еще по теме Тестирование алгоритмов распознавания пола людей по детектированной области лица:

  1. Построение бинарных классификаторов для распознавания пола людей по детектированной области лица
  2. РАСПОЗНАВАНИЕ ПОЛА ЛЮДЕЙ ПО ИЗОБРАЖЕНИЮ ЛИЦА ПРИ ИЗМЕНЕНИИ УСЛОВИЙ ОСВЕЩЕННОСТИ
  3. МОДИФИКАЦИЯ ПРИЗНАКОВОГО ПРОСТРАНСТВА АЛГОРИТМА РАСПОЗНАВАНИЯ ПОЛА НА БАЗЕ МЕТОДА ОПОРНЫХ ВЕКТОРОВ
  4. 1.4. Методика и результаты сравнительного анализа существующих алгоритмов распознавания лиц
  5. Результаты тестирования алгоритмов детектирования лиц с предложенными модификациями
  6. Тестирование алгоритмов детектирования лиц на телевизионных изображениях
  7. Шмаглит Лев Александрович. Разработка и анализ алгоритмов распознавания лиц на телевизионных изображениях для биометрической идентификации. ДИССЕРТАЦИЯ на соискание ученой степени кандидата технических наук по специальности. Ярославль - 2014, 2014
  8. Результаты тестирования предложенных модификаций признакового пространства
  9. 3.4. Результаты тестирования предложенных модификаций
  10. § 4.4. Подготовка сведущего в области строительства лица к самостоятельной деятельности судебного эксперта и специалиста
  11. Проблема определения пола
  12. Особенности выбора пола Родителя и Ребенка в различных возрастных и гендерных группах
  13. § 3. Волевой акт (решение) коллегиального органа юридического лица как форма правила поведения, составляющего волю юридического лица
  14. Эмпирическое тестирование динмических моделей потребления
  15. Обоснование и описание методики когнитивного выбора пола родителя и ребенка
- Авторское право - Административное право, финансовое право, информационное право - Административный процесс - Арбитражный процесс - Банковское право - Вещное право - Гражданский процесс; арбитражный процесс - Гражданское право; предпренимательское право; семейное право; международное частное право - Договорное право - Избирательное право - История государства и права - История политических и правовых учений - Конкурсное право - Конституционное право, муниципальное право - Корпоративное право - Медицинское право - Международное право, европейское право - Налоговое право - Наследственное право - Природоресурсное право; аграрное право; экологическое право - Римское право - Страховое право - Судебная власть, прокурорский надзор, организация правоохранительной деятельности, адвокатура - Таможенное право - Теория государства и права - Трудовое право; право социального обеспечения - Уголовное право и криминология; уголовно-исполнительное право - Уголовный процесс; криминалистика и судебная экспертиза; оперативно-розыскная деятельность - Финансовое право - Юридические науки -