Atualmente, o reconhecimento facial por técnicas automáticas é ainda uma tarefa desafiadora uma vez que as imagens faciais podem ser afetadas por mudanças na cena, tais como na iluminação, na pose da cabeça, ou na expressão facial. Além disso, a representação de faces por feições faciais geralmente requer diversas dimensões, o que impõe desafios adicionais ao reconhecimento facial. Nessa tese, é proposto um novo método de reconhecimento facial com o objetivo de ser robusto a muitos dos fatores que podem afetar as feições faciais na prática e se baseia em determinar transformações do espaço original de feições faciais de alta dimensionalidade para um espaço de baixa dimensionalidade que apresenta maior discriminação das classes de dados faciais (indivíduos). Isso é realizado através da aplicação de um método Projeções Ortogonais Preservadoras de Localidade (Orthogonal Locality Preserving Projections - OLPP) modificado, que usa esquemas de definição de localidade supervisionados que têm o objetivo de preservar a estrutura das classes de dados faciais no espaço resultante de baixa dimensionalidade, diferentemente do método OLPP típico que preserva a estrutura dos dados faciais. Dessa forma, as classes se tornam mais compactas, preservando a métrica de classificação. O método proposto pode trabalhar tanto com representações densas como esparsas de imagens faciais (ou seja, ele pode usar subconjuntos ou todos os pixels das imagens faciais), sendo proposto nessa tese um método de extração de feições faciais esparsas e um método de extração de feições faciais densas que preservam a informação de cor das imagens faciais apresentando melhora em relação ao método OLPP típico que usa imagens em escalas de cinza em baixa resolução. Novas imagens faciais de teste são classificadas no espaço de baixa dimensionalidade obtido usando Máquinas de Vetores de Suporte (Support Vector Machines - SVM) treinadas com margens suaves, apresentando maior eficiência do que a regra do vizinho mais próximo usada no método OLPP típico. Um conjunto de experimentos foi projetado para avaliar o método proposto sob várias condições encontradas na prática (como mudanças na pose, expressão facial, iluminação e a presença de artefatos que causam oclusão facial). Os resultados experimentais foram obtidos usando cinco bases de imagens faciais públicas (a PUT, a FEI, a FERET, a Yale e a ORL). Esses experimentos confirmam que os esquemas propostos de extração de feições faciais integrados à transformação proposta para um espaço discriminativo de baixa dimensionalidade empregando o esquema alternativo de classificação usando SVM com margens suaves obtêm maiores taxas de reconhecimento do que o próprio método OLPP e métodos representativos do estado da arte mesmo quando são usadas imagens coloridas em alta resolução (das bases de imagens faciais PUT, FEI e FERET) como imagens faciais em escalas de cinza em baixa resolução (das bases Yale e ORL). / Nowadays, face recognition by automatic techniques still is a challenging task since face images may be affected by changes in the scene, such as in the illumination, head pose or face expression. Also, face feature representation often requires several dimensions, which poses additional challenges for face recognition. In this thesis is proposed a novel face recognition method with the objective of to be robust to many issues which can affect the face features in practice and it is based on projections of high dimensional face image representations into lower dimensionality and highly discriminative spaces. This is achieved by a modified Orthogonal Locality Preserving Projections (OLPP) method that uses a supervised alternative locality definition scheme designed to preserve the face class (individuals) structure in the obtained lower dimensionality face feature space unlike the typical OLPP method which preserves the face data structure. Besides, a new kernel equation is proposed to calculate affinities among face samples, presenting better class structure preservation when compared to the heat kernel used by the typical OLPP method. The proposed method can work with sparse and dense face image representations (i.e. it can use sub-sets or all face image pixels), and a sparse and a dense feature extraction methods are proposed, which preserve the color information during the feature extraction process from the facial images improving on the typical OLPP method which uses grayscale low-resolution face images. New test face images are classified in the obtained lower dimensionality feature space using a trained soft margins Support Vector Machine (SVM), so it performs better than the nearest neighbor rule used in the typical OLPP method. A set of experiments was designed to evaluate the proposed method under various conditions found in practice (such as changes in head pose, face expression, illumination, and in the presence of occlusion artifacts). The experimental results were obtained using five challenging public face databases (namely, PUT, FEI, FERET, Yale and ORL). These experiments confirm that the proposed feature extraction method integrated to the proposed transformation to a discriminative lower dimensionality space using the alternative classification scheme with SVM and soft margins obtains higher recognition rates than the OLPP method itself and methods representative of the state-ofthe- art even when are used color (RGB) face images in high resolution (PUT, FEI and FERET face databases) as well as grayscale face images in low resolution (Yale and ORL face databases).

