ETAT DE L’ART : Les systèmes de reconnaissance facialI - les systèmes développer a base des approches locales1ere applicat...
L’APDIQ amélioré est une méthode basé sur l’histogramme et en proposera des informationsde localisation approximative des ...
respectivement après avoir traiter tous les pixels de l’image d’entrée, les points représentes lesvecteurs sont distribué ...
-   les vecteurs sont concentrées dans petit-r (petit-dlx,-dly) regions       les étapes de quantification non uniforme so...
La performance de reconnaissance devrait être mieux parce que le contenu de linformationmoyen sera maximale à ce stade. En...
Vecteurs appartenant à une région du visage dune image dentrée et qui appartiennent à lamême région du visage dimages enre...
(Totalement 241), et ensuite le nombre de vecteurs quantifié en chaque région dequantification est comptabilisée et un his...
La figure 6 montres la comparaison entre les résultats de la reconnaissance à laide de celuidorigine dans [12] et la nouve...
Dans la section 5.1.2, nous avons ne discuté que le cas que ou nous Supposons que plusieursmeilleurs emplacements est 50. ...
5.1.5 Optimisation dans les deux Θ et r-axesSelon la méthode décrite ci-dessus, nous changeons le nombre de niveaux de qua...
Tous les tests utilisés une galerie unique contenant 1196 images. La figure 10 montre leséchantillons image typique de la ...
semble la partie la plus importante pour la reconnaissance des visages. Comparés aux résultatsdes autres groupes de recher...
Les résultats expérimentaux montrent top1 taux de reconnaissance de 97,6 % en tâche FB.Cette division de la région Méthode...
Prochain SlideShare
Chargement dans…5
×

Quantification histograme

483 vues

Publié le

0 commentaire
0 j’aime
Statistiques
Remarques
  • Soyez le premier à commenter

  • Soyez le premier à aimer ceci

Aucun téléchargement
Vues
Nombre de vues
483
Sur SlideShare
0
Issues des intégrations
0
Intégrations
2
Actions
Partages
0
Téléchargements
2
Commentaires
0
J’aime
0
Intégrations 0
Aucune incorporation

Aucune remarque pour cette diapositive

Quantification histograme

  1. 1. ETAT DE L’ART : Les systèmes de reconnaissance facialI - les systèmes développer a base des approches locales1ere application :Reconnaissance facial utilisant la différence d’intensité des pixels adjacents{quantification d’histogramme} :APIDQ : Adjacent Pixel Intensity Difference Quantization, histogram methodPour assurée la reconnaissance facial en temps réel, cette méthode donne une hauteperformance de taux de reconnaissance, le problème est que la quantification n’est pasoptimisé, en va d’abord se concentré sur la quantification de l’APIDQ basé sur le principe del’entropie maximal MEP et déterminer les meilleurs paramètres pour APDIQEn outre l’algorithme de APIDQ utilise le dénombré d’histogramme du visage humaincomme vecteur de caractéristique pour identifier les personnes et les informationsd’emplacement du visage sont inutilisés il peut être considéré comme une approche de basestatistique simplifié, bien que la méthode APIDQ histogramme atteint au taux de hautereconnaissance à l’aide de 400 images de 40 personnes, de la base de données AT& tpubliquement disponible de laboratoire Cambridge mais la capacité de classification estdiminue dans le cas d’une grande base de données de visage due a la manque d’informationsstructurels du visage humain.Afin d’améliorer la capacité de classification de l’APDIQ nous essayons d’ajouter desinformations structurel facial supplémentaire, en utilisant les informations de localisationapproximative de la partie du visage, le visage est divisée en 5 partie individuels [front, yeux,nez ,bouche, mâchoire,] puis l’APDIQ s’applique sur chaque partie du visage le résultat de lareconnaissance sont tout d’abord obtenue de différentes parties séparément puis combiner enfaisant la moyenne pondérée par l’intégration de l’information statistique et structurels, dansce qui suit nous allons présenté les différences d’intensité des pixels adjacents et nousdécrivons ensuite la méthode d’optimisation de la quantification selon le principe de lentropiemaximal
