Introducción al análisis de expresiones

Presentación del tema: "Introducción al análisis de expresiones"— Transcripción de la presentación:

1 Introducción al análisis de expresiones
El reconocimiento automático de expresiones está poco desarrollado aún. Objetivos: interfaces inteligentes hombre-máquina y ayuda a la comunicación. Limitado al reconocimiento de expresiones “puras”: enfado, disgusto, miedo, alegría, tristeza, sorpresa y neutral.

2 Líneas generales Preprocesado. Extracción de rasgos.
Reconocimiento de las “Unidades de Acción”. Clasificación emocional. Resultado.

3 Extracción de rasgos Rasgos como la punta de la nariz o la barbilla se pueden localizar estudiando la distribución del brillo de la imagen a lo largo del eje de simetría de la cara. Para las cejas se puede usar código de cadenas una vez determinado el color general de las mismas. También se puede usar para detectar los ojos. La curva de los labios y la del interior de la boca se pueden hallar mediante “snakes”.

4 Unidades de Acción Las expresiones faciales son el resultado de un determinado movimiento muscular. Una “Unidad de Acción” se corresponde con la contracción de uno o más musculos. La combinación de determinadas Unidades de Acción produce una emoción concreta.

5 Medición de las Unidades de Acción (I)
Modelo frontal: en base a la posición de determinados puntos... Calcular la distancia entre determinados pares de ellos. Calcular el ángulo entre tres puntos concretos. Calcular intensidades de imagen en algunas regiones. Establecer la silueta de los labios y la boca.

6 Medición de las Unidades de Acción (II)
Modelo lateral: en base a los puntos de inflexión de la silueta... Calcular la distancia y la curvatura entre determinados pares. Comprobar la ausencia de determinados puntos o la aparición de puntos de inflexión inesperados.

7 Medición de las Unidades de Acción (III)
Una vez recopilada la información anterior, se compara con la que tenemos almacenada (la correspondiente a la expresión “neutral”). Una determinada Unidad de Acción se activará si la medición difiere sustancialmente de la expresión neutral.

8 Clasificación emocional
Una emoción se puede establecer en base a un conjunto de Unidades de Acción. Problema: es muy difícil que una persona tenga una expresión facial “pura”. Solución: se usan “porcentajes de emociones”, según las Unidades de Acción que se encuentren en la imagen.

9 Detección de caras y expresiones faciales
Carlos Alejo Ramírez Manuel David Pérez Palma

10 Introducción: ¿Para qué sirve detectar caras?
Primer paso para el reconocimiento de personas. Videoconferencia. Vigilancia de multitudes. Diseño de interfaces hombre-máquina inteligentes.

11 Evolución 1970: Técnicas heurísticas y antropométricas: reconocimiento de caras en fotos carné. 1990: Inicio del verdadero interés por la detección de caras debido al desarrollo de la tecnología y al descubrimiento de aplicaciones útiles. Últimos avances: caras rotadas y perfiles.

12 Tipos de enfoque Enfoques basados en los rasgos faciales:
Análisis a bajo nivel Análisis de rasgos Modelos de siluetas Enfoques basados en la imagen: Subespacios lineales Redes neuronales Aproximaciones estadísticas

13 Análisis a bajo nivel: Detección de bordes
Pasos del algoritmo: Detección de bordes (operador de Marr-Hildreth, p.e.) Adelgazamiento Filtrado Etiquetado

14 Análisis a bajo nivel: Grises
Pasos del algoritmo: Aumento del contraste de la imagen Separar las componentes cuyo nivel de gris sea mayor que un cierto umbral (thresholding) Determinar rasgos faciales según plantillas ponderadas (por ejemplo, dos pupilas cercanas)

15 Análisis de rasgos: Búsqueda de rasgos
Se basan en la posición relativa de rasgos faciales concretos. Algoritmo de De Silva: Buscar candidatos para la parte superior de la cabeza A partir de ahí realizar una búsqueda hacia abajo del par de ojos Búsqueda del resto de rasgos mediante plantillas flexibles

16 Análisis de la imagen: Redes neuronales
Concepto diferente de programación, basado en el funcionamiento de las neuronas en el cerebro. Se entrena una red neuronal con imágenes de muestra que representan caras y otras que no. Una vez entrenada la red es capaz de saber lo que es una cara y lo que no lo es.

17 Conclusiones No hay un algoritmo efectivo al 100%.
Porcentaje de éxito entre el 70% y el 95% en los algoritmos más modernos, con un porcentaje variable de falsos positivos. Cada método tiene sus propias deficiencias: algunos fallan con fondos complejos, otros si la persona lleva gafas, otros si se gira la cara, etc.