A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Elizabeth Duane Santos da Costa Visão Computacional – 1º/2010 PPGCC – Universidade Federal de Minas Gerais 17 de Junho de 2010.

Apresentações semelhantes


Apresentação em tema: "Elizabeth Duane Santos da Costa Visão Computacional – 1º/2010 PPGCC – Universidade Federal de Minas Gerais 17 de Junho de 2010."— Transcrição da apresentação:

1 Elizabeth Duane Santos da Costa Visão Computacional – 1º/2010 PPGCC – Universidade Federal de Minas Gerais 17 de Junho de 2010

2 Classificação de Expressões Faciais Interação humano-computador Estudos na área psicologia, medicina Interesses comerciais Características Desejáveis Rápido Simples Precisão invariante aos ambientes 2

3 Dificuldades: Pouca expressividade e Similaridade 3

4 Dificuldades Classificação é confusa até entre os seres humanos 4

5 6 Expressões básicas e Face Neutra Neutro Alegria Tristeza Medo Desgosto RaivaSurpresa 5

6 Características Locais Pontos de interesse Detecção de olhos, boca, sobrancelha Posição e relação entre distâncias do rosto Métodos mais complexo Características Globais Face inteira Filtros e outras técnicas para representar a face e normalmente tem uma fase de aprendizado Possíveis Técnicas Aprendizado Template Matching 6

7 Classificar uma determinada imagem de acordo com as classes de expressões definidas 7

8 Sorci, M., Antonini, G., Cruz, J., Robin, T., Bierlaire, M., & Thiran, J. P. Modelling human perception of static facial expressions. Image and Vision Computing, Lee B., Chun J., Park P. Classification of Facial Expression Using SVM for Emotion Care Service System, ACIS International Conference on, pp. 8-12, 2008 Ninth ACIS International Conference on Software Engineering, Artificial Intelligence, Networking, and Parallel/Distributed Computing, 2008 M. Turk and A. Pentland, Eigenfaces for Recognition, Journal of Cognitive Neuroscience,vol. 3, no. 1, pp ,

9 SVM (Support Vector Machine) Aprendizagem Supervisionada Matriz de treinamento onde cada coluna representa uma característica e cada linha uma instância de treinamento Vetor de resposta que classifica cada linha em uma determinada classe Uma forma de regressão para ajustar os dados de treinamento de acordo com a classe do vetor de resposta 9

10 Autovetores de um conjunto de imagens de face Imagens normalizadas pela diferença da média Autovetores são derivados da matriz de co- variância das imagens normalizadas Os autovetores mais representativos (de maior auto valor) são usados para a tarefa em questão. 10

11 11

12 Pré - Processamento: Detecção da Face: HaarCascade (OpenCv) Ajuste da Dimensão e Filtro Gaussiano SVM Treinamento do SVM Para cada expressão Classificação para cada grupo treinado Eigenface Cálculo dos Eigenfaces Cálculo de Similaridade - Distância Euclidiana 12

13 Pré - Processamento: Detecção da Face Ajuste da Dimensão e Filtro Gaussiano Eingenface: 100 x x 256 SVM: 50 x 50 13

14 SVM Vetorização das imagens e montagem da matriz de treinamento Treinamento por expressão Expressão treinada (1) X todas outras expressões(0) 7 treinamentos Classificação Imagem de teste é comparada para cada um dos SVM treinados e verifica-se em qual expressão foi classificada; 14

15 Eigenfaces Vetorização das imagens de treinamento; Redução da dimensão com PCA; Componentes principais (autovetor com maior autovalor); Projeção das imagens de treinamento e teste (representação em termos de componentes principais); Distância euclidiana entre a projeção das imagens de teste e das imagens de treino; Menor distância é escolhida; A imagem de teste estará no mesmo grupo da imagem de treino que obteve menor distância 15

16 Banco de Dados – JAFFE (Japanese Female Facial Expressions) 213 imagens de 7 expressões faciais (6 expressões básicas + normal) referentes a 10 modelos japonesas. 16

17 Imagens para o experimento 143 imagens para Treinamento 69 imagens para Teste SVM Não Reconheceu Tristeza e Surpresa Taxa de Acerto Geral: 11% Dupla classificação: 26% Razões Entrada dos dados? Falta de extração de características? Metodologia de treinamento ineficiente? 17

18 Eigenface Taxa de Acerto Geral: 72% ExpressãoTaxa de Acerto Alegria40% Desgosto80% Medo90% Neutro70% Raiva80% Surpreso80% Tristeza60% 18

19 SVM Não obteve bons resultados para o experimento proposto Eigenface Rápido Simples Taxa de classificação aceitável 19

20 SVM com Eigenface Outros métodos de Aprendizagem Banco de Dados Variação da Face Sequência de Imagens Aprendizado Online – Novas Faces e Expressões Características Globais e Locais 20

21 21

22 Rosário, S.V.P.G., Facial Emoticons:Reprodução de Informação associada a expressões faciais por via do seu reconhecimento. Dissertação. Mestre em Engenharia Informática e de Computadores. Instituto Superior Técnico. Universidade Técnica de Lisboa, B. Fasel, J. Luettin, Automatic facial expression analysis: a survey, Pattern Recognition 36 (2003) R. Gottumukkal and V.K. Asari, An improved face recognition technique based on modular PCA approach, Pattern Recogn. Lett. 25 (2004) M. Pantic and L.J.M. Rothkrantz. Expert system for automatic analysis of facial expression. In Image and vision computing J., volume 18, pages 881–905,


Carregar ppt "Elizabeth Duane Santos da Costa Visão Computacional – 1º/2010 PPGCC – Universidade Federal de Minas Gerais 17 de Junho de 2010."

Apresentações semelhantes


Anúncios Google