Multiklassen-Lernalgorithmen zur Unterscheidung lokaler Gesichtsmerkmale
Im Rahmen einer Diplomarbeit soll ein leistungsfähiges Verfahren zur Klassifikation sogenannter „Interestpoints“ implementiert und mit existierenden Ansätzen verglichen werden. Dabei ist das Ziel, die lokale Erscheinung von Gesichtsmerkmalen wie Mundwinkeln, Augenwinkeln, Nasenflügeln, etc. aus einem Trainingsdatensatz zu lernen. Ein Multiklassen-Ansatz soll dazu herangezogen werden, die spezifischen Unterschiede zwischen den verschiedenen Gesichtsregionen effizienter auszunutzen, als es bei der Anwendung einer Liste aus binären Klassifikatoren möglich ist.
Neben der Wahl des Klassifikationsalgorithmus spielt die Wahl geeigneter Merkmale eine große Rolle für die Unterscheidbarkeit lokaler Bildregionen. Neben der direkten Verwendung der Bildinformation soll daher die Beschreibung lokaler Regionen basierend auf DCT- oder ART-Koeffizienten zur Klassifikation herangezogen werden.
Betreuer: Dr.-Ing. Mark Asbach