Reconhecimento facial. uma aplicação prática do reconhecimento de padrões

Transcrição

1 Reconhecimento facial uma aplicação prática do reconhecimento de padrões Márcio Koch, junho 2014

2 Pauta Apresentação Visão computacional Reconhecimento de padrões Analise de Componentes Principais Reconhecimento facial Algoritmo de reconhecimento facial Demonstração Dicas para quem quer começar

3 Apresentação Analista de sistemas na Senior Sistemas Mestrando em computação gráfica UDESC - Joinville Pós graduado em tecnologias para o desenvolvimento de aplicações web - FURB Graduado em ciência da computação - FURB Pesquisador do Laboratório de Desenvolvimento e Transferência de Tecnologia da FURB - LDTT

4 Visão computacional Área da inteligência artificial responsável pelo processamento de imagens para identificação de objetos e reconhecimento de padrões através de máquinas. Aplicações: Jogos Reconhecimento de movimentos Cinema e desenhos animados expressões, movimentos Medicina Diagnóstico por imagem Indústria Inspeção para controle de qualidade e robótica Militar Detecção de alvos Veículos autônomos Montadoras e exploração espacial

5 Reconhecimento de padrões Nosso cérebro é especializado em identificar, detectar e prever padrões Os padrões permitem que o cérebro possa aprender e generalizar O ser humano está sempre classificando (rotulando) as coisas Pareidolia

6 Reconhecimento de padrões Um padrão é um arranjo (vetor) de um ou mais descritores (características) x = x 1 x 2 x n também pode ser representado: x = [x 1, x 2,..., x n ] t Um vetor de padrões descreve um objeto, uma amostra Os padrões são agrupados em classes Uma classe de padrões é uma família de padrões que compartilhem algumas propriedades comuns As classes são denotadas por ω 1, ω 2,, ω M, onde M é a quantidade de classes As amostras podem ser rotuladas (supervisionada) ou não rotuladas (não supervisionada)

7 Exemplo Representação dos padrões: x = x 1 x 2 Classes: ω 1 ω 2 ω 3 Classe ω 1 Rótulo (nome) João ω 2 Maria ω 3 Juninho

8 Análise de Componentes Principais - PCA Transforma um conjunto de variáveis correlacionadas em um conjunto menor descorrelacionadas denominadas componentes principais Possibilita redução de dimensionalidade A primeira componente principal contém a maior variabilidade possível do total Cada componente sucessiva contém parte da variabilidade restante Tendo um conjunto de dados visualizados como uma nuvem de pontos em um espaço de alta dimensionalidade, permite visualizar os dados como se fosse uma sombra a partir de seu ponto de vista mais informativo.

9 Reconhecimento Facial Técnica biométrica que identifica pessoas pela face Pouco invasiva A região dos olhos é a que mais favorece o reconhecimento Uso de PCA com Eigenfaces

10 Algoritmo de reconhecimento facial

11 Pré-processamento Visa efetuar transformações para melhorar o estado da imagem Técnicas de processamento utilizadas: Conversão para níveis de cinza Equalização do histograma Detecção da face Normalização da pose da face Extração da região dos olhos Redimensionamento das imagens

12 Pré-processamento Níveis de cinza Substituir cada pixel por: 30% do vermelho + 59% do verde + 11% do azul Equalização do histograma Redistribuir os tons de cinza uniformemente

13 Pré-processamento Detecção da face Classificador em cascata de Haar Disponível na API OpenCV Baseado em Viola e Jones Algoritmo de aprendizado AdaBoost Nós de rejeição em cascata para cada região da imagem

14 Pré-processamento Normalização da pose da face

15 Pré-processamento Extração da região dos olhos x = 0, y = 1/8.h, w = largura da face, h = y/2 Redimensionamento das imagens Algoritmo de interpolação de pixels Imagens com 64 x 64 pixels Equilibra custo computacional sem perder informações importantes

16 Formação de padrões com imagens da face Uma imagem é uma matriz de pixels contendo h linhas e w colunas Vetor de padrões é um vetor coluna x com n linhas e 1 coluna, onde n = h x w Cada pixel da imagem é uma característica e fara parte do vetor Uma imagem de 64 x 64 pixels é um vetor com linhas e 1 coluna É um ponto em um espaço de dimensões Tendo um conjunto de M imagens, todas devem ser padronizadas cada uma em um vetor de padrões. Estes vetores de padrões são armazenados como colunas em uma matriz de padrões Γ [nxm] = [Γ 1, Γ 2,, Γ M ]

17 Cálculo da face média Ψ[nx1] = 1 M M i=1 Γ i[nx1] A diferença entre cada imagem e a imagem média é obtida pela equação: Φ i n x 1 = Γi n x 1 Ψ [n x 1] Sendo: Α [nxm] = [Φ 1, Φ 2,, Φ M ]

18 Matriz de covariância M C nxn = 1 M Φ T i n x 1 Φ i 1 x n i=1 T = A n x M A [M x n] Deve-se calcular os autovetores e autovalores da matriz C (intratável) É possível encontrar os primeiros autovetores e autovalores da matriz C através de outra combinação linear mais apropriada: T L [M x M] = A [M x n] A [n x M] Encontra-se os autovalores e os autovetores V da matriz L: L x = λ x onde x é um autovetor de L e λ é um autovalor de L L λι = 0

19 Cálculo das eigenfaces U [n X M] = A [n X M] V [M X M] Se exibir uma eigenface U k como uma imagem, tem a aparência de uma face, dai o nome de eigenface: λ λ λ 3

20 Cálculo dos pesos Cálculo dos pesos de projeção no subespaço de imagens: T ω [k x 1] = U [k x n] (Γ [n x 1] Ψ [n x 1] ) Guarda os pesos em uma matriz: Ω Mxk = (ω 1, ω 2,..., ω M ) T

21 Reconstrução da face Reconstrução da face: Γ f n x 1 = U n x k Ω k x 1 + Ψ n x 1 Calcular o erro de reconstrução: ε = Γ [n x 1] Γ f[n x 1] Se usar todos as eigenfaces o erro tende a ser zero.

22 Cálculo da distância entre as faces Cálculo da distância entre as faces: ε k = min( Ω Mx1 Ω Mxk ), para k = 1, 2,, M Usa a distância euclidiana: DE(Ω, Ωi)= Ω Ω i 2 k i=1

23 Reconhecimento a) calcular os pesos de projeção da face de teste e das faces de treinamento e armazená-las nos vetores Ω e Ω k respectivamente; b) reconstruir a face de teste; c) calcular o erro de reconstrução e armazená-lo em ϵ; d) calcular qual das faces de treinamento está mais próxima da face de teste e guardar em ϵ k ; e) definir um limiar máximo θϵ para a menor distância entre a face de teste e as faces de treinamento; f) definir um limiar máximo Θ ϵ para o erro de reconstrução da face de teste; g) efetuar o reconhecimento da face de teste seguindo o seguinte algoritmo: 1. se (ϵ k < θϵ E ϵ < Θ ϵ ) então a face de teste é reconhecida e corresponde ao indivíduo da face de treinamento com índice k; 2. se (ϵ k >= θϵ E ϵ < Θ ϵ ) então a face de teste é uma face humana, porém não está na base de dados, portanto é desconhecida; 3. se (ϵ >= Θ ϵ ) então a face de teste pode não ser uma face humana.

24 Demonstração

25 Dicas para quem quer começar Livros: OpenCV: JavaCV: Eclipse: Muitos artigos científicos: eigenface, PCA, face recognizion

26 Obrigado! Perguntas???