Upload
internet
View
107
Download
0
Embed Size (px)
Citation preview
Elizabeth Duane Santos da CostaVisão Computacional – 1º/2010
PPGCC – Universidade Federal de Minas Gerais
17 de Junho de 2010
Classificação de Expressões Faciais◦ Interação humano-computador◦ Estudos na área psicologia, medicina◦ Interesses comerciais
Características Desejáveis◦ Rápido◦ Simples◦ Precisão invariante aos ambientes
2
Dificuldades: ◦ Pouca expressividade e Similaridade
3
Dificuldades◦ Classificação é confusa até entre os seres
humanos
4
6 Expressões básicas e Face Neutra
Neutro Alegria
Tristeza
MedoDesgosto
Raiva Surpresa
5
Características Locais◦ Pontos de interesse◦ Detecção de olhos, boca, sobrancelha◦ Posição e relação entre distâncias do rosto◦ Métodos mais complexo
Características Globais◦ Face inteira◦ Filtros e outras técnicas para representar a face e
normalmente tem uma fase de aprendizado Possíveis Técnicas
◦ Aprendizado◦ Template Matching
6
Classificar uma determinada imagem de acordo com as classes de expressões definidas
7
Sorci, M., Antonini, G., Cruz, J., Robin, T., Bierlaire, M., & Thiran, J. P. Modelling
human perception of static facial expressions. Image and Vision
Computing, 2009.
Lee B., Chun J., Park P. Classification of Facial Expression Using SVM for
Emotion Care Service System, ACIS International Conference on, pp. 8-12,
2008 Ninth ACIS International Conference on Software Engineering, Artificial
Intelligence, Networking, and Parallel/Distributed Computing, 2008
M. Turk and A. Pentland, Eigenfaces for Recognition, Journal of Cognitive
Neuroscience,vol. 3, no. 1, pp. 71-86, 1991
8
SVM (Support Vector Machine)◦ Aprendizagem Supervisionada◦ Matriz de treinamento onde cada coluna
representa uma característica e cada linha uma instância de treinamento
◦ Vetor de resposta que classifica cada linha em uma determinada classe
◦ Uma forma de regressão para ajustar os dados de treinamento de acordo com a classe do vetor de resposta
9
Autovetores de um conjunto de imagens de face
Imagens normalizadas pela diferença da média
Autovetores são derivados da matriz de co-variância das imagens normalizadas
Os autovetores mais representativos (de maior auto valor) são usados para a tarefa em questão.
10
11
Pré - Processamento:◦ Detecção da Face: HaarCascade (OpenCv)◦ Ajuste da Dimensão e Filtro Gaussiano
SVM◦ Treinamento do SVM Para cada expressão◦ Classificação para cada grupo treinado
Eigenface◦ Cálculo dos Eigenfaces◦ Cálculo de Similaridade - Distância Euclidiana
12
Pré - Processamento:◦ Detecção da Face◦ Ajuste da Dimensão e Filtro Gaussiano
Eingenface: 100 x 100256 x 256
SVM: 50 x 50
13
SVM◦ Vetorização das imagens e montagem da matriz
de treinamento◦ Treinamento por expressão
Expressão treinada (1) X todas outras expressões(0) 7 treinamentos
◦ Classificação Imagem de teste é comparada para cada um dos
SVM treinados e verifica-se em qual expressão foi classificada;
14
Eigenfaces
◦ Vetorização das imagens de treinamento;
◦ Redução da dimensão com PCA;
◦ Componentes principais (autovetor com maior autovalor);
◦ Projeção das imagens de treinamento e teste (representação
em termos de componentes principais);
◦ Distância euclidiana entre a projeção das imagens de teste e
das imagens de treino;
◦ Menor distância é escolhida;
◦ A imagem de teste estará no mesmo grupo da imagem de
treino que obteve menor distância
15
Banco de Dados – JAFFE (Japanese Female Facial Expressions)◦ 213 imagens de 7 expressões faciais (6 expressões
básicas + normal) referentes a 10 modelos japonesas.
16
Imagens para o experimento◦ 143 imagens para Treinamento◦ 69 imagens para Teste
SVM◦ Não Reconheceu Tristeza e Surpresa◦ Taxa de Acerto Geral: 11%◦ Dupla classificação: 26%
Razões◦ Entrada dos dados?◦ Falta de extração de características?◦ Metodologia de treinamento ineficiente?
17
Eigenface Taxa de Acerto Geral: 72%
Expressão Taxa de Acerto
Alegria 40%
Desgosto 80%
Medo 90%
Neutro 70%
Raiva 80%
Surpreso 80%
Tristeza 60%
18
SVM ◦ Não obteve bons resultados para o experimento
proposto Eigenface
◦ Rápido◦ Simples◦ Taxa de classificação aceitável
19
SVM com Eigenface Outros métodos de Aprendizagem Banco de Dados Variação da Face Sequência de Imagens Aprendizado Online – Novas Faces e
Expressões Características Globais e Locais
20
21
Rosário, S.V.P.G., Facial Emoticons:Reprodução de Informação associada
a expressões faciais por via do seu reconhecimento. Dissertação. Mestre
em Engenharia Informática e de Computadores. Instituto Superior Técnico.
Universidade Técnica de Lisboa, 2008.
B. Fasel, J. Luettin, Automatic facial expression analysis: a survey, Pattern
Recognition 36 (2003)
R. Gottumukkal and V.K. Asari, An improved face recognition technique
based on modular PCA approach, Pattern Recogn. Lett. 25 (2004)
M. Pantic and L.J.M. Rothkrantz. Expert system for automatic analysis of
facial expression. In Image and vision computing J., volume 18, pages 881–
905, 2000.
22