Sunum yükleniyor. Lütfen bekleyiniz

Sunum yükleniyor. Lütfen bekleyiniz

Yerel Görünüm Tabanlı Yüz Tanıma İçin Değişik Boyut İndirme ve Normalizasyon Yöntemlerinin İncelenmesi Berkay Topçu ve Hakan Erdoğan Sabancı Üniversitesi.

Benzer bir sunumlar


... konulu sunumlar: "Yerel Görünüm Tabanlı Yüz Tanıma İçin Değişik Boyut İndirme ve Normalizasyon Yöntemlerinin İncelenmesi Berkay Topçu ve Hakan Erdoğan Sabancı Üniversitesi."— Sunum transkripti:

1 Yerel Görünüm Tabanlı Yüz Tanıma İçin Değişik Boyut İndirme ve Normalizasyon Yöntemlerinin İncelenmesi Berkay Topçu ve Hakan Erdoğan Sabancı Üniversitesi

2 Outline Yerel Görünüm Tabanlı Yüz Tanıma Yüz Tespiti Veritabanı (M2VTS) Değişik Boyut İndirme Teknikleri TBA, DAA, aPAC, Normalize TBA, Normalize DAA, NNDA Normalizasyon Teknikleri Sınıflandırma Sonuçları

3 Yerel Görünüm Tabanlı Yüz Tanıma Öznitelik vektörleri, yüz imgesini eşit parçalara ayıran bloklardan çıkarılarak oluşturulur. 16 x 16 bloklar 8 x 8 bloklar

4 Genel Sistem Bloklarda Boyut İndirme: -TBA -DAA -aPAC -NTBA -NDAA -NNDA Sınıflandırma: -nmc -nnc -ldc Yüz Tespiti Blok ve öznitelik normalizasyonları

5 Yüz Tespiti– M2VTS OpenCV – otomatik yüz tespiti Kullanılan yüz imgelerinin boyutu : 48x64

6 Veritabanı – M2VTS M2VTS veritabanından örnek imgeler. Her sütunda aynı kişiye ait farklı imgeler bulunuyor.

7 Veritabanı – M2VTS Her 37 kişinin 40 adet yüz imgesi Eğitim için 32 imge ve Test için 8 imge 48x64 piksel  3072 piksel 16’lık ve 8’lik bloklar 16x16 bloklar için: 12 blok x 12 öznitelik  144 öznitelik 8x8 bloklar için : 48 blok x 3 öznitelik  144 öznitelik

8 TBA (Temel Bileşenler Analizi) Temel bileşenler analizi (PCA), veriyi düşük bir boyuta, verideki değişintiyi koruyacak şekilde eşleyen dikgen bir doğrusal dönüşümdür. Fakat PCA’in sınıf bilgisini kullanmadığını göz önüne alırsak, en fazla değişintinin olduğu bileşenlerin sınıflandırma problemi için doğru öznitelikleri içerdiğini garanti edemeyiz.

9 DAA (Doğrusal Ayırtaç Analizi) Doğrusal ayırtaç analizi (LDA), düşük boyutlu uzayda sınıfları en başarılı ayıracak vektorleri bulur. Amaç sınıf-içi saçılımı en büyük yapmaya çalışırken, sınıflar arası saçılımı en düşük seviyeye çekmektir.

10 aPAC (Yaklaşık İkili Doğruluk Kriteri) LDA’in en önemli dezavantajı: Sınıflar arası uzaklığın karesini büyütürken, aykırı sınıfların bu işlemi domine etmesi dolayısıyla hali hazırda ayrık sınıflara daha fazla önem vererek geri kalan sınıfların ayrılmasını zorlaştırır. K-sınıflı LDA problemi K*(K-1)/2 sayıda 2-sınıf LDA problemine ayrıştırlabilir. İkili sınıflar üzerinde ağırlıklandırma kullanılarak, her sınıfın boyut düşürme optimizasyonuna katkısı normalize edilebilir.

11 NPCA (Normalize PCA) PCA düşürülmüş boyutlu uzaydaki veride değişintiyi maksimize ederken aynı zamanda verinin izdüşümünde örnekler arası ikili uzaklıların karelerinin toplamını da maksimize etmektedir. Bu ikili uzaklıkların karelerini ağırlıklandırarak (ikili benzemezlikler) toplayıp maksimize ederek büyük uzaklıkların etkisi azaltılabilir.

12 NPCA (Normalize PCA) Önerilen ağırlıklar:

13 NLDA (Normalize LDA) NPCA’in geliştirilmiş bir şekli olan NLDA’de, ikili benzemezliklere ek olarak, ikili benzerlikler de probleme dahil edilmiştir.  Aynı sınıfa ait elemanları yaklaştırmaya çalışırken aynı zamanda farklı sınıflara ait elemanları uzaklaştırmaya çalışmaktayız.

