Reducción y extracción de características faciales en imágenes utilizando análisis discriminante lineal (LDA) y análisis del componente principal (PCA)

Resumen

En este trabajo de investigación se muestra la implementación de dos algoritmos para la reducción y la extracción de características en imágenes: el de Análisis del Componente principal (PCA) y el de Análisis Discriminan­te Lineal (LDA), en la base de datos pública conocida como Cohn-Kanade (CK+), como parte del avance del trabajo de investigación de la detección y clasificación de expresiones faciales con una Máquina de Soporte Vecto­rial (SVM). Se prueban estos dos algoritmos debido a que son los más utilizados en la li­teratura, donde se demuestra de forma em­pírica que realizan una buena reducción en la dimensión de los datos. En este trabajo, se reporta parte de la metodología empleada para la clasificación y detección de expresio­nes faciales, y se resalta la importancia de re­ducir la escala de los datos en un espacio di­mensional. Resulta de gran relevancia saber si estos datos son realmente representativos del conjunto original, y si aportan imágenes que sean representativas de las expresiones que se busca clasificar (enojo, felicidad, tris­teza, miedo, sorpresa, neutral). Se demues­tra que, para este caso en específico, LDA lleva a cabo una mejor agrupación de los da­tos, porque se aporta una gran cantidad de imágenes que representan adecuadamente cada una de las expresiones faciales; ade­más, se trata de un algoritmo supervisado.