Este trabajo presenta una metodología para detectar y realizar el seguimiento de características faciales. En el primer paso del procedimiento se detectan caras mediante Adaboost con cascadas de clasificadores débiles. El segundo paso busca las características internas de la cara mediante el CSR, detectando zonas de interés. Una vez que estas características se capturan, un proceso de tracking basado en el descriptor SIFT, que hemos llamado pseudo-SIFT, es capaz de guardar información sobre la evolución de movimiento en las regiones detectadas. Además, un conjunto de datos públicos ha sido desarrollado con el propósito de compartirlo con otras investigaciones sobre detección, clasificación y tracking. Experimentos reales muestran la robustez de este trabajo y su adaptabilidad para trabajos futuros.

Este trabajo presenta una metodología para detectar y realizar el seguimiento de características faciales. En el primer paso del procedimiento se detectan caras mediante Adaboost con cascadas de clasificadores débiles. El segundo paso busca las características internas de la cara mediante el CSR, detectando zonas de interés. Una vez que estas características se capturan, un proceso de tracking basado en el descriptor SIFT, que hemos llamado pseudo-SIFT, es capaz de guardar información sobre la evolución de movimiento en las regiones detectadas. Además, un conjunto de datos públicos ha sido desarrollado con el propósito de compartirlo con otras investigaciones sobre detección, clasificación y tracking. Experimentos reales muestran la robustez de este trabajo y su adaptabilidad para trabajos futuros.

Aquest treball presenta una metodologia per detectar i realitzar el seguiment de característiques facials. En el primer pas del procediment es detecten cares mitjançant Adaboost amb cascades de classificadors febles. El segon pas, busca les característiques internes mitjançant el CSR, detectant zones d'interés. Una vegada que aquestes característiques són capturades, un procés de tracking basat en el descriptor SIFT, que hem anomenat pseudo-SIFT, és capaç de guardar informació sobre l'evolució del moviment en les regions detectades. A més, un conjunt de dades públiques ha estat desenvolupat amb el propòsit de compartir-lo amb altres investigacions sobre detecció, classificació i tracking. Experiments reals mostren la robustessa d'aquest treball i la seva adaptabilitat per treballs futurs.

Aquest treball presenta una metodologia per detectar i realitzar el seguiment de característiques facials. En el primer pas del procediment es detecten cares mitjançant Adaboost amb cascades de classificadors febles. El segon pas, busca les característiques internes mitjançant el CSR, detectant zones d'interés. Una vegada que aquestes característiques són capturades, un procés de tracking basat en el descriptor SIFT, que hem anomenat pseudo-SIFT, és capaç de guardar informació sobre l'evolució del moviment en les regions detectades. A més, un conjunt de dades públiques ha estat desenvolupat amb el propòsit de compartir-lo amb altres investigacions sobre detecció, classificació i tracking. Experiments reals mostren la robustessa d'aquest treball i la seva adaptabilitat per treballs futurs.

This project is about a methodology to detect and track facial features. The first step of the procedure detects faces using Adaboost with a cascade of weak classifiers. The second step searches the internal face features using the CSR algorithm, detecting interest points. Once these features have been captured, a Pseudo-Sift process is able to save information about the movement's evolution of the detected regions. A data set has also been developed with the aim fo sharing it with other detection, classification and tracking investigations. Real experiments show the robustness of this project and its adaptability for future works.

This project is about a methodology to detect and track facial features. The first step of the procedure detects faces using Adaboost with a cascade of weak classifiers. The second step searches the internal face features using the CSR algorithm, detecting interest points. Once these features have been captured, a Pseudo-Sift process is able to save information about the movement's evolution of the detected regions. A data set has also been developed with the aim fo sharing it with other detection, classification and tracking investigations. Real experiments show the robustness of this project and its adaptability for future works.

Nota: Aquest document conté originàriament altre material i/o programari només consultable a la Biblioteca de Ciència i Tecnologia.

Nota: Aquest document conté originàriament altre material i/o programari només consultable a la Biblioteca de Ciència i Tecnologia.