Recuperao Automtica de Imagens Aplicada a Faces

Projeto de PIBIC Marcos Dib Filho, Dbio Leandro Borges Universidade de Braslia. O reconhecimento automtico de faces em imagens digitais sempre foi de interesse geral para as pessoas e empresas, principalmente nas reas de entretenimento e segurana. A proposta deste projeto a aplicao de extratores de atributos, baseados em transformadas wavelet, em repositrios que contenham imagens face para a recuperao automtica dessa classe de imagens.

1. Introduo
De maneira geral, o reconhecimento automtico de expresses faciais sempre deslumbrou o ser humano como um todo. Mquinas capazes de reconhecer o estado emocional de uma pessoa j no representam um sonho impossvel de criana e o mercado est de portas abertas para receber trabalhos desta rea. Mquinas fotogrficas capazes de reconhecer quando o melhor momento para se tirar uma foto, Cmeras de vigilncia capazes de capturar com preciso a fisionomia de transeuntes so apenas algumas das diversas aplicaes que a automao da deteco de faces nos oferece. A idia de aplicar a recuperao de imagens em imagens do tipo face sai naturalmente quando pensamos nesse tipo de reconhecimento. Com o auxlio de uma transformada wavelet podemos descrever uma imagem como uma matriz de coeficientes separados em freqncia, orientao e intensidade. Neste novo espao a imagem pode ser analisada de maneira que seja possvel selecionar conjuntos destes coeficientes que nos permitam identificar a presena ou no de uma face na imagem. Neste projeto tentamos implementar a recuperao automtica de informao visual por contedo para imagens em um repositrio contendo imagens face e no-face atravs da comparao de histogramas de caractersticas wavelets. O objetivo principal do estudo, consequentemente consiste em mostrar que um determinado grupo de atributos podem ser usados para extrair caractersticas diversas de

uma imagem e caracteriza-la como uma imagem face ou uma imagem no-face, conforme mostraremos a seguir.

Figura 01 Decomposio wavelet de nvel 3. A imagem acima foi obtida atravs de uma transformada wavelet usando a funo de Haar aplicada trs vezes consecutivas na imagem original. Neste artigo ns explicaremos tambm o funcionamento do primeiro prottipo de recuperao automtica de imagens aplicada a faces, o Raf, salientando suas propriedades vantagens e desvantagens.

2. Os Mtodos
2.1 A Decomposio Como dito anteriormente, a idia consiste em decompor a imagem em subbandas para a anlise no espao dos coeficientes wavelet. Como funo base para a transformada wavelet foi escolhida a funo degrau de Haar. A funo foi escolhida devido sua

simplicidade e facilidade de seu manejo, uma vez que a encontrar a funo ideal no se encaixa nos objetivos do projeto alm ser inclusive um possvel tema para outros projetos de pesquisa. Ns preferimos utilizar uma decomposio wavelet de nvel 3, uma vez que esta nos proporciona 10 sub-bandas diferentes separadas em freqncia, orientao e intensidade. O mapa das sub-bandas resultantes da decomposio mostrado na figura 2.

Figura 02 Representao de uma imagem por sub-bandas aps a decomposio wavelet de nvel 3. As sub-bandas de nvel 1 possuem mais coeficientes e tambm uma resoluo maior. As sub-bandas H contm as caractersticas horizontais, V contm as caractersticas verticais e D contm as caractersticas diagonais. A sub-banda A especial e contm os restos da imagem. 2.2 Os Atributos Os atributos propostos neste projeto podem ser divididos em quatro tipo; Atributos Verticais: Responsveis pela extrao das caractersticas verticais da imagem. Detectam linhas verticais de inclinaes prximas vertical de diferentes espessuras. Atributos Horizontais: So os atributos que extraem as caractersticas horizontais da imagem, detectando linhas de inclinaes horizontal e prximas da horizontal. Atributos Diagonais: Extraem caractersticas diagonais. Ainda que os atributos horizontais e verticais detectem diagonais em suas

