Você está na página 1de 63

UNIVERSIDADE TECNOLOGICA FEDERAL DO PARANA DEPARTAMENTO ACADEMICO DE INFORMATICA CURSO DE BACHARELADO EM SISTEMAS DE INFORMACAO

LUCAS DE ALMEIDA CRUZ TATIANE GOMES GUIMARAES

ESTUDO COMPARATIVO DE TECNICAS PARA RECONHECIMENTO FACIAL

PROJETO DE PESQUISA

CURITIBA 2011

LUCAS DE ALMEIDA CRUZ TATIANE GOMES GUIMARAES

ESTUDO COMPARATIVO DE TECNICAS PARA RECONHECIMENTO FACIAL

Monograa apresentada para a disciplina de Metodologia de Pesquisa, do Curso de Bacharelado em Sistemas de Informacao do Departamento Acad mico de Inform tica da Universidade Tece a nol gica Federal do Paran . o a Orientadora: Profa Leyza Baldo Dorini

CURITIBA 2011

AGRADECIMENTOS

Cremos que escrever os agradecimentos e uma tarefa difcil, pois muitas vezes cometemos injusticas e por esquecimento n o mencionamos nomes de pessoas que tamb m contriburam a e para o trabalho. Gostaramos de expressar nossa gratid o a todos que nos deram uma oportunidade de apren a der e explorar novas dimens es da pesquisa academica. o ` Somos extremamente gratos, especialmente, a Profa . Dra . Leyza Baldo Dorini, nossa orientadora, que sempre demonstrou acreditar no nosso potencial, e que nos ensinou, ajudou e orientou na direcao correta para completar este trabalho. Ao Prof MSc. Chidambaram Chidambaram pelas conversas e valiosas sugest es. o A todos que leram e revisaram o trabalho, sendo ou n o da area, nossos sinceros agradecia mentos. Aproveitamos tamb m a oportunidade para agradecer as nossas famlias e amigos, que e demonstraram apoio e conanca incondicional em n s durante todo o processo de realizacao o desta pesquisa. Pro m, agradecemos a Deus por sempre nos iluminar e guiar.

Um sonho que se sonha s , e s um sonho que se sonha s , mas um o o o sonho que se sonha junto e realidade.Raul Seixas

Licenciamento: A obra Estudo Comparativo de T cnicas para Reconhee cimento Facial de autoria de CRUZ, Lucas de Almeida; GUIMARAES, Tatiane Gomes foi licenciada com uma Licenca Creative Commons Atribuicao 3.0 Brasil.

RESUMO

CRUZ, Lucas de Almeida; GUIMARAES, Tatiane Gomes. Estudo Comparativo de T cnicas e para Reconhecimento Facial. 61 f. Projeto de Pesquisa Curso de Bacharelado em Sistemas de Informacao, Universidade Tecnol gica Federal do Paran . Curitiba, 2011. o a O reconhecimento facial por computadores e um tema estudado dentro da area de processamento a an lise de imagens que tem potencial para aplicacoes tanto comerciais quanto de a reforco da lei - como, por exemplo, para a seguranca de informacao e controle de acesso ou reconhecimento de criminosos. Esta monograa apresenta um estudo comparativo entre dois algoritmos de reconhecimento facial: Eigenfaces e Elastic Bunch Graph Matching (EBGM), implementados pela Colorado State University (CSU) (COLORADO STATE UNIVERSITY (CSU), 2011). Os algoritmos de reconhecimento de faces encontram muitas diculdades tais como a m qualidade das imagens, variacao de iluminacao e fundo heterog neo. A sua escoa e lha e, portanto, fundamental para a construcao de um sistema de reconhecimento facial. Os objetivos deste projeto de pesquisa s o desenvolver um material textual que permita compreena der com maior facilidade o funcionamento dos algoritmos acima mencionados, comparar seu desempenho em diferentes situacoes e desenvolver um guia pr tico para o uso da ferramenta a desenvolvida pela CSU. Palavras-chave: Reconhecimento Facial, EBGM, Eigenfaces, Comparacao de Algoritmos

LISTA DE FIGURAS

FIGURA 1 FIGURA 2 FIGURA 3 FIGURA 4 FIGURA 5 FIGURA 6 FIGURA 7 FIGURA 8 FIGURA 9 FIGURA 10 FIGURA 11 FIGURA 12 FIGURA 13 FIGURA 14 FIGURA 15 FIGURA 16 FIGURA 17 FIGURA 18 FIGURA 19 FIGURA 20 FIGURA 21 FIGURA 22 FIGURA 23 FIGURA 24 FIGURA 25 FIGURA 26 FIGURA 27 FIGURA 28 FIGURA 29 FIGURA 30 FIGURA 31 FIGURA 32 FIGURA 33 FIGURA 34 FIGURA 35 FIGURA 36 FIGURA 37 FIGURA 38 FIGURA 39 FIGURA 40 FIGURA 41

ETAPAS DE UM SISTEMA DE RECONHECIMENTO. . . . . . . . . . . . . . . ETAPAS DO ALGORITMO AUTOFACES . . . . . . . . . . . . . . . . . . . . . . . . . . . CONJUNTO DE IMAGENS DE TREINO . . . . . . . . . . . . . . . . . . . . . . . . . . . . IMAGEM DE UMA FACE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . VETOR I . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . FACE MEDIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . MATRIZ DE A . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . MATRIZ DE AT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . EXEMPLO FICT ICIO DA UTILIZACAO DO PCA EM UMA UNICA FACE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . EXEMPLO DE EIGENFACES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . FLUXOGRAMA DO ALGORITMO EBGM . . . . . . . . . . . . . . . . . . . . . . . . . PARAMETROS DA TRANSFORMADA WAVELET . . . . . . . . . . . . . . . . . . DA IMAGEM ORIGINAL AO GRAFO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . FACE BUNCH GRAPH . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . POSICOES DE IMAGENS DA BASE FERET . . . . . . . . . . . . . . . . . . . . . . . . GRAFICO DE RANK DA LISTA DE IMAGENS DUP1 . . . . . . . . . . . . . . GRAFICO DE RANK DA LISTA DE IMAGENS DUP2 . . . . . . . . . . . . . . GRAFICO DE RANK DA LISTA DE IMAGENS FAFB . . . . . . . . . . . . . . . GRAFICO DE RANK DA LISTA DE IMAGENS FAFC . . . . . . . . . . . . . . . GRAFICO DE COUNT DA LISTA DE IMAGENS DUP1 . . . . . . . . . . . . . GRAFICO DE COUNT DA LISTA DE IMAGENS DUP2 . . . . . . . . . . . . . GRAFICO DE COUNT DA LISTA DE IMAGENS FAFB . . . . . . . . . . . . . GRAFICO DE COUNT DA LISTA DE IMAGENS FAFC . . . . . . . . . . . . . GRAFICO DE RATE DA LISTA DE IMAGENS DUP1 . . . . . . . . . . . . . . . GRAFICO DE RATE DA LISTA DE IMAGENS DUP2 . . . . . . . . . . . . . . . GRAFICO DE RATE DA LISTA DE IMAGENS FAFB . . . . . . . . . . . . . . . . GRAFICO DE RATE DA LISTA DE IMAGENS FAFC . . . . . . . . . . . . . . . BURN DOWN CHART: PRIMEIRA PARTE . . . . . . . . . . . . . . . . . . . . . . . . . . BURN DOWN CHART: SEGUNDA PARTE . . . . . . . . . . . . . . . . . . . . . . . . . . COMANDO MAKE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . RESULTADO DO COMANDO MAKE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . RODANDO SCRIPT RUNALLTESTS SCRAPS . . . . . . . . . . . . . . . . . . . . . . . NORMALIZACAO DAS IMAGENS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . CALCULO DAS DISTANCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . RESULTADO DO SCRIPT TUNALLTESTS SCRAPS.SH . . . . . . . . . . . . . . RODANDO O SCRIPT PROCESS FERET DVD.SH . . . . . . . . . . . . . . . . . . RESULTADO DO SCRIPT PROCESS FERET DVD.SH . . . . . . . . . . . . . . . REALIZANDO O DOWNLOAD DO PACOTE IMAGEMAGICK . . . . . . . CONVERTENDO IMAGEM .TIF PARA .PGM . . . . . . . . . . . . . . . . . . . . . . RODANDO O SCRIPT RUNPREPROCESSING FERET.SH . . . . . . . . . . . RESULTADO DO SCRIPT RUNPREPROCESSING FERET.SH . . . . . . . .

15 21 22 23 23 24 25 25 26 27 30 31 33 33 37 40 41 41 42 42 43 43 44 44 45 45 46 48 48 53 53 53 54 54 54 55 55 56 56 57 57

FIGURA 42 FIGURA 43 FIGURA 44 FIGURA 45 FIGURA 46 FIGURA 47 FIGURA 48 FIGURA 49

RODANDO O SCRIPT EBGMPREPROCESSING.SH . . . . . . . . . . . . . . . . . RESULTADO DO SCRIPT EBGMPREPROCESSING.SH . . . . . . . . . . . . . RODANDO O SCRIPT RUNPCA FERET.SH . . . . . . . . . . . . . . . . . . . . . . . . . RESULTADO DO SCRIPT RUNPCA FERET.SH . . . . . . . . . . . . . . . . . . . . . RODANDO O SCRIPT EBGM STANDARD.SH . . . . . . . . . . . . . . . . . . . . . . EXTRAINDO OS JETS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . RESULTADO DO SCRIPT EBGM STANDARD.SH . . . . . . . . . . . . . . . . . . . RODANDO O SCRIPT GENERATEFERETRESULTS.SH . . . . . . . . . . . . . .

