A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Reconhecimento Facial usando SVM

Apresentações semelhantes


Apresentação em tema: "Reconhecimento Facial usando SVM"— Transcrição da apresentação:

1 Reconhecimento Facial usando SVM
Vinícius Lopes Rodrigues

2 Introdução É o processo que a partir de uma imagem ou um vídeo de uma cena, identificar ou verificar uma ou mais pessoas na cena usando um banco de dados de faces Essa identificação pode ser dificultada por diversos fatores, tais como: Diferenças de luminosidade Adornos: Óculos, maquiagem Posicionamento Barba, bigode, cabelo Expressões Faciais

3 Introdução

4 Motivação Utilização: Uso policial Sistemas biométricos de segurança
Verificação da validade de documentos

5 Objetivo Desenvolver um modelo, que dentro de um grupo de pessoas, seja capaz de identificar uma pessoa dada sua fotografia.

6 Modelagem De acordo com Qiao et al. (2004), SVM apresenta melhores resultados para o reconhecimento facial do que outras abordagens de aprendizado de máquina

7 Modelagem Corpus: Existem inúmeros bancos de dados de imagens de faces
Utilizado: Face Recognition Data, University of Essex, UK 20 fotos de 153 indivíduos diferentes, 180 x 200 pixels

8 Modelagem Duas abordagens distintas são discutidas na literatura:
Análise de Componentes Faciais: Análise Global

9 Modelagem 1º passo: Binarização da imagem

10 Modelagem 2º passo: Extração de componentes (manual):

11 Modelagem 3º passo: obtenção de features:
A cada 64 bits do mapa de bits, forma-se um número, que é uma feature

12 Modelagem Cada pessoa a ser testada é uma classe
Cada foto de uma pessoa é um exemplo ≈ 53 features Foi utilizado o LibSVM para a execução do modelo

13 Resultados e Conclusões
Primeiro modelo feito com 6 pessoas diferentes, 15 exemplos e 5 casos de teste por pessoa Resultado não satisfatório, máxima eficácia alcançada 75% com o kernel linear Quanto maior o número de classes, pior era a eficácia

14 Resultados e Conclusões
Possíveis motivos do baixo rendimento: Componentização manual não satisfatória Componentes de pessoas diferentes podem ter tamanhos diferentes Ausência de features não baseadas na imagem

15 Modelagem 2ª tentativa: Abordagem global:
Mudança na estração de features: Redução da Imagem para 64 X 73 Cada linha é transformada num inteiro Normalizada para ser um valor real entre -10 e 10 Todos exemplos ficam com exatamente 73 features

16 Resultados e Conclusões
Resultados bem mais satisfatórios: Taxa de acerto chega a 98% com o kernel linear Taxa de acerto não altera significativamente com o aumento do número de classes Modelo com 8 pessoas, 12 exemplos de treinamento e 8 para testes

17 Resultados e Conclusões
Kernel % (eficácia) Linear 98,4375 Polinomial (d) 2 93,7500 3 84,3750 4 73,4375 5 70,3125 6 68,7500 7 65,6250 8 64,0625 9 59,3750 10

18 Resultados e Conclusões
Kernel % (eficácia) RBF (γ) 1 34,3750 2 32,8125 3 4 42,1850 5 40,6250 6 43,7500 7 42,1875 8 39,0625 9 10 37,5000 11 12 13 35,9375

19 Resultados e Conclusões
Porém... O modelo lida apenas com um número fixo de pessoas Resultados imprevisíveis quando são testadas fotos de outras pessoas

20 Modelagem Novo modelo retorna um valor para pessoas “não reconhecidas”
Criação de uma nova classe: “estranho” São usados exemplos de diferentes pessoas para essa classe Nos testes, devem ser considerados “estranhos”, fotos dos indivíduos usados como exemplos e outros ainda não vistos pelo sistema

21 Resultados e Conclusões
Foram utilizados 8 indivíduos conhecidos, com 12 exemplos e 8 casos de teste Classe “Estranhos” com 24 fotos de 14 indivíduos escolhidos aleatoriamente 36 Casos de teste

22 Resultados e Conclusões
Taxa de acerto total: 77 % Taxa de acertos entre pessoas conhecidas do sistema: 95% Taxa de acertos entre os indivíduos estranhos: 44% Taxa de erros entre pessoas conhecidas do sistema: 2% Conhecidos identificados como estranhos: 3 % Estranhos identificados como conhecidos: 56 %

23 Modelagem Tentando melhorar: Utilizando técnica um contra todos
Para cada pessoa conhecida, é definida um modelo onde os seus exemplos tem valor 1 e os dos outros tem valor -1 No teste, cada caso deve ser testado em todos os modelos gerados. Caso ele seja 1 em apenas um modelo, ele é reconhecido como a pessoa associada a esse modelo

24 Modelagem Caso ele seja -1 em todos os modelos, ele é considerado estranho Caso tenha mais de um modelo que ele seja 1, ele é desempatado com o modelo mostrado anteriormente

25 Resultados e Conclusões
Utilizando o kernel linear, obteve-se uma melhoria na eficácia do modelo anterior Nos testes, foram utilizados 100 fotos de indivíduos familiares e 43 de indivíduos “estranhos”

26 Resultados e Conclusões
Taxa de acerto total: 92 % Taxa de acerto entre pessoas conhecidas do sistema: 94 % Taxa de acertos entre os indivíduos estranhos: 90 % Taxa de erros entre pessoas conhecidas do sistema: 3 % Conhecidos identificados como estranhos: 3 % Estranhos identificados como conhecidos: 10 %

27 Bibliografia Face Recognition HomePage Zhao, W. et al, 2003
Zhao, W. et al, 2003 Face Recognition: A Literature Survey Heisele, B. et al, 2001 Face Recognition with Support Vector Machines: Global versus Component-based Approach Qiao, H. et al, 2004 Face Recognition Using SVM Decomposition methods


Carregar ppt "Reconhecimento Facial usando SVM"

Apresentações semelhantes


Anúncios Google