Купить СНПЧ А7 Архангельск, оперативня доставка

crosscheckdeposited

Análise da Influência de Diferentes Condições de Iluminação na Classificação de Faces Humanas em Imagens Digitais

DOI: http://dx.doi.org/10.12721/2237-5112.v03n02a02

http://www.rtic.com.br

downloadpdf

Dielly de O. Viana1 & Eanes T. Pereira2

 

Resumo: Este artigo apresenta uma análise estatística de métodos para classificação de imagens de faces quando submetidas a fortes variações de iluminação. Dois classificadores foram analisados: máquinas de vetores de suporte (SVM - Support Vector Machines) e redes neurais artificiais (RNA). Esses classificadores foram treinados utilizando quatro tipos de características: valores das intensidades dos pixels, histogramas dos valores das intensidades dos pixels, histogramas de padrões binários locais (LBP - Local Binary Patterns) e componentes principais obtidos por análise de componentes principais (PCA - Principal Component Analysis). As características mencionadas foram extraídas globalmente e localmente. A medida F-score dos resultados de classificação foram computadas e avaliadas por análise de variância (ANOVA). A significância estatística dos resultados foi demonstrada utilizando ANOVA o que permitiu a criação de um ranking de valores de F-sc.

Palavras-chave: processamento de imagens, detecção de faces, extração de características, classificação de imagens, análise estatística

 

1 Universidade Federal do Rio Grande do Norte - UFRN, Centro de Ciências Exatas e da Terra - CCET, Programa de Pós-Graduação em Sistemas e Computação - PPGSC. E-mail: diellyviana@msn.com
2 Universidade Federal de Campina grande - UFCG, Centro de Engenharia Elétrica e Informática - CEEI, Departamento de Sistemas e Computação - DSC. E-mail: eanes@computacao.ufcg.edu.br

 

Literatura Citada

 

[1] E. T. Pereira, “Detecção automática de faces: Ferramenta para combate ao crime,” Revista Farol Digital, pp. 40–41, 2008.

[2] A. S. Georghiades, P. N. Belhumeur, and D. J. Kriegman, “From few to many: Illumination cone models for face recognition under variable lighting and pose,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 23, no. 6, pp. 643–660, 2001. doi

[3] P. Viola and M. Jones, “Robust real-time object detection,” in Second International Workshop on Statistical and Computational Theories of Vision – Modeling, Learning, Computing, and Sampling, 2001, pp. 1–25.

[4] C. P. Papageorgiou, M. Oren, and T. Poggio, “A general framework for object detection,” in Sixth International Conference on Computer Vision, 1998, pp. 555–562.

[5] Y. Freund and R. E. Schapire, “Experiments with a new boosting algorithm,” in Proceedings of the Thirteenth International Conference on Machine Learning, 1996, pp. 325–332.

[6] A. Gorbenkp and V. Popov, “On face detection from compressed video streams,” Applied Mathematical Sciences, vol. 6, no. 96, pp. 4763–4766, 2012.

[7] P. Viola and M. J. Jones, “Robust real-time face detection,” International Journal of Computer Vision, vol. 57, no. 2, pp. 137–154, 2004. doi

[8] E. T. Pereira, H. M. Gomes, E. S. Moura, J. M. de Carvalho, and T. Zhang, “Investigation of local and global features for face detection,” in IEEE Symposium on Computational Intelligence for Multimedia, Signal and Vision Processing (CIMSIVP), 2011, pp. 114–121.

[9] F. Ribeiro, G. Araujo, E. Silva, J. Oliveira, and S. Goldenstein, “Detecção de pontos fiduciais sobre a face em tempo real,” in Simpósio Brasileiro de Telecomunições (SBrT), 2012.

[10] L. R. Veloso, J. M. de Carvalho, C. S. V. da Cunha Cavalcanti, E. S. Moura, F. L. Coutinho, and H. M. Gomes, “Neural network classification of photogenic facial expressions based on fiducial points and gabor features,” in PSIVT, 2007, pp. 166–179.

[11] M. Quintans, F. Carnevali, and J. ao Escola, “Implementação de um software para reconhecimento facial utilizando haarcascade através da opencv,” in I Escola Regional de Informática do Rio de Janeiro – I ERI-RJ, 2010, pp. 72–75.

[12] R. L. Baioco and J. ao Marques Salomão, “Detecção de faces em locais públicos e com aglomeração de pessoas,” in III Jornada de Iniciação em Desenvolvimento Tecnológico e Inovação, 2010, pp. 1–2.

[13] C. M. Bishop, Pattern Recognition and Machine Learning. Springer, 2006.

[14] K. Pearson, “On lines and planes of closest fit systems of points in space,” Philosophical Magazine, vol. 2, no. 11, pp. 559–572, 1901. doi

[15] T. Ojala, M. Pietikäinen, and D. Harwood, “A comparative study of texture measures with classification based on featured distributions,” Pattern Recognition, vol. 29, no. 1, pp. 51–59, 1996. doi

[16] T. Ojala, M. Pietikäinen, and T. Mäenpää, “Multiresolution gray-scale and rotation invariant texture classification with local binary patterns,” IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 24, pp. 971–987, 2002. doi

[17] Y. Rodriguez, “Face detection and verification using local binary patterns,” Ph.D. dissertation, Ecole Polytechnique Federale de Lausanne, 2006.

[18] S. Marcel, Y. Rodriguez, and G. Heusch, “On the recent use of local binary patterns for face authentication,” International Journal of Image and Video Processing, pp. 1–9, 2007.

[19] E. T. Pereira, H. M. Gomes, and J. M. de Carvalho, “Integral local binary patterns: a novel approach suitable for texture-based object detection tasks,” in Conference on Graphics, Patterns and Images, 23rd (SIBGRAPI), 2010, pp. 201–208.

[20] R. Lienhart, E. Kuranov, and V. Pisarevsky, “Empirical analysis of detection cascades of boosted classifiers for rapid object detection,” in DAGM 25th Pattern Recognition Symposium, 2003, pp. 297–304.

[21] R. E. Walpole, R. H. Myers, S. L. Myers, and K. Ye, Probabilidade e Estatística para engenharia e ciências, 8th ed. Pearson, 2008.