  2. 2. L’APDIQ amélioré est une méthode basé sur l’histogramme et en proposera des informationsde localisation approximative des parties du visage, les résultats expérimentaux serontabordées enfin les conclusions sont données2- examen de l’intensité des pixels adjacent :Quantification de la différenceLa figure 1 : montre le traitement des pixels adjacent de différente intensité quantificationhistogramme APDIQ un filtre passe bas est appliqué en utilisant une simple moyennevariante 2D ce filtre est essentiel pour réduire la fréquence du bruit et l’extraction de laplupart des composants de faibles fréquence pour la reconnaissance dans l’APDIQ pourchaque pixel de chaque image d’entrée de différente intensité pour les pixels horizontalementadjacent {dlx}, et la différence d’intensité pour les pixels verticalement adjacent {dly}, sontpremièrement calculé à l’aide de simple opérations de soustraction montrée :Dlx(i,j) = I(i+1,j) – I(i,j)Dly(i,j) = I(I, j+1) – I (i,j)En change le system de coordonnées orthogonales aux coordonnées polaires l’angle « θ » etla distance « r » représentent la direction et le montant de la variation de l’intensité
  3. 3. respectivement après avoir traiter tous les pixels de l’image d’entrée, les points représentes lesvecteurs sont distribué dans le plans (dlx, dly) tel qu’illustre la figure2-La répartition des points [densité et forme] représentent la caractéristique de l’image d’entrée-chaque vecteur de variation d’intensité est ensuite quantifié dans le plans r θ la table de laquantification est montré dans la figure 3Le numéro italique dans le tableau représente le numéro de chaque région de quantificationLes niveaux de quantification sont fixés à 8 en θ-axe et 8 en r-axe [totalement 50] depuis dlxdly
  4. 4. - les vecteurs sont concentrées dans petit-r (petit-dlx,-dly) regions les étapes de quantification non uniforme sont appliqué dans r-axes, le nombre de vecteur quantifié dans chaque région est compté et l’histogramme est généré cet histogramme devient le vecteur de caractéristique du visage humain - dans la phase d’inscription cet histogramme est sauvegarder dans une base de donnée comme une information d’identification personnels, dans la phase de reconnaissance l’histogramme est construit a partir d’une photo facial inconnue, et comparé individuellement avec chaque histogramme enregistré et la meilleur correspondance est sortie comme résultat de reconnaissance la distance de Manhattan [MD] est utilisée comme une mesure correspondante entre les histogrammes.les résultats expérimentaux montrent des taux de reconnaissance de 95 ,7% pour les 400 images de 40 personnes de la base AT& t contenant des variations d’éclairage, de pose et d’expressions 3- optimisation de la quantification de la PDIQ :Lessence de la méthode dhistogramme APDIQ peut être a estimé que lopération détecte etquantifie la direction et la quantité de variation de lintensité de la bloc de limage. Si laquantification dans le plans rθ est très importante parce quelle conduit directement auxhistogrammes différents.Mais comment déterminer le niveau de quantification nest pas discuté. Bien que les résultats expérimentaux ont montré Méthode histogramme APDIQ avait acquisune reconnaissance forte performance.Il est encore difficile de dire une telle table de quantification est la plus appropriée parce quela quantification nest pas optimisé et dans dautres cas, les résultats doivent être examinées.Dans cette section, la maximisation de la théorie des informations entropie est utilisée commeun critère de conception.Lorsque la probabilité quun vecteur appartient à un certains bin(b1,b2 ,……….,bv) est notéeà P(B1=b1, B2=b2,…..,Bv=bv) ou plus simple à partir P(b1,b2,……..,bv)L’entropie de lhistogramme E peut être définie comme :Si P(b1,b2,………….,bv) vient dêtre égale probabilité direction b1,b2,…….bv lentropie delhistogramme E Obtient la valeur maximale selon le maximum principe de lentropie.
