Сокращение размерности пространства LBP-признаков в задачах определения атрибутов личности по изображению лица
Ключевые слова:
компьютерное зрение, машинное обучение, классификация изображений, атрибуты личности, локальные бинарные шаблоны, отбор признаков
Аннотация
Предложен подход к снижению размерности сформированного методом локальных бинарных шаблонов (locale binary patterns – LBP) пространства признаков, описывающих изображение за счет использования априорной информации о человеческом лице и алгоритма Adaboost для отбора значимых признаков. Приведены результаты вычислительных экспериментов, показывающие, что указанный подход снижает время классификации изображений почти в 8 раз.
Литература
1. Коршунов А. и др. Определение демографических атрибутов пользователелй микроблогов // Труды Института системного программирования РАН. 2013. Т. 25. С. 179 — 194.
2. Куликова А.А. Подход к классификации пользователей в социальных сетях // Восточно-Европейский журнал передовых технологий. 2011. № 2 (51). С. 246—452.
3. Qiu X., Sun Zh., Tan T. Global Texture Analysis of Iris Images for Ethnic Classification // Lecture Notes in Computer Sci. 2005. V. 3832. P. 411 — 418.
4. Fu Y., Xu Y., Huang T.S. Estimating human ages by manifold analisys of face pictures and regression on aging features // Proc. IEEE Conf. multimedia and Expo. 2007. P. 1383 — 1386
5. Ramanathan N., Chellappa R. Modeling age progression in yang faces // Proc. IEEE Conf. computer vision and pattern recognition (CVPR’06). 2006. P. 387 — 394.
6. Хуанг Т.С. и др. Быстрые алгоритмы в цифровой обработке изображений. М.: Радио и связь, 1984.
7. Yang Z., Li M., Ai H. An experimental study on automatic face gender classification // Proc. Intern. Conf. Pattern Recognition (ICPR). 2006. P. 1099 — 1102.
8. Shan C. Learning local binary patterns for gender classification on real-world face images // Pattern Recognition Lett. 2012. V. 33 (4). P. 431 — 437.
9. Hadid A., Pietikainen M. Combining appearance and motion for face and gender recognition from videos// Pattern Recognition Lett. 2009. V. 42 (11). P. 2818 — 2827.
10. Maenpaa T. The Local binary pattern approach to texture analysis — extensions and applications. Oulu University Press, 2003.
11. Yilionias J., Hadid A., Hong X., Pietikainen M. Age estimation using locale binary patterns kernel density estimate // Proc. Intern. Conf. image analysis and processing (ICIAP’13). 2013. P. 141 — 150.
12. Lian H., Lu B. Multi-view gender classification using local binary patterns and support vector machines // Proc. Intern. Symp. on neural networks. 2006. P. 202 — 209.
13. Alexandre L.A. Gender recognition: a multiscale decision fusion approach // Pattern recognition Lett. 2010.V. 31. P. 1422 — 1427.
14. Chen C., Ross A. Evaluation of gender classification methods on thermal and near-infrared face images // Proc. Intern. joint Conf. on biometrics (IJCB). 2011. pp. 367 — 374.
15. Makinen E., Raisamo R. An experimental comparison of gender classification methods // Pattern recognition Lett. 2008. V. 29. P. 1544 — 1556.
16. Bellustin N. et al. Instant Human Face Attributes Recognition System // Intern. J. Advanced Computer Sci. and Appl.: Special Issue on Artificial Intelligence. 2011.P. 112 — 120.
17. Gutta S., Huang J., Jonathon P., Wechsler H. Mixture of Experts for Classification of Gender, Ethnic Origin, and Pose of Human Faces // IEEE Trans. on neural networks. 2000. V. 11. N 4. P. 948 — 960.
18. Yang Z., Ai H. Demographic classification with local binary patterns // Proc. IEEE Intern. Conf. biometrics. 2007. P. 464 — 473.
19. Ojala T., Pietikainen M., Maenpaa T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns // IEEE Trans. on pattern analysis and machine intelligence. 2002. V. 24 (7). P. 971 — 987.
20. Рыбинцев А.В., Лукина Т.М., Конушин В.С., Конушин А.С. Возрастная классификация людей по изображению лица на основе метода ранжирования и локальных бинарных шаблонов // Системы и средства информатики. 2013. Т. 23. № 2. C. 62 — 73
21. Вьюгин В.В. Математические основы теории машинного обучения и прогнозирования. М.: МЦМНО, 2013.
