Lista przedmiotów z materiałami udostępnionymi dla studentów
- Medical Imaging, prof. dr hab. M. Strzelecki
- Law and Ethics in Bio-Medical Engineering, George R. Brown
- Final Project Seminar, prof. dr hab. M. Strzelecki
Mikołaj KacprzakRozpoznawanie twarzy z wykorzystaniem metody PCAFace recognition using principal component analysis-based approachOpiekun pracy dyplomowej: prof. dr hab. inż. Krzysztof Ślot Praca dyplomowa IFE - MSc obroniona 2011-11-10 |
Streszczenie pracy dyplomowej: |
Ilość systemów oraz programów wymagających logowania się stale wzrasta. Poszukiwane są
łatwiejsze sposoby uzyskiwania dostępu do programu lub autoryzacji użytkownika. Systemy
rozpoznawania twarzy są jednym z wielu dostępnych sposobów na rozwiązanie tego problemu.
Uwierzytelnianie bazujące na rozpoznawaniu twarzy jest wygodna i łatwa dla użytkownika.
Głównym celem tej pracy jest implementacja algorytmu analizy głównych składowych, aby
stworzyć aplikację zdolną do automatycznego rozpoznania osoby, bazując na obrazie otrzymanym z
kamery internetowej oraz wcześniej zapisanych zdjęciach twarzy osób, które należą do grupy
testowej.
Aplikacja stworzona na potrzeby tej pracy została napisana w języku programowania Java.
Przed rozpoczęciem procesu rozpoznawania twarzy należy wyodrębnić tę część obrazu otrzymanego z
kamery, który zawiera twarz. W tym celu został zastosowany algorytm cech Haaro-podobnych
wykorzystujący kaskadę „słabych” klasyfikatorów do oceny poszczególnych fragmentów testowanego
obrazu. Aby dokładniej umiejscowić twarz na zdęciu został użyty algorytm Hough’a dla kół. Po
otrzymaniu dokładnych współrzędnych źrenic możliwe jest wyodrębnienie twarzy i normalizacja, aby
uzyskać jednolity rozmiar i jasność. Po takiej obróbce wstępnej można przystąpić do analizy
głównych składowych (PCA). Algorytm ma na celu redukcję zbędnych informacji i uproszczenie
klasyfikacji. PCA jest procedurą, która zamienia zbiór skorelowanych danych na nowy zbiór, którego
składniki nie są ze sobą skorelowane – tak zwane składowe główne.
Każdy obraz twarzy można przedstawić w formie punktu w przestrzeni N-wymiarowej, gdzie
N jest liczbą pikseli w obrazie. Macierz kowariancji jest tworzona z treningowego zbioru zdjęć
twarzy. PCA tworzy nową p-wymiarową przestrzeń (gdzie p< |
Abstract: |
The number of systems or applications requiring logging in is constantly increasing. Easier
ways to get access to or to be recognized by an application as an authenticated user are being
investigated. Face recognition systems are one of the available solutions that address this problem.
Authentication based on face recognition is convenient and easy for the user.
The main goal of this thesis is to implement the principal component analysis algorithm to
create an application that will be able to automatically recognize people basing on the image obtained
from the web camera and previously stored images of faces of people that belong to the test group.
The application created for the purpose of this thesis was written in Java programming
language. Before the recognition process can take place there is a need to extract the part of the image
obtained from the camera that contains a face. To accomplish this, Haar-like features algorithm was
implemented. It uses a cascade of ‘weak’ classifiers for evaluation of particular sub-windows of image
under test. For more precise face localization by eye detection Hough Transform for circles was used.
After obtaining precise coordinates of pupils it was possible to extract the face and normalize image to
obtain uniform size and brightness. After pre-processing it was possible to conduct principal
component analysis (PCA). The algorithm aims to reduce redundant information and simplify the
process of classification. PCA is a procedure that changes a set of correlated data into a new set of
variables that are uncorrelated, the so called principal components.
Each face image can be represented as a point in an N-dimensional space, where N is number
of pixels of the image. Covariance matrix is created from set of training face images. PCA creates a
new p-dimensional feature space (where p< |