ANALISISDERECONOCIMIENTODE IMAGENES.

MtododeViolayJones

GeovannyA.QuionezLambert
UniversidadPolitcnicaSalesiana Cuenca,Ecuador geoquinonez@gmail.com

AbstractIn this paper try to analyze the Viola and Jones method, this method is focused on providing a solution to the problem of face recognition by feature extraction technique of Haar, we study the process, What applied on the processed images. Therefore, the approach focuses on obtaining an algorithmfortherecognitionoridentificationofidentities Keywordscomponent; Viola and Jones; face detection; algorithm;identification.

encuentranyaseaenInternetotomadasdefuentesprivadas colecciones. II.

FUNCIONAMIENTODELMTODOVIOLA&JONES

El algoritmo de Viola and Jones utiliza algo llamado Haarlikefeatures(caractersticastipoHaar,quesellaman as porque se calculan de una forma parecida a una transformadallamadatransformadaHaarowaveletde Haar).Cadaunadeestascaractersticaeslomasparecido a unoperadorgradientepensadopararesaltarunpatrn,ya quelospatronessoncaractersticas como:contornos,lneas, cruces. Enlugardetrabajar directamente conlosvaloresdelos pxeles,yparaunamayor eficienciayrapidezdelmtodo, Viola y Jones proponen utilizar un determinado tipo de caractersticas, las caractersticas tipo Haar, que se calculan comoladiferenciadela sumadelospxelesdedosoms zonas rectangulares adyacentes. ejemplos de estas caractersticas propuestas por Viola y Jones de 2, 3 4 rectngulos, en los que los pxeles de la zona oscura (la negativa)serestanalasumadelospxelesblancos[3] Nuestra imagen se recorre de manera que se le aplican variosclasificadoresenserie,siendounprocesocomplejode bsqueda de similitud mediante una base de formulas y nmeros,queusanlascaractersticasypatronesparaobtener unaafirmacinonegacin,dndonoselindicioque estamosanteelobjetobuscado. Siobtenemosunasimilitudesnegadaenlabsqueda,el proceso

I.

INTRODUCCIN

Enlaactualidadexistenmuchosmtodosquesoncapaces dedetectarrostrosfacialesdediferentestamaosenimgenes comopuedeserunvdeoentiemporeal(filmacin),enuna imagenesttica acoloroenescaladegrises,estosmtodos fueron mejorndose con el tiempo, sin embargo la investigacin de este mtodo fue diseado y aplicado inicialmente por Paul Viola y M. J. Jones y denominado algoritmodeViola&Jonesdeestemarcogeneraldedeteccin deobjetosserealizan2publicaciones[1,2]. Elpropsitodeesteproyectoesimplementaryrecrearlo queelalgoritmodedeteccinderostrospresentadaporViola Jones. Este algoritmo debe ser capaz de funcionar en un cualquierentornoloquesignificaqueescapazdedetectatodas lascarasvisiblesencualquierimagenconcebible.Llegandoa a esa la meta ideal de cualquier algoritmo de deteccin de rostros es llevar a cabo a la par como un ser humano la inspeccin de la misma imagen, pero este proyecto se restringensloparaquecoincidaconlascifraspublicadaspor ViolaJones. A fin de garantizar un rendimiento ptimo del algoritmo desarrollado la gran mayora de las imgenes utilizadoparalacapacitacin,laevaluacinylaspruebasse

no contina pero si se confirma tras todos los filtros y procesosejecutados tendremosunobjetodetectado A. Recoleccindeunaescalainvariable. Convertir la imagen de entrada en una integral imagen.Estoserealizahaciendoquecadapxeligualalasuma total de todos los pxeles por encima ya la izquierda delpxelencuestin.EstosedemuestraenlaFigura1.

generacindeejemplosnegativosesgarantizadoimgenesque nocontienenrostros. F. Elentrenamientodeunescenarioencascada Enestoesunaetapadondeserealizaenrealidadungran entrenamientoclasificadorenelquesenecesitaAdaBoost. G. Elentrenamientoencascada Cada etapa de cascada se form mediante un conjunto positivo, negativo y un conjunto para un rendimiento medicin un conjunto de evaluacin. Para cada etapa, el conjuntopositivoyel conjuntodeevaluacinfuelamisma (Unconjuntodedatos),mientrasqueelconjuntonegativofue diseadoespecialmenteparaexactamenteelmismoescenario. H. Eldetectorfinal. Relacionayanalizaatodoslosdatosyhacelacomparacin parapoderhacerlaconclusin I. conclusin Durante el esta etapa cumpla con la tarea de reducir el umbralquesehaclasificado.Estoesrealizadoconelfinde minimizarlacantidadtotaldefalsosnegativosyelprecioes porconsiguienteunaumentodelatasadefalsospositivos.Esto es totalmente aceptable siempre que la etapa se logr por otraetapa.Sinembargo,losfalsospositivosnosondeseables enelproductofinalyporlotantoelumbraldelafasefinalno debeserbaja. III.
OBTENCINDELOSCOMPONENTESPRINCIPALES.

