Modelagem e Reconstrução De Imagens De Face

The main goal of this paper is to discuss some aspects of the Concurrent Subspaces Analysis (CSA) method, used for dimensionality reduction in tensor spaces, when applied to the FEI image database. A total of 14 colorful images for each of 200 individuals compose this database. So, we firstly review some background for tensor algebra followed by the CSA technique presentation. Next, we apply the CSA to the FEI database with special focus on convergence, mean square error and reconstruction. The obtained results are visually suitable and the convergence rate is similar to the one found in the CSA literature. Resumo. O objetivo principal deste trabalhoé analisar o comportamento da técnica de redução de dimensionalidade para espaços tensoriais, denominada Concurrent Subspaces Analysis (CSA), para análise da base de imagens de faces do Centro Universitário da FEI. Esta baseé constituída por 200 indivíduos, com 14 fotografias coloridas para cada individuo. Assim, primeiramente, revisamos alguns elementos daálgebra de tensores necessários para a apresentação do CSA. Em seguida, aplicamos o CSA para a base da FEI com foco na convergência, erro médio quadrático e reconstrução. Os resultados obtidos são visualmente satisfatórios, e a taxa de convergênciaé semelhantè aquela obtida em outros trabalhos da literatura.

lbd.dcc.ufmg.br

A tecnologia hoje disponível para a construção de sistemas computacionais que analisem imagens digitalizadas e delas recuperem alguma informação é muito incipiente. Em vista disto, este trabalho objetiva desenvolver um sistema computacional capaz de buscar imagens de faces humanas em um banco de dados de faces reais. Foram confeccionados retratos falados para comparar com imagens reais de faces humanas presentes em banco de dados e, recuperar as mais semelhantes. Com eficiência de 81,25% nas buscas realizadas, o sistema computacional desenvolvido neste trabalho se mostra como um método viável para recuperar imagens reais a partir de retratos falados.

2008

Computacional é a da detecção de faces em imagens. Das várias metodologias existentes nesta área, apresentam-se duas neste artigo: uma baseada na detecção de zonas de pele e uma segunda baseada num modelo protótipo deformável para detecção dos olhos e extracção das suas características. A detecção de zonas de pele permite segmentar imagens de faces considerando regiões nas quais os valores dos seus pixéis, em termos de probabilidade, se assemelham aos exibidos pela pele. No entanto, como esta metodologia não produz informação suficiente para concluir um processo de detecção de faces em imagens com elevada confiança, usa-se em complemento um modelo protótipo deformável para os olhos, que adequadamente posicionado próximo de pequenas regiões detectadas no interior dos segmentos previamente identificados como associados a pele, permite detectar a presença dos olhos e consequentemente validar ou não a existência de uma face. Este artigo apresenta a descrição das referidas metodologias e de alguns resultados experimentais obtidos a partir de implementações desenvolvidas em Matlab.

2007

Several pattern recognition approaches have used linear classifiers and the corresponding separating hyperplanes for classification tasks only. Few research studies have investigated the linear classifier's ability of not only separating two or more sample groups projected on a linear optimal basis but also capturing discriminant information. This work extends the use of a linear classifier by extracting and visualising the discriminant information captured by the classifier, as well as evaluating its generalisation ability given a training set composed of face images. Resumo. Muitas abordagens que trabalham com classificadores lineares normalmente consideram o uso do hiperplano de separação apenas para fins de classificação. Poucos foram os trabalhos que estudaram a possibilidade de um classificador linear fornecer muito mais informações do que somente a base vetorial ótima que separa dois ou mais conjuntos distintos de observações. Este trabalho aborda uma extensão do uso de um classificador linear, explorando e visualizando as informações discriminantes que o classificador captura, bem como a sua capacidade de generalização e o potencial de predição da variabilidade contida em um conjunto de treinamento composto por imagens de faces.

