Bucure ști și Calculatoare [601825]

Universitatea Politehnica Facultatea de Automatic ă
Bucure ști și Calculatoare

Cercetare Semestrul I
Algoritmi de detec ție facială

Profesor c oordonator : Absolvent: [anonimizat]. Ștefan Mocanu Calciu Iulian Cosmin

2

Cuprins

1. Introducere
2. Domenii de utilizare
3. Algoritmi de detecție a fețelor
4. Analiza pe componente principale (PCA)
5. Avantajele și dezavantajele metodei PCA
6. Concluzii
7. Bibliografie

3
1. Introducere
Dintotdeauna, oamenii au folosit fe țele ca cel important parametru de identificare a
oamenilor. Acest aspect a f ăcut identificarea facial ă foarte important ă și cu un înalt grad de
utilizare în domeniul securit ății și chiar în cel comercial. Cu toate eforturile f ăcute, sistemele
actuale nu au precizia sistemului de percep ție uman, dar au avantajul c ă pot face automat
operațiunile și pot procesa imaginile la o viteza mult mai mare decat o poate face creierul
uman. Aplica țiile tradi ționale de detec ție facial ă se reduc la detectarea fe ței umane dintr -o
imagine dat ă.
Fața joacă un rol esențial în relațiile sociale, în comunicarea identității și a emoțiilor.
Capacitatea umana de a recunoaște fețele este remarcabilă: putem recunoaște mii de figuri
învățate de -a lungul vieții și identifica fețele familiare dintr -o singură privire chiar dup ă ani
de zile. Această capacitate este destul de robustă, în ciuda schimbărilor mari în stimulul
vizual datorate condițiilor de vizualizare, expresiei, îmbătrânirii și altor factori perturbatori
precum prezența ochelarilor, a bărbii sau schimbări ale coafu rii. Ca urmare, acest subiect a
fost în centrul atenției unor grupuri numeroase de cercetători din întreaga lume în ultimele
două decenii și a pătruns de curând și în circuitul comercial .

Deși atractivă deoarece nu presupune contact direct între subiect și senzor ( tehnică
neinvazivă), recunoașterea feței este o sarcină dificilă datorită surselor numeroase de
variabilitate în condiții reale. Acestea includ printre altele: orientarea feței în raport cu
aparatul de fotografiat sau camera de filmat, nivelul de iluminare, expresia feței, timpul
scurs între momentele prelevării unor imagini distincte, aparitia alor obiecte sau accesorii,
precum și aspectele demografice (rasa, vârsta, sexul).

4
Asigurarea invarianței în raport cu transformări el ementare precum translația, rotația
sau schimbarea rezoluției reprezintă de asemenea o cerință obligatorie.

Există 2 abordări majore pentru a obține informația caracteristică unei fețe, cu avantaje
și dezavantaje specifice, ce pot fi folosite pentru extrag erea informațiilor de interes atât
pentru aplicații de recunoaștere cât și pentru cele de verificare, diferențe apărând datorită
tipului de clasificator utilizat:
a) algoritmi bazați pe analiza statistică a imaginilor disponibile, al căror scop constă în
identificarea unei baze reprezentative în raport cu care să poată fi exprimată orice
imagine sub forma unei combinații liniare de vectori ai bazei. Din această categorie
fac parte metode precum Analiza pe Componente Principale (PCA), Analiza
Discriminatorie L iniară (LDA) și Analiza pe Componente Independente (ICA) .

b) algoritmi bazați pe măsurarea unor trăsături geometrice referitoare la distanțe între
puncte semnificative de pe suprafața feței. Ca exemple putem enumera metodele
Elastic Bunch Graph Matching și Local Feature Analysis.

5
Probleme conexe ce trebuie tratate in realizarea unei aplicatii de detectie faciala:
– Localizarea fetei – determinarea pozitiei u nei singure fete intr -o imagine ;
– Detectia elementelor faciale componente – prezenta si locatia: ochi, spran cene,
nas/nari, gura, buze, urechi etc.
– Recuno asterea / identificarea fetelor ;
– Recunoasterea expresiei faciale ;
– Estimarea pozitiei corpului uman si urmarirea acestuia .

