Klasifikacija osoba prema rasi na temelju slike lica

master's thesis

• Title (english): Classification of people by race using face images
• Author: David Belcar
• Mentor: Petra Grd (mentor); MBZ: 318742
• Committee member: Miroslav Bača (član povjerenstva); MBZ: 235084
• Granter: University of Zagreb; Faculty of Organization and Informatics; (Department of Computing and Technology); Varaždin
• Defense date and country: 2021-06-07, Croatia
• Scientific / art field, discipline and subdiscipline: SOCIAL SCIENCES; Information and Communication Sciences; Organization and Informatics

Abstract

Tema ovog rada je klasifikacija osoba prema rasi na temelju slike lica. Za ostvarivanje klasifikacije ovaj rad se fokusira na karakteristične točke lica na temelju pretpostavke o postojanju dovoljno razlika u karakterističnim točkama različitih rasa za njihovo raspoznavanje. Neuronske mreže su odabrane za njihovu obradu te za pogonjene aplikacije za klasifikaciju zbog svoje značajne zastupljenosti u literaturi kao najbolja opcija za obradu takvih problema. Kao skupovi za treniranje neuronskih mreža korišteni su UTKFace i FairFace skupovi slika lica. Ti skupovi su odabrani zbog balansirane reprezentacije slika lica rasa koje sadržavaju. Karakteristične točke lica su prvotno obrađene umjetnim neuronskim mrežama (ANN) gdje su uspješno klasificirale do 70% slika skupova za treniranje. Analizom treniranih neuronskih mreža istražile su se najznačajnije karakteristične točke odnosno područja lica za raspoznavanje rase. Rezultati analize su pokazali kako su najznačajnije karakteristične točke širina oka, udaljenost između obrva te udaljenost između unutarnjih kutova očiju. Kako bi se poboljšala sposobnost raspoznavanja u aplikaciji istreniran je novi set dubokih neuronskih mreža (CNN). Kod treniranja CNN mreža fokus je postavljen na područje lica koje sadrži najznačajnije karakteristične točke, a za dodatnu pomoć treniranju CNN mreža na slikama lica su iscrtane karakteristične točke. CNN mreže su uspješno klasificirale do 90% slika skupova za treniranje, a na novo kreiranom testnom skupu podataka su postigle prosječnu točnost od 75%. U konačnici se korištenje karakterističnih točaka pokazalo kao način za povećanje točnosti i robusnosti treniranih mreža, a od skupova za treniranje Fair Face se pokazao kao bolji izbor – primarno zbog bolje balansirane količine slika sadržanih rasa.

• Keywords: biometrija; klasifikacija; lice; rasa
• Language: croatian
• URN:NBN: urn:nbn:hr:211:896051
• Study programme: Title: Information and Programming Engineering; Study programme type: university; Study level: graduate; Academic / professional title: magistar/magistra informatike (magistar/magistra informatike)
• Type of resource: Text
• File origin: Born digital
• Access conditions: Access restricted to authenticated users
• Created on: 2021-06-14 04:00:30