Descripción:
El siguiente trabajo tiene como objetivo determinar si es el color en una imagen aporta una mayor precisión al momento de reconocer un rostro.
Como se sabe, el reconocimiento facial ha tenido gran cantidad de aplicaciones hoy en día, se usa para temas de seguridad, procesamiento de vídeos e imágenes, entre otras cosas.
Hay muchas investigaciones para la detección de rostros, en este caso se hará uso del modelo de Viola-Jones, conocido como algoritmo de aprendizaje AdaBoost, este algoritmo permite detectar los rostros en una imagen cuando estos están mirando de manera frontal a la cámara, también permite diferenciar los colores, expresiones, detectar la iluminación de una imagen.
También, en el presente trabajo se está tomando el enfoque de Eigenfaces, este enfoque descompone las imágenes en vectores llamados Eigenfaces, estos vectores contienen la información de los rostros, luego lo que se hace es obtener un “espacio generado” para los rostros guardados, y cuando se quiere reconocer un rostro, se compara el espacio generado del rostro que quieres conocer con un espacio generado de los rostros que ya se habían guardado previamente.
En el presente trabajo también se hace uso de un proceso para mejorar la calidad en una imagen, esto ayuda de cierta manera ya que hace más fácil reconocer un rostro.
Metodología
El primer paso es aumentar la calidad de la imagen para que el sistema pueda reconocer mejor un rostro. Una vez está hecho, se pasa a usar el algoritmo de AdaBoost para el reconocimiento del rostro, lo hace en base a una serie de n clasificadores, estos clasificadores reciben características de tipo Haar, la imagen de entrada y una máquina de aprendizaje, en este caso se usa Máquinas de Soporte Vectorial (SVM). Es en base a este último factor que se diferencia las caras de las no caras.
Una vez se obtiene una cara, se pasa a usar el enfoque Eigenfaces para la detección de estos. Los resultados que se obtienen para el espacio de color RGB, HSV y para escala de grises. Para estos 3 casos se obtienen 3 métricas, la sensibilidad (capacidad para clasificar a una imagen como cara), la especificidad (capacidad de clasificar una imagen como no cara y a una persona como no reconocido) y el valor predictivo positivo (probabilidad de que un rostro sea reconocido correctamente). En los que el HSV obtiene un mayor valor positivo predictivo.
Se hacen pruebas para este caso pero haciendo dos tipos diferentes de procesamiento de imágenes, los métodos son: ecualización de histograma y filtrado y ecualización del histograma.
Resultados para ecualización de histograma
Resultados para filtrado y ecualización de histograma
Conclusiones:
La espacio de colores RGB presenta una mayor probabilidad para reconocer un rostro adecuadamente, pero es menor que el espacio de colores HSV.
El pre-procesamiento de imágenes aumenta la probabilidad de que un rostro sea reconocido con éxito.
Referencias:
Artículo 1: Sistema de reconocimiento facial basado en imágenes con color
Autores: BEATRIZ OMAIRA PEDRAZA PICO, PAOLA RONDÓN, HENRY ARGUELLO.
Título 2: Prototipo de seguridad mediante reconocimiento facial por medio del algoritmo de eigenfaces
Descripción:
En el paper se planea elaborar un prototipo de seguridad usando un algoritmo de reconocimiento llamado PCA, ya que este presenta un mejor porcentaje de precisión frente a otros algoritmos como LDA y DCT. Este algoritmo se planea implementar en Matlab. Este algoritmo obtiene un conjunto de vectores de la imagen de un rostro, estos vectores se llaman “eigenvectors”. También se debe de crear una base de datos que contenga las imágenes de las personas que usarán la aplicación, que vendrían a ser los dueños de un domicilio o un lugar que requiera reconocimiento facial.
El administrador de la aplicación le da una contraseña a los usuarios y esta contraseña debe de coincidir con una de las que está guardada en la base de datos, si esta contraseña dada al nuevo usuario es ingresada de manera correcta, el sistema tomará fotos del usuario para añadirlo a la base de datos.
Para aplicar el algoritmo PCA es necesario una serie de pasos
Paso 1: a cada imagen se le debe redimensionar de tal manera que se tenga una imagen cuadrada, es decir, una imagen de N x N. Las imágenes se pasan a escala de grises
Paso 2: Por cada usuario tendremos M fotos por lo que ahora debemos de concatenar las imágenes con un tamaño de N x N x M. Estas serán concatenadas en una matriz.
Paso 3: Se debe de calcular un “rostro promedio” por cada usuario, las imágenes se obtienen de la base de datos.
Paso 4: Se normaliza los promedios, se debe restar el promedio a cada imagen.
Paso 5: La matriz N x N x M se usará por obtener los autovectores.
Este autovector que se guarda en la base de datos será como un identificador para una persona, cuando un nuevo usuario muestre su rostro, se le generará su propio autovector y se hará una diferencia con los autovectores en la base de datos, si esa diferencia es menor a un valor determinado, entonces las personas son las mismas.
Imagen que muestra la diferencia de vectores es muy grande y por lo cual el no se valida el usuario.
Para mejorar el rendimiento del sistema se tomaron algunas medidas.
Tamaño: la distancia entre ojos debe estar normalizada, así como también la distancia entre los ojos y la boca.
Rotación en el plano de la imagen: la rotación se hace en pase a los ojos, se rota de tal manera que los ojos siempre estén en una horizontal.
Zona de la cara a utilizar: la imagen se recorta de tal manera que el fondo de la imagen no intervenga en el reconocimiento facial.
Conclusiones
Los autovectores generados por el algoritmo PCA permiten una correcta validación de los usuarios.
Matlab permite la fácil implementación del algoritmo PCA.
La normalización, rotación del plano de la imagen, y la zona de la imagen utilizada permiten obtener una mayor precisión al momento de reconocer un rostro
Paper: PROTOTIPO DE SEGURIDAD MEDIANTE RECONOCIMIENTO FACIAL POR MEDIO DEL ALGORITMO DE EIGENFACES
Autores: Yeison Fernando Arcos Acuña, Diego Armando Moreno Meneses, Wolffang David Niño Pacheco.