III WVC 2007 - Iris.sel.eesc.sc.usp.br - USP

More documents

Recommendations

Info

WVC'2007 - III Workshop de Visão Computacional, 22 a 24 de Outubro de 2007, São José do Rio Preto, SP.Estudos e Projetos, FINEP e da Fundação de Apoio ao Desenvolvimentodo Ensino, Ciência e Tecnologia do Estadode Mato Grosso do Sul, FUNDECT. O primeiro autor destetrabalho foi bolsista ITI-CNPq e um dos co-autores é bolsistade Produtividade em Desenvolvimento Tecnológico eExtensão Inovadora do CNPq.Referências[1] T. Aarnio. Speech recognition with hidden markov models invisual communication. Master’s thesis, University of Turku,1999.[2] F. Dellaert. The expectation maximization algorithm. TechnicalReport GIT-GVU-02-20, GVU, February 2002.[3] J. B. Dias, K. P. Souza, and H. Pistori. Conjunto de treinamentopara algoritmos de reconhecimento de libras. IIWorkshop de Visão Computacional, São Carlos, October2006.[4] S. Eickeler, A. Kosmala, and G. Rigoll. Hidden MarkovModel Based Continuous Online Gesture Recognition. InInt. Conference on Pattern Recognition (ICPR), pages 1206–1208, Brisbane, 1998.[5] S. Eickeler, A. Kosmala, and G. Rigoll. Hidden MarkovModel Based Continuous Online Gesture Recognition. InInt. Conference on Pattern Recognition (ICPR), pages 1206–1208, Brisbane, 1998.[6] A. El-Yacoubi, R. Sabourin, M. Gilloux, and C. Y. Suen.Off-line handwritten word recognition using hidden Markovmodels, pages 191–230. CRC Press, Inc., Boca Raton, FL,USA, 1999.[7] C. M. Grinstead and L. J. Snell. Introduction to Probability.American Mathematical Society, July 1997.[8] X. D. Huang, H. W. Hon, and K. F. Lee. Large-vocabularyspeaker-independent continuous speech recognition withsemi-continuous hidden markov models. In HLT ’89: Proceedingsof the workshop on Speech and Natural Language,pages 276–279, Morristown, NJ, USA, 1989. Association forComputational Linguistics.[9] J. Joseph J. LaViola. A survey of hand posture and gesturerecognition techniques and technology. Technical report,Brown University, Providence, RI, USA, 1999.[10] J. José Josemar de Oliveira, J. M. de Carvalho, C. O.de A. Freitas, and R. Sabourin. Evaluating nn and hmm classifiersfor handwritten word recognition. In SIBGRAPI ’02:Proceedings of the 15th Brazilian Symposium on ComputerGraphics and Image Processing, pages 210–217, Washington,DC, USA, 2002. IEEE Computer Society.[11] N. Liu and B. C. Lovell. Gesture classification using hiddenmarkov models and viterbi path counting. In DICTA, pages273–282, 2003.[12] J. A. Montero and L. E. Sucar. Feature selection for visualgesture recognition using hidden markov models. enc,0:196–203, 2004.[13] M. Morita and L. S. Oliveira. Introdução aos modelosescondidos de markov. Technical report, PPGIA-PUCPR,Curitiba-Brazil, November 1998.[14] H. Pistori, P. S. Martins, M. C. Pereira, and J. J. Neto. Sigus- plataforma de apoio ao desenvolvimento de sistemaspara inclusão digital de pessoas com necessidades especiais.IV Congresso Iberdiscap: Tecnologias de Apoio a Portadoresde Deficiência, Vitória, February 2006.[15] D. Prescher. A tutorial on the expectation-maximization algorithmincluding maximum-likelihood estimation and emtraining of probabilistic context-free grammars. ArXiv ComputerScience e-prints, December 2004.[16] L. R. Rabiner. A tutorial on hidden markov models and selectedapplications in speech recognition. IEEE ComputerGraphics and Applications, 77(2):42–53, 1989.[17] F. C. C. W. D. Raphael. Dicionário Enciclopédico IlustradoTrilíngüe da Língua de Sinais Brasileira, volume Volume I:Sinais de A a L. São Paulo, SP: Edusp, Imprensa Oficial,2002.[18] F. C. C. W. D. Raphael. Dicionário Enciclopédico IlustradoTrilíngüe da Língua de Sinais Brasileira, volume Volume I:Sinais de M a Z. São Paulo, SP: Edusp, Imprensa Oficial,2002.[19] K. Siriboon, A. Jirayusakul, and B. Kruatrachue. Hmm topologyselection for on-line thai handwritten recognition.In CW ’02: Proceedings of the First International Symposiumon Cyber Worlds (CW’02), page 0142, Washington,DC, USA, 2002. IEEE Computer Society.