550 likes | 749 Vues
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.
E N D
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
Papel do Reconhecimento Facial • O relacionamento entre as pessoas está baseado no Reconhecimento Facial 02
Histórico do Reconhecimento Facial • Em 1878, Sir Francis Galton escreveu artigo apresentando a sua Composite Portraiture 03
A idéia de comparação de medidas de Galton é utilizada em pesquisas atuais na Ciência da Computação 04
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
BIOMETRIA 06
Biometria • Definição • Histórico • Princípio do Threshold • O corpo é a própria chave • Aplicações • Qual sistema de biometria é o melhor? 07
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
Etapas do Reconhecimento Facial • Representação Facial • Template-based • Feature-based • Appearance-based • Detecção Facial • Reconhecimento Facial 09
Fatores que interferem no desempenho do RF • Expressões Faciais • Iluminação inadequada • Disfarces • Escala • Posição da Face 10
Expressões Faciais Iluminação inadequada 11
Disfarces Escala 12
Técnicas Utilizadas no RFA • Uso das Características Geométricas da Face • Uso de templates • Redes Neurais Artificiais • Hidden Markov Models • Eigenfaces 14
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
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
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
Detecção Facial utilizada • Grande intervenção Manual 19
Autovalores e Autovetores Autovalores de W Autovetores de W Para 20
As M imagens de faces são convertidas em vetores coluna • Calcula-se a Face Média 21
Face Média 22
Novo conjunto de imagens, “O Espaço ”, obtido da diferença entre as imagens originais e a face média. 24
Montagem da matriz A 1 2 3 4 M 25
Montagem da matriz C 1 2 3 4 26
Montagem da matriz L 1 2 3 4 M 27
Montagem da matriz V Autovetores da matriz L 28
Montagem da matriz U Autovetores da matriz C 29
Cálculo dos Autovetores de C Sejam e Será mostrado que é verdadeira. 32
Cálculo dos Autovetores de C Colocando-se em evidência os escalares d, teremos: Logo: 33
Treinamento do modelo de RF Imagens usadas: withglasses, happy, noglasses e sleepy. 34
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
Reconhecimento de faces a partir das eigenfaces Cálculo da distância euclideana 36
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
Tabela dos thresholds Ob.: Valores divididos por 1.0e+015 38
Resultados Obtidos Uso das 120 imagens bem iluminadas 39
Resultados Obtidos Uso de todas as 165 imagens 40
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
Técnicas de Simetrização Simples (>=2/3) Média com a inversa (< 2/3) 42
Resultados da aplicação da Simetrização Ob.: Valores divididos por 1.0e+015 43
Resultados Obtidos Uso das 45 imagens com problemas de iluminação 44
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
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