  5. 5. La performance de reconnaissance devrait être mieux parce que le contenu de linformationmoyen sera maximale à ce stade. En outre, si nous supposons que les bacs de vecteur sontindépendantes entre elles, nous pouvez obtenir la formule suivante :P(b1,b2,…… ;bv)= P(B1=b1)P(B2=b2)………..P(Bv=bv)Afin de voir linformation moyenne contenue de la Histogramme sera maximisée lorsqueP(Bj=bj) est constante {probabilité égal} vers tous bj ici (j=1,2,……., v)Notre stratégie de la détermination des niveaux de la quantification est que dabord nous sous-échantillons les vecteurs, puis décider de la limite des bacs afin de faire la même choseQuantité de vecteurs appartenant à différents emplacements.4- Méthode de division de la région Méthode histogramme APDIQ utilise uniquement le nombre d’histogramme comme desinformations fonctionnelles pour identifier les personnes et les informations demplacementdu visage nont jamais servi. En ne peut pas alors savoir quelle région de la partie du visagelui correspondant ce vecteur point. Si nous pouvions combiner des caractéristiques del’histogramme et renseignements sur lemplacement du visage , les fonctionnalités intégréesdu visage serons plus robustes et efficace.Basé sur cette idée, nous avons développé notre algorithme à une méthode histogrammedAPDIQ-division de la région (RD). Selon les coordonnées de deux yeux, qui sont obtenu parune autre méthode de localisation oculaire, inclination révision et taille de processusdéchelle, se font À normaliser le visage.Puis la zone du surface totale est divisé en 5 partie ichnologies parties du visage (front, yeux,nez, bouche, mâchoire) avec respect des tailles, Et l’histogramme de chaque région du visageSont généré par APDIQ opération respectivement. L’histogramme crée De chaque régionfaciale est par rapport a histogrammes De La même région faciale dans la BDD par le calculde distances(d) entre eux (comme illustre la formule (5)). Puis les distances intégrés (D) sontcomme indiqué dans la formule (4), obtenu en faisant la moyenne pondérée. front, yeux , bouche, mâchoire, nez (4) (5)Ou le wi est e coefficient de la région faciale sont les fréquences de dlx, dly
  6. 6. Vecteurs appartenant à une région du visage dune image dentrée et qui appartiennent à lamême région du visage dimages enregistré dans la base de données, respectivement. Lameilleure correspondance est en recherchant le minimum distance de sortie comme le résultatde reconnaissance intégré. Figure4 : échantillons de la base de données AT & T Laboratoires Cambridge.4O personnes avec 10 images faciales pour chacun, (pour un total de 400 images), avecvariations dans les angles du visage, expressions faciales et conditions déclairage sontincluses dans la base de données. Chaque image a une résolution de 92 x 112.5. Expériences et discussions5.1 Expériences pour loptimisation de la quantification5.1.1 Les ensembles de donnéesLa base de données accessible à la publique face dAT & T Cambridge Laboratoires [13] estutilisée pour lanalyse et expériences de reconnaissance. Quarante personnes avec 10 duvisage images chacun, (pour un total de 400 images), avec des variations dans le visageangles, les expressions faciales et les conditions déclairage sont inclus dans la base dedonnées. Chaque image a une résolution de 92 x 112. Échantillons dimage typique de laFigure 4 montre la base de données AT & T Laboratoires Cambridge. Des 10 images pourchaque personne, cinq ont été choisis comme sonde images et les cinq autres ont étéenregistrés comme album images. Expériences de reconnaissance ont été effectuées pour 252(10C5) combinaisons de sonde-album à laide de la méthode de rotation5.1.2 Étude de la structure de la quantificationRéf. [12] utilisé une table de quantification qui contient 50 emplacements dans leursexpériences de reconnaissance. Nous enquêterons sur les structures de toute quantification desvecteurs de variation dintensité pour optimiser la quantification. Tout dabord, le niveau de laquantification est fixé à seulement 1 de 0 à une valeur maximale 30 tant que le nombre deniveaux de quantification dans Θ-axe est fixé à 8
