Reconhecimento de Expressões Faciaisutilizando Abordagem GeométricaInstituição: Universidade Federal da BahiaCurso: Mestra...
2 Objetivos Introdução Revisão da Literatura Sistema de Reconhecimento de Expressões Faciais Resultados Experimentais...
3 Neste trabalho foi desenvolvido um sistemareconhecimento automático de expressões faciais quetem como objetivo é classi...
4 Desenvolver novos ou melhorar os atuais sistemas dereconhecimento automáticos de expressões faciais. Avanços na área d...
5 Extração de Características FaciaisBaseadas em GeometriaBaseadas em AparênciaCaracterísticas Híbridas Classificação...
6Características Baseadas em Geometria-----------------------------------------------------------------------------------...
7Características Baseadas em Aparência-----------------------------------------------------------------------------------...
8Características Híbridas------------------------------------------------------------------------------------------------...
9Mudanças nas ExpressõesExpressões básicas universais - Ekman e Friesen (1971)Seis expressões universais não mudam para...
10Métodos de classificaçãoImagem EstáticasRedes Neurais Artificiais (e.g.,Padgett et al. 1996, Saket et al. 2009, Kobaya...
11Variações do AmbienteResolução da Face--------------------------------------------------------------------------------...
12--------------------------------------------------------------------------------------------------------------------Reco...
13Arquitetura do Sistema-------------------------------------------------------------------------------------------------...
14--------------------------------------------------------------------------------------------------------------------Dete...
15 Características Baseada em geometria 20 landmarks faciaisConsomem normalmente menos custo computacionalque os métodos...
16--------------------------------------------------------------------------------------------------------------------Extr...
17--------------------------------------------------------------------------------------------------------------------Extr...
18--------------------------------------------------------------------------------------------------------------------Extr...
19-------------------------------------------------------------------------------------------------------------------Extra...
20 Análise de Procrustes Generalizada (AGP) desenvolvido por Gower (1975),e modificado por Berge (1977).-----------------...
21 Mudanças nas expressõesExpressões básicas universais. Classificação Baseada em Imagens EstáticasA informação de uma...
22 Classificação Baseada em ModelosModelo médio de sete expressões faciais----------------------------------------------...
23 Classificação Baseada em ModeloAnálise de Procrustes Generalizada (AGP)----------------------------------------------...
24 Classificação Baseada em ModeloCorrespondência entre Modelos---------------------------------------------------------...
25 Classificação Baseada em Redes Neurais Artificiais MLP(Multi-Layer Perceptrons) do tipo feed forwardA Configuração da ...
26--------------------------------------------------------------------------------------------------------------------Resu...
27--------------------------------------------------------------------------------------------------------------------Base...
28--------------------------------------------------------------------------------------------------------------------Base...
29--------------------------------------------------------------------------------------------------------------------Resu...
30--------------------------------------------------------------------------------------------------------------------Aval...
31--------------------------------------------------------------------------------------------------------------------Aval...
32--------------------------------------------------------------------------------------------------------------------Clas...
33--------------------------------------------------------------------------------------------------------------------Aval...
34--------------------------------------------------------------------------------------------------------------------Cla...
35 Os resultados foram apresentados através da matriz de confusão--------------------------------------------------------...
36--------------------------------------------------------------------------------------------------------------------Aval...
37--------------------------------------------------------------------------------------------------------------------Cla...
38 Os resultados foram apresentados através da matriz de confusão.-------------------------------------------------------...
39--------------------------------------------------------------------------------------------------------------------Aval...
40--------------------------------------------------------------------------------------------------------------------Clas...
41--------------------------------------------------------------------------------------------------------------------Aval...
42 Para o módulo de detecção da face, o sistemadetectou 100% das faces. No módulo de detecçãodas regiões faciais (olhos, ...
43 Base de dados FG- NET-------------------------------------------------------------------------------------------------...
44 Classificação baseada em modelos:3 expressões (felicidade, neutralidade e surpresa) : 97,78% .4 expressões (felicidade...
45 Diferenças entre os resultadosRedes Neurais Artificiais X Abordagem baseada em ModelosRedes neurais artificiais apres...
46 ComparaçãoAlguns sistemas que utilizam a base de dados FG-NET e reconhecem seteclasses de expressões.-----------------...
47------------------------------------------------------------------------------------------------------------------Concl...
