Caracterización de unidades de acción facial combinando métodos kernel y análisis de componentes independientes
DOI:
https://doi.org/10.17533/udea.redin.14660Palabras clave:
unidades de acción, análisis de componentes independientes, métodos kernel, expresiones facialesResumen
El trabajo descrito en este documento presenta una metodología para la caracterización de unidades de acción facial (AUs), que representan cambios sutiles de las expresiones faciales. La metodología se basa en métodos Kernel, para realizar un mapeo no lineal de los datos y buscar las direcciones de las proyecciones de los datos en el espacio característico mediante análisis de componentes independientes (ICA). La validación se realiza sobre la base de datos Cohn-Kanade. Se hace un preprocesamiento de las imágenes a través de ecualización del histograma, un blanqueamiento de los datos con análisis de componentes principales basado en Kernel (KPCA), de esta forma el mapeo en el espacio característico busca una estructura lineal de los datos de entrada, finalmente se aplica ICA para hacer que la distribución de los datos proyectados sea lo menos Gaussiana posible. El desempeño alcanzado fue del 96.64% ±0.54 de exactitud para el reconocimiento promedio de trescombinaciones de AUs del rostro entero más rostros neutrales, se detectan principalmente cambios que ocurren entre transiciones rápidas de AUs que se manifiestan de forma instantánea. Adicionalmente la metodología planteada permite reducir el tamaño del espacio característico ya que se representan los datos en términos únicamente de sus componentes independientes (ICs) de tal manera que se utilizan tan solo las variables que aportan mayor información, lo que permite disminuir la complejidad del clasificador.Descargas
Citas
Y. Tian, T. Kanade, J. Cohn. “Recognizing Action Units for Facial Expression Analysis”. IEEE Transactions on Pattern Analysis and Machine Intelligence. Vol. 23. 2001. pp. 97-115. DOI: https://doi.org/10.1109/34.908962
T. Kanade, J. Cohn, Y. Tian. “Comprehensive database for facial expression analysis”. Proceedings of the Fourth IEEE International Conference on Automatic Face and Gesture Recognition. Grenoble (France). 2000. pp. 46-53.
M. S. Bartlett. Face image analysis by unsupervised learning and redundancy reduction. Ph.D. dissertation. Univ. California. San Diego. 1998. pp. 27-92.
G. Donato, M. S. Bartlett, J. C. Hager, P. Ekman, T. J. Sejnowski. “Classifying facial actions”. IEEE Transactions on Pattern Analysis and Machine Intelligence. Vol. 21. 1999. pp. 974-989. DOI: https://doi.org/10.1109/34.799905
A. R. Webb. Statistical Pattern Recognition. 2a ed. Ed. John Wiley & Sons. Indianapolis. USA. 2002. pp. 305- 318.
R. O. Duda, M. E. Hart, D. G. Stork. Pattern Classification. 2a ed. Ed. Wiley Interscience. Hoboken. USA. 2000. pp. 20-83.
B. Schölkopf, A. J. Smola. Learning with Kernels. MA. Ed. MIT Press. Cambridge. 2002. pp. 25-55.
T. Martiriggiano, M. Leo, P. Spagnolo, Dapos, T. Orazio. “Facial feature extraction by kernel independent component analysis”. AVBPS Advanced Video and Signal Based Surveillance. IEEE Computer Society. Los Alamitos (CA). 2005. pp. 270-275.
T. Martiriggiano, M. Leo, T. D’Orazio, A. Distante. “Face Recognition by Kernel Independent Component Analysis”. IEA/AIE’2005: Proceedings of the 18th international conference on Innovations in Applied Artificial Intelligence. Ed. Springer-Verlag. London. 2005. pp. 55-58. DOI: https://doi.org/10.1007/11504894_7
X. Yang, X. Gao, D. Zhang, J. Yang. “Kernel ica: An alternative formulation and its application to face recognition”. Pattern Recognition. Vol. 38. 2005. pp. 1784-1787. DOI: https://doi.org/10.1016/j.patcog.2005.01.023
J. J. Lien, T. Kanade, A. Zlochower, J. F. Cohn, C.-C. Li. “Automatically recognizing facial expressions in the spatio-temporal domain”. Workshop on Perceptual User Interfaces. Vol. 36. 1997. pp. 94-7.
J. J. Lien, T. Kanade, J. F. Cohn, C.C. Li. “Automated facial expression recognition based on facs action units”. FG ‘98: Proceedings of the 3rd. International Conference on Face & Gesture Recognition. Nara (Japan). Vol. 14. 1998. pp. 390-395.
