Cecilia%20Aguerrebere%20

1
Reconocimiento de Caras con características
locales

• Cecilia Aguerrebere Germán Capdehourat
• Proyecto Final de Reconocimiento de Patrones

2
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.

3
Base de caras

• 47 individuos de la Base de caras del IIE
• Conjunto de referencia
• 4 tomas de frente de cada individuo
• Conjuntos a clasificar
• 2 tomas de frente (1 semana después)
• 1 toma de perfil, hacia arriba, abajo y con
  iluminación lateral

4
Diagrama de bloques
5
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.

6
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

7
Extracción de características

• Se utilizan dos descriptores
• Wavelets de Gabor
• Local Binary Patterns (LBP)

8
Wavelets de Gabor

• Núcleo sinusoidal ponderado por forma gaussiana.
• Brinda información frecuencial localizada.
• Parámetros a setear
• Orientación
• Frecuencia
• Fase
• Radio de la Gaussiana
• Relación de aspecto de la Gaussiana

9
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.

10
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.

11
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.

12
Clasificación

• Se clasifica utilizando reglas 1-NN y 3-NN para
• Set de Wiskott
• Set de Nestares
• Se consideran todas las distancias mencionadas.

13
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.

14
Resultados

• Clasificadores 1-NN y 3-NN dan resultados
  similares.
• Mayor dimensión Mejores resultados
• Frente 100 vs. 98.8 (No significativo)
• Perfil 97.8 vs. 91.3 (Considerable)
• Iluminación 93.5 vs. 60.3 (Importante)

15
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.

16
Local Binary Patterns (LBP)

• Se calcula el histograma de las etiquetas.

17
Local Binary Patterns (LBP)

• Se calcula un histograma para cada región.
• Tomamos en cuenta solo 4 regiones
• Ojos
• Nariz
• Boca
• Se trabaja con radios de 1, 2 y 3.

18
Medida de similitud - LBP

• Xi cuadrado
• Por regiones
• Con pesos

19
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.

20
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

21
Conclusiones LBP

• Mejores resultados
• Caso de mayor dimensión y más apropiado.
• Promesa de mejores resultados.

22
Agrupamiento

• Basado en la matriz de similaridad
• Agrupamientos Componentes conexas

23
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.

24
Resultados Agrupamiento

• Ejemplo
• 6 de frente
• Distancia predictiva

25
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.

26
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.

27
FIN

• Dudas, preguntas ...
• Muchas gracias