2. • 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)
3. 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.
4. 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.
5. • 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
6. • 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.
7. 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
8. 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
9. • 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
10. 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
11. • 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
12. • 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.
13. 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.
14. • 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) .
15. 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.
16. 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
17. • 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.
18. 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.
19. 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
20. 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.
21. 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 pedote
traducir en google
22. 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. Vol
4, págs. 46-57). Babol, Iran.
•