Resumen general del artículo Particle swarm optimization for human face recognition de los autores R.M. Ramadan and R.F. Abdel-Kader. Esta presentación se realizó con fines de divulgación.
Particle swarm optimization for human face recognition
1. Particle swarm optimization for human face recognition
R.M. Ramadan and R.F. Abdel-Kader
Mario G. Canul Ku
mariocanul@cimat.mx
Curso: Inteligencia Articial I
Profesor: Dr. Arturo Hernandez Aguirre
Mayo - 2014
Centro de Investigación
en Matemáticas, A.C.
2. ObjetivoIntroducción
Presentar un algoritmo para seleccionar características óptimas para
el reconocimiento facial basado en PSO binario publicado por Ra-
madan, ver en [7].
Particle swarm optimization for human face recognition 1/12
3. Selección de característicasIntroducción
Consiste en encontrar un subconjunto óptimo tal que se alcance un
porcentaje alto en la detección de un rostro.
Clasificación
Rostros
Características
Reconocimiento
Facial
Selección
PSO
Selección
de
características
Escena
[1]
[2]
[3]
Imágenes: Ver en [1], [2] y [3].
Particle swarm optimization for human face recognition 2/12
4. Extracción de característicasConceptos
La extración de características consiste en obtener un vector carac-
terístico p ∈ RD a partir de una imagen I.
Transforma de coseno discreta
Imagen: Ver en [5]
Bpq son los coecientes de la
transformada y son los que com-
ponen al vector característico.
Transforma de wavelet discreta
Imagen: Ver en [9]
H0[z] = −
√
2
2 ,
√
2
2
H1[z] =
√
2
2 ,
√
2
2
La imagen ltrada corresponde
al vector característico.
Particle swarm optimization for human face recognition 3/12
5. Extracción de característicasConceptos
Transforma de coseno discreta
(a) Imagen de entrada
(b) DCT
Imágenes: Ver en [6]
Transforma de wavelet discreta
(a) DWT
Imagen: Ver en [8]
Particle swarm optimization for human face recognition 4/12
6. PSO binarioConceptos
En el PSO binario propuesto por Kennedy, una partícula esta rep-
resentada por x ∈ RD, donde cada xd ∈ {0, 1} es una variable
indicadora, ver en [4].
Cuando xd(t + 1) = δ(xd(t), vd(t + 1)) toma el valor de 1 indica
que dicha componente en p contiene información de interés para la
detección.
δ(xd(t), vd(t + 1)) =
1 r ≤ 1
1+e−vd(t+1)
0 otro caso
Donde r es un número aleatorio uniforme en [0, 1] y vd(t + 1) una
componente del vector de velocidad v de la partícula en el tiempo
t + 1.
Particle swarm optimization for human face recognition 5/12
7. FitnessConceptos
La función de evaluación F(x) : RD → R, se dene a partir de un
conjunto A particionado en L subconjuntos de Ni vectores carac-
terísticos pi,j.
A =
pT
1,1 . . . pT
1,j 0 . . . 0
...
...
... 0 . . . 0
pT
i,1 . . . 0 0 . . . pT
i,j+k
pT
L,1 . . . 0 pT
L,j+1 . . . 0
En donde se tiene m0 como media global
de A y m1 . . . mL medias correspondi-
entes a cada partición.
mi = 1
Ni
Ni
j=1
pi,j
m0 = 1
N
L
i=1
Nipi,j
Particle swarm optimization for human face recognition 6/12
8. FitnessConceptos
La función de evaluación F(x) se dene como:
F(x) =
L
i=1
(mi − m0)T (mi − m0),
donde solo se toman en cuenta aquellas componentes xd = 1 de la
partícula. La función alcanza su máximo cuando se encuentra la
partícula x∗, cuya codicación máximiza la distancia entre m0 y la
media del subconjunto i.
Particle swarm optimization for human face recognition 7/12
9. FrameworkConceptos
Algoritmo
Generar una población inicial
de λ partículas.
vλ
d (t + 1) = ωvλ
d (t) +
c1r1[Pλ
d_best(t) − xλ
d(t)] +
c2r2[Gd_best(t) − xλ
d(t)]
xλ
d(t+1) = δ(xλ
d(t), vλ
d (t+1))
r1 y r2 son números aleatorios
entre cero y uno.
Con ω como constante de
inercia, c1 parámetro
cognitivo y c2 parámetro
social.
