Facial Soft Biometrics: Extracting demographic traits

BEKHOUCHE, Salah Eddine (2017) Facial Soft Biometrics: Extracting demographic traits. Doctoral thesis, Faculté des sciences et technologies.

Preview

Text these-45-2017.pdf Download (24MB) | Preview

Abstract

الملخص: القياسات الحيوية الناعمة موضوع جذب الكثير من الاهتمام مؤخرا نظرا لقدرتها على تحسين نظم القياسات الحيوية، للقياسات الحيوية الناعمة الكثير من الصفات التي يمكن استخدامها في القياسات الحيوية. مجموعة من هاته الصفات هي الأكثر شعبية بين الصفات الأخرى، وهذه الصفات تسمى الصفات الديموغرافية (أي العمر والجنس والعرق)، وهاته الاخيرة تنتمي إلى الصفات الحيوية الناعمة الوجهية. وقد ظهرت مؤخرا عدة تطبيقات تستغل الخصائص الديمغرافية. وتشمل هذه التطبيقات التحكم في الوصول، وإعادة التحقق في أشرطة الفيديو المراقبة، وسلامة صور الوجه في وسائل الاعلام الاجتماعية، والإعلان الذكي، التفاعل بين الانسان والحاسوب، والقانون. في هذه الأطروحة، يتم دراسة التقدير الديموغرافي للوجه من خلال صور الوجه. بدءا من التقنيات والنهج الحالية مثل النهج القائم على التعلم العميق، والنهج القائمة على الصورة، والنهج القائمة على القياسات البشرية. كما يتم دراسة قواعد البيانات المستخدمة لتقدير العمر أو تصنيف الجنس أو التصنيف العرقي. وعلاوة على ذلك، يتم ذكر شروط التقييم المختلفة. وفي الأخير نذكر النهج المقترحة ونتائجها على مختلف القواعد البيانية المعروفة. ويتألف النهج المقترح من المراحل الرئيسية الثلاث التالية: 1) محاذاة ومعالجة الوجه؛ 2) بناء الهرم التمثيلي متعدد المستويات للوجه الذي يتم من خلاله استخراج الميزات المحلية؛ 3) تغذية الميزات التي تم الحصول عليها من التسلسل الهرمي الى مقدر من ثلاث طبقات. الغرض من محاذاة الوجه هو تحديد مكان الوجه في الصور، وتصحيح الوضع ثنائي او ثلاثي الابعاد لكل وجه للحصول على المنطقة ذات الاهتمام وقصها. مرحلة المعالجة المسبقة مهمة لاعتماد المراحل التالية عليها لأنها تؤثر على أداء النظام بصورة كبيرة. مرحلة التجهيز يمكن أن تكون تحديا لأنه ينبغي التغلب على العديد من الاختلافات التي قد تظهر في صورة الوجه. مرحلة استخراج واختيار خصائص الوجه، هاته الخصائص يمكن استخراجها اما بطريقة كلية او محلية بعدها تنقح لتبقى الميزات المهمة. المرحلة الأخيرة هي تصنيف الديموغرافي حيث نبدأ بتصنيف العرق وبناء على ذلك نصنف الجنس وبناء على العرق والجنس المصنفين نقدر السن. وأخيرا، نذكر النتائج التي تم الحصول عليها باستخدام قواعد بيانات مختلفة، النتائج كانت مستقرة وجيدة مقارنة مع النهج المعروفة، ايضا النهج المقترح مناسب للتطبيقات في الوقت الفعلي. ABSTRACT : Soft biometrics topic attracted a lot of attention recently due to its ability to improve biometrics systems. It has a lot of traits which can be used in biometrics. Some of these traits is most popular among the other traits. These traits are called demographic traits (ie. age, gender, and ethnicity). It belongs to facial soft biometrics traits. Recently, several applications that exploit demographic attributes have emerged. These applications include : access control, reidentification in surveillance videos, integrity of face images in social media, intelligent advertising, human-computer interaction, and law enforcement. In this dissertation, facial demographic estimation through facial images is studied. Starting with the existing techniques like Deep Learning-based approaches, Image-Based approaches, and Anthropometrics-based approaches. Also, the databases used for age estimation, gender classification or ethnicity classification are exploited. Moreover, the different evaluation terms are mentioned. Ending with the proposed approach and the results on different databases. The proposed approach consists of the following three main stages: 1) face alignment and preprocessing; 2) feature extraction and selection; 3) demographic estimation. The purpose of face alignment is to localize faces in images, rectify the 2D or 3D pose of each face and crop the region of interest. This preprocessing stage is important since the subsequent stages depend on it and since it can affect the final performance of the system. The processing stage can be challenging since it should overcome many variations that may appear in the face image. Feature extraction and selection stage extract the face features. These features are extracted either by a holistic method or by a local method. The extracted features are then selected using a supervised feature selection method in order to omit possible irrelevant features. In the last stage, we propose to feed the obtained features to a hierarchical estimator having three layers where we firstly classify the ethnicity and the gender then we estimate the age. Finally, the obtained results using different databases was stable and good compared with the state of the art methods. The proposed approach is also suited for real-time applications.

Actions (login required)

View Item