Resumen

La detección de rostros es una etapa previa crucial para el reconocimiento de rostros y suele tratarse como un problema de clasificación binaria (rostros y no rostros). Aunque esta estrategia es sencilla de aplicar, la precisión de la detección de caras disminuiría si los patrones de entrenamiento que no son caras no se muestrean suficientemente. Para evitar estos problemas, en este trabajo proponemos un detector de caras basado en el aprendizaje de una clase denominado comité de descripción de datos de vectores de soporte (SVDD), que consta de varios miembros SVDD, cada uno de los cuales se entrena con un subconjunto de patrones de caras. Los no rostros no son necesarios en el entrenamiento del comité SVDD. Por lo tanto, la precisión en la detección de caras del comité SVDD es independiente de los patrones de entrenamiento de los no rostros. Además, el comité SVDD propuesto también es capaz de mejorar la capacidad de generalización del SVDD original cuando el conjunto de datos de caras tiene una distribución multicluster. Los experimentos llevados a cabo con el conjunto de datos de rostros del MIT muestran que el comité SVDD propuesto puede lograr una mayor precisión en la detección de rostros que el detector de rostros SVM ampliamente utilizado y tiene un mejor rendimiento que otros clasificadores de una clase, incluyendo el SVDD original y el análisis de componentes principales kernel (Kernel PCA).

• Materias:Matemáticas Análisis Matemático Álgebra Ingeniería
• Subjects:mathematics Mathematical Analysis Algebra Engineering
• Palabras claves:comité svdd, precisión en la detección de caras, patrones de entrenamiento no faciales, svdd original, mayor precisión en la detección de caras, conjunto de datos faciales ampliado del mit, descripción de datos de vectores soporte, detector facial svm, análisis de componentes principales, varios miembros del svdd
• Keywords:svdd committee, face detection accuracy, nonface training patterns, original svdd, better face detection accuracy, extended mit face data set, support vector data description, svm face detector, principal component analysis, several svdd members