1 / 14

Reconhecimento de Faces

Reconhecimento de Faces. Percepção Computacional e Reconhecimento de Padrões. Allan J. Souza, Armando Gonçalves, Eduardo Matos, Filipe Calegario , João Gabriel Monteiro, João Paulo Oliveira { ajss , agsj , ejvm , fcac , jggxm , jpso }@ cin.ufpe.br. Roteiro. Etapas Aquisição das Imagens

vince
Download Presentation

Reconhecimento de Faces

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. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Reconhecimento de Faces Percepção Computacional e Reconhecimento de Padrões Allan J. Souza, Armando Gonçalves, Eduardo Matos, Filipe Calegario, João Gabriel Monteiro, João Paulo Oliveira {ajss, agsj, ejvm, fcac, jggxm, jpso}@cin.ufpe.br

  2. Roteiro • Etapas • Aquisição das Imagens • Pré-processamento • Extração das Características • Classificação e Verificação • Experimentos • Resultados

  3. Aquisição das Imagens

  4. Pré-processamento • Correções • Iluminação • Resolução • Escala de cinza • Separação em treinamento e teste (5 posições x 4 fotos) • 5 fotos de cada posição para treinamento • 15 restantes para teste • Resize • Tamanho normal 120 x 90 • Tamanho aproximado de um ícone 32 x 24 • Tamanho pequeno 12 x 9

  5. Extração das Características • Eigenfaces • Extraído do PCA (Principal Component Analysis) • Limitado pela quantidade de exemplos de treino • Pelo menos N-1 auto-vetores diferentes de 0 • Menor que a dimesionalidade das fotos • Subtração da média • Matriz de covariância (S): T . Tt • Exemplo: • 300 imagens 100 x 100 • S = 300 x 300 • Melhor que 10000 x 10000 • Velocidade e eficiência

  6. Extração das Características • Eigenfaces [1] • Auto-vetores de maior auto-valor • Base de projeção para os elementos de teste • Novo elemento de teste • Subtraído da média (conjunto de treino) • Projetado no espaço de faces (auto-vetores) • Classificação...

  7. Curiosidade... Média das Imagens 90 x 90 Média das Imagens 32 x 24

  8. Classificação e verificação • k-NN [2] • k - vizinhos mais próximos • Medida de Distância • Euclidiana normalizada • Verificação • Imagem rotulada • Negar ou aceitar o rótulo

  9. Experimentos Testes Exaustivos • Tamanho da imagem • 120x90; 32x24; 12x9 • Número de dimensões depois do Eigenfaces • Melhor resultado para cada um dos tamanhos • O número de vizinhos do k-NN • k-NN com peso ou sem peso • Treinamento 15 e teste 5

  10. Resultados • k vizinhos mais próximos • 1-NN e, portanto sem peso * Melhor resultado das variações testadas

  11. Resultados • Repetição dos melhores resultados com o conjunto de treino com 15 fotos e o de teste com 5;

  12. Referências • [1] Wikipedia, The Free Encyclopedia. Eigenface. Disponível em: <http://en.wikipedia.org/wiki/Eigenface>. Acesso em Dez 2008. • [2] Wikipedia, The Free Encyclopedia. k-nearest neighbor algorithm . Disponível em: <http://en.wikipedia.org/wiki /K-nearest_neighbor_algorithm>. Acesso em Dez 2008.

  13. Reconhecimento de Faces Percepção Computacional e Reconhecimento de Padrões Allan J. Souza, Armando Gonçalves, Eduardo Matos, Filipe Calegario, João Gabriel Monteiro, João Paulo Oliveira {ajss, agsj, ejvm, fcac, jggxm, jpso}@cin.ufpe.br

More Related