RECUNOASTEREA FETELOR

(FACE RECOGNITION)

- Dintre toate task-urile vizuale pe care putem s le transpunem la

nivel de cerin de calcul pentru calculatoare, analiza unei scene i
recunoaterea obiectelor din scen, reprezint cea mai mare
provocare.
- Cu toate c unitile de calcul exceleaza la prile care presupun
reconstruirea precis a formelor 3D ale scenelor din imagini
prelevate din diferite surse, acestea nu reusesc s recunoasc toate
obiectele i/sau formele de viaa din aceste imagini, dect la un nivel
comparative cu al unui copil de 2 ani.

DE CE E ATT DE DIFICIL RECUNOATEREA FACIAL?

- Lumea real este fabricat dintr-un set de obiecte, care se includ
unele pe altele sub diferite forme i mrimi i care apar n diferite
ipostaze.
- Variabilitatea intrinsec a unei clase de obiecte din scena (ex.
Cainii) datorit articulaiei complexe non-rigide a formei i a
apariiei (ex. Rasa cainelui) face puin probabil faptul c doar
matching-ul cu o baz de date s duc la recunoaterea precis i
clar a obiectelor din scen.

- Problema recunoaterii poate fi mprit i abordat din mai

multe unghiuri. De exemplu, dac stim ceea ce vrem sa gsim, atunci
problema e una de detecie a unui obiect care implic scanarea
rapid a unei imagini pentru a determina unde poate s apar o
potrivire.
- Dintre numeroasele task-uri de recunoatere pe care un sistem
poate s le primeasc, task-ul cu privire la recunoaterea feei a avut
cele mai bune rezultate.
- Recunoaterea feei poate fi folosit ntr-o varietate de aplicaii
adiionale, incluznd interaciunea om-calculator, verificarea
identitii i controlul parental

FAZELE RECUNOASTERII FACIALE

- Unele dintre cele mai timpurii abordri n recunoaterea
feei au implicat gsirea locaiilor diferitelor caracteristici ale
imaginilor, cum ar fi ochii, nasul sau gura unui om i
msurarea distanei dintre aceste locaii.
- Cele mai recente abordri se bazeaz pe compararea
nivelului de gri din imagini, proiectat pe un subspaiu
dimensional numit eigenfaces i pe modelarea comun a
formei i a variantei privind aspectul obiectului, folosind
modele bazate pe aspect active.

Recunoasterea fetei bazata pe PRINCIPAL COMPONENT ANALYSIS

-O tehnic care poate fi folosit n simplificarea unui set de date.
-Reprezint o transformare liniar care alege un nou spaiu de coordonate pentru
un astfel de set de date.
-Cea mai mare variant pentru orice proiecie a unui set de date, este
reprezentata pe prima axa, a doua cea mai mare varianta pentru o proiectie a
unui set de date pe a doua ax s.a.m.d.
-Folosit pentru reducerea dimensiunii prin eliminarea seturilor de date care au
variante mai mici.

Ideea Principala a PCA in detectia fetei

-Dndu-se un set de puncte, cum tim ca ele pot fi comprimate?
- Raspunsul: s ne uitm la corelaiile dintre puncte.
-Prin gsirea valorilor i a vectorilor proprii din matricea de covariant se
constat c vectorii proprii cu cele mai mari valori proprii corespund
dimensiunilor care au cea mai puternic corelare n setul de date.
-Se ncearc gsirea vectorilor care se muleaz cel mai bine n variaia
imaginilor n ntreg spaiul de reprezentare.
-Acesti vectori poarte denumirea de eigen vectors.
-Se construiete un spaiu al feelor i se proiecteaz imaginile n acest spaiu
care poart denumirea de eigenfaces.

Ce face PCA?

-Transform observaiile n componente necorelate, care reprezint combinaii

liniare de observaii.
-Pe scurt, ne intereseaz s reprezentm ct se poate de mult din variaia acestor
date, transformnd variabilele originale n componente principale. Aceste
componente sunt ortogonale i sunt ordonate dup magnitudinea lor.
-Astfel, primele componente pirncipale sunt de obicei de ajuns n a explica
marea majoritate a variaiei pentru observaia original.
Dimensiunile sunt sortate:
- Fiecare vector de baza are asociat o pondere.

Spaiul de intrare al imaginilor

- Reprezentat de imagini normalizate.
- imaginile sunt descrise de valorile pixelilor
- Imaginile sunt reprezentate ca un punct n spaiu.

1.Antrenarea datelor
1.1 Se creeaza matricea de covariant pentru setul de antrenare
1.1.1 Covariana:
- covariana reprezint o masura a imprastierii unui set de puncte, n jurul
centrului lor de masa
- reprezint o msur a ct de mult variaz fiecare dimensiune de la centrul ei
de masa.
- covarianta este msurat ntre 2 dimensiuni, pentru a se vedea dac exist o
relaie ntre acestea.

