Uma análise da ação da idade em processos de reconhecimento de faces baseados em PCA

Daniel da Silva Diogo Lara

daniels@dcc.ufmg.br

Introdução

Um sistema biométrico que identifica automaticamente humanos através da face.

Existem várias abordagens como medições de distâncias, formas, perfil etc.

Análise em diferentes domínios LDA,PCA,2DPCA.

Alguns problemas em sistemas de F.R.1. Treinamento do sistema com um número

insuficiente de imagens.

2. Faces com caracterizadores não presentes no treinamento – óculos, bonés, chapéus, bigode, barba.

3. Faces que sofreram ação da idade considerável após o treinamento.

Objetivos deste trabalho

Analisar os métodos de reconhecimento de faces PCA e 2DPCA quando aplicados a imagens de faces de jovens (abaixo de 10 anos de idade) e velhos (acima de 40 anos de idade)

PCA – Principal Component Analysis Um dos métodos mais bem sucedidos em

FR.

Idéia principal : redução da dimensão do espaço de imagens sem grandes perdas de informação.

PCA – Matemática

Uma imagem 2D (m x n) é representada como sendo um vetor X no espaço K-dimensional

(K = mxn).

Mippppx TNi ,...,1,],...,,,[ 321

É calculada a média das imagens e subtraída de cada imagem.

M

iixM

m1

1mxw ii

PCA – Matemática

Monta-se a matriz W de imagens de treinamento e o objetivo é redistribuir tais imagens em um novo domínio com um número menor de dados. Assim temos que encontrar um conjunto de autovetores para W que ofereça a maior projeção possível para todas as imagens.

PCA – Matemática

É resultado da álgebra linear que esse conjunto é o conjunto de autovalores e autovetores da matriz de covariância C.

TWWC

Os Autovetores de C formam um novo domínio para as imagens

2DPCA

Ao contrário do PCA, Cada imagem no novo domínio continua sendo uma matriz.

Tem se apresentado mais eficiente que o PCA.

A carga computacional para o cálculo da matriz de covariância é menor.

2DPCA – Matemática

A idéia principal é projetar a imagem A sobre um vetor X na forma :

XAY Qual seria um bom vetor X? Suponha que existam M imagens de treinamento, seja:

M

jj

Tjt AAAA

MG

1

)()(1

2DPCA – Matemática

É resultado da álgebra linear que o melhor vetor X é o autovetor unitário correspondente ao maior autovalor de G.

Na prática escolhe-se um número maior que 1 autovetor de G. Neste trabalho foram escolhidos 20.

Metodologia

Implementar os dois métodos de reconhecimento PCA e 2DPCA

Obter uma base de dados com fotografias de faces das mesmas pessoas em diferentes idades

realizar alterações nas componentes em seus domínios

gerar uma massa de dados para comparação dos resultados

Análise

Imagens obtidas da base ORL e FGNET Para o PCA as imagens estavam na resolução

90x60 Para 2DPCA imagens na resolução 300x200 Inicialmente PCA e 2DPCA foram executados

para imagens de faces de jovens ( < 10 anos) Em seguida fora executados para imagens de

velhos (> 40 anos)

Imagens

Jovens

Imagens

Adultos

Resultados Matemática PCA

Imagem original 60x90 – Vetor 5400x1 Imagens de treinamento – 10 C = W x transp(W) = (5400x10) x (10x5400) C = 5400x5400 – 9 autovalores não-nulos

logo temos 9 autovetores. Cada imagem foi representada no domínio

PCA com 9 componentes.

Resultados – PCA - Jovens Componentes – 9 Imagens individuais e média

das 9 respectivamente.

Resultados – PCA - Adultos

Componentes – 9 Imagens individuais e média das 9 respectivamente.

Resultados – 2DPCA Matemática

Imagem original 200x300 – Matriz 200x20 Imagens de treinamento – 10 G = 200x200 – Mais fácil que PCA para

cálculo de autovalores e autovetores. Cada componente é um vetor Cada imagem foi representada no domínio

2DPCA com 20 componentes.

Resultados – 2DPCA - Jovens Media 20 componentes

Resultados – 2DPCA – Adultos Media 20 componentes

Resultados Imagens Variadas

Imagens

Resultado variando as componentes - PCA

Média Alterações da componente 4

Resultado variando as componentes – 2DPCA

Média Alterações da componentes 3 e 6

Conclusões

Esse trabalho deu indícios de que alguns componentes PCA carregam informação de características crânio-faciais que identificam idade.

É difícil especificar o componente exato devido a resolução da imagem. (Sugiro procurar nos componentes centrais)

Existem indícios também que são alguns componentes e não apenas 1.

Trabalhos futuros

Achar uma relação dos componentes mais prováveis a partir de uma resolução de imagem de entrada.

Seria possível concluir algo semelhante para sexo? Etnia?

Algumas Referências

1. The Effect of Normal Adult Aging on Standard PCA Face Recognition Accuracy Rates, Karl Ricanek,Jr. , Edward Boone, Proceedings of International Joint Conference on Neural Networks, Montreal, Canada, July 31 – August 4, 2005.

2. Modeling Age Progression in Young Faces. Narayanan Ramanathanand RamaChellappa, (accepted in CVPR 2006, New York)

3. Age simulation for face recognition. Junyan Wang, Yan Shang, Guangda Su, Xinggang Lin. The 18th International Conference on Pattern Recognition

4. Two-Dimensional PCA: A New Approach to Appearance-Based Face Representation and Recognition. Jian Yang, David Zhang, Senior Member, IEEE, Alejandro F. Frangi, and Jing-yu Yang. IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, VOL. 26, NO. 1, JANUARY 2004 131

5. Eigenfaces for Recognition.MTurk and A. Pentland.J. Cognitive Neuroscience, vol. 3, no. 1, pp. 71-86, 1991.