48 Adicionar ao sistema desenvolvido um novo módulo de correção deformas semelhante à estratégia utilizada por Beumer et ...
49 Realizar experimentos com outros métodos de classificação, tais como:Support Vector Machine, K-Nearest Neighbor, Redes...
50 Detecção de Landmarks em Imagens Faciais Baseada em Informações Locais.XIX Congresso Brasileiro de Automática - CBA 20...
51--------------------------------------------------------------------------------------------------------------------UFBA...
52--------------------------------------------------------------------------------------------------------------------Bibl...
Próximos SlideShares
Carregando em…5
×

Apresentacao

268 visualizações

Publicada em

0 comentários
0 gostaram
Estatísticas
Notas
  • Seja o primeiro a comentar

  • Seja a primeira pessoa a gostar disto

Sem downloads
Visualizações
Visualizações totais
268
No SlideShare
0
A partir de incorporações
0
Número de incorporações
1
Ações
Compartilhamentos
0
Downloads
4
Comentários
0
Gostaram
0
Incorporações 0
Nenhuma incorporação

Nenhuma nota no slide

Apresentacao

  1. 1. Reconhecimento de Expressões Faciaisutilizando Abordagem GeométricaInstituição: Universidade Federal da BahiaCurso: Mestrado em MecatrônicaAluna: Caroline SilvaOrientador: Leizer SchnitmanCoorientador: Luciano Oliveira
  2. 2. 2 Objetivos Introdução Revisão da Literatura Sistema de Reconhecimento de Expressões Faciais Resultados Experimentais Avaliação dos Resultados e Considerações Finais Trabalhos Futuros--------------------------------------------------------------------------------------------------------------------SumárioUFBA 2012, Salvador, Brasil
  3. 3. 3 Neste trabalho foi desenvolvido um sistemareconhecimento automático de expressões faciais quetem como objetivo é classificar sete diferentes estadosemocionais: neutralidade, felicidade, tristeza, surpresa,raiva, desgosto e medo utilizando as abordagensbaseadas em modelos e em redes neurais artificiais.--------------------------------------------------------------------------------------------------------------------ObjetivosUFBA 2012, Salvador, Brasil
  4. 4. 4 Desenvolver novos ou melhorar os atuais sistemas dereconhecimento automáticos de expressões faciais. Avanços na área de visão computacional, aprendizagemde máquina e processamento de imagens. Similaridade entre os sistemas existentes. O diferencial: tipo de característica extraída e no procedimentode classificação utilizado.--------------------------------------------------------------------------------------------------------------------IntroduçãoUFBA 2012, Salvador, Brasil
  5. 5. 5 Extração de Características FaciaisBaseadas em GeometriaBaseadas em AparênciaCaracterísticas Híbridas Classificação de Expressões FaciaisBaseados em Imagens EstáticasBaseados em Sequências de Imagens--------------------------------------------------------------------------------------------------------------------Revisão da LiteraturaUFBA 2012, Salvador, BrasilTian et. al (2005) e Zhan et. al (2006)
  6. 6. 6Características Baseadas em Geometria--------------------------------------------------------------------------------------------------------------------Extração de Características FaciaisUFBA 2012, Salvador, BrasilLandmarks Faciais: descreveum determinado objeto.(e.g., Chang et al. 2006, Valstaret al. 2012, Huang e Huang ,1997, Sebe et al. 2007)(e.g., Khandait et al. 2012, Tianet al. 2003, Sako e Smith,1996)Formas das Regiões da FaceRelações Geométricas (distâncias,ângulos, etc) entre landmarks.
