Adaptive face tracking based on online learning

• Ano de defesa: 2018
• Autor(a) principal: Khurshid, Aasim
• Orientador(a): Scharcanski, Jacob
• Tipo de documento: Tese
• Tipo de acesso: Acesso aberto
• Idioma: eng
• Palavras-chave em Português: Processamento de imagens; Aprendizado : máquina; Informática médica
• Palavras-chave em Inglês: Visual object tracking; Dictionary learning; Incremental PCA/ICA; Online learning; Tracking error predictor; Facial feature tracking; Face tracking
• Link de acesso: http://hdl.handle.net/10183/187888

Rastreamento de objetos pode ser usado para localizar objetos em cenas e pode ser também usado para localizar mudanças na aparência ou na forma dos objetos ao longo do tempo. A maioria dos métodos de rastreamento de objetos disponíveis tendem a apresentar um desempenho satisfatório em ambientes controlados, mas tendem a falhar quando a aparência ou a forma dos objetos muda (por exemplo, quando objetos não-rígidos são rastreados), ou mesmo quando ocorrem mudanças de iluminação. Além disso, em muitos métodos de rastreamento disponíveis, o erro de rastreamento tende a aumentar indefinidamente quando o alvo é perdido. Portanto, rastrear objetos em sequencias de vídeos longas (e ininterruptas) tende a ser bastante desafiador para os mesmos métodos. Essa tese propõe um algoritmo de rastreamento facial que contém dois modos de operação. Ambos os modos de operação são baseados em técnicas de aprendizado de feições que utilizam os dados úteis acumulados durante o rastreamento da face e implementam um framework de aprendizado incremental. Para acumular os dados de treinamento, a qualidade da amostra de teste é verificada antes de sua utilização no esquema de treinamento on-line incremental. Adicionalmente, um esquema inovador de predição de erro é proposto e é capaz de estimar o erro de rastreamento durante a execução do algoritmo de rastreamento. Além disso, uma melhora em Modelo Local Restrito (Constrained Local Model - CLM) é proposta e utiliza os dados de treinamento para designar pesos aos pontos de referência (landmarks) baseados em suas consistências. Esses pesos são usados no processo de busca do CLM a fim de melhorar o processo de otimização da busca do CLM. Os resultados experimentais mostram que o método proposto de rastreamento (ambas variações) tem uma melhor performance que os métodos comparativos do estado da arte em termos de Erro Quadrático Médio (Root Mean Squared Error - RMSE) e Erro de Localização de Centro (Center Localization Error - CLE). A fim de provar a eficiência das técnicas propostas, uma aplicação em detecção de bocejos é apresentada.