14 Nearest Neighbor Discriminant Analysis (NNDA) Sınıflar arası uzaklığı arttırmaya çalışırken, aynı sınıfa ait elemanları izdüşüm uzayında yaklaştırmayı hedeflemektedir. Her eleman için, aynı sınıftaki en yakın komşu ile uzaklığını ve diğer sınıflardan en yakın komşu ile uzaklığını göz önüne alır.

15 Sınıflandırma (Eğitim ve Test) Sınıflandırma için MATLAB – PrTools (Pattern Recognition Toolbox) Nearest Mean Classifier (nmc) Nearest Neighbor Classifier (nnc) Linear Discriminant Classifier (ldc) 37 kişinin herbirinden 40 yüz imgesi  1480 imge 32x37 = 1184 imge eğitim için 8x37 = 296 imge test için

16 Normalizasyon Öncesi Herhangi bir normalizyon uygulanmadan önceki tanıma oranları : 8 x 816 x 16 DCT70.61%72.64% PCA74.32%79.39% LDA80.07%82.43% aPAC85.47%81.76% nPCA74.32%75.34% nLDA85.14%81.76% NNDA77.36%77.70%

17 Normalizasyonlar Öznitelik Normalizasyonu Uzunluk bölümü (normalizasyonu) Standart sapma bölümü (normalizasyonu) Blok içi Normalizasyon Blok içi ortalama ve standart sapma normalizasyonu

18 Öznitelik Normalizasyonları Uzunluk Bölümü: Farklı parlaklık seviyelerindeki bloklar, farklı değer seviyeleri içeren görsel öznitelik vektorlerine sebep olmaktadır. Uzunluk normalizasyonu olarak adlandırdığımız bu yöntemle yüksek veya düşük parlaklık seviyeli bloklardan gelen özniteliklerin etkilerini dengelemiş oluruz. Standart Sapma Bölümü: Her özniteliğin katkısını dengelemek için, her özniteliği, eğitim verisi üzerinden öğrendiğimiz standart sapmalarına böleriz.

19 Öznitelik Normalizasyonu Sonuçları Uzunluk Bölümü Sonuçları Standart Sapma Bölümü Sonuçları Blok boyutu 8 Blok boyutu 16 nmcnncldc DCT78.04%84.46%73.99% PCA 59.80%72.97%88.18% LDA 51.01%65.20%80.07% aPAC 76.35%81.76% nPCA 58.45%72.97%88.18% nLDA 77.70%77.36%85.81% NNDA 66.22%69.59%84.80% nmcnncldc DCT82.77%85.81%86.15% PCA73.99%80.07%87.84% LDA54.39%62.50%79.39% aPAC81.76%85.47%81.42% nPCA73.65%80.74%88.18% nLDA82.09%82.77%84.46% NNDA78.04%79.39%89.86% nmcnncldc DCT78.04%84.46%85.47% PCA75.00%80.74%88.18% LDA75.00%81.76%84.80% aPAC84.80%86.82%87.50% nPCA76.01%80.41%88.18% nLDA80.07%80.41%89.53% NNDA80.73%84.80%86.49% nmcnncldc DCT83.78%85.47%86.15% PCA86.49%79.73%87.84% LDA77.03%80.07%82.77% aPAC79.73%81.76%82.09% nPCA85.81%80.07%87.84% nLDA68.24%76.01%84.80% NNDA78.04%81.76%88.18%

20 Blok içi Normalizasyon İmge üzerindeki her bir blok, insan yüzündeki farklı bölgeleri içerdiğinden, her bloktaki farklı parlaklık seviyesi aynı kişi için bile değişiklik göstermektedir. Ayrıca ışıklandırma durumuna bağlı olarak, farklı blokların piksel değerleri arasında büyük farklılıklar oluşabilir. Aynı kişinin farklı imgelerinden çıkarılmış öznitelik vektörleri arasında büyük farklar olması, sınıflandırma performansını düşürmektedir.

21 Blok içi Normalizasyon Sonuçları Block size 8 Block size 16 nmcnncldc DCT80.74%86.49% PCA76.01%76.69%88.18% LDA83.11%81.42%82.43% aPAC89.19% 88.51% nPCA76.01%76.35%87.50% nLDA85.47%86.82%87.84% NNDA74.32%80.41%86.82% nmcnncldc DCT83.45%86.49%86.82% PCA78.04%78.72%86.15% LDA82.09%83.78%86.82% aPAC90.20% 88.85% nPCA78.04%78.72%87.16% nLDA90.20%88.85%88.18% NNDA79.73%82.77%87.16%

22 Gelecek Çalışmalar Çakışan Bloklar Karar Birleştirme Her blok için bağımsız karar verme Hareketli Bloklar En uygun eşleşme için blok merkezlerinin kaydırılması Diğer veritabanları CMU yüz ifadesi veritabanı, AR yüz veritabanı


"Yerel Görünüm Tabanlı Yüz Tanıma İçin Değişik Boyut İndirme ve Normalizasyon Yöntemlerinin İncelenmesi Berkay Topçu ve Hakan Erdoğan Sabancı Üniversitesi." indir ppt

Benzer bir sunumlar


Google Reklamları