  7. 7. (Totalement 241), et ensuite le nombre de vecteurs quantifié en chaque région dequantification est comptabilisée et un histogramme dune image du visage est générée.Fig. 5 histogramme à une moyenne de 400 images. Niveaux de quantification sont fixés à 8Dans Θ-axe et 1 au r-axe (totalement 241).La figure 5 montre un histogramme moyen de tous les 400 images dans la base de données.Cet histogramme montre dIx-dly vecteurs sont concentrées dans les petites-r (petit-dIx, -dly)régions et la diminution dans les régions de la grande-r. Pour donnée une quantification de 8 niveau en r-axe, nous changeons la limite de bacsdynamiquement afin de faire la somme des vecteurs dans chaque bin à valeur égale, alorsnous pouvons déterminer simplement la limite adaptative. Dans ce cas, nous obtenons lesétapes de quantification de r = 1, 2, 3, 5, 7, 10, 30, tandis que les étapes originales sont1, 2, 4, 7, 12, 20, 30. Fig. 6 Comparaison des résultats. Taux moyen de reconnaissance est montré ici.
  8. 8. La figure 6 montres la comparaison entre les résultats de la reconnaissance à laide de celuidorigine dans [12] et la nouvelle table de quantification qui contiennent le même nombreemplacements : 50.Taux de réussite de reconnaissance sont indiquées en fonction de la taille du filtre.Augmente au maximum le taux moyen de reconnaissance de 95,7 % à 96.29 %.On peut dire que la méthode doptimisation est efficace.Figure 7 comparaisons des résultats en différents nombre total demplacements.Le nombre de niveaux de quantification dans Θ-axe est fixé à 8.Fig. 8 Comparaison des résultats à différents niveaux de laxe de langle.Le nombre de niveaux de quantification dans r-axe est fixé à 8.5.1.3 La variation du nombre de bacs
  9. 9. Dans la section 5.1.2, nous avons ne discuté que le cas que ou nous Supposons que plusieursmeilleurs emplacements est 50. Il est nécessaire de Choisissez un nombre convenable de bacs.Comme le nombre de bacs augmente la résolution de lhistogramme, peut-être le devenir siSensibles que vecteurs corrompu de bruit peuvent significativement déformer lhistogramme.Au contraire, si le nombre de bacs est trop petit, lhistogramme ne peut pas suffisammentdistinguer les visages différents. Dans cette section, nous discuterons uniquement les cas ou le nombre de niveaux dequantification dans Θ-axe est fixé à 8.Nous changeons le nombre de niveaux de quantification dans r- axe pour 5, 6, 7, 8, 9 et 30 oùnombre de bacs sont 26, 34, 42, 50, 58 et 234, respectivement. La valeur maximale principe de lentropie est également appliqué à la quantification degénérer des histogrammes, et ensuite les performances de la reconnaissance est évalué.La figure 7 montres la comparaison entre les résultats de la reconnaissance à laide de tablesde quantification différentes niveau de quantification dans Θ-axe est fixé à 8. Le plus hauttaux moyen de reconnaissance obtenus dans chaque numéro de bacs sont indiqués ici. Lameilleure performance est obtenue au nombre des 58 (ici r = 9). Maximum de la moyennetaux de reconnaissance 96.46 % est atteint.5.1.4 La variation des niveaux de laxe de langleLa discussion dans la dernière section suppose que le nombre de niveaux de quantificationdans Θ-axe de 8 est le meilleur choix.Nous envisagent aussi leffet de la quantification dans Θ- axe.A cette époque, le nombre de niveaux de quantification dans r-axes est fixe à 8.Le nombre de Niveaux de quantification dans Θ- axe est modifié pour 2, 4, 8, 12, 16 etreconnaissance résultats sont présentés à la Figure 8. Les meilleures performances sontObtient le nombre de niveaux dans angle axe de 12.Le taux de reconnaissance moyen 96.71 % au maximum est atteint dans ce cas.Fig. 9 comparaison du taux moyen de reconnaissance entre le nombre total de bacs 86 et 50.