avaliaes, os atributos diagonais so especializados nestas caractersticas, detectando diagonais das mais diversas inclinaes. Atributos de Centro: Os atributos de centro na verdade no so exatamente especializados em centros. Estes atributos so em parte verticais e em parte horizontais combinados para explicitar caractersticas que os outros atributos no detectam. Cada um os atributos avaliado separadamente em uma sub-banda especfica da decomposio wavelet. Alguns destes atributos foram propostos anteriormente em [1], [3] e [4]. importante mostrar que as subbandas A3 e D1 no foram utilizadas no projeto uma vez que D2 e D3 j apresentam suficientes informaes diagonais e que em A3 esto contidos somente os restos de informaes. O conjunto dos vinte atributos propostos mostrado abaixo em esquema: onde cada quadradinho representa um pxel a ser avaliado. 1. Caractersticas Verticais: 1.1 Sub-banda V3 1.2 Sub-banda V1 1.3 Sub-banda V2 1.4 Sub-banda V1 2. Caractersticas Horizontais: 2.1 Sub-banda H3 2.2 Sub-banda H1

2.3 Sub-banda H2

2.4 Sub-banda H1

3. Caractersticas Diagonais: 3.1 Sub-banda D3 3.2 Sub-banda D3

3.3 Sub-banda D2

3.4 Sub-banda D3 3.5 Sub-banda D2

Para cada atributo, um teste realizado que avalia a presena ou no do atributo em sua sub-banda especfica. Um contador tem como objetivo contar quantas vezes este atributo aparece e finalmente um histograma construdo com as contagens dos vinte atributos daquela imagem. Para cada imagem no repositrio construdo um histograma com as contagens individuais de cada atributo. Estes histogramas em seguida so normalizados dividindo-se os valores das contagens pelo valor da maior contagem para aquela imagem, resultando em valores reais normalizados no intervalo [0,1]. Agora os histogramas esto prontos para serem comparados. Estamos prontos para entender o funcionamento do prottipo.

3. O Prottipo
3.6 Sub-banda D2 O prottipo proposto no projeto foi inspirado no prottipo sugerido por Petteri Kerminen em [2]. O prottipo de Petteri denominado muvi era uma plataforma de testes para recuperao de informao visual por contedo baseada em cores. Embora o cdigo tenha sido totalmente modificado, a estratgia bsica de funcionamento se manteve em nosso prottipo. O nome Raf, adotado para o prottipo, um pedao do acrnimo V.I.R.A.F., que em ingls significa Visual Information Retreival Aplied to Faces. A funo principal deste prottipo a extrao das caractersticas de uma imagem de referncia e a comparao com as outras imagens do repositrio. O comando Raf na plataforma do MATLAB o comando que da funo de chamada do prottipo Raf.m . Quando a funo chamada, uma GUI simples aberta em uma janela avulsa em que o usurio deve escolher alguns parmetros antes de iniciar a busca. Primeiramente, seleciona-se a mtrica que ser utilizada na comparao dos histogramas. As mtricas disponveis so; A distncia Euclidiana, Interseo de Histogramas, e A distancia de Mahalanobis. O usurio deve escolher, do repositrio, uma

3.7 Sub-banda D2 3.8 Sub-banda D2 4. Caractersticas Centrais: 4.1 Sub-banda V3

4.2 Sub-banda H3

4.3 Sub-banda V2

4.4 Sub-banda H2

2.3 Os Histogramas

imagem de referncia para a comparao subseqente e finalmente a recuperao. Isto pode-se ser feito com o boto Select search image. O ultimo parmetro a ser escolhido o nmero de imagens a serem recuperadas. Caso o usurio no mude esse valor, o valor padro dez. O boto Clear volta os parmetros para a condio inicial, o boto Close fecha a GUI e para a execuo do Raf e o boto Search inicia a busca. Na verdade quando a busca iniciada, a funo testhist1.m chamada. A funo primeiramente verifica se existe um histograma correspondente imagem de referncia. Caso este histograma exista, a funo verificar se existe um histograma correspodente a cada uma das imagens do diretrio. Agora, no caso de algum histograma estar ausente, este dever ser construdo e a funo Waveread.m ser chamada. A funo

