Face Recognition using Eigen Faces and Artificial Neural Networks.

International Journal of Computer Theory and Engineering, Vol. 2, No. 4, August, 2010, 1793-8201 Mayank Agarwal, Nikunj Jain, Mr. Manish Kumar, Himanshu Agrawal

Srgio E. Palmiere

Sumrio
Problema
Objetivos Introduo

Aplicaes
Metodologia Concluses Referncias Bibliogrficas

Problema
Como codificar e decodificar a imagem de um rosto para ser

reconhecida por um algoritmo de computador.

Objetivo Geral:

Apresentar uma Metodologia para reconhecimento de rostos em imagens.

Objetivos Especficos:

Criar um banco de dados de Imagens. Aplicar a Metodologia Proposta. Analisar os resultados.

Reconhecimento de Imagens Concretas

Reconhecimento de Imagens Abstratas

Crebro e o Reconhecimento de Rostos.

Rosto: Modelo Visual Multidimensional Complexo. Um ser humano capaz de reconhecer milhares de rostos aprendidos em sua vida, independente de: Boa visibilidade, Alteraes especficas: bigode, barba ou culos. Efeitos do envelhecimento.
No ficou claro ainda, como as pessoas codificam e decodificam a

informao para reconhecer rostos.

Estudos sobre reconhecimento de rostos feitos por mais de vinte anos indicam que usamos certas caractersticas faciais na identificao de rostos.

Exemplo de Decodificao de Rostos.

Angelina Jolie

Jennifer Aniston

Ann Hathaway

Jennifer Lopez

Reconhecimento de Rostos pelo Computador.

Mtodo de reconhecimento biomtrico.
Menor intruso. Sensvel a variaes como posio, resoluo de imagem, rudo,

iluminao, caractersticas faciais, distncia e ocluso.

Duas Tcnicas Existentes: Sistema de Reconhecimento Facial Local: Utiliza determinadas

caractersticas faciais como: nariz, boca, olhos em conjunto ao rosto da pessoa.

Sistema de Reconhecimento Facial Global: Utiliza a face inteira para identificao.

Aplicaes
Segurana Verificao de cartes de crdito Identificao criminal Percepo de emoes Jogos

Processamento Digital de Imagens

Pixel: Menor unidade de informao que compe uma imagem (2k). Imagem: Funo de intensidade luminosa bidimensional denotada por f(x,y). Resoluo de Imagem: Especificao das dimenses espaciais de uma imagem no mundo real, dada em nmero de elementos de imagem por medida (dpi). Tamanho de uma Imagem: Espao ocupado para armazenamento de uma imagem, representado pela relao b= NxM . Onde: b = Nmero de bits N= Nmero de linhas M= Nmero de colunas

Exemplo: Imagem com 128 x 128 pixels com 64 nveis de cinza = 98.304 bits para armazenamento.

Etapas fundamentais do Processamento Digital de Imagens.

Histograma: Representao de todos os pixels numa foto onde o eixo vertical representa a quantidade de pixels e o eixo horizontal sua intensidade de brilho.
Histograma da Intensidade de Exposio de uma Foto Histograma do ndice de Exposio Tonal

Eigenfaces.
Eigenface: representao de qualquer rosto em um sistema de coordenadas.
Baseado em PCA ( Principal Component Analysis).

Padro de comparao do desempenho para novos algoritmos.

Similar ao mtodo de anlise de Fourier. O mtodo PCA decompe um sinal ou imagem em uma srie de vetores somveis de base ortogonal. Converte os pixels de uma imagem em um determinado nmero de vetores caractersticos, que podem ser usados para comparar duas imagens.

Procedimento para obter uma Eigenface.

1- Obter um conjunto S com M imagens, onde cada imagem ser transformada em um vetor de tamanho N.

2- Obter a imagem significativa .

3- Encontrar a diferena entre a imagem inicial e a imagem significativa.

4- Encontrar um conjunto de vetores ortogonais un que melhor descrevam a distribuio de dados.

5- Obter a matriz covariante.

6- Obter os vetores de eigen vl, ul.

Sntese da Metodologia:
1- Pr-Processamento: Equalizao da imagem. Histograma. Converso para escala de cinza. Reduo do tamanho da imagem. 2- Clculo das Eigenfaces: Encontrar os vetores de eigen que melhor representam a imagem. 3- Classificao e Descrio da Imagem: Extrao de quarenta eigenfaces para descrever cada imagem. 4- Treinamento da Imagem: Aplica-se uma rede neural para cada rosto existente. 5- Reconhecimento do Rosto: Aplica-se uma imagem para teste da rede. Os resultados so comparados e se a sada exceder o limiar desejado a imagem confirmada como pertencente a pessoa com maior sada.

Aplicao da Rede Neural

Banco de dados com 40 rostos de indivduos em diferentes condies. Dez imagens para cada indivduo, onde as seis primeiras so usadas para treinamento da rede neural. Imagem original com 112 x 92 pixels de resoluo, numa escala de 256 tons de cinza, tendo os indivduos sobre um fundo escuro na posio de perfil. Imagem modificada para 56 x 46 pixels de resoluo. Nmero de redes igual ao nmero de indivduos, com trs camadas de neurnios . Entrada igual ao nmero de eigenfaces. Camada Escondida igual a 10 neurnios. Sada igual a um neurnio. Rede: Backpropagation com funo de transferncia Tansig. Treinamento: 100 epocas.

Concluses:
O Mtodo muito sensvel as orientaes de cabea. O mtodo foi capaz de acertar 97% das vezes ultrapassando a eficincia dos mtodos K-means e algoritmo de formigas com Fuzzy utilizados na comparao.

Referncias Bibliogrficas:

Mayank Agarwal, Nikunj Jain, Mr. Manish Kumar and Himanshu Agrawal; Face Recognition Using Eigen Faces and Artificial Neural Network, International Journal of Computer Theory and Engineering, Vol. 2, No. 4, August, 2010, 1793-8201. BLOG. CORDINER.NET; Eigenfaces face recognition (Matlab); 2, Dezembro 2010, disponvel em: <http://blog.cordiner.net/2010/12/02/eigenfaces-face-recognition-matlab/ >; Acesso em: 16 Nov. 2012. Meftah Ur. Rahman, A comparative study on face recognition techniques and neural network, George Mason University, disponvel em: < http://www.google.com.br/url?sa=t&rct=j&q=&esrc=s&source=web&cd=2&cad=rja&ved=0CDkQFjA B&url=http%3A%2F%2Farxiv.org%2Fpdf%2F1210.1916&ei=dQ2IUrrXM8KgkAfe8YDwDQ&usg=A FQjCNHz8z3RrQVXWoTlgdQrnCXRHcgWIg&bvm=bv.56643336,d.eW0>, Acesso em: 16 Nov. 2012. Burger, Wilhem; Burge, Mark J. Principles of Digital Image Processing Fundamental Techniques, Editora Springer-Verlag; London, 2009. Gonzalez, Rafael C.; Woods, Richard E.; Procesamento de Imagens Digitais, Editora Edgard Blucher, 2007.