Reconhecimento Facial Baseado em Eigenfaces e na PCA com Múltiplos Thresholds

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. 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. 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 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, “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. 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 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. Resultados Obtidos Uso das 120 imagens bem iluminadas 39

40. Resultados Obtidos Uso de todas as 165 imagens 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. Resultados Obtidos Uso das 45 imagens com problemas de iluminação 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. 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

50. 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