[20] C. A. Ynoguti. Reconhecimento de Fala Contínua UsandoModelos Ocultos de Markov. PhD thesis, Faculdade de EngenhariaElétrica e de Computação, Universidade Estadualde Campinas, Campinas, São Paulo, Brasil, 1999.[21] L.-G. Zhang, X. Chen, C. Wang, Y. Chen, and W. Gao. Recognitionof sign language subwords based on boosted hiddenmarkov models. In ICMI ’05: Proceedings of the 7th internationalconference on Multimodal interfaces, pages 282–287, New York, NY, USA, 2005. ACM Press.[22] M. Zimmermann and H. Bunke. Hidden markov modellength optimization for handwriting recognition systems.In IWFHR ’02: Proceedings of the Eighth InternationalWorkshop on Frontiers in Handwriting Recognition(IWFHR’02), page 369, Washington, DC, USA, 2002. IEEEComputer Society.295
WVC'2007 - III Workshop de Visão Computacional, 22 a 24 de Outubro de 2007, São José do Rio Preto, SP.Reconhecimento de Faces Utilizando Redes Neurais Artificiais com Fusão deCaracterísticas Faciais por Método de VotaçãoRicardo A. S. Fernandes 1 , Adilson Gonzaga 2 ,Escola de Engenharia de São Carlos – EESC. Universidade de São Paulo – USP{ricardo.asf 1 }@gmail.com, {adilson 2 }@sel.eesc.usp.brResumoEste artigo consiste em um método parareconhecimento de faces baseado em Redes NeuraisArtificiais que classificam três características faciais eutiliza suas saídas como entradas para a fusão que érealizada pelo método de votação, este apresenta comosaída o individuo reconhecido pelo sistema. Devido aosprincípios básicos de redes neurais, o conjunto dedados foi dividido em conjunto de treinamento evalidação, como estes conjuntos apresentaram altadimensionalidade, a técnica de PCA foi aplicada. Istopossibilitou um menor esforço computacional tanto naetapa de treinamento quanto na validação e tambémmelhores resultados puderam ser obtidos devido àextração dos principais componentes.1. IntroduçãoCom a sociedade necessitando cada vez mais desegurança, a busca pela criação de sistemas inteligentescapazes de identificar indivíduos de forma cada vezmais precisa em tarefas de difícil classificação paraseres humanos faz com que uma enorme variedade demetodologias para identificação biométrica [1, 2, 3, 4]seja pesquisada tais como: íris, face, impressão digitaldentre outras. Este tipo de atividade requer muitoesforço computacional, mas com o crescente avanço datecnologia estas tarefas passam a ser viáveis e assimcolocadas em prática.Atualmente, pesquisadores procuram criar métodosde reconhecimento multi-modais utilizando a junção devárias características biométricas, por isto se faznecessário o aprimoramento no reconhecimento isoladode cada biometria, pois, o intuito é a criação de sistemascom a melhor taxa de acertos possível.Neste contexto, em [5] é proposto umreconhecimento de faces sobre três característicasfaciais aplicando-se PCA junto com um discriminantelinear de Fisher para identificar cada característica faciale a seguir aplicar um método de fusão probabilística quefornece como resultado a pessoa reconhecida. Avalidação do sistema acima citado utiliza as bases dedados de faces AR e FERET para mostrar que oreconhecimento de faces pelo método de fusão fornecemelhor resposta quando comparado à classificação decada característica individual.Neste artigo propôs-se a utilização de redes neuraisartificiais nos processos de classificação dascaracterísticas individuais e para fusão um método devotação. As características faciais consideradas foram:imagem da face em tons de cinza, imagens comaplicação de filtros Butterworth (Passa-Baixa, Passa-Alta, Passa-Faixa), imagem com aplicação do filtro deCanny e uma imagem com aplicação dos filtrosDerivativo e Gaussiano que é conhecida como Edginess.Cada característica facial utiliza sua própria redeneural para reconhecimento individual. As taxas deacerto para cada característica foram analisadas e apenasas três que contribuíam mais para o método de fusãoforam utilizadas. Desta