Publication: Análisis de reconocedores de caras basados en vectores comunes discriminativos
Loading...
Identifiers
Publication date
2009-11
Defense date
2009-11-23
Authors
Advisors
Tutors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
El reconocimiento facial puede ser definido como la identificación de individuos a
partir de imágenes de sus caras usando una base de datos de caras almacenada y
etiquetada con la identidad de los diferentes sujetos. Esta tarea es compleja y puede
descomponerse en pequeños pasos de detección de caras en un fondo de imagen
recargado, localización de estas caras seguido de extracción de características de las
regiones de la cara y, finalmente, reconocimiento y verificación [2]. Éste es un
problema difícil ya que hay numerosos factores como pose 3D, expresión facial,
peinado, maquillaje, etc., que influyen en la apariencia de las características faciales del
individuo. Además de esta variedad de factores, iluminación, fondo, y cambios de
escala hacen esta tarea mucho más exigente. Condiciones problemáticas adicionales
incluyen ruido, oclusiones, y otros muchos factores.
En este Proyecto Fin de Carrera se va a evaluar y comparar la robustez de dos
métodos de reconocimiento facial, el método de Vectores Comunes Discriminativos,
DCV (Discriminative Common Vectors) y el método Vectores Comunes
Discriminativos basados en Kernels, KDCV (Discriminative Common Vectors with
Kernels) en tres variantes: con kernel polinómico de grado dos, con kernel polinómico
de grado 3 y con kernel gaussiano. En estudios anteriores, ha sido demostrada la
superioridad de estos métodos en términos de reconocimiento, eficiencia y estabilidad
numérica. El DCV se comporta favorablemente frente a otros métodos lineales, y el
KDCV frente a otros enfoques kernel. El análisis se llevará a cabo previa programación
de los algoritmos con la herramienta “matlab”, y será realizado en torno a las dificultades o variabilidades que nos podamos encontrar en las imágenes, como ruido,
oclusiones, iluminación lateral y reescalado, así como en las bases de datos, como el
número de muestras de entrenamiento o el número de individuos en la base de datos.
Por lo tanto, el trabajo consistirá en el estudio de los algoritmos así como de las
bases de datos que vamos a utilizar, la programación de los métodos y la evaluación de
su robustez frente a factores como ruido, reescalado, oclusiones, cambios en la
iluminación, número de muestras de entrenamiento y número individuos en la base de
datos.
Description
Keywords
Reconocimiento de formas, Biometría, Reconocimiento facial, Detección facial