uss.br

2020

A arte ajuda ao homem suportar as agruras da vida emvários campos. A música nos oferece uma sensação decontrole frente ao caos da existência. A literatura nospermite viajar pela história da vida de pessoas fictícias,pessoas reais e um pouco na própria história de quemescreve. A pintura há séculos nos tem feito vislumbrarmundos fantásticos e inacessíveis, ao passo que tambémconverteu em fantásticos alguns elementos do nosso dia adia, ao valorizar ou empobrecer os tons, ao fazer brilhar outornar opaco um olhar.<br>Já a ciência, se tornou o baluarte da razão e da verdade,derrubando meio que sem querer, mitos enraizados nahistória com os golpes da evidência. Ela nos presenteou coma cura dos medos inerentes a muitos males que a nossacivilização temia, entre esses muitas doenças queinexoravelmente ceifavam vidas. Nos presenteou com aelucidação dos temores que alimentávamos frente afenômenos que do dia para a noite foram explanadosricamente por aqueles que levavam a ciência no coraçã...

2004

O objectivo principal deste artigo consiste em apresentar algumas das metodologias usadas em Visão Computacional no domínio das imagens de faces, e exemplos de algumas das aplicações existentes. Uma das principais tarefas deste domínio é a detecção de faces em imagens estáticas e em sequências de imagens, podendo ou não considerar-se a possibilidade de coexistirem múltiplas faces. Estando cada face detectada nas imagens a considerar, pode-se proceder à extracção de dados para representação da mesma. Para esta representação são comuns três aproximações: a holística, a face é representada como um todo; a analítica, a face é representada como um conjunto de características faciais, como olhos boca e nariz; e a híbrida, a face é representada como uma combinação das duas anteriores. Neste domínio, uma área que tem tido elevada importância é a classificação da expressão facial associada; geralmente as expressões faciais são divididas nas seguintes categorias: felicidade, tristeza, surpresa, medo, raiva e desgosto. Usualmente, a determinação da expressão é conseguida através da utilização de bases de imagens faciais que integram vários exemplos associados a cada expressão a considerar.

iris.sel.eesc.usp.br

This work describes a novel and efficient algorithm for contentbased image retrieval based on the discrete Wavelet Transform (DWT) and Principal Component Analysis (PCA), together with inputs drawn from the Euclidian distance operator, a common criterion for distance measurement. The former is used to produce a signature vector from the query input image, a compressed and codified vector that holds the key features of the original image, and the latter is used to make projection of the images onto proper subspaces. Interestingly, the tests state that, for every particular query, the worse the frequency response of the wavelet filter, the better the classification, where the accuracy the algorithm up to 98,61 %. The system´s input consists of a query image and its output corresponds to the most similar image found in the data base, according to the distance criterion adopted.

2015

e a minha avó materna Ilda Pavani Accoroni, por sempre terem me incentivado e apoiado em todos os momentos importantes da minha vida. A minha esposa amada, Renata Andreza Perez Theodoro, com muito amor e carinho, pelo incentivo e paciência durante todo o período necessário para o desenvolvimento desse estudo. Aos meus mestres, amigos e colegas que sempre contribuíram com a minha educação e formação, me inspirando e guiando na direção correta. AGRADECIMENTOS Ao Sr. Gustavo Hubaide Carneiro, meu chefe, que me incentivou em buscar novos conhecimentos. Por ter sido paciente com a minha ausência no trabalho para que eu pudesse desenvolver esse estudo. Ao Prof. Dr. Marcello Henrique Nogueira-Barbosa, pela grande ajuda na coleta das imagens do crânio utilizado nesse estudo. A Paula R. Diniz, pela sua importante ajuda no posicionamento dos pontos craniométricos. Ao Centro de Medicina Legal de Ribeirão Preto -CEMEL -aos seus funcionários, que sempre ajudaram nas etapas de desenvolvimento desse estudo. Ao Centro de Imagens e Física Médica do Hospital das Clínicas da FMRP-USP, pela ajuda na aquisição das imagens de TC. Aos meus colegas de estudo.