Abstrait

MÉTHODES DE DÉTECTION DE VISAGE FRONTAL – RÉSEAUX NEURONAUX ET ALGORITHME D'APPRENTISSAGE AGRESSIF

Sushma Jaiswal, Dr Sarita Singh Bhadauria, Dr Rakesh Singh Jadon

Dans cette étude de cas et ce rapport, une méthode de détection de visage est présentée. La détection de visage est la première étape des méthodes de reconnaissance de visage. La détection de visage est une tâche difficile dans Pattern. Il existe différentes méthodes de détection de visage, à savoir les méthodes de détection de visage basées sur la connaissance, les méthodes de détection de visage basées sur les caractéristiques, les méthodes de détection de visage basées sur les modèles et les méthodes de détection de visage basées sur l'apparence. Mais ici, nous avons divisé fondamentalement deux méthodes pour la détection de visage (i) les méthodes basées sur l'image (ii) les méthodes basées sur les caractéristiques. Nous avons développé un système intermédiaire, utilisant un algorithme de boosting pour former un classificateur capable de traiter rapidement des images tout en ayant des taux de détection élevés. AdaBoost est une sorte de classificateur à marge importante et est efficace pour l'apprentissage en ligne. Afin d'adapter l'algorithme AdaBoost à une reconnaissance faciale rapide, l'Adaboost original qui utilise toutes les caractéristiques données est comparé au boosting le long des dimensions des caractéristiques. Les résultats comparables garantissent l'utilisation de ce dernier, qui est plus rapide pour la classification. L'idée principale dans la construction du détecteur est un algorithme d'apprentissage basé sur le boosting : AdaBoost. AdaBoost est un algorithme d'apprentissage agressif qui produit un classificateur puissant en choisissant des caractéristiques visuelles dans une famille de classificateurs simples et en les combinant linéairement. La famille de classificateurs simples contient des ondelettes rectangulaires simples qui rappellent la base de Haar. Leur simplicité et une nouvelle représentation d'image appelée Image Intégrale permettent un calcul très rapide de ces caractéristiques de type Haar. Ensuite, une structure en cascade est introduite afin de rejeter rapidement les régions d'arrière-plan faciles à classer et de se concentrer sur les fenêtres plus difficiles à classer. Pour cela, des classificateurs de plus en plus complexes sont combinés séquentiellement. Cela améliore à la fois la vitesse de détection et l'efficacité de la détection. La détection des visages dans les images d'entrée est effectuée à l'aide d'une fenêtre de balayage à différentes échelles qui permet de détecter des visages de toutes tailles sans rééchantillonner l'image d'origine. D'autre part, la structure du classificateur final permet une implémentation en temps réel du détecteur. En raison de certaines limitations des méthodes basées sur les réseaux neuronaux, nous adoptons l'algorithme Adaboost pour la détection des visages. Nous présentons ici quelques résultats sur des exemples du monde réel. Notre détecteur a trouvé de bons taux de détection avec des visages frontaux et la méthode peut être facilement adaptée à d'autres tâches de détection d'objets en modifiant le contenu de l'ensemble de données d'entraînement.