Objektivizační analýza vlivu degradačních faktorů na výkon klasifikace obličeje pro biometrickou identifikaci

Abstract

Tato diplomová práce je zaměřena na objektivizační analýza vlivu degradačních faktorů, zejména impulzivních šumů v obraze, jasové transformace nebo rozmazání na výkon klasifikace obličeje pro biometrickou identifikaci. Zabývá se objasněním dopadu na výkon zvolených konvolučních neuronových sítí, a to GoogLeNet a ResNet-101, jež se využívají pro detekování a rozpoznávání lidských tváří ze statických snímků. Veškeré testování se odehrává v interaktivním programovém prostředí MATLAB. Úvod práce objasňuje základ biometrie, extrakci obličeje a obecné metody lokalizace markantů tváře. Poté se zabývá typy neuronových sítí a jejich deskripcí. Druhá část práce se zabývá tvorbou datasetu z degradovaných dat a tvorbou kombinací parametrů nastavení sítí, které budou využity při testování. Závěr práce je zaměřen na vyhodnocení výkonů sítí v oblasti validační přesnosti, časové náročnosti a rozdílu mezi tréninkovou a validační přesností při dílčích kombinacích parametrů, ze kterých vychází jako vhodnější síť ResNet-101. Výsledky jsou zaznamenány do tabulek a graficky znázorněny.

This thesis is focused on the objectification analysis of the influence of degradation factors, especially impulsive noise in the image, luminance transformation or blurring, on the performance of face classification for biometric identification. It is concerned with elucidating the impact on the performance of selected convolutional neural networks, namely GoogLeNet and ResNet-101, that are used for detecting and recognizing human faces from the static images. All testing is done in an interactive MATLAB programming interface. The beginning of the thesis explains the basis of biometrics, face extraction and general methods of localization of facial markers. Then it discusses the types of neural networks and their descriptions. The second part of the thesis deals with the creation of a dataset from the degraded data and the creation of combinations of network setup parameters that will be used in testing. The conclusion of the thesis focuses on evaluating the performance of the networks in terms of validation accuracy, time consumption and the difference between training and validation accuracy under different parameter combinations, from which the ResNet-101 network is considered to be more suitable. Results are tabulated and graphically represented.