58 58 58 59 59 60 60 61

LISTA DE TABELAS

TABELA 1 TABELA 2 TABELA 3 TABELA 4 TABELA 5 TABELA 6 TABELA 7

CRONOGRAMA DAS ATIVIDADES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . LISTA DE IMAGENS UTILIZADAS NOS EXPERIMETOS . . . . . . . . . . . . AS 10 PRIMEIRAS LINHAS DO ARQUIVO DUP1 IMAGES.TXT (MODIFICADO) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . AS 10 PRIMEIRAS LINHAS DO ARQUIVO DUP1 CURVE.TXT (MODIFICADO) APRESENTANDO O RECOGNITION COUNT . . . . . . . . . . . . AS 10 PRIMEIRAS LINHAS DO ARQUIVO DUP1 CURVE.TXT (MODIFICADO) APRESENTANDO O RECOGNITION RATE . . . . . . . . . . . . . . AS TAXAS DE RECONHECIMENTO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . MEDIA DE RANK POR TESTE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

14 37 38 39 39 40 42

LISTA DE SIGLAS

EBGM CSU PCA AFGR AVBPA FERET LDA FBG MS PS DS PGM SFI

Elastic Bunch Graph Matching Colorado State University Principal Components Analysis International Conference on Automatic Face and Gesture Recognition International Conference on Audio and Video-Based Person Authentication Face Recognition Technology Linear Discriminant Analysis Face Bunch Graph Magnitude Similarity Phase Similarity Displacement Similarity Portable Gray Map Single Float Image

SUMARIO

1 INTRODUCAO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.1 OBJETIVOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.1.1 Objetivo Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.1.2 Objetivos Especcos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.2 METODOLOGIA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.3 CRONOGRAMA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 1.4 ESTRUTURA DO TRABALHO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 RECONHECIMENTO FACIAL: UMA INTRODUCAO . . . . . . . . . . . . . . . . . . . . . . . 2.1 RECONHECIMENTO DE PADROES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2 RECONHECIMENTO FACIAL . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.1 Reconhecimento Facial por Humanos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2.2.2 Reconhecimento Facial por Computadores . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3 DELINEAMENTO DO ESTUDO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1 EIGENFACES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1.1 Passo 1: Obter um Conjunto de Faces . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1.2 Passo 2: Encontrar a Face M dia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . e 3.1.3 Passo 3: Calcular a Matriz de Covari ncia . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . a 3.1.4 Passo 4: Reduzir a dimensionalidade da Matriz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.1.5 Passo 5: Comparacao das dist ncias . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . a 3.2 ELASTIC BUNCH GRAPH MATCHING (EBGM) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.1 Wavelets de Gabor (Gabor Wavelets) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.2 Jets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.3 Comparacao de Jets . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.4 Grafos de Face . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3.2.5 Face Bunch Graph . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4 EXPERIMENTOS E ANALISE DOS RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1 EXPERIMENTOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1.1 Ferramenta de Testes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.1.2 Base de Imagens Facial Recognition Technology (FERET) . . . . . . . . . . . . . . . . . . . . . . 4.2 RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 4.2.1 Gr cos de Rank . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . a 4.2.2 Gr cos de Count . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . a 4.2.3 Gr cos de Rate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . a 4.2.4 Desempenho Geral . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 ANALISE DO PROCESSO E TRABALHOS FUTUROS . . . . . . . . . . . . . . . . . . . . . . . 5.1 ANALISE DO PROCESSO . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.1.1 Burn Down Charts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.2 TRABALHOS FUTUROS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . REFERENCIAS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . APENDICE A -- MANUAL DA FERRAMENTA . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . A.1 1o PASSO: INSTALACAO DO SOFTWARE . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . .

11 12 12 12 13 13 13 15 15 16 17 18 21 21 22 23 24 26 28 28 29 30 30 32 33 35 35 36 36 38 40 41 44 45 47 47 48 49 50 52 52

A.2 2o PASSO: ADICAO DA BASE FERET . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o PASSO: PREPARACAO DAS IMAGENS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . A.3 3 A.3.1 Convertendo as imagens .tif para .pgm . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . A.3.2 Normalizacao das imagens . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . A.4 4o PASSO: REALIZACAO DOS TESTES . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . o PASSO: GERACAO DE RESULTADOS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . A.5 5

55 56 56 57 58 61

11

INTRODUCAO

O desenvolvimento de sistemas aut nomos capazes de reproduzir a habilidade humana de o captar, processar e interpretar imagens e reagir a estmulos visuais ainda e um grande desa o. A vis o computacional busca auxiliar a resolucao de problemas neste contexto, tal como a o reconhecimento facial. Uma tarefa fundamental de um sistema de vis o computacional e a obter uma descricao que contenha informacao suciente para distinguir entre diferentes obje tos de interesse, de forma con vel requerendo o mnimo de intervencao humana (PEDRINI; a SCHWARTZ, 2008). O reconhecimento facial, foco deste trabalho, tem recebido muita atencao nos ultimos anos. H v rias raz es para explicar o grande n mero de trabalhos cientcos neste tema. Uma delas a a o u e o seu potencial para aplicacoes comerciais e de reforco da lei - como, por exemplo, para a seguranca de informacao e controle de acesso ou reconhecimento de criminosos. O aumento da disponibilidade e o barateamento de tecnologias e outra raz o que contribui de forma signicaa tiva (ZHAO; CHELLAPPA; ROSENFELD, 2003). O rosto humano e um objeto din mico e tem alta variabilidade de apar ncia, o que torna a e a sua deteccao e reconhecimento autom ticos difceis. Contraste, direcao e intensidade da luz, a variacao m trica, rotacao em profundidade e no plano, mudancas fsicas, machucados e man e chas s o exemplos de diculdades encontradas durante o processo. Mais especicamente, e a possvel levar em conta n o somente as caractersticas internas (da face propriamente dita), a mas tamb m as caractersticas externas (como o cabelo, cachecol, entre outras). Outro fator a e ser considerado e que faces com caratersticas especcas s o melhor e mais facilmente reco a nhecidas do que as faces comuns (ZHAO; CHELLAPPA; ROSENFELD, 2003). Com isso, ao trabalhar no contexto computacional, e preciso levar em consideracao t cnicas que permitam e discriminar faces similares. Como mencionado anteriormente, existem muitas diculdades no processo de reconhecimento facial devido a alguns fatores como, por exemplo, a m qualidade de imagem, iluminacao a e fundo heterog neo (KINUTA DENNIS MOLINA; JUNIOR, ). Normalmente, os algoritmos e

12

que se prop em a reconhecer faces automaticamente, t m seu foco em diminuir o impacto de o e apenas um destes fatores durante o reconhecimento. Por ser uma area de tamanha relev ncia e com t cnicas ainda n o consolidadas, torna-se a e a muito importante o estudo comparativo das mesmas, para que se possa: (i) escolher o melhor algoritmo de reconhecimento facial em um dado domnio de aplicacao (sendo essa escolha um passo fundamental na elaboracao de um sistema) e (ii) direcionar estudos futuros sobre o assunto. Este trabalho visa a analisar e avaliar dois algoritmos de reconhecimento facial - Eigenfaces e Elastic Bunch Graph Matching ( EBGM), incluindo (1) testes computacionais que levem em conta par metros tais como restricoes, aplicabilidade e eci ncia e (2) elaboracao de maa e terial textual que possibilite o entendimento adequado dos mesmos. A an lise de tecnologias a que s o (e ser o) utilizadas em aplicacoes do dia-a-dia, que permite futuras melhorias na sua a a implementacao e a principal motivacao para a realizacao deste trabalho. A seguir ser o descritos os objetivos, metodologia, cronograma e estrutura do trabalho. a 1.1 1.1.1 OBJETIVOS Objetivo Geral

Desenvolver um material textual que permita compreender e comparar o desempenho dos algoritmos de reconhecimento facial EBGM e Eigenfaces. 1.1.2 Objetivos Especcos

Este trabalho possui como objetivos especcos: Desenvolver material textual de f cil entendimento sobre reconhecimento facial e sobre a o processo e as fases dos algoritmos Eigenfaces e EBGM; Realizar um estudo comparativo entre os m todos de reconhecimento facial Eigenfaces e e EBGM, considerando caractersticas inerentes de cada m todo e o desempenho quando e utilizados em bases de imagens de faces com diferentes caractersticas. Desenvolver um manual da ferramenta utilizada para o estudo comparativo, (desenvolvida pela Universidade do Estado do Colorado; Colorado State University - CSU).

13

1.2

METODOLOGIA A pesquisa foi desenvolvida baseada nas seguintes atividades:

1. Estudo dos conceitos b sicos de processamento de imagens necess rios ao desenvolvia a mento do trabalho 1.1 Pesquisar sobre conceitos b sicos de processamento e an lise de imagens: transformacoes, a a ltros e aplicacoes. 2. Estudo das principais t cnicas e aplicacoes de reconhecimento de faces. e 2.1 Levantamento do estado da arte (reconhecimento facial). 2.2 Pesquisa sobre os principais algoritmos da literatura, visando ao aprofundamento te rico na area de pesquisa. o 3. An lise de algoritmos selecionados e realizacao de testes experimentais. a 3.1 Estudo dos algoritmos Eigenfaces e EBGM. 3.2 Avaliacao dos algoritmos, em termos de crit rios identicados em outros trabalhos e da literatura, tal como variacoes de iluminacao; 3.3 Realizacao de testes experimentais utilizando o c digo disponibilizado pelo projeto o CSU Face Identication Evaluation System (COLORADO STATE UNIVERSITY (CSU), 2011), implementado utilizando C e OpenCV. 3.4 An lise dos resultados utilizando m tricas adequadas para comparacao entre t cnicas a e e de reconhecimento facial; 4. Escrita da monograa. 1.3 CRONOGRAMA A Tabela 1 cont m o cronograma das atividades listadas anteriormente. e 1.4 ESTRUTURA DO TRABALHO Para melhor compreens o de como foi realizada cada atividade durante o desenvolvimento a deste trabalho, assim como dos diferentes conceitos relacionados ao tema durante a execucao do mesmo, o trabalho foi dividido da forma discutida a seguir. O Captulo 2 aborda a fundamentacao

14

Tabela 1: Cronograma das atividades

MARCO ITENS \SEMANAS 1a 1 2 3 4 4 4 4 2a 3a 4a 1a

ABRIL 2a 3a 4a 1a

MAIO 2a 3a 4a

1.1 1.1 2.1 2.1 2.2 3.1 3.1 3.2 3.2 3.3 3.3 3.4 4 4 4 4 4 4 4 4 4

` te rica relacionada a area de reconhecimento facial. As diculdades da resolucao deste proo blema de maneira autom tica e um breve hist rico dos algoritmos desenvolvidos para este m a o s o discutidas. a O Captulo 3 visa descrever o funcionamento dos m todos de reconhecimento facial esco e lhidos para a comparacao. No quarto captulo s o apresentados os resultados e experimentos obtidos com os algo a ritmos em bases de dados com diferentes caractersticas. O manual da ferramenta utilizada encontra-se no Ap ndice A. e No quinto e ultimo captulo e realizada a an lise dos resultados, comparando-se o desem a penho dos algoritmos em diferentes cen rios e do processo de realizacao deste trabalho. Al m a e disso, est o presentes nesse captulo as consideracoes nais e sugest es de trabalhos futuros. a o

