You are on page 1of 50

Universidade Federal do Amazonas Faculdade de Tecnologia Mestrado em Engenharia Elétrica

Detecção de Pontos Fiduciais Utilizando Filtragem Discriminativa com Análise de Componentes Principais e Alinhamento Adaptativo
Kenny Vinente dos Santos

Orientador: D.Sc. Waldir Sabino da Silva Júnior

Sumário
1. Introdução
2. Filtragem Discriminativa

3. Experimentos e Resultados
4. Considerações Finais 5. Publicações

1. Introdução
• Reconhecimento de Padrões
o

Um dos objetivos da área de Reconhecimento de Padrões (RP) é identificar padrões de interesse em um conjunto de dados

1. Introdução
• Reconhecimento de Padrões
o

Técnicas de Reconhecimento de Padrões podem ser aplicadas em diversas áreas, como em Visão Computacional, sendo esta o interesse deste trabalho As aplicações de RP em Visão Computacional são inúmeras, como sistemas de reconhecimento de faces, autonomia de tarefas em robôs, reconhecimento de íris, identificação biométrica

o

1. Introdução
• Reconhecimento de Padrões
o

Dentre as técnicas existentes para se realizar o Reconhecimento de Padrões, o método de filtragem vêm tendo destaque em pesquisas recentes Um dos motivos deste interesse é o fato de que técnicas de filtragem são facilmente implementadas em linguagens de programação No Reconhecimento de Padrões por filtragem, alguns métodos se baseiam na correlação como critério para identificar o padrão desejado

o

o

1. Introdução • Reconhecimento de Padrões o Técnicas de Reconhecimento de Padrões por filtragem tem como objetivo encontrar um padrão de interesse através de um produto de matrizes realizados no domínio da frequência As vantagens que esta técnica traz em comparação as outras existentes vem da facilidade de implementação em software e arquiteturas de hardware. diminuindo o custo computacional que normalmente é elevado em RP o .

Introdução • Reconhecimento de Padrões o Utilizando esses conceitos.1. que tem como objetivo reconhecer padrões através de filtragens no domínio da frequência A técnica por Filtragem Discriminativa propõe que se nós temos um padrão de interesse 𝐔. podemos projetar um filtro discriminativo Θ de tal forma que o resultado da convolução deste filtro com o padrão resulte em um sinal 𝐂 que concentra a sua energia em uma única amostra (impulso) o . surgiu a técnica Filtragem Discriminativa.

1. utilizando a análise de componentes principais (PCA) para projetar os filtros discriminativos Algumas das vantagens de se utilizar a PCA vem do fato que a PCA tende a concentrar a energia de um sinal nas primeiras componentes o . o trabalho proposto por Waldir Sabino incorporou robustez a Filtragem Discriminativa. Introdução • Reconhecimento de Padrões o Em 2010.

1. pois estes agora serão projetados para cada componente principal Apesar de aumentar a robustez. o que leva a motivação deste trabalho o . a Filtragem Discriminativa com Análise de Componentes Principais. Introdução • Reconhecimento de Padrões o A PCA auxilia a Filtragem Discriminativa no projeto dos filtros. percebemos que os resultados obtidos podem ser melhorados para padrões de interesse que apresentam pequenos deslocamentos.

1. propondo uma nova classe de Filtros Discriminativos . Introdução • Objetivos o O objetivo geral deste trabalho é melhorar o desempenho da Filtragem Discriminativa com Análise de Componentes Principais na Detecção de Pontos Fiduciais.

procurando aumentar o desempenho para marcações que apresentem pequenos deslocamentos Analisar a influencia das componentes principais na escolha do critério de projeto dos filtros discriminativos Comparar o efeito do deslocamento em relação ao método original o o .1. Introdução • Objetivos o o Os objetivos específicos são: Modificar o método original.

no qual este método consiste em um projetar um estimador capaz de restaurar um impulso na posição em que o padrão ocorre O problema de restauração do impulso pode ser formulado como: seja uma sequência 𝑔(𝑘) e um padrão conhecido 𝑓(𝑘) que se encontra na posição 𝑘0 de 𝑔(𝑘). Filtragem Discriminativa • Restauração do Impulso o A Filtragem Discriminativa pode ser encarada como um problema de Restauração do Impulso.2. O objetivo é encontrar a posição 𝑘0 de 𝑓(𝑘) em 𝑔(𝑘) o .

iremos obter um impulso na posição 𝑘0 A sequência 𝑔(𝑘) pode ser equacionada como 𝑔(𝑘) = 𝑓(𝑘 − 𝑘0 ) + 𝑏(𝑘) o o o Em que 𝑏(𝑘) é o ruído que representa o resto da sequência . Filtragem Discriminativa • Restauração do Impulso o Assim sendo. ao final do processamento de 𝑔(𝑘) utilizando a técnica de restauração do impulso.2.

