Personenidentifizierung anhand von Fußabdruckverläufen.
Posted: Wed 1. Mar 2017, 17:58
Sehr geehrter Herr Jetter,
Ich würde mich sehr freuen wenn Sie mir einige Anregungen auf meine Problemstellung liefern könnten.
Problemstellung :
Personenidentifizierung anhand von Fußabdruckverläufen.
Hierfür besitze ich mehrere Datensätze von etwa 20 Personen. Das überwachte lernen soll angewendet werden.
Struktur der Datensätze:
Ein Datensatz repräsentiert einen zeitvarianten Fußabdruckverlauf für eine Person und besteht aus mehreren „Bildern (b1-n)“ und des zugehörigen Ausgabevektors (Entsprechend der Person).
Ein „Bild“ besteht aus 480 Pixeln (p1-480) die matrixförmig angeordnet sind. Hierbei enthält jeder Pixel des Bildes den Druck den der Fuß auf diesen Pixel ausübt (Der Wertebereich liegt hierbei bei 0-255). Dieser Wertebereich wurde jedoch skaliert auf 0-1.
Versuchsdurchführungen:
Einige Versuche mit normalen feed forward Netzen wurden bereits durchgeführt, hierbei wurde jeder Datensatz (zeitvarianter Fußabdruckverlauf b1-n) ab dem fünften Bild abgetrennt.
Somit wurden nur jeweils fünf Bilder (b1-5) pro Person in das Neuronale Netz eingespeist.
Das Neuronale Netz hatte hierbei folgende form
Inputneuronen:
Aktivierungsfunktion Identität (Identical)
Neuronenanzahl 2400 ( 5 Bilder * 480 Pixel )
Hiddenneuronen:
Aktivierungsfunktion Logistic
Neuronenanzahl 100
Outputneuronen:
Aktivierungsfunktion Identität (Identical)
Neuronenanzahl 2 ( Zu erst wollte ich versuchen nur zwei Personen voneinander zu unterscheiden)
Leider erbrachte dies jedoch keinen guten Ergebnisse der Net Error Graph verlief zwar gegen Null jedoch war die Testphase viel zu ungenau.
Meine Vermutung liegt das einfache feed forward Netze Probleme mit zeitvarianten Datensätzen haben.
Welche Systeme könnte ich für zeitvariante Datensätze einsetzen?
Haben Sie Ideen für mögliche Filter die ich auf diese Datensätze anwenden könnte um bessere Ergebnisse zu erhalten?
Für jede Art von Anregung wäre ich sehr erfreut.
Mit freundlichen Grüßen
Michael Grzesik
Ich würde mich sehr freuen wenn Sie mir einige Anregungen auf meine Problemstellung liefern könnten.
Problemstellung :
Personenidentifizierung anhand von Fußabdruckverläufen.
Hierfür besitze ich mehrere Datensätze von etwa 20 Personen. Das überwachte lernen soll angewendet werden.
Struktur der Datensätze:
Ein Datensatz repräsentiert einen zeitvarianten Fußabdruckverlauf für eine Person und besteht aus mehreren „Bildern (b1-n)“ und des zugehörigen Ausgabevektors (Entsprechend der Person).
Ein „Bild“ besteht aus 480 Pixeln (p1-480) die matrixförmig angeordnet sind. Hierbei enthält jeder Pixel des Bildes den Druck den der Fuß auf diesen Pixel ausübt (Der Wertebereich liegt hierbei bei 0-255). Dieser Wertebereich wurde jedoch skaliert auf 0-1.
Versuchsdurchführungen:
Einige Versuche mit normalen feed forward Netzen wurden bereits durchgeführt, hierbei wurde jeder Datensatz (zeitvarianter Fußabdruckverlauf b1-n) ab dem fünften Bild abgetrennt.
Somit wurden nur jeweils fünf Bilder (b1-5) pro Person in das Neuronale Netz eingespeist.
Das Neuronale Netz hatte hierbei folgende form
Inputneuronen:
Aktivierungsfunktion Identität (Identical)
Neuronenanzahl 2400 ( 5 Bilder * 480 Pixel )
Hiddenneuronen:
Aktivierungsfunktion Logistic
Neuronenanzahl 100
Outputneuronen:
Aktivierungsfunktion Identität (Identical)
Neuronenanzahl 2 ( Zu erst wollte ich versuchen nur zwei Personen voneinander zu unterscheiden)
Leider erbrachte dies jedoch keinen guten Ergebnisse der Net Error Graph verlief zwar gegen Null jedoch war die Testphase viel zu ungenau.
Meine Vermutung liegt das einfache feed forward Netze Probleme mit zeitvarianten Datensätzen haben.
Welche Systeme könnte ich für zeitvariante Datensätze einsetzen?
Haben Sie Ideen für mögliche Filter die ich auf diese Datensätze anwenden könnte um bessere Ergebnisse zu erhalten?
Für jede Art von Anregung wäre ich sehr erfreut.
Mit freundlichen Grüßen
Michael Grzesik