Análise multilinear discriminante de formas frontais de imagens 2D de face

Abstract

Muitas atividades humanas e interações com o meio ambiente realizadas por máquinas (computadores ou robôs) são guiadas por análises da informação visual disponível. Na maioria das situações, formas 2D em imagens têm as mesmas características dos objetos originais. Esta dissertação descreve e implementa uma análise multilinear de formas 2D em imagens frontais de face com o objetivo de entender como esses dados se alteram no espaço original dos dados. São investigados não somente as componentes principais que representam maior variância, mas também as direções que melhor representam as diferenças discriminantes de acordo com a característica de interesse como, por exemplo, alterações relativas a gênero ou expressão facial. Os experimentos, utilizando bases de imagens de faces disponíveis publicamente para pesquisa, mostram que a análise multilinear discriminante baseada em hiperplanos paramétricos e não-paramétricos e componentes principais reordenadas tende a priorizar as direções que melhor explicam as diferenças de interesse Portanto, acredita-se que pode-se estender todo e qualquer trabalho de análise e interpretação visual baseado em forma por essas novas transformações lineares de dados.

Several human activities and interactions with the environment carried out by machines (computers or robots) are guided by analysis of the visual information available. In most situations, 2D shapes of images have the same characteristics of the original objects. This thesis describes and implements a multilinear shape analysis of 2D frontal face images. Our aim is not only to visualize and understand the data that represents the highest sample variance, but also that extract the most discriminant differences related to a specific characteristic of interest, such as changes owing to gender or facial expression. Our experiments, using face images databases public available for reserch, show that the multilinear discriminant analysis proposed based on parametric and nonparametric hyperplanes and reordered principal components tend to priorize main directions that best explain the diferences of interest. Therefore, we believe that any shape analysis and visual interpretation can be extended using these new linear data transformation.