slide1
Download
Skip this Video
Download Presentation
Reconhecimento Facial Baseado em Eigenfaces e na PCA com Múltiplos Thresholds

Loading in 2 Seconds...

play fullscreen
1 / 54

Reconhecimento Facial Baseado em Eigenfaces e na PCA com Múltiplos Thresholds - PowerPoint PPT Presentation


  • 122 Views
  • Uploaded on

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.

loader
I am the owner, or an agent authorized to act on behalf of the owner, of the copyrighted work described.
capcha
Download Presentation

PowerPoint Slideshow about 'Reconhecimento Facial Baseado em Eigenfaces e na PCA com Múltiplos Thresholds' - dalton-bradley


An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -
Presentation Transcript
slide1
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
slide2
Papel do Reconhecimento Facial
  • O relacionamento entre as pessoas está baseado no Reconhecimento Facial

02

slide3
Histórico do Reconhecimento Facial
  • Em 1878, Sir Francis Galton escreveu artigo apresentando a sua Composite Portraiture

03

slide4
A idéia de comparação de medidas de Galton é utilizada em pesquisas atuais na Ciência da Computação

04

slide5
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

slide7
Biometria
  • Definição
  • Histórico
  • Princípio do Threshold
  • O corpo é a própria chave
  • Aplicações
  • Qual sistema de biometria é o melhor?

07

slide8
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

slide9
Etapas do Reconhecimento Facial
  • Representação Facial
    • Template-based
    • Feature-based
    • Appearance-based
  • Detecção Facial
  • Reconhecimento Facial

09

slide10
Fatores que interferem no desempenho do RF
    • Expressões Faciais
    • Iluminação inadequada
    • Disfarces
    • Escala
    • Posição da Face

10

slide11
Expressões Faciais

Iluminação inadequada

11

slide12
Disfarces

Escala

12

slide14
Técnicas Utilizadas no RFA
  • Uso das Características Geométricas da Face
  • Uso de templates
  • Redes Neurais Artificiais
  • Hidden Markov Models
  • Eigenfaces

14

slide15
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

slide17
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

slide18
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

slide19
Detecção Facial utilizada
  • Grande intervenção Manual

19

slide20
Autovalores e Autovetores

Autovalores  de W

Autovetores de W

Para

20

slide24
Novo conjunto de imagens, “O Espaço ”, obtido da diferença entre as imagens originais e a face média.

24

slide28
Montagem da matriz V

Autovetores da matriz L

28

slide29
Montagem da matriz U

Autovetores da matriz C

29

slide32
Cálculo dos Autovetores de C

Sejam

e

Será mostrado que

é verdadeira.

32

slide33
Cálculo dos Autovetores de C

Colocando-se em evidência os escalares d, teremos:

Logo:

33

slide34
Treinamento do modelo de RF

Imagens usadas: withglasses, happy, noglasses e sleepy.

34

slide35
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

slide36
Reconhecimento de faces a partir das eigenfaces

Cálculo da distância euclideana

36

slide37
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

slide38
Tabela dos thresholds

Ob.: Valores divididos por 1.0e+015

38

slide39
Resultados Obtidos

Uso das 120 imagens bem iluminadas

39

slide40
Resultados Obtidos

Uso de todas as 165 imagens

40

slide41
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

slide42
Técnicas de Simetrização

Simples

(>=2/3)

Média com a inversa

(< 2/3)

42

slide43
Resultados da aplicação da Simetrização

Ob.: Valores divididos por 1.0e+015

43

slide44
Resultados Obtidos

Uso das 45 imagens com problemas de iluminação

44

slide49
N. Auto-vetores

Erros

Acertos

1º lugar

Acertos

1º e 2º

Acertos

1º 2º 3º

05

17,50%

50,00%

75,00%

82,50%

10

13,33%

62,50%

83,33%

86,67%

20

14,16%

65,00%

83,33%

85,83%

30

13,33%

66,67%

80,00%

86,67%

50

15,00%

69,17%

80,83%

85,00%

Resultados Obtidos

Eigenmouth e eigennose (120 imagens)

49

slide50
N. Auto-vetores

Erros

Acertos

1º lugar

Acertos

1º e 2º

Acertos

1º 2º 3º

05

17,50%

35,00%

59,16%

77,33%

10

13,33%

50,83%

68,33%

84,17%

20

14,16%

66,66%

77,50%

83,33%

30

13,33%

74,17%

80,00%

84,17%

50

15,00%

80,83%

86,66%

87,50%

Resultados Obtidos

Eigeneye esquerdo (120 imagens)

50

slide51
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

slide52
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

slide53
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

slide54
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

ad