| Popis: |
La clasificación demográfica, y en particular el reconocimiento de género, es un tema de bastante interés para los investigadores debido a su importancia en diversas aplicaciones, tales como, en áreas de vigilancia, reconocimiento de rostros, indexación de vídeos, estudios de marketing dinámico, entre otras. Éste artículo propone una nueva forma de llevar a cabo la clasificación de género usando vectores de frecuencia basados en descriptores locales SIFT o SURF. El objetivo es poder determinar si los vectores de frecuencia contienen información discriminante. El entrenamiento y la validación de los modelos de clasificación se harán sobre la base de datos Multi-PIE, la cual contiene imágenes de caras tomadas en condiciones de laboratorio, disponibles con cambios de iluminación, pose y expresiones. Para el desarrollo experimental solo se consideran las imágenes capturadas con la iluminación normal de la sala, con los sujetos con expresión neutral y 11 cambios de pose. Los resultados obtenidos validan que los modelos propuestos contienen información discriminante y además mantienen una precisión estable en la clasificación de género sobre imágenes con variaciones de pose. Esto último es sumamente relevante, ya que en condiciones de la vida real difícilmente se van adquirir imágenes de caras frontales, más bien la mayoría tendrán cambios de perspectiva, rotación y cambios de iluminación, por lo tanto se requiere un modelo robusto a estas condiciones. The demographic classification, and gender recognition specifically, is a topic of considerable interest to researchers because of its importance in various applications, such as in areas of surveillance, face recognition, indexing videos, dynamic marketing studies, among other. This paper proposes a new way of carry through gender classification using a frequency vector based on local descriptors SIFT or SURF. The goal is to determine if the frequency vectors contain discriminant information. The training and validation of classification models will be based on Multi-PIE data, which contains face images taken under laboratory conditions, available with illumination changes, pose and expressions. For experimental development only considered images captured with normal room lighting, subjects with neutral expression and 11 changes ofpose. The results validated that the proposed models contain discriminant information and also maintain a stable accuracy in gender classification on images with pose variations. The latter is extremely important, because in real life conditions are unlikely to acquire images of frontal faces, rather most will change perspective, rotation and illumination changes, therefore a robust model to these conditions is required. |
