Made available in DSpace on 2016-06-02T19:05:33Z (GMT). No. of bitstreams: 1
DissARB.pdf: 2917601 bytes, checksum: 2550cfec255ecfa8a17d449f488cf2b7 (MD5)
Previous issue date: 2001-09-27 / Financiadora de Estudos e Projetos / In this dissertation it is presented a face recognition system based in the neocognitron
(NEOPC). This system is divided into three major stages: (a) pré-processing: which normalizes the facial samples utilized in the neural network architectures; (b) Neural Network for Detection of Control Points (NNDCP): which obtains the control points to be used in the non supervised training structure of the neocognitron and (c) Neural Network for the Facial Recognition (NNFR), which carried out the recognition of face
samples.The main characteristic of NEOPC is the use of control points for the extraction of patterns strategically located, such as eyes, noses and lips, used on non supervised training of the NNFR. The tests of the NEOPC were carried out, considering facial samples having variations
of angles and expressions, and different amounts of classes and samples to the training and recognition stages. For the attainment of the results, a base of images released by the University of Cambridge and three bases of images developed as part of this work. In order to compare the several results obtained with the four bases of images investigated in this dissertation we present in all of them relevant information, such as, the thresholds used for the excitation of neurons, rightness and error rates. The results shows that the NEOPC performance increases with the number of samples
used for the training, until an optimal point, and then decreases. It is explained by the
increase of the cell numbers with the features from new samples, difficulty the recognition. / Nesta dissertação de mestrado é apresentado um sistema de reconhecimento facial baseado no neocognitron (NEOPC). Este sistema é dividido em três importantes etapas: (a) pré-processamento: que normaliza as amostras faciais utilizadas nas arquiteturas de redes neurais, (b) Rede Neural para Detecção dos Pontos de Controle (RNDPC): que
obtém os pontos de controles que são adicionados na estrutura de treinamento nãosupervisionado do neocognitron e (c) Rede Neural para o conhecimento Facial (RNRF): que realiza o reconhecimento das amostras faciais. A principal característica da NEOPC é a utilização dos pontos de controle para a extração de fatores localizados em posições estratégicas, tais como olhos, nariz e lábios, utilizados no treinamento não-supervisionado da RNRF. Foram realizados os testes, da NEOPC, considerando amostras faciais com variações de ângulos e expressões, e diferentes quantidades de classes e amostras para a fase de treinamento e reconhecimento. Foram utilizadas, para a obtenção dos resultados, uma base de imagens disponibilizada pela Universidade de Cambridge e três bases de imagens desenvolvidas como parte deste trabalho.
Para comparar os vários resultados obtidos com as quatro bases de imagens utilizadas nesta dissertação, foram apresentados, em todas a bases, informações relevantes, tais como: os thresholds utilizados para a excitação dos neurônios, a taxa de acerto e a taxa de erro.
Os resultados demonstraram que o desempenho do NEOPC aumenta com a quantidade de amostras utilizadas para o treinamento, até um ponto ótimo, e posteriormente passa a decrescer. Isso significa que novos atributos de novas amostras aumentam o número de planos celulares dificultando o reconhecimento.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufscar.br:ufscar/391 |
| Date | 27 September 2001 |
| Creators | Bianchini, Ângelo Rodrigo |
| 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 | Portuguese |
| 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 0.002 seconds