Lucrare de licent ,a [623120]

Universitatea"Aurel Vlaicu\ din Arad
Facultatea de S ,tiint ,e Exacte
Domeniul: Informatic a
Programul de studiu: Matematic a-Informatic a
Lucrare de licent ,a
Coordonator:
Prof. dr. Ioan Dzitac
Absolvent: [anonimizat] i
Iulie 2016

Universitatea"Aurel Vlaicu\ din Arad
Facultatea de S ,tiint ,e Exacte
Domeniul: Informatic a
Programul de studiu: Matematic a-Informatic a
Lucrare de licent ,a
Ret,ele neuronale.Aplicat ,ie la
recunoas ,tere de fat , a
Coordonator:
Prof. dr. Ioan Dzitac
Absolvent: [anonimizat] i
Iulie 2016

Luput i Antonio Marius Flavius Lucrare de licent  a
Universitatea"Aurel Vlaicu\ din Arad
Facultatea de S ,tiint ,e Exacte
Domeniul: Informatic a
Programul de studiu: Matematic a-Informatic a
Nr. din
Date personale ale candidat: [anonimizat]
1. Date privind identitatea persoanei:
Numele: Luput i
Numele anterior: {
Prenumele: Antonio Marius Flavius
2. Sexul (M/F): M
3. Data s ,i locul nas ,terii:
Ziua/luna/anul: 27/04/1994
Locul nas ,terii (localitate, judet ,):ors ,. Lipova, jud. Arad
4. Prenumele p arint ,iilor:
Tata: Ionel Radu
Mama: Cornelia
5. Domiciliul permanent (str., nr., bl., sc., ap., loc., cod pos ,tal, jud., tel., e-mail):
str. Aleea Azuga ,nr.-,bl.D,sc. A ,ap.15 ,
mun. Arad ,cod pos ,tal: 310148, jud. Arad ,
tel.: [anonimizat], e-mail :[anonimizat]
6. Sunt absolvent( a) promot ,ia:Iulie 2016
7. Forma de ^ nv at , am^ ant pe care am absolvit-o este (cu frecvent , a/cu frecvent , a re-
dus a/ID), (cu tax a/far a tax a): zi, cu tax a ;
1

Luput i Antonio Marius Flavius Lucrare de licent  a
8. Locul de munc a (dac a este cazul): -;
9. Solicit ^ nscrierea la examenul de licent , asesiunea: Iulie 2016 ;
10. Lucrarea de licent , ape care o sust ,in are urm atorul titlu:
Ret,ele neuronale.Aplicat ,ie la recunoas ,tere de fat ,a;
11.^Indrum ator s ,tiint ,ific: Prof. dr. Ioan Dzitac ;
12. Ment ,ionez c a sust ,in examenul de licent , a(pentru prima oar a{dup a caz) pentru
prima oar a s,i declar pe propria-mi r aspundere c a am luat la cunos ,tit, a de pre-
vederile art. 143 din Legea 1/2011. Declar c a prezenta lucrare nu este realizat a
prin mijloace fraduloase, fiind cons ,tient de faptul c a, dac a se dovedes ,te contrariul,
diploma obt ,inut a prin fraud a ^ mi poate fi anulat a, conform art. 146 din Legea
1/2011.
ARAD,
Data
Semn atura autorului lucr arii de licent , a
2

REFERAT
PRIVIND LUCRAREA DE LICENȚĂ A
ABSOLVENT: [anonimizat] : LUPUȚI ANTONIO MARIUS FLAVIUS
DOMENIUL : INFORMATIC Ă
PROGRAMUL DE STUDIU : MATEMATICĂ -INFORMATICĂ
PROMOȚIA 2016

1. Titlul lucrării : Rețele neuronale. Aplicație pentru recunoașterea feței

2. Structura lucrăr ii: Introducere ; Cap. 1: Re țele neuronale ; Cap.2: Recuno ștere facilă ;
Cap.3: Aplicație la recunoaștere facială ; Concluzii; Bibliografie.

3. Aprecieri asu pra conținutului lucrării de licență : Lucrarea face parte din domeniul
inteligenței artificiale, este bin e organizată, având o structură logică coerentă și o
argumentare bine documentată.

4. Aprecieri asupra lucrării : În cele peste 5 0 de pagini , susținute de cca. 20 titluri
bibliografice, unele destul de actuale, autorul prezintă modul în care rețelele neurale pot
fi utilizate în recunoșterea feței. Lucrarea este însoțită de o aplicație practică, un program
scris de autor, pentru recunoașterea feței. În lucrare sunt prezentate câteva secvențe din
cele cîteva sute de linii de program.

5. Concluzii (valoarea lucrării elaborate de absolvent , relevanța studiului întrepri ns,
competențele absolventului , consecvența și seriozitatea de care a dat dovadă absolventul
pe parcurs ul documentării și elaborării lucrării ): Autorul a lucrat ritmic, studii nd
bibliografia indicată de îndrumător și cea pe care singur a indentificat -o. Studiul este de
actualitate și lucrarea realizată are consistența necesară prin aplicație practică realizată
de autor.

6. Lucrarea respectă normele de redactare . Este redactată pr ofesional, în LaTex.

7. Nu există de realizare prin fraudă a prezentei lucrări . Autorul a respectat normele
deontologice în contituirea bazei de date cu fețe umane, cerând consimțământul colegilor
de a le utiliza fotografiile pentru recunoașterea fețelor. Indicele de similitudini este 4%
(v. Anexa antiplagiat) .

8. Consider că lucrarea îndeplinește condițiile pentru susținere în sesiunea de Examen de
licență – iulie 2016. Propun comisiei acordarea notei 10(zece) pentru elaborarea
prezentei lucrări de licență .

Arad,
Data : 09.06.2016 Îndrumător științific

Cuprins
1 Ret ,ele neuronale 8
1.1 Not ,iuni generale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
1.2 Neuronul biologic . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 9
1.3 Neuronul articial . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
1.3.1 Motivare biologic a . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.2 Modelare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
1.3.3 Componente . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
1.3.4 Denit ,ie matematic a . . . . . . . . . . . . . . . . . . . . . . . . . . 14
1.3.5 Funct ,ii de activare . . . . . . . . . . . . . . . . . . . . . . . . . . . 16
1.4 Algoritmi de ^ nv at ,are . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17
1.4.1 ^Inv at ,area supravegheat a . . . . . . . . . . . . . . . . . . . . . . . . 17
1.4.2 ^Inv at ,area ^ nt aritoare . . . . . . . . . . . . . . . . . . . . . . . . . . 18
1.4.3 ^Inv at ,area nesupravegheat a . . . . . . . . . . . . . . . . . . . . . . . 18
1.5 Domenii de aplicare ^ n autenticare biometrical a . . . . . . . . . . . . . . . 18
1.5.1 Amprent a digital a . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
1.5.2 Recunoas ,terea limbajului . . . . . . . . . . . . . . . . . . . . . . . . 20
1.5.3 Scan ari de iris si retin a . . . . . . . . . . . . . . . . . . . . . . . . . 21
1.6 Note istorice . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 22
1.6.1 ^Inceputurile . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.6.2 Anii timpurii de glorie . . . . . . . . . . . . . . . . . . . . . . . . . 23
1.6.3 Anii linis ,tit,i . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
1.6.4 Renas ,terea . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
2 Recunoas ,tere facial a 25
2.1 Not ,iuni generale . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25
4

Luput i Antonio Marius Flavius Lucrare de licent  a
2.2 Puncte slabe ale sistemelor de recunoas ,tere
a chipurilor . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26
2.3 Diferent ,ierea termenilor . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.4 Tipuri de recunoas ,tere facial a . . . . . . . . . . . . . . . . . . . . . . . . . 29
2.4.1 Recunoas ,terea biologic a . . . . . . . . . . . . . . . . . . . . . . . . 30
2.4.2 Recunoas ,terea tehnic a a chipului . . . . . . . . . . . . . . . . . . . 30
2.4.3 Procedeul 2D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
2.4.4 Procedeul 3D . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
2.5 Algoritmi . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.5.1 Eigenface . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32
2.5.2 Elastic Bunch Graph Matching . . . . . . . . . . . . . . . . . . . . 35
3 Aplicat ,ie la recunoas ,tere facial a 37
3.1 Mediu de programare si limbajul de programare . . . . . . . . . . . . . . . 37
3.1.1 Istoric . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
3.2 Software . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
3.2.1 OpenCV . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
3.3 Proiectare . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
5

Introducere
Tr aim ^ ntr-o lume a tehnologiei avansate s ,i nimeni nu ^ s ,i mai poate imagina o viat , a
f ar a calculatoare sau telefoane mobile.
Calculatoarele sunt reprezentate ^ ntre timp pretutindeni ^ n viat ,a cotidian a a ec aruia
dintre noi: – ^ ncep^ and de la tabela de informare dintr-un Supermaket p^ an a la sistemul de
entertain din mas ,ina, pe care o conducem. S a nu uit am telefoanele mobile care cele mai
multe dintre ele au funct ,ii s,i aplicat ,ii informatice de ultim a generat ,ie.
Nu toate aceste sisteme pot  dirijate prin conceptul de baz a, av^ and mouse s ,i tastatur a.
Pentru astfel de situat ,ii este nevoie de concepte noi de deservire.
Chiar dac a ^ ntre timp majoritatea acestor funct ,ii s,i aplicat ,ii informatice au fost imple-
mentate in telefoanele mobile nou ap arute pe piat , a s,i au devenit astfel accesibile publicului
larg, cadru de utilizare a multora dintre aplicat ,ii este limitat s ,i astfel nu toate problemele
pot  rezolvate prin montarea unor aplicat ,ii.
^Intr-un domeniu, cum ar  recunoas ,terea de chipuri sau de fet ,e, s-au ^ ncercat s ,i aplicat
multiple metode. Fiind at^ at de vast acest domeniu se pot implementa metode noi sau
perfect ,iona cele existente.
^In lme se poate vedea mereu, cum unii dintre actori recurg la metode informatice
avansate de-a sparge un seif, de-a accesa nis ,te date secrete dintr-o baz a de date, de-a avea
acces ^ n spat ,ii de sigurant , a, prin aplicat ,ii cum ar  recunoas ,terea de voce, de iris, de chip,
de amprent a. Chiar dac a cele ar atate ^ n lm se pot cataloga drept ct ,iune, conceptul de-a
recunoas ,te chipul sau amprenta, este aplicabil s ,i ^ n lumea real a, departe de Hollywood.
^In continuare sunt oras ,e precum Rotterdam, ^ n care s-a testat timp de un an un
scanner de chipuri, ^ n scopul de-a reduce vandalismul s ,i violent ,a ^ ntr-o stat ,ie de metrou
intens circulat a.
^In Germania s-au init ,iat proiecte ^ n cadrul Festivalurilor de cultur a, a concertelor de
muzic a ^ n aer liber sau a meciurilor de fotbal, care au f acut posibil a recunoas ,terea chipu-
6

