La vitrine de diffusion des mémoires et thèses de l'ÉTS
RECHERCHER

Réalisation de classificateurs neuroniques pour la reconnaissance à basse puissance de visages dans des séquences vidéo

Prieur, Donavan (2012). Réalisation de classificateurs neuroniques pour la reconnaissance à basse puissance de visages dans des séquences vidéo. Mémoire de maîtrise électronique, Montréal, École de technologie supérieure.

[img]
Prévisualisation
PDF
Télécharger (1MB) | Prévisualisation
[img]
Prévisualisation
PDF
Télécharger (648kB) | Prévisualisation

Résumé

La biométrie a été proposée comme solution à la multiplication des codes et mots de passe nécessaire pour sécuriser du matériel électronique mobile. Dans cet ouvrage, une technique pour la réalisation d’un système de reconnaissance de visages dans des séquences vidéo à faible consommation d’énergie est proposée et sa performance dans trois implémentations matérielles est évaluée. Cette technique est basée sur l’entrainement de classificateurs neuroniques de type fuzzy ARTMAP à l’aide d’une stratégie d’apprentissage optimisant simultanément les hyperparamètres, la valeur des poids synaptiques et la structure des réseaux de neurones avec un algorithme d’optimisation multiobjective par essaims de particules.

Trois processeurs commercialement offerts ont été retenus pour évaluer la performance de l’implémentation matérielle du système de reconnaissance. Ce sont le Core i3-530 d’Intel, l’Atom N270 lui aussi d’Intel et le Vocallo MGW de la compagnie Octasic. La qualité des prédictions d’identité, l’espace mémoire utilisé, le temps de traitement ainsi que la consommation d’énergie ont été évalués à l’aide de la base de données vidéo IIT-CNRC.

Les résultats ont montré que le temps passé par les noeuds de calcul du processeur Vocallo MGW à communiquer entre eux est négligeable comparativement au temps de traitement total. Il est possible d’estimer la qualité des prédictions du réseau de neurones fuzzy ARTMAP entrainé avec la stratégie d’apprentissage OMOEP en fonction du nombre de caractéristiques retenues dans les motifs d’entrée à l’aide d’un classificateur de type « plus proche voisin ». La croissance exponentielle de la taille des réseaux de neurones en fonction du nombre de caractéristiques présentes dans les motifs d’entrée favorise l’utilisation du plus petit nombre de caractéristiques possible. Finalement, l’utilisation de l’algorithme fuzzy ARTMAP entrainé avec une stratégie OMOEP permet de trouver le meilleur compromis entre la qualité de prédiction et la quantité de ressources utilisées. Cette solution couplée avec un processeur parallèle de basse puissance permet d’obtenir une faible consommation d’énergie tout en maintenant un taux de classification intéressant et un temps de traitement proche du temps réel.

Résumé traduit

Biometrics have been suggested as a solution to the multiplication of codes and passwords necessary to secure mobile electronic devices. In this document, a technique for the realisation of a low-power video-based facial recognition system is proposed and the performance of three hardware implementations is evaluated. For an efficient implementation, the training of fuzzy ARTMAP neural classifiers with a training strategy to simultaneously optimize the hyper-parameters, the synaptic weight values and the neural configuration of the networks through multi-objective particle swarm optimization.

Three commercially available processors have been selected to measure the performance of hardware implementation of the system. They are the Core i3-530 from Intel, the Atom N270 also from Intel and the Vocallo MGW from Octasic. The quality of the identity predictions, the memory usage, the processing time and the energy consumption has been evaluated using the IIT-CNRC video database.

Results have shown that the time spent communicating between processing cores is negligible compared to the time spent calculating the identity predictions when using the Vocallo MGW. It is possible to estimate the classification rate of a fuzzy ARTMAP neural classifier trained with the MOPSO training technique for a given numbers of characteristics kept in the input patterns by using a nearest neighbor type classifier. The exponential growth of the network’s memory usage when more characteristics are kept suggests using the least amount of characteristics possible. Finally, the use of the fuzzy ARTMAP neural classifier trained with the MOPSO strategy allows finding the best trade-off between the quality of the predictions made and the amount of resources used. This solution paired to a multi-core low power processor provides low energy consumption while maintaining a good classification rate and a processing time close to real-time.

Type de document: Mémoire ou thèse (Mémoire de maîtrise électronique)
Renseignements supplémentaires: "Mémoire présenté à l'École de technologie supérieure comme exigence partielle à l'obtention de la maîtrise en génie de la production automatisée". Bibliogr. : f. [85]-90.
Mots-clés libres: Reconnaissance des visages (Informatique). Biométrie. Vidéo, parallèle, basse puissance, fuzzy ARTMAP, essaim de particules, multiobjectif, biométrie
Directeur de mémoire/thèse:
Directeur de mémoire/thèse
Granger, Éric
Co-directeurs de mémoire/thèse:
Co-directeurs de mémoire/thèse
Thibeault, Claude
Programme: Maîtrise en ingénierie > Génie de la production automatisée
Date de dépôt: 15 août 2012 15:10
Dernière modification: 07 mars 2017 20:54
URI: http://espace.etsmtl.ca/id/eprint/1023

Actions (Identification requise)

Dernière vérification avant le dépôt Dernière vérification avant le dépôt

Statistique

Plus de statistique...