Filtragem Discriminativa • Restauração do Impulso o Podemos reformular a expressão que define 𝑔(𝑘) em função do impulso deslocado 𝑔 𝑘 = 𝑓 𝑘 ∗ δ 𝑘 − 𝑘0 + 𝑏 𝑘 o o Transformando essa equação para a forma matricial. obtemos 𝐠 = 𝐅𝛅 + 𝐛 o .2.

o resultado de 𝐅𝛅 é a convolução circular entre 𝑓(𝑘) e 𝛿(𝑘 − 𝑘0 ) o . 𝛅 e b são do tipo 𝑁 × 1 e a matriz 𝐅 possui dimensão 𝑁 × 𝑁 e é formada por deslocamentos circulares de 𝑓(𝑘) Assim. Filtragem Discriminativa • Restauração do Impulso o Os vetores g.2.

como realizar a estimativa do vetor 𝛅? . a matriz 𝐅 e a estatística do ruído 𝐛. podemos formular o problema de restauração do impulso da seguinte forma: o Dado um vetor de entrada 𝐠.2. Filtragem Discriminativa • Restauração do Impulso o Com base nestas análises.

Filtragem Discriminativa • Restauração do Impulso o Supondo o ruído do tipo gaussiano com média zero e matriz 1 de covariância igual a 𝐶𝑏 . a solução para este problema. dado pela estimativa 𝛅 é: 𝛅 = 𝐅𝑡 𝐅𝐅𝑡 + 𝐂𝐛 −1 𝑁 o 𝐠 .2.

Filtragem Discriminativa • Restauração do Impulso Aplicado à Imagens o Podemos generalizar o problema de restauração do impulso para sinais bidimensionais.2. O filtro Θ obtido possuirá dimensões 𝑁 × 𝑁 e ao realizarmos a convolução desse filtro com um padrão de interesse 𝐔. a saída deverá ser um impulso 𝐂 = 𝐔 ∗ Θ o .

0)2 𝑁 𝑖=1 𝑁 𝑐(𝑖.𝑦) o Na equação. Filtragem Discriminativa • Restauração do Impulso Aplicado à Imagens o A métrica utilizada para avaliar se Θ restaura um impulso é a DSNR 2 . 𝑐(𝑖.2. 𝑗) é o resultado da convolução circular entre 𝐔 e Θ . definida da seguinte forma: DSNR 2 = 𝑐(0.𝑗)2 −𝑐(𝑥.𝑦)2 𝑗=1 o (𝑥.

Filtragem Discriminativa • Restauração do Impulso Aplicado à Imagens .2.

Filtragem Discriminativa • Análise de Componentes Principais (PCA) 𝑣 𝑣 𝑏 𝑑 𝑐 𝑎 𝑣 = α𝑎 + β𝑏 o o 𝑣 = γ𝑐 + δ𝑑 γ possui valor muito alto. δ possui valor próximo de zero 𝑐 é a componente de maior energia .2.

estamos procurando aumentar a robustez da Filtragem Discriminativa (pensar numa Figura) o . Filtragem Discriminativa • Análise de Componentes Principais (PCA) o Podemos integrar o problema de detecção por Filtragem Discriminativa com a Análise de Componentes Principais. formulando a Filtragem Discriminativa com Análise de Componentes Principais (FD-PCA) Ao projetarmos os novos filtros Θ𝜙𝑖 nas direções 𝜙𝑖 de maior energia. projetando filtros para as componentes principais com maior variância.2.

procurando melhorar o sinal de saída 𝐂 o Inicialmente. . projetamos os filtros Θ𝜙𝑖 e observamos os níveis DSNR 2 para cada imagem de treino. Filtragem Discriminativa • Alinhamento Adaptativo (FD-PCA-AA) falar mais do método proposto o Para tentar melhorar os filtros Θ𝜙𝑖 . propomos um método em que realizamos um novo projeto dos filtros Θ𝜙𝑖 .2.

Filtragem Discriminativa • Alinhamento Adaptativo (FD-PCA-AA) o Se algum pixel de uma região próxima do ponto fiducial possuir valor maior que o do ponto fiducial. melhorando a resposta do filtro. o . espera-se que a DSNR 2 aumente na coordenada do ponto fiducial. utiliza-se esse pixel como o ponto de referência para o projeto do filtro Assim.2.