Luput i Antonio Marius Flavius Lucrare de licent  a
rilor persoanelor participante, ^ n vederea depist arii s ,i identic arii indivizilor cu probleme
comportamentale.
Un chip recunoscut poate  folosit ca s ,i un factor biometric ^ n vederea autentic arii
^ n ret ,elele de calculatoare.
Se poate observa deci faptul c a, recunoas ,terea digitala de chipuri sau de fet ,e este
r asp^ andit a ^ ntr- o oarecare m asur a ^ n domenii mai put ,in obis ,nuite, cum ar  criminalis-
tic a, medicin a legal a, baza de date din cadrul Serviciului de evident , a al populat ,iei.Acest
lucru are bine^ nt ,eles mai multe motive, iar unul dintre acestea este desigur faptul c a,
transpunerea tehnic a nu este accesibil a tuturor. Persoanele care ar folosi aceste aplicat ,ii
nu sunt informaticieni calicat ,i s,i astfel nu dispun de cunos ,tint ,ele necesare pentru a
transpune tehnic recunoas ,terea de chipuri bazat a pe aparate foto. Aici intervine rolul
unui informatician. Acesta dispune de cunos ,tint ,e de limbaje de programare, cu ajutorul
c arora se face posibil a transpunerea ^ n realitate a recunoas ,terii digitale de chipuri. Tre-
buie asigurat faptul c a, aplicat ,ia poate  folosit a de ecare s ,i de persoane care dispun
doar de put ,ine cunos ,tint ,e de programare.
Prin prezenta lucrare ^ mi propun s a prezint ret ,ele neuronale si recunoas ,terea de fet ,e.
7

Capitolul 1
Ret,ele neuronale
1.1 Not ,iuni generale
Ret ,ele neuronale reprezint a ansambluri de elemente de procesare simple, interconec-
tate prin canale de comunicat ,ii prin care se propag a informat ,ie numeric a. Altfel spus
ret,elele neuronale articiale sunt ret ,ele alc atuite din neuroni articiali. Acestea repre-
zint a obiectul de cercetare a neuroinformaticii s ,i reprezint a ramura inteligent ,ei articiale.
Ret ,elele neuronale articiale au la fel ca s ,i neuronii articiali un model biologic. [18, pag.7-
22], [10], [5], [9]
Figura 1.1: Ret ,ea neuronal aO reprezentare simplicat a a unei ret ,ele neuro-
nale articiale este prezentat a ^ n gura 1.1
Ret ,elele neuronale articiale se bazeaza de cele
mai multe ori pe o interconectare a mai multor
neuroni McCulloch -Pitts sau devieri us ,oare de la
aces ,tia.^In principiu pot g asi aplicat ,ie s,i alt ,i neuroni
articiali ^ ntr-o ret ,ea neuronal a articial a.
Topologia unei ret ,ele trebuie s a e bine g^ andit a. Dup a construct ,ia unei ret ,ele urmeaz a
faza de antrenament, ^ n care o ret ,ea"^ nvat , a\.
Din punct de vedere teoretic o ret ,ea poate ^ nv at ,a prin urm atoarele metode:
a.Dezvoltarea de noi conexiuni, radierea conexiunilor existente.
b.Modicarea ponderii (a ponderii wijde la neuronal i la neuronul j).
8

Luput i Antonio Marius Flavius Lucrare de licent  a
c.Adaptarea valorilor prag a neuronilor.
d.Ad augarea sau s ,tergerea de neuroni.
La programele cu ret ,ele neuronale nu exist a o zon a x a de memorare.Datele sunt
memorate prin stabilirea valorilor corespunzatoare ale ponderilor conexiunilor sinaptice
dintre neuronii retelei. La programele standarte cu locat ,ie xa de memorare in cazul
defect arii zonei de memorare intregul program este inutil, spre diferent ,a de programele
cu ret ,ele neuronale unde distrugerea unei zone nu implic a distrugerea sau neputint ,a de
rezolvare a sarcinii. La asemenea defect ,iune scade doar perfomant ,a, acuratet ,ea progra-
mului.
Algoritmul la ret ,ele neuronale este put ,in neconvent ,ional fat , a de cele obis ,nuite prin
faptul c a ele nu necesit a scrierea am anunt ,it a a pasilor, ele obt ,in solut ,ia/solut ,iile prin
^ nv at ,area din exemple. Evindent cu c at se fac mai multe exemple cu at at mai apropiat este
programul de solut ,ia ideal a, acumul^ and"experient , a\. La programele obis ,nuite trebuie
modicare la o variat ,ie a solut ,iei pe c and la cele neuronale ele ^ ns as ,i se schimb a pe baza
exemplelor, construindu-si singur pasii de rezolvare.
1.2 Neuronul biologic
Neuronii sunt celule individuale, specice pentru sistemul nervos, care comunic a ^ ntre
ele. M arimea unui neuron este cuprinsa ^ ntre 100-200 µm si 4-8 µm. Neuronii sunt
interconectat ,i prin sinapse. [8]
Neuronul este format din:
-dendrite, se colecteaz a semnalele de intrare de la alt ,i neuroni.
-soma(corpul neuronului/celulei), format a din membran a si"substant , a\ intracelular a
trasnform a ^ n anumite condit ,ii semnalele de intrare ^ n semnale de ies ,ire.
-axon, se transmit semnalele de ies ,ire spre alt ,i neuroni.
Semnalele care se transmit ^ ntre neuroni au o form a electric a, potent ,ialul electric
variaz a spat ,io-temporal. Aceste schimb ari au loc pe membrama celulei. ^In stare de repaus
interiorul celulei este ^ nc arcat cu sarcin a negativ a. Diferent ,a de potent ,ial ^ ntre interior
si exterior este aproximativ -70 mV . Dendritele sunt canalele de intrare in neuron. Ele
9

Luput i Antonio Marius Flavius Lucrare de licent  a
Figura 1.2: Neuronul biologic
au p^ an a in 10 000 de puncte de contact(sinapse) cu alt ,i neuroni. Semnalele captate de
dendrite se propag a p^ an a ^ n soma, unde dac a se dep aseste pragul de depolarizare(sc aderea
potent ,ialului de membran a prin efectele electrice) adic a de aproximativ -40 mV ,se va
declans ,a un impuls circul and spre terminalele axonului spre urm atorii neuroni sau celule
musculare. Pentru o crestere a vitezei de propagare unii axoni sunt ^ nvelit ,i ^ ntr-un strat de
proteine numit mielin a. Soma poate  privit a ca o poart a care permite trecerea semnalului
mai departe spre terminali doar dac a dep aseste pragul, daca acest prag nu este depasit
atunci neuronul este inactiv. Acest prag nu este standard pentru ecare neuron. Intervalul
de propagare a unui semnal de la un neuron la altu este de 1-2 ms care din cauza retelei
neuronale este redus chiar la 3-5ori mai put ,in. Evident c a la ret ,ele neuronale articiale
propagarea este mult mai rapid a, dar totus ,i este inferioar a fat a de cele biologice. Acest
lucru este din cauza c a reteau biologic a contine o interconexiune mai mare dec^ at cea
articial a, cu alte cuvinte experient ,a este mai mare.
10

Luput i Antonio Marius Flavius Lucrare de licent  a
1.3 Neuronul articial
Ret ,elele neuronale sunt modele matematice f acute dup a sistemele nervoase biologice.
Un neuron articial este o unitate de procesare simpl a ^ ntr-o ret ,ea neuronal a articial a,
analog a neuronului biologic. Neuronul articial formeaz a baza pentru un model al ret ,elei
neuronale articiale, un model din neuroinformatic a, care este motivat prin ret ,ele ne-
uronale biologice. Ca s ,i model conectionist neuronii formeaz a ^ ntr-o ret ,ea format a din
neuroni articiali, o ret ,ea neuronal a articial a s ,i pot astfel aproxima ^ n mod arbitrar
funct ,ii complexe, ^ nv at ,a exercit ,ii s,i rezolva probleme, la care este dicil a sau nerealizabil a
o modelare explicit a. Exemple ar  recunoas ,terea fet ,ei s,i a limbajului.
Neuronul articial s-a n ascut dintr-un model biologic al celulei nervoase s ,i poate pre-
lucra mai multe introduceri de date s ,i react ,iona corespunz ator cu privire la activarea
sa. Pentru acest lucru introducerile sunt predate unei funct ,ii de emitere, care calcu-
leaz a activarea neuronal a. Comportamentul acestora le este dat ^ n general prin ^ nv at ,are
folosindu-se un procedeu de ^ nv at ,are. (Figura 1.3)
Figura 1.3: Diagrama unei celule McCulloch-Pitts- dup a Minsky
^Inceputurile neuronilor articiali le g asim ^ n anul 1943 s ,i sunt legate de numele lui
Warren McCulloch s ,i Walter Pitts. Aces ,tia au ar atat pe un model simplicat a unei ret ,ele
neuronale, celula McCulloch -Pitts, c a aceasta poate calcula fucnt ,ii logice s ,i aritmetice. ^In
anul 1949 Donald Hebb descrie regula de ^ nv at ,are Hebb. Aceasta se bazeaz a pe cercetarea
medical a efectuat a de c atre Santiago Ramon y Cajal, care a demonstrat deja ^ n anul 1911
existent ,a sinapselor. Conform acestei reguli se ^ nt aresc ^ n repetate r^ anduri leg aturi active.
Generalizarea acestei reguli se ^ ntrebuint ,eaz a s ,i ^ n procedeele de ^ nv at ,are de ast azi.
O lucrare important a se editeaz a ^ n anul 1958, teorema convergent ,ei cu privire la
perceptron. [13]
Frank Rosenblatt arat a ^ n acesast a lucrare faptul, c a prin intermediul perceptronului
se pot ^ nv at ,a cu procedeul de ^ nv at ,are indicat toate solut ,iile, care pot  reprezentate.
Frank Rosenblatt a fost ^ ns a criticat ^ n anul 1969 de c atre Marvin Minsky s ,i Seymour
11

