Submitted by Isaac Francisco de Souza Dias (isaac.souzadias@ufpe.br) on 2016-01-27T17:15:55Z
No. of bitstreams: 2
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
tbac-tese-biblioteca.pdf: 1708133 bytes, checksum: 358aacd6d090f9b7678979be16cc120e (MD5) / Made available in DSpace on 2016-01-27T17:15:55Z (GMT). No. of bitstreams: 2
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
tbac-tese-biblioteca.pdf: 1708133 bytes, checksum: 358aacd6d090f9b7678979be16cc120e (MD5)
Previous issue date: 2015-04-23 / CAPES / Um dos problemas de reconhecimento de faces consiste em identificar quem é a pessoa cuja
imagem do rosto está em uma fotografia. A representação digital desta imagem contém milhares
de pixels, cada um representando a intensidade de iluminação de uma minúscula região
da imagem. O problema de reconhecimento pode ser simplificado se forem extraídas poucas
dezenas de características para representar toda a imagem. Neste trabalho são propostas
duas metodologias de extração de características. Uma destas metodologias chama-se Agrupamento
de Pixels e a outra Autofaces Fracionárias. A partir de cada uma destas metodologias
são propostas técnicas de extração de características. Tais técnicas têm a mesma aplicação
que a técnica de referência Autofaces (Eigenfaces): geram projeções lineares das imagens de
face. Cada uma dessas projeções é dita uma característica extraída, a qual contém informações
sobre propriedades visuais da imagem de face. Com a primeira metodologia proposta,
Agrupamento de Pixels, são definidas duas técnicas de extração de características, Pedaçospor-
valor e Pedaços-por-posição. Pedaços-por-valor define regiões da face com intensidade
similar. Pedaços-por-posição define regiões por relações de vizinhança. Em ambos os métodos
é extraída uma característica para cada região. Estas técnicas obtiveram taxa de reconhecimento
superior a outros métodos no estado da arte. Foi demonstrado com um experimento
com dados artificiais que esta técnica é capaz de extrair características discriminantes mesmo
sendo uma técnica não-supervisionada. Pedaços-por-valor também é avaliada na aplicação de
compressão de imagens. Demonstra-se que esta representação é mais fiel ao original do que
a compressão JPEG se comprimida ao máximo. A segunda metodologia proposta também é
não-supervisionada. Inspira-se em Autofaces e na técnica no estado da arte PCA Fracionário.
Com esta metodologia são definidas três técnicas de extração de características. Experimentos
mostram que estas técnicas extraem características que levam a uma taxa de reconhecimento
maior do que as técnicas das quais são derivadas. Um experimento em visualização de dados propõe uma explicação para as vantagens destas técnicas: aumentam a fronteira de decisão; e
aproximam os exemplos da mesma classe, diminuindo a sobreposição entre classes distintas. / One problem in face recognition is to identify who is the person shown in a photography. The
digital representation of such photo, an image, has thousands of pixels, each pixel represent the
light intensity of a tiny image region. The recognition problem is simpler if dozens of features
are extracted to represent all the image. We propose two feature extraction frameworks for
face recognition: Pixel Clustering and Fractional Eigenfaces. Feature extraction techniques are
defined from each framework. Such techniques are applied similarly to the benchmark method
Eigenfaces: they define linear projections of the face images. Each projection is an extracted
feature, which encodes face visual properties. In the proposed Pixel Clustering framework, two
methods are defined, Intensity-patches and Position-patches. Intensity-patches defines regions
in the image that have similar intensity values. Position-patches defines regions according to
neighborhood of pixels. In both methods, a single feature is extracted for each region. These
methods have higher accuracy compared to other state-of-the-art for face recognition techniques.
As demonstrated in experiments with artificial data, Intensity-patches is able to extract
discriminant features even though it is an unsupervised method. Value-patches is also used
for image compression and, compared to the JPEG compression, it generates images more similar
to the original for high level compression. The second proposed framework is inspired
in the Fractional PCA (FPCA) method, and the Eigenfaces method for face recognition. Three
feature extraction techniques are proposed using this framework: Fractional Eigenfaces,
Improved Fractional Eigenfaces, and Improved Eigenfaces. These methods presented higher
accuracy rates in the face recognition problem compared to FPCA and Eigenfaces. An explanation
for their performance is presented using a data visualization experiment: we show that the
decision frontier is enlarged, and samples of the same class are approximated, avoiding class
overlap.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/15010 |
| Date | 23 April 2015 |
| Creators | CARVALHO, Tiago Buarque Assunção de |
| Contributors | http://lattes.cnpq.br/3084134533707587, REN, Tsang Ing, CAVALCANTI, George Darmiton da Cunha |
| Publisher | UNIVERSIDADE FEDERAL DE PERNAMBUCO, Programa de Pos Graduacao em Ciencia da Computacao, UFPE, Brasil |
| Source Sets | IBICT Brazilian ETDs |
| Language | Portuguese |
| Detected Language | Portuguese |
| Type | info:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/doctoralThesis |
| Source | reponame:Repositório Institucional da UFPE, instname:Universidade Federal de Pernambuco, instacron:UFPE |
| Rights | Attribution-NonCommercial-NoDerivs 3.0 Brazil, http://creativecommons.org/licenses/by-nc-nd/3.0/br/, info:eu-repo/semantics/openAccess |
Page generated in 0.0021 seconds