15

RECONHECIMENTO FACIAL: UMA INTRODUCAO

Este captulo apresenta os principais conceitos relacionados a reconhecimento facial e um breve levantamento do estado da arte. 2.1 RECONHECIMENTO DE PADROES Segundo o dicion rio Aur lio (FERREIRA, 2005), padr o e uma metrologia grandezaa e a tipo que serve para denir uma unidade. Reconhecimento de padr es e o estudo de como o computadores podem analisar uma cena e aprender e distinguir padr es de interesse do que est o a sendo visto, bem como vericar e justicar decis es sobre as categorias dos padr es. o o Apesar de anos de pesquisa nesta area, problemas comuns de reconhecimento de padr es o (envolvendo orientacao, localizacao e escala arbitr rios) ainda n o possuem solucao. Aplicacoes a a novas e emergentes, tais como mineracao de dados, reconhecimento de faces e reconhecimento ` a de letras escritas a m o, exigem t cnicas robustas e ecientes (MARIN, 2001). e Alguns sistemas de reconhecimento incluem as etapas de aquisicao e/ou normalizacao de imagens; por m, tradicionalmente, um sistema de reconhecimento e constitudo de duas etapas e principais: treinamento (aprendizagem) e classicacao (teste). A Figura 1 mostra um uxo grama destas etapas.

Figura 1: Etapas de um sistema de reconhecimento. Fonte: (MARIN, 2001)

16

Na etapa de aprendizagem, os descritores (caractersticas/medidas especcas que variam dependendo da aplicacao) de cada padr o considerado s o utilizados para treinamento do al a a goritmo de classicacao. Na etapa de teste, tal algoritmo classica as entradas com base nos descritores extrados das mesmas. Exemplos de algoritmos de classicacao incluem k-vizinhos mais pr ximos e agrupamento (clustering) (PEDRINI; SCHWARTZ, 2008). o Tipicamente, a grande diculdade est na otimizacao do classicador, de forma que este a consiga distinguir futuras entradas (que ser o provavelmente diferentes dos exemplos utilizaa dos no treinamento). Portanto, quanto menos informacoes disponveis maior a diculdade de classicacao. Para evitar a necessidade de muitos conjuntos de testes independentes, normal mente as bases de dados s o divididas, para que uma parte seja utilizada para treinamento e a outra para os testes. 2.2 RECONHECIMENTO FACIAL O reconhecimento facial e um sistema biom trico que, por sua vez, e um sistema de ree conhecimento de padr es que estabelece a autenticidade de uma caracterstica siol gica ou o o comportamental possuda por um usu rio. S o exemplos de t cnicas biom tricas an lise de a a e e a impress es digitais e de informacoes sobre a ris. Estas, no entanto, possuem car ter invasivo, o a por precisarem da cooperacao dos participantes. As t cnicas de reconhecimento facial t m a e e vantagem de n o exigir a cooperacao dos participantes, ou nem mesmo seu conhecimento (ALa BERGARIA; SANTOS; JUNIOR, 2006). Os primeiros algoritmos de reconhecimento da face utilizavam modelos geom tricos sime ples, mas este processo j atingiu um nvel de maturidade que, hoje em dia, utiliza representacoes a matem ticas e processos de comparacao sosticados (ALMEIDA; BENT, 2008). a O reconhecimento automatizado da face e um conceito relativamente novo. No seu berco (d cada de 1960 e 1970), os sistemas eram semi-automatizados, e precisavam da colaboracao e do seu administrador para localizar caractersticas nas fotograas antes que o sistema pudesse calcular dist ncias para um ponto de refer ncia comum (ALMEIDA; BENT, 2008). a e Em 1987, Kirby e Sirovich aplicaram o princpio da an lise de componentes principais a (Principal Components Analysis - PCA), uma t cnica de c lculo, ao problema do reconhecie a mento de face, o que foi considerado uma esp cie de marco na area. O PCA mostrou que eram e necess rios menos de uma centena de valores para codicar com exatid o uma imagem da face. a a As imagens da base de dados, no entanto, precisam ser previamente normalizadas (em termos de orientacao, por exemplo) e devem possuir as mesmas dimens es (ALMEIDA; BENT, 2008). o

17

Em 1991, Turk e Pentland, motivados pela t cnica PCA, descobriram que o erro residual e podia ser utilizado para detectar faces em imagens, dando origem ao amplamente conhecido algoritmo Eigenfaces. Esta abordagem acabou por motivar o interesse para o desenvolvimento futuro de tecnologias de reconhecimento automatizado da face em tempo real (ALMEIDA; BENT, 2008). Atualmente, o crescimento das pesquisas na area de reconhecimento facial e evidenciado pelo surgimento de confer ncias na area (tais como International Conference on Automatic e Face and Gesture Recognition - AFGR e International Conference on Audio and Video-Based Person Authentication - AVBPA), e de t cnicas para avaliacoes empricas sistem ticas (como, e a por exemplo, a base Face Recognition Technology - FERET)(ZHAO; CHELLAPPA; ROSENFELD, 2003). 2.2.1 Reconhecimento Facial por Humanos

Um ponto de partida interessante para se construir t cnicas de reconhecimento ecientes e e compreender como funciona o sistema humano de reconhecimento de faces (ALBERGARIA; SANTOS; JUNIOR, 2006). Seres humanos utilizam todos os sentidos e conhecimento contextual para reconhecer algu m, e o que constitui uma limitacao para os computadores. Por utilizarem apenas imagens como en trada, os algoritmos s o forcados a serem apenas visuais. Em compensacao, as pessoas t m a e um limite de mem ria (n mero de faces das quais lembramos) e os computadores t m a vantao u e gem de poder lembrar de mais faces e expandir seu conhecimento (ZHAO; CHELLAPPA; ROSENFELD, 2003). A capacidade de reconhecer faces e entender as emocoes que elas transmitem e uma das primeiras habilidades que adquirimos. Segundo estudos (MARIN, 2001), beb s podem identie car a face de suas m es dentro de meia hora de nascimento. Devido ao contato com este tipo de a treinamento desde cedo, humanos t m a tend ncia de lembrar mais facilmente de faces que de e e outros objetos. Na maioria dos casos, os melhores reconhecedores de padr o s o os humanos, a a por m, ainda n o se sabe exatamente como os humanos reconhecem padr es (ALBERGARIA; e a o SANTOS; JUNIOR, 2006) (STERGIOU, 2003). Existem fatores que dicultam o reconhecimento de faces para humanos. Por exemplo, quando a iluminacao est de baixo para cima, o reconhecimento torna-se mais difcil. Ou a tra consideracao sobre este processo e que rostos familiares s o mais facilmente reconhecidos a em movimento do que em fotos est ticas. Al m disso, caractersticas especcas de uma face a e

18

tamb m facilitam o reconhecimento (ZHAO; CHELLAPPA; ROSENFELD, 2003)(ALBERe GARIA; SANTOS; JUNIOR, 2006). Estudos apontam que o processo de reconhecimento de faces e separado do de um objeto qualquer e independente do reconhecimento de express es (faciais) (ZHAO; CHELLAPPA; o ROSENFELD, 2003)(ALBERGARIA; SANTOS; JUNIOR, 2006). 2.2.2 Reconhecimento Facial por Computadores

O problema de reconhecimento facial autom tico, realizado por computadores, pode ser a enunciado da seguinte maneira: a partir de imagens est ticas ou de um vdeo, identicar ou a vericar uma ou mais pessoas da cena usando um banco de faces (base de dados) (ZHAO; CHELLAPPA; ROSENFELD, 2003). Pode-se ent o dividir os desaos e t cnicas em dois grandes grupos: os que utilizam imaa e gens est ticas e os que utilizam imagens em movimento como entrada. Cada um destes grupos a possui suas pr prias caractersticas, tais como qualidade da imagem, posicao, fundo e quantio dade de entradas. O foco deste trabalho est voltado para t cnicas que utilizam imagens est ticas.A solucao a e a para este problema, envolve tr s etapas: (1) deteccao / segmentacao da face (2) extracao de e caractersticas e (3) reconhecimento / vericacao de faces. Estas etapas ser o discutidas em a mais detalhes a seguir. A m de replicar o processo de reconhecimento por humanos, foram propostas duas abordagens principais: a holstica e a baseada em caractersticas. A abordagem holstica compreende m todos baseados na apar ncia da face como um todo. Por outro lado, a abordagem baseada e e em caractersticas leva em conta a an lise de sub-regi es de interesse da face (ALBERGARIA; a o SANTOS; JUNIOR, 2006). As duas abordagens s o cruciais para a percepcao e reconhecimento de faces. Este trabalho a ` visa ao estudo das t cnicas Eigenfaces e EBGM, as quais pertencem a abordagem holstica e e baseada em caractersticas, respectivamente. Atrav s deste estudo, objetiva-se identicar as e vantagens (e desvantagens) de cada m todo, possibilitando que trabalhos futuros possam utilizar e tais informacoes para, por exemplo, determinar a t cnica mais adequada ao caso especco e considerado.

A seguir, s o discutidas brevemente as principais etapas do reconhecimento de a faces (ALBERGARIA; SANTOS; JUNIOR, 2006).