  10. 10. 5.1.5 Optimisation dans les deux Θ et r-axesSelon la méthode décrite ci-dessus, nous changeons le nombre de niveaux de quantificationdans Θ-axe et dans laxe de r. Nous trouvons la meilleure combinaison apparaissent dans les numéros de niveaux dequantification de 12 à Θ-axe et 9 r-axe (totalement 86).Figure 9 montres la comparaison entre les résultats de la reconnaissance à laide de celuidorigine dans [12] et le nouveau table de quantification qui contient le nombre de bacs de 86.Taux de réussite de reconnaissance sont indiquées en fonction du filtre taille. Augmente aumaximum le taux moyen de reconnaissance de 95,7 à 97,2 %. On peut dire que loptimisationméthode est très efficace.Fig. 11 exemple dhistogrammes. Les histogrammes des personnes différentes sont clairementdifférents. Toutefois, les histogrammes de la même personne sont ressemblait, bien quil y aune petite différence dans le détail5.2 Expériences pour la division de la régionTel que discuté ci-dessus, basé sur lentropie maximale principe (MEP), nous optimisons laquantification de lAPDIQ. Taux de réussite de la reconnaissance maximale moyenne de97,2% est Lorsque le nombre de niveaux de quantification est définies sur12 po Θ-axe et 9 r-axe (totalement 86), qui est plus élevé que la méthode dorigine à laide dela table de quantification de 50.Nous utiliserons le tableau de la quantification de 86 dans ces dernières expériences.5.2.1 Les ensembles de donnéesNous utilisons une base de données FERET accessible au public [14] pour expériences dereconnaissance, qui est lun des plus connus bases de données et consiste en des images enniveaux de gris 8 bits 14051 avec taille 256 x 384 de têtes humaines avec des vues allant defrontal à profils droits et gauche. Le FERET base de données a été construit pour mettre aupoint visage automatique capacités de reconnaissance pouvant servir à aider les membres delordre, sécurité et renseignement. Nous utiliser la tâche FB dans nos expériences. FB(déléguée) détient 1195 images, qui principalement dévaluer leffet sur le visage expression.
  11. 11. Tous les tests utilisés une galerie unique contenant 1196 images. La figure 10 montre leséchantillons image typique de la base de données FERET. Afin déviter linfluence de le œilprécision de détection, nous utilisons les coordonnées des yeux fourni par base de donnéesFERET pour mettre en œuvre de la région division (RD) opération dans notre expériences.Le total visage zone est divisé dans 5 régions de soin du visage pièces (front, yeux, nez,bouche, mâchoire) avec tailles de 146 x 65, 146 x 40, 146 x 30, 146 x 35, 146 x 30,respectivement.Fig. 12 résultats de reconnaissance de méthode histogramme RD (à laide de FB tâche).Taux de reconnaissance Top1 86,8 % est obtenu par original APDIQ méthode histogrammeappliqué à lensemble du visage. À laide de RD-APDIQ méthode histogramme avec lecoefficient de pondération de 5 régions 1, 1, 0, 1, 1, le taux de reconnaissance top1 augmenteà 97,6 %.5.2.2 RésultatsLa figure 11 illustre des exemples typiques des histogrammes de régions du visage.Histogrammes de différentes personnes sont clairement différents. Toutefois, leshistogrammes de la même personne sont ressemblait, bien quil y a une petite différence dansle détail.Il peut dire que lhistogramme est le personnel très efficace fonction discriminante personnes.La figure 12 illustre les résultats de la reconnaissance de FB a obtenu en utilisant lacombinaison de méthode histogramme APDIQ et procédé de division de la région (RD) pourajouter lemplacement brut information. Nous obtenons le taux de reconnaissance top1 de86,8 % en méthode dhistogramme APDIQ originale appliquée à lensemble zone du visageavec la taille de 146 x 200. À laide de RD-APDIQméthode histogramme avec le coefficient de pondération de 5 les régions 1, 1, 0, 1, 1, le tauxde reconnaissance top1 augmente à 97,6 %, qui est un peu supérieur à un autre similairesapproche en Réf. [17]. Fig. 12 montre également les résultats de à laide seule région facialeuniquement et ceux de lutilisation de certains combinaisons. Il a été constaté par le courantdes expériences qui Parmi les régions des parties du visage, les caractéristiques des yeux
