Documentos de Académico
Documentos de Profesional
Documentos de Cultura
PresentacionT 4
PresentacionT 4
FACULTAD DE INGENIERÍA
PRESENTA:
MIQUEAS ESLI ALDAMA SÁNCHEZ
TUTOR:
M. I. JAIME ALFONSO REYES CORTÉS
CIUDAD UNIVERSITARIA
Noviembre, 2019
INTRODUCCIÓN
• Objetivos
• Diseño de un sistema capaz de efectuar el reconocimiento de rostros
en imágenes provenientes de una BDR
• Conceptos generales
Modelo de Markov. Proceso estocástico en el que la variable
aleatoria () está definida en un espacio de estados ().
{ 𝑞 1= 𝑆1 ,𝑞 2= 𝑆1 ,𝑞 3= 𝑆2 , … }
INTRODUCCIÓN
• Conceptos generales
Modelo de Markov. Cumple la “Propiedad de Markov”:
• Conceptos generales
HMM. Modelo de Markov en el que la secuencia de estados se
considera oculta. Sólo puede observarse a través de secuencias de
símbolos de observación:
O = { o1, o2, …, oT }
INTRODUCCIÓN
• Conceptos generales
HMM. Elementos:
• : Espacio de estados
𝑆= { 𝑆1 , 𝑆2 , … , 𝑆 𝑁 }
𝑇
𝝅=[𝜋1 , 𝜋2 , … , 𝜋𝑁 ] 𝜋 𝑖= 𝑃 (𝑞1=𝑆𝑖 )
INTRODUCCIÓN
• Conceptos generales
HMM. Elementos:
• : Matriz de transición
;
• Conceptos generales
HMM. Elementos:
• : Conjunto de símbolos de observación
𝑉 = {𝑣 1 , 𝑣 2 , … , 𝑣 𝑀 }
• : Matriz de emisión
• Conceptos generales
HMM. Tipo ergódico: permite
transciones entre todos los estados.
INTRODUCCIÓN
• Conceptos generales
HMM. Tipo Bakis: No permite
transciones a estados anteriores.
INTRODUCCIÓN
• Conceptos generales
HMM.
𝜆=( 𝑨 , 𝑩 , 𝝅 )
Matriz de
transición Probabilidades
Matriz de de estado inicial
emisión
INTRODUCCIÓN
• Conceptos generales
Reconocimiento de rostros. Conjunto de técnicas del
reconocimiento de patrones dedicadas a la identificación de rostros,
generalmente, en bases de datos de rostros (BDRs).
INTRODUCCIÓN
• Conceptos generales
Reconocimiento de rostros. Modos de trabajo de un Sistema de
Reconocimiento de Rostros (SRR).
VERIFICACIÓN
(AUTENTICACIÓN)
INTRODUCCIÓN
• Conceptos generales
Reconocimiento de rostros. Modos de trabajo de un Sistema de
Reconocimiento de Rostros (SRR).
IDENTIFICACIÓN
(RECONOCIMIENTO)
DESCRIPCIÓN DEL SRRP
Imágenes de Imágenes de
entrenamiento prueba
DESCRIPCIÓN DEL SRRP
Extracción de
características
Filtros de Descomposición:
- Haar
- Daubechies 4
- Biortogonal 9/7
DESCRIPCIÓN DEL SRRP
Subimágenes
Imagen k de sujeto i Extracción de
(versión comprimida) subimágenes
DESCRIPCIÓN DEL SRRP
⋮ Algoritmo K-Medias 𝐶 ={ 𝐶 , … , 𝐶 , … , 𝐶
1 𝑡 𝑇
}
𝐶 = {𝒄 }
𝑡 𝑡 ,1 𝑡 ,𝑀
,…,𝒄
{ 𝒙 40 , 𝑘 ,1 , 𝒙 40 , 𝑘 ,2 , … , 𝒙 40 , 𝑘 ,𝑇 }
Imágenes de entrenamiento
DESCRIPCIÓN DEL SRRP
Codificación 𝑂 = {𝑂
1, 𝐾
}
{ 𝒙 1 ,𝑘 , 1 , 𝒙 1 ,𝑘 ,2 , … , 𝒙1 , 𝑘 ,𝑇 } con
1 1 ,1
,… ,𝑂
⋮ ⋮ ⋮
Codificación 𝑂 = {𝑂
40 40 ,1 40 , 𝐾
}
{ 𝒙 40 , 𝑘 ,1 , 𝒙 40 , 𝑘 ,2 , … , 𝒙 40 , 𝑘 ,𝑇 } con
,…,𝑂
Imágenes de entrenamiento
𝜆1
DESCRIPCIÓN DEL SRRP
𝑂 = {𝑂
1 1 ,1
,… ,𝑂
1, 𝐾
} Algoritmo 𝜆1
Baum-Welch
⋮ ⋮ ⋮
𝜆 40
Algoritmo
𝑂 = {𝑂 } 𝜆 40
40 40 ,1 40 , 𝐾
,…,𝑂
Baum-Welch
Imágenes de entrenamiento
DESCRIPCIÓN DEL SRRP
Extracción de Obtención de
BDR ORL Características secuencias de Comparación de
(imágenes de de la imagen Observación de HMMs
prueba) de prueba prueba entrenados
ID de sujeto
reconocido
DESCRIPCIÓN DEL SRRP
Extracción de
características
Filtros de Descomposición:
- Haar
- Daubechies 4
- Biortogonal 9/7
DESCRIPCIÓN DEL SRRP
Etapa de Reconocimiento.
