Αλγόριθμοι μηχανικής μάθησης για την αναγνώριση προσώπων

Abstract

Η αναγνώριση προσώπου γνωρίζει ραγδαία άνοδο τα τελευταία χρόνια λόγω των πολλών χρήσεων της στην καθημερινότητα και της δημοφιλίας του κλάδου της μη- χανικής μάθησης. Σκοπός της παρούσας διπλωματικής εργασίας είναι η σύγκριση των πιο γνωστών μεθόδων αναγνώρισης προσώπου και των αλγορίθμων μηχανι- κής μάθησης τους οποίους χρησιμοποιούν, όπως επίσης η ανάλυση της επίδρασης που έχει η προεπεξεργασία των εικόνων στην ακρίβεια των αποτελεσμάτων των αλγόριθμων μηχανικής μάθησης. Στην πειραματική διαδικασία χρησιμοποιήθηκαν συνολικά 7 μέθοδοι αναγνώρισης και 11 αλγόριθμοι μηχανικής μάθησης. Για μία πιο ολοκληρωμένη εικόνα, χρησιμοποιήθηκαν 4 σετ εικόνων τα οποία πέρασαν από τη δοκιμασία αναγνώρισης, με και χωρίς προεπεξεργασία. Τα αποτελέσματα της πειραματικής διαδικασίας έδειξαν πως η προεπεξεργασία των εικόνων παίζει πολύ σημαντικό ρόλο καθώς αντιμετωπίζει πολλές δυσκολίες που υπάρχουν. Αυτές συ- νήθως προέρχονται από το μη ελεγχόμενο περιβάλλον της εικόνας. Κάποιες από αυτές είναι οι διαφορές φωτισμού, διαφορές έκφρασης και θέσης προσώπου στην εικόνα, γωνίας λήψης της φωτογραφίας και η ποιότητα της εικόνας. Οι ολιστικές μέθοδοι αναγνώρισης (Eigenfaces, Fisherfaces) έδειξαν πως αντιμετωπίζουν με επι- τυχία τα περισσότερα προβλήματα και είχαν τις καλύτερες επιδόσεις. Πολύ κοντά ήταν και η μέθοδος LBPH. Από τους αλγορίθμους μηχανικής μάθησης, τα γραμμικά μοντέλα είχαν την καλύτερη απόδοση, ειδικότερα οι μηχανές διανυσμάτων υποστή- ριξης και η ταξινόμηση κορυφής. Πολύ καλές ήταν και οι επιδόσεις του αντιλήπτρου πολλαπλών στρωμάτων.

Face recognition is having a rapid growth over the last few years as a result of its many applications in daily life and the popularity of the field of machine learning. The purpose of this thesis is the comparison of the most well-known recognition methods and the machine learning algorithms that are utilized by them, and the analysis of the effect that the image preprocessing has on the accuracy of the machine learning algorithms. In the experiment procedure, 7 face recognition methods were used, along with 11 machine learning algorithms. Additionally, 4 image datasets went through the recognition process, before and after preprocessing. The results of the experimental procedure indicate that preprocessing plays an important role because it deals with a lot of problems that arise in the images. Some of these issues are differences in lighting conditions, differences in facial expression, face placement and image quality. The holistic methods of recognition (Eigenfaces, Fisherfaces) dealt with most of these difficulties, having the highest accuracies. LBPH method was really close as well. Out of all the machine learning algorithms tested, linear models, especially SVM and Ridge classification, worked really well with all the recognition methods. MLP classifier also had good results.