Luput i Antonio Marius Flavius Lucrare de licent  a
Papert, care au ar atat, c a un perceptron cu o singur a treapt a nu poate reprezenta o
combinare XOR, pentru c a funct ,ia XOR nu poate  separat a linear. Modelele de mai
t^ arziu contrazic ^ ns a acest lucru. Limita ^ n modelarea ar atat a astfel duce la o sc adere
a interesului ^ n cercetarea ret ,elelor neuronale articiale. Acest lucru se schimb a ^ ns a ^ n
momentul ^ n care John Hopeld face cunoscute ret ,elele Hopeld ^ n anul 1985 s ,i arat a,
c a acestea sunt ^ n stare s a rezolve probleme de optimizare, cum ar  problema turistului
^ n circuit. ^In anul 1986 intereseul pentru cercetarea acestor ret ,ele se revigoreaz a prin
lucr arile la procedeul de repropagare elaborat de c atre David E. Rumelhart, Georey E.
Hinton s ,i Ronald J. Williams. Astfel de ret ,ele sunt folosite ^ n zilele noastre ^ n multe
domenii de cercetare.
1.3.1 Motivare biologic a
Neuronii articiali sunt motivat ,i de celulele nervoase ale mamiferelor, specializate
pe preluarea s ,i prelucrarea de semnale. Prin intermediul sinapselor sunt transmise mai
departe semnale electrice sau chimice c atre alte celule nervoase sau efector celule (pentru
contract ,ii musculare). [11]
O celul a nervoas a const a dintr-un corp celular, axonul s ,i dendrite. Dendritele sunt
prelungiri celulare scurte, care puternic ramicate preiau semnalele altor celule nervoase
sau celule senzoriale. Axonul funct ,ioneaz a ca s ,i o ies ,ire de semnal din celul a s ,i poate
ajunge p^ an a la lungimea de 1 m. Trecerea semnalelor are loc la nivelul sinapselor, care
pot avea efect stimulent sau inhibator.
Dendritele celulei nervoase conduc excitat ,iile electrice care intr a mai departe la corpul
celular. ^In cazul ^ n care excitat ,ia atinge o anumit a valoare limit a s ,i trece peste aceasta,
se descarc a tensiunea s ,i se propag a prin intermediul axonului ( Legea totul sau nimic).
Comut arile acestor celule nervoase formeaz a baza pentru performant ,a mental a a creie-
rului. Sistemul nervos central al omului const a conform estim arilor din 1010pn a la 1012
celule nervoase, care au ^ n medie 10.000 de conexiuni- creierul uman poate deci s a aib a
mai mult dect 1014conexiuni.
1.3.2 Modelare
Cu biologia ca s ,i model se g ases ,te astfel o solut ,ie aplicabil a pentru tehnica infor-
mat ,ional a. Printr-o generalizare se simplic a sistemul – ment ,in^ andu-se propriet at ,ile
12

Luput i Antonio Marius Flavius Lucrare de licent  a
esent ,iale.
Sinapsele celulei nervoase se reproduc prin ad augarea de ^ nregistr ari, activarea mie-
zului celulei prin funct ,ia de activare cu valoare de prag. Folosirea unui sumator s ,i a unei
valori prag se reg ases ,te deja ^ n celula McCulloch -Pitts din 1943
1.3.3 Componente
Figura 1.4: Reprezentarea unui neuron articial
Figura 1.5: Separarea liniar a prin c^ ampul de separare pentru conjunct ,ie
Un neuron articial poate  descris prin patru elemente de baz a:
1. Ponderea: Ponderile determin a gradul de in
uent , a, pe care datele de intrare ale
neuronului le ocup a la calcularea mai t^ arziu a activ arii. Dependent de semnele pre-
alabile o dat a de intrare poate  inhibitorie sau excitorie. O pondere de 0marcheaz a
o leg atur a care nu exist a ^ ntre dou a noduri.
13

Luput i Antonio Marius Flavius Lucrare de licent  a
2. Funct ,ia de transfer: Funct ,ia de transfer calculeaz a ^ n baza ponderii datelor de in-
trare, datele de intrare de ret ,ea a neuronului.
3. Funct ,ia de activare: Datele de ies ,ire ale neuronului sunt determinate ^ n nal de
funct ,ia de activare. Activarea este in
uent ,at a de datele de intrare de ret ,ea din
funct ,ia de transfer, precum s ,i a unei valori de prag.
4. Valoarea de prag: Adunarea unei valori de prag la datele de intrare de ret ,ea depla-
seaz a datele de intrare ponderate. Denumirea se determin a din folosirea unei funct ,ii
prag, ca s ,i funct ,ie de activare, la care se activeaz a neuronul, dac a valoarea prag
este dep as ,it a. Motivarea biologic a este potent ,ialu prag la celulele nervoase. Din
punct de vedere matematic, este deplasat c^ ampul de separare, care separ a spat ,iul
semnului, printr-o valoare prag cu o transformare.
Datele de intrare pot rezulta pe de-o parte din procesul observat, a c arei valori sunt
predate neuronului sau care provin din nou din datele de ies ,ire ale altor neuroni. Ele sunt
reprezentate s ,i as ,a(Figura 1.6).
Figura 1.6: Notat ,ia
1.3.4 Denit ,ie matematic a
Neuronul artical ca s ,i model este introdus ^ n literatur a astfel: Mai ^ nt^ ai este denit a
intrarea de date ^ n ret ,eanet ja neuronului articial jprin
net j=nX
i=1xiwij (1.1)
s,i astfel activarea ojprin
oj='(net ij) (1.2)
Astfel: neste num arul datelor de intrare xidatele de intrare i, care pot  at^ at discrete
c^ at s ,i continue.
14

Luput i Antonio Marius Flavius Lucrare de licent  a
^In mod alternativ valoarea prag poate  reprezentat a prin ad augarea unei alte date
de intrarexo, un as ,a numit on-neuron saubias. Acesta are valoarea constant a x0= 1.
Valoarea prag este atunci ponderea acestei intr ari de date w0j=oj.
Suplimentar la intr arile de date autentice se calculeaz a intrarea de date al on-neuronului:
net j=nX
i=0xiwij (1.3)
La activarea ojse poate renunt ,a la o tratare special a a valorii prag:
oj='(net j) (1.4)
15

Luput i Antonio Marius Flavius Lucrare de licent  a
1.3.5 Funct ,ii de activare
Figura 1.7: Funct ,ie valoare prag
Figura 1.8: Funct ,ie linear a fragmentar a
Figura 1.9: Funct ,ie sigmoid a cu m asur a de cres ,tere
a=5
precum si
a=10
a) Funct ,ia valoare prag preia doar valorile 0s,i1. Un neuron cu o astfel de funct ,ie se
numes ,te s,iCelula McCulloch Pitts . Aceasta red a proprietatea totul sau nimic a modelului
16

Luput i Antonio Marius Flavius Lucrare de licent  a
'hlim(v) =8
<
:1; pentru v0;
0; pentru v< 0:(1.5)
b) Funct ,ia linear a fragmentar a reproduce un interval linear limitat, intervalele exteri-
oare sunt reproduse pe o valoare constant a.
'pwl(v) =8
>>>><
>>>>:1; pentru v 1
2;
v+1
2; pentru1
2<v<1
2;
0; pentru v 1
2:(1.6)
c) Funct ,ia sigmoidal a are ca s ,i caracteristic a special a diferent ,iabilitatea, necesar a pen-
tru unele procedee, cum ar  algoritmul backpropagation
'sig
a=1
1 + exp(av): (1.7)
1.4 Algoritmi de ^ nv at ,are
De cele mai multe ori ^ nv at ,area ^ n cadrul ret ,elelor neuronale are loc prin modicarea
matricei ponderii. ^In acest sens i se prezint a ret ,elei ^ n mod repetat diferite modele de
antrenare. Regula de ^ nv at ,are indic a atunci, cum se modic a matricea ponderii. Matricea
este partea cea mai interesant a a unei ret ,ele neuronale, pentru c a permite ca o ret ,ea s a
^ nvet ,e s a rezolve o problem a dat a ^ n mod independent din exemple. Exist a metode de
^ nv at ,are care nu m aresc sau mics ,oreaz a doar valori, ci s ,i dimensiunile matricei ponderii,
ad aug^ and sau^ ndep art^ and neuroni. Diferitele reguli de^ nv at ,are se^ mpart^ n trei grupe. [7]
1.4.1 ^Inv at ,area supravegheat a
Algoritmul de ^ nv at ,are compar a modelul de ies ,ire a datelor calculat cu modelul de
ies,ire a datelor dorit s ,i modic a cu aceast a informat ,ie astfel ponderile, ^ nc^ at diferent ,a
dintre datele de ies ,ire reale s ,i dorite s a devin a pe c^ at posibil mic a. Asta ^ nseamn a ^ ns a
c a pentru ecare exemplu, care este prezentat ret ,elei, algoritmului de ^ nv at ,are trebuie
s a-i e cunoscut modelul dorit de ies ,ire a datelor. Sarcina metodei de ^ nv at ,are este de-a
modica astfel ponderile, ca ret ,eaua s a poat a face dup a prezentarea repetat a a perechilor
de modele de intrare s ,i ies ,ire de date aceast a asociere ^ n mod independent s ,i s a poat a
17

Luput i Antonio Marius Flavius Lucrare de licent  a
face acest lucru s ,i pentru modele similare, necunoscute. Ret ,eaua trebuie s a extrag a din
exemple o regul a, ^ n scopul de- a produce s ,i pentru intr ari de date necunoscute o problem a
folositoare. ^Inv at ,area supravegheat a se aplic a deseori ^ n tehnic a, pentru c a reprezint a cea
mai rapid a metod a, dar nu este plauzibil a din punct de vedere biologic. Exemple pentru
^ nv at ,area supravegheat a este Regula Delta sau algoritmul de ^ nv at ,are Backpropagation.
1.4.2 ^Inv at ,area ^ nt aritoare
Dup a ce ies ,irea de date din ret ,ea a fost calculat a din modelul de intrare a datelor,
algoritmul de ^ nv at ,are veric a dac a rezultatul este corect sau fals. Doar ^ n baza acestei
informat ,ii ret ,eaua modic a ponderea. Specicarea dac a rezultatul a fost corect sau fals
se poate compara cu pedepsirea sau recompensarea la int ,e. Este cunocut tuturor faptul
c a se ^ nvat , a cel mai bine din gres ,eli (experient ,e proaste). Aceast a metod a de ^ nv at ,are
este evident mai ^ nceat a dec^ at ^ nv at ,area supravegheat a.
1.4.3 ^Inv at ,area nesupravegheat a
^In cazul acesta ret ,eaua ^ nvat , a prin organizare proprie. ^Incearc a s a ^ mpart a modelele
datelor de intrare ^ n categorii, reproduc^ and modele de intrare de date similare ^ n zonele
^ nvecinate spat ,ial a nivelului de ies ,ire a datelor. Un exemplu sunt c art ,ile lui Kohonen. care
se auto-organizeaz a. Cu ^ nv at ,area nesupravegheat a nu se pot rezolva toate problemele,
dar aceast a form a de ^ nv at ,are este cea mai plauzibil a din punct de vedere biologic.
1.5 Domenii de aplicare ^ n autenticare biometrical a
Biometria este o metod a de autenticare care ajut a la identicarea unor caracteristici
biologice, cum ar  amprenta digital a, irisul ochilor sau vocea. Un scaner biometric
cites ,te caracteristicile biologice ale unui utilizator, cum ar  modelul irisului sau amprenta
digital a s ,i transform a rezultatul ^ n informat ,ii digitale, astfel ^ nc^ at calculatorul le poate
interpreta s ,i verica.
^In comparat ,ie cu alte sisteme, cum ar  codurile PIN sau parole, sistemele biometrice
ofer a mai mult a sigurant , a, deoarece codurile PIN s ,i parolele cuprind doar tr as aturi care
se refer a doar la persoane s ,i care pot  date cu us ,urint , a s,i f ar a probleme mai departe
altor persoane, pot  uitate sau furate.
18

