Universidade de Brasília

Apresentação em tema: "Universidade de Brasília"— Transcrição da apresentação:

1 Universidade de Brasília
IE – Departamento de Ciência da Computação Reconhecimento Facial Baseado em Eigenfaces e na PCA com Múltiplos Thresholds Por PAULO QUINTILIANO DA SILVA Orientador: Prof. Dr. ANTÔNIO NUNO DE CASTRO SANTA ROSA

2 Papel do Reconhecimento Facial
O relacionamento entre as pessoas está baseado no Reconhecimento Facial 02

3 Histórico do Reconhecimento Facial
Em 1878, Sir Francis Galton escreveu artigo apresentando a sua Composite Portraiture 03

4 A idéia de comparação de medidas de Galton é utilizada em pesquisas atuais na Ciência da Computação
04

5 Objetivos deste trabalho
Modelo de Reconhecimento Facial, baseado na PCA e nas eigenfaces Projeção da face questionada no espaço de faces O Reconhecimento Facial é determinado pela mínima distância euclideana dentro do threshold de uma classe 05

6 BIOMETRIA 06

7 Princípio do Threshold O corpo é a própria chave Aplicações
Biometria Definição Histórico Princípio do Threshold O corpo é a própria chave Aplicações Qual sistema de biometria é o melhor? 07

8 Reconhec. Facial na Psicologia Níveis do reconhecimento da face:
Reconhecimento em nível de entrada; e Reconhecimento do em nível subordinado O cérebro tem regiões específicas para o Reconhecimento Facial 08

9 Etapas do Reconhecimento Facial Representação Facial Template-based
Feature-based Appearance-based Detecção Facial Reconhecimento Facial 09

10 Fatores que interferem no desempenho do RF Expressões Faciais
Iluminação inadequada Disfarces Escala Posição da Face 10

11 Iluminação inadequada
Expressões Faciais Iluminação inadequada 11

12 Disfarces Escala 12

13 Posição da Face 13

14 Técnicas Utilizadas no RFA Uso das Características Geométricas da Face
Uso de templates Redes Neurais Artificiais Hidden Markov Models Eigenfaces 14

15 Banco de Dados de Faces utilizado para avaliação
Banco de Dados de Faces utilizado para avaliação The Yale Face DataBase 15 classes 11 imagens p/classe: centerlight, withglasses, happy, leftlight, noglasses, normal, rightlight, sad, sleepy, surprised e wink 15

16 Banco de Dados de Faces 16

17 Modelo Proposto para o Reconhe- cimento Facial Automático
Baseia-se na PCA e nas eigenfaces, autovalores e autovetores. projeção da face questionada no espaço das eigenfaces. Encontra a distância euclideana mínima dentro do threshold de uma classe 17

18 Linguagem Matlab, versão 5.0 10 mil linhas de fonte
Implementação Linguagem Matlab, versão 5.0 10 mil linhas de fonte Todas as imagens são submetidas aos algoritmos Compaq Presario 5170, PII-350 MHz, 128 MB RAM 30 minutos para a execução 18

19 Detecção Facial utilizada
Grande intervenção Manual 19

20 Autovalores e Autovetores
Autovalores  de W Autovetores de W Para 20

21 As M imagens de faces são convertidas em vetores coluna
Calcula-se a Face Média 21

22 Face Média 22

23 23

24 Novo conjunto de imagens,
Novo conjunto de imagens, “O Espaço ”, obtido da diferença entre as imagens originais e a face média. 24

25 Montagem da matriz A 1 2 3 4 M 25

26 Montagem da matriz C 1 2 3 4 26

27 Montagem da matriz L 1 2 3 4 M 27

28 Autovetores da matriz L
Montagem da matriz V Autovetores da matriz L 28

29 Autovetores da matriz C
Montagem da matriz U Autovetores da matriz C 29

30 Cálculo dos Autovetores de C
30

31 Cálculo dos Autovetores de C
31

32 Cálculo dos Autovetores de C
Sejam e Será mostrado que é verdadeira. 32

33 Cálculo dos Autovetores de C
Colocando-se em evidência os escalares d, teremos: Logo: 33

34 Treinamento do modelo de RF
Imagens usadas: withglasses, happy, noglasses e sleepy. 34

35 Representação das faces a partir das eigenfaces
2, 5, 10, 20, 30 e 50 maiores autovalores. Autovalores de 2, de 5, de 10, de 20, de 30 e de 50 até 128. 35

