Please use this identifier to cite or link to this item:
https://repository.ufrpe.br/handle/123456789/1064
Title: | Uma análise de funções Wavelet para a tarefa de reconhecimento facial |
Authors: | Ferreira, Fabrício Paes |
metadata.dc.contributor.authorLattes: | http://lattes.cnpq.br/5610038616163785 |
metadata.dc.contributor.advisor: | Carvalho, Tiago Buarque Assunção de |
metadata.dc.contributor.advisorLattes: | http://lattes.cnpq.br/7150833804013500 |
Keywords: | Pessoas - Identificação;Fisiognomia;Sistemas de reconhecimento de padrões |
Issue Date: | 22-Aug-2018 |
Citation: | FERREIRA, Fabrício Paes.Uma análise de funções wavelet para a tarefa de reconhecimento facial.2018.139 f. Trabalho de Conclusão de Curso (Bacharelado em Ciência da Computação) – Unidade Acadêmica de Garanhuns, Universidade Federal Rural de Pernambuco, Garanhuns, 2018. |
Abstract: | Face recognition is an important research topic because of its wide range of applications, such as surveillance, biometrics and control access. Waveletfaces is a feature extraction technique that can improve the accuracy rate of a face recognition system. Nonetheless, its results may deeply vary depending on the wavelet function, decomposition level, classifier, other dimensionality reduction techniques used along with Waveletfaces, as well as the face database. To determine whether there is a subset of such items that can improve Waveletfaces, we performed an extensive comparison. We evaluate 4 dimensionality reduction methods using Waveletfaces, 106 different wavelet functions, 5 decomposition levels, 4 classifiers, and 5 face data sets. The combination of all these elements results in 42,400 scenarios at most. We used the confidence interval hypothesis test to compare the accuracy rate of each scenario with the maximum one within each data set. We determine that a few wavelet functions, such as some from the Reverse Biorthogonal family, can greatly improve classification accuracy. It is also shown that the Nearest Neighbor classifier performs well on all five databases. Moreover, other elements are very related to database issues. |
Description: | A tarefa de reconhecimento facial é bastante estudada devido a sua ampla gama de aplicações, como vigilância, biometria e controle de acesso. A Waveletfaces é uma técnica de extração de características que pode aumentar a taxa de acurácia de um sistema que implementa a tarefa. Além disso, seus resultados podem variar dependendo da função wavelet escolhida, do nível de decomposição utilizado, do classificador, da base de dados ou de outras técnicas de redução de dimensionalidade consideradas para combinação. Para determinar se existe um subconjunto específico de itens que podem aumentar a taxa de acurácia média dessa técnica, uma comparação extensiva é realizada neste trabalho. São avaliados quatro diferentes métodos de redução de dimensionalidade considerando o Waveletfaces, 106 funções wavelet, cinco níveis de decomposição, quatro algoritmos de classificação e cinco bases de dados distintas. As combinações desses elementos resultam em, no máximo, 42.400 cenários de acurácia média. Uma análise realizada através de teste de hipótese por intervalo de confiança é utilizada com o objetivo de comparar as taxas obtidas em cada cenário com a máxima acurácia de cada base de dados. Tal análise demonstrou que algumas funções wavelet, como aquelas contidas na família Reverse Biorthogonal, são mais relevantes, aprimorando a taxa de classificação. O classificador de distância considerado foi o que mais se destacou entre todas as bases de dados de face. Ademais, outros elementos estão intimamente relacionados com as características próprias de cada base. |
URI: | https://repository.ufrpe.br/handle/123456789/1064 |
Appears in Collections: | TCC - Bacharelado em Ciência da Computação (UAG) |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
tcc_fabríciopaesferreira.pdf | 6,28 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.