Luput i Antonio Marius Flavius Lucrare de licent  a
^In cazul propriet at ,ilor biometrice, acest lucru nu este posibil. Este vorba de caracteris-
tici biometrice, cum ar  amprenta digital a, dar s ,i irisul, patul unghiei sau ADN-ul, care
cont ,in propriet at ,i care caracterizeaz a ^ n mod evident un om. Aceste modele biometrice
le are doar un singur om. Putem spune c a propriet at ,ile biometrice sunt astfel legate de
persoan a.
Deoarece este mult mai greu pentru un hacker r au intent ,ionat s a aib a acces la datele
biometrice ale unei persoane, aceast a form a a tehnologiei ofer a un grad mai ridicat de
sigurant , a dec^ at alte metode de identicare.
Domeniul de aplicare a identic arii biometrice este vast. Biometria poate  folo-
sit a at^ at pentru accesul zic ^ n cl adiri de rme, c^ at s ,i pentru accesul la calculatoarele
^ ntreprinderilor s ,i la sisteme. Biometria este folosit a deseori s ,i pentru autenticarea de
doi sau mai mult ,i factori, pentru c a multe implement ari biometrice necesit a ^ n mod supli-
mentar la caracteristicile biometrice s ,i introducerea de date de identicare ale utilizatorilor
s,i a parolelor.
^In linii mari tr as aturile biologice se ^ mpart ^ n caracteristici bazate pe ziologie s ,i
comportament. Caracteristicile bazate pe zilogie se refer a la tr as aturi externe de durat a
ale unei persoane s ,i sunt pasive. Aici amintim recunoas ,terea fet ,ei s,i a irisului, amprenta
digital a sau geometria m^ ainii. Aceste atribute sunt statice -nu se schimb a s ,i se ment ,in
toat a viat ,a.
Caracteristicile bazate pe comportament se orienteaz a^ n schimb asupra act ,iunii active,
care este supus a modic arilor. La aceste caracteristici se num ar a vocea, semn atura sau
ritmul de batere la tastatur a. Aceste tr as aturi sunt active s ,i dinamice, deci se modic a.
Pentru c a sunt in
uent ,ate de ziologie s ,i emot ,ii sunt supuse mereu unor oscilat ,ii naturale.
Pentru ambele domenii exist a o multitudine de aparate. Important este ca^ ntreprinde-
rea s a aleag a un procedeu care s a se potriveasc a la necesit at ,ile specice s ,i s a e acceptat
de c atre muncitori.
1.5.1 Amprent a digital a
Folosit a pentru identicarea de acces^ n cadrul sistemelor de calculatoare s ,i^ n domeniul
mobil, cum ar  notebooks, tablete, smartphones, precum s ,i pentru mas ,ini, este unul
dintre cele mai vechi procedee s ,i ^ n prezent cel mai r asp^ andit procedeu biometric.
Cel mai cunoscut dispozitiv care foloses ,te ^ n prezent un senzor pentru amprenta di-
19

Luput i Antonio Marius Flavius Lucrare de licent  a
gital a ^ n scopul identic arii este iPhone-ul de la rma Apple (^ ncep^ and cu versiunea 5s).
Faptul c a nu necesit a introducerea de parole s ,i coduri PIN le face us ,or de utilizat. ^In prin-
cipiu amprenta digital a este unic a s ,i astfel dovedes ,te cu o mare probabilitate identitatea
utilizatorului.
^In cazul ngerprint-ului senzorii unui aparat de citit scaneaz a foarte repede ^ n baza
unei tehnici capacitive, optice, termice sau cu ultrasunete felul cum decurg liniile, v^ ar-
tejurile, ^ nnod arile s ,i ramicat ,iile amprentei digitale, as ,a numitele minut ,ii. Sunt suciente
14 dintre aceste minut ,ii pentru a atribui ^ n mod clar amprenta digital a unui om.
^In cazul ^ n care valorile nu coincid ^ n momentul veric arii, accesul nu este permis.
Chiar s ,i cei care ar ^ ncerca s a ^ ns ,ele sistemul de senzori cu o amprent a de cear a sau un
deget amputat, nu reus ,es,te ^ n cazul sistemelor de ngerprint performante. ^In aparatul de
citit sunt integrate senzori suplimentari care m asoar a pulsul degetului s ,i astfel pot face
diferent ,a dintre o amprent a digital a autentic a de una fals a.
Senzorii de amprent a digital a mai ieftini folosit ,i ^ n practic a nu sunt foarte siguri. O
amprent a digital a poate  copiat a de exemplu de pe o cafetier a. Probleme apar s ,i ^ n cazul
^ n care amprenta digital a a unui utilizator a fost deteriorat a sau modicat a.
1.5.2 Recunoas ,terea limbajului
^In cazul recunoas ,terii limbajului sau a vocii este vorba de o tehnologie biometric a sin-
gular a care nu m asoar a propriet at ,i ne-vizuale ale corpului uman. Caracteristica pronunt ,iei
umane are loc prin particularitatea corzilor vocale, a gurii, nasului s ,i a buzelor, care pro-
duc o voce specic a.
Pentru recunoas ,terea vocii se m asoar a vibrat ,iile tonalit at ,ii din vocea unei persoane s ,i
se compar a cu modele existente. Persoana care trebuie identicat a trebuie s a pronunt ,e ^ n
mod normal un cuv^ ant anume de recunoas ,tere sau o proprozit ,ie ^ ntreag a, care s a sust ,in a
^ n mod suplimentar procesul de identicare. Tr as aturile vocii sunt unice pe o scal a de
1:10.000.
Metoda are un punct de sl abiciune, s ,i-anume sensibilitatea fat , a de interferent ,e s,i
zgomote de fond. Sigurant ,a ^ n cazul recunoas ,terii vocii poate  crescut a prin num arul
cuvintelor memorate s ,i ^ ntrebate. Aceast a metod a poate  folosit a s ,i la telefon, folosindu-
se ^ n cadrul telebanking-ului.
20

Luput i Antonio Marius Flavius Lucrare de licent  a
1.5.3 Scan ari de iris si retin a
Pentru o identicare rapid a s ,i pozitiv a se foloses ,te recunoas ,terea irisului s ,i a retinei.
Aceast a metod a ind una dintre cele mai precise, comod a s ,i f ar a atingere solut ,ie biome-
tric a. Copierea modelului de retin a a unei persoane este mult mai dicil de realizat dec^ at
copierea unei amprente digitale.
Recunoas ,terea irisului se bazeaz a pe unicitatea irisului ocular, cea mai complex a
tr as atur a biometric a a corpului uman. Irisul este un muschi circular care se a
 a ^ n camera
anterioar a a ochiului, ^ n spatele corneei. Protejat de in
uent ,e externe cu suprafat ,a bine
structurat a, constituie o tr as atur a biometric a ecient valoricabil a.
Scanarea irisului este considerat a o tehnologie de identicare exact a, pentru c a tr a-
s aturile irisului nu se modic a ^ n decursul viet ,ii omului, iar irisului prezint a mai mult de
o sut a de variabile m asurabile s ,i este un procedeu rapid, care nu dureaz a mai mult dec^ at
una p^ an a la dou a secunde.
Pentru a avea acces ^ ntr-un domeniu este sucient s a prives ,ti ^ ntr-un aparat de fo-
tograat. Purtarea de ochelari sau lentile de contact nu sunt un impediment. Dac a
imaginea ^ nregistrat a corespunde cu setul de date de referint , a, accesul este liber. ^In cazul
test arilor s ,i studiilor curpinz atoare nu s-au constatat gres ,eli ^ n recunoas ,terea de persoane
prin intermediul acestei metode.
Din acest motiv recunoas ,terea de iris este folosit a cu succes de exemplu ^ n cazul
supravegherii la ^ nchisoare, ind ^ ns a folosit a s ,i ^ n aplicat ,ii online unde poate ^ nlocui
identicarea prin parol a.
Biometria este o tehnologie modern a s ,i avansat a cu potent ,ial ridicat ^ n viitor.
21

Luput i Antonio Marius Flavius Lucrare de licent  a
Caracteristici biometriceProcedeu
biometricAvantaje Dezavantaje
IrisulRetina este sca-
nat a cu ajutorul
unui laser sau a
unei lumini cu
infraros ,uMetod a sigur a
fat, a de falsicare
s,i un grad sc azut
de recunoas ,tere
gres ,it a de
1 : 1 :000 :000Frica utilizatoru-
lui fat , a de scana-
rea cu laser
Amprenta digital aPunctele unice,
caracteristice ale
pielii degetului
sunt ^ nregistrate
s,i analizateMetod a sigur a
fat, a de falsicare
s,i un grad sc azut
de recunoas ,tere
gres ,it a de 1:
1:000 :000Ret ,ineri mari
din partea uti-
lizatorilor fat , a
de drepturile
personalit at ,ii
Fat ,aAnaliza
tr as aturilor
proeminente ^ n
zona frontal a a
capuluiF ar a atingereSeturile de date
necesit a sisteme
rapide s ,i scumpe.
^In afar a de
aceasta ar putea
exista probleme
cu privire la
protect ,ia datelor
Semn aturaRecunoas ,terea
tr as aturilor ca-
racteristice de
semn atur a, cum
ar  dinamica
scrisuluiSe accept a de
c atre utlizatorProbleme la se-
pararea p art ,ilor
variabile s ,i in-
variabile la
recunoas ,tere. ^In
afar a de aceasta
metoda necesit a
mult timp
VoceAnaliz a spectral a
a unui cuv^ ant ros-
tit (de cele mai
multe ori prede-
terminat)Se accept a de
c atre utlizatorProbleme la se-
pararea p art ,ilor
variabile s ,i in-
variabile la
recunoas ,tere. ^In
afar a de aceasta
metoda necesit a
mult timp
1.6 Note istorice
Domeniul de cercetare"Ret ,ele neuronale\ are o tradit ,ie la fel de ^ ndelungat a ca s ,i
informatica. Primele lucr ari ^ n acest domeniu au fost publicate deja la ^ nceputul anilor
22