Clasicación
La clasicación se realiza al
encontrar la mínima distancia
mi − q entre la i-ésima me-
dia y un vector carácteristico
de prueba q.
Únicamente con base en las
componentes de x∗ distintas
de cero.
Particle swarm optimization for human face recognition 8/12
10. ReconocimientoExperimentos
Los experimentos realizados consisten en identicar a una persona.
En total se tienen L = 40 individuos, a cada uno de ellos se les toma
10 imágenes del rostro bajo diferentes condiciones de iluminación,
accesorios puestos (lentes, gorras, etc.) y se escogen 4 imágenes
como entrenamiento.
Imágenes: Ver en [7]
Con base al framework mencionado, a cada i-ésima persona se le
asocia un conjunto {pi,j}Ni=4
j=1 de vectores característicos (uno por
cada imagen) y así formar el conjunto A ∈ RL×4D.
Particle swarm optimization for human face recognition 9/12
11. Experimento 1 DCT
Experimentos
En este experimento se usaron vectores carácteristicos provenientes
de los coecientes resultantes de la transformada de coseno. Donde
la máxima de dimensión de cada p es de D = 50 × 50 (ver gura
DCT en 5).
Resultados obtenidos con λ = 30, c1 = 2, c2 = 2, ω = 0.6 con un máximo de 100 iteraciones.
El algoritmo génetico (GA) de comparación se define con λ = 30, probabilidad de cruce pc = 0.5, probabilidad de
mutación pm = 1 con un máximo de 100 iteraciones.
Imágen: Ven en [7].
Particle swarm optimization for human face recognition 10/12
12. Experimento 2 DWT
Experimentos
En este experimento se usaron vectores carácteristicos provenientes
de las imágenes obtenidas con la transformada wavelet. Donde la
máxima de dimensión de cada p es de D = 46 × 56 (ver gura DWT
en 5).
Resultados obtenidos con λ = 30, c1 = 2, c2 = 2, ω = 0.6 con un máximo de 100 iteraciones.
El algoritmo génetico (GA) de comparación se define con λ = 30, probabilidad de cruce pc = 0.5, probabilidad de
mutación pm = 1 con un máximo de 100 iteraciones.
Imágen: Ven en [7].
Particle swarm optimization for human face recognition 11/12
13. DiscusionesConclusiones
La dimensión del vector carácteristico óptimo se reduce casi a
un 50 % del tamaño de la imagen original.
Se alcanza una taza de reconocimiento arriba del 95 %.
El proceso de clasicación en promedio toma 0.05 sec.
El tiempo de convergencia del algoritmo es más tardado que el
AG de comparación.
Particle swarm optimization for human face recognition 12/12
14. Referenciasbibliografía
[1] Jean-Victor Balin. hw_binary_le, 2008. URL http:
//4vector.com/free-vector/free-vector-vector-clip-art-binary-file-icon-clip-art-117099.
[2] Deviantart. Sth- human face sketches, 2013. URL
http://ninjahaku21.deviantart.com/art/STH-Human-face-sketches-418444286.
[3] Drawingteachers. How to draw a funny face, 2012. URL
http://www.drawingteachers.com/how-to-draw-a-funny-face.html.
[4] J. Kennedy and R.C. Eberhart. A discrete binary version of the particle swarm algorithm. In
Systems, Man, and Cybernetics, 1997. Computational Cybernetics and Simulation., 1997 IEEE
International Conference on, volume 5, pages 41044108 vol.5, Oct 1997. doi:
10.1109/ICSMC.1997.637339.
[5] Mathworks. Discrete cosine transform, . URL
http://www.mathworks.com/help/images/discrete-cosine-transform.html.
[6] Mathworks. Discrete cosine transform, . URL
http://www.mathworks.com/help/images/ref/dct2.html.
[7] R.M. Ramadan and R.F. Abdel-Kader. Particle swarm optimization for human face recognition. In
Signal Processing and Information Technology (ISSPIT), 2009 IEEE International Symposium on,
pages 579584, Dec 2009. doi: 10.1109/ISSPIT.2009.5407518.
[8] Spiedigitallibrary. Hybrid discrete cosine transformdiscrete wavelet transform for progressive image
compression. URL
http://electronicimaging.spiedigitallibrary.org/article.aspx?articleid=1183501.
[9] Wikipedia. Multidimensional analysis lter banks. URL
http://en.wikipedia.org/wiki/File:Multidimensional_Analysis_Filter_Banks.jpg.