Parrado Hernández, EmilioCuevas del Pino, Mercedes2010-05-262010-05-262009-112009-11-23https://hdl.handle.net/10016/8500El 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.application/pdfspaAtribución-NoComercial-SinDerivadas 3.0 EspañaReconocimiento de formasBiometríaReconocimiento facialDetección facialmaster thesisTelecomunicacionesopen access