Atualmente, o reconhecimento facial por técnicas automáticas é ainda uma tarefa desafiadora uma vez que as imagens faciais podem ser afetadas por mudanças na cena, tais como na iluminação, na pose da cabeça, ou na expressão facial. Além disso, a representação de faces por feições faciais geralmente requer diversas dimensões, o que impõe desafios adicionais ao reconhecimento facial. Nessa tese, é proposto um novo método de reconhecimento facial com o objetivo de ser robusto a muitos dos fatores que podem afetar as feições faciais na prática e se baseia em determinar transformações do espaço original de feições faciais de alta dimensionalidade para um espaço de baixa dimensionalidade que apresenta maior discriminação das classes de dados faciais (indivíduos). Isso é realizado através da aplicação de um método Projeções Ortogonais Preservadoras de Localidade (Orthogonal Locality Preserving Projections - OLPP) modificado, que usa esquemas de definição de localidade supervisionados que têm o objetivo de preservar a estrutura das classes de dados faciais no espaço resultante de baixa dimensionalidade, diferentemente do método OLPP típico que preserva a estrutura dos dados faciais. Dessa forma, as classes se tornam mais compactas, preservando a métrica de classificação. O método proposto pode trabalhar tanto com representações densas como esparsas de imagens faciais (ou seja, ele pode usar subconjuntos ou todos os pixels das imagens faciais), sendo proposto nessa tese um método de extração de feições faciais esparsas e um método de extração de feições faciais densas que preservam a informação de cor das imagens faciais apresentando melhora em relação ao método OLPP típico que usa imagens em escalas de cinza em baixa resolução. Novas imagens faciais de teste são classificadas no espaço de baixa dimensionalidade obtido usando Máquinas de Vetores de Suporte (Support Vector Machines - SVM) treinadas com margens suaves, apresentando maior eficiência do que a regra do vizinho mais próximo usada no método OLPP típico. Um conjunto de experimentos foi projetado para avaliar o método proposto sob várias condições encontradas na prática (como mudanças na pose, expressão facial, iluminação e a presença de artefatos que causam oclusão facial). Os resultados experimentais foram obtidos usando cinco bases de imagens faciais públicas (a PUT, a FEI, a FERET, a Yale e a ORL). Esses experimentos confirmam que os esquemas propostos de extração de feições faciais integrados à transformação proposta para um espaço discriminativo de baixa dimensionalidade empregando o esquema alternativo de classificação usando SVM com margens suaves obtêm maiores taxas de reconhecimento do que o próprio método OLPP e métodos representativos do estado da arte mesmo quando são usadas imagens coloridas em alta resolução (das bases de imagens faciais PUT, FEI e FERET) como imagens faciais em escalas de cinza em baixa resolução (das bases Yale e ORL). / Nowadays, face recognition by automatic techniques still is a challenging task since face images may be affected by changes in the scene, such as in the illumination, head pose or face expression. Also, face feature representation often requires several dimensions, which poses additional challenges for face recognition. In this thesis is proposed a novel face recognition method with the objective of to be robust to many issues which can affect the face features in practice and it is based on projections of high dimensional face image representations into lower dimensionality and highly discriminative spaces. This is achieved by a modified Orthogonal Locality Preserving Projections (OLPP) method that uses a supervised alternative locality definition scheme designed to preserve the face class (individuals) structure in the obtained lower dimensionality face feature space unlike the typical OLPP method which preserves the face data structure. Besides, a new kernel equation is proposed to calculate affinities among face samples, presenting better class structure preservation when compared to the heat kernel used by the typical OLPP method. The proposed method can work with sparse and dense face image representations (i.e. it can use sub-sets or all face image pixels), and a sparse and a dense feature extraction methods are proposed, which preserve the color information during the feature extraction process from the facial images improving on the typical OLPP method which uses grayscale low-resolution face images. New test face images are classified in the obtained lower dimensionality feature space using a trained soft margins Support Vector Machine (SVM), so it performs better than the nearest neighbor rule used in the typical OLPP method. A set of experiments was designed to evaluate the proposed method under various conditions found in practice (such as changes in head pose, face expression, illumination, and in the presence of occlusion artifacts). The experimental results were obtained using five challenging public face databases (namely, PUT, FEI, FERET, Yale and ORL). These experiments confirm that the proposed feature extraction method integrated to the proposed transformation to a discriminative lower dimensionality space using the alternative classification scheme with SVM and soft margins obtains higher recognition rates than the OLPP method itself and methods representative of the state-ofthe- art even when are used color (RGB) face images in high resolution (PUT, FEI and FERET face databases) as well as grayscale face images in low resolution (Yale and ORL face databases).

