Reconocimiento de patrones

Trabajo Final de Reconocimiento de Patrones: Identifiaci´n utilizando PCA, ICA y LDA. o
ıas Mauricio Delbracio, Mat´ Mateu 8 de marzo de 2006

Resumen En este documento, se presenta los resultados del trabajo con tres algoritmos cl´sicos de extracci´n y selecci´n de caracter´ a o o ısticas utilizados para problemas de reconocimiento de caras: Principal Component Analysis (PCA), IndependentComponent Analysis (ICA) y Linear Discriminant Analysis (LDA). Se eval´an estos algoritmos aplicados a la u base de caras creada por nuestro grupo de Proyecto de Fin de Carrera, la IIE Database. Se compara la performance entre estos algoritmos en la identificaci´n de personas enroladas en la base. o

1.

Introducci´n o

Se aborda en este trabajo final de Reconocimiento de Patrones el problema dela identificaci´n de caras. En los sistemas de identificaci´n, o o la identidad es desconocida y por tanto el algorimto deber´ descifrar a la identidad correspondiente siempre que la imagen contenga una cara (problema de la localizaci´n) y que la eventual persona haya sido preo viamente enrolada a la base (problema de entrenamiento). En identificaci´n de caras, como en la mayor´ de los problemas oıa de procesamiento de im´genes, son extra´ a ıdas ciertas caracter´ ısticas de cada imagen antes de ser clasificadas. Se busca seleccionar aquellas caracter´ ısticas relevantes para poder discriminar de modo de no trabajar con la imagen original. El trabajo con la imagen cruda presenta principalmente dos problemas: alta variabilidad inclusive para una misma persona y muy alta dimensionalidad. Sinembargo, uno no conoce a priori cu´les son esas caracter´ a ısticas relevantes y discriminantes. De este problema surgen diversas soluciones posibles, cada una inspirada en ideas m´s o menos intuitivas acerca de c´mo obtener estas caraca o ter´ ısticas. En este trabajo nos enfocamos en tres algoritmos bien conocidos en el mundo de reconocimiento e identificaci´n de caras: PCA, ICA y LDA, o todosellos algoritmos de proyecci´n en subespacios de menor dimeno si´n que a trav´s de argumentos estad´ o e ısticos obtienen representaciones

1

de baja dimensionalidad que permiten pasar a la siguiente etapa en el procesamiento, la clasificaci´n de las im´genes. o a Se estudia entonces la performance de los algoritmos de clasificaci´n o utilizando el algoritmo de k-NN, con la norma euclideana.Se observa en la bibliograf´ estudios similares para otras normas como la norma ıa de Mahalanobis o la norma del Coseno.

2.

Background de los Algoritmos

2.1. Preprocesamiento y Normalizaci´n de la IIE o Database
Se utiliz´ dos herramientas que permitieron normalizar la galer´ o ıa de im´genes. Por un lado aplicamos la herramienta de preprocesamiena to y normalizaci´n del paquete CSU [5].Este paquete es un sistema de o evaluaci´n de algoritmos de identificaci´n de caras que trabaja sobre o o la FERET Database [6]. Por otro lado, para poder ingresar las im´genes a al sistema de preprocesamiento se realiz´ extracci´n semiautom´tica o o a de las coordenadas de los ojos, dado que esto es un requerimiento de la herramienta CSU. Esta extracci´n de coordenadas se realiz´ primero o oaplicando el algoritmo de detecci´n de caras esCARAbajo [7] y luego o corrigiendo manualmente las coordenadas de los ojos. Sint´ticamente los pasos fueron los siguientes: e Detecci´n semiautom´tica de coordenadas de los ojos. o a Conversi´n de entero a flotante: lleva los 256 niveles en sus equio valentes de punto flotante. Normalizaci´n geom´trica: alinea las coordenadas de los ojos eso e pecificadas.Enmascaramiento: recorta la imagen usando una m´scara el´ a ıptica y los bordes de la imagen de modo tal que sea visible la cara desde la frente al ment´n. o Ecualizaci´n de histograma: aplicado a la parte que no fue enmao sacarada. Normalizaci´n de p´ o ıxeles: escala los valores de los p´ ıxeles para obtener una media de cero y una varianza unitaria de estos valores. Los ultimos cinco pasos...