ETAPAS

19

Deteccao/Segmentacao de Faces: a abordagem holstica apresenta melhores resultados nesta etapa (ALBERGARIA; SANTOS; JUNIOR, 2006), a qual apresenta v rias dia culdades com relacao aos dados de entrada. Apesar de ter avancado muito nos ultimos ` anos, ainda existem muitas diculdades relacionadas a qualidade da imagem como, por exemplo, a presenca de diferentes tipos de rudo, iluminacao, resolucao, pose (rotacao no plano e em profundidade), fundos heterog neos e diferentes tamanhos de face (relacioe ` nada a proximidade). Para ns de pesquisa, foram criadas bases p blicas de imagens pr -formatadas com as u e mesmas dimens es. Essas bases t m diferentes caractersticas, por exemplo: podem cono e ter v rias imagens de uma mesma pessoa ou n o, as imagens podem ser coloridas ou n o, a a a o fundo dessas imagens pode ter sido tratado (est homog neo) ou n o. a e a Extracao de caractersticas: At mesmo os m todos holsticos precisam da localizacao e e precisa de caractersticas da face. Esta etapa e a chave tanto para a segmentacao quanto para o reconhecimento de faces (ZHAO; CHELLAPPA; ROSENFELD, 2003). Seus m todos podem ser divididos da seguinte forma: (a) geom tricos - baseados em arestas e e e curvas, (b) baseados em modelos - utilizando caractersticas da face, tais como olhos e boca e (c) baseados em casamentos de estruturas - que levam em consideracao restricoes geom tricas das caractersticas (ALBERGARIA; SANTOS; JUNIOR, 2006). e Reconhecimento/Vericacao: pode ser dividido em tr s grupos de m todos (ALBERGA e e RIA; SANTOS; JUNIOR, 2006): M todos holsticos: a primeira demonstracao realmente de sucesso de reconhecie mento de faces por computadores foi apresentada por Turk e Pentland (TURK; PENTLAND, 1991), usando Eigenfaces para deteccao e identicacao. Este m todo e ser discutido detalhadamente no Captulo 3. Posteriormente, foram obtidos muitos a avancos nos m todos holsticos, a ponto de se obter uma taxa de acerto superior a e 95% para vis o frontal de faces (ALBERGARIA; SANTOS; JUNIOR, 2006). a M todos baseados em caractersticas: diversos m todos baseados em caractersticas e e j foram propostos. Os mais satisfat rios s o baseados na abordagem EBGM (WISa o a ` KOTT et al., ). Eles t m sido aplicados a deteccao e extracao de faces, estimacao e de pose, classicacao de sexo e reconhecimento de objetos em geral. O sucesso ` desta t cnica parece estar relacionado a sua semelhanca como sistema visual hue mano (ZHAO; CHELLAPPA; ROSENFELD, 2003). M todos hbridos: utilizam tanto caractersticas holsticas quanto locais (atrav s de e e algoritmos gen ticos por exemplo). Trabalhos como o de Albergaria e colaboradores e

20

(ALBERGARIA; SANTOS; JUNIOR, 2006) mostram que esta abordagem pode aumentar a taxa de acerto, sugerindo que sua utilizacao e promissora. Por m, ao e mesmo tempo, os autores apontam a necessidade de realizar mais experimentos e de forma mais rgida, para que sejam obtidas conclus es denitivas. o Utilizando o banco de faces FERET, experimentos (ZHAO; CHELLAPPA; ROSENFELD, 2003) apontam os m todos baseados em EBGM, em subspacos de An lise de Discriminante e a Linear (Linear Discriminant Analysis - LDA) e em Eigenfaces como tr s dos mais ecientes e para reconhecimento de faces (ALBERGARIA; SANTOS; JUNIOR, 2006). Por esta raz o, a EBGM e Eigenfaces foram escolhidos como objeto do estudo comparativo a ser realizado neste trabalho.

QUESTOES EM ABERTO

Apesar das diversas pesquisas na area, bem como das taxas elevadas de reconhecimento em algumas delas, ainda existem v rias quest es em aberto: a o Muitas vezes, n o se tem uma base de dados com v rias imagens de um mesmo indivduo a a disponveis. E preciso ent o realizar transformadas de imagens, que alteram a forma a de representar a imagem, de forma que estas fornecam informacoes que permitam uma an lise mais precisa dos dados (PEDRINI; SCHWARTZ, 2008), ou seja, outras imagens a s o geradas, a m de aumentar o n mero de imagens de refer ncia; a u e Apesar de diversas t cnicas terem sido propostas pela literatura, ainda n o existe uma e a abordagem que seja superior em todos os cen rios, pois elas sempre consideram uma a s rie de condicoes e limitacoes, sendo focadas em resolver um ou outro problema (STERe GIOU, 2003); Como reportar n o somente a presenca de uma face, mas tamb m a sua localizacao prea e cisa e suas caractersticas sob diferentes condicoes (ALBERGARIA; SANTOS; JUNIOR, 2006); Como modelar variacoes de faces sob condicoes realistas, tais como fundos heterog neos e e envelhecimento, por exemplo. O pr ximo captulo cont m a descricao do funcionamento dos algoritmos Eigenfaces e EBGM, o e escolhidos para este estudo comparativo.

21

DELINEAMENTO DO ESTUDO

Este trabalho tem como objetivo a comparacao de dois m todos de reconhecimento fa e cial, sendo um deles baseado em caractersticas globais (que utilizam toda a regi o do rosto a para obter uma representacao da imagem (SILVA, 2009)) e outro baseado na localizacao de caractersticas tais como nariz, boca e olhos. Para isso foram utilizados, respectivamente, os algoritmos Eigenfaces e EBGM. Este captulo trata do funcionamento de cada um, visando compreend -los para depois realizar experimentos direcionados e analis -los corretamente. e a 3.1 EIGENFACES O reconhecimento de imagens utilizando Eigenfaces foi proposto por Turk e Pentland (TURK; PENTLAND, 1991) em 1991. Segundo eles, a id ia partiu do desenvolvimento das e t cnicas de Sirovich e Kirby (1987) com a representacao eciente de fotos de faces utilizando e Principal Component Analysis (PCA), tamb m conhecido como an lise de componentes prine a cipais. A Figura 2 mostra o diagrama que representa os passos do algoritmo.

Figura 2: Etapas do algoritmo Autofaces

22

Inicialmente, e necess rio que o conjunto de faces utilizado seja processado de tal forma a que todas as imagens tenham o mesmo tamanho e que a posicao do rosto esteja alinhada, por exemplo. E esta etapa (Passo 1) constr i a denominada base de treinamento. O pr ximo passo o o consiste no c lculo da face m dia desta base, a qual ser subtraida de cada imagem da base a e a (Passo 2). Estes resultados, os quais representam a diferenca de cada imagem com relacao a ` m dia, s o utilizados para construir uma matriz de covari ncia (Passo 3). e a a Em seguida e feita a reducao da dimensionalidade da matriz atrav s da an lise de compo e a nentes principais, que basicamente forma uma matriz nova com os autovalores e autovetores mais signicativos da matriz de covari ncia (Passo 4). Atrav s da matriz encontrada, e feita a a e comparacao das dist ncias de cada imagem em relacao a uma imagem de entrada. Nesta etapa, a podem ser utilizadas, duas formas para c lculo da dist ncia: a Euclidiana e a de Mahalanobis. a a ` Essa comparacao vai determinar qual imagem da base e mais similar a de entrada (Passo 5). Estes passos s o brevemente descritos a seguir. a 3.1.1 Passo 1: Obter um Conjunto de Faces

Neste passo, um conjunto de imagens formado por faces diferentes e dinido. Para o cor reto funcionamento do algoritmo, e preciso que estas possuam o mesmo tamanho, as mesmas condicoes de iluminacao e elementos faciais alinhados. Este conjunto, formado por imagens em nveis de cinza, e denominado conjunto de treinamento. A Figura 3 ilustra um exemplo.

Figura 3: Conjunto de Imagens de Treino. Fonte: (ALBERGARIA; SANTOS; JUNIOR, 2006)

23

Como esse algoritmo utiliza uma abordagem holstica, cada face deve ser analisada como um todo. Com isso cada imagem e transformada em um vetor de pixels (BORDINI; KOTO VICZ, 2010). Na Figura 4 e apresentada uma imagem de face com sua largura (n) e sua altura (m).

Figura 4: Imagem de uma face. Fonte: modicado da (BORDINI; KOTOVICZ, 2010)

Incialmente, e encontrada a dimens o da imagem atrav s do c lculo: N = nm. Em seguida a e a e criado um vetor i , de tamanho N, que representa uma imagem da base. Onde i e o n mero u da imagem.Na Figura 5 e ilustrado um vetor da imagem.

Figura 5: Vetor i . Fonte: modicado da (BORDINI; KOTOVICZ, 2010)

A partir disso e criado um conjunto chamado R , que cont m M imagens. Portanto: e R = {1 , 2 , 3 , . . . , M } 3.1.2 Passo 2: Encontrar a Face M dia e

A exist ncia de semelhancas faciais entre indivduos diferentes possibilita a criacao de e um padr o facial. Com o intuito de encontrar tal padr o no conjunto R, e calculada a m dia a a e aritm tica do somat rio dos vetores das faces. Cada posicao desse novo vetor criado repree o senta as caractersticas das imagens originais (BORDINI; KOTOVICZ, 2010). Este novo vetor e denido na Equacao 1.

24

1 i M i

(1)

Portanto, considerando R um conjunto com M faces, pode-se estimar esses espacos de faces a partir da face m dia . Um exemplo e ilustrado na Figura 6). e

Figura 6: Face M dia. e Fonte: (ALBERGARIA; SANTOS; JUNIOR, 2006)

A partir da face m dia encontrada, e realizada a sua subtracao de cada face do conjunto R. e Dessa modo pode-se identicar as caractersticas de cada face que diferem da face m dia ou, e em outras palavras, pode identicar as caractersticas discriminativas de cada face. A Equacao 2 representa esta operacao.

i = i 3.1.3 Passo 3: Calcular a Matriz de Covari ncia a

(2)

Calcula-se a matriz de covari ncia a partir das faces subtradas, encontradas no passo antea rior (VASCONCELOS, 2007). A matriz A e formada da seguinte forma: A = (i ...M ) Agora observe a mesma matriz de uma outra perpectiva, Figura 7. A Figura 8 ilustra a transposta de A, denotada por AT . A partir disso pode-se calcular a matriz de covari ncia, assim como especicado na Equacao a 3. Note que este procedimento resulta na m dia do produto de cada subtracao, realizada anterie

25

Figura 7: Matriz de A. Fonte: modicado de (BORDINI; KOTOVICZ, 2010)

Figura 8: Matriz de AT . Fonte: modicado de (BORDINI; KOTOVICZ, 2010)

26

ormente, por ela mesma (VASCONCELOS, 2007). A matriz resultante ser NxN. a 1 AAT M

C=

(3)

3.1.4

Passo 4: Reduzir a dimensionalidade da Matriz

Neste passo e realizada a reducao da dimensionalidade da matriz A a partir da utilizacao do m todo de an lise de componentes principais (PCA). Este m todo requer a utilizacao da matriz e a e de covari ncia que foi encontrada no passo anterior. Abaixo ser explicado como e realizado a a o m todo PCA, sem o uso de equacoes, para que uma imagem da face possa ser representada e dentro de um determinado espaco de faces. Em um espaco linear, para realizar um reconhecimento estatstico, as imagens podem ser tratadas como padr es segundo o m todo PCA (VASCONCELOS, 2007). O PCA e um dos o e mais conhecidos m todos de an lise multivariada, que estuda quais s o os componentes prine a a cipais dentro de um grande n mero de dados e e fundamentado na reducao e simplicacao u desses dados. Mesmo havendo perda de informacao, e assegurado que as mais relevantes n o s o perdidas/descartadas (ALMEIDA, 2006). Em reconhecimento de padr es, no caso a a o especco o de faces, e sempre desej vel dispor de uma representacao compacta da imagem da a face.(VASCONCELOS, 2007)

Figura 9: Exemplo ctcio da utilizacao do PCA em uma unica face.

