HMM PARA

RECONOCIMIENTO DE

ROSTROSJORGE IBARRA FERADO

CARLOS MONTES SÁNCHEZ

• Estos modelos son utilizados normalmente para modelar datos unidimensionales, pero en años recientes, estos han sido utilizados para

• Segmentación de texturas

• Búsqueda de rostros

• Reconocimiento de objetos

HIDDEN MARKOV MODELS (HMM)

Todos los modelos HMM cuentan con estados no observables (ocultos) y con una secuencia observable, generada por los estaos ocultos individuales

Los elementos que los componen son:

N=|s| es el numero de estados de el modelo donde S es un conjunto de todos los posibles estados.

M=|V| es el diferente numero de símbolos observables donde V es el conjunto de todos los símbolos de observación.

FUNCIÓN

• Los modelos HMM generalmente trabajan utilizando una secuencia de símbolos llamados vectores de observación, mientras una imagen es normalmente representada por una matriz 2D.

• En el caso de utilizar HMM unidimensionales para problemas de reconocimiento facial, el reconocimiento se basa en la vista frontal de la cara, en donde las regiones de la cara como el pelo, frente, ojos, nariz y boca vienen en un orden natural de arriba hacia abajo

• En la figura se muestra una imagen unidimensional dividida en 7 regiones analizables

• La principal ventaja de este tiempo de modelos es, simplemente la estructura mas sencilla y la pequeña cantidad de parámetros que se deben de ajustar.

EJEMPLO DE MODELO DE

RECONOCIMIENTO FACIAL UTILIZANDO

HMM• Este sistema propuesto se baso en 7 puntos

• Filtrado

• Observación de vectores

• Extracción de rasgos

• Selección de rasgos

• Cuantización

• Proceso de entrenamiento

• Reconocimiento facial

FILTRADO

La mayoría de los sistemas de reconocimiento comúnmente utilizan procesamiento para mejorar su funcionamiento.

En este ejemplo se utiliza un filtro especifico que afecta directamente la velocidad y el ritmo de reconocimiento de el algoritmo

• Este proceso se desarrolla de la siguiente manera

• Una ventana deslizable se mueve de arriba hacia abajo y de izquierda a derecha con movimientos del tamaño de un pixel, mientras la ventana se mueve el pixel central se reemplaza por uno de los pixeles de la ventana basado en el tipo de filtro.

• Se puede observar como el proceso suaviza la imagen y reduce la información de la misma

VECTORES DE OBSERVACIÓN

• Ya que los modelos HMM requieren una secuencia de observación unidimensional y las imágenes de rostros son bidimensionales, las imágenes deben ser interpretadas como secuencias unidimensionales

• La secuencia de observación es generada dividiendo cada imagen de un ancho W y altura H contra bloques traslapados de altura L y ancho W.

• Una ventana L x W es deslizada desde arriba hacia abajo en la imagen y esto crea una secuencia de bloques encimados. Estos bloques sucesivos son la interpretación mencionada

• El área P es el espacio generado por el traslapado de estos 2 bloques, un alto porcentaje entre bloques consecutivos incrementa significativamente el rendimiento de el sistema, lo que incrementa la complejidad de computación.

• En este procedimiento, mientras P sea (P≤ L-1) y L≈ H/10, el ritmo de reconocimiento no es muy sensitivo a las variaciones de L.

EXTRACCIÓN DE RASGOS

• Para reducir la complejidad computacional y el consumo de memoria se escalo la base de datos de una imagen de 112*92 a una de 64*64, esto resulta en perdida de datos de las imágenes, por eso para lograr un alto nivel de reconocimiento se tuvo que utilizar un método robusto de extracción.

• Una mejoría de este sistema fue el uso de coeficientes SVD como rasgos, en vez de valores grises de los pixeles en el muestreo de ventanas (bloques) .

SVD (SINGULAR VALUE DECOMPOSITION)

• La descomposición de valores simples, es una herramienta de procesamiento y análisis estadístico.

• La principal propiedad de este sistema que es considerada relevante para el programa, es su estabilidad en la imagen facial.

SELECCIÓN DE RASGOS

El problema de la selección de rasgos es el siguiente.

Dado un numero d de rasgos, se selecciona subgrupo de tamaño m que lleva a una clasificación pequeña de errores y costos computacionales menores

Después se analizan por separado y se realiza una sumatoria de valores de tamaño 64, esto es lo que compone a la imagen

• En esta imagen se observa el método SVD aplicado para el

procesamiento de los datos de la imagen, por la

combinación de los tres valores individuales de la

imagen se generaron 5 diferentes, en la ultima se observa

el conjunto de datos combinados de las otras 4 imágenes.

CUANTIZACIÓN

Los coeficientes SVD tienen valores continuos innatos, estos valores construyen los vectores de observación

Si se consideran como un tipo continuo, al igual que los valores analizados por HMM se encontrarían un numero infinito de posible puntos de observación que no pueden ser modelados por los modelos HMM.

Así que se cuantizan los rasgos descritos.

Por un proceso de redondeo, truncacion u otro proceso no linear irreversible.

PROCESÓ DE ENTRENAMIENTO

• Como ya se describió, cada imagen representada por vectores de observación es modelada por una modelo de 7 estados de HMM, 5 imágenes de la misma cara se utilizan para entrenar al HMM y las ultimas 5 son utilizadas para pruebas.

• Se entrena a el modelo HMM utilizando el algoritmo de Baum Welch

RECONOCIMIENTO FACIAL

• Después del poseso de aprendizaje, cada clase (Cara) se asocia a un modelo HMM independiente.

• Cada imagen de prueba experimenta la extracción de bloques, extracción de rasgos y proceso de cuantización y cada imagen , como las imágenes de entrenamiento, se ve representada por su propio vector de observación.

• Y para cada nueva imagen que llegue al programa, simplemente se calcula la probabilidad del vector de observación dado cada modelo HMM que se tenga.

CONCLUSIONES

• Mi compañero carlós, después de horas intensas de investigación utilizando el motor de entendimiento de idiomas conocido como traductor google, llego a la conclusión de que es un pedotetraducir en google

BIBLIOGRAFÍA

• (2008). A New Fast and Efficient HMM-Based Face Recognition System Using a 7-State HMM Along With SVD Coefficients. En H. M.-N. Davari*, Iranian Journal of Electrical & Electronic Engineering, (Vol. Vol4, págs. 46-57). Babol, Iran.

•