Atualmente, o reconhecimento facial por técnicas automáticas é ainda uma tarefa desafiadora uma vez que as imagens faciais podem ser afetadas por mudanças na cena, tais como na iluminação, na pose da cabeça, ou na expressão facial. Além disso, a representação de faces por feições faciais geralmente requer diversas dimensões, o que impõe desafios adicionais ao reconhecimento facial. Nessa tese, é proposto um novo método de reconhecimento facial com o objetivo de ser robusto a muitos dos fatores que podem afetar as feições faciais na prática e se baseia em determinar transformações do espaço original de feições faciais de alta dimensionalidade para um espaço de baixa dimensionalidade que apresenta maior discriminação das classes de dados faciais (indivíduos). Isso é realizado através da aplicação de um método Projeções Ortogonais Preservadoras de Localidade (Orthogonal Locality Preserving Projections - OLPP) modificado, que usa esquemas de definição de localidade supervisionados que têm o objetivo de preservar a estrutura das classes de dados faciais no espaço resultante de baixa dimensionalidade, diferentemente do método OLPP típico que preserva a estrutura dos dados faciais. Dessa forma, as classes se tornam mais compactas, preservando a métrica de classificação. O método proposto pode trabalhar tanto com representações densas como esparsas de imagens faciais (ou seja, ele pode usar subconjuntos ou todos os pixels das imagens faciais), sendo proposto nessa tese um método de extração de feições faciais esparsas e um método de extração de feições faciais densas que preservam a informação de cor das imagens faciais apresentando melhora em relação ao método OLPP típico que usa imagens em escalas de cinza em baixa resolução. Novas imagens faciais de teste são classificadas no espaço de baixa dimensionalidade obtido usando Máquinas de Vetores de Suporte (Support Vector Machines - SVM) treinadas com margens suaves, apresentando maior eficiência do que a regra do vizinho mais próximo usada no método OLPP típico. Um conjunto de experimentos foi projetado para avaliar o método proposto sob várias condições encontradas na prática (como mudanças na pose, expressão facial, iluminação e a presença de artefatos que causam oclusão facial). Os resultados experimentais foram obtidos usando cinco bases de imagens faciais públicas (a PUT, a FEI, a FERET, a Yale e a ORL). Esses experimentos confirmam que os esquemas propostos de extração de feições faciais integrados à transformação proposta para um espaço discriminativo de baixa dimensionalidade empregando o esquema alternativo de classificação usando SVM com margens suaves obtêm maiores taxas de reconhecimento do que o próprio método OLPP e métodos representativos do estado da arte mesmo quando são usadas imagens coloridas em alta resolução (das bases de imagens faciais PUT, FEI e FERET) como imagens faciais em escalas de cinza em baixa resolução (das bases Yale e ORL). / Nowadays, face recognition by automatic techniques still is a challenging task since face images may be affected by changes in the scene, such as in the illumination, head pose or face expression. Also, face feature representation often requires several dimensions, which poses additional challenges for face recognition. In this thesis is proposed a novel face recognition method with the objective of to be robust to many issues which can affect the face features in practice and it is based on projections of high dimensional face image representations into lower dimensionality and highly discriminative spaces. This is achieved by a modified Orthogonal Locality Preserving Projections (OLPP) method that uses a supervised alternative locality definition scheme designed to preserve the face class (individuals) structure in the obtained lower dimensionality face feature space unlike the typical OLPP method which preserves the face data structure. Besides, a new kernel equation is proposed to calculate affinities among face samples, presenting better class structure preservation when compared to the heat kernel used by the typical OLPP method. The proposed method can work with sparse and dense face image representations (i.e. it can use sub-sets or all face image pixels), and a sparse and a dense feature extraction methods are proposed, which preserve the color information during the feature extraction process from the facial images improving on the typical OLPP method which uses grayscale low-resolution face images. New test face images are classified in the obtained lower dimensionality feature space using a trained soft margins Support Vector Machine (SVM), so it performs better than the nearest neighbor rule used in the typical OLPP method. A set of experiments was designed to evaluate the proposed method under various conditions found in practice (such as changes in head pose, face expression, illumination, and in the presence of occlusion artifacts). The experimental results were obtained using five challenging public face databases (namely, PUT, FEI, FERET, Yale and ORL). These experiments confirm that the proposed feature extraction method integrated to the proposed transformation to a discriminative lower dimensionality space using the alternative classification scheme with SVM and soft margins obtains higher recognition rates than the OLPP method itself and methods representative of the state-ofthe- art even when are used color (RGB) face images in high resolution (PUT, FEI and FERET face databases) as well as grayscale face images in low resolution (Yale and ORL face databases).