Para a utilizacao do m todo PCA e criada uma matriz P, composta pelos maiores autove e tores ligados aos maiores autovalores da matriz de covari ncia (TOMEI, 2004). Na Figura 9 e a ilustrado um exemplo ctcio desse m todo em uma face, onde gr co abaixo da face original e a

27

representa todos os autovalores da mesma, e o gr co abaixo da Eigenface representa a reducao a destes valores para apenas os mais signicativos, ap s a realizacao do PCA. A nalidade desse o processo e a reducao dimensional da matriz, que passa a ter um tamanho de MxM. Na Equacao 4 e criada a matriz E, que cont m as Eigenfaces, que representam as caractersticas de uma e face comum e as principais caractersticas de cada uma das faces do conjunto de treinamento, a partir do produto da A e P, onde P e a matriz encontrada pelo PCA.(BORDINI; KOTOVICZ, 2010) Na Figura 10 s o ilustradas as Eigenfaces resultantes do processo quando considerada a a base mostrada na Figura 3.

ENxM = ANxM PMxM

(4)

Figura 10: Exemplo de Eigenfaces. Fonte: (BORDINI; KOTOVICZ, 2010)

Nas Eigenfaces encontradas e aplicada a Equacao 5 que mostra como uma imagem da face pode ser representada no espaco de faces. Dado j , como a projecao da imagem de j (JARDIM, 2008). Podemos ter a projecao de no espaco de faces atrav s de : e
K

= + j j
j=1

(5)

Os coecientes de no espaco de faces representado por =| 1 ...k | (JARDIM, 2008).

28

3.1.5

Passo 5: Comparacao das dist ncias a

Neste ultimo passo do algoritmo, e realizada a comparacao das imagens do conjunto de treinamento com uma imagem de teste. Para esse c lculo, pode-se utilizar duas formas de a encontrar a dist ncias entre as imagens. Uma e a Euclidiana, que utliza um c lculo simples de a a dist ncia entre dois pontos dentro de um espaco (JARDIM, 2008), e a outra e de Mahalanobis, a que se utiliza das vari ncias e covari ncias da face para calcular a dist ncia (CASTRO, 2005). a a a Dada uma face qualquer com um conjunto de coecientes (JARDIM, 2008). Podemos denir a dist ncia intrnseca, que e a Euclidiana, entre duas faces de acordo com a Equacao 6. a

di (, j ) = j

(6)

Uma das formas de decidir se uma determinada face e ou n o uma face da base de dados a e utilizar a norma de Mahalanobis. Pode-se determinar os autovalores (encontrado atrav s do e PCA) como denido na Equacao 7. 1 j (i i )2 i i=1
K

(7)

3.2 ELASTIC BUNCH GRAPH MATCHING (EBGM) Como descrito anteriormente, o EBGM e um m todo de reconhecimento facial baseado e em caractersticas. Esse sistema tem como cerne uma estrutura que considera que os objetos tendem a girar; mudar de escala, posicao e iluminacao; e se deformar no plano da imagem (ALMEIDA; BENT, 2008)(WISKOTT et al., ). Leva-se em conta, portanto, que as faces dos seres humanos t m uma mesma topologia. O e algoritmo pressup e que as posicoes de certos pontos (ducial points) s o conhecidas e arquiva o a informacoes sobre as faces atrav s da convolucao dos pixels ao redor de um certo ponto (que e representa uma caracterstica) com Wavelets de Gabor (Gabor wavelets) de tamanhos vari veis. a Na etapa de treinamento, as coordenadas desses pontos s o conhecidas (informadas manuala mente para as imagens de treinamento). Os resultados dessas convolucoes formam o jet deste ponto. Atrav s deste m todo, a face e retratada por meio de um grafo (Grafo de Face), no qual os e e n s (caractersticas) s o rotulados por jets e as arestas s o rotuladas pelas dist ncias entre os o a a a jets.

29

As imagens de treinamento s o agrupadas numa estrutura chamada Grafo Agrupado de a Face (Face Bunch Graph - FBG), que e o modelo usado para a identicacao ou seja, o modelo de todos os indivduos que o sistema pode reconhecer. Para cada imagem de teste, primeiramente e estimada a posicao de cada ducial point (baseada nas posicoes dos pontos no FBG). Ent o, os jets s o extrados desses pontos e um Grafo de Face e formado. Essa a a capacidade de localizar automaticamente as caractersticas e uma das maiores vantagens do EBGM. Depois do Grafo de Face ter sido construdo, ele e ent o comparado com todos os a membros do FBG, usando medidas de similaridade para detrminar a identidade da pessoa na imagem de teste (STERGIOU, 2003). A Figura 11 mostra um uxograma que ilustra a implementacao deste algoritmo. A partir de um conjunto de imagens normalizadas e da selecao manual dos ducial points, o algoritmo passa pela fase de treinamento, na qual aprendea localizar os pontos de refer ncia e a clase sicar as faces que fazem parte deste conjunto de dados (cujas informacoes s o armazenadas a no FBG). Na fase seguinte (fase de teste), ao receber uma imagem normalizada, o algoritmo e capaz de localizar os ducial points automaticamente. Com os ducial points e a nova imagem, a o algoritmo gera o Grafo de Face da imagem dada, que e ent o comparado com os outros Grafos de Face contidos no FBG. 3.2.1 Wavelets de Gabor (Gabor Wavelets)

O EBGM utiliza Gabor Wavelets para processar a imagem. Cada wavelet consiste de um conjunto de coecientes de convolucao de um pixel da imagem. Para obter uma descricao apu rada e abrangente de uma caracterstica numa imagem, e necess ria a convolucao do respectivo a ducial point com uma s rie de wavelets. Estas possuem par metros controlam sua orientacao, e a frequ ncia, fase, tamanho e raz o de apar ncia (aspect ratio, que indica se a wavelet mais ree a e donda ou mais achatada) (STERGIOU, 2003). Essa s rie de convolucoes forma os jets, que ser o descritos no item 3.2.2 . Al m disso, e a e elas permitem que, ao comparar jets que representem a mesma caracterstica (ponta do nariz, por exemplo) em duas imagens diferentes, seja considerada a rotacao do ponto, permitindo que o Grafo de Face possa ser deformado (rotacionado, esticado). Deste modo, pode-se obter um reconhecimento mais preciso. Na Figura 12 est o representados os parametros da Transformada Wavelet. As Figuras a 12(a)-(e) mostram, respectivamente: diferentes orientacoes de uma wavelet, diferentes freq encias, u diferentes fases, diferentes tamanhos e diferentes aspect ratios.

30

Figura 11: Fluxograma do Algoritmo EBGM(Adaptado). Fonte: (STERGIOU, 2003)

3.2.2

Jets

O algoritmo EBGM usa jets para representar informacoes de uma caracterstica facial. Um jet e o conjunto de coecientes obtidos atrav s da transformada (utilizando wavelets de Gabor) e aplicada na vizinhanca de um dado ducial point. Deste modo, e possvel determinar carac tersticas que discriminam tal regi o. a 3.2.3 Comparacao de Jets

Para comparar dois jets, e calculada a sua similaridade e o deslocamento estimado para os jets que correspondem aos mesmos ducial points em outra imagem. Aqui, a distorcao da imagem tamb m e levada em conta, permitindo que as imagens apresentem faces com diferentes e poses (rotacoes no plano e em profundidade) (STERGIOU, 2003). Tipicamente, s o utilizadas tr s funcoes de similaridade: Similaridade de Magnitude, Simia e

31

Figura 12: Par metros da transformada wavelet de Gabor. a Fonte: (STERGIOU, 2003)

laridade de Fase e Similaridade de Deslocamento (STERGIOU, 2003) (BOLME, 2003). Similaridade de Magnitude (Magnitude Similarity MS): essa medida utiliza informacoes sobre as frequ ncias. O resultado e uma similaridade baseada nas magnitudes, represene tada pela Equacao 8: N a j a j j=1 N a2 N a j2 j=1 j j=1

Sa (J, J ) =

(8)

em que N e o n mero de coecientes wavelet constituintes de um Jet; J e J s o os u a jets comparados. Esse m todo tolera pequenos deslocamentos entre os pontos sendo e comparados, mas n o leva em conta a fase. a Similaridade de Fase (Phase Similarity - PS): varia de -1 a 1. E baseada na similaridade de magnitudes, por m a similaridade dos angulos das fases e levada em consideracao. e

32

Portanto, s atinge valores altos quando tanto a magnitude quanto os angulos das fases o s o similares. Esta similaridade e calculada pela Equacao 9, na qual a fase e representada a por . S (J, J ) = N a j a j cos( j j ) j=1 N a2 N a j2 j=1 j j=1 (9)

Similaridade de Deslocamento (Displacement Similarity - DS): procura corrigir pequenos deslocamentos na PS. Estima a similaridade como se um Jet J tivesse sido extrado a um deslocamento d da sua localizacao atual. Esta medida de similaridade e baseada nas outras duas (portanto cont m as informacoes de fase) e calculada pela Equacao 10. e N a j a j cos( j ( j + d.k j )) j=0 N a2 N a j2 j=0 j j=0

SD (J, J , d) =

(10)

em que o vetor de deslocamento d (Equacao 11) e k (Equacao 12). dx dy


2.cos 2.sin

d=

(11)

k=

(12)

3.2.4

Grafos de Face

Um Grafo de Face e a estrutura utilizada internamente pelo EBGM para representar uma face (tanto na etapa de treinamento quanto na de teste). Ele e essencial por dois motivos. Primeiro, cont m todas as informacoes uteis de uma imagem para o reconhecimento. Segundo, e uma vez montado, a imagem original pode ser descartada. Isso implica na reducao do espaco de armazenamento e aumento da rapidez no reconhecimento. A Figura 13 mostra os passos necess rios para a transformacao da imagem original no seu a Grafo de Face. A partir da imagem original, s o gerados os coecientes a partir da transformada a wavelet. A segunda imagem representa o resultado da transformada wavelet de um ducial point. Depois, tem-se uma representacao de jet que, no caso do exemplo representado na ima gem, posui um conjunto de 12 wavelets. As caractersticas mais facilmente percebidas s o os 3 a diferentes tamanhos, e as 4 diferentes orientacoes das wavelets. Por ultimo, est representado o a Grafo de Face, considerando-se 9 ducial points.