B. ElAdaBoosteselalgoritmomodificado ViolaJones utilizar una versin modificada del el algoritmo desarrollado por AdaBoost Freund y Schapire en 1996[6]. AdaBoostesunalgoritmodeaprendizajedemquinacapaz deimpulsarlaconstruccindeunclasificadorfuerteatravsde una combinacin ponderada de clasificadores dbiles. (Un clasificadordbilclasificacorrectamenteenslounpocoms delamitaddeloscasos.) C. Elclasificadorencascada Estepasohaceunadeteccinenlacualhaceunescaneode imageneslacualesanalizadaalgunasvecesyatravsdela mismaimagen,cadavezconunnuevotamao.Inclusosiuna imagendebecontenerunaomsenfrentaesobvioqueuna grancantidadexcesivadelaevalusubventanastodavasera negativos. Esta realizacin da lugar a una formulacin diferente del problema: En lugar de encontrar las caras, el algoritmodebedescartarquenosoncaras. D. Generacindeejemplospositivos Conelfindeformarlasdiferentesetapasdelclasificadoren cascadaelalgoritmoAdaBoostrequiereseralimentadoscon ejemplospositivosesdecir,imgenesderostros. E. Generacindeejemplosnegativos Lageneracindeejemplosnegativosparaelentrenamiento delasdiferentesetapasdelacascada,tambinsonnecesarios. ejemplonegativoesbsicamenteunaimagenquenocontiene unrostro.Estopuedepareceraprimeravistacriteriofcilde cumplir, pero lo ideal es los ejemplos negativos que representantodotipodetexturasfacialesnoqueeldetectorse puede esperar que se encuentran. La materia prima para la

Elingresodelosdatosenunsistemadereconocimientode imanessonanlisisdepatronesestadstico,expresadosenun vectoresnumricoquecontienenvaloresprocesadosdemanera matemtica. El anlisis de componentes principales o PCA(Principal Component Analysis)seenfoca enrepresentar lasimgenes comounacombinacinlinealenfocndoseaunreconocimiento deimgenesbsicas. Unarepresentacindelarecoleccindepatrones.

Figura2:Esquemamodulardeunsistemade reconocimientodepatrones.

IV.

PROCESODERECONOCIMIENTO

Elprocesodereconocimientoelobjetivodelmismoesun sistemadereconocimientodepatroneseseletiquetardeforma automtica patrones de los cuales desconocemos su procedencia. Pararealizarelanlisissedebecomenzarencontrandouna baseenelsubespacioutilizadounconjuntopredeterminadode imgenes para poder relacionarlas con nuestros procesos de bsqueda, dicho conjunto base es nuestra pilar para la comparacin.
CONCLUSIN

V.

SOFTWAREDEDESARROLLO.

Paralafacilitarelanlisisysuaplicacintenemostanto lenguajes de desarrollo como libreras que nos ayudan a realizar de forma automtica la mayora de procesos y recoleccindedatos. A. CdigoHistogramaRGB.
for(inti=0;i<img.rows;i++) { for(intj=0;j<img.cols;j++) { vR[img.at<Vec3b>(i,j)[0]]=vR[img.at<Vec3b>(i,j)[0]]+1; vG[img.at<Vec3b>(i,j)[1]]=vG[img.at<Vec3b>(i,j)[1]]+1; vB[img.at<Vec3b>(i,j)[2]]=vG[img.at<Vec3b>(i,j)[2]]+1; }

Eltrabajoconimgenespresentavariablescomplejaspara suprocesamiento. Lamatemticaylaprogramacinmediantecomputadoras hace que el anlisis de dichas imgenes se formule a procesos secuenciales de manera ordenada para obtener resultados. Se puede reconocer rostros y con tecnologa analizarlos paraaccionestilesenlasociedad. Descubrir nuevos mtodos y procesos tiles para la simplificacindeproblemas. reducirconsiderablementeladimensionalidaddelosdatos. Trabajandocon3basesde REFERENCIAS
[1] [2] [3] [4] [5] PaulViolaandMichaelJ.Jones.Rapidobjectdetectionusingaboosted cascadeofsimplefeatures.InComputerVisionandPatternRecognition, pages511#518,2001. Paul Viola and Michael J. Jones. Robust realtime face detection. InternationalJournalofComputerVision,57(2):151#173,May2004. SergioRodrguezGozlbezanlisisdelpreprocesadodeimgenesen elreconocimientodecarasbasadoenpca,(1):Diciembre2010. M.A. Turk and A. Pentland. Eigenfaces for recognition. Journal of CognitiveNeuroscience,3(1):7186.1991. M.KirbyandL.Sirovich.Applicationofkarhunenloeveprocedurefor characterizationofhumanfaces.IEEETransactiononPatternAnalysis andMachineIntelligence,(12):103108.1990. ChristopherM.Bishop,PatternRecognitionandMachineLearning,first edition,Springer2006.

} Conesteeselcdigoprincipalparaobtenerelhistograma de una imagen analizada, desarrollado en C++, con esto tendramoselrecorridodellascapasenRGB. Graciasaestonuestrosprocesossefacilitanporquecon lenguajes de alto nivel podemos reflejar procesos que manualmentenostomaranmuchotiempo. B. LibrerasySoftware. Las libreras que se encargan de facilitar procesos son OpenCVymatlabestosayudanycomplementanallenguajede altonivelparaeldesarrollo,comoporejemploreconocimiento facial. C. ImagenEjemplodeViolaandJones. RealizadoenC++tenemoslaimagenconlateoriadeviola andJonesaplicadaalarealidad.

[6]