Câteva studii recente trec în revistă tendințele actuale din acest domeniu, printre care
menționăm:
– extensii de tip nucleu (kernel) ale unor metode clasice de proiecție pe subspații
liniare, care au condus la apariția algoritmilor de tip Kernel PCA/LDA/ICA;
– algoritmi bazați pe utilizarea unor reprezentări folosind baze cu bună localizare
spațială, respectiv metode urmărind descompunerea fețelor în componente distincte
(gupate în jurul unor puncte reprezentative precum ochii, nasul, gura – denumite generic
puncte fiduciale);
– analiza imaginilor 3D și aplicarea tehnicilor de morfism (care urmăresc generarea
unor imagini virtuale ale unei persoane pornind de la un set de imagini captate din unghiuri
neconvenabile);
– un număr semnificativ de articole recente au ca element comun abordarea bazată
pe modelarea și aproximarea distribuției spațiale a imaginilor reprezentând fețe umane sub
forma așa -numitelor varietăți matematice (manifolds).

2. Domenii de utilizare
Recunoașterea facială es te folosită în primul rând de sistemele de securitate pentru
verificarea identității unei persoane, alături de alte tehnici biometrice de identificare. În
Mexic, în timpul alegerilor electorale din 2002, guvernul a folosit un software de
recunoaștere facia lă pentru a preveni frauda.
O alta utilizare importantă este în domeniul foto. Recunoașterea facială este folosită
aici pentru a realiza autofocusul pe subiect.

6
Nu în ultimul rând, detecția facială este folosită în marketing. O aplicație interesantă
ar fi introducerea unei camere într-un obiect de marketing și observarea particularităților
persoanelor interesate de acel obiect (sex, vîrstă, rasă). Pe baza acestor informații se pot
realiza o serie de reclame care vizează anumite persoane.
Există o serie de multe alte aplicații care au legatură strânsă cu acest domeniu.
Printre acestea se pot număra “easy people tagging”, domeniul jocurilor video, identificarea
emisiunilor TV sau căutarea de imagini într-o bază de date.

3. Algoritmi de detecție a fețelor

În literatură au fost propuse numeroase tehnici de recunoaștere/autentificare a
fețelor, cu grade de complexitate, constrângeri, performanțe și arii de aplicabilitate foarte
diverse. În mod special, identificarea, extragerea și ierarhizarea setului de trăsături
semnificative care va constitui „semnătura” fiecărei fețe supuse analizei continuă să
reprezi nte un subiect de larg interes.
Paleta foarte largă de opțiuni din această categorie poate fi clasificată ținând cont de
o serie de criterii precum natura informațiilor extrase , aria imaginii supuse procesării (vom
regăsi metode, denumite holistice, care prelucrează întreaga imagine, respectiv soluții
orientate pe zone limita te situate în jurul punctelor de interes), gradul de localizare spațială
a trăsăturilor, natura reală (eventual binară) sau complexă a semnăturii, modularitatea
arhitecturii, robustețea în raport cu numeroasele surse de variabilitate specifice acestor
aplicații.
De multe ori alegerea metodei de extragere a trăsăturilor semnificative este strâns
legată de tipul clasificatorului ce urmează a fi utilizat în vederea furnizării deciziei. Mai mult,
dimensiunea și particularitățile bazei de date disponibile impun constrângeri suplimentare în
privi nța alegerii soluției adecvate .
De regulă, bazele de date folosite în experimentele de recunoaștere a fețelor conțin
imagini de dimensiune foarte mare. O astfel de “risipă” de resurse conduce la o robustețe
semnificativă, care permite receptarea corectă a informației transmi se, chiar în condițiile în
care aceasta este afecatată de zgomot, este distorsionată sau incompletă.
În acest context, se dovedesc utile tehnicile de compresie, folosite pentru a reduce
dimensiunea datelor originale, în condițiile unor pierderi de informa ție (inevitabile) cât mai
mici.

7
Tehnicile de compresie uzuale aparțin de regulă uneia din următoarele 3 categorii:
– codare (liniar) predictivă;
– calcul de transformate liniare;
– cuantizare vectorială.

4. Analiza componentelor principale
Analiza componentelor principale este una dintre cele mai cunoscute tehnici de
compresie. Aceasta se mai numeste si transformata Karhunen-Loeve.
Ideea fundamentală a metodei PCA este de a găsi baza particulară care asigură
minimizarea erorii pătratice medii dintre seturile de vectori
Un rezultat al transformatei spune ca aceasta baza este formata din vectorii proprii ai
matricei de autocovarianta a vectorilor An.