responsvel primeiramente pela decomposio da imagem. Em seguida, as sub-bandas so recuperadas e normalizadas. Cada atributo testado individualmente e as contagens so colocadas em um histograma. O histograma salvo no diretrio. Quando todos os histogramas esto, finalmente, prontos, cada histograma ser comparado com o histograma da imagem de referncia. Cada comparao ,independentemente da mtrica utilizada, vai produzir um resultado ente 0 e 100%. As imagens do repositrio sero ento ordenadas de acordo com esta pontuao, e as imagens de maior pontuao so recuperadas. O Raf abre uma outra janela avulsa onde mostra a imagem de referncia e cada imagem recuperada com suas respectivas pontuaes. A figura 3 ilustra esquematicamente o funcionamento do Raf que foi descrito acima.

Figura 03 Esquema do funcionamento do Raf.

4. Testes e Resultados
O primeiro teste a ser feito testaria a consistncia dos detectores dos atributos. No

faria sentido construir um histograma de caractersticas se os atributos no fossem corretamente detectados, certo? Neste caso trs imagens foram projetadas exclusivamente

para esta finalidade. A primeira imagem foi projetada para testar os atributos verticais, horizontais de certo e os atributos diagonais 3.1 e 3.8. Manualmente contamos os atributos presentes na imagem para compararmos com a contagem automtica. A contagem manual para a primeira imagem foi [4,2,2,1,3,1,1,1,1,1,1,1,4,1,0,0,0,0,0,0] que coincidiu com a contagem automtica confirmando a consistncia dos atributos avaliados. A figura 4 foi a primeira imagem de teste usada no teste descrito acima.

atributos que acabou sendo confirmada novamente pela contagem manual que foi: [9,2,2,2,7,2,2,3,2,2,3,3,0,2,1,1,1,1,2,1]. A contagem coincidiu novamente com a contagem automtica comprovando novamente a consistncia dos detectores. A figura 6 mostra a imagem utilizada no terceiro teste de consistncia dos detectores.

Figura 04 Primeira imagem nos testes de consistncia dos atributos. A imagem testaria os atributos 1.1, 1.2, 1.3, 1.4, 2.1, 2.2, 2.3, 2.4, 4.1, 4.2, 4.3, 4.4, 3.1, 3.8 nesta ordem. Os atributos de contagem igual a zero so respectivamente 3.2, 3.3, 3.4, 3.5, 3.6 e 3.7. A segunda imagem testaria os atributos diagonais, contudo, alguns dos atributos verticais e horizontais naturalmente seriam detectados tambm. A contagem destes atributos tambm foi realizada para que no houvesse falha no teste. Os resultados das contagens manuais foram [3,0,0,0,3,0,0,1,0,0,0,0,1,0,2,2,2,2,3,2] que novamente foram confirmados pela contagem automtica. A figura 5 ilustra o segundo teste para a consistncia dos detectores dos atributos. O terceiro teste para a consistncia dos detectores tinha como objetivo testar todos os atributos. J era esperado que os atributos 1.1 e 2.1 tivessem uma contagem significativamente mais alta do que os outros

Figura 05 Imagem utilizada no segundo teste de consistncia de atributos. O teste tem como foco principal testar os atributos diagonais no testados no primeiro teste, 3.2 , 3.3, 3.4, 3.5, 3.6, 3.7. Como esperado e previsto, alguns atributos mais genricos e menos restritos como os atributos 1.1 e 2.1 foram detectados tambm.

Figura 06 Terceira imagem de teste de consistncia de atributos. Neste teste o nico atributo que no deveria aparecer o atributo 3.1. Era esperado que os atributos 1.1 e 2.1 aparecessem mais do que os outros, pois eles so mais genricos e menos restritos.