33

Figura 13: Da imagem original ao grafo. Fonte: (STERGIOU, 2003)

3.2.5

Face Bunch Graph

O Face Bunch Graph (FBG) e o modelo principal do algoritmo, tanto para a estimacao dos pontos de interesse, quanto para a identicacao das imagens de teste. Ap s a etapa de o treinamento, todos os Grafos de Face das imagens da base de dados s o combinados no FBG a (representado na Figura 14). Portanto ele cont m toda a informacao da base de dados. e

Figura 14: Face Bunch Graph. Fonte: (STERGIOU, 2003)

34

Ao comparar uma face, o algoritmo pode misturar e combinar olhos, bocas e narizes de forma que cada ponto tenha a melhor localizacao. Portanto, quanto mais estados da face de uma pessoa estiverem contidos na base de dados, melhor a precis o do algoritmo (STERGIOU, a 2003).

35

EXPERIMENTOS E ANALISE DOS RESULTADOS

Este captulo tem como nalidade apresentar a ferramenta utilizada nos experimentos. Al m disso, ser o discutidos os experimentos e analisados os resultados alcancados. e a 4.1 EXPERIMENTOS Os experimentos s o divididos em tr s etapas, sendo elas: a e 1. Normalizacao das imagens (convers o para o formato adequado); a 2. Execucao dos algoritmos; 3. Geracao dos resultados. Para a normalizacao, as imagens devem estar no formato Portable Gray Map ( PGM), que tem o menor tamanho para imagens em tons de cinza. A partir destas imagens, s o criados a dois arquivos. Um de formato Single Float Image ( SFI), que armazena os pontos utuantes da imagem PGM; e outro de formato PGM, por m modicado, no qual se destaca a face da e imagem original para que seja testada. Utilizando-se essas imagens, os algoritmos discutidos na secao anterior (Eigenfaces e EBGM) s o aplicados. Para tal, foi utilizado o c digo fonte disponvel em (COLORADO STATE UNIa o VERSITY (CSU), 2011), assim como discutido na sequ ncia. e Por m, s o gerados os resultados, a partir da execucao dos algoritmos. Estes resultados a est o em formato .txt e armazenam as informacoes que ser o explicadas no item 4.2 e utilizadas a a para a comparacao dos algoritmos. Para servir de apoio ao entendimento da ferramenta, foi desenvolvido um manual que ensina passo a passo como realizar os experimentos descritos acima. Ele est presente no ap ndice, a e e sua elaboracao foi motivada pela diculdade em encontrar tais informacoes diretamente na p gina da ferramenta. Abaixo est a descricao da ferramenta utilizada nos experimentos. Al m a a e

36

disso, uma explicacao sobre base de imagens, grupos de imagens a ser analisados e como foram testadas. 4.1.1 Ferramenta de Testes

A ferramenta The CSU Face Identication Evaluation System, utilizada para a realizacao dos experimentos, foi desenvolvida pela Universidade do Colorado, dos Estados Unidos, e tem como objetivo testar os algoritmos mais conhecidos de reconhecimento de faces; entre eles est o o Eigenfaces e o EBGM. (COLORADO STATE UNIVERSITY (CSU), 2011) a Como j mencionado, um guia pr tico da sua instalacao, insercao da base de imagens utia a lizada (descrita no item seguinte), preparacao das imagens, realizacao dos testes e geracao de resultados encontra-se no Ap ndice A. e 4.1.2 Base de Imagens Facial Recognition Technology (FERET)

A base de imagens utilizada prov m de um programa mantido pelo Departamento de Dee fesa dos Estados Unidos, chamado FERET (NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY (NIST), 2011). O seu primeiro objetivo era desenvover tecnologias para reconhecimento facial automatizado, que poderiam ser empregadas na seguranca, intelig ncia e e reforco da lei. O corpus de imagens foi projetado para apoiar testes de governo e avaliacao de algoritmos de reconhecimento facial, utilizando um protocolo de testes e procedimentos. Ela possui cerca de 14 mil imagens, que est o sob diferentes angulos, iluminacao, pose, etc. As imagens foram a capturadas de forma sequencial, sendo que s o 13 imagens de cada pessoa. Na Figura 15 est o a a representados os diferentes angulos utilizados pela base. As imagens utilizadas pelos testes s o dos seguintes grupos: a FA: Imagens frontais, com express o facial regular. a FB: Imagens frontais, com express o facial alternativa. a BA: S rie frontal B. e BJ: Express o alternativa em relacao a BA. a BK: Diferente iluminacao em relacao a BA.

37

Figura 15: Posicoes de imagens da base FERET. Fonte: (NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY (NIST), 2011)

A escolha dessas imagens para os teste foi feita por parte dos desenvolvedores da ferramenta; uma vez que esta n o possibilita a troca das mesmas, impedindo utilizacao de outras a s ries nos testes sem modicacao do c digo. e o A partir das s ries, ou grupos, de imagens e montada uma lista de imagens que v o ser utie a lizadas nos testes. Como n o foi possvel a criacao de uma nova lista de imagens, foi utilizada a a fornecida pela ferramenta. As lista de imagens utilizadas s o: DUP1 que e formada por imaa gens duplicadas das s ries FA, FB, BA, BJ e BK; DUP2 que e formada por imagens duplicadas e das mesmas s ries da DUP1 ,com a diferenca na quantidade de imagens; FAFB que e formado e pelas imagens das s ries FB e BJ; FAFC que e formada pelas imagens da s rie BK. A Tabela 2 e e descreve quais as s ries de imagens est o presentes nas listas. e a
Tabela 2: Lista de Imagens utilizadas nos experimetos

Lista de Imagens DUP1 DUP2 FAFB FAFC

S ries de imagens e FA - FB - BA - BJ - BK FA - FB - BA - BJ - BK FB - BJ BK

38

4.2

RESULTADOS Os resultados gerados pelos experimentos descritos acima s o armazenados em arquivos a

.txt, que s o codicados em ASCII tabular, dando possibilidade de se copiar seu conte do para a u um programa de planilha eletr nica. Para cada lista de imagens s o gerados dois arquivos. o a Um correspondente a taxa de comparacao Recognition Rank, que signica a quantidade de comparacoes realizadas at que a imagem fosse encontrada. Para melhor compreens o observar e a a Tabela 3, que apresenta as 10 primeiras linhas do arquivo DUP1 images.txt. O outro arquivo corresponde a duas taxas de comparacao. A primeiro e a Recoginition Count, que signica a quantidade de imagens corretamente reconhecidas usando um n mero u limitado de comparacoes (ou seja, e estabelecido um Recognition Rank m ximo para conside a rar a imagem corretamente classicada). O segundo e o Recognition Rate, que e o Recognition Count dividido pelo n mero total de imagens na lista testada, ou seja, a porcentagem de imau gens reconhecidas dentro de um conjunto de imagens considerando um n mero m ximo de u a comparacoes. Para melhor compreens o observar observar a Tabela 4 e Tabela 5, que apresenta a as 10 primeiras linhas do arquivo DUP1 Curve.txt de maneira dividida o Recognition Count e o Recognition Rate, respectivamente.
Tabela 3: As 10 primeiras linhas do arquivo DUP1 images.txt (modicado)

Imagem de Prova 00002fa001d 931230.s 00002fa010 940128.s 00002fa010 940422.s 00002fa010 940928.s 00002fb001d 931230.s 00002fb010 940128.s 00002fb010 940422.s 00002fb010 940928.s 00003fa010 940307.s 00003fa010 941121.s

EBGM Eigenfaces Eucli. Eigenfaces Maha. 272 587 885 267 650 655 845 167 15 788 264 355 513 224 378 423 542 200 12 529 68 997 453 13 673 796 260 19 0 185

Com o intuito de relembrar os principais pontos abordados anteriormente, na Tabela 6 s o a descritas as taxas de reconhecimento.

39

Tabela 4: As 10 primeiras linhas do arquivo DUP1 Curve.txt (modicado) apresentando o Recognition Count

Rank EBGM Eigenfaces Eucli. Eigenfaces Maha. 0 1 2 3 4 5 6 7 8 9 396 440 459 472 481 490 501 506 513 518 244 279 294 311 330 345 351 364 371 377 320 354 372 385 395 404 411 416 426 430

Tabela 5: As 10 primeiras linhas do arquivo DUP1 Curve.txt (modicado) apresentando o Recognition Rate

Rank 0 1 2 3 4 5 6 7 8 9

EBGM 0,548476 0,609418 0,635734 0,65374 0,666205 0,67867 0,693906 0,700831 0,710526 0,717452

Eigenfaces Eucli. Eigenfaces Maha. 0,33795 0,386427 0,407202 0,430748 0,457064 0,477839 0,48615 0,504155 0,51385 0,522161 0,443213 0,490305 0,515235 0,533241 0,547091 0,559557 0,569252 0,576177 0,590028 0,595568

Os resultados apresentados a seguir foram divididos n o por experimentos (grupos de imaa gens) diferentes, mas por tipo de avaliacao dos seus resultados, ou seja, est o separados os a resultados de Recognition Rank, Recognition Count e Recognition Rate. Em cada grupo (Rank, Count e Rate) est o os resultados das listas de imagens DUP1, DUP2, FAFB e FAFC. a

40

Tabela 6: As Taxas de Reconhecimento

Taxa de Reconhecimento Recognition Rank Recognition Count Recognition Rate Rank

Descricao e a quantidade de vezes que foi realizado, a comparacao das dist ncias entre a imagem procurada e o conjunto de imagens a e o n mero de imagens de prova corretamente reconhecidas u em um dado n mero m ximo de comparacoes (rank) u a e a porcentagem de imagens reconhecidas dentro de um conjunto de imagens e o n mero que dene quanto o Recognition Rank u precisa ter ou ser inferior

4.2.1

Gr cos de Rank a

O gr co de Rank (Figuras 16, 17, 18 e 19) e formado pelas taxas Recognition Rank de cada a um dos algoritmos estudados, para cada imagem de prova. Na legenda ao lado e apresentado o smbolo e a cor que representa cada algoritmo.