3. Experimentos e Resultados • Diagrama esquemático do FD-PCA (treino) .

3. Experimentos e Resultados • Diagrama esquemático do FD-PCA (treino) • O método FD-PCA quando chega no estágio de projeto do classificador. não leva em conta se a matriz DSNR contém um impulso na região do padrão de interesse .

3. Experimentos e Resultados • Diagrama esquemático do FD-PCA-AA (treino) .

região de interesse) . Experimentos e Resultados • Diagrama esquemático do FD-PCA-AA (treino) • Procedimentos Iniciais para Treinamento: realizamos o préprocessamento das imagens (mudança da resolução.3. correção de iluminação.

Experimentos e Resultados • Diagrama esquemático do FD-PCA-AA (treino) • Projeto de Θ𝜙𝑖 : realiza-se o projeto dos filtros Θ𝜙𝑖 utilizando as componentes principais de maior energia .3.

Experimentos e Resultados • Diagrama esquemático do FD-PCA-AA (treino) • Θ𝜙𝑖 ∗ 𝐵𝒛 : calculamos o sinal de saída 𝐂 para cada bloco de entrada .3.

3. Experimentos e Resultados • Diagrama esquemático do FD-PCA-AA (treino) • DSNR 2 : calculamos a DSNR 2 para cada sinal 𝐂 obtido e criam-se os vetores 𝐝𝐵𝒛 que contém as 2 classes (é ponto fiducial ou não é ponto fiducial) .

Experimentos e Resultados • Diagrama esquemático do FD-PCA-AA (treino) • Treino AdaBoost: projeta-se o classificador adaboost de acordo com as classes 𝐝𝐵𝒛 geradas .3.

3. Experimentos e Resultados • Diagrama esquemático do FD-PCA e FD-PCA-AA (teste) .

Experimentos e Resultados • As simulações foram realizadas para o conjunto de 503 imagens da base de dados BioID • Os pontos fiduciais utilizados para o projeto dos filtros são os que estão apresentados a seguir .3.

sendo que 6/7 do conjunto de imagens foram utilizadas para treino e 1/7 para testes (o que é comum na literatura) . utilizou-se validação cruzada com um conjunto de 7 folds (grupo de imagens).3. Experimentos e Resultados • As imagens foram divididas em dois grupos: um grupo de treino e outro de teste • Para o projeto dos filtros.

o restante diminuiu.41% das marcações tiveram aumento na DSNR.51% (para todos os folds e pontos fiduciais) . Experimentos e Resultados • Utilizando a 1 PCA como referência para o reprojeto dos filtros. os resultados indicaram que o aumento na DNSR depende de dois fatores: o ponto fiducial e o fold trabalhado • Com 1 PCA.3. em média 55. O desvio padrão foi de 22.

3. Experimentos e Resultados • Comparação dos métodos FD-PCA e FD-PCA-AA para o ponto fiducial 00 (centro do olho esquerdo) .

3. Experimentos e Resultados • Resultados obtidos para o ponto fiducial 01 (centro do olho direito) .

3. Experimentos e Resultados • Desempenho da Taxa de Falsos positivos para o centro dos dois olhos .

Experimentos e Resultados • Taxa de acerto em função da distância intra-ocular para o centro do olho esquerdo .3.

3. Experimentos e Resultados • Resultados comparativos do 1º método para a BioID .

Experimentos e Resultados • Resultados comparativos do 1º método para a BioID .3.

Experimentos e Resultados • Resultados comparativos do 1º método para a BioID .3.

Experimentos e Resultados • Resultados comparativos do 1º método para a BioID .3.

Experimentos e Resultados • Resultados comparativos do 1º método para a BioID .3.

3. Experimentos e Resultados • Resultados comparativos do 1º método para a BioID .

Considerações Finais • Observou-se que o alinhamento adaptativo melhorou a taxa de falsos positivos para os dois centros dos olhos • O método proposto estabiliza a taxa de FP com um número reduzido de componentes principais se comparado ao FD-PCA. para o centro dos olhos .4.

4. bem como o FDPCA . Considerações Finais • Utilizando a 1 PCA como critério. e empatou nos outros dois pontos (centro e canto do olho direito) • Utilizando 3 componentes principais como critério. o método proposto ganhou do FD-PCA em 08 dos 10 pontos. observa-se que o desempenho do classificador é melhor do que os outros métodos propostos.

com os 3 algoritmos propostos. sem alterações nas técnicas de pósprocessamento . Considerações Finais • Atualmente.4. estão sendo feitos os testes para todos os pontos da BioID e da Feret.

ICIP 2012 . Publicações • Artigo a submeter no ICNSV 2012 – 05/setembro • Artigo pronto.5. esperando prazo de submissão.