36 Reconhecimento de faces a partir das eigenfaces
Cálculo da distância euclideana 36

37 Cálculos dos thresholds
Foram usados fatores k de 1 a 10 Uso dos autovetores com os maiores autovalores Corte hard. Usando-se apenas os 5, 10, 20, 30 e 50 maiores autovalores 37

38 Tabela dos thresholds Ob.: Valores divididos por 1.0e+015 38

39 Uso das 120 imagens bem iluminadas
Resultados Obtidos Uso das 120 imagens bem iluminadas N. Auto-vetores Erros Acertos 1º lugar 1º e 2º 1º 2º 3º 05 23,22% 49,17% 64,17% 76,67% 10 11,67% 63,33% 77,50% 88,33% 20 6,67% 81,67% 89,17% 93,33% 30 3,33% 87,50% 92,50% 96,67% 50 1,67% 94,17% 98,33% 39

40 Resultados Obtidos Uso de todas as 165 imagens N. Auto-vetores Erros
Acertos 1º lugar 1º e 2º 1º 2º 3º 05 46,67% 33,33% 44,85% 53,33% 10 35,15% 43,64% 57,58% 64,85% 20 25,45% 64,24% 71,52% 74,55% 30 20,61% 68,48% 76,36% 79,39% 50 16,36% 72,12% 76,97% 83,64% 40

41 Técnicas de Simetrização
Melhora as condições de iluminação e a performance do algoritmo Pode também ser usado em: Imagens de faces semi-oclusas Imagens de faces em perfil 41

42 Técnicas de Simetrização
Simples (>=2/3) Média com a inversa (< 2/3) 42

43 Resultados da aplicação da Simetrização
Ob.: Valores divididos por 1.0e+015 43

44 Uso das 45 imagens com problemas de iluminação
Resultados Obtidos Uso das 45 imagens com problemas de iluminação Simetri- zação Erros 1º Lugar 1º e 2º 1º 2º 3º Sem 57,77% 24,44% 31,11% 42,22% Com 40,00% 46,66% 60,00% 44

45 Expansão das Eigenfaces em Eigenmouth e Eigennose
45

46 Expansão das Eigenfaces em Eigenmouth e Eigennose
46

47 Expansão das Eigenfaces em Eigeneyes (um olho)
47

48 Expansão das Eigenfaces em Eigeneyes (dois olhos)
48

49 Eigenmouth e eigennose (120 imagens)
Resultados Obtidos Eigenmouth e eigennose (120 imagens) 85,00% 80,83% 69,17% 15,00% 50 86,67% 80,00% 66,67% 13,33% 30 85,83% 83,33% 65,00% 14,16% 20 62,50% 10 82,50% 75,00% 50,00% 17,50% 05 Acertos 1º 2º 3º 1º e 2º 1º lugar Erros N. Auto-vetores 49

50 Eigeneye esquerdo (120 imagens)
Resultados Obtidos Eigeneye esquerdo (120 imagens) 87,50% 86,66% 80,83% 15,00% 50 84,17% 80,00% 74,17% 13,33% 30 83,33% 77,50% 66,66% 14,16% 20 68,33% 50,83% 10 77,33% 59,16% 35,00% 17,50% 05 Acertos 1º 2º 3º 1º e 2º 1º lugar Erros N. Auto-vetores 50

51 Simetrização e Eigenfeatures
Conclusão O modelo é robusto no tratamento de imagens de faces bem iluminadas e com expressões faciais diversas Dispensa considerações da geometria da face e distância entre os órgãos faciais É sensível no tratamento de imagens obtidas em condições não controladas Simetrização e Eigenfeatures 51

52 Publicações em Congressos e Periódicos Internacionais
“Pratical Procedures to Improve Face Recognition Based on Eigenfaces and Principal Component Analysis” (5 páginas) - Proceedings of 5th PRIA - Rússia, 2000 “Face Recognition Based on Eigenfaces and Symmetryzation” (17 páginas) - Periódico internacional PATTERN RECOGNITION AND IMAGE ANALYSIS - Rússia, 2001 52

53 Apresentação de Artigos em Congressos Internacionais
“Face Recognition Based on Eigenfaces with Multiple Thresholds” (8 páginas) - SPIE, San Jose/EUA, janeiro/2001 “Face Recognition Based on Eigeneyes, Eigennose, Eigenmouth and Eigenfaces” (9 páginas) - EVOIASP2001, Milan/Itália, abril/2001 53

54 Apresentação de Artigos em Congressos Internacionais
“Face Recognition Working with Half-Occluded Face Images Based on Eigenmouth, Eigennose and Eigeneyes with Multiple Thresholds” - Boston/EUA, outubro/2001 54