Cecilia Aguerrebere – Germán Capdehourat

Proyecto Final de Reconocimiento de Patrones

Reconocimiento de Caras con características

locales

Objetivos

Ratificar elección del algoritmo EBGM para el reconocimiento de caras.

Encontrar una cota superior de performance para los wavelets de Gabor como descriptores.

Evaluar la base de imágenes adquirida. Tener un primer contacto con LBP.

Base de caras

47 individuos de la Base de caras del IIE

Conjunto de referencia4 tomas de frente de cada individuo

Conjuntos a clasificar2 tomas de frente (1 semana después)1 toma de perfil, hacia arriba, abajo y con

iluminación lateral

Diagrama de bloquesImagen de la Base

Medida de similitud

Extracción de características

Marcado manual de puntos

Normalización

Clasificación de patrones

Normalización

Reduce el tamaño de las imágenes.

Transformaciones geométricas ubican los ojos en posiciones predeterminadas.

Se ajusta el rango dinámico de la imagen y se realiza un suavizado en el margen.

Marcado de puntos

Ojo izquierdo 1 izquierda 2 arriba 3 centro 4 derecha

Nariz 9 izquierda 10 abajo 11 derecha

Ojo derecho

5 izquierda 6 arriba 7 centro 8 derecha

Boca 12 izquierda 13 arriba 14 derecha 15 abajo

Extracción de características Se utilizan dos descriptores:

Wavelets de Gabor

Local Binary Patterns (LBP)

Wavelets de Gabor Núcleo sinusoidal ponderado por forma

gaussiana. Brinda información frecuencial localizada. Parámetros a setear

oOrientaciónoFrecuenciaoFaseoRadio de la GaussianaoRelación de aspecto de la Gaussiana

Wavelets de Gabor

Se eligen dos juegos de parámetros:Wiskott - 40 coeficientes complejos por

punto Nestares - 16 coeficientes complejos por

punto

Jet = Conjunto de coeficientes complejos que describen un punto principal dado.

Medidas de similitud Medidas de similitud entre jets

Módulo Módulo y Fase Combinación de módulo y fase con

corrección de posición del punto principal.

Similitud entre patrones = promedio de similitud de sus jets.

Distancia geométrica con ajuste de posiciones.

Análisis de datos: Edición

Se clasifica cada elemento del conjunto de referencia utilizando reglas:

•1-NN•3-NN

En el peor caso se obtiene 1 prototipo mal clasificado.

Decisión: No se realiza edición.

Clasificación

Se clasifica utilizando reglas 1-NN y 3-NN para:Set de WiskottSet de Nestares

Se consideran todas las distancias mencionadas.

Resultados Mejor performance en distancias más

complejas: Fase y módulo Combinada con estimación de desplazamiento

Distancia considerando solamente el módulo logra tiempos menores.

Distancia geométrica funciona bien sólo en tomas frontales.

Resultados Clasificadores 1-NN y 3-NN dan

resultados similares.

Mayor dimensión = Mejores resultadosFrente: 100 % vs. 98.8 % (No significativo)Perfil: 97.8 % vs. 91.3 % (Considerable)Iluminación: 93.5 % vs. 60.3 %

(Importante)

Conclusiones: Wavelets de Gabor Muy buena preformance en

reconocimiento.

Mayor dimensión es importante para los casos más complicados.

Los descriptores demuestran gran poder de discriminación.

Local Binary Patterns (LBP)

Se calcula el histograma de las etiquetas.

Local Binary Patterns (LBP) Se calcula un histograma para cada región. Tomamos en cuenta solo 4 regiones:

OjosNarizBoca

Se trabaja con radios de 1, 2 y 3.

Medida de similitud - LBP

Xi cuadrado

Por regiones

Con pesos

Ensayos realizados LBP

Se clasifica con 1-NN y 3-NN para los 3 radios: 1, 2 y 3.

Se usa distancia con y sin pesos.

Resultados obtenidos LBP

Los resultados obtenidos no son buenos.

Mejoran al aumentar dimensión. Mejor caso – de frente y radio 3

Sin pesos – 81.9 %Con pesos – 84.0 %

Conclusiones LBP

Mejores resultados:

Caso de mayor dimensión y más apropiado.

Promesa de mejores resultados.

Agrupamiento

Basado en la matriz de similaridad

Agrupamientos = Componentes conexas

Ensayos y Resultados

Se realizan pruebas con distintos conjuntos de patrones.

Se mueve el umbral desde la mínima a la máxima distancia entre patrones.

En todos los casos similares resultados.

Resultados Agrupamiento

Ejemplo: 6 de frente Distancia

predictiva

Conclusiones

No se forman agrupamientos debido a rasgos similares o condiciones comunes.

Destaca una importante característica del descriptor:Guarda la información de la persona y no la pose, la luz, etc.

Conclusiones finales

Se ratifica EBGM como algoritmo de reconocimiento de caras.

Las cotas de performance obtenidas son muy prometedoras.

Se destacan las propiedades del descriptor vistas con el agrupamiento.

FIN

Dudas, preguntas ...

Muchas gracias