Metoda PCA este aplicata cu success in detectia facial a sub denumirea generic a de
eigenfaces.
Algoritmul de procesare presupune parcurgerea mai multor pasi:
– Se calculeaza valoarea medie a imaginilor care formează setul de antrenare si se
„centreaza” imaginile originale (se aduc la valoare medie nula);
– Se calculează așa -numita scatter matrix , care reprezintă aproximarea matricii de
covarianță a imaginilor din baza de date ;
– Se calculează valorile și vectorii proprii ai matricei anterioare;
– Se ordoneaza descrescator valorile proprii;
– Se proiecteaza imaginile originale pe spatiul descris de vectorii reprezentativi;
– Clasificarea imaginilor test presupune găsirea acelei imagini din baza de date de
antrenare a cărei semnătură este cea mai apropiată de semnătura imaginii de
test .
Aprecierea similitudinii dintre astfel de perechi de imagini se realizează f olosind o
metrică convenabil aleasă. Opțiunea uzuală este distanța Euclideană (L2), însă se pot utiliza
și alte măsuri precum funcția de autocorelație sau cosinusul unghiului dintre 2 vectori .

8
5. Avantajele si dezavantajele metodei PCA
Principalul avantaj al metodei PCA constă în simplitatea sa. Exis tă posibilitatea de a calcula
vectorii proprii principali nu numai în variantă off -line prin procedura algebrică descrisă anterior ci și
on-line, folosind anumite rețele neurale artificiale pentru a ajusta în mod iterativ valorile acestora, pe
măsură ce se aplică date noi la intrare.
În cazul aplicării metodei PCA la recunoașterea fețelor, trebuie menționate și o serie de
dezavantaje, care limitează performanțele sistemelor bazate pe acest instrument de analiză:
– principalul dezavantaj constă în faptul că ignorarea componentelor care contribuie puțin la
energia imaginilor originale nu conduce automat și la îmbunătățirea separării dintre diversele
subclase de imagini aparținând unor persoane diferite (altfel spus, minimizarea erorii de
reprez entare nu înseamnă neapărat îmbunătățirea performanțelor de clasificare ).
– un alt dezavantaj al tehnicii PCA îl reprezintă caracterul global al acesteia, în sensul că
matricea de convarianță (deci și valorile și vectorii proprii) este dedusă .

6. Concluzii

De la bun început se poate concluziona că algoritmii de detec ție facial ă reprezintă un
domeniu interesant, cu un potențial foarte mare de dezvoltare și foarte multe aplicații, din
diferite domenii, la care s-ar preta.
În aceasta lucrare au fost prezentate o serie de aspect e generale legate de algoritmii
de detec ție facial ă și a fost prezentată metoda de compresie a Analizei Componentelor
Principale (PCA), precum si un algoritmul eigenfaces, bazat pe metoda PCA. S-au expus de
asemenea o serie de avantaje si dezavantaje ale metodei.
Pe viitor se va realiza implementarea mai multor algoritmi pentru a se testa
performantele acestora. In final voi realiza o aplicatie practica de detecti e facial a, ce
foloseste o camera video si un algoritm folosit in acest scop, implementat pe o platforma
embedded.

7. Bibliografie

1. M. Turk, A. Pentland, Eigenfaces for Recognition, Journal of Cognitive Neurosicence, Vol. 3, No. 1, 199 1
2. M.A. Turk, A.P. Pentland, Face Recognition Using Eigenfaces, Proceedings of the IEEE Conference on
Computer Vision and Pattern Recognitio n
3. J.R. Beveridge, K. She, B.A. Draper, and G.H. G ivens. Parametric and Non -parametric Methods for the
Statistical Evaluation of HumanID Algorithm s
4. B. Draper, K. Baek, M.S. Bartlett, and J.R. Beveridge, Recognizing Faces with PCA and ICA, Computer
Vision and Image Understandin g

9
5. P.J. Phillips, E.M. Newto n, Meta -Analysis of Face Recognition Algorithms, Proceedings of the Fifth IEEE
International Conference on Automatic Face and Gesture Recognitio n
6. Ciocoiu, I.B., Costin, H.N., „Local ized vs. Locality Preserving Subspace Projections for Face Recognition ”
7. G. Aggarwal, A.K. Roy -Chowdhury, R. Chellappa, A System Identification Approach for Video –
based Face Recognitio n
8. Website, http://www.face -rec.org/algorithms/
9. Website, http://users.utcluj.ro/~tmarita/HCI/C7 -8.pdf
10. Website, http://scs.etc.tuiasi.ro/iciocoiu/courses/ESL/homeworks/hw2/Capitolul1.pdf
11. Website, http://cseweb.ucsd.edu/~kastner/papers/fpga09 -face_detection.pdf
12. Website, http://www.face -rec.org/algorithms/PCA/jcn.pdf