RT Generic
T1 Análisis de reconocedores de caras basados en vectores comunes discriminativos
A1 Cuevas del Pino, Mercedes
AB El reconocimiento facial puede ser definido como la identificación de individuos apartir de imágenes de sus caras usando una base de datos de caras almacenada yetiquetada con la identidad de los diferentes sujetos. Esta tarea es compleja y puededescomponerse en pequeños pasos de detección de caras en un fondo de imagenrecargado, localización de estas caras seguido de extracción de características de lasregiones de la cara y, finalmente, reconocimiento y verificación [2]. Éste es unproblema difícil ya que hay numerosos factores como pose 3D, expresión facial,peinado, maquillaje, etc., que influyen en la apariencia de las características faciales delindividuo. Además de esta variedad de factores, iluminación, fondo, y cambios deescala hacen esta tarea mucho más exigente. Condiciones problemáticas adicionalesincluyen ruido, oclusiones, y otros muchos factores.En este Proyecto Fin de Carrera se va a evaluar y comparar la robustez de dosmétodos de reconocimiento facial, el método de Vectores Comunes Discriminativos,DCV (Discriminative Common Vectors) y el método Vectores ComunesDiscriminativos basados en Kernels, KDCV (Discriminative Common Vectors withKernels) en tres variantes: con kernel polinómico de grado dos, con kernel polinómicode grado 3 y con kernel gaussiano. En estudios anteriores, ha sido demostrada lasuperioridad de estos métodos en términos de reconocimiento, eficiencia y estabilidadnumérica. El DCV se comporta favorablemente frente a otros métodos lineales, y elKDCV frente a otros enfoques kernel. El análisis se llevará a cabo previa programaciónde 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 elnúmero 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 lasbases de datos que vamos a utilizar, la programación de los métodos y la evaluación desu robustez frente a factores como ruido, reescalado, oclusiones, cambios en lailuminación, número de muestras de entrenamiento y número individuos en la base dedatos.
YR 2009
FD 2009-11
LK https://hdl.handle.net/10016/8500
UL https://hdl.handle.net/10016/8500
LA spa
DS e-Archivo
RD 1 may. 2024