[pt] Identificar um indivíduo a partir de uma imagem de face é
uma tarefa simples para seres humanos e extremamente
difícil para a Visão Computacional. Esta questão tem
motivado diversos grupos de pesquisa em todo o mundo,
especialmente a partir de 1993. Inúmeros trabalhos
realizados até o momento encaram uma imagem digital de n
pixels como um vetor num espaço n-dimensional, onde n é em
geral muito grande. Imagens de rostos humanos possuem,
contudo, grande redundância: todas contém dois olhos, um
nariz, uma boca, e etc. É possível, portanto, trabalhar em
uma base deste espaço em que faces possam ser
adequadamente caracterizadas a partir de um conjunto de p
componentes, onde p é muito menor quen. É com este enfoque
que o presente trabalho estuda sistemas de reconhecimento
de faces que consistem de um estágio de redução de
dimensionalidade, realizado pela técnica de Análise de
Componentes Principais (PCA), seguido de um modelo
classificador. No estágio da PCA, as imagens de n pixels
são transformadas em vetores de p características a partir
de um conjunto de treinamento. Três classificadores
conhecidos na literatura são estudados: os classificadores
de distância (EUclideana e de Mahalanobis), a rede neural
de Funções Base Radiais (RBF), e o classificador de
Fisher. Este trabalho propõe, ainda, um novo classificador
que introduz o conceito de Matrizes de Covariança
Misturadas (MPM) no classificador gaussiano de Máxima
Probabilidade. Os quatros classificadores são avaliados
através da variação de seus respectivos parâmetros e
utilizam como imagens o banco de faces da Olivetti. Nos
experimentos realizados para comparar tais abordagens, o
novo classificador proposto atingiu as maiores taxas de
reconhecimento e apresentou menorsensibilidade à escolha
do conjunto de faces de treinamento. / [en] Identifying an individual based on a face image is a
simple task for humans to perform and a very difficult one
for Vision Computing. Since 1993, several research groups
in all over the world have been studied this problem. Most
of the methods proposed for recognizing the identity of an
individual represent a n intensity pixel image as a n-
dimensional vector, when, in general, n is a very large
number value. Face images are highly redundant, since
every individual has two eyes, one nose, one mouth and so
on. Then, instead of using n intensity values, it is
generally possible to characterize an image instance by a
set of p features, for p < < n. This work studies face
recognition systems consisting of a PCA stage for
dimensionality reduction followed by a classifier. The PCA
stage takes the n-pixels face images and produces the
corresponding p most expensive features, based on the
whole available training set. Three classifiers proposed
in the literature are studied: the Euclidean and
Mahalanobis distances, the RBF neural network, and the
Fisher classifier. This work also proposes a new
classifier, which introduces the concept of Mixture
Covariance Matrices (MPM) in the Minimum Total Probality
of Misclassification rule for normal populations. The four
classifiers are evaluated using the Olivetti Face Database
varying their parameters in a wide range. In the
experiments carried out to compare those approaches the
new proposed classifier reached the best recognition rates
and showed to be less sensitive to the choice of the
training set.
Identifer | oai:union.ndltd.org:puc-rio.br/oai:MAXWELL.puc-rio.br:7432 |
Date | 04 November 2005 |
Contributors | RAUL QUEIROZ FEITOSA |
Publisher | MAXWELL |
Source Sets | PUC Rio |
Language | Portuguese |
Detected Language | Portuguese |
Type | TEXTO |
Page generated in 0.1801 seconds