M. S. Bartlett, J. C. Hager, P. Ekman, T. J. Sejnowski. “Measuring facial expressions by computer image analysis”. Research supported by NSF Grant No BS- 9120868, Lawrence Livermore National Laboratories Intra–University Agreement B291436 and Howard Hughes Medical Institute. San Diego (CA). 1999. pp. 1-25.
M. S. Bartlett, G. Littlewort, C. Lainscsek, I. Fasel, J. Movellan. Machine learning methods for fully automatic recognition of facial expressions and facial actions. Proc. IEEE Int’l Conf. Systems, Man and Cybernetics. Hague (Netherlands). 2004. pp. 592-597.
J. Bazzo, M. Lamar. “Recognizing facial actions using gabor wavelets with neutral face average diference”. Proceedings of the Sixth IEEE International Conference on Automatic Face and Gesture Recognition. Seoul. Korea. 2004. pp. 505-510. DOI: https://doi.org/10.14209/sbrt.2004.68
M. Valstar, M. Pantic, I. Patras. “Motion history for facial action detection in video”. IEEE International Conference on Systems, Man and Cybernetics. Delft (Netherlands). 2004. pp. 635-640.
M. Valstar, I. Patras, M. Pantic. “Facial Action Unit Recognition using Temporal Templates”. IEEE Int’l Workshop on Human-Robot Interaction. Kurashiki Okayama (Japan). 2004. pp. 253-258.
M. Valstar, M. Pantic. “Fully automatic facial action unit detection and temporal analysis”. IEEE Int’l Conf. on Computer Vision and Pattern Recognition. New York. Vol. 3. 2006. pp.18.
C. F. Chuang, F. Y. Shih. “Rapid and brief communication: Recognizing facial action units using independent component analysis and support vector machine”. Pattern Recognition. Vol. 39. 2006. pp. 1795-1798. DOI: https://doi.org/10.1016/j.patcog.2006.03.017
C. Campbell. “Kernel methods: a survey of current techniques”. Neurocomputing. Vol. 48. 2000. pp. 63- 84. 21. A. J. Bell, T. J. Sejnowski. “An information maximization approach to blind separation and blind deconvolution”. Neural Computation. Vol. 7. 1995. pp. 1129-1159. DOI: https://doi.org/10.1162/neco.1995.7.6.1129
A. Hyvärinen. “Fast and robust fixed-point algorithms for independent component analysis”. IEEE Transactions on Neural Networks. Vol. 10. 1999. pp. 626-634. DOI: https://doi.org/10.1109/72.761722
M. A. Vicente, P. O. Hoyer, A. Hyvarinen. “Equivalence of some common linear feature extraction techniques for appearance-based object recognition tasks”. IEEE Trans. Pattern Anal. Mach. Intell. Vol. 29. 2007. pp. 896-900. DOI: https://doi.org/10.1109/TPAMI.2007.1074
Schölkopf, A. Smola, K.R. Müller. “Nonlinear component analysis as a Kernel eigenvalue problem”. Neural Computation. Vol. 10. 1998. pp. 1299-1319. DOI: https://doi.org/10.1162/089976698300017467
M. L. Guevara, J. D. Echeverry, W. A. Urueña. “Detección de rostros en imágenes digitales usando clasificadores en cascada”. Scientia et Technica. Vol. 38. 2008. pp. 1-6.
Q. Gao, L. Zhang, D. Zhang. “Sequential row–column independent component analysis for face recognition”. Neurocomputing. Vol. 72. 2009. pp. 1152-1159. DOI: https://doi.org/10.1016/j.neucom.2008.02.007
Descargas
Publicado
Cómo citar
Número
Sección
Licencia
Derechos de autor 2018 Revista Facultad de Ingeniería
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
Los artículos disponibles en la Revista Facultad de Ingeniería, Universidad de Antioquia están bajo la licencia Creative Commons Attribution BY-NC-SA 4.0.
Eres libre de:
Compartir — copiar y redistribuir el material en cualquier medio o formato
Adaptar : remezclar, transformar y construir sobre el material.
Bajo los siguientes términos:
Reconocimiento : debe otorgar el crédito correspondiente , proporcionar un enlace a la licencia e indicar si se realizaron cambios . Puede hacerlo de cualquier manera razonable, pero no de ninguna manera que sugiera que el licenciante lo respalda a usted o su uso.
No comercial : no puede utilizar el material con fines comerciales .
Compartir igual : si remezcla, transforma o construye a partir del material, debe distribuir sus contribuciones bajo la misma licencia que el original.
El material publicado por la revista puede ser distribuido, copiado y exhibido por terceros si se dan los respectivos créditos a la revista, sin ningún costo. No se puede obtener ningún beneficio comercial y las obras derivadas tienen que estar bajo los mismos términos de licencia que el trabajo original.
Twitter