Učiace sa systémy pre detekciu tváre na obrazovej informácii .

1. Učiacesa systémy predetekciutváre na obrazovejinformácii. Vedúci diplomovej práce: prof. Ing. Peter Sinčák, CSc Konzultant diplomovej práce: prof. Ing. Peter Sinčák, CSc Diplomant: Ján Volčko Technická Univerzita v Košiciach Fakulta Elektrotechniky a Informatiky Katedra Kybernetiky a Umelej Inteligencie

2. Ciele diplomovej práce • Vypracovaťprehľad z danej problematiky vosvete • Realizovať teoreticko-experimentálnu analýzu metódy MF-ARTMAP a porovnať ju s ostatnými metódami • Realizovaťštúdiu o hodnotenípresnostidetekcie a výsledky aplikovať v experimentoch

3. Ciele diplomovej práce • Realizovať experimenty na vybraných dátach a porovnať s dostupnými výsledkami vo svete s dôrazom na vybraný systém • Vytvoriťužívateľský interface pre daný systém

4. Úvod • Automatickej detekcii ľudskej tváre sa v poslednej dobe venuje čoraz viac pozornosti. (Dôvody: kontrola pohybu osôb, požiadavka väčšej bezpečnosti na letiskách a verejných miestach, autentizácia, atď.) • Problémy spojené s detekciou tváre • Poloha hlavy (a tváre) • Osvetlenie • Výraz tváre • Starnutie (a ich vzájomné kombinácie)

5. PittPatt • Pittsburgh PatternRecognition – Systém Pittsburghskej univerzity je založený na biometrickom skene charakteristických čŕt tváre. • Tento systém sa na tejto univerzite vyvíja už dlhé roky.

6. VeriLook 2.0 • VeriLook 2.0 – Tento software od spoločnosti Neurotechnologija využíva na rozpoznávanie tvári neurónové siete. Vzhľadom na to že sa jedná o komerčný produkt, presný popis neurónovej siete ktorú používa nie je k dispozícii

7. Môj systém • Môj systém – Tento mnou vytvorený systém je založený na neurónových sieťach, konkrétne na metóde MF-Artmap. Ako vstup je použitá šablóna ktorá sa pohybuje po obrázku.

8. Topológia siete Vstupná vrstva: 25x25 – 625 neurónov Porovnávacia vrstva: 25x 25 – 625 neurónov Rozpoznávacia vrstva: 52 neurónov (kategórií) Výstupná: 2 neuróny s triedou príslušnosti od 0...1

9. Návrh experimentov • Obrázok s jednou ľudskou tvárou – klasický prípad obyčajnej fotky

10. Návrh experimentov • Obrázok s viacerými ľudskými tvárami – príklad skupiny ľudí

11. Návrh experimentov • Obrázok bez ľudských tvári – tento má za úlohu odhaliť nedostatky systémov pri klasifikácii zložitých obrazcov a tvarov

12. Návrh experimentov • Obrázok s rôznymi odrazmi ľudských tvári – najzložitejšia vzorka čo sa tíka klasifikácie. Obrazy sú v natočené do rôznych uhlov či už vertikálne tak aj horizontálne

13. Experimenty – PittPatt

14. Experimenty – PittPatt

15. Experimenty – PittPatt

16. Experimenty – PittPatt

17. Experimenty – VeryLook 2.0

18. Experimenty– VeryLook2.0

19. Experimenty–VeryLook2.0

20. Experimenty– VeryLook2.0

21. Experimenty – Môj systém

22. Experimenty – Môj systém

23. Experimenty – Môj systém

24. Experimenty – Môj systém

25. Zhrnutie • Ako je vidieť v tabuľke najúspešnejšie dopadol systém Pittsburgh PatternRecognition – Systém Pittsburghskej univerzity s celkovou úspešnosťou 89,5%. Tento výsledok sa dal očakávať nakoľko je vyvíjaný už niekoľko rokov a má silnú komerčnú podporu. Ako druhý v poradí skončil mnou vytvorený systém. Ten celkovo dosiahol úspešnosť 70,4%. Ako posledný sa umiestnil VeriLook ktorý v priemere uspel len na 35%.

26. Záver • Možné zlepšenia • Preučenie neurónky • Rozšírenie databázy

27. Poďakovanie Ďakujem za pozornosť