淡江大學覺生紀念圖書館 (TKU Library)
進階搜尋


下載電子全文限經由淡江IP使用) 
系統識別號 U0002-1307201110025700
中文論文名稱 在雲端計算中使用支援向量機來做性別分類
英文論文名稱 Using Support Vector Machines for Gender Classification on Cloud Computing
校院名稱 淡江大學
系所名稱(中) 資訊工程學系碩士在職專班
系所名稱(英) Department of Computer Science and Information Engineering
學年度 99
學期 2
出版年 100
研究生中文姓名 周俊昌
研究生英文姓名 Chun-Chang Chou
學號 798410303
學位類別 碩士
語文別 中文
第二語文別 英文
口試日期 2011-06-19
論文頁數 62頁
口試委員 指導教授-洪文斌
委員-謝文恭
委員-范俊海
委員-洪文斌
中文關鍵字 支援向量機  區域二元模式  性別辨識  雲端計算 
英文關鍵字 Cloud Computing  Gender classification  LBP  SVM 
學科別分類 學科別應用科學資訊工程
中文摘要 在近幾年電腦視覺影像研究中,人臉的辨識上已有相當大的進步,延伸而來的應用也相當多,如人臉的性別、表情、年齡辨識等。在這些影像的辨識研究領域中,系統的辨識率以及系統的效能,一直是相關領域的研究重點。
在本論文中,輸入影像可經由個人電腦選取,或經由手機端擷取數位相機影像。經由用戶端裝置偵測人臉的位置,並使用區域二元模式演算法作為人臉正面影像的特徵值,以及降低此特徵值維度以減低系統的運算負擔,之後傳送至伺服器端以辨識性別。在性別辨識的問題中,我們利用支援向量機的統計學理論來做為人臉的性別辨識分類器。
支援向量機演算法對於在計算能力或記憶體容量比較低裝置是相當大的負擔如個人掌上型電腦或手機等。為了解決這類的問題,我們開發了主從式架構的程式,在伺服器端負責訓練性別分類器,及對用戶端所傳送之影像特徵值辨識性別並把辨識的結果回報給用戶端的裝置,以避免用戶者端的裝置運算負荷過大。在本實驗中,我們對FERET人臉資料庫做交叉驗證,可得到93.21%辨識率。
英文摘要 Face detection has been considerable progress in computer vision recently, and extends from the applications are quite a few, such as gender recognition, expression, age identification. In the field of computer vision, recognition rate and system performance has been attention in the related field.
In this paper, client device is responsible for detecting the location of face then reduce dimension of the face feature using LBP (local binary patterns) operator, and send to server side. The classification problem is performed by support vector machines.
The support vector machine algorithm requests amount of computing and memory, which is a considerable burden on handheld computers or mobile phones. To solve the problem, we developed client-server programming. In order to avoid that client device over loading, the server side is responsible for training of gender classifier and predicts results which received the face feature form client device then sends to the client device. In our experiments, 5-fold cross-validation are performed on FERET face database and obtained the accuracy of 93.21%.
論文目次 第一章 緒論 1
1.1 研究動機與目的 1
1.2 研究貢獻 3
1.3 論文架構 4
第二章 相關理論 5
2.1 類神經網路 5
2.2 自適應增強器 7
2.3 支援向量機 11
第三章 研究方法 15
3.1 區域二元模式 15
3.2 支援向量機 18
3.2.1 最佳化超平面 19
3.2.2 最佳化邊界 20
3.2.3 支援向量機分類問題 21
3.3 人臉資料庫 21
3.4 雲端計算 23
3.5 Amazon虛擬主機 26
3.6 Android開發工具 32
第四章 性別辨識系統實作 39
4.1 人臉定位模組 40
4.2 特徵值擷取模組 42
4.3 用戶端程式介面說明 43
4.3.1 個人電腦端程式介面 43
4.3.2 手機端程式介面 46
4.4 雲端計算模組 47
4.5 實驗結果 47
第五章 結論 53
5.1 系統評估與討論實驗結果 53
5.2 未來研究方向 53
參考文獻 54
附錄-英文論文 57

圖目錄
圖2-1 人臉影像前處理[12] 5
圖2-2 壓縮網路(Compression network)[12] 6
圖2-3 性別辨識網路(sex discrimination network)[12] 6
圖2 4 積分影像(Integral Image) 8
圖2-5 Rectangle features 9
圖2-6 決策層(detection cascade) 10
圖2-7 Xu等人使用的性別分類器架構 11
圖2-8 LB=0,UB=95(左);LB=0.2,UB=78(中);LB=0.5,UB=65 13
圖3-1 基本區域二元演算法 15
圖3-2 4x4子方塊影像 17
圖3-3 低維度LBP運算[8];相鄰取樣(左);對角取樣(右) 17
圖3-4 二維空間中的分群問題[9] 19
圖3-5 雲端計算服務型態 23
圖3-6 雲端平台服務供應商 25
圖3-7 AWS主控台登入畫面 26
圖3-8 新增虛擬主機 26
圖3-9 選擇虛擬主機作業系統 27
圖3-10 設定帳號金鑰 27
圖3-11 AWS控制台畫面 28
圖3-12 Android系統架構 33
圖3-13 Android SDK與AVD管理工具 34
圖3-14 建立模擬器 35
圖3-15 Android模擬器 36
圖3-16 設定新專案 37
圖3-17 專案原始碼視窗畫面 38
圖3-18 模擬器執行畫面 38
圖4-1 系統運作圖 39
圖4-2 系統方塊圖 40
圖4-3 人臉定位模組方塊圖 41
圖4-4 以Haar-like偵測人臉位置的效果 41
圖4-5 切割成8x8子方塊與特徵矩陣長條圖 42
圖4-6 特徵值擷取模組方塊圖 42
圖4-7 用戶端程式說明 44
圖4-8 PC用戶端程式執行結果 45
圖4-9 PC用戶端程式執行結果(a)女性、(b)男性 45
圖4-10 手機端程式執行畫面(a);執行結果(b) 46
圖4-11 伺服器端接收程式架構圖 47

