Submitted by Fabio Sobreira Campos da Costa (fabio.sobreira@ufpe.br) on 2016-04-07T12:14:52Z
No. of bitstreams: 2
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
dissertação_jiss_ciênciadacomputação.pdf: 2819671 bytes, checksum: 98f583c2b7105c3a5b369b2b48097633 (MD5) / Made available in DSpace on 2016-04-07T12:14:52Z (GMT). No. of bitstreams: 2
license_rdf: 1232 bytes, checksum: 66e71c371cc565284e70f40736c94386 (MD5)
dissertação_jiss_ciênciadacomputação.pdf: 2819671 bytes, checksum: 98f583c2b7105c3a5b369b2b48097633 (MD5)
Previous issue date: 2015-02-24 / FADE / Tem crescido o uso de sistemas computacionais para reconhecimento de pessoas por meio
de dados biométricos, consequentemente os métodos para realizar o reconhecimento tem
evoluído. A biometria usada no reconhecimento pode ser face, voz, impressão digital
ou qualquer característica física capaz de distinguir as pessoas. Mudanças causadas por
cirurgias, envelhecimento ou cicatrizes, podem não causar mudanças significativas nas
características faciais tornando possível o reconhecimento após essas mudanças de aparência
propositais ou não. Por outro lado tais mudanças se tornam um desafio para sistemas de
reconhecimento automático. Além das mudanças físicas há outros fatores na obtenção da
imagem que influenciam o reconhecimento facial como resolução da imagem, posição da
face em relação a câmera, iluminação do ambiente, oclusão, expressão. A distância que uma
pessoa aparece na cena modifica a resolução da região da sua face, o objetivo de sistemas
direcionados a esse contexto é que a influência da resolução nas taxas de reconhecimento
seja minimizada. Uma pessoa mais distante da câmera tem sua face na imagem numa
resolução menor que uma que esteja mais próxima. Sistemas de reconhecimento facial têm
um menor desempenho ao tratar imagens faciais de baixa resolução. Uma das fases de
um sistema de reconhecimento é a extração de características, que processa os dados de
entrada e fornece um conjunto de informações mais representativas das imagens. Na fase
de extração de características os padrões da base de dados de treinamento são recebidos
numa mesma dimensão, ou seja, no caso de imagens numa mesma resolução. Caso as
imagens disponíveis para o treinamento sejam de resoluções diferentes ou as imagens
de teste sejam de resolução diferente do treinamento, faz-se necessário que na fase de
pré-processamento haja um tratamento de resolução. O tratamento na resolução pode
ser aplicando um aumento da resolução das imagens menores ou redução da resolução
das imagens maiores. O aumento da resolução não garante um ganho de informação que
possa melhorar o desempenho dos sistemas. Neste trabalho são desenvolvidos dois métodos
executados na fase de extração de características realizada por Eigenface, os vetores de
características são redimensionados para uma nova escala menor por meio de interpolação,
semelhante ao que acontece no redimensionamento de imagens. No primeiro método, após
a extração de características, os vetores de características e as imagens de treinamento são
redimensionados. Então, as imagens de treinamento e teste são projetadas no espaço de
características pelos vetores de dimensão reduzida. No segundo método, apenas os vetores
de características são redimensionados e multiplicados por um fator de compensação.
Então, as imagens de treinamento são projetadas pelos vetores originais e as imagens de
teste são projetadas pelos vetores reduzidos para o mesmo espaço. Os métodos propostos
foram testados em 4 bases de dados de reconhecimento facial com a presença de problemas
de variação de iluminação, variação de expressão facial, presença óculos e posicionamento
do rosto. / In the last decades the use of computational systems to recognize people by biometric data
is increasing, consequently the efficacy of methods to perform recognition is improving.
The biometry used for recognition can be face, voice, fingerprint or other physical feature
that enables the distiction of different persons. Facial changes caused by surgery, aging or
scars, does not necessarily causes significant changes in facial features. For a human it is
possible recognize other person after these interventions of the appearance. On the other
hand, these interventions become a challenge to computer recognition systems. Beyond the
physical changes there are other factors in aquisition of an image that influence the face
recognition such as the image resolution, position between face and camera, light from
environment, occlusions and variation of facial expression. The distance that a person is
at image aquisition changes the resolution of face image. The objective of systems for this
context is to minimize the influence of the image resolution for the recognition. A person
more distant from the camera has the image of the face in a smaller resolution than a
person near the camera. Face recognition systems have a poor performance to analyse
low resolution image. One of steps of a recognition system is the features extraction that
processes the input data so provides more representative images. In the features extraction
step the images from the training database are received at same dimension, in other words,
to analyse the images they have the same resolution. If the training images have different
resolutions of test images it is necessary a preprocessing to normalize the image resolution.
The preprocessing of an image can be to increase the resolution of small images or to
reduce the resolution of big images. The increase resolution does not guarantee that there
is a information gain that can improves the performance of the recognition systems. In
this work two methods are developed at features extraction step based on Eigenface. The
feature vectors are resized to a smaller scale, similar to image resize. In first method, after
the feature extraction step, the feature vectors and the training images are resized. Then
the training and test images are projected to feature space by the resized feature vectors.
In second method, only the feature vectors are resized and multiplied by a compensation
factor. The training images are projected by original feature vectors and the test images
are projected by resized feature vectors to the same space. The proposed methods were
tested in 4 databases of face recognition with presence of light variation, variation of facial
expression, use of glasses and face position.
| Identifer | oai:union.ndltd.org:IBICT/oai:repositorio.ufpe.br:123456789/16367 |
| Date | 24 February 2015 |
| Creators | SILVA, José Ivson Soares da |
| 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/masterThesis |
| 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 0.0034 seconds