forma as características restantesforam eliminadas e a classificação das trêscaracterísticas faciais feita novamente pelas redesneurais onde suas saídas foram dadas como entradaspara o método de fusão que fornece em sua saída oresultado do reconhecimento, isto é, o indivíduoreconhecido. Para validação do sistema a base de dadosde faces AR foi utilizada. A partir dos resultadosobtidos, as devidas conclusões foram tomadas de acordocom a viabilidade de se utilizar classificação decaracterísticas faciais por redes neurais e com relação àcontribuição do método de fusão para melhoria dosistema.2. Análise dos Componentes PrincipaisA análise dos componentes principais (PCA) é ummeio de se identificar padrões em um conjunto de dadose expressar suas similaridades e diferenças. Também éum método bastante eficaz para quando há anecessidade da caracterização de padrões a partir dedados com alta dimensionalidade. Neste caso, comocada imagem possui dimensões de 128x96 pixels, todo oconjunto de dados irá resultar numa matriz comdimensões altíssimas. Assim PCA foi o métodoescolhido como apropriado para que as dimensões doconjunto de dados fossem reduzidas para que nãosobrecarregasse o processamento das redes neurais.Entretanto, antes de se aplicar PCA foi necessário umpré-processamento em cada imagem onde suas colunas296
Page 1 and 2:
III Workshop de VisãoComputacional
Page 3 and 4:
Instituto de Biociências, Letras e
Page 5 and 6:
WVC 2007 - III Workshop de Visão C
Page 7 and 8:
ApresentaçãoA área de Visão Com
Page 10 and 11:
Automatic Pattern Recognition of Bi
Page 12 and 13:
WVC'2007 - III Workshop de Visão C
Page 14 and 15:
Page 16:
Page 19:
Page 22 and 23:
Page 24 and 25:
Page 26 and 27:
Page 28 and 29:
Page 30 and 31:
Page 33 and 34:
Page 35 and 36:
Page 37 and 38:
Page 39 and 40:
Page 41 and 42:
Page 43 and 44:
Page 45 and 46:
Page 47 and 48:
Page 49 and 50:
Page 51 and 52:
Page 53 and 54:
Page 55 and 56:
Page 57 and 58:
Page 59 and 60:
Page 61 and 62:
Page 63 and 64:
Page 65 and 66:
Page 67 and 68:
Page 69 and 70:
Page 71 and 72:
Page 73 and 74:
Page 75 and 76:
Page 77 and 78:
Page 79 and 80:
Page 81 and 82:
Page 83 and 84:
Page 85 and 86:
Page 87 and 88:
Page 89 and 90:
Page 91 and 92:
Page 93 and 94:
Page 95 and 96:
Page 97 and 98:
Page 99 and 100:
Page 101 and 102:
Page 103 and 104:
Page 105 and 106:
Page 107 and 108:
Page 109 and 110:
Page 111 and 112:
Page 113 and 114:
Page 115 and 116:
Page 117 and 118:
Page 119 and 120:
Page 121 and 122:
Page 123 and 124:
Page 125 and 126:
Page 127 and 128:
Page 129 and 130:
Page 131 and 132:
Page 133 and 134:
Page 135 and 136:
Page 137 and 138:
Page 139 and 140:
Page 141 and 142:
Page 143 and 144:
Page 145 and 146:
Page 147 and 148:
Page 149 and 150:
Page 151 and 152:
Page 153 and 154:
Page 155 and 156:
Page 157 and 158:
Page 159 and 160:
Page 161 and 162:
Page 163 and 164:
Page 165 and 166:
Page 167 and 168:
Page 169 and 170:
Page 171 and 172:
Page 173 and 174:
Page 175 and 176:
Page 177 and 178:
Page 179 and 180:
Page 181 and 182:
Page 183 and 184:
Page 185 and 186:
Page 187 and 188:
Page 189 and 190:
Page 191 and 192:
Page 193 and 194:
Page 195 and 196:
Page 197 and 198:
Page 199 and 200:
Page 201 and 202:
Page 203 and 204:
Page 205 and 206:
Page 207 and 208:
Page 209 and 210:
Page 211 and 212:
Page 213 and 214:
Page 215 and 216:
Page 217 and 218:
Page 219 and 220:
Page 221 and 222:
Page 223 and 224:
Page 225 and 226:
Page 227 and 228:
Page 229 and 230:
Page 231 and 232:
Page 233 and 234:
Page 235 and 236:
Page 237 and 238:
Page 239 and 240:
Page 241 and 242:
Page 243 and 244:
Page 245 and 246:
Page 247 and 248:
Page 249 and 250:
Page 251 and 252:
Page 253 and 254:
Page 255 and 256: WVC'2007 - III Workshop de Visão C
Page 305: WVC'2007 - III Workshop de Visão C
Page 357 and 358:
Page 359 and 360:
Page 361 and 362:
Page 363:
show all

III WVC 2007 - Iris.sel.eesc.sc.usp.br - USP

You also want an ePaper? Increase the reach of your titles

Delete template?

Save as template?