表目錄
表1-1 相關性別辨識研究方法 3
表2-1 性別辨識分類器比較表[2] 12
表2-2 SVM Kernel Function實驗結果比較表[2] 12
表2-3 性別辨識方法比較表 14
表3-1 結合低維度LBP辨識率比較[8] 18
表3-2 FERET人臉資料庫圖檔說明 22
表3-3 Amazon虛擬主機等級 28
表4-1 調整人臉影像成96x96並切割子方塊為8x8 48
表4-2 調整人臉影像成64x64並切割子方塊為8x8 49
表4-3 調整人臉影像成32x32並切割子方塊為8x8 49
表4-4 調整人臉影像成96x96並切割子方塊為4x4 50
表4-5 調整人臉影像成64x64並切割子方塊為4x4 51
表4-6 調整人臉影像成32x32並切割子方塊為4x4 51
表4-7 在雲端主機使用支援向量機辨識性別所需的時間 52
參考文獻 [1] T. Ojala, M. Pietikainen and D. Harwood, "A comparative study of texture measures with classification based on featured distributions," Pattern Recognition, vol. 29, no. 1, pp. 51-59, 1996.
[2] B. Moghaddam and M. H. Yang, "Learning gender with support faces,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 24, no. 5, pp. 707-711, 2002.
[3] S. Baluja and H. A. Rowley, "Boosting sex identification performance," International Journal of Computer Vision, vol. 71, no. 1, pp. 111-119, 2007.
[4] P. Viola and M. Jones, "Robust real-time object detection," International Journal of Computer Vision, vol. 57, no. 2, pp. 137-154, 2002
[5] J. M. Guo, C. C. Lin and H. S. Nguyen, "Face gender recognition using improved appearance-based Average Face Difference and support vector machine," Proc. 2010 International Conference on System Science and Engineering (ICSSE), pp. 637-640, 2010.
[6] B. C. Shen, C. S. Chen and H. H. Hsu, "Fast gender recognition by using a shared-integral-image approach," Proc. IEEE International Conference on Acoustics, Speech and Signal Processing, pp. 521-524, 2009.
[7] P. J. Phillips, H. Wechsler, J. Huang and P. J. Rauss, "The FERET database and evaluation procedure for face-recognition algorithms," Image and Vision Computing, vol. 16, no. 5, pp. 295-306, 1998.
[8] Y. Fang and Z. Wang, "Improving lbp features for gender classification," Proc. International Conference on Wavelet Analysis and Pattern Recognition (ICWAPR'08), vol. 1, pp. 373-377, 2008.
[9] C. Cortes and V. Vapnik, "Support-vector networks," Machine Learning, vol. 20, no. 3, pp. 273-297, 1995.
[10] G. Shakhnarovich, P. A. Viola and B. Moghaddam, "A unified learning framework for real time face detection and classification," Proc. Fifth IEEE International Conference on Automatic Face and Gesture Recognition, pp. 14-21, 2002.
[11] C. C. Chang and C. J. Lin, "LIBSVM: a library for support vector machines," Software available at http://www.csie.ntu.edu.tw/cjlin/libsvm, 2001.
[12] B. A. Golomb, D. T. Lawrence and T. J. Sejnowski, "Sexnet: A neural network identifies sex from human faces," Advances in neural information processing systems, vol. 3, pp. 572-577, 1991.
[13] Y. Freund and R. Schapire, "A decision-theoretic generalization of on-line learning and an application to boosting," Journal of Computer and System Sciences, vol. 55, pp. 119-139, 1997.
[14] H. C. Lian and B. L. Lu, "Multi-view gender classification using local binary patterns and support vector machines," Advances in Neural Networks-ISNN 2006, pp. 202-209, 2006.
[15] W. Gao, B. Cao, S. Shan, X. Chen, D. Zhou, X. Zhang and D. Zhao, "The CAS-PEAL large-scale Chinese face database and baseline evaluations," IEEE Transactions on Systems, Man and Cybernetics, Part A: Systems and Humans, vol. 38, no. 1, pp. 149-161, 2008.
[16] Amazon Web Services, http://aws.amazon.com/
[17] Z. Xu, L. Lu and P. Shi, "A hybrid approach to gender classification from face images," Proc. 19th International Conference on Pattern Recognition (ICPR 2008), pp. 1-4, 2008.
論文使用權限
  • 同意紙本無償授權給館內讀者為學術之目的重製使用,於2011-07-20公開。
  • 同意授權瀏覽/列印電子全文服務,於2014-07-20起公開。


  • 若您有任何疑問,請與我們聯絡!
    圖書館: 請來電 (02)2621-5656 轉 2281 或 來信