Luput i Antonio Marius Flavius Lucrare de licent  a
40. Domeniul de cercetare a trecut prin diferite stadii, care pot  structurate dup a cum
urmeaz a:
^Inceputurile (1943 -1955)
Perioada de glorie timpurie (1955-1969)
Anii linis ,tit,i (1969-1985)
Renas ,terea (1985 -zilele noastre)
Istoria ret ,elelor neuronale este astfel aproape la fel de veche ca s ,i primele calculatoare
programabile pe baz a electronic a. Acest lucru ilustreaz a faptul, c a dorint ,a de-a simula un
comportament pe calculator a fost unul dintre motivele de baz a ai pionierilor ^ n domeniul
informaticii. [17]
1.6.1 ^Inceputurile
Warren McCulloch s ,i Walter Pitts au descris deja ^ n anul 1943 o structur a, pe care
noi am putea s a o numim ret ,ea neurologic a s ,i care poate calcula practic ecare funct ,ie
logic a sau chiar s ,i aritmetic a.
^In anul 1949 Donald O. Hebb descrie o strategie local a de antrenament pentru neuroni.
Acesat a regul a de ^ nv at ,are formeaz a premisa pentru multe procedee de ^ nv at ,are cunoscute
^ n zilele noastre.
Neuropsihologul Karl Lashley este de p arere c a procesul de^ nmagazinare a informat ,iilor
s,i prelucrarea acestora ^ n creier se realizeaz a ^ n mod repartizat.
1.6.2 Anii timpurii de glorie
Unul dintre primele progrese ^ n domeniul neurocompunterului i-a reus ,it lui Frank
Rosenblatt s ,i colaboratorilor s au. Ei au creat un as ,a numit perceptron s ,i au realizat
implementarea acestei arhitecturi de ^ nv at ,are cu ajutorul componentelor de hardware.
Sistemul a putut recunoas ,te cifre simple ^ n baza unei pixelmatrice comparativ mic a (20 
20).
Asem an ator perceptronului a putut  folosit s ,i as ,a numitul Adaline un fel de ret ,ea
realizat a de c atre Bernhard Widrow s ,i Marcian E. Ho ^ n anul 1960, ind utilizat ^ n
recunoas ,terea modelului.
23

Luput i Antonio Marius Flavius Lucrare de licent  a
1.6.3 Anii linis ,tit ,i
O ^ ntors atur a nefavorabil a ^ n acest domeniu are loc datorit a cercet arilor lui Marvin
Minsky s ,i Seymour Papert ^ n anul 1969 cu privire la perceptron. Aces ,tia demonstreaz a
faptul, c a modelul nu se preteaz a pentru o serie ^ ntreag a de probleme simple (problema
XOR,"Parity\,"Connectivity\).
Astfel c a, pentru o perioad a destul de ^ ndelungat a cecet arile ^ n acest domeniu se
sisteaz a, deoarece a fost foarte greu s a se obt ,in a bani pentru cercetare.
Stephen Grossberg realizeaz a ^ n anii 70 modele de ret ,ele neuronale bazate pe matema-
tic a. ^Impreun a cu Gail Carpenter se dedic a s ,i problemei de a ment ,ine o ret ,ea neuronal a
capabil a s a ^ nvet ,e, f ar a s a ^ nl ature modele ^ nv at ,ate. Ei formuleaz a un concept architec-
tural pentru ret ,ele neuronale, Teoria adaptiv a a rezonant ,ei.
Un alt cercet ator ^ n acest domeniu este Kunihiko Fukushima, care ^ mpreun a cu S.
Miyake s ,i T. Ito prezint a ^ n anul 1983 modelul neuronal"Neocognitron\, care serves ,te
recunoas ,terii semnelor scrise de m^ an a.
1.6.4 Renas ,terea
In perioada renas ,centist a ^ l amintim pe John Hopeld care a publicat ^ n anul 1985
o solut ,ie la"Travelling Salesman Problems\ adic a problema turistului ^ n circuit, prin
ret,eaua Hopeld.
^In timpurile noastre ret ,elele neuronale se bucur a de o atent ,ie sporit a, deoarece au dat
rezultate mai bune ^ n procedeele de ^ nv at ,are concurente.
^Intre anii 2009 s ,i 2012 un grup de cercet atori condus ,i de Juergen Schmidhuber de
la Institutul elvet ,ian KI Labor IDSIA au c^ as ,tigat o serie de concursuri internat ,ionale ^ n
domeniul recunoas ,terii modelului s ,i ^ nv at ,area cu ajutorul unui dispozitiv. Amintim aici
ret,elele lor recurente LSTM ^ n recunoas ,terea scrisului de m^ an a, f ar a cunos ,tint ,e a-priori
incorporate cu privire la cele trei limbaje diferite care trebuie ^ nv at ,ate.
Lumea s ,tiint ,ic a va  mereu ^ n schimbare, cercet atorii ind ^ n continu a c autare de -a
^ mbun at at ,i s,i us ,ura activit at ,ile ^ n diferite domenii.
24

Capitolul 2
Recunoas ,tere facial a
2.1 Not ,iuni generale
Recunoas ,terea fet ,ei denumes ,te analiza unor tr as aturi vizibile ^ n zona frontal a a capu-
lui, dat a de c atre aranjarea geometric a s ,i caracteristicile de textur a a suprafet ,ei.
Primele ^ ncerc ari de-a abstractiza tr asuturile carac-
teristice ale fet ,ei s-au efectuat deja ^ n secolul XIX. Sir
Galtons, un matematician englez a fost unul dintre pri-
mii care s-a ocupat de aceast a problematic a. Astfel a
luat nas ,tere^ n ultimul secol o disciplin a singular a: Fizio-
nomia. Analiza sistematic a de chipuri. Recunoas ,terea
automat a de fet ,e cu ajutorul sistemelor asistate pe cal-
culator, a devenit ^ n anii 70 t ,inta diferitelor proiecte de
cercetare. ^In zilele noastre se evident ,eaz a tot mai mult identicarea s ,i autenticarea de
persoane cu ajutorul caracteristicilor zice, as ,a numita biometrie. ^In cadrul biometriei
s-a dezvoltat recunoas ,terea de fet ,e cu secvent ,e, ca s ,i o disciplin a singular a,"tracking\.
Recunoasterea faciala este singurul sistem biometric ziologic care poate recunoaste
la distant a, f ar a ca persoanele autorizate s a trebuiasc a s a interact ,ioneze cu senzorii si f ar a
a se g^ andi la acest lucru. Folosirea acestora cel mai bine este ^ n aeroport, b anci, locuri
publice, unde este aglomerat, deoarece persoanele sunt"scanate\ la fat a f ar a ca acestia s a
cons ,tient ,izeze. Alte aparate biometrice de recunoastere cum ar  dup a amprent a lasat a
de deget, iris, voce nu pot i folosite ^ ntr-o mas a as ,a mare de oameni, ind necesar iden-
ticarea unuia dup a altul, astept^ and r^ andul, si evident persoanele civile ind cons ,tient ,e
25

Luput i Antonio Marius Flavius Lucrare de licent  a
de aceste lucruri.
Recunoas ,terea de chipuri are aplicabilitate ^ n toate domeniile s ,i s-a dezvoltat ca un
domeniu part ,ial al biometriei cel mai important s ,i popular.
Sistemele moderne de recunoast ,erea chipurilor pot consta ^ n zilele noastre din pure
solut ,ii de software, care prelucreaz a imagini prin camere de supravegheat existente, p^ an a
la sisteme complet integrate cu camer a, terminale, dispozitive back end s ,i software de
prelucrare propriu, care a fost optimizat pentru acest hardware.
Aceste sisteme sunt de regul a astfel dezvoltate, c a pot prelucra imagini din diferite
surse. La acestea se num ar a fotograi, camere web s ,i camere de supraveghere. Un sistem
de recunoas ,tere a fet ,ei const a de regul a din dou a componente: un motor de localizare a
chipului, procedeu de recunos ,tere s ,i extragere de chipuri ^ ntr-o imagine s ,i un motor de
recunoas ,tere a chipului, procedeu de-a compara chipuri memorate. [14]
^In cadrul procedeelor de corespundere (matching) a imaginilor distingem:
a)Template Matching: procedeul ^ ncerc a s a calculeze asem anarea dintre imagine s ,i
o masc a a fet ,ei prestabilit a. Pentru identicare se compar a chipul dat cu toate
chipurile memorate ^ n baza de date, numite templates.
b)Corespunderea (matching) caracteristicilor geometrice: ^ n cadrul acestui pro-
cedeu se extrag caracteristicile geometrice ale unui chip s ,i memorate ca s ,i valori de
cifre ^ ntr-un vector. Din"n \ caracteristici se formeaz a un"n \ vector dimensional,
care descrie chipul dat.
c)Procedeul Eigenface Baza acestui procedeu este idea c a, se poate reconstitui complet
o colect ,ie de imagini, stabilind caracteristicile comune ale tuturor imaginilor s ,i apoi
memor^ and diferent ,ele pentru ecare imagine.
2.2 Puncte slabe ale sistemelor de recunoas ,tere
a chipurilor
Recunoastere faciala are si un mare dezavantaj, nu poate recunoaste fat ,a unei persoane
doar dac a acesta este ^ ntr-o pozit ,ie dreapt a din punct de vedere a fet ,ei, adic a s a nu aib a
capul ^ nclinat. La o ^ nclinare de numa 20 de grade programul nu mai poate recunoaste
fat,a. Un alt dezavantaj este ^ ncapacitatea de a recunoas ,te la o iluminare slab a, purtarea
26

Luput i Antonio Marius Flavius Lucrare de licent  a
de ochelari de soare,p ar lung s ,i alte obiecte care ar putea acoperi fat ,a. Un alt dezavantaj
major ^ l reprezint a expresia fet ,ei, adic a daca o persoan a z^ ambes ,te sau r^ ade programul nu
va putea s a o recunoasc a cu fat ,a avut a ^ n baza de date.Din aceste motive ^ n Canada este
permis a doar aratarea unei fet ,e neutrale la aeroporturi.
Dac a dimensiunea pixelar a a fetelor este prea mic a atunci pot ap area erori de confun-
dare a persoanei deoarece punctele de reper sunt inexacte.
Un dezavantaj deseori remarcat la software-urile de la Google, Flickr si Nikon este
neputint ,a de a recunoas ,te fat ,a la persoanelor cu piele de culoare^ nchis a.
Mediul^ nconjur ator respectiv condit ,iile de iluminare, unghiul de^ nregistrare s ,i distant ,a
la momentul ^ nregistr arii au o in
uent , a iminent a asupra rezultatului optim. Sistemul de
recunoas ,tere a chipurilor este fotosensibil, o distant , a diferit a fat , a de camera de lmat
poate in
uent ,a rezultatul. Modicarea caracteristicilor ziologice reduc de asemenea gra-
dul de exactitate al rezultatului. Modicarea stilului de purtare a p arului, barba sau
mustat ,a, fardurile sau purtarea de ochelari in
uent ,eaz a ^ n mod negativ rezultatul.
Dar ^ n cadrul istoriei de 175ani de fotograe au existat numeroase progrese prin care
efectuarea de fotograi s-a simplicat, a fost variat a s ,i perfect a din punct de vedere tehnic.
De cele mai multe ori aceste progrese tehnice au avut ^ nsemn atate s ,i pentru alte domenii
din viat ,a social a sau s ,tiint ,ic a, cum ar  recunas ,terea de chipuri.
^In jurul domeniului de recunas ,tere a fet ,ei s-a deschis un spectru larg de funct ,ii intere-
sante din lumea"App\. Un App de exemplu face posibil, ca ^ n momentul efectu arii unui
autoportret, camera s a se declans ,eze de-abia dup a ce chipul este ^ ncadrat perfect. Dar
recunoas ,terea de chipuri s ,tie mult mai multe. De exemplu fotograile propriului contact
pe facebook sunt folosite pentru a atribui chipurilor din vizor sau din fotograi imediat
un nume. Google ofer a de ani de zile programe gratuite, care s a us ,ureze utilizatorilor,
ordonarea propriei arhive de fotograi.
Software-ul dezvoltat de facebook poate recunas ,te aproape la fel de bine chipuri, ca s ,i
oamenii. Sistemul"Deep Face \ ar trebui s a us ,ureze marcarea prietenilor din fotograi.
Este oare scenariul de supraveghere cum^ l vede autorul poves ,tii Philipp K. Dick,"Minority
Report \, din 2002, posibil? Conform romanului sunt instalate ^ n anul 2054 ^ n toate
locat ,iile scannere, care identic a ecare trec ator dup a recunoas ,terea irisului s ,i care pot
evitate doar prin ^ nlocuirea ochiului, cu un ochi nou.
Supravegherea continu a a ec arei persoane este un subiect critic.
27