  12. 12. semble la partie la plus importante pour la reconnaissance des visages. Comparés aux résultatsdes autres groupes de recherche qui Utilise la même tâche de la base de données FERET, latop1 taux de reconnaissance de 97,6 % atteint est le top des résultats des groupes entiers derecherche tel quillustré à la Figure 13. Il ne peut dire que la méthode dhistogramme RD-APDIQ est un très algorithme de reconnaissance de visage fiable.Fig. 12 résultats de reconnaissance de méthode histogramme RD (à laide de FB tâche).Taux de reconnaissance Top1 86,8 % est obtenu par original APDIQ méthode histogrammeappliqué à lensemble du visage. À laide de RD-APDIQ méthode histogramme avec lecoefficient de pondération de 5 régions 1, 1, 0, 1, 1, le taux de reconnaissance top1 augmenteà 97,6 %.Notez que le filtre passe-bas est effectuée avant la région- opération de division à laide dunemoyenne mobile simple de 2-D filtre. Taux de réussite de reconnaissance varient en fonctiondu filtre taille. Est le plus haut taux de reconnaissance top1 de 97,6 % Obtient la taille de filtrede 13 x 13. Filtre passe-bas est efficace pour éliminer la composante de bruit et lextractioncomposante de fréquence importante de reconnaissance. Par application du filtre passe-bas,détaillé les traits du visage tels que les rides et coiffure local, qui sont facilement variant enfonction de subtiles expressions du visage, limage en prenant les conditions et les laps detemps et nuire aux performances de la reconnaissance, sont exclus. Seulement le visagepersonnel important de fonctionnalités telles comme le piteux état des parties du visage peutêtre extraites. Algorithme de reconnaissance a été programmé en C ANSI et a été exécuté surun PC classique @ 3.2 GHz (1 G mémoire). Temps de traitement dimage unique dansFERET base de données est denviron 95 msec, qui se compose de 50 msec pour leprétraitement, y compris linclinaison-révision et sizes caling et filtrage processus, 20 msecpour bloc Division, et soustraction de lintensité minimale, APDIQ processing and 25 MSpour la base de données correspondant à laide dun gallery containing 1196 images.6. ConclusionsNous avons développé un visage très simple mais très fiable méthode de reconnaissanceappelée APDIQ histogramme application de traitement de lAPDIQ. Basé sur la valeurmaximale principe de lentropie (MEP), nous optimisons la quantification dansAPDIQ en changeant alors dynamiquement la limite des emplacements quant à faire lasomme des vecteurs dans chaque bac dégalité valeur et puis nous pouvons simplementdéterminer ladaptation limite. Taux de réussite de la reconnaissance maximale moyenne de97,2 % est atteint lorsque les niveaux de quantification sont fixés à 12 enΘ-axe et 9 r-axe (totalement 86), qui est plus élevé que le méthode originale à laide de latable de la quantification des 50 Combinés par des informations de localisation approximativede léjaculation faciale pièces et APDIQ histogramme méthode, excellent performances de lareconnaissance de visage ont été vérifiée à laide Base de données de Féret.
  13. 13. Les résultats expérimentaux montrent top1 taux de reconnaissance de 97,6 % en tâche FB.Cette division de la région Méthode histogramme APDIQ avérée très efficace et robustepour extraire les caractéristiques locales du visage.

×