Vinícius Lopes Rodrigues Reconhecimento Facial usando SVM Vinícius Lopes Rodrigues.

Vinícius Lopes Rodrigues

Reconhecimento Facial usando SVM



Introdução• É o processo que a partir de uma imagem ou um

vídeo de uma cena, identificar ou verificar uma ou mais pessoas na cena usando um banco de dados de faces

• Essa identificação pode ser dificultada por diversos fatores, tais como:– Diferenças de luminosidade– Adornos: Óculos, maquiagem– Posicionamento– Barba, bigode, cabelo– Expressões Faciais


Introdução


Motivação

• Utilização:– Uso policial– Sistemas biométricos de segurança– Verificação da validade de documentos


Objetivo

• Desenvolver um modelo, que dentro de um grupo de pessoas, seja capaz de identificar uma pessoa dada sua fotografia.


Modelagem

• De acordo com Qiao et al. (2004), SVM apresenta melhores resultados para o reconhecimento facial do que outras abordagens de aprendizado de máquina


Modelagem

• Corpus:– Existem inúmeros bancos de dados de imagens de

faces– Utilizado: Face Recognition Data, University of

Essex, UK– 20 fotos de 153 indivíduos diferentes, – 180 x 200 pixels


Modelagem

• Duas abordagens distintas são discutidas na literatura:– Análise de Componentes Faciais:

– Análise Global


Modelagem

• 1º passo: Binarização da imagem


Modelagem

• 2º passo: Extração de componentes (manual):


Modelagem

• 3º passo: obtenção de features:

– A cada 64 bits do mapa de bits, forma-se um número, que é uma feature


Modelagem

• Cada pessoa a ser testada é uma classe• Cada foto de uma pessoa é um exemplo• ≈ 53 features• Foi utilizado o LibSVM para a execução do

modelo


Resultados e Conclusões

• Primeiro modelo feito com 6 pessoas diferentes, 15 exemplos e 5 casos de teste por pessoa

• Resultado não satisfatório, máxima eficácia alcançada 75% com o kernel linear

• Quanto maior o número de classes, pior era a eficácia



• Possíveis motivos do baixo rendimento:– Componentização manual não satisfatória– Componentes de pessoas diferentes podem ter tamanhos

diferentes– Ausência de features não baseadas na imagem


Modelagem

• 2ª tentativa: Abordagem global:

– Mudança na estração de features: Redução da Imagem para 64 X 73

– Cada linha é transformada num inteiro– Normalizada para ser um valor real entre -10 e 10– Todos exemplos ficam com exatamente 73 features



• Resultados bem mais satisfatórios:– Taxa de acerto chega a 98% com o kernel linear– Taxa de acerto não altera significativamente com o

aumento do número de classes– Modelo com 8 pessoas, 12 exemplos de

treinamento e 8 para testes



Kernel % (eficácia)

Linear 98,4375

Polinomial (d) 2 93,7500

3 84,3750

4 73,4375

5 70,3125

6 68,7500

7 65,6250

8 64,0625

9 59,3750

10 59,3750



Kernel % (eficácia)

RBF (γ)1 34,3750

2 32,8125

3 32,8125

4 42,1850

5 40,6250

6 43,7500

7 42,1875

8 39,0625

9 39,0625

10 37,5000

11 37,5000

12 37,5000

13 35,9375



• Porém...– O modelo lida apenas com um número fixo de

pessoas– Resultados imprevisíveis quando são testadas fotos

de outras pessoas


Modelagem

• Novo modelo retorna um valor para pessoas “não reconhecidas”

• Criação de uma nova classe: “estranho”• São usados exemplos de diferentes pessoas

para essa classe• Nos testes, devem ser considerados

“estranhos”, fotos dos indivíduos usados como exemplos e outros ainda não vistos pelo sistema



• Foram utilizados 8 indivíduos conhecidos, com 12 exemplos e 8 casos de teste

• Classe “Estranhos” com 24 fotos de 14 indivíduos escolhidos aleatoriamente

• 36 Casos de teste



Taxa de acerto total: 77 %Taxa de acertos entre pessoas conhecidas do sistema: 95%Taxa de acertos entre os indivíduos estranhos: 44%Taxa de erros entre pessoas conhecidas do sistema: 2%Conhecidos identificados como estranhos: 3 %Estranhos identificados como conhecidos: 56 %


Modelagem

• Tentando melhorar:– Utilizando técnica um contra todos– Para cada pessoa conhecida, é definida um modelo

onde os seus exemplos tem valor 1 e os dos outros tem valor -1

– No teste, cada caso deve ser testado em todos os modelos gerados.

– Caso ele seja 1 em apenas um modelo, ele é reconhecido como a pessoa associada a esse modelo


Modelagem

• Caso ele seja -1 em todos os modelos, ele é considerado estranho

• Caso tenha mais de um modelo que ele seja 1, ele é desempatado com o modelo mostrado anteriormente



• Utilizando o kernel linear, obteve-se uma melhoria na eficácia do modelo anterior

• Nos testes, foram utilizados 100 fotos de indivíduos familiares e 43 de indivíduos “estranhos”



Taxa de acerto total: 92 %Taxa de acerto entre pessoas conhecidas do sistema: 94 %Taxa de acertos entre os indivíduos estranhos: 90 %Taxa de erros entre pessoas conhecidas do sistema: 3 %Conhecidos identificados como estranhos: 3 %Estranhos identificados como conhecidos: 10 %


Bibliografia

• Face Recognition HomePage– http://www.face-rec.org/

• Zhao, W. et al, 2003– Face Recognition: A Literature Survey

• Heisele, B. et al, 2001– Face Recognition with Support Vector Machines: Global

versus Component-based Approach• Qiao, H. et al, 2004

– Face Recognition Using SVM Decomposition methods

Vinícius Lopes Rodrigues Reconhecimento Facial usando SVM Vinícius Lopes Rodrigues.

Documents

Transcript of Vinícius Lopes Rodrigues Reconhecimento Facial usando SVM Vinícius Lopes Rodrigues.