Reconhecimento facial

3.303 visualizações

Publicada em

métodos e técnicas de reconhecimento facial, aplicações e problemas.

Publicada em: Tecnologia
0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
3.303
No SlideShare
0
A partir de incorporações
0
Número de incorporações
26
Ações
Compartilhamentos
0
Downloads
52
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Reconhecimento facial

  1. 1. Reconhecimento facial Helton Eduardo Ritter Kerly Selzler Lucas Gabriel Menin Helmuth Grossmann Jr.
  2. 2. Biometria Biometria - Um estudo que faz  medições sobre os seres vivos; Atenção científica - apenas no fim do século XIX “características físicas passaram a ser armazenadas para fins judiciais”; Cédulas de identidade – Brasil, início do século XX;
  3. 3. O “fundamento” disso é.. ●Baseaiam-se em algorítmos matemátios; ●Necessidade de testar em uma grande amostra; A biometria é a única maneira de garantir a  presença do proprietário durante a operação; O reconhecimento facial tem pouco impacto cultural;
  4. 4. O ambiente O software vai ter que processar JPEG/MJPG/MP4/h264; Ambiente controlado: fator determinante para o reconhecimento facial. Qualidade da câmera, iluminação do ambiente... Em biometria sempre temos:  FAR: taxa de falsa aceitação  FRR: taxa de falsa rejeição
  5. 5. CV O “reconhecimento” de imagens faz parte de uma área que se chama “Visão computacional” - Computer Vision. Bom artigo para quem quiser saber mais: http://www.acm.org/crossroads/xrds3-1/vision.html Mais específico sobre reconhecimento facial: http://www.face-rec.org
  6. 6. Temos então os principais tipos Reconhecimento em imagem X Reconhecimento em vídeo
  7. 7. PCA Derivado da transformação de Karhunen-Loeve. PCA – Principal Components Analisys - Tende a encontrar um subespaco t-dimensional entre a base do vetor correspondente para a máxima direção de variância do espaço de imagem original. Esse novo subespaço é normalmente menor (t<<s). Se os elementos são considerados variáveis randômicas, os vetores do PCA são designados de “eigenvectors” ou “scatter matrix” (algo como matriz de covariância).
  8. 8. ICA Independent Component Analysis, minimiza a dependência dos dados de entrada entre a segunda e a maior ordem, tenta encontrar uma base nos dados para serem estatísticamente independentes (a covariância não ocorre). Há duas arquiteturas propostas por Bartlett, Movellan e Sejnowski, uma é baseada na bases independente estatísticamente e a segunda é baseada na representação fatorial do código.
  9. 9. LDA Linear Discriminant Analysis, procura os vetores bases (underlying space) que melhor descrevem a classe. No fim se tem um espaço de busca menor.
  10. 10. EP Evolotionary Pursuit. Trata-se de uma abordagem baseada no eigenspace que busca as melhores projeções dos eixos para maximizar o retorno da função, avaliando ao mesmo tempo a acurácia e a habilidade de generalização do sistema. Como a dimensão do problema é muito grande, é solucionada usando-se de algoritimos genéticos.
  11. 11. EBGM Elastic Bunch Graph Matching. Os seres humanos compartilham de uma mesma topologia de estrutura facial. Faces são representadas como gráficos com nós posicionados em pontos fiductiais (fixos, padrões, que possam servir de referência para comparações como o nariz, olhos...) e são guardados a distância desses vetores. Cada nó contém 40 coeficientes em diferentes escalas e orientações.
  12. 12. Trace Transform É uma generalização de transformações de Radon, é uma ferrameta para processar imagens que pode reconhecer objetos em transformação, rotação, translação e mudança de escala. Para produzir esse resultado um computador traça linhas ao longo da imagem.
  13. 13. 3-D Morphable Model As faces são representadas em um modelo 3-D, porque esse é melhor para problemas de representação de faces, tratando melhor difrentes posições, iluminação. Tudo é “codificado” em formas e texturas.
  14. 14. SVM - Support Vector Machine Consiste em definir uma série de pontos em um espaço multidimensional e encontrar um hiperplano que separe esses pontos que estejam em classes diferentes. Se tem habilidade com números veja também: http://en.wikipedia.org/wiki/Support_vector_machine
  15. 15. Aplicações  Garantir a presença;  Ajudar tetraplégicos; Reconhecimento da idade da pessoa (venda de cigarro); Reconhecimento de criminosos;
  16. 16. Aplicações  Sites que reconhecem pessoas em fotos; Câmeras digitais / enquadramento da foto na face / esperar a pessoa piscar;  Logins em sistemas;  Identificação para abrir portas;
  17. 17. Problemas  Iluminação;  Mudanças físicas;  Machucados;  Iluminação / qualidade da imagem
  18. 18. Conclusões Muitas aplicabilidades  Muitos problemas a resolver  Uso em aplicações não-críticas  Reconhecimento em vídeo 
  19. 19. Referências Lopes, Vinicius Rodrigues. Reconhecimento Facial usando SVM. PUC-RJ Departamento de Informática, 2007. FARIA, Alessandro de Oliveira. Biometria em Linux existe?. X Fórum Internacional do Software Livre. Porto Alegre, 2009. http://www.baixaki.com.br/info/2852-comparacao- gerenciadores-de-fotos-com-reconhecimento-facial.htm , 09/11/2009 as 19:58. GRGIC, Mislav, DELAC, Kresimir. Face Recognization, Algorithms. Disponível em <http://www.face- rec.org/algorithms/>

×