Artificial neural networks for face recognition

Šiame magistro baigiamajame darbe nagrinėjamas algoritmas, kuris naudodamas 68 būdingus veido bruožų taškus, apskaičiuoja normalizuotus Euklidinius atstumus tarp įvairių veido sričių ir daugiasluoksnio perceptrono dėka atlieka veidų atpažinimą. Siekiant išsiaiškinti, kiek atstumų tarp veido sričių pakanka efektyviam atpažinimui, dirbtinis neuroninis tinklas buvo testuojamas su 6 atstumų rinkiniais – 9, 16, 23, 31, 42 ir 54. Ieškant efektyviausio modelio, eksperimento būdu buvo keičiami įvairūs neuroninio tinklo parametrai, tokie kaip paslėptų sluoksnių bei neuronų skaičius juose, gradientinio nusileidimo optimizavimo algoritmai, paklaidos bei aktyvacijos funkcijos. Algoritmas buvo realizuotas naudojant Python programavimo kalbą ir įvairias matematinių skaičiavimų bei sistemų mokymo bibliotekas – Neupy, Numpy, Scikit-learn ir kt. Pagrindinis eksperimentinis testavimas buvo atliekamas naudojant veidų duomenų bazę Faces96, o po to išbandyta su Grimace bei Caltech veidų rinkiniais, atliktas palyginimas su kitų mokslininkų tyrimų rezultatais. Aukščiausius atpažinimo tikslumo rezultatus DNT parodė naudodamas 54 atstumų rinkinį. Eksperimentuojant su Faces96 veidų duomenų baze buvo pasiektas 97,33 % atpažinimo tikslumas. Lyginant su kitus metodus naudojusių mokslininkų pasiektais atpažinimo rezultatais, šiame tyrime sukurtas algoritmas nenusileidžia pagal atpažinimo tikslumą ir pasiekia vienus geriausių atpažinimo rodiklių. Taip pat šį algoritmą silpnai įtakoja prastas apšvietimas bei įvairios veido mimikos. Pagal greitaveika DNT taip pat buvo sparčiausias naudodamas 54 atstumų rinkinį. Tad buvo nustatyta, jog atstumų tarp įvairių veido sričių skaičius įtakoja efektyvumo rezultatus ir kuo jis didesnis, tuo sparčiau bei tiksliau dirbtinis neuroninis tinklas atlieka klasifikavimą.The Master Thesis analyses an algorithm, which uses 68 facial landmarks for calculating normalized Euclidean distances between different facial parts and performs faces recognition using Multilayer Perceptron (MLP). In order to determinate how many facial distances are enough for effective recognition, the artificial neural network has been tested with 6 sets of distances: 9, 16, 23, 31, 42 and 54. Determining the most effective model, different neural network parameters have been changed in an experimental way,such as hidden layers and the number of neurons , gradient descent optimization algorithms, error and activation functions. The algorithm has been implemented using Python programming language and various mathematical calculations and machine learning libraries – NeuPy, NumPy, SciKit-learn and etc. The main experimental testing has been executed using Faces96 faces database. Later the algorithm has been tested with Grimace and Caltech faces collections, compared to other scientists’ research results. It has been determined that the set of 54 distances shows the best results. While experimenting with the set of 54 distances on Faces96 faces collection 97,33% recognition accuracy has been reached. The developed algorithm is not inferior to other methods in sense of the recognition accuracy and reaches one of the best recognition rates. Moreover, this algorithm is weakly influenced by poor lighting and a variety of facial expressions. The MLP was also the fastest using 54 distances. So it was determined that the number of distances between different facial areas affects the efficiency results. The higher the number of distances, the faster and more the artificial neural network solves the recognition problem.Švietimo akademijaVytauto Didžiojo universiteta