  7. 7. 7Características Baseadas em Aparência--------------------------------------------------------------------------------------------------------------------Extração de Características FaciaisUFBA 2012, Salvador, BrasilAviso:! Geralmente precisam de redução de dimensionalidade e / ou seleção de características.(e.g., Littlewort et al. 2002, Kanadeet al., 2000)(e.g., Whitehill e Omlin , 2006)(e.g., Ford, 2002, Samad e Sawada, 2011,Bartlett et al. 2001, Guo e Dyer, 2005)(e.g., Shan et al. 2009 , Shane Gritti,2008)Gabor Intensidades dos pixelsHaar LBPMudanças textura da pele
  8. 8. 8Características Híbridas--------------------------------------------------------------------------------------------------------------------Extração de Características FaciaisUFBA 2012, Salvador, Brasil(e.g., Zhang et al., 1998, Lucey et al.2010, Hupont et al. 2008b, Martin etal. 2008)
  9. 9. 9Mudanças nas ExpressõesExpressões básicas universais - Ekman e Friesen (1971)Seis expressões universais não mudam para povos de diferentes nações e culturas.--------------------------------------------------------------------------------------------------------------------Classificação de Expressões FaciaisUFBA 2012, Salvador, Brasil(e.g., Black e Yacoob , 1997, Huang e Huang ,1997, Michel e Kaliouby, 2003, Littlewort et al. 2003, Chuang e Shih, 2006, Zeng et al. 2006).(e.g., Cohn et al. 1999b, Donato et al. 1999, Pantic e Rothkrantz ,2000, Tian et al. 2002, Bartlett et al. 2006, Ryan et al. 2009, Jianget al. 2011).Unidades de ação do FACS - Ekman e Friesen (1978)Seis expressões faciais: raiva, felicidade, medo, tristeza, desgosto e supresa.Tabela 1. Alguns exemplos de unidades de açãoRaiva Felicidade MedoTristeza Desgosto Surpresa
  10. 10. 10Métodos de classificaçãoImagem EstáticasRedes Neurais Artificiais (e.g.,Padgett et al. 1996, Saket et al. 2009, Kobayashi e Hara , 1997)Support Vector Machines (e.g., Tian et al. 2002, Chuang e Shih , 2006, Nagpal e Garg , 2011)Métodos Baseados em Regras (e.g., Khanam et al. 2008, Pantic e Rothkrantz , 2004)Sequências de ImagensHidden Markov Model (e.g., Yeasin et al. 2004, Bartlett et al. 2001)Métodos Baseados em Modelos (e.g., Essa e Pentland , 1997, Cohn et al. 1998)Redes Bayesianas Dinâmicas (e.g., Zhang e Ji, 2005, Cohen et al. 2003)--------------------------------------------------------------------------------------------------------------------Classificação de Expressões FaciaisUFBA 2012, Salvador, Brasil
  11. 11. 11Variações do AmbienteResolução da Face--------------------------------------------------------------------------------------------------------------------Questões e DesafiosUFBA 2012, Salvador, BrasilPosição da CabeçaDiferenças Individuais
  12. 12. 12--------------------------------------------------------------------------------------------------------------------Reconhecimento de Expressões FaciaisUFBA 2012, Salvador, Brasil
  13. 13. 13Arquitetura do Sistema--------------------------------------------------------------------------------------------------------------------Reconhecimento de Expressões FaciaisUFBA 2012, Salvador, BrasilO sistema foi treinado e testado em imagens que apresentaramiluminação uniforme, planos de fundo não uniforme e neutro evariações na aparência, tais como óculos, bigode e barba. Asimagens utilizadas pelo sistema, estão restritas a ambientesfechados.
  14. 14. 14--------------------------------------------------------------------------------------------------------------------Detecção da Face e Regiões FaciaisUFBA 2012, Salvador, BrasilDetector baseado em Haar-like-features como extrator de características e AdaBoost como classificador (VIOLA eJONES, 2001).Resoluções das imagens da face de 896x896 pixels e 640x480 pixels.Retângulo apresentando resolução em pixels de 17x5 para cada uma das sobrancelhas.Viola e Jones (2001)
  15. 15. 15 Características Baseada em geometria 20 landmarks faciaisConsomem normalmente menos custo computacionalque os métodos que utilizam características baseados emaparência (SHAN; BRASPENNING, 2010).Métodos baseados em geometria, geralmente ultrapassamo desempenho dos métodos baseados em aparência(PANTIC e PATRAS; VALSTAR e PANTIC 2006).--------------------------------------------------------------------------------------------------------------------Extração de Características FaciaisUFBA 2012, Salvador, BrasilAntes da extração de características foram aplicadas diferentes técnicas depré-processamento e segmentação.
