6 Описание практической части

Предложенный алгоритм был полностью реализован в виде набора функций для MATLAB. Выбор данного инструментального средства обусловлен наличием в нем большого количества высокоуровневых функций для обработки изображений, а также удобством работы с массивами данных.

Общая схема работы реализованного алгоритма представлена на рисунке 5.

Рисунок 5. Общая схема работы реализованного алгоритма

Дополнительно функционал этапа классификации был реализован в виде набора классов на языке С++, которые могут быть в дальнейшем встроены в систему, использующую классификацию людей по лицам.

Количественные характеристики реализации:

• Объём кода – около 1500 строк

• Время полной обработки одной фотографии на этапе классификации – около 1 секунды на компьютере Intel Core 2 Duo T5450, 1.66 ГГц, 2 Гб ОЗУ.

7 Заключение

В рамках дипломной работы были решены следующие задачи:

• Проведен обзор существующих алгоритмов классификации людей по фотографии лица, выявлены их основные недостатки

• Разработан собственный алгоритм, учитывающий влияние атрибутов друг на друга

• Алгоритм реализован в среде MATLAB, проведено тестирование и оценка результатов, показавшая улучшение результатов при использовании предложенного алгоритма

8 Литература

1. Kumar, N., Berg, A.C., Belhumeur, P.N., Nayar, S.K., Attribute and Simile Classifiers for Face Verification // International Conference on Computer Vision. 2009. P 365-372.

2. Kwon, Y., Lobo, N. Age Classification from Facial Images // Computer Vision and Image Understanding. 1999. 74. N 1. P 1-21.

3. Xu Z., Lu L., Shi P. A Hybrid Approach to Gender Classification from Face Images // International Conference on Pattern Recognition. 2008. P 1-4.

4. Lanitis, A., Draganova, C., Christodoulou C. Comparing Different Classifiers for Automatic Age Estimation // IEEE Transactions on Systems, Man, and Cybernetics. 2004. 34. N 1. P 621-628.

5. Cootes T.F., Edwards G.J., Taylor C.J. Active Appearance Models // European Conference on Computer Vision. 1998. 2. P 484-498.

6. Fu, Y., Xu, Y., Huang, T.S. Estimating Human Age by Manifold Analysis of Face Pictures and Regression on Aging Features // IEEE Conference on Multimedia and Expo. 2007. P 1383-1386.

7. Guo, G., Mu, G., Fu, Y., Dyer, C., Huang, T. A Study on Automatic Age Estimation Using a Large Database // International Conference on Computer Vision. 2009. P 1986-1991.

8. Baluja S., Rowley H.A. Boosting Sex Identification Performance // International Journal of Computer Vision. 2007. 71. N 1. P 111-119.

9. Lian, H.-C., Lu, B.-L. Multi-view Gender Classification Using Local Binary Patterns and Support Vector Machines // Advances in Neural Networks. 2006. 3972. P 202-209.

10. Guo, G., Mu, G., Fu, Y., Huang, T.S. Human Age Estimation Using Bio-inspired Features // Conference on Computer Vision and Pattern Recognition. 2009. P 112-119.

11. Verschae R., Ruiz-del-Solar J., Correa M. Gender Classification of Faces Using Adaboost // Progress in Pattern Recognition, Image Analysis and Applications. 2006. 4225. P 68-78.

12. Littlewort G., Bartlett M.S., Fasel I., Susskind J., Movellan J. Dynamics of Facial Expression Extracted Automatically from Video // Conference on Computer Vision and Pattern Recognition Workshop. 2004. 5. P 80-87.

13. Breiman, L. Random Forests // Machine Learning. 2001. 45. N 1. P 5-32.

14. Phillips P.J., Wechsler H., Huang J., Rauss P. The FERET Database and Evaluation Procedure for Face Recognition Algorithms // Image and Vision Computing. 1998. 16. N 5. P 295-306.

15. The FG-NET Aging Database [HTML] (http://www.fgnet.rsunit.com/).

16. The IMM Face Database [HTML] (http:// www2.imm.dtu.dk/~aam/datasets/datasets.html).

17. The ORL Database of Faces [HTML] (http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html)

18. The AR Face Database [HTML] (http://www2.ece.ohio-state.edu/~aleix/ARdatabase.html)

23