Vis enkel innførsel

dc.contributor.advisorAmirshahi, Seyed Ali
dc.contributor.authorDemloj, Walid
dc.contributor.authorGrosberghaugen, Kjetil
dc.contributor.authorSkattum, Julian Nyland
dc.contributor.authorTaralrud, Hans Petter Fauchald
dc.date.accessioned2021-09-28T17:20:54Z
dc.date.available2021-09-28T17:20:54Z
dc.date.issued2021
dc.identifierno.ntnu:inspera:77257183:82670339
dc.identifier.urihttps://hdl.handle.net/11250/2784237
dc.description.abstractYtelsen på ansiktgjenkjenningssystmer er avhengig av kvaliteten på bildene for å kunne teste og trene disse systemene. For å automatisk vurdere kvaliteten på ansiktsbilder blir Face Image Quality Metrics (FIQMs) benyttet. Slike kvalitetsmetrikker gir objektive resultater som korresponderer med hvor synlig ansiktet i et bilde er. I dette prosjektet introduserer vi en webapplikasjon som regner ut slike objektive resultater med to moderne FIQMs. For å vurdere nøyaktigheten på disse metrikkene, samlet vi inn subjektive data fra eksperter og ikke-eksperter på tre forskjellige dataset. Vi samlet også inn et nytt dataset med ansiktsbilder som vi mener er overlegent i forhold til andre nåværende dataset. Denne overlegenheten er med tanke på antall bilder, type forvregninger bildene er påvirket av og hvordan bildet er tatt (bilder med ansiktsmasker og bilder med skrå vinkler). Resultatene viser at de objektive resultatene regnet ut av de to kvalitetsmetrikkene har lav til moderat korrelasjon med de subjektive resultatene samlet inn via subjektive eksperimenter.
dc.description.abstractThe performance of face recognition systems are dependent on the quality of images used for their training and testing. To automatically evaluate the quality of facial images, Face Image Quality Metrics (FIQMs) are used. Such metrics provide an objective score which corresponds to how well the face is visible. In this project we introduce a web application which is able to calculate such objective scores for two different state-of-the-art FIQMs. To evaluate the accuracy of the mentioned FIQMs we collected subjective scores from expert and non-expert observers for three different available datasets of facial images. Further on we also collected a new facial image dataset which we believe is superior to current public datasets. This superiority is with regards to the number of images provided, the type of distortions the images are affected by, and also the nature of the images themselves (images with face covering by masks and images taken at an oblique angle). Our results show that the objective scores calculated by the two FIQMs have a low to moderate correlation with the subjective scores we have collected in our subjective experiments.
dc.languageeng
dc.publisherNTNU
dc.titleFace Image Quality Assessment
dc.typeBachelor thesis


Tilhørende fil(er)

Thumbnail

Denne innførselen finnes i følgende samling(er)

Vis enkel innførsel