Orientador: Gilmar Barreto / Dissertação (mestrado) - Universidade Estadual de Campinas, Faculdade de Engenharia Eletrica e de Computação / Made available in DSpace on 2018-08-12T10:12:12Z (GMT). No. of bitstreams: 1 GiraldoClavijo_David_M.pdf: 8609535 bytes, checksum: 3757243978613825c57c07d4e9b3cae4 (MD5) Previous issue date: 2008 / Resumo: Este estudo apresenta os fundamentos teóricos para modelagem de dados multivariáveis no espaço de estado através de Métodos de Subespaços para Identificação de sistemas lineares invariantes no tempo, discretos no tempo. O trabalho contém alguns conceitos básicos de sistemas dinâmicos, um pouco da história e os elementos de identificação de sistemas, modelos no espaço de estado e modelos estendidos no espaço de estado. Dois Métodos de Subespaços são analisados e tratados, o Multivariable Output-Error State-sPace (MOESP) e o Numerical algorithm for Subspace State-Space System IDentification (N4SID). Modificações nos seus algoritmos são propostas e implementadas. Experimentos com benchmarks são realizados para exemplificar o procedimento de identificação por subespaços e para avaliar os algoritmos modificados. / Abstract: This study presents the theoretical foundations of multivariable data modeling in state space by Subspace Methods for Systems Identification of linear time invariant, discrete time, systems. The work contains some basic concepts of dynamic systems, a little of history and the elements of systems identification, state space models and extended state space models. Two Subspace Methods are analyzed and applied, Multivariable Output-Error State-sPace (MOESP)and Numerical algorithm for Subspace State-Space System IDentification (N4SID). Some modifications then are proposed and implemented. Experiments with benchmarks are realized to show the procedure of Identification by subspace and to evaluate the modified algorithms. / Mestrado / Automação / Mestre em Engenharia Elétrica

Τα συστήματα που έχουν πολλαπλές κεραίες σε πομπό και δέκτη (ΜΙΜΟ) έχουν την δυνατότητα να επιτύχουν υψηλούς ρυθμούς δεδομένων και αυξημένη αξιοπιστία χωρίς να απαιτείται επιπλέον εύρος ζώνης ή ισχύς μετάδοσης. Η βασική αρχή στην οποία βασίζονται είναι ότι το σήμα που εκπέμπεται από τον πομπό διέρχεται από περισσότερα του ενός ανεξάρτητα κανάλια. Ο δέκτης εκμεταλλευόμενος τις πολλαπλές λήψεις του ίδιου σήματος μπορεί να βελτιώσει την απόδοσή του. Η εισαγωγή πολλαπλών κεραιών σε κάποια συστήματα δεν είναι δυνατό να συμβεί συνήθως λόγω του χώρου που απαιτείται. Παρόλα αυτά, σε αυτό το περιβάλλον επικοινωνίας υπάρχουν συνήθως πολλαπλοί χρήστες που μπορούν να συνεργαστούν και να δημιουργήσουν ένα κατανεμημένο σύστημα ΜΙΜΟ, που αναφέρεται στην βιβλιογραφία ως συνεργατικό (cooperative). Στα συστήματα MIMO έχουν προταθεί τεχνικές προσανατολισμένης επικοινωνίας (beamforming) με σκοπό την ακύρωση των παρεμβολών και του θορύβου στο δέκτη. Οι τεχνικές αυτές απαιτούν την γνώση της κατάστασης του καναλιού αφού πραγματοποιούν διάσπαση της μήτρας των συντελεστών του καναλιού κατά παράγοντες ώστε να εξάγουν τα διανύσματα βάρους με τα οποία θα πολλαπλασιάσουν τις ακολουθίες των συμβόλων που λαμβάνει ο δέκτης ή /και των συμβόλων που μεταδίδει ο πομπός. Συγκεκριμένα, μελετήθηκε η περίπτωση της τεχνικής προσανατολισμένης επικοινωνίας που στηρίζεται στην μέθοδο SVD η οποία πολλαπλασιάζει το διάνυσμα των προς μετάδοση συμβόλων στον πομπό και το διάνυσμα των ληφθέντων συμβόλων στο δέκτη με τα κατάλληλα ιδιάζοντα διανύσματα, επιτυγχάνοντας προσανατολισμένη επικοινωνία λήψης και εκπομπής (transmit και receive beamforming). Όπως αναφέρθηκε, η