  16. 16. 16--------------------------------------------------------------------------------------------------------------------Extração de Características FaciaisUFBA 2012, Salvador, Brasil Pré-processamento da região do olhoROI A. de contraste Limiarização A. de interesse Dilatação P. de lacunasT= 0.53
  17. 17. 17--------------------------------------------------------------------------------------------------------------------Extração de Características FaciaisUFBA 2012, Salvador, Brasil Pré-processamento da região da sobrancelhaROI Escala de cinza E. de histograma Limiarização DilataçãoT=0.46 E. estruturante: retaTamanho: 10P. lacunas
  18. 18. 18--------------------------------------------------------------------------------------------------------------------Extração de Características FaciaisUFBA 2012, Salvador, Brasil Pré-processamento da região da bocaROI Filtro Gaussiano 2D Imagem HSV Lim. e Abertura Área de interesseComponente: HE. estrut.: discoTamanho: 5T = 0.5
  19. 19. 19-------------------------------------------------------------------------------------------------------------------Extração de Características FaciaisUFBA 2012, Salvador, Brasil Detecção de 20 landmarks
  20. 20. 20 Análise de Procrustes Generalizada (AGP) desenvolvido por Gower (1975),e modificado por Berge (1977).--------------------------------------------------------------------------------------------------------------------Extração de Características FaciaisUFBA 2012, Salvador, BrasilConfiguração Inicial Translação Rotação Escala
  21. 21. 21 Mudanças nas expressõesExpressões básicas universais. Classificação Baseada em Imagens EstáticasA informação de uma única imagem usualmente é suficiente parareconhecer a expressão.Métodos de classificaçãoBaseado em modelos. Redes neurais artificiais.--------------------------------------------------------------------------------------------------------------------Classificação de Expressões FaciaisUFBA 2012, Salvador, Brasil
  22. 22. 22 Classificação Baseada em ModelosModelo médio de sete expressões faciais--------------------------------------------------------------------------------------------------------------------Classificação de Expressões FaciaisUFBA 2012, Salvador, BrasilNeutro Felicidade TristezaSurpresa Raiva Desgosto MedoEstimação de modelos médios!!!
  23. 23. 23 Classificação Baseada em ModeloAnálise de Procrustes Generalizada (AGP)--------------------------------------------------------------------------------------------------------------------Classificação de Expressões FaciaisUFBA 2012, Salvador, BrasilConjunto de dados de brutos Alinhamento por AGPExemplo de dados brutosextraídos de uma sequência deimagem de uma única expressão.A forma média após a aplicação.
  24. 24. 24 Classificação Baseada em ModeloCorrespondência entre Modelos--------------------------------------------------------------------------------------------------------------------Classificação de Expressões FaciaisUFBA 2012, Salvador, BrasilQUAL A SIMILARIDADE?Modelo médio Modelo de entradaVaria entre 0 e 1Dado um modelo extraídoda imagem de entrada comocompará-los com osmodelos médios estimados?
  25. 25. 25 Classificação Baseada em Redes Neurais Artificiais MLP(Multi-Layer Perceptrons) do tipo feed forwardA Configuração da rede consiste em:40 neurônios camada entrada correspondendo: 4 (landmarks) x2 (coordenada) x 5 (regiões faciais) .Camada oculta foram avaliados entre 10 a 16 neurônios.7 neurônios na camada de saída, um para cada classe de expressão(neutra, felicidade, surpresa, tristeza, raiva, desgosto e medo) .O algoritmo de treinamento utilizado : CGP (Conjugate gradientbackpropagation with Polak-Ribiére updates) proposto por Polak eRibiere (1969).Função de ativação: sigmóide--------------------------------------------------------------------------------------------------------------------Classificação de Expressões FaciaisUFBA 2012, Salvador, Brasil
  26. 26. 26--------------------------------------------------------------------------------------------------------------------Resultados ExperimentaisUFBA 2012, Salvador, BrasilBase de DadosTaxa de Detecção da Face e das Regiões FaciaisPrecisão dos LandmarksTaxa de acerto da classificação Baseada em Redes Neurais ArtificiaisTaxa de acerto da classificação Baseada em Modelos
  27. 27. 27--------------------------------------------------------------------------------------------------------------------Base de DadosUFBA 2012, Salvador, Brasil MUG Facial Expression (Aifanti et al, 2010)86 indivíduos, 35 são mulheres e 51 homens, entre 20 e 35 anos de idade.
  28. 28. 28--------------------------------------------------------------------------------------------------------------------Base de DadosUFBA 2012, Salvador, Brasil Face and Gesture Recognition Research Network (FG-NET)(WALLHOFF, 2006)18 diferentes indivíduos (9 do sexo feminino e 9 do sexo masculino) comidades entre 23 e 38 anos.Expressões universaisrotuladas.A MUG possui anotaçõesde landmarks.Importante!!!