22. MORPH (Craniofacial Longitudinal Morphological Face Database) [Электрон. ресурс]. http://www.faceaginggroup.com/morph/ (дата обращения 01.12.2015).
2. Куликова А.А. Подход к классификации пользователей в социальных сетях // Восточно-Европейский журнал передовых технологий. 2011. № 2 (51). С. 246—452.
3. Qiu X., Sun Zh., Tan T. Global Texture Analysis of Iris Images for Ethnic Classification // Lecture Notes in Computer Sci. 2005. V. 3832. P. 411 — 418.
4. Fu Y., Xu Y., Huang T.S. Estimating human ages by manifold analisys of face pictures and regression on aging features // Proc. IEEE Conf. multimedia and Expo. 2007. P. 1383 — 1386
5. Ramanathan N., Chellappa R. Modeling age progression in yang faces // Proc. IEEE Conf. computer vision and pattern recognition (CVPR’06). 2006. P. 387 — 394.
6. Хуанг Т.С. и др. Быстрые алгоритмы в цифровой обработке изображений. М.: Радио и связь, 1984.
7. Yang Z., Li M., Ai H. An experimental study on automatic face gender classification // Proc. Intern. Conf. Pattern Recognition (ICPR). 2006. P. 1099 — 1102.
8. Shan C. Learning local binary patterns for gender classification on real-world face images // Pattern Recognition Lett. 2012. V. 33 (4). P. 431 — 437.
9. Hadid A., Pietikainen M. Combining appearance and motion for face and gender recognition from videos// Pattern Recognition Lett. 2009. V. 42 (11). P. 2818 — 2827.
10. Maenpaa T. The Local binary pattern approach to texture analysis — extensions and applications. Oulu University Press, 2003.
11. Yilionias J., Hadid A., Hong X., Pietikainen M. Age estimation using locale binary patterns kernel density estimate // Proc. Intern. Conf. image analysis and processing (ICIAP’13). 2013. P. 141 — 150.
12. Lian H., Lu B. Multi-view gender classification using local binary patterns and support vector machines // Proc. Intern. Symp. on neural networks. 2006. P. 202 — 209.
13. Alexandre L.A. Gender recognition: a multiscale decision fusion approach // Pattern recognition Lett. 2010.V. 31. P. 1422 — 1427.
14. Chen C., Ross A. Evaluation of gender classification methods on thermal and near-infrared face images // Proc. Intern. joint Conf. on biometrics (IJCB). 2011. pp. 367 — 374.
15. Makinen E., Raisamo R. An experimental comparison of gender classification methods // Pattern recognition Lett. 2008. V. 29. P. 1544 — 1556.
16. Bellustin N. et al. Instant Human Face Attributes Recognition System // Intern. J. Advanced Computer Sci. and Appl.: Special Issue on Artificial Intelligence. 2011.P. 112 — 120.
17. Gutta S., Huang J., Jonathon P., Wechsler H. Mixture of Experts for Classification of Gender, Ethnic Origin, and Pose of Human Faces // IEEE Trans. on neural networks. 2000. V. 11. N 4. P. 948 — 960.
18. Yang Z., Ai H. Demographic classification with local binary patterns // Proc. IEEE Intern. Conf. biometrics. 2007. P. 464 — 473.
19. Ojala T., Pietikainen M., Maenpaa T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns // IEEE Trans. on pattern analysis and machine intelligence. 2002. V. 24 (7). P. 971 — 987.
20. Рыбинцев А.В., Лукина Т.М., Конушин В.С., Конушин А.С. Возрастная классификация людей по изображению лица на основе метода ранжирования и локальных бинарных шаблонов // Системы и средства информатики. 2013. Т. 23. № 2. C. 62 — 73
21. Вьюгин В.В. Математические основы теории машинного обучения и прогнозирования. М.: МЦМНО, 2013.
22. MORPH (Craniofacial Longitudinal Morphological Face Database) [Электрон. ресурс]. http://www.faceaginggroup.com/morph/ (дата обращения 01.12.2015).
Опубликован
2018-11-30
Выпуск
Раздел
Информатика, вычислительная техника и управление (05.13.00)
