Made available in DSpace on 2016-06-02T19:05:30Z (GMT). No. of bitstreams: 1
1973.pdf: 2279550 bytes, checksum: d1faff5394d480a23ef7c9a9c0ebdc08 (MD5)
Previous issue date: 2008-08-13 / Universidade Federal de Minas Gerais / The present work consists in the use of the combination of neocognitron networks for the face recognition tasks integrating a system of face recognition, categorized as holistic method, by the fact of to approach all the face in the extration of the characteristics of the input image. The use of the face as biometric attribute in the recognition of individuous has grown mainly to its characteristic that dispense their cooperation for analysis. The great challenges in the area of face recognition are about the application in non-controlled environments in which the variation of illumination and pose can decrease the performance of the system. In order to work the challenges (variation of illumination and distortion in the patterns) it was used frontals images of CMU-PIE (University Carnegie Mellon - Pose, Illumination and Expression) database using the advantage of illumination and expression variations. The neural network model applied in the work is the neocognitron network that is capable to recognize patterns without its capacity of recognition been affected by deformations, changes in the size or position, of the input pattern. With the goal of to get the structure more adjusted of the neocognitron for the face recognition task, inside of a set of structures, it was analyzed some structures of neocognitron network with one output class and with different images resolutions. The best result corresponds to a recognition rate of 78% for a set with 30 classes with thirty and six patterns each one in the recognition phase. To improve the results it was applied combination of classifiers using: Decision Templates and the Modified Decision Templates method developed in this work. The performance of the classifiers was analyzed through the error estimation using the hold-out method and the Kappa coefficient. The final results pointed that the combination of classifiers applied to this model did not result in significant improvements due the inherent characteristics of the applied model. / O presente trabalho consiste na utilização da combinação de redes neocognitron na tarefa de reconhecimento facial integrando um sistema de reconhecimento facial, categorizado como método holístico, pelo fato de abordar a face como um todo na extração das características da imagem de entrada.A utilização da face como atributo biométrico no reco-nhecimento de indivíduos tem crescido principalmente devido a sua característica de não necessitar da cooperação do indivíduo para análise. Os grandes desafios na área de reco-nhecimento facial trata de sua aplicação em ambientes não-controlados em que a variação de iluminação e pose podem degradar o desempenho do sistema. A fim de trabalhar os desafios (variação de iluminação e distorção nos padrões) utilizou-se imagens frontais da base CMU-PIE (Carnegie Mellon University - Pose, Illumination and Expression) aproveitando sua característica de variação da iluminação e expressão. O modelo neural aplicado ao trabalho é a rede neocognitron que é capaz de reconhecer padrões sem que sua capacidade de reco-nhecimento seja afetada por deformações, mudanças no tamanho ou posição do padrão de entrada. Com o objetivo de obter a estrutura da rede neocognitron mais adequada à tarefa de reconhecimento facial, dentro de um conjunto de estruturas, foram analisadas algumas estruturas de rede neocognitron com uma saída e com diferentes resoluções de imagens. O melhor resultado obtido consiste na taxa de reconhecimento de 78% para um conjunto com 30 classes com trinta e seis padrões cada na fase de reconhecimento. Para a melhoria dos resultados aplicou-se a combinação de classificadores utilizando: Decision Templates e o método Decision Templates Modificado desenvolvido neste trabalho. O desempenho dos classificadores foi analisado através da estimação de erro pelo método hold-out e pelo coeficiente Kappa. Os resultados finais apontaram que a combinação de classificadores, aplicados a este modelo não resultou em melhoras significativas devido às características inerentes ao modelo aplicado.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufscar.br:ufscar/380 |
| Date | 13 August 2008 |
| Creators | Santana, Cristiane Oliveira de |
| Contributors | Saito, José Hiroki |
| Publisher | Universidade Federal de São Carlos, Programa de Pós-graduação em Ciência da Computação, UFSCar, BR |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | English |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis |
| Format | application/pdf |
| Source | reponame:Repositório Institucional da UFSCAR, instname:Universidade Federal de São Carlos, instacron:UFSCAR |
| Rights | info:eu-repo/semantics/openAccess |
Page generated in 0.0019 seconds