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

WVC'2007 - III Workshop de Visão Computacional, 22 a 24 de Outubro de 2007, São José do Rio Preto, SP.Tabela 1Coeficientes dos Filtros de Gaussiana e DerivativoFiltro de Gaussiana Filtro Derivativo0.0001 0.00050.0440 0.01330.0540 0.10800.2420 0.24200.3989 0.00000.2420 -0.24200.0540 -0.10800.0440 -0.01330.0001 -0.0005Ambos filtros utilizam desvio padrão 3. Aaplicação destes filtros proporcionou a geração daimagem Edginess com características que a tornabastante robusta quando relacionada a variações nailuminação e pode ser visualizada na Fig. 4.Fig. 4. Imagem Edginess.3.3. Imagens com Filtros ButterworthO modelo típico dos filtros de Butterworth é o passabaixas,porém, este pode ser adaptado tornando-se umfiltro de passa-altas ou então juntar um filtro passa-altascom um passa-baixas para se tornar um filtro passafaixatambém conhecido como rejeita-faixa. As trêscaracterísticas faciais geradas pelos filtros deButterworth podem ser visualizadas pela Fig. 5a, 5b e5c.Fig. 5. (a) Imagem com Passa-Alta, (b) Imagem com Passa-Baixa e (c) Imagem com Passa-Faixa.Como estes filtros trabalham em função dafreqüência, houve a necessidade de utilizar aTransformada Rápida de Fourier (FFT) para quantificaras freqüências intrínsecas às imagens e assim gerar umamatriz que será convoluida com o filtro para assimaplicar a Transformada Inversa Rápida de Fourier(IFFT) e recuperar a imagem já filtrada.4. Redes Neurais ArtificiaisAs redes neurais utilizadas são responsáveis pelaclassificação das características faciais de cadaindividuo, para isto faz-se necessário o treinamento,onde seus pesos internos se ajustam de forma ageneralizar a classificação no momento da validação. Naprimeira etapa possuímos uma rede neural para cadacaracterística facial, treinadas e validadas para umaposterior análise de seus percentuais de acerto, paraassim verificar quais as três características quecontribuem mais para o método de fusão, os resultadosdesta etapa são mostrados na Tabela 2. Escolhidas ascaracterísticas, estas são dadas como entradas para asredes neurais que por sua vez fornecem em suas saídas oindivíduo reconhecido, portanto, teremos na saída trêsresultados que podem vir a ser diferentes, por isto foiutilizado o método de fusão que utiliza como entradasestas três respostas fornecidas pelas redes neurais,fundindo-as para obter uma única resposta de saída.Todas as redes neurais utilizadas foram do tipo LVQ(Learning Vector Quantization) devido as suascaracterísticas, onde esta divide o espaço amostral emsubespaços disjuntos para serem representados porclasses que por sua vez irão representar cada individuo.Redes Neurais do tipo LVQ possuem apenas umacamada neural, esta utiliza uma quantidade de neurôniosigual à quantidade de classes a serem caracterizadas.Para a etapa de treinamento foram ajustados osparâmetros de taxa de aprendizagem em 0.01 e umnúmero máximo de épocas igual a 10000 [8]. Oconjunto de dados possui 800 imagens e foi dividido em20%, 10% e 5% para treinamento sendo o restante dosdados utilizados para a validação das redes. Quando sediz respeito a redes neurais, esta divisão do conjunto dedados para o treinamento pode parecer errônea, porém,em sistemas de reconhecimento de faces reais iremospossuir poucas fotos da pessoa, muitas vezes uma únicafoto, daí a utilização de um conjunto de treinamentopequeno e um conjunto de validação maior que iriarepresentar a pessoa em diversas posições diferentes.Por isso também foi variado o tamanho do conjunto detreinamento de modo a diminuir a quantidade deimagens e verificar se a redução percentual se tornamuito grande.298