Com a consistncia da deteco dos atributos demonstrada ns pudemos passar para os testes de extrao das caractersticas da imagem. Para testar a extrao das caractersticas pelos atributos escolhemos trs imagens diferentes; A primeira, uma imagem de face onde a face bem evidente est no centro da imagem e ocupa a maior parte desta. A segunda, uma imagem no face. A terceira imagem seria uma imagem que conteria uma face, mas que a face no estivesse to explicita quanto na primeira imagem. Uma anlise geral feita a seguir para cada um dos atributos, e em seguida uma anlise geral dos atributos exposta. Mostramos abaixo a tabela com as contagens dos atributos para cada uma das imagens usadas no teste.
Atributos 1.1 1.2 1.3 1.4 2.1 2.2 2.3 2.4 4.1 4.2 4.3 4.4 3.1 3.8 3.2 3.3 3.4 3.5 3.6 3.7 Imagem 1 66 327 154 46 56 191 89 127 23 19 3 7 43 62 11 9 15 22 2 3 Imagem 2 33 114 58 11 27 38 31 0 17 23 2 1 13 7 1 0 6 4 0 1 Imagem 3 48 186 70 38 62 146 87 89 11 13 2 5 11 11 4 1 4 1 0 1

Tabela 01 Contagem dos atributos nas imagens utilizadas no teste de extrao de caractersticas. A primeira coluna enumera os atributos e as suas contagens so dispostas nas colunas subseqentes.

Figura 07 Imagens escolhidas para os testes da extrao das caractersticas baseados nos atributos. A primeira imagem representa uma imagem onde a face est bvia e de fcil visualizao sem muita variao na escala posio e rotao. A segunda imagem uma imagem sem a presena de uma face. A terceira imagem apresenta uma face menor em relao ao contedo total da imagem

A figura 7 mostra as imagens escolhidas para os testes de extrao de caractersticas. O atributo 1.1 avaliado na sub-banda V3 e capta principalmente as caractersticas verticais desta sub-banda. Percebemos que este atributo aparece nos locais das figuras nos quais as caractersticas verticais so mais evidentes, entretanto ele tambm pode detectar diagonais que sejam prximas vertical. Conforme esperado, o atributo detectou a testa da moa da primeira imagem de teste e o lado do rosto do homem da terceira imagem. O atributo contudo, detecta tambm as linhas da cala do homem e as listras verticais do peixe que tambm so caractersticas verticais fortes da imagem. O atributo 1.2 assim como o atributo 1.1 capta as caractersticas verticais, contudo ele avaliado na sub-banda V1 que uma sub-banda com mais pixels do que a subbanda V3. Tendo maior resoluo, a subbanda apresenta mais detalhes e a tendncia que se encontrem mais atributos do que em V3 ainda que 1.2 tenha mais restrio do que 1.1. As contagens dos atributos evidenciam este fato. No teste relativo terceira imagem observamos quase 4x mais deteces de 1.2 do que de 1.1. Algumas diagonais que foram detectadas por 1.1 no foram detectadas por 1.2. Isto j era esperado uma vez que 1.2 mais restrito e avaliado em uma sub-banda de maior resoluo e consequentemente mais detalhes. Novamente a testa da moa evidenciada, embora o atributo no capte as curvas pretas perto do rosto do peixe que eram percebidos em 1.1. O atributo 1.3 igual ao atributo 1.2, contudo ele avaliado na sub-banda V2 que tem uma resoluo menor do que a sub-banda V1 e consequentemente, tem menos detalhes a serem percebidos. Isto pode ser comprovado vendo que o nmero de deteces, em todas as imagens de teste, foi menor em 1.3 do que em 1.2 apesar de os atributos serem iguais. Percebemos tambm, que devida a resoluo, algumas diagonais so captadas em 1.3 que no so captadas em 1.2 como a da parte de cima da bochecha da moa e partes das curvas perto do rosto do peixe.