Figura 16: Gr co de Rank da lista de imagens DUP1. a

Atrav s dos gr cos e possvel notar que o conjunto com melhores resultados por parte e a dos tr s algoritmos analisados foi o FAFB. Os algoritmos EBGM e Eigenfaces Mahalanobis e obtiveram resultados relativamente pr ximos em todos os testes. No entanto, o Eigenfaces o Euclideano obteve desempenho inferior (maior n mero de comparacoes para reconhecer uma u

41

Figura 17: Gr co de Rank da lista de imagens DUP2 . a

Figura 18: Gr co de Rank da lista de imagens FAFB. a

imagem), especialmente no teste envolvendo variacoes de iluminacao nas imagens (FAFC). A Tabela 7 cont m a m dia dos valores de Rank obtidos em cada teste. A moda de todos e e os algoritmos em todos os testes foi 0. 4.2.2 Gr cos de Count a

O gr co de Count (Figuras 20, 21, 22 e 23) e formado pelas taxas de Recognition Count a de cada um dos algoritmos estudados, em um dado rank. Na legenda ao lado e apresentado o

42

Figura 19: Gr co de Rank da lista de imagens FAFC . a Tabela 7: M dia de Rank por teste e

Algoritmo EBGM Eigenfaces Euclideano Eigenfaces Mahalanobis

DUP1 68,37 114,53 67,85

DUP2 59.98 138,51 104,97

FAFB FAFC 1,56 7,8 6,62 157,77 4,92 15,91

smbolo e a cor que representa cada algoritmo estudado.

Figura 20: Gr co de Count da lista de imagens DUP1. a

` Para este grupo, e importante ressaltar que os resultados mais relevantes s o os mais a esa

43

Figura 21: Gr co de Count da lista de imagens DUP2. a

Figura 22: Gr co de Count da lista de imagens FAFB. a

querda no gr co, uma vez que representam o n mero de imagens reconhecidas com os menores a u ranks. O algoritmo EBGM apresentou os melhores resultados em todos os grupos de imagens, destacando-se no experimento DUP2, que cont m um terco do n mero de imagens de DUP1, e e u no qual os outros dois algoritmos apresentaram diculdades. O experimento no qual os algoritmos obtiveram desempenho mais semelhante foi o FAFB. No experimento envolvendo mudancas de iluminacao nas imagens (FAFC), o algoritmo

44

Figura 23: Gr co de Count da lista de imagens FAFC. a

Eigenfaces Euclidiano apresentou maiores diculdades para reconhecer os indivduos. 4.2.3 Gr cos de Rate a

O gr co de Rate (Figuras 24, 25, 26 e 27) e formado pelas taxas de Recognition Rate de a cada um dos algoritmos estudados, em um dado rank de um Recognition Count. Na legenda ao lado e apresentado o smbolo e a cor que representa cada algoritmo estudado.

Figura 24: Gr co de Rate da lista de imagens DUP1. a

Estes resultados apresentam a porcentagem de imagens reconhecidas corretamente no con-

45

Figura 25: Gr co de Rate da lista de imagens DUP2. a

Figura 26: Gr co de Rate da lista de imagens FAFB. a

junto testado. O EBGM apresentou melhores resultados, como era esperado (tendo em vista os resultados anteriores). Se sobressai no experimento DUP2, que cont m um n mero de imagens e u reduzido em relacao a DUP1. O Eigenfaces Euclideano apresentou resultados signicativa mente mais baixos na lista de imagens FAFC. 4.2.4 Desempenho Geral

A partir dos resultados apresentados acima pode-se dizer que de modo geral o algoritmo EBGM e Eigenfaces Mahalanobis t m um desempenho similar e superior ao do Eigenfaces e

46

Figura 27: Gr co de Rate da lista de imagens FAFC. a

Euclideano. Para aplicacoes em que se h muitas imagens disponveis dos indivduos (FAFB), as tr s a e t cnicas apresentaram um bom desempenho. Nas que possuem um n mero reduzido e um pouco e u mais variado de imagens (DUP2), o EBGM e recomendado; e se o n mero de imagens for maior u (DUP1), pode-se optar pelo Eigenfaces Mahalanobis, que obteve um resultado bem pr ximo. o Para um banco de imagens com variacao de iluminacao (FAFC), o Eigenfaces Euclideano n o a e recomendado, visto que seu desempenho e signicantemente menor.

47

ANALISE DO PROCESSO E TRABALHOS FUTUROS

` a Este captulo visa a an lise do processo de realizacao deste trabalho e a sugest o de traba a lhos futuros. 5.1 ANALISE DO PROCESSO Para desenvolver este trabalho, o primeiro passo foi a denicao da area que seria tema do estudo. Quando o tema e orientadora foram escolhidos, atrav s de consenso, comecou-se a e revis o bibliogr ca. a a A revis o permitiu uma vis o geral da area de an lise de imagens e, mais especicamente a a a de reconhecimento facial. Tamb m permitiu o contato dos autores com uma literatura cientca, e especca da area, como livros e artigos de peri dicos da area de processamento de imagens. o Tendo em vista que nenhum dos autores havia tido contato com esta area de estudo, no incio foi difcil direcionar a leitura. Com isso, foi necess rio um tempo adicional no comeco da pesquisa. a Ap s a revis o bibliogr ca e denicao dos algoritmos a serem comparados no estudo, as o a a pesquisas foram direcionadas aos algoritmos Eigenfaces e EBGM, a m de buscar a compreens o dos seus funcionamentos para que fosse possvel escrever um texto de f cil entendimento. a a A fase de testes demorou mais do que o esperado, pois houve diculdade na instalacao do software e na adicao da base FERET. Com os resultados em m os, foi decidido que iramos a comparar n o s EBGM e Eigenfaces Euclidiano (proposta inicial), mas tamb m o Eigenfaces a o e Mahalanobis. Outra necessidade percebida nesta etapa, foi a do desenvolvimento de um manual pr tico da ferramenta. a Com o constante direcionamento e renamento das pesquisas e do texto desenvolvido pela equipe e com a orientacao da Profa. Dra. Leyza Baldo Dorini, foi possvel escrever e desenvol ver este trabalho.

48

5.1.1

Burn Down Charts

As Figuras 28 e 29 representam os Burn Down Charts, ferramenta de m todos ageis utie lizada no desenvolvimento do trabalho, sendo a primeira at a entrega do documento para a e qualicacao, e a segunda dali em diante.

Figura 28: Burn Down Chart: primeira parte

Nesta primeira parte do trabalho e possvel perceber um grande atraso no tempo no cum primento do tempo proposto com um esforco adicional no m do perodo a m de completar todas as tarefas planejadas.

Figura 29: Burn Down Chart: segunda parte

49

Nesta segunda parte do trabalho, houve grande atraso para realizar os testes, que demoraram mais que o esperado para serem realizados. Mesmo assim, conseguimos cumprir os outros objetivos antes do t rmino do perodo proposto. e 5.2 TRABALHOS FUTUROS Como descrito no decorrer do trabalho ainda existe muito a se fazer na area de reconhecimento facial. Aqui est o listadas algumas sugest es de trabalhos futuros: a o Realizar os mesmos testes em outros algoritmos de reconhecimento facial, a m de comparar seu desempenho com o dos algoritmos escolhidos para este estudo comparativo. Alterar as listas de imagens utilizadas nos testes, a m de realizar novos testes com os algoritmos que envolvam outros fatores que inuenciam no reconhecimento (al m da e iluminacao e quantidade de imagens de treinamento). Desenvolver um material textual de f cil entendimento da parte matem tica e fsica ena a volvida nos algoritmos estudados. Otimizar o processo de normalizacao, reduzindo seu impacto no funcionamento dos al goritmos (BOLME, 2003).

50

REFERENCIAS

ALBERGARIA, E. T. de; SANTOS, K. C. L.; JUNIOR, M. S. F. A. Reconhecimento de faces utilizando programacgen tica. In: . [s.n.], 2006. Disponvel em: e <http://homepages.dcc.ufmg.br/ ivio/cursos/pa06/seminarios/seminario12/seminario12.pdf>. n Acesso em: 24/03/2011. ALMEIDA, J. M.; BENT, H. Reconhecimento Facial: Pouco de Hist ria o e Principais Abordagens. 2008. Disponvel <http://www.sinc.pt/SincWeb/displayconteudo.do2?numero=24923>. Acesso 24/03/2011. um em: em:

ALMEIDA, O. C. P. de. T cnica de Processamento de Imagens para Localizacao e e Reconhecimento de Faces. Dissertacao (Dissertacao (Mestrado em Ci ncias da e o e Matem tica Computacional)) Universidade de S o Paulo, 2006. Disponvel Computaca a a em: <http://www.teses.usp.br/teses/disponiveis/55/55134/tde22012007160023/ptbr.php>. Acesso em: 24/03/2011. BOLME, D. S. Thesis Elastic Bunch Matching. Dissertacao (Mestrado) Colorado State University, 2003. BORDINI, C.; KOTOVICZ, G. Reconhecimento Facial com Processamento de Imagens. 2010. CASTRO, A. J. M. de. Classicador de Mahalanobis. Dissertacao (Mestrado) Faculdade de Engenharia da Universidade do Porto, 2005. COLORADO STATE UNIVERSITY (CSU). Evaluation of Face Recognition Algorithms. 2011. Disponvel em: <http://www.cs.colostate.edu/evalfacerec/index10.php>. Acesso em: 24/03/2011. FERREIRA, A. B. de H. Mini Aur lio. [S.l.]: Posigraf, 2005. e JARDIM, E. Autofaces Eigenfaces. In: Instituto Nacional de Matem tica Pura e Aplia cada. [s.n.], 2008. Disponvel em: <http://w3.impa.br/ jardim/al2008.html>. Acesso em: e 28/04/2011. KINUTA DENNIS MOLINA, E. G. D. F. S. a. D. G. T. D. J. S. C.; JUNIOR, O. O. F. Estudo Comparativo de Algoritmos Para Reconhecimento Facial. Disponvel em: <http://www.aedb.br/seget/artigos06/916 Copia%20de%20Artigo%20Comparativo%20Facial.pdf>. Acesso em: 20/03/2011. MARIN, L. de O. T cnicas estatsticas para reconhecimento e deteccao de face. In: . [s.n.], e 2001. Disponvel em: <http://www.inf.ufsc.br/ isao/2001/luciene/index.html#Intro>. Acesso v em: 18/04/2011.

