Reconocimiento de Caras
con características locales
Cecilia Aguerrebere – Germán Capdehourat
Proyecto Final de Reconocimiento de Patrones
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 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
Diagrama de bloques
Imagen de la Base
Normalización
Marcado manual de puntos
Extracción de características
Medida de similitud
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

Ojo derecho

1
2
3
4


5
6
7
8

Boca
12
13
14
15
izquierda
arriba
centro
derecha


Nariz


9 izquierda
10 abajo
11 derecha





izquierda
arriba
centro
derecha
izquierda
arriba
derecha
abajo
Extracción de características

Se utilizan dos descriptores:
 Wavelets
 Local
de Gabor
Binary Patterns (LBP)
Wavelets de Gabor



Núcleo sinusoidal ponderado por forma
gaussiana.
Brinda información frecuencial localizada.
Parámetros a setear
o Orientación
o Frecuencia
o Fase
o Radio de la Gaussiana
o Relación 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 Wiskott
 Set 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 resultados
 Frente:
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:

 Ojos
 Nariz
 Boca

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
Descargar

Reconocimiento de Caras con información local