Rozpoznawanie twarzy Wprowadzenie Algorytmy PCA ICA

Slides:



Advertisements
Podobne prezentacje
Excel Narzędzia do analizy regresji
Advertisements

ALGORYTMY GRAFOWE.
Przetwarzanie i rozpoznawanie obrazów
Zmienne losowe i ich rozkłady
SZTUCZNA INTELIGENCJA ARTIFICIAL INTELLIGENCE
Sztuczne sieci neuronowe
Przekształcenia afiniczne
Zrównoleglanie programu sekwencyjnego
Miary jednej cechy Miary poziomu Miary dyspersji Miary asymetrii (skośności)
ALGORYTMY GEOMETRYCZNE.
Ulepszenia metody Eigenfaces
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Wprowadzenie do Mathcada
Wykład 1 dr hab. Ewa Popko
Promotor: dr inż. Leszek Koszałka Autor: Markuszewski Kamil
Universal and Nonuniversal Properties of Cross Correlation in Financial Time Series Vasiliki Plerou, Parameswaran Gopikrishnan, Bernd Rosenow, Luı´s A.
Zofia Hanusz i Joanna Tarasińska Uniwersytet Przyrodniczy w Lublinie
PRZYKŁADY IDENTYFIKACJI OBIEKTÓW
Paweł Kramarski Seminarium Dyplomowe Magisterskie 2
Modele (hipotezy) zagnieżdżone
Alfred Stach Instytut Paleogeografii i Geoekologii
GEOSTATYSTYKA Wykłady dla III roku Geografii specjalność – geoinformacja Estymacja na podstawie danych jednej zmiennej I Alfred Stach Instytut Paleogeografii.
Linear Methods of Classification
Sieci neuronowe jednokierunkowe wielowarstwowe
WSN Ustalanie położenia czujników – cz. 3 (symulator)
Paweł Stasiak Radosław Sobieraj Michał Wronko
Metody Symulacyjne w Telekomunikacji (MEST) Wykład 6/7: Analiza statystyczna wyników symulacyjnych  Dr inż. Halina Tarasiuk
Fraktale i chaos w naukach o Ziemi
Rozkład macierzy korelacji ze względu na wartości i wektory własne a problem głównych składowych Singular Value Decomposition SVD.
Detekcja twarzy w obrazach cyfrowych
GŁOSOWA ŁĄCZNOŚĆ Z KOMPUTEREM
Analiza doboru danych uczących w predykcji indeksu giełdowego mgr Marcin Jaruszewicz dr hab. Jacek Mańdziuk.
Wykład 11 Badanie stabilności układu regulacji w przestrzeni stanów
II. Matematyczne podstawy MK
Autorzy:Ania Szczubełek Kasia Sul
Analiza dyskryminacji
Źródła błędów w obliczeniach numerycznych
Analiza wizualna – co to jest i czym to się je Krzysztof S. Nowiński
VI EKSPLORACJA DANYCH Zadania eksploracji danych: klasyfikacja
VII EKSPLORACJA DANYCH
Paweł Klimczewski Polskie Badania Czytelnictwa
Monika Piwowar Gdańsk Statystyka i analiza danych II Analiza danych z technik wysokoprzepustowych w zastosowaniach.
Ekonometryczne modele nieliniowe
Pochodna funkcji jednej zmiennej. Pochodna wektora.
Filtr Kalmana (z ang. Kalman Filter w skrócie KF)
Mechanika i dynamika molekularna
Seminarium IITiS PAN, marzec 2004 Komputerowa analiza i integracja informacji wizyjnej o scenach 3D. Prace statutowe Zespołu Komputerowych Systemów Wizyjnych.
Rozkład wariancji z próby (rozkład  2 ) Pobieramy próbę x 1,x 2,...,x n z rozkładu normalnego o a=0 i  =1. Dystrybuanta rozkładu zmiennej x 2 =x 1 2.
Ruch jednowymiarowy Ruch - zmiana położenia jednych ciał względem innych, które nazywamy układem odniesienia. Uwaga: to samo ciało może poruszać się względem.
Ruch – jedno w najczęściej obserwowanych zjawisk fizycznych
PRZYKŁADY IDENTYFIKACJI OBIEKTÓW
Statystyczne parametry akcji Średnie Miary rozproszenia Miary współzależności.
Przetwarzanie obrazów
Zjawiska ruchu Ruch – jedno w najczęściej obserwowanych zjawisk fizycznych Często ruch zachodzi z tak dużą lub tak małą prędkością i w tak krótkim lub.
Przypomnienie: Przestrzeń cech, wektory cech
Grafika 2d - Podstawy. Kontakt Daniel Sadowski FTP: draver/GRK - wyklady.
Model ekonometryczny Jacek Szanduła.
STATYSTYKA – kurs podstawowy wykład 8 dr Dorota Węziak-Białowolska Instytut Statystyki i Demografii.
Analiza danych genomicznych metodami statystycznymi i inteligencji obliczeniowej Wiktor Młynarski
Jednorównaniowy model regresji liniowej
Metody klasyfikacyjne
Przypomnienie: Przestrzeń cech, wektory cech
ALGORYTMY I STRUKTURY DANYCH
Analiza niepewności pomiarów
Haskell Składnia funkcji.
Własności asymptotyczne ciągów zmiennych losowych
Analiza kanoniczna - stanowi uogólnienie liniowej regresji wielorakiej na dwa zbiory zmiennych tzn. dla zmiennych zależnych i niezależnych. Pozwala badać.
Analiza głównych składowych PCA
Zapis prezentacji:

Rozpoznawanie twarzy Wprowadzenie Algorytmy PCA ICA Mateusz Adamik Rozpoznawanie twarzy Wprowadzenie Algorytmy PCA ICA Metoda oparta na porównywaniu szablonów (template matching)

Wprowadzenie Normalizacja

Algorytmy Detekcja twarzy oparta na gradiencie PCA - Principal Component Analysis ICA - Independent Component Analysis LDA - Linear Discriminant Analysis EP - Evolutionary Pursuit EBGM - Elastic Bunch Graph Matching AAM - Active Appearance Model

Metoda gradientowa obrazy źródłowe powinny być przeskalowane do rozmiarów w których twarz ma okrągłe proporcje Pierwszą częścią procesu detekcji jest obliczenie matrycy gradientu px i py (poziomych i pionowych wartości gradientu). Opisywana metoda polega na przeszukiwaniu obrazu wejściowego w celu znalezienia charakterystycznego dla twarzy rozkładu gradientu. Opierając się na utworzonych matrycach oblicza się wektory gradientu dla wszystkich punktów obrazu

Metoda oparta na porównywaniu szablonów (template matching)

Eigenface M obrazów o wymiarach [h x w] zostaje zapisanych jako wektory D (o wymiarach hw) i umieszczone w zbiorze . Wszystkie obrazy powinny być odpowiednio przeskalowane, a tło jednorodne lub usunięte. Każda twarz różni się od średniej o wektor , gdzie średnia twarz jest określona przez Macierzy kowariancji jest zdefiniowana jako: , gdzie .

PCA – Analiza głównych składowych Analiza głównych składowych (ang. Principal Component Analysis, PCA) – jedna ze statystycznych metod analizy czynnikowej. Zbiór danych składający się z N obserwacji, z których każda obejmuje K zmiennych, można interpretować jako chmurę N punktów w przestrzeni K-wymiarowej. Celem PCA jest taki obrót układu współrzędnych, aby maksymalizować w pierwszej kolejności wariancję pierwszej współrzędnej, następnie wariancję drugiej współrzędnej, itd. PCA ICA 2

Źródła - wikipedia.org - http://face-recognition.eu - http://www.face-rec.org/algorithms - M. Turk, A. „Pentland Eigenfaces for Recognition” - P. Jonathon Philips „Computational and performance aspects of PCA-based face-recognition algorithms” - „Comparative Assessment of Independent Component Analysis (ICA) for Face Recognition” Ch. Liu and H. Wechsler - „Recognizing Faces with PCA and ICA” B.A. Draper, K. Baek