Subimágenes
Imagen de prueba Extracción de
(versión comprimida) subimágenes
DESCRIPCIÓN DEL SRRP
{𝒙 ,𝒙 ,…, 𝒙 }
1 ,2 𝑇 Codificación
con 𝑂
𝑝
Imagen de prueba
(versión comprimida)
DESCRIPCIÓN DEL SRRP
𝜆1 ln [ 𝑃 (𝑂 𝑝 ∨𝜆1 ) ]
𝜆𝑖
𝜆 40 ln [ 𝑃 (𝑂 ∨𝜆 40 ) ]
𝑝
PRUEBAS Y RESULTADOS
• 5 imágenes de entrenamiento
Filtro M N Rec. (%) Subimagen
Haar 200 16 90.5 1
10 0
90
80
70
Rec. (%)
60
50
40
30
20
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 2 0 2 1 2 2 2 3 2 4 2 5 2 6 2 7 2 8 2 9 3 0 3 1 3 2 3 3 3 4 3 5 3 6 3 7 3 8 3 9 4 0
Sujeto
PRUEBAS Y RESULTADOS
• 5 imágenes de entrenamiento
Filtro M N Rec. (%) Subimagen
Haar 200 2 91.5 2
10 0
90
80
70
Rec. (%)
60
50
40
30
20
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 2 0 2 1 2 2 2 3 2 4 2 5 2 6 2 7 2 8 2 9 3 0 3 1 3 2 3 3 3 4 3 5 3 6 3 7 3 8 3 9 4 0
Sujeto
PRUEBAS Y RESULTADOS
• 5 imágenes de entrenamiento
Filtro M N Rec. (%) Subimagen
Haar 200 4 91 5
10 0
90
80
70
Rec. (%)
60
50
40
30
20
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 2 0 2 1 2 2 2 3 2 4 2 5 2 6 2 7 2 8 2 9 3 0 3 1 3 2 3 3 3 4 3 5 3 6 3 7 3 8 3 9 4 0
Sujeto
PRUEBAS Y RESULTADOS
• 5 imágenes de entrenamiento
Filtro M N Rec. (%) Subimagen
Biortogonal 200 2 91 7
9/7
10 0
90
80
70
Rec. (%)
60
50
40
30
20
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 2 0 2 1 2 2 2 3 2 4 2 5 2 6 2 7 2 8 2 9 3 0 3 1 3 2 3 3 3 4 3 5 3 6 3 7 3 8 3 9 4 0
Sujeto
PRUEBAS Y RESULTADOS
• 6 imágenes de entrenamiento
Filtro M N Rec. (%) Subimagen
Haar 200 4 93.125 5
100
90
80
70
Rec. (%)
60
50
40
30
20
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2122 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
Sujeto
CONCLUSIONES
Sujetos
mejor
reconocidos:
CONCLUSIONES
Sujeto
más difícil de
reconocer:
Sujeto 17
CONCLUSIONES
• Dificultades de reconocimiento
Posición del rostro
Cambios de iluminación
CONCLUSIONES
• Dificultades de reconocimiento
Rasgos faciales
Accesorios
REFERENCIAS
• HMM
Rabiner, Lawrence R. "A tutorial on Hidden Markov Models
and Selected Applications in Speech Recognition".
Proceedings of IEEE, Vol. 77, No. 2, pp. 257 - 286, 1989.
• Reconocimiento de Patrones