Luput i Antonio Marius Flavius Lucrare de licent  a
Figura 2.1: Ochelarii Atheer.8 Un mod mai performant de supraveghere este
o pereche de ochelari numit ,i"Atheer\(gura 2.1),
care poate furniza o imagine reconoscibil a, chiar
dac a 60% din chip este acoperit.
O pereche de ochelari folosit ,i ^ mpotriva algor-
timilor de recunoas ,tere a fet ,ei sunt ochelarii Pri-
vacy Visor (Figura 2.2 Persoana care poart a ochelarii Privacy Visor pot s a deregleze
recunoas ,terea de chipuri ale camerelor de lmat sau ale ret ,elelor sociale. Dac a primul
model de ochelari se folosea de iluminarea costisitoare cu LED uri, cel de-al doilea model
funct ,ioneaz a f ar a electronica. Inventatorul este profesorul Echizen Isao din cadrul Insti-
tutului National Japonez pentru Informatic a (Kokuritsu Jouhougaku Kenkyuujo).
Figura 2.2: Ochelarii Privacy Visor
Ochelarii dispun de o combinat ,ie de lentile special s ,lefuite s ,i modele, pentru a deruta
algoritmii de recunoas ,tere a fet ,ei. Utilizatorul unor astfel de ochelari poate s a evite
marcarea nedorit a a acestuia ^ n fotograi , care sunt ar atate publicului. Ochelarii vor
ajunge pe piat , a ^ n luna iunie 2016.
^In propria cas a se poate instala o sonerie high-tech isteat , a la us , a, care nu numai c a tri-
mite un video live a persoanei din fat ,a us ,ei proprietarului, dar poate s ,i prin recunoas ,terea
fet,ei s a-i deschid a us ,a sau nu.
Oare invent ,iile din tehnic a sunt gres ,ite, pentru c a nu realiz am doar lucruri pozitive
s,i folositoare cu ele, ci ele ascund s ,i pericole? Cu sigurant , a nu. Nu progresele inovative
28

Luput i Antonio Marius Flavius Lucrare de licent  a
sunt gres ,ite, ci felul cum sunt folosite.
2.3 Diferent ,ierea termenilor
Se va face distinct ,ia dintre localizarea fet ,ei ^ n imagine s ,i atribuirea fet ,ei unei anumite
persoane.
^In primul caz se veric a, dac a s ,i unde se recunoas ,te o fat , a, iar ^ n al doilea caz, se
veric a de ce persoan a este vorba. Dac a este vorba de recunoas ,terea fet ,ei ^ n sensul de-a
recunoas ,te pe cineva, de fat ,a cui este vorba, putem distinge dou a cazuri: ^In cazul ^ n care
recunoas ,etrea are loc de c atre o int , a uman a, se vorbes ,te ^ n limbajul englezesc de face
perception , iar dac a recunoas ,terea fet ,ei are loc de c atre un dispozitiv, o mas ,in a virtual a
se vorbes ,te de face recognition .
Se poate vorbi s ,i de o detectare a fet ,ei face detection, sau a portretului, Procedeul de
analiz a a imaginii ^ n cadrul recunoas ,terea de fet ,e se bazeaz a pe calculi matematice s ,i t,ine
cont de urm atoarele criterii:
Obiecte care se a
 a ^ n mis ,care
Forme ovale, care pot  interpretate ca s ,i posibile forme de capuri
Culori ^ n cadrul acestor forme
Ochii, care pot  identicat ,i ^ n baza distant ,ei lor comparabil a din punct de vedere
statistic
2.4 Tipuri de recunoas ,tere facial a
Recunoas ,terea chipului funct ,ioneaz a at^ at^ n cazul ^ nregistr arilor frontale, c^ at s ,i de pro-
l, ind nesemnicativ faptul, la ce distant , a se a
 a persoana de camera de lmat, dac a
se mis ,c a sau dac a se reg asesc s ,i alte obiecte ^ n prim plan sau ^ n cel second. Indiferent
dac a dorit ,i s a recunoas ,tet,i, s a identicat ,i sau s a vericat ,i o persoan a, o camera foto
av^ and un software de recunoas ,tere a chipului este solut ,ia ecient a. Se face distinct ,ia ^ ntre
recunoas ,terea biologic a, cea tehnic a, procedeul 2D s ,i cel 3D.
29

Luput i Antonio Marius Flavius Lucrare de licent  a
2.4.1 Recunoas ,terea biologic a
Se refer a la capacitatea de recunoas ,etre s ,i distingere ^ ntre chipuri (perceperea fet ,ei),
care ^ n mod normal se dob^ andes ,te de c atre creierul uman ^ n primele luni de viat , a. Aceasta
este o funct ,ie a creierului mare, mai exact a lobului occipital. ^In cazul ^ n care aceast a
capacitate lipses ,te part ,ial sau total, vorbim de prosopagnosie sau orbirea fat , a de fet ,e.
Prosopagnosia este o boal a rar a ^ n care funct ,iile cerebrale responsabile de procesul de
recunoas ,tere lipsesc sau lipsesc part ,ial.
2.4.2 Recunoas ,terea tehnic a a chipului
Din punct de vedere tehnic, recunoas ,terea chipului sau a fet ,ei t ,ine de procedeul bi-
ometric. Acest procedeu este utlizat ^ n domeniul criminalistic s ,i ^ n medicina legal a, ^ n
scopul identic arii sau veric arii persoanelor zice.
Recunoas ,terea tehnic a a fet ,ei asistat a pe calculator se utilizeaz a ^ n cazul controalelor
de acces a persoanelor ^ n zonele sensibile de sigurant , a s,i ^ n vederea c aut arii dublurilor ^ n
baza de date, de exemplu ^ n cazul registrelor de evident , a a populat ,iei, pentru a se evita
furtul de identitate.
Pentru^ nregistrarea s ,i reprezentarea digital a a imaginilor de chip^ n scopuri interopera-
bile, ^ n special ^ n vederea utiliz arii pas ,apoartelor electronice s ,i ^ n domeniul criminalisticii
se foloses ,te standardul international ISO/IEC 19794-5.
Aici vorbim de o ^ nalt a calitate de recunoas ,tere a cont ,inutului de imagine s ,i tehnica
de ^ nregistrare.
2.4.3 Procedeul 2D
Procedeele simple de recunoas ,tere a chipurilor utilizeaz a o m asurare bidimensional a
(2D) geometric a a unor caracteristici special, cum ar  gura, nasul, ochii. ^In cadrul
prezentului procedeu se determin a pozit ,ionarea acestor elemente, distant ,a dintre acestea.
Procedeele mai avnasate se bazeaz a ^ ns a de cele mai multe ori pe calcule complexe,
cum ar  analiza de tip Wavelet, de ex. cu ajutorul tranform arii Gabor sau analiza
componentelor de baz a. ^In ultimii ani s-a ^ ncercat s a se ^ mbun at at ,easc a prezentul pro-
cedeu, astfel ^ nc^ at rata de es ,uare s a e c^ at mai mica. Dac a ^ n anii 90 rata de es ,uare
^ n a recunoas ,te chipuri a fost ridicat a, aproape patru personae din cinci nu au putut
30

Luput i Antonio Marius Flavius Lucrare de licent  a
recunoscute, ^ n prezent aceast a rat a este foarte sc azut a, astfel ^ nc^ at aproximativ una din
o sut a de personae nu este recunoscut a.
Doi informaticieni au dezvoltat ^ n anul 2001 o metod a de recunoas ,tere a fet ,ei, denu-
mit a dup a aces ,tia: Metoda Viola Jones. Metoda Viola Jones este un procedeu matematic
de recunoas ,tere a modelelor ^ n imagini digitale.
Metoda a fost dezvoltat a cu ajutorul unei biblioteci de programe libere OpenCV, care
pune la dispozit ,ie algoritmii pentrun prelucrarea imaginii s ,i vizualizarea cu ajutorul unui
dispozitiv. Procedeul se bazeaz a pe ^ nv at ,area dispozitivului de a recunoas ,te s ,i alte tipuri
de structuri, cum ar  de exemplu semne de circulat ,ie pentru conducerea autonom a. La
fel ca s ,i ^ n cazul tuturor metodelor, exist a avantaje si dezavantaje.
Un avantaj mare fat , a de cel alalte metode const a ^ n faptul c a prezentul procedeu se
distinge prin rapiditate s ,i faptul c a se pot recunoas ,te ecient s ,i alte obiecte nu numai
chipuri.
Dezavantajul cel mai mare const a ^ n faptul c a chipurile trebuie s a e v azute frontal s ,i
s a e bine luminate.
2.4.4 Procedeul 3D
^In decursul anilor s-a dezvoltat pe l^ ang a recunoas ,terea fet ,ei bidimensional a biometric a,
^ n care se folosesc aparate foto uzuale ^ n scop de ^ nregistrare, o nou a ramur a care se
bazeaz a pe^ nregistrarea tridimensional a (3D) a chipului, de exemplu cu ajutorul proiect ,iei
de f^ as ,ii/benzi.
Proiect ,ia de benzi care este denumit a c^ ateodat a s ,i topometrie cu benzi de lumin a,
cuprinde metode optice de m asurare, ^ n care se folosesc secvent ,e de imagine ^ n scop de
^ nregistrare tridimensional a a suprafet ,elor.
Un procesor de proiect ,ie a benzilor const a de cele mai multe ori dintr-un proiector
model, asem an ator ca s ,i principiu cu un proiector de diapozitive, precum s ,i din cel put ,in
o camera digital a sau analog a.
31

