Adaboost Bayesiano para Detección de Rostros-Edición Única
Export citation
Abstract
En esta tesis se desarrolla una variante del método de boosting para clasificación, el trabajo incorpora clasificadores bayesianos y técnicas para la selección de umbrales y atributos. La tesis introduce una nueva
metodología que incorpora el clasificador bayesiano y busca los atributos más relevantes para incorporarlos dentro de la metodología de
boosting. El método utilizado usa la información mutua y los niveles de entropía entre las características y su clase para seleccionar los atributos más relevantes para la clase, y al mismo tiempo determina los umbrales de clasificación de manera automática. Se utiliza el esquema de boosting para aprender clasificadores bayesianos, que posteriormente se integran en una cascada de clasificadores. El umbral para clasificación se varía en cada uno de los clasificadores en la cascada, de forma que en las primeras etapas se eliminan solo los datos que se está seguro que son falsos. Esto permite tener, al mismo tiempo, una alta eficiencia al eliminar rápidamente los datos negativos, y una alta exactitud dada por la combinación de los clasificadores.
El método ha sido aplicado al reconocimiento de caras en imágenes, se entrenó una cascada de clasificadores con un conjunto de aproximadamente 900 imágenes, la mitad con caras (positivos) y la mitad con otros objetos
(negativos). Se obtienen ciertas características de las imágenes (patrones Haar), utilizando una representación en base a una "imagen integral" para acelerar este proceso. Con base en dichas características, se aprende una
cascada de clasificadores bayesianos basada en nuestra metodología. El clasificador final derivado obtiene un porcentaje de reconocimiento correcto de más del 95% en imágenes de prueba (diferentes a las de entrenamiento).
Además, en promedio tarda sólo 140 milisegundos para clasificar una imagen, lo que permite su aplicación en robótica para la interacción humano-robot.