A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Reconhecimento Facial Baseado em Eigenfaces e na PCA com Múltiplos Thresholds Por PAULO QUINTILIANO DA SILVA Orientador: Prof. Dr. ANTÔNIO NUNO DE CASTRO.

Apresentações semelhantes


Apresentação em tema: "Reconhecimento Facial Baseado em Eigenfaces e na PCA com Múltiplos Thresholds Por PAULO QUINTILIANO DA SILVA Orientador: Prof. Dr. ANTÔNIO NUNO DE CASTRO."— Transcrição da apresentação:

1 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 Universidade de Brasília IE – Departamento de Ciência da Computação

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 BIOMETRIABIOMETRIA 06

7 Definição Histórico Princípio do Threshold O corpo é a própria chave Aplicações Qual sistema de biometria é o melhor? Biometria 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 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 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 Implementação Linguagem Matlab, versão 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 20 Para

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,O Espaço, obtido da diferença entre as imagens originais e a face média. 24

25 Montagem da matriz A 134M2 25

26 Montagem da matriz C

27 Montagem da matriz L 134M2 27

28 Montagem da matriz V Autovetores da matriz L 28

29 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 Sejame Será mostrado queé 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

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 38 Ob.: Valores divididos por 1.0e+015

39 Resultados Obtidos Uso das 120 imagens bem iluminadas N. Auto- vetores ErrosAcertos 1º lugar Acertos 1º e 2º Acertos 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% 88,33% 94,17% 98,33% 39

40 Resultados Obtidos Uso de todas as 165 imagens N. Auto- vetores ErrosAcertos 1º lugar Acertos 1º e 2º Acertos 1º 2º 3º 0546,67%33,33%44,85%53,33% 1035,15%43,64%57,58%64,85% 2025,45%64,24%71,52%74,55% 3020,61%68,48%76,36%79,39% 5016,36%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 43 Ob.: Valores divididos por 1.0e+015

44 Resultados Obtidos Uso das 45 imagens com problemas de iluminação Simetri- zação Erros1º Lugar1º e 2º1º 2º 3º Sem 57,77% 24,44% 31,11% 42,22% Com 40,00% 42,22% 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 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 86,67% 83,33% 62,50% 13,33% 10 82,50% 75,00% 50,00% 17,50% 05 Acertos 1º 2º 3º Acertos 1º e 2º Acertos 1º lugar ErrosN. Auto- vetores 49

50 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 84,17% 68,33% 50,83% 13,33% 10 77,33% 59,16% 35,00% 17,50% 05 Acertos 1º 2º 3º Acertos 1º e 2º Acertos 1º lugar ErrosN. Auto- vetores 50

51 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 5 th PRIA - Rússia, 2000 Face Recognition Based on Eigenfaces and Symmetryzation (17 páginas) - Periódico internacional PATTERN RECOGNITION AND IMAGE ANALYSIS - Rússia,

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/

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/


Carregar ppt "Reconhecimento Facial Baseado em Eigenfaces e na PCA com Múltiplos Thresholds Por PAULO QUINTILIANO DA SILVA Orientador: Prof. Dr. ANTÔNIO NUNO DE CASTRO."

Apresentações semelhantes


Anúncios Google