Luput i Antonio Marius Flavius Lucrare de licent  a
^In gura 2.3 se arat a m asurarea capului unei personae. M asurarea se face frontal, iar
topograa reprezentat a a fost calculat a cu ajutorul datelor unei m asur atori dintr-o singur a
perspectiv a de observat ,ie. Aceast a m asurare arat a capacitatea unui senzor 3D-MicroScan
75, de-a m asura cres ,teri mari.
Figura 2.3: M asurarea capului unei persoane
2.5 Algoritmi
Exist a 2 categorii mari de algoritmi:
a)Geometric, imaginea este transformat a geometric ^ n puncte,linii si curbe. Algorimii de
acest gen se uita la caracteristicile distincte a fetelor, pozitia relativa, dimensiunea,
zionomia ochilor, nasului, pomet ,ii, si a maxilarului.
b)Fotometric, se salveaz a caracteristicile imaginii(valoarea ec arui pixel care constituie
fat,a), lucr^ and cu gracul de histerez a. Aceast a variant a este o abordare statistic a.
2.5.1 Eigenface
Algoritmul"eigenface\ cunoscut si sub numele de"Principal Components Analy-
sis\(PCA) pentru c a se bazeaz a pe analiza componetelor principale. Acest algoritm a
fost creat de Matthew Turk s ,i Alex Pentland. [12][20][4, pag. 1 jos]
Numele de eigenface vine de la utilizarea eigenvectorii si a eigenvalue. Denumirea de
eigen vine din limba german a care ^ nseamn a propriu.Eigenvectori sunt acei vectori care
32

Luput i Antonio Marius Flavius Lucrare de licent  a
nu ^ si schimb a direct ,ia dupa o transformare liniar a T:v!
v, unde T(v)=
v.^In acest
cazTeste o matrice, T(v)=A
v, adic a ecuat ,ia din care obt ,inem eigenvectori este:
A
v=
v
Eigenvectorii ind doar ^ ntinsi sau ^ ntorsi.Lambda este factorul care ne spune cu c^ at s-a
lungit vectorul sau dac a este ^ ntors pe direct ,ie.
Algoritmul reduce spatiul dimensional, av^ and ca avantaj spat ,iu de alocare mai mic
si timpul de rulare mai mic. Extensia imaginii de prob a este de regul a *.bmp,hat a de
bit,i(bitmap) deoarece se lucreaz a cu usurint a ind ecare pixel memorat individual
Imaginea este transformat a in alb negru(gura 2.4), iar apoi este es ,antionat a si cuan-
tizat a, adica imaginea este ^ mp art ,it a in pixeli, respectiv pixelilor li se va atribui o valoare
cuprins a ^ ntre 0-255 . Aceste valori reprezint a nivelul de gri al pixelului, unde la 0pixelul
este negru si la 255pixelul este alb.
Figura 2.4: Baza de date a algoritmului
Pixeli imaginii sunt trecut ,i pe r^ and ^ ntr-un tablou bidimensional K2(Figura 2.5).
Figura 2.5: Imaginea init ,ial a
33

Luput i Antonio Marius Flavius Lucrare de licent  a
Acest lucru se face cu ecare din cele Npoze ale fet ,ei.Dup a ce se trece prin algoritm
si se obt ,ine eigenvectori din ecare dimensiune K2al pozelor din care sunt selectat ,im
eigenvectori cu eigenvalue maxime, av^ and mcoloane cu dimensiunea K2. Apoi din valorile
K2mse ia ecare din cele mcoloane (cont ,in^ andK2pixeli) si se creeaz a imaginea
corespunz atoare imaginii init ,iale(Figura 2.6).
Figura 2.6: Imaginea la iesirea din PCA
Se poate vedea c a are anumite asimilarit at ,i cu imaginea init ,il a. Imaginea prezint a
variat ,ia imaginii de cea general a.Se observ a cea mai mare variat ,ie este la p ar. Repet^ and
acest lucru se obt ,ine eigenvectorii m(Figura 2.7) care sunt variat ,iile tipice, captiv^ and
variat ,iile in ochi, par, nas , etc. [19]
Figura 2.7: Eigenfaces obt ,inute
^In loc s a reprezinte fet ,ele cu pixeli PCA reprezint a cu eigenface-uri(fet ,ele proprii)adica
cu eigenvectori.
Pe aceste imagini se poate deni formula:
I=G+mX
i=1ai
vi;
unde:
I- imaginea luat a
34

Luput i Antonio Marius Flavius Lucrare de licent  a
G- imaginea general a
vi- imaginea din eigenvectori
ai- coecient care indic a c^ at din imaginea de eigenvectorii este folosit
Cu c^ at avem mai multe imagini eigenvector, imaginea init ,ial a va deveni mai exact a la
construct ,ie.
O aplicat ,ie a algoritmului eigenface este de a gasi fet ,e similare prin compararea pixeli-
lor sau a eigenvectori.Compar^ and dup a eigenvectori aplicat ,ia nu este sensibil a la lumina,
expresie sau orientare. Tehnica folosit a ^ n crearea eigenfaces este folosit si ^ n afara recu-
noasterii faciale, ind folosit a si ^ n analiza scrisului de m^ an a, citire de pe buze, recunoas-
tere vocal a, imagini medicale si gesturi de m^ an a.
2.5.2 Elastic Bunch Graph Matching
Algoritm a fost propus de Wiskott in 1997. Toate fet ,ele umane au o simililaritate
topologic a. Fet ,ele ind reprezentate ca grafuri cu noduri pozit ,ionate ^ n punctele de re-
pere(ochi,nas,etc)(Figura 2.8) si marginile etichetate cu vectori de distant ,a 2-D. Fiecare
nod cont ,ine un set de 40 de coecient ,i complexe Gabor la diferite sc ari si orient ari (faza,
amplitudinea). Nodurile sunt numite"jets\. [15, pag. 128] Recunoasterea se bazeaza pe
grafuri etichetate. Eticheta unui graf este un set de noduri conectate prin marginile, no-
durile sunt etichetate cu jet, marginile sunt etichetate cu distant ,ele. Geometria fet ,ei este
dat a de marginile, iar distribut ,ia nivelurilor de gri este dat a de noduri(jets). [21][6]
Figura 2.8: Gracul fet ,ei din mai multe posturi
Pentru a avea o imagine 2D este nevoie de doar un graf, iar pentru a obt ,ine o imagine
3D este nevoie de mai mult ,i graf. Prin procesul"elastic graph matching\ se creeaz a
noi grafuri compar^ and grafurile cu imaginile. Nodurile sunt preluate din imagine cu
35

Luput i Antonio Marius Flavius Lucrare de licent  a
ajutorul transformatei Gabor, av^ and la ^ nceput aceasi pozitie geometric a cu cele din
grafuri. Grafurile pot  translatate, marite, micsorate, rotite, deformate astfel ^ nc^ at
prezint a o prelucrare mai usoar a a imaginilor fet ,elor doarece creste similiaritatea ^ ntre
graf si imagine(Figura 2.9) [4].
Figura 2.9: Potrivirea grafuluiPentru a reprezenta un singur obiect se foloseste
un graf, dar pentru a reprezenta o clasa ^ ntreaga de
obiecte se foloseste"bunch graph\. Aceast a clas a
combin a mai multe grafuri etichetate astfel ^ nc^ at
sunt cont ,inute variat ,iuni ale fet ,ei( barb a, ochelari,
v^ arst a, etc). Pentru a forma o asemenea clasa struc-
tura grafurilor trebuie sa e la fel, iar nodurile sa e
referite la punctele faciale. Clasa de obiecte repre-
zint a o baz a de date a fet ,elor, cont ,in^ and variat ,iuni
de ochi, buze, nas, etc din care algoritmul is ,i selecteaz a fat ,a care se potriveste cel mai
bine cu cea care trebuie recunoscut a. [16, pag. 4]
Figura 2.10: Clasa de obiecte
^In gura 2.10 este prezentat o clas a de obiecte a fet ,elor. Se observ a ca la ecare nod
al ^ mbinarilor(bunch) se a
 a c^ ate 6 jets, din care se selecteaz a una din ecare nod care se
potriveste cel mai bine. ^In imagine sunt marcate cu gri cele selectate. Figura 2.10 cont ,ine
6 fet ,e prin urmare se pot obt ,ine 69combinat ,ii diferite de fet ,e, sau pentru caz general unde
avemnnoduri sipfet,e vom obt ,inenpcombinat ,ii diferite de fet ,e.
Mult ,umit a transformatei Gabor face ca componentele sa e robuste la variat ,ia ilu-
min arii.Dezavantajul la acest algoritm reprezint a procesarea mare. Acuratet ,ea algorit-
mului este destul de sc azut a in cazul compar arii a unei imagini frontale cu una din prol.
36

Capitolul 3
Aplicat ,ie la recunoas ,tere facial a
3.1 Mediu de programare si limbajul de programare
NetBeans IDE ( deseori numit doar NetBeans)
este o colect ,ie de programe de aplicat ,ie, cu ajuto-
rul c arora pot  prelucrate probleme ale dezvolt arii
Software-ului, pe c^ at posibil f ar a un schimb al me-
diului purt ator de informat ,ii s,i care este scris complet ^ n limbajul de programare Java,
derul^ andu-se pe platforma NetBeans.
NetBeans IDE a fost elaborat ^ n principal pentru limbajul de programare Java, sust ,ine
^ ns a s ,i limbaje precum C, C++ s ,i limbaje de programare dinamice.
Arhitectura software-ului este construit a complet ^ n mod modular s ,i poate  extins
prin as ,a numitele module respectiv Plugins.
NetBeans este un Open-Source proiect, care poate  folosit ca s ,i platform a pentru
aplicat ,ii proprii. Av^ and un cerc de utilizator foarte mare s ,i o comunitate mereu cresc^ and a
s,i cu peste 100 de parteneri este o aplicat ,ie r asp^ andit a s ,i integrat a ^ n toat a lumea. [1]
3.1.1 Istoric
Nis,te tineri student ,i din Republica Ceh a au dezvoltat ^ n anul 1996 un poriect av^ and
denumirea Xel. Scopul a fost s a ofere celor care au dezvoltat limbajul de programare
Java o colect ,ie de programe de aplicat ,ii integrate, care s a e asem an atoare programului
de atunci Borland Delphi IDE. Student ,ii s,i-au propus ^ n special s a simplice dezvoltarea
grac a a suprafet ,ei de aplicat ,ie GUI.
37

Luput i Antonio Marius Flavius Lucrare de licent  a
Proiectul student ,esc Xel a devenit rma NetBeans.
Primele versiuni comerciale s-au publicat sub denumirea Developer 2.0 s ,i 2.1. Pro-
gramul de aplicat ,ie NetBeans IDE sust ,ine direct limbajele de programare Java, C, C++,
Fortran, JavaScript, Groovy und PHP. Prin Plugins aplicat ,ia Netbeans poate  extisn a cu
limbajele Ada, Adobe Flex, Clojure,Coco/R, Erlang, Fortress, Ruby, JavaMath, JavaFX,
Perl, PL/SQL,Prolog, Python, Regulre Ausdrcke, Scala, SmartFrog, Tcl, TeX s ,i LaTeX,
VRML s ,i X3D.
3.2 Software
Dac a dorim s a cre am o aplicat ,ie ce implic a recunoas ,tere de fat , a va trebui s a alegem
^ ntre 2 abord ari:
1. Apelare web(cloud service).
2. Folosirea unei libr arii.
Prima metod a const a ^ n acumularea de imagini si trimiterea acestora pe server, unde
vor  prelucrate dup a care sunt trimise ^ napoi. ^Intreaga munc a este realizat a de serviciile
cloud, prin urmare aplicat ,ia nu necesit a libr arii si nici nu este dependent a de platforma
de lucru. Aceast a abordare evident necesit a folosirea internetului ceea ce poate deveni
costisitor la o aplicat ,ie. Viteza aplicat ,iei depinz^ and de viteza de upload si download a
internetului avut la dispozit ,ie, rezult^ and procesarea de imagine nu este ^ n timp real. O
serie de servicii web ale acestui gen sunt prezentate mai jos:
-Google Vision API
-Face++
-KeyLemon Web Service
-FaceR API
-Betaface Web API
-BioID Face Recognition Web Service
-Haven on Demand Face Detection API
38