O atributo 1.4 o mais restrito dos atributos verticais, pois ele exige uma espessura de 2 pixels e em muitos casos a exigncia no satisfeita. A contagem deste atributo a menor entre os atributos verticais em virtude disto. Reparamos tambm que as diagonais so praticamente ignoradas por estes atributos uma vez que ele exige essa maior espessura pegando somente as inclinaes bem prximas de 90. Na primeira imagem este atributo no captou a linha da testa da moa, entretanto, na terceira imagem o atributo captou o cabo da filmadora pois este assemelha-se a uma linha grossa e vertical. O atributo 2.1 avaliado na sub-banda H3. Uma anlise muito similar a anterior vale tambm para os atributos horizontais. Na primeira imagem, o atributo detecta a diagonal da bochecha e as linhas da janela. O atributo no detecta as linhas das sobrancelhas pois a inclinao destas muito longe da horizontal. A segunda imagem predominantemente vertical e em, virtude disto, somente o tentculo da anmona que atravessa na frente do peixe foi detectado. Na terceira imagem As caractersticas horizontais percebidas por este atributo captam essencialmente o prdio no fundo e as faixas na rua. O atributo 2.2 pode ser comparado ao atributo 2.1 por captarem caractersticas horizontais, mas, uma vez que so aplicados em sub-bandas diferentes, resultados diferentes so obtidos. Na sub-banda H1, por esta ter maior resoluo, captou-se alguns detalhes que escaparam ao atributo 2.1 como, por exemplo, a sobrancelha esquerda da moa da primeira imagem que na sub-banda H3 confundia-se com o olho esquerdo. O atributo detectou, na terceira imagem, detalhes no rosto do homem, linhas das sobrancelhas e do cabelo. O prdio quase no detectado por este atributo, contudo, muitas interferncias aparecem por detalhes no fundo da imagem. Embora idntico ao atributo 2.2 o atributo 2.3 tem uma contagem inferior ao atributo 2.2. O motivo novamente a diferena de resoluo entre as sub-bandas H2 e H1 e consequentemente o nmero de detalhes para se perceber.

O atributo 2.4 o atributo que procura na sub-banda H1, linhas horizontais mais espessas. Pela espessura exigida por este atributo e pelo fato de ele captar exclusivamente caractersticas horizontais, a contagem do atributo normalmente baixa. Na segunda imagem no houve deteco do atributo. Na primeira imagem, o atributo captou a diagonal da bochecha que era mais grossa do que a maioria das linhas. Na terceira imagem o atributo detectou essencialmente linhas de caladas e marcaes na rua. O atributo 4.1 avaliado na sub-banda V3 e procura por pixels isolados. A importncia deste atributo pode ser questionada se reparar-mos que a maior parte dos atributos no aparece no rosto em si, mas pode ser um, indicador poderoso de fundo de imagens. O atributo 4.2 idntico ao atributo 4.1, porm analisado na sub-banda H2. Assim como 4.1 este atributo um forte indicador de textura. A textura de uma face predominantemente lisa, de modo que raramente as deteces do atributo aconteam na face, tornando o atributo um bom indicador de fundos de imagens. O atributo 4.3 e 4.4 nas sub-bandas V2 e H2, respectivamente, captam essencialmente pontas, em linhas verticais no caso de 4.3, e horizontais no caso de 4.4. Estes atributos so parecidos com os atributos 4.2 e 4.1, entretanto, 4.1 e 4.2 apresentam restries em todos os sentidos, localizando exclusivamente pixels separados, 4.3 e 4.4 tem restries somente em cima e no lado esquerdo e, em virtude disto, detectam pontas e falhas em linhas. Estas pontas podem ser teis para encontrar cantos de boca, nariz e pontas de orelhas. Na primeira imagem, o atributo 4.4 detecta o canto da boca da moa e o seu nariz. Na terceira imagem, devido ao reduzido tamanho da face e baixa resoluo, estas caractersticas no foram detectadas na face do homem. O atributo 3.1 avaliado na sub-banda D3 onde o nvel de detalhes pequeno. Este atributo projetado para captar as diagonais, principalmente as cuja angulao prxima de -45. o caso da diagonal do canto inferior

direito da primeira imagem, que, at agora, no havia sido detectada pelos outros atributos. Na terceira imagem, as diagonais no ombro, na ala e alguns detalhes na filmadora so percebidos. No se pode dizer que os detalhes na filmadora so caractersticas diagonais embora o atributo as detecte l. Tal deteco poderia representar um falso positivo na extrao de caractersticas embora a presena dos atributos seja bem bvia e pode at mesmo ser conferida manualmente. Este erro poderia no acontecer se a resoluo da sub-banda fosse maior ou mesmo a resoluo da imagem. As diagonais detectadas, que so mostradas na figura, no representam surpresa uma vez que a resoluo da sub-banda baixa e quase todas as diagonais seriam percebidas. O atributo 3.8 trabalha na sub-banda D2 que apresenta mais detalhes que a subbanda D3. O atributo tambm tem uma contagem alta, pois pequeno, genrico e possui poucas restries. O atributo 3.8 foi especificamente projetado para perceber as diagonais com angulaes prximas a 45. Na primeira imagem, este o atributo que melhor detecta a bochecha da moa. O atributo 3.2 que atua na sub-banda D3 procura diagonais prximas de -56 e exige um pouco mais de espessura do que o atributo 3.1. Por estes motivos, e por atuar em uma sub-banda de resoluo baixa, ele apresenta uma contagem baixa na maioria dos casos. Contudo, na primeira imagem, ele nos ajuda a encontrar partes da sobrancelha e da boca. Em casos de faces de frente ele pode ser til para encontrar bochechas. Na terceira imagem, ele ajuda a detectar a linha lateral do rosto que neste caso fundiu-se com o cabelo. A diagonal da gola do palet do lado esquerdo da figura tambm detectada em funo de sua inclinao. Assim como a parte escura da pessoa no fundo da imagem. O atributo 3.3 avaliado na sub-banda D3. Este atributo procura as diagonais de inclinaes menores em mdulo, mais especificamente, prximas de -34. Este atributo, como foi neste caso, pode ser particularmente til para detectar sobrancelhas e bocas. Por ele exigir uma espessura grande assim como o atributo 3.2 e por atuar em uma

sub-banda de menor resoluo ele apresenta contagens baixas normalmente. Na segunda imagem no houve deteco e na terceira imagem, a nica deteco foi na diagonal do cabelo do homem. O atributo 3.4 idntico ao atributo 3.2, porm avaliado na sub-banda D2 que tem maior resoluo. Por este motivo, na maior parte dos casos, a contagem do atributo maior do que a contagem do atributo 3.2. Novamente, detecta-se a diagonal do cabelo do homem assim como um pedao do cabo da filmadora. Essa deteco do no cabo da filmadora deve-se mudana de resoluo da sub-banda D3 para D2. O atributo 3.5 igual ao atributo 3.3, mas detectado da sub-banda D2 ao invs de D3. Por se ter mais detalhes em D2 o atributo detectado mais vezes aumentando consequentemente o valor da contagem deste atributo em relao do 3.3. Entretanto, na terceira imagem, a nica deteco do atributo foi a do cabelo do homem, que at agora tem sido detectada por todos praticamente todos os atributos diagonais. O atributo 3.6 o atributo que detecta as diagonais mais inclinadas procurando por diagonais de inclinaes prximas a -63. Este atributo tambm um dos que tem a maior espessura consequentemente um atributo de contagem extremamente baixa, sendo igual a zero em alguns casos, como foi na segunda e na terceira imagem. importante que a resoluo da banda seja alta para que a espessura deste atributo no o torne impossvel de ser detectado. Por este motivo no se avalia o atributo na sub-banda D3 somente em D2. Finalmente, o atributo 3.7, que anlogo ao atributo 3.6, procura por diagonais de inclinaes menores, prximas a -27. O atributo avaliado em D2 em virtude da sua espessura e ligeiramente difcil de ser detectado. As contagens deste atributo tambm so baixas e podem ser iguais a zero. Percebemos com estes testes que a resoluo da imagem influencia muito nos resultados das deteces. Para uma imagem de alta resoluo, as contagens dos atributos so em geral grandes, e muitos detalhes so

