Transcript KNN 801 Anwendung Gesichtserkennung mit SNNS

CIC Lab
Computational Intelligence
and Control Laboratory
Anwendung von KNN
Gesichtserkennung mit Hilfe
eines Neuronalen Netzes (SNNS)
Daniel Andree
2
SS 2005
Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS)
1
10
Inhalt
CIC Lab
Computational Intelligence
and Control Laboratory
1. Aufgabenstellung
2. Aufbereitung der
Bildinformationen
3. Normierung und Reduzierung
der Graustufenmatrizen
4. Architektur des KNN
5. Trainingsmethode
6. Lernkurve
7. Bewertung der Ergebnisse
8. Quellen
9. Fragen
2
SS 2005
Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS)
2
10
Aufgabenstellung
CIC Lab
Computational Intelligence
and Control Laboratory
Erkennung von Gesichtsmerkmalen (Biometric) 10
verschiedener Personen mit Hilfe eines neuronalen
Netzes unter der Entwicklungsumgebung des
Stuttgarter neuronalen Netzes
2
SS 2005
Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS)
3
10
Aufbereitung der
Bildinformationen
CIC Lab
Computational Intelligence
and Control Laboratory
Prinzip:
• Umwandlung der Graustufenbilder in eine auf 1
normierte Matrix
Graustufenwerte
Graustufenmatrix
2
SS 2005
Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS)
4
10
Normierung und Reduzierung der
Graustufenmatrizen
CIC Lab
Computational Intelligence
and Control Laboratory
Prinzip:
Normierung bewirkt einen verringerten Einfluss unterschiedlicher
• Normierung der Matrizen mit Hilfe des Mittelwertes
Belichtungsstärken
und der Standartabweichung
• Reduzierung der 112x93 Matrizen auf 31x28
Matrizen um Größe des KNN zu reduzieren
2
SS 2005
Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS)
5
10
Architektur des KNN
CIC Lab
Computational Intelligence
and Control Laboratory
Prinzip:
Output Layer 10x1
• feedforward-Netz mit folgender Typologie
Hidden Layer 40x1
Graustufenmatrix
(31x28)
(Input Layer)
SS 2005
Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS)
2
6
10
Trainingsmethode
CIC Lab
Computational Intelligence
and Control Laboratory
Prinzip:
• Lernalgorithmus:
Quickpropagation
• Update Mode:
Topological Order
• Initialisierungs-Funktion:
Randomise Weights
• Remap Funktion:
Linear Scale
Ist die gebräuchlichste Methode für feedforward-Netze da die
Berechnung typologisch erfolgt. Das heißt die Neuronen
werden in der Reihfolge der Layer berechnet
2
SS 2005
Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS)
7
10
Lernkurve
CIC Lab
Computational Intelligence
and Control Laboratory
Trainingsdaten
Valdierdaten
2
SS 2005
Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS)
8
10
Bewertung der Ergebnisse
CIC Lab
Computational Intelligence
and Control Laboratory
Trefferquoten
der Validierdaten
1
Erkennungsquote
Trainingsdaten
Person Person
1
1,2
1
Trefferquote
Trefferquote
0,8
Foto 1
Foto 2
Foto 3
Foto 4
Foto 5
Foto 6
Foto 7
0,6
Foto 1
Foto 2
Foto 3
0,4
0,4
0,2
0,2
0
0
0
0
SS 2005
2 2
4
4
6
6
8
Nummer
der
Person
Nummer der Person
8
10
Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS)
10 12
12
2
9
10
Bewertung der Ergebnisse II
CIC Lab
Computational Intelligence
and Control Laboratory
Trefferqoten
Trefferquoten
Validierdaten
der Validierdaten
der Fehlerkennungen
1,2
0,6
Schwellwert 0,6
0,5
1
Person 1
Person 2
Person 3
Person 4
Person 5
Person 10
6
Person 7
Person 8
Person 9
Person 10
Trefferquote
0,4
0,8
Schwellwert 0,6
0,6
0,3
0,4
0,2
0,1
0,2
0
0
1
2
3
4
5
6
7
Nummer der Person
SS 2005
Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS)
8
9
10
2
10
10
Bewertung der Ergebnisse III
CIC Lab
Computational Intelligence
and Control Laboratory
Trainingsdaten
Valdierdaten
Die Fehlerkennung für die
Validierdaten betrug 6,7%
Die Fehlererkennung für die
Gesamtdaten betrug 2%
Bilder welche
falsch erkannt
wurden
2
SS 2005
Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS)
11
10
Quellen
CIC Lab
Computational Intelligence
and Control Laboratory
[Arbib1998]
Arbib, Michael A. ed.: The Handbook of Brain Theory and Neural Networks.
MIT-Press (Cambridge, MA), 1998.
[Bartlett2001]
Bartlett, Marian Stewart: Face Image Analysis by Unsupervised Learning,
Kluwer Academic Publishers, 2001
[Brömme2002]
Brömme, A., Kronberg, M., Ellenbeck, O., Kasch, O.: A Conceptual
Framework for Testing Biometric Algorithms within Operating Systems’ Authentication,
SAC 2002, Madrid
[Duden1995]
DUDEN - Das Fremdwörterbuch © Bibliographisches Institut & F.A.
Brockhaus AG, Mannheim 1995
[Görz1995]
Görz, Günther (Hrsg.): Einführung in die Künstliche Intelligenz, AddisonWesley, 1995
[Hofmann2002]
http://www.markus-hofman.de
[Henke1999]
Henke, Stefan: Verfahren der biometrischen Authentisierung und deren
Unterstützung durch Chipkarten, 1999
[Jain1999]
Jain, L.C., Halici, U., Hayashi, I., Lee, S.B., Tsutsui, S.:Intelligent Biometric
Techniques in Fingerprint and Face Recognition, CRC Press, 1999.
[Kandel1991]
Kandel, E., Schwartz, J.H., Jessel, T.M.: Principles of Neural Science, 3rd
Edition, Appleton & Lange, 1991
2
SS 2005
ORL (Olivetti Research Laboratory)
Database of FacesGesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS)
12
10
Fragen
CIC Lab
Computational Intelligence
and Control Laboratory
Fragen Sie bitte!
2
SS 2005
Gesichtserkennung mit Hilfe eines Neuronalen Netzes (SNNS)
13
10