14
Particle swarm optimization for human face recognitionR.M. Ramadan and R.F. Abdel-Kader
Mario G. Canul [email protected]
Curso: Inteligencia Arti�cial IProfesor: Dr. Arturo Hernandez Aguirre
Mayo - 2014
Centro de Investigaciónen Matemáticas, A.C.
ObjetivoIntroducción
Presentar un algoritmo para seleccionar características óptimas parael reconocimiento facial basado en PSO binario publicado por Ra-madan, ver en [7].
Particle swarm optimization for human face recognition 1/12
Selección de característicasIntroducción
Consiste en encontrar un subconjunto óptimo tal que se alcance unporcentaje alto en la detección de un rostro.
Clasificación
Rostros
Características
ReconocimientoFacial
SelecciónPSO
Selección de
características
Escena
[1]
[2]
[3]
Imágenes: Ver en [1], [2] y [3].
Particle swarm optimization for human face recognition 2/12
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 coe�cientes de latransformada y son los que com-ponen al vector característico.
Transforma de wavelet discreta
Imagen: Ver en [9]
H0[z] =[−√2
2 ,√22
]H1[z] =
[√22 ,√22
]La imagen �ltrada correspondeal vector característico.
Particle swarm optimization for human face recognition 3/12
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
PSO binarioConceptos
En el PSO binario propuesto por Kennedy, una partícula esta rep-resentada por x ∈ RD, donde cada xd ∈ {0, 1} es una variableindicadora, ver en [4].
Cuando xd(t + 1) = δ(xd(t), vd(t + 1)) toma el valor de 1 indicaque dicha componente en p contiene información de interés para ladetección.
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) unacomponente del vector de velocidad v de la partícula en el tiempot+ 1.
Particle swarm optimization for human face recognition 5/12
FitnessConceptos
La función de evaluación F (x) : RD → R, se de�ne a partir de unconjunto A particionado en L subconjuntos de Ni vectores carac-terísticos pi,j .
A =
pT1,1 . . . pT1,j 0 . . . 0...
...... 0 . . . 0
pTi,1 . . . 0 0 . . . pTi,j+kpTL,1 . . . 0 pTL,j+1 . . . 0
En donde se tiene m0 como media globalde A y m1 . . .mL medias correspondi-entes a cada partición.
mi =1Ni
Ni∑j=1
pi,j
m0 =1N
L∑i=1
Nipi,j
Particle swarm optimization for human face recognition 6/12
FitnessConceptos
La función de evaluación F (x) se de�ne como:
F (x) =
√√√√ L∑i=1
(mi −m0)T (mi −m0),
donde solo se toman en cuenta aquellas componentes xd = 1 de lapartícula. La función alcanza su máximo cuando se encuentra lapartícula x∗, cuya codi�cación máximiza la distancia entre m0 y lamedia del subconjunto i.
Particle swarm optimization for human face recognition 7/12
FrameworkConceptos
Algoritmo
I Generar una población inicialde λ partículas.
I vλd (t+ 1) = ωvλd (t) +
c1r1[Pλd_best(t)− xλd(t)] +
c2r2[Gd_best(t)− xλd(t)]I xλd(t+1) = δ(xλd(t), v
λd (t+1))
I r1 y r2 son números aleatoriosentre cero y uno.
I Con ω como constante deinercia, c1 parámetrocognitivo y c2 parámetrosocial.
Clasi�cación
La clasi�cación se realiza alencontrar la mínima distancia‖mi− q‖ entre la i-ésima me-dia y un vector carácteristicode prueba q.
Únicamente con base en lascomponentes de x∗ distintasde cero.
Particle swarm optimization for human face recognition 8/12
ReconocimientoExperimentos
Los experimentos realizados consisten en identi�car a una persona.En total se tienen L = 40 individuos, a cada uno de ellos se les toma10 imágenes del rostro bajo diferentes condiciones de iluminación,accesorios puestos (lentes, gorras, etc.) y se escogen 4 imágenescomo entrenamiento.
Imágenes: Ver en [7]
Con base al framework mencionado, a cada i-ésima persona se leasocia un conjunto {pi,j}
Ni=4j=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
Experimento 1 DCTExperimentos
En este experimento se usaron vectores carácteristicos provenientesde los coe�cientes resultantes de la transformada de coseno. Dondela máxima de dimensión de cada p es de D = 50 × 50 (ver �guraDCT 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 demutación pm = 1 con un máximo de 100 iteraciones.Imágen: Ven en [7].
Particle swarm optimization for human face recognition 10/12
Experimento 2 DWTExperimentos
En este experimento se usaron vectores carácteristicos provenientesde las imágenes obtenidas con la transformada wavelet. Donde lamáxima de dimensión de cada p es de D = 46× 56 (ver �gura DWTen 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 demutación pm = 1 con un máximo de 100 iteraciones.Imágen: Ven en [7].
Particle swarm optimization for human face recognition 11/12
DiscusionesConclusiones
I La dimensión del vector carácteristico óptimo se reduce casi aun 50% del tamaño de la imagen original.
I Se alcanza una taza de reconocimiento arriba del 95%.I El proceso de clasi�cación en promedio toma 0.05 sec.I El tiempo de convergencia del algoritmo es más tardado que el
AG de comparación.
Particle swarm optimization for human face recognition 12/12
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. URLhttp://ninjahaku21.deviantart.com/art/STH-Human-face-sketches-418444286.
[3] Drawingteachers. How to draw a funny face, 2012. URLhttp://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. InSystems, Man, and Cybernetics, 1997. Computational Cybernetics and Simulation., 1997 IEEEInternational Conference on, volume 5, pages 4104�4108 vol.5, Oct 1997. doi:10.1109/ICSMC.1997.637339.
[5] Mathworks. Discrete cosine transform, . URLhttp://www.mathworks.com/help/images/discrete-cosine-transform.html.
[6] Mathworks. Discrete cosine transform, . URLhttp://www.mathworks.com/help/images/ref/dct2.html.
[7] R.M. Ramadan and R.F. Abdel-Kader. Particle swarm optimization for human face recognition. InSignal Processing and Information Technology (ISSPIT), 2009 IEEE International Symposium on,pages 579�584, Dec 2009. doi: 10.1109/ISSPIT.2009.5407518.
[8] Spiedigitallibrary. Hybrid discrete cosine transform�discrete wavelet transform for progressive imagecompression. URLhttp://electronicimaging.spiedigitallibrary.org/article.aspx?articleid=1183501.
[9] Wikipedia. Multidimensional analysis �lter banks. URLhttp://en.wikipedia.org/wiki/File:Multidimensional_Analysis_Filter_Banks.jpg.