percebidos mesmo nas sub-bandas do nvel trs, onde a resoluo mais baixa. A prpria resoluo das sub-bandas influncia no nmero de deteces dos atributos que so avaliados nela, da mesma forma que a resoluo da imagem. Percebe-se tambm que quanto menor a resoluo da imagem maior a tolerncia nas inclinaes. Atributos que so avaliados em sub-bandas de resoluo mais baixa detectam inclinaes maiores enquanto os atributos que so avaliados em sub-bandas de alta resoluo detectam quase exclusivamente as inclinaes especficas do atributo. Cada atributo pode ajudar a detectar partes especficas de uma face, no entanto, cada um deles est sujeito a detectar tambm rudos no fundo da imagem, podendo gerar informaes enganosas e duvidosas. Ainda existe tambm o risco da avaliao do atributo apontar caractersticas que no existem como foi o caso do atributo 4.1 no 3 exemplo, onde o atributo apontava caractersticas diagonais na filmadora sugerindo um falso positivo.
Im. Recuperadas NoFace Face 3 7 1 9 3 7 5 5 3 7 3 7 3 7 3 7 0 10 0 10 5 5 3 7 32 88 2,666667 7,333333 %

Im. 1 Im. 2 Im. 3 Im. 4 Im. 5 Im. 6 Im. 7 Im. 8 Im. 9 Im. 10 Im.11 Im. 12 Total Mdia

30% 10% 30% 50% 30% 30% 30% 30% 0% 0% 50% 30% 320% 26,67%

Tabela 02 - O teste realizado. Para testar-se a eficincia geral do programa selecionamos 12 imagens face e avaliamos as 10 imagens recuperadas para cada uma dessas. Cada imagem face recuperada significou um acerto enquanto cada imagem no-face recuperada significou

um erro. A pontuao referente quela imagem de busca a quantidade de acertos dividida pelo nmero de imagens recuperadas. O resultado final a mdia aritmtica das pontuaes das 12 imagens face. A figura 8 ilustra os resultados da recuperao de imagens para uma das imagens do repositrio. A tabela 2 nos ajuda a compreender o teste feito. Os Resultados finais demonstraram pouca eficincia na deteco de faces, uma vez que as mtricas utilizadas no so muito apropriadas e no foi realizado nenhum tipo de treinamento com o programa. O programa atualmente acerta cerca de 26,67% dos casos.

despercebidos. Foi mostrado que alguns atributos representam ferramentas teis na deteco de faces embora este no tenha sido o foco do projeto. Mostramos tambm, como a recuperao de informao visual por contedo pode ser aplicada em imagens de face. Em trabalhos futuros nos cabe mostrar que este conjunto de caractersticas propostas pode, eficientemente, indicar ou no a presena de uma ou mais faces em uma imagem digital.

6. Referncias
[1]: Rainer Lienhart, Alexander Kuranov, Vadim Pisarevsky - Empirical Analysis of Detection Cascades of Boosted Classifiers for Rapid Object Detection MRL Technical Report, May 2002, revised December 2002. [2]: Petteri Kerminen, Moncef Gabbouj - Prototyping Color-based Image Retrieval with MATLAB [3]: Henry Schneiderman - A Statistical Approach to 3D Object Detection Applied to Faces and Cars - May 10, 2000 Robotics Institute Carnegie Mellon University Pittsburgh, PA 15213. [4]: Jones, M.; Viola, P. - Fast Multi-view Face Detection - TR2003-96 August 2003.

5. Concluses.
Mostramos acima, como o conjunto proposto de atributos pode ser utilizado para extrair caractersticas de uma imagem face. Inicialmente, mostramos que os detectores de atributos propostos so consistentes e tem o poder de detectar com preciso os atributos na imagem. Mostramos que cada atributo detecta caractersticas especficas de modo que quase todos os detalhes da imagem no passam

Figura 08 Resultado da Recuperao de Imagens.