Learning discriminative features for face recognition.
Loading...
Files
Date
2012
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
Muchos algoritmos del estado del arte en reconocimiento de caras emplean descriptores basados en características conocidas come Patrones Locales Binarios (PLB). Aunque existen muchas variaciones de los PLB, hasta el momento ninguno puede adaptarse automáticamente a los datos de entrenamiento. En esta tesis introducimos y analizamos dos métodos supervisados para aprender discriminativos descriptores tipo PLB para cada región facial. El primer método representa un conjunto de comparaciones entre pixeles como un árbol de decisión que es construído con un método codicioso para maximizar un criterio basado en la entropía. Este método, Patrones Locales Binarios basados en Árboles de Decisión (PLBAD), obtiene resultados superiores a PLB y otros descriptores similares en bases de datos estándar en reconocimiento de caras. Sin embargo, estos resultados tienen un costo relativamente alto en términos del espacio ocupado por los descriptores. El segundo método, Patrones Locales Binarios Discriminativos (PLBD) es una versión simplificada de PLBAD que usa una representación no jerárquica de las comparaciones entre pixeles. Busca un conjunto discriminativo de comparaciones usando un método de búsqueda local estocástico para optimizar un criterio de separabilidad tipo Fisher. Esto crea descriptores más compactos que PLBAD y otros descriptores tipo PLB que obtienen resultados superiores o comparables en bases de datos de reconocimiento de caras estándar.
Description
Tesis (Master of Science in Engineering)--Pontificia Universidad Católica de Chile, 2012