Browsing by Author "Maturana Sanguineti, Daniel Ignacio"
Now showing 1 - 2 of 2
Results Per Page
Sort Options
- ItemFace Recognition with Local Binary Patterns, Spatial Pyramid Histograms and Naive Bayes Nearest Neighbor Classification(IEEE, 2009) Maturana Sanguineti, Daniel Ignacio; Mery Quiroz, Domingo; Soto Arriaza, Álvaro MarceloFace recognition algorithms commonly assume that face images are well aligned and have a similar pose -- yet in many practical applications it is impossible to meet these conditions. Therefore extending face recognition to unconstrained face images has become an active area of research. To this end, histograms of Local Binary Patterns (LBP) have proven to be highly discriminative descriptors for face recognition. Nonetheless, most LBP-based algorithms use a rigid descriptor matching strategy that is not robust against pose variation and misalignment. We propose two algorithms for face recognition that are designed to deal with pose variations and misalignment. We also incorporate an illumination normalization step that increases robustness against lighting variations. The proposed algorithms use descriptors based on histograms of LBP and perform descriptor matching with spatial pyramid matching (SPM) and Naive Bayes Nearest Neighbor (NBNN), respectively. Our contribution is the inclusion of flexible spatial matching schemes that use an image-to-class relation to provide an improved robustness with respect to intra-class variations. We compare the accuracy of the proposed algorithms against Ahonen's original LBP-based face recognition system and two baseline holistic classifiers on four standard datasets. Our results indicate that the algorithm based on NBNN outperforms the other solutions, and does so more markedly in presence of pose variations.
- ItemLearning discriminative features for face recognition.(2012) Maturana Sanguineti, Daniel Ignacio; Soto Arriaza, Álvaro Marcelo; Pontificia Universidad Católica de Chile. Escuela de IngenieríaMuchos algoritmos del estado del arte en reconocimiento de caras emplean descriptores basados en características conocidas come Patrones Locales Binarios (PLB). Aunque existen muchas variaciones de los PLB, hasta el momento ninguno puede adaptarse automáticamente a los datos de entrenamiento. En esta tesis introducimos y analizamos dos métodos supervisados para aprender discriminativos descriptores tipo PLB para cada región facial. El primer método representa un conjunto de comparaciones entre pixeles como un árbol de decisión que es construído con un método codicioso para maximizar un criterio basado en la entropía. Este método, Patrones Locales Binarios basados en Árboles de Decisión (PLBAD), obtiene resultados superiores a PLB y otros descriptores similares en bases de datos estándar en reconocimiento de caras. Sin embargo, estos resultados tienen un costo relativamente alto en términos del espacio ocupado por los descriptores. El segundo método, Patrones Locales Binarios Discriminativos (PLBD) es una versión simplificada de PLBAD que usa una representación no jerárquica de las comparaciones entre pixeles. Busca un conjunto discriminativo de comparaciones usando un método de búsqueda local estocástico para optimizar un criterio de separabilidad tipo Fisher. Esto crea descriptores más compactos que PLBAD y otros descriptores tipo PLB que obtienen resultados superiores o comparables en bases de datos de reconocimiento de caras estándar.