Análise multivariada de imagens frontais de face normalizadas especialmente
Nenhuma Miniatura disponível
Citações na Scopus
Tipo de produção
Dissertação
Data
2015
Autores
Xavier, I. R. R.
Orientador
Thomaz, C. E.
Periódico
Título da Revista
ISSN da Revista
Título de Volume
Citação
XAVIER, I. R. R. Análise multivariada de imagens frontais de face normalizadas especialmente. 2015. 83 f. Dissertação (Mestrado em Engenharia Elétrica) - Centro Universitário da FEI, São Bernardo do Campo, 2015
Texto completo (DOI)
Palavras-chave
Análise multivariada,Processamento de imagens,Composição de faces
Resumo
No contexto de reconhecimento automático ou percepção cognitiva de faces, uma etapa importante é o alinhamento das imagens de face de entrada a um atlas de referência para posterior extração multivariada de características. Para alinhar duas imagens de face, pode-se utilizar transformações rígidas e afins que corrigem variações de rotação e escala, porém deformações devido a expressões faciais, por exemplo, podem ser tanto globais quanto locais e de natureza não-linear ou não-rígida. Portanto, em situações desse tipo precisa-se de um método de alinhamento
que possa lidar com tais variações. Nas últimas décadas, desenvolveu-se uma técnica de deformação de objetos sólidos, denominada em inglês de Free-Form Deformation, que foi adaptada primeiramente para normalização espacial de imagens médicas e mais recentemente para imagens frontais de face. Paralelamente, técnicas estatísticas de análise multivariada têm sido aplicadas ao contexto de imagens de face, tais como Análise de Componentes Principais (PCA, Principal Components Analysis) e Análise de Discriminantes Lineares (LDA, Linear Discriminant Analysis), para modelagem, reconstrução e interpretação desses padrões. Este estudo teve como objetivo realizar uma análise multivariada de imagens frontais de face normalizadas espacialmente com relação a um atlas de referência. Os resultados mostram que esta abordagem produziu imagens artificiais de faces humanas com realismo promissor, tanto nas direções de maior variação obtidas pelo PCA quanto nas direções mais discriminantes obtidas pelo LDA
In the context of face recognition and perception, an important step is the alignment of the input face images to a reference atlas for further multivariate feature extraction. To align two face images, we can use rigid transformations to minimize scale and rotation variations, but deformation due to facial expressions can be both global and local, or may be non-linear or non-rigid . Therefore, in such situations we need an alignment method that can deal with these variations. In the past decades a technique of deformation of solid objects known as Free-Form Deformation has been developed and first adapted for spatial normalization of medical images and more recently to frontal face images. At the same time, methods of multivariate statistics have been applied to the context of face images, such as Principal Component Analysis (PCA) and Linear Discriminant Analysis (LDA), for modeling and reconstructing these patterns. The main goal of this work has been to perform a multivariate statistical analysis of frontal face images using non-rigid deformation fields previously aligned to a reference atlas. The experimental results carried out have showed that our approach has been able to generate artificial face images with a realistic human-like appearance, in both PCA and LDA most expressive and discriminant directions
In the context of face recognition and perception, an important step is the alignment of the input face images to a reference atlas for further multivariate feature extraction. To align two face images, we can use rigid transformations to minimize scale and rotation variations, but deformation due to facial expressions can be both global and local, or may be non-linear or non-rigid . Therefore, in such situations we need an alignment method that can deal with these variations. In the past decades a technique of deformation of solid objects known as Free-Form Deformation has been developed and first adapted for spatial normalization of medical images and more recently to frontal face images. At the same time, methods of multivariate statistics have been applied to the context of face images, such as Principal Component Analysis (PCA) and Linear Discriminant Analysis (LDA), for modeling and reconstructing these patterns. The main goal of this work has been to perform a multivariate statistical analysis of frontal face images using non-rigid deformation fields previously aligned to a reference atlas. The experimental results carried out have showed that our approach has been able to generate artificial face images with a realistic human-like appearance, in both PCA and LDA most expressive and discriminant directions