Veidų atpažinimas. Algoritmų palyginimas per veidų panašumo atpažinimą

Ištrauka

Baigiamasis bakalauro darbas
Veidų atpažinimas. Algoritmų palyginimas per veidų panašumo atpažinimą.

Turinys
Įvadas...............................................................................................................................................4
1. Veidų aptikimo problema ir sprendimai......................................................................................7
1.1. Pagrindiniai veidų aptikimo iššūkiai....................................................................................7
1.2. Veidų aptikimo algoritmai....................................................................................................8
2. Veido atpažinimo problema ir sprendimai...................................................................................9
2.1. Pagrindiniai veidų atpažinimo iššūkiai.................................................................................9
2.2. Veidų atpažinimo algoritmai................................................................................................9
3. Veidų atpažinimas per panašumo skaičiavimą...........................................................................11
4. Veidų atpažinimo algoritmų palyginimas panašumo atžvilgiu..................................................12
4.1. Tyrimo metodo aprašymas.................................................................................................12
4.1.1. Metodo etapų parinkimas...........................................................................................12
4.1.2. Metodo etapai ir juose atliekami veiksmai.................................................................13
4.1.3. Metodo savybės ir specifika.......................................................................................14
4.2. Reikalavimai metodo etapų objektyvumui užtikrinti.........................................................15
4.2.1. Reikalavimai...............................................................................................................15
4.2.2. Numatomi praktiniai reikalavimų sprendimai tyrime................................................17
4.3. Praktinis metodo taikymo pavyzdys...................................................................................18
4.3.1. Duomenų saugojimas ir apdorojimas.........................................................................18
4.3.1.1. Saugojimo formos parinkimas............................................................................18
4.3.1.2. Numatyta DB struktūra.......................................................................................19
4.3.2. Detalus tyrimo etapų aprašymas.................................................................................21
4.3.2.1. Pirmasis etapas: Vaizdų surinkimas ir pakrovimas.............................................21
4.3.2.2. Antrasis etapas: Veidų aptikimas ir veidų atranka..............................................23
4.3.2.3. Trečiasis etapas: Vaizdų parengimas treniravimui ir atpažinimui......................25
4.3.2.4. Ketvirtasis etapas: Algoritmų apmokymas.........................................................27
4.3.2.4.1. FaceNet algoritmo apmokymas...................................................................28
4.3.2.4.2. Eigenfaces algoritmo apmokymas..............................................................29
4.3.2.5. Penktasis etapas: Testavimo porų paruošimas....................................................30
4.3.2.6. Šeštasis etapas: Testavimo porų apdorojimas.....................................................31
4.3.2.7. Septintasis etapas: Statistinis rezultato vertinimas..............................................31
4.4. Pagrindinė tyrimo eiga ir problemos..................................................................................32
4.4.1. Tyrimo Python projekto struktūra...............................................................................33
4.4.2. Gauti galutiniai rezultatai...........................................................................................35
4.4.3. Nuodingų duomenų problema....................................................................................36
4.5. Alternatyvūs tyrimo būdai..................................................................................................38
Išvados ir pasiūlymai......................................................................................................................39
Reziume.........................................................................................................................................40
Lietuviškai.................................................................................................................................40
In English..................................................................................................................................40
Literatūros sąrašas..........................................................................................................................41

Įvadas
Veidų atpažinimas – kasdienė žmogaus patirtis. Nuo pat pirmųjų gyvenimo metų
žmonėms įprasta turėti turėti itin gerus veidų atpažinimo gebėjimus. Dar kalbėti nemokantys
vaikai jau moka pirštu parodyti nuotraukoje, kur yra jų mama ar tėtis. Akivaizdu, kad be
gebėjimų atpažinti vieni kitų veidus per labai trumpą laiką žmonės susidurtų su begale keblumų.
Kita žmogaus kasdienė patirtis ypač pastaraisiais dešimtmečiais – didžiulis technologijų
proveržis ir vaidmuo kasdieniniame gyvenime. Svarbi šių dviejų sričių – veidų atpažinimo ir
technologinio progreso – sandūra yra technologinių įrenginių išmokymas atpažinti veidus. Tai
kas žmogui yra išmokta ir paprasta iš prigimties pasirodo nėra tokia lengva užduotis
kompiuteriams. Ir problema slypi ne tame, kad kompiuteriai negalėtų to daryti – jau beveik visi
turime telefonus su FaceID autentikacijos galimybe ir esame kitur susidūrę su automatiniu veido
atpažinimu arba bent apie tai girdėję. Problema yra tame, kad mes patys nepaisant to, kaip anksti
gyvenime išmokstame atpažinti veidus – neturime gero būdo matematiškai ar algoritmais
išdėstyti kaip tai padaro mūsų smegenys. Sunku būtų parašyti funkcijas ar žingsnių sekas, kurios
pagal atvaizdą galėtų patikimai įvertinti kieno veidas tai yra. Būtent šio suvokimo trūkumas yra
pagrindinė kliūtis, kodėl kompiuteriai negalėjo to daryti ilgus dešimtmečius XX amžiuje – nes
niekas nemokėjo jiems „pasakyti“, kas yra veidas ir kaip juos palyginti.
Nors įvairių bandymų ir kartais sėkmingų padaryti reikšmingą progresą šioje srityje būta
ir anksčiau, bet didžioji progreso dalis įvyko atsiradus ir vystantis neuroniniams tinklams.
Neuromokslininkams vis geriau sugebant įvertinti kas smegenys yra, kaip jos mokosi, kodėl
žmogaus smegenys turi vienus ar kitus apribojimus (pavyzdžiui kompiuteriai gali skaičiuoti
tiksliau ir greičiau paprastus matematinius veiksmus, nei žmogaus smegenys) ir pranašumus
(mūsų smegenys kol kas vis dar geriau atpažįsta žmonių emocijas, veidus ir kt. objektus už
kompiuterius). Atsirado suvokimas, kad nepaisant to, kad mes galvojame, kad veidus
atpažįstame intuityviai ir tam tarsi nenaudojame pastangų, tačiau realiai mūsų smegenys
pirmiausia turi su žmonių veidais apskritai susipažinti ir tada jau ima vykti panašus į kompiuterių
neuroninių tinklų atveju esantį „treniravimą“ mokymosi procesas – smegenys fiksuoja matomų
žmonių veidus įvairiais rakursais, įvairiuose apšvietimuose, padėtyse ir išmoksta greitai įgyti
gerus pažintinius sugebėjimus, išskirti nekintančius bruožus ir pan. Neuroninių tinklų ir giliojo
mokymosi progresas yra laimėjimas abiem sritims – ir technologinei, kur siekiama kompiuterius
išmokyti vis daugiau gebėjimų, ir neuromokslui, kur siekiama geriau suprasti smegenis,...