Show simple item record

dc.contributor.authorPontes, Jhony Kaesemodelpt_BR
dc.contributor.otherKoerich, Alessandro L.pt_BR
dc.contributor.otherFookes, Clintonpt_BR
dc.contributor.otherUniversidade Federal do Paraná. Setor de Tecnologia. Programa de Pós-Graduação em Engenharia Elétricapt_BR
dc.date.accessioned2015-03-19T18:14:40Z
dc.date.available2015-03-19T18:14:40Z
dc.date.issued2015pt_BR
dc.identifier.urihttp://hdl.handle.net/1884/37311
dc.descriptionOrientador : Prof. Dr. Alessandro L. Koerichpt_BR
dc.descriptionCo-orientador : Prof. Dr. Clinton Fookespt_BR
dc.descriptionDissertação (mestrado) - Universidade Federal do Paraná, Setor de Tecnologia, Programa de Pós-Graduação em Engenharia Elétrica. Defesa: Curitiba, 04/12/2014pt_BR
dc.descriptionInclui referênciaspt_BR
dc.descriptionÁrea de concentração: Sistemas eletrônicospt_BR
dc.description.abstractResumo: A face humana contém uma grande quantidade de informações relacionadas com as características pessoais, incluindo identidade, gênero, etnia, estado emocional, idade etc. Atualmente, a idade desempenha um papel importante em muitas aplicações, tais como segurança, vigilância, interação homem-computador entre outras. O envelhecimento é um processo muito complexo, uma vez que as pessoas envelhecem de formas distintas que depende de diversos fatores (i.e., genética, estilo de vida etc.) que tornam o processo de determinar a idade de uma pessoa através da face muito desafiador. Diversas abordagens para a estimativa da idade têm sido exploradas considerando diferentes aspectos do rosto humano, tais como relações geométricas entre os principais elementos da face, formas dos elementos faciais ou texturas da pele. Os métodos de estimativa da idade são geralmente classificados segundo duas abordagens principais: a representação do envelhecimento facial e o método de estimativa da idade. Os modelos mais comuns para a representação do envelhecimento são os antropométricos, de aparência ativa (AAM), subespaço do padrão de envelhecimento (AGES), age manifold e modelos de aparência. Os métodos de estimativa da idade podem ser abordados como problemas de classificação multiclasses ou problemas de regressão. Este trabalho apresenta uma nova abordagem que modela o processo de envelhecimento através de características híbridas compostas por características globais (forma e aparência) e locais (rugas e manchas na pele). Várias técnicas de extração de características são analisadas, como modelos de aparência ativa, Local Binary Pattern (LBP), Local Phase Quantization (LPQ) e Gabor wavelets. Além disso, este trabalho propõe um novo método hierárquico para a estimação da idade composto por uma etapa de classificação em faixas etárias utilizando máquina de vetores de suporte e para a estimativa específica da idade utiliza-se máquina de vetores de suporte para regressão. O erro gerado na classificação de faixas etárias causado pelos limites rígidos do classificador é compensado na estimativa específica da idade pela sobreposição flexível de faixas etárias. Os experimentos para avaliar a abordagem proposta foram conduzidos em conjuntos de dados disponíveis publicamente FG-NET Aging e MORPH Album 2. A combinação de características globais e locais, AAM+LPQ7×7, foi a que obteve o melhor desempenho no conjunto FG-NET, tendo um erro médio absoluto de 4,50 anos. Para o conjunto MORPH o erro médio absoluto foi de 5,86 anos utilizando as características locais extraídas pelo operador LPQ7×7. A combinação dos conjuntos FG-NET e MORPH também foi avaliada para testar a robustez do método em um conjunto de dados maior e foi obtido um erro médio absoluto de 5,20 anos através da combinação AAM+LPQ7×7. O método proposto é comparado favoravelmente com a literatura existente e mostra ser robusto a variações de iluminação e borramentos devido o uso de características de fase local extraídas pelo operador LPQ. Palavras-chave: Aprendizagem de máquina; Extração de características; Envelhecimento facial; Estimativa da idade; Características híbridas; Classificador hierárquico.pt_BR
dc.description.abstractAbstract: The human face conveys important perceptible information related to personal characteristics, including identity, gender, ethnicity, emotional state, age etc. Currently, the age plays an important role in many applications, such as security, surveillance, human computer interaction and others. Aging is a very complex process since people age in different ways which depends on many factors (i.e., genetics, lifestyle etc.) that make determining a person’s age from the face very challenging. Several approaches for computer based age estimation have explored different aspects of human faces such as geometric ratios between major face features, shapes of facial parts or skin textures. The age estimation methods are classified according to the age image representation and the age prediction method. The most common models for the age image representation are Anthropometric models, Active Appearance Models (AAM), Aging Pattern Subspace (AGES), Age Manifold and Appearance Models. For age prediction, the problem is either tackled as a multi-class classification problem or a regression problem. This work presents a novel approach that models the process of aging using hybrid features composed by global (shape and appearance) and local (wrinkle and skin spots) features. Several features extraction approaches are analysed, such as Active Appearance Model (AAM), Local Binary Pattern (LBP), Local Phase Quantization (LPQ) and Gabor wavelets. In addition, this work proposes a novel hierarchical age estimation consisting of age group classification using Support Vector Machine (SVM) and specific age estimation using Support Vector Regression (SVR). The error in the age group classification caused by the hard boundaries is compensated in the detailed age estimation by overlapping the age ranges of each age function. Experiments have been carried out on two publicly available FG-NET Aging and MORPH Album 2 datasets to evaluate the performance of the proposed approach. The global and local features fusion, AAM+LPQ7×7, achieved 4,50 years of mean absolute error on the FG-NET dataset. The mean absolute error on the MORPH dataset was 5,86 years through the local features extracted by the LPQ7×7 operator. In addition, the combination of FG-NET and MORPH datasets was evaluated in order to verify the robustness of the proposed approach and a mean absolute error of 5,20 years was achieved using the features combination AAM+LPQ7×7. The proposed approach compares favorably to the literature with increased robustness to lighting and blur variance through local phase features extracted by the LPQ operator. Keywords: Machine learning; Features extraction; Facial aging; Age estimation; Hybrid features; Hierarchical classification.pt_BR
dc.format.extent136f. : il., grafs., tabs.pt_BR
dc.format.mimetypeapplication/pdfpt_BR
dc.languagePortuguêspt_BR
dc.relationDisponível em formato digitalpt_BR
dc.subjectEngenharia elétricapt_BR
dc.titleEstimativa hierárquica da idade baseada em características globais e locais de imagens faciaispt_BR
dc.typeDissertaçãopt_BR


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record