  29. 29. 29--------------------------------------------------------------------------------------------------------------------Resultados da Detecção da Face e dasRegiões FaciaisUFBA 2012, Salvador, Brasil Base de dados MUG Facial ExpressionSubconjunto de 401 imagens de 26 indivíduos.100% das faces apresentadas.Taxa de detecção das regiões faciais.
  30. 30. 30--------------------------------------------------------------------------------------------------------------------Avaliação dos LandmarksUFBA 2012, Salvador, BrasilForma detectadamétodo PropostoQUAL A SIMILARIDADE?Forma da anotação MetodologiaVaria entre 0 e 1.
  31. 31. 31--------------------------------------------------------------------------------------------------------------------Avaliação dos LandmarksUFBA 2012, Salvador, Brasil Base de dados: MUG Facial ExpressionSubconjunto de 401 imagens de 26 indivíduos.Imagens Distância deProcrustes1 0.012 0.07... .....401 0.04Média 0.05Porcentagem média da distância de Procrustes : TP = 1 - DPTp = 1 – 0.05 = 95%Grau de similaridade entre as formas detectadas paracada uma das regiões faciais.Ilustração dos graus de similaridade deuma determinada região facial
  32. 32. 32--------------------------------------------------------------------------------------------------------------------Classificação das ExpressõesUFBA 2012, Salvador, BrasilMUG30 imagenspara cada expressão.Total: 210FG-NETTotal: 54 imagenspara cada expressão.Total: 370Abordagens baseadas em redes neurais artificiais e em modelos.Validação CruzadaMetodologia utilizada para as duas abordagensDados
  33. 33. 33--------------------------------------------------------------------------------------------------------------------AvaliaçãoRede Neural Artificial utilizando de base dedados MUGUFBA 2012, Salvador, Brasil
  34. 34. 34--------------------------------------------------------------------------------------------------------------------Classificação por Redes Neurais ArtificiaisUFBA 2012, Salvador, BrasilQual a melhor configuração em relação à quantidade de neurônios na camadaoculta?
  35. 35. 35 Os resultados foram apresentados através da matriz de confusão--------------------------------------------------------------------------------------------------------------------Classificação por Redes Neurais ArtificiaisUFBA 2012, Salvador, Brasil100%100%93%93%100%97%100%
  36. 36. 36--------------------------------------------------------------------------------------------------------------------AvaliaçãoRede Neural Artificial utilizando de base dedados FG-NETUFBA 2012, Salvador, Brasil
  37. 37. 37--------------------------------------------------------------------------------------------------------------------Classificação por Redes Neurais ArtificiaisUFBA 2012, Salvador, BrasilQual a melhor configuração em relação à quantidade de neurônios na camadaoculta para a base FG-NET ?
  38. 38. 38 Os resultados foram apresentados através da matriz de confusão.--------------------------------------------------------------------------------------------------------------------Classificação por Redes Neurais ArtificiaisUFBA 2012, Salvador, Brasil96%68%94%94%94%87%70%
  39. 39. 39--------------------------------------------------------------------------------------------------------------------AvaliaçãoAbordagem Baseada em ModelosUFBA 2012, Salvador, Brasil
  40. 40. 40--------------------------------------------------------------------------------------------------------------------Classificação baseada em ModelosUFBA 2012, Salvador, BrasilForam realizados testes em relação à taxa média de acerto entre 3 a 7 expressõesAviso !Este método foi avaliado utilizando a base de dadosFG-NET.
  41. 41. 41--------------------------------------------------------------------------------------------------------------------Avaliação dos Resultadose Considerações FinaisUFBA 2012, Salvador, Brasil
  42. 42. 42 Para o módulo de detecção da face, o sistemadetectou 100% das faces. No módulo de detecçãodas regiões faciais (olhos, sobrancelhas e boca),o sistema atingiu uma taxa média de detecção de 98% As características extraídas (landmarks) apresentaram uma taxa deprecisão acima de 90% . Para a classificação baseada em redes neurais artificiaisTaxa de reconhecimento de 97,62% para a base dedados MUG.Taxa de reconhecimento de 86,50% para a base dedados FG-NET.------------------------------------------------------------------------------------------------------------------Análise dos ResultadosUFBA 012, Salvador, BrasilResultados Favoráveis!!Por que essadiferença?
  43. 43. 43 Base de dados FG- NET------------------------------------------------------------------------------------------------------------------Análise dos ResultadosUFBA 2012, Salvador, BrasilSurpresa Tristeza
  44. 44. 44 Classificação baseada em modelos:3 expressões (felicidade, neutralidade e surpresa) : 97,78% .4 expressões (felicidade, neutralidade, surpresa e tristeza) : 73,33%5 expressões (felicidade, neutralidade, surpresa e tristeza e raiva): 69,33%6 expressões (felicidade, neutralidade, surpresa e tristeza, raiva e desgosto): 66,67% .Aviso!! A taxa de acerto deste método diminuiu à medida que aumentou-sea quantidade de expressões!!!------------------------------------------------------------------------------------------------------------------Análise dos ResultadosUFBA 2012, Salvador, Brasil
  45. 45. 45 Diferenças entre os resultadosRedes Neurais Artificiais X Abordagem baseada em ModelosRedes neurais artificiais apresentar robustez a ruídos nos dadosde treinamento.Abordagem baseada em modelos, todos os landmarks são utilizadosno cálculo do grau de similaridade entre as expressões e seus respectivosmodelos médios. Além da suavização de alguns detalhes faciais.------------------------------------------------------------------------------------------------------------------Análise dos ResultadosUFBA 2012, Salvador, Brasil
  46. 46. 46 ComparaçãoAlguns sistemas que utilizam a base de dados FG-NET e reconhecem seteclasses de expressões.------------------------------------------------------------------------------------------------------------------Análise dos ResultadosUFBA 2012, Salvador, Brasil
  47. 47. 47------------------------------------------------------------------------------------------------------------------ConclusãoUFBA 2012, Salvador, BrasilOs resultados experimentais demonstram que asmelhores taxas de reconhecimento apresentada pelosistema foi obtida com a utilização da rede neuralartificial, alcançando uma taxa de reconhecimento de97,62% para a base dados MUG Facial Expression, e86,50% para a base FG-NET.
  48. 48. 48 Adicionar ao sistema desenvolvido um novo módulo de correção deformas semelhante à estratégia utilizada por Beumer et al. (2006) em queas posições dos landmarks detectados incorretamente são corrigidos. Outros tipos de características podem ser utilizados para aprimorar aclassificação de expressões. Um exemplo, poderia ser aplicação dofiltro de Gabor nos landmarks extraídos similar ao realizado notrabalho de Guo e Dyer (2005). Estas características extraídas juntamente com oslandmarks podem ser utilizadas para aprimorar a classificação das expressões. Novas técnicas podem ser aplicadas para que o sistema possa manter obom desempenho ao lidar com imagens que apresentem variações de iluminaçãoou posições da cabeça.------------------------------------------------------------------------------------------------------------------Trabalhos FuturosUFBA 2012, Salvador, Brasil
  49. 49. 49 Realizar experimentos com outros métodos de classificação, tais como:Support Vector Machine, K-Nearest Neighbor, Redes Bayesianas eHidden Markov Model.S-----------------------------------------------------------------------Trabalhos FuturosUFBA 2012, Salvador, Brasil
  50. 50. 50 Detecção de Landmarks em Imagens Faciais Baseada em Informações Locais.XIX Congresso Brasileiro de Automática - CBA 20123 de setembro de 2012Autores: Caroline Pacheco do E. Silva, Leizer Schnitman, Luciano OliveiraS-----------------------------------------------------------------------PublicaçãoUFBA 2012, Salvador, Brasil
  51. 51. 51--------------------------------------------------------------------------------------------------------------------UFBA 2012, Salvador, BrasilObrigada!
  52. 52. 52--------------------------------------------------------------------------------------------------------------------BibliografiaUFBA 2012, Salvador, Brasil1. Beumer, M.G.; Tao, Q.; Bazen, M.A.; Veldhuis, J.N.R. A Landmark Paperin Face Recognition. Automatic Face and Gesture Recognition, pp. 73-78, 2006.2. Lathem. Disponível em: <http://www.www.lathem.com >. Acesso em31 de agosto 2012.3. Saragih, Jason; Lucey, Simon e Cohn, Jeffrey. Real-time avataranimation from a single image. Automatic Face & Gesture Recognitionand Workshops (FG 2011).

×