Luput i Antonio Marius Flavius Lucrare de licent  a
-Microsoft Project Oxford
-Lambda Labs Face Recognition API
-Meerkat Facial Recognition
A doua metod a este cea mai des ^ nt^ alnit a deoarece ofer a posibilitatea de a lucra ^ n
timp real. Aplicat ,ia este folosit a ^ mpreun a cu o libr arie. Aceast a libr arie cont ,ine resurse
care sunt apelate de aplicat ,ie.^In funct ,ie de cum sunt permisiunile libr ariei ele pot  open
source(put^ and  modicate) sau closed source(neput^ and  modicate). O list a de libr arii
open source:
-OpenCV
-Google Mobile Vision API
-Dlib C++ Library
-Evaluation of Face Recognition Algorithms
-Imacondis Face SDK
-Visage
-Face Detection using Support Vector Machine (SVM)
-Facial landmark detector
-Rank Decient Faces
-Face Tracking DLL from Carnegie Mellon
-Semantic Vision Technologies
-SHORE: Real-time face detection program from FhG-IIS
-Computer Vision Source Code
^In aplicat ,ia prezentat a^ n lucrare am ales s a folosesc OpenCV deoarece este un program
foarte popular cu care s-a primit calicative foarte bune pe forumuri.
39

Luput i Antonio Marius Flavius Lucrare de licent  a
3.2.1 OpenCV
OpenCV este o libr arie de prelucrare de imagini de tip open source adic a codul surs a
este accesibil tuturor put^ and  modicat.Numele"openCV\ este un acronim pentru
"OPEN source Computer Vision\.
El suport a Windows, Linux OS, Mac OS, iOS s ,i Android.
^In scris optimizat C / C ++, biblioteca poate prota de proce-
sare multi-core. Activat cu OpenCL, acesta poate benecia de
accelerarea hardware a platformei de baz a de calcul eterogene.
Adoptat tot ^ n ^ ntreaga lume, OpenCV are mai mult de 47 de
mii de oameni din comunitatea de utilizatori s ,i num arul estimat
de download-uri mai mari de 9 milioane. Utilizarea acestuia se
poate face la inspectarea minelor, utilizare interactiv a h art ,i de coasere pe web sau prin
robotic a avansat a. OpenCV a fost creat ^ n 1999 de cercet atorii rmei Intel din Nizhny
Novgorod (Rusia) cu scopul de a m arii aplicat ,iile CPU-ului, precum display-uri 3D pe
perete, urm arire in timp real.
OpenCV este scris in C++ si interfat ,a sa primar a este ^ n C++, dar este compatibil
cu Java, MATLAB, Python, C#, Perl, Ruby, etc.
Mai jos sunt precizate o parte din ariile de aplicare a OpenCV:
-Realitate augmentativ a
-Identicare de obiecte
-Robotic a mobil a
-Perceperea ad^ ancimii
-Recunoas ,tere de gesturi
-Recunoas ,tere de fat , a
-Algoritmi de urm arire
-Estimarea unei structuri 3D pe baza unei structuri 2D
-Interfet ,e om-masin a
40

Luput i Antonio Marius Flavius Lucrare de licent  a
Prima versiune de OpenCV a fost prezentat a ^ n 2000 la conferint ,a IEEE de"Computer
Vision\ si"Pattern Recognition\ si 5 versiuni beta au fost lansate ^ ntre 2001 si 2005.
Versiunea 1.0 a aparut ^ n 2006, ^ n 2008 a ap arut versiunea 1.1. O a dou a mare lansare a
avut loc in octombrie 2009, ind versiunea 2, care cont ,inea schimb ari majore in interfat ,a
C++, implement ari ale unor funct ,ii noi s ,i schimbarea structurii acestuia, astfel ^ nc^ at s a se
obt,in a o utilizare mai usoar a. Acum o versiune ocial a apare tot la 6 luni ind dezvoltat a
de o echip a independent a rus a sponsorizat a de corporat ,ii comerciale. Din august 2012
OpenCV a fost preluat a de organizat ,ii nonprot ment ,in^ and dezvoltarea acestuia.
3.3 Proiectare
Un prim pas al aplicat ,iei era instalarea OpenCV-ul.Libr aria este de tipul open source si
este gratis, put^ and  desc arcat a de pe site-ul lor ocial(http://opencv.org/downloads.html).
Ele ind disponibile pe diferite platforme.Versiunea desc arcat a de mine si folosit a este
2.4.13 Apoi urma s a fac referint ,a de bibliotec a ^ n Netbeans pentru a m a putea folosi de
aceasta. Ad augarea OpenCV-ului la libr aria programului se face in interiorul Netbeans
click dreapta pe folder-ul"Libraries\ si selectarea"Add JAR/Folder..\(Figura 3.1). Dup a
care se scrie locat ,ia unde este instalat OpenCV, ^ n cazul meu este
"C:nopencvnbuildnjavanopencv-2413.jar \. [2],[3]
Figura 3.1: Ad augare libr arie
Pe l^ ang a OpenCV am mai importat s ,i libr ariile JAMA si imgscalr. JAMA este o
libr arie de matrici care ofer a calculul elegant cu matrici, permit ,^ and calcularea a eigenvec-
torilor si a eigenvalorilor. Libr aria imgscalr am folosit-o deoarearece cont ,ine o funct ,ie de
redimensionare a imaginilor care ^ mi era necesar a pentru imaginile captate de la camer a
astfel ^ nc^ at s a am baza de imagini identice.
41

Luput i Antonio Marius Flavius Lucrare de licent  a
Aplicat ,ia am f acut-o ^ n NetBeans deoarece ^ mi este un mediu de programare familiar
s,i pentru c a limbajul folosit ^ n netbeans este Java. Aplicat ,ia are acces la camera web,
permit ,^ and prelucrarea imaginilor. Programul detecteaz a toate fet ,ele ^ nregistrate de ca-
mer a ^ n timp real folosind import ari at^ at din bibliograa Java c^ at si din OpenCV, JAMA,
imgscalr.(Figura 3.2)
Figura 3.2: Import arile
Aplicat ,ia este structurat a^ n doua clase: o clas a principal a^ n care este apelat a aplicat ,ia
(care cont ,inemain ) numit a RecunoastereFete , iar cealalt a este denumit a Imagini . Clasa
Imagini poate  privit a ca suport pentru clasa principal a RecunoastereFete.java deoarece
^ n ea se fac 90% din calcule. Clasa RecunoastereFete.java face apel ari la metodele clasei
Imagini si la variabilele acesteia.
Am numit-o Imagini deoarece ^ n ea se fac prelucrarea de imagine precum si PCA
(Principal Component Analysis) . Un obiect declarat de tipul Imagini cont ,ine o variabil a
de tipul String pentru memorarea numelui imaginii(numele persoanei din imagine), o
variabil a de tipul BueredImage pentru ret ,inerea imaginii, o variabil a de tipul static
42

Luput i Antonio Marius Flavius Lucrare de licent  a
double distMIN pentru salvarea distant ,ei minime s ,i o variabil a de tipul static int pozMIN .
Ultimele dou a variabile sunt declarate ca static deoacere exist a doar o distant , a minim a
s,i pozit ,ia ind a minimului. Declarea acestora ca ind static permite existent ,a a unei
singure valori a acestui tip de variabil a indiferent de num arul de obiecte declarate, ele nu
sunt elemente ce apart ,in obiectelor ci sunt elemente ce apart ,in clasei. Din aceast a cauz a
o varibil a de tipul static este apelat a prin clasa ei (ex: double d=Imagini.distMIN;//lui
di-am atribuit valoarea varibilei statice distMIN ).
Programul se ^ mparte in dou a p art ,i, o parte care detecteaz a fet ,ele si o parte care
recunoaste fet ,ele. La ecare detectare de fat , a se aplic a recunoas ,terea de fet ,e dac a ima-
ginea nou a dob^ andit a se a
 a printre imaginile din baz a, altfel dac a persoana dores ,te s a
se introduc a ^ n baz a trebuie s , a completeze c^ ampul cu numele s ,i apoi s a apese butonul
Salveaz a .
La executarea programului se va as ,a o form a cu 2 butoane (unul pentru pornirea
aplicat ,iei s ,i unul pentru salvarea imaginii noi) precum s ,i o caset a pentru completarea
numelui.
La ap asarea butonului Pornire se va as ,a lmarea ^ n timp real a webcam-ului, se
obsev a c a programul detecteaz a fet ,ele g asite. Dup a detectarea fet ,elor g asite, acestea sunt
marcate prin ^ ncadrarea lor ^ ntr-un rectangle albastru, iar daca persoana se a
 a sau nu
^ n baza de date se v-a as ,a sub fat ,a detectat a numele sau un semn de ^ ntrebare, care ne
sugereaz a necunoas ,terea persoanei respective.(Figura 3.3)
43

Luput i Antonio Marius Flavius Lucrare de licent  a
Figura 3.3: Interfat ,a
Prin ap asarea butonului Pornire se va apela funct ,ia static a CreareEigenFaces care
are drept parametri de intrare un obiect unidimensional de tipul Imagini si o variabil a
intreag a nrf. Aces ,ti parametri de intrare sunt declarat ,i si init ,ializat ,i la inceputul clasei
RecunoastereFete (Figura 3.4), unde imgs reprezint a imaginile ^ nc arcate din baza de date
cu toate informat ,iile referitoare la caracteristicile s ,i tipul imaginilor, iar nrfreprezint a
num arul de eigenfaces cu care s a se lucreze. Un num ar mai mare reprezint a o execut ,ie
mai lent a ind nevoie s a se fac a calcule cu matrici de dimensiuni mai mari. Cu acet ,i doi
parametri se va calcula eigenfaces, prin PCA.
44

Luput i Antonio Marius Flavius Lucrare de licent  a
Figura 3.4: Import arile
Metoda CreareEigenFaces se foloses ,te de mai multe metode cont ,inute ^ n aceeas ,i clas a
pentru a prelucra baza de date de imagini. (Figura 3.5)
Metoda ^ ncepe prin convertirea imaginilor cont ,inute ^ n variabila bufa obiectului
img[i] (unde i reprezint a al i-lea imagine uploadat a ^ n program) ^ ntr-o matrice. Fiecare
pixel cont ