V referatu se ukvarjamo s postopki normiranja mer podobnosti v sistemih za biometrično verifikacijo uporabnikov. Predlagamo nov pristop k normiranju, ki, drugače od uveljavljenih parametričnih pristopov k normiranju podobnosti kot sta z- ali t-norma, ne zahteva predpostavk o porazdeljevanju mer podobnosti. Predlagani pristop v prvem koraku oceni porazdelitev mer podobnosti s pomočjo Parzenovih cenilk, ocenjeno porazdelitev pa v drugem koraku preslika tako, da funkcija gostote verjetnosti porazdelitve zavzame v naprej določeno obliko. Eksperimentalni rezultati, pridobljeni s pomočjo podatkovne zbirke FRGCv2, kažejo na to, da predlagani neparametrični pristop dosledno izboljša rezultate razpoznavanja v primerjavi s parametričnimi pristopi normiranja, a le v primeru, ko prihaja ciljna funkcija gostote verjetnosti iz razreda log-normalnih porazdelitev. Rezultati kažejo tudi na dejstvo, da tako parametrični kot tudi neparametrični pristopi k normiranju mer podobnosti izboljšajo rezultate razpoznavanja v primerjavi s sistemi, kjer je normiranje mer podobnosti izpuščeno. V referatu pokažemo, da predlagani postopki normiranja bistveno pripomorejo k robustnosti biometričnih sistemov za verifikacijo uporabnikov v primerih, ko obstajajo kvalitativne razlike (zaradi osvetlitve, staranja, ipd.) med galerijskimi in testnimi slikami obrazov.
COBISS.SI-ID: 9520468
Razpoznavanje obrazov v nenadzorovanih okoljih še zmeraj predstavlja problem, ki do danes še ni zadovoljivo rešen. V članku predlagamo novo rešitev za razpoznavanje v takih okoljih, ki temelji na pred kratkim predlagani verjetnostni linearni diskriminantni analizi (Probabilistic Linear Discriminant Analysis - PLDA). Pokažemo, da poenostavljene različice postopka PLDA, ki se redno uporabljajo na področju razpoznavanja govorcev, temeljijo na predpostavkah, ki ne le poenostavijo izvirni model postopka PLDA, ampak hkrati izboljšajo tudi uspešnost razpoznavanja. V naših eksperimentih pokažemo še, da navkljub splošnemu prepričanju, da postopki, temelječi na različicah PLDA, rezultirajo v merah podobnosti, ki so že ustrezno kalibrirane, uporaba neparametričnih postopkov k normiranju mer podobnosti še vedno pripomore k izboljšanju rezultata razpoznavanja. Uspešnost razpoznavanja poenostavljene različice postopka PLDA pokažemo v primerjavi s najuspešnejšimi postopki iz literature, pri čemer za eksperimente uporabimo podatkovno zbirko FRGCv2.
COBISS.SI-ID: 9520724
V referatu predstavljamo nov pristop k razpoznavanju 3D slik obrazov, ki temelji na kovariančnih deskriptorjih slikovnih vzorcev in uteženi vsoti Gaussovih porazdelitev (angl. Gaussian mixture model - GMM). Predlagani pristop predstavlja celostno rešitev za združevanje različnih predstavitev 3D obrazov, hkrati pa omogoča obdelavo predstavitev na različnih nivojih lokalnosti. Predlagani pristop v prvem koraku izračuna vrsto kovariančnih deskriptorjev iz področij 3D slik različnih velikosti, v drugem koraku pa s pomočjo posebne preslikave iz deskriptorjev izlušči vrsto nizko-dimenzionalnih vektorjev značilk. Izluščeni vektorji nato služijo kot podlaga za izgradnjo modela utežene vsote Gaussovih porazdelitev. Za razvrščanje modelov GMM, predlagani pristop uporablja metodo razvrščanja s podpornimi vektorji. Pristop, predstavljen v referatu, ima kar nekaj zavidljivih karakteristik, kot so: vgrajeni mehanizem za združevanje (fuzijo) informacije, sposobnost obdelave slik na različnih nivojih lokalnosti, in zmožnost integracije apriornega znanja v postopke statističnega modeliranja. Uspešnost predlaganega pristopa preverimo na drugi verziji podatkovne zbirke FRGCv2, kjer dosežemo vzpodbudne rezultate. Za konec omenimo še, da lahko predstavljeni pristop neposredno uporabimo tudi na drugih biometričnih (slikovnih) modalnostih, kot so 2D slike obrazov, saj lahko globinske slike tako rekoč enačimo z vsakdanjimi 2D slikami.
COBISS.SI-ID: 9519444