51

NATIONAL INSTITUTE OF STANDARDS AND TECHNOLOGY (NIST). Facial Recognition Technology (FERET). 2011. Disponvel em: <http://www.itl.nist.gov/iad/humanid/feret/doc/feret methodology nist ir 6264.pdf>. Acesso em: 24/03/2011. PEDRINI, H.; SCHWARTZ, W. R. An lise de Imagens Digitais. [S.l.]: Thomson, 2008. a SILVA, P. M. C. Pesquisas de Imagens de Rosto. Dissertacao (Dissertacao (Mestrado em Engenharia Inform tica)) Universidade Nova de Lisboa, 2009. Disponvel em: a <http://run.unl.pt/bitstream/10362/2294/1/Silva 2009.pdf>. Acesso em: 20/04/2011. STERGIOU, A. Elastic Bunch Graph Matching Face Recognition: Performace and Comparison whith Subspace Projection Methods. Dissertacao (Mestrado) Information Networking Institute, 2003. Disponvel em: <http://www.aitdspace.gr/xmlui/bitstream/handle/123456789/208/Thesis%20Report%20Stergiou 01.04.05.pdf?sequence=1>. Acesso em: 28/03/2011. TOMEI, C. Autovalores e autovetores. 2004. <http://www.bienasbm.ufba.br/M1.pdf>. Acesso em: 14/05/2011. Disponvel em:

TURK, M.; PENTLAND, A. Eigenfaces for Recognition. 1991. Journal Cognitive Neuroscience. Disponvel em: <http://www.facerec.org/algorithms/PCA/jcn.pdf>. Acesso em: 14/04/2011. VASCONCELOS, S. An lise dos Componentes Principais (PCA). 2007. Disponvel em: a <http://www.ic.uff.br/ conci/PCA-ACP.pdf>. Acesso em: 14/05/2011. a WISKOTT, L. et al. Recognition by Elastic Bunch Graph Matching. Disponvel em: <http://www.facerec.org/algorithms/EBGM/WisFelKrue99FaceRecognitionJainBook.pdf>. Acesso em: 28/03/2011. ZHAO, W.; CHELLAPPA, R.; ROSENFELD, A. Face Recognition: A Literature Survey. [S.l.]: ACM Computing Surveys, 2003. 399458 p.

52

APENDICE A -- MANUAL DA FERRAMENTA

Este manual tem o intuito de demonstrar os passos b sicos para a utilizacao do software a CSU Face Identication Evaluation System. A criacao deste manual manual foi motivada pela aus ncia de informacaoes na p gina do projeto, o que dicultou a utilizacao do c digo dispoe a o nibilizado. Com isso espera-se auxiliar futuros usu rios a utilizar o sistema. Os testes foram a realizados utilizando o sistema operacional Ubuntu 11, mas as orientacoes tamb m s o v lidas e a a para vers es mais antigas. o Importante: para realizar os passos deste manual primeiramente baixe o arquivo .tgz disponvel no link <http://www.cs.colostate.edu/evalfacerec/index10.php> ( necess ria a realizacao e a de cadastro para baixar o programa). Os passos a serem explicados por este manual s o: a 1.Instalacao do software; 2.Adicao da base FERET; 3.Preparacao das imagens; 4.Realizacao dos testes; 5.Geracao de resultados; A.1 1o PASSO: INSTALACAO DO SOFTWARE Primeiramente descompacte o arquivo baixado na pasta /home/seuUser e depois modique o nome da pasta para csuFaceIdEval. Abra o terminal e acesse a pasta csuFaceIdEval, digite make e aperte Enter (Figura 30 e 31). Depois disso e necess rio realizar alguns testes para vericar se o sistema n o apresenta a a erro, atestando assim o funcionamento correto do mesmo. Para isso, s o utilizadas imagens de a baixa qualidade e sem validade para avaliacao, que v m junto com o sistema. Dentro da pasta e csuFaceIdEval entre com o seguinte comando ./scripts/runAllTests scraps.sh (Figura 32. Nesse

53

Figura 30: Comando make.

Figura 31: Resultado do comando make.

caso todos os scripts do software est o na pasta /csuFaceIdEval/scripts, que dispara v rios a a scripts ligados a ele. Toda vez que for rodar um script e preciso digitar ./seuscript.sh

Figura 32: Rodando script runAllTests scraps.

Como pode ser observado na execucao deste script (Figuras 33, 34 e 35), ap s a normalizacao o das imagens s o calculados as dist ncias. Nesse teste s o executados todos os algoritmos ima a a plementados pela CSU inclusos no programa. Como mencionado anteriormente os resultados

54

n o t m validade, por utilizar uma base de imagens de baixa qualidade. a e

Figura 33: Normalizacao das imagens.

Figura 34: C lculo das dist ncias. a a

Figura 35: Resultado do script tunAllTests scraps.sh.

55

A.2

2o PASSO: ADICAO DA BASE FERET Para realizacao de testes experimentais, necess rio em uma an lise comparativa, e preciso a a

utilizar uma base de imagens de faces v lida. Neste trabalho foi utilizado a base FERET, que a deve ser requerida atrav s do site <http://face.nist.gov/colorferet/>. Este cont m um endereco e e eletr nico para o qual deve ser mandado um email para requisicao da base. A resposta leva em o torno de uma a duas semanas, em m dia. Se o requerimento foi aceito, o download da base, e que tem um tamanho de 8.7 GB, deve ser efetuado atrav s de comando no terminal linux que e est nas instrucoes da resposta do email. E recomendado que se tenha pelo menos 20 GB de a espaco livre no disco rgido. Com o arquivo em m os e descompactado v no terminal e rode o a a script Process FERET DVD.sh (Figuras 36 e 37). Para rodar esse script e necess rio digitar o a caminho (endereco onde est a base de dados) a partir da raiz do sistema operacional. a

Figura 36: Rodando o script Process FERET DVD.sh.

Figura 37: Resultado do script Process FERET DVD.sh.

56

A.3

3o PASSO: PREPARACAO DAS IMAGENS A preparacao das imagens (normalizacao das mesmas), e feita transformando as imagens

.pgm em .s, que n o e uma imagem e sim dados matem ticos sobre esta. Um erro prov vel e a a a n o conseguir fazer a normalizacao das imagens, pois o c digo fonte do software est preparado a o a para receber um conjunto de imagens .pgm. Contudo, a base FERET cont m imagens .tif. A e seguir e explicado como fazer a convers o de todas as imagens para .pgm e depois os passos a para a normalizacao. A.3.1 Convertendo as imagens .tif para .pgm

Primeiramente e preciso realizar o download do software Image Magick, que possui funcoes para manipulacao das imagens. Atrav s do terminal Linux, digite o comando sudo apt-get e install imagemagick e coloque S para realizar a instalacao (Figura 38).

Figura 38: Realizando o download do pacote imagemagick.

Depois que o software estiver instalado, acesse a pasta onde est o as imagens .tif (que deve a ser a /csuFaceIdEval/data/FERET/source/pgm) e digite o comando mogrify -format pgm *.tif (Figura 39).

Figura 39: Convertendo imagem .tif para .pgm.

57

A.3.2

Normalizacao das imagens

Agora que as imagens est o convertidas, pode ser executado o script de normalizacao das a imagens. No terminal acesse a pasta raiz do programa e execute o seguinte script runPreproces sing feret.sh (Figuras 40 e 41), se for realizar testes com o algoritmo EBGM e preciso fazer uma normalizacao diferente das imagens, para isso rode o script EBGMPreprocessing.sh (Figuras 42 e 43.

Figura 40: Rodando o script runPreprocessing feret.sh.

Figura 41: Resultado do script runPreprocessing feret.sh.

58

Figura 42: Rodando o script EBGMPreprocessing.sh.

Figura 43: Resultado do script EBGMPreprocessing.sh.

A.4

4o PASSO: REALIZACAO DOS TESTES Neste passo, s o realizados testes diferentes para cada algoritmo (no caso deste trabalho, a

o Eigenfaces e o EBGM). Inicialmente, ser ilustrado o procedimento para o Eigenfaces, que a pode utilizar dois tipos de c lculo de dist ncia: a Euclidiana e de Mahalanobis. Estas s o a a a calculadas atrav s do mesmo script, denominado runPCA feret.sh (Figuras 44 e 45). e

Figura 44: Rodando o script runPCA feret.sh.

59

Figura 45: Resultado do script runPCA feret.sh.

Para realizar os testes com o EBGM, e necess rio rodar o script EBGM Standard.sh (Figua ras 46, 47 e 48).

Figura 46: Rodando o script EBGM Standard.sh.

60

Figura 47: Extraindo os jets.

Figura 48: Resultado do script EBGM Standard.sh.

61

A.5

5o PASSO: GERACAO DE RESULTADOS Para obter os resultados para cada um dos testes realizados anteriormente e necess rio rodar a

o script GenerateFeretResults.sh (Figura 49), que vai gerar arquivos .txt na pasta /csuFaceIdE val/results/CSUBaselineResults. Atrav s dos dados contidos neles e possvel criar os gr cos e a de comparacao.

Figura 49: Rodando o script GenerateFeretResults.sh.