1.1.2 Matricea de covarian

- Exemplu: avem un set 3-dimensional de date (x,y,z). Masurnd covarianta ntre
dimensiunile x si x, y si y, z si z v-om obine varianta lui x a lui y si a lui z.
- x- numrul de ore studiate pentru un examen; y- notele obinute. Ex valoare obinut 104.5
- Valoarea exact nu este la fel de important ca i semnul.
- O valoare pozitiv a covarianei indic c ambele dimensiuni cresc i descresc mpreun
(dac crete numrul de ore de studiu, nota va crete i ea)
- Dac avem o valoare negativ a covarianei atunci o dimensiune crete, alta scade i
viceversa (Dac notele sunt mai mari atunci numrul de ore de studiu este mai redus si
invers)
- Dac avem o valoare zero a covarianei atunci cele 2 dimensiuni sunt independente una de
cealalt.
- In cazul nostru,covariana ne ajut s determinm relaiile dintre dimensiuni, n seturi de
date multidimensionale, unde vizualizarea e dificil.

1.2 Se calculeaz eigenvalues i eigenvectors

- eigenvectors reprezint baza ortonormala i definesc spaiul feelor.
- eigenvectors sunt proporionali cu varianta.
1.3 Se selecteaz eigenvectorii.

2. Extragerea caracteristicilor feei

- Se ia ca input setul de eigenvectors i de eigenvalues (de la antrenare).
- Imaginea e normalizat.
- Imaginea este mapat noului spaiu creat (trebuie gsite coordonatele imaginii)
- Fiecare imagine trebuie procesat.

Algoritmul
1) Se consider un set de imagini M de antrenare, imagini care conin fete. Se
presupune c dimensiunea imaginilor este de NXN. Spre exemplu, fiecare
imagine va avea dimensiunea 50X50 pixeli.
2) Convertirea imaginilor din setul de antrenare n vectori de fee.
- Odat ce avem setul de antrenare, se ncepe procesul efectiv de antrenare
al datelor. Fiecare imagine din set v-a fi convertit la o forma vectorial (vector
coloana), deoarece PCA nu e capabil s proceseze direct imaginile.
Fiecare vector resultant, v-a avea dimensiunea de NXN.
3) Normalizarea vectorilor de fete.
- Presupune eliminarea caracteristicilor commune pe care toate datele
antrenate le prezint, ca la final s ramn doar caracteristile unice pe care
imaginile le prezint.

3.1 Calcularea vectorului medie

-Pentru eliminarea caracteristicilor comune(coloana verde).
-Pentru fiecare imagine din setul de date antrenat, vectorul medie
v-a conine doar caracteristicile commune a acestor imagini.
3.2 Se scade din vectorul de medie fiecare vector de faa.(verde
albastru). Aplicnd aceast operaie, v-or rmne n final doar
vectorii de fee normalizai.
4 Se calculeaz din vectorii de fete normalizati de la pasul 3, vectorii
proprii(eigenvectors), prin intermediul matricii de covarian.
- Deoarece PCA este realizat prin decompoziia covarianei,putem
calcula eigenfaces(fetele proprii).

Limitri
- Spre exemplu, dimensiunea unei imaginii e de 50X50 de pixeli, se v-a genera
o matrice de covarian de dimensiune 2500X2500. Din cauza c e nevoie s se
gseasc n aceast matrice de covariant k eigenfaces semnificative, datorit
faptului c numrul de imagini de antrenare introduse nu poate fi mai mare
dect cei 2500 de eigenvectors generai, aceast cautare genereaz memoryconsumption mare i devine ineficient.

Soluia presupune calcularea eigenvectorilor dintr-o matrice de

covarian cu dimensiune mai mica. Astfel, nu se reduce dimensiunea
matricii de covarian anterior calculate ci se calculeaz una noua.

s
originala a spatiului

5) Se selecteaz cele mai bune k eigenfaces, astfel

nct k<M care pot reprezenta ntregul set de
antrenare. K eigenface-urile selectate trebuie
se ncadreze n dimensiunea
vectorial de fee.
6)Se convertesc k eigenvectorii cu dimensiuni mici
dimensiunii feei originale.

8) Dup ce avem selectate k eigenfaces, putem reprezenta fiecare imagine ca

o combinaie liniar a tuturor eigenvectors k.
-Astfel, pentru fiecare imagine din setul de antrenare, reprezentm imaginea ca
o combinaie liniar a acestor k eigenfaces.
-Fiecare imagine reprezentat mai jos contribuie la reconstrucia imaginii
iniiale.
-In final, avem reprezentat fiecare imagine din setul de antrenare sub forma
eigenfaces.
-Vectorul pondere reprezint eigenface-ul imaginii I din setul de antrenare.
- S-au gsit eigenface-urile pentru M imagini de intrare i s-a selectat un set cu
k cele mai relevante eigenfaces,k<M.
-Pentru fiecare imagine din setul de antrenare, s-a calculat i stocat vectorii de
ponderi.

Recunoaterea unei fee necunoscute