συγκεκριμένη μέθοδος απαιτεί την γνώση της κατάστασης του καναλιού σε πομπό και σε δέκτη. Για αυτό το σκοπό αρχικά θα μελετηθεί η επίδραση της εκτίμησης του καναλιού στην επίδοση της μεθόδου η οποία διεξάγεται από ένα εκτιμητή μέγιστης πιθανοφάνειας από ακολουθίες συμβόλων εκμάθησης που έχει μεταδώσει ο πομπός. Στην συνέχεια θα εξεταστεί η περίπτωση που τα κανάλια μπορούν να περιγραφούν από ένα μοντέλο πολλαπλών μονοπατιών. Ένα τέτοιο μοντέλο είναι δυνατό να εκτιμηθεί από δείγματα της κρουστικής απόκρισης του καναλιού, βελτιώνοντας περαιτέρω την επίδοση του συστήματος. Επίσης, παρέχει και την δυνατότητα της πρόβλεψης των μεταγενέστερων καταστάσεων του καναλιού, μειώνοντας αρκετά τον αριθμό των συμβόλων εκμάθησης που απαιτούνται. Η εκτίμηση των παραμέτρων του μοντέλου του καναλιού θα γίνει με την βοήθεια της μεθόδου ESPRIT. Τελικά, θα ενσωματωθεί η εκτίμηση του μοντέλου και στην τεχνική προσανατολισμένης επικοινωνίας και θα μελετηθεί η επίδοσή της. Στην συνέχεια θα εφαρμόσουμε την προηγούμενη διάταξη στην περίπτωση των συνεργατικών συστημάτων. Θα εφαρμοστεί λοιπόν, σε ένα τέτοιο σύστημα η τεχνική με την εκτίμηση του μοντέλου του καναλιού και θα αναλυθεί η επίδοσή του για τα δύο πιο γνωστά πρωτόκολλα επικοινωνίας μεταξύ του κόμβου-πηγής και των κόμβων-συνεργατών, το ενίσχυσης και προώθησης και το αποκωδικοποίησης και προώθησης. / The systems that have multiple transmit and receive antennas (MIMO) can achieve high data rates and increased reliability without the need for additional bandwidth or transmission power. The aforementioned is based on the transmission of the signal of the transmitter via multiple independent channels. The receiver can use the multiple versions of the same signal to improve its performance. The introduction of multiple antennas in some systems it is not possible due to the lack of space. On contrast, in a multi-user environment there are users of a single antenna that can cooperate to construct a distributed MIMO system, which are called in the bibliography as a cooperative system. A number of beamforming schemes have already proposed in MIMO systems with the view of interference and noise cancellation. These schemes compute the singular value decomposition of the channel matrix and use the singular vectors to extract the weight vectors that are used to multiply the sequences of symbols that transmitter transmits and the symbols that receiver receives. This scheme achieves transmit and receive beamforming and transmitter and receiver must have full channel state information (CSI). The next step is to examine the performance of this method under channel estimation errors. The estimation of the channel is carried out with a maximum likelihood estimator from training sequences that were transmitted from the transmitter. After that, we examine the case in which the channel taps can be modeled by a multipath model. The parameters of a model of this kind can be computed from noise corrupted samples with sub-space methods. In this thesis we use the ESPRIT method for the estimation of these parameters. After the estimation of the model’s parameters we can use the model to predict future values of channel taps, decreasing with this way the number of the training symbols that are needed. Then, we will use this method in the system with the beamforming scheme and we will evaluate its performance. Finally, the complete infrastructure will be applied to a cooperative system and its performance will be tested for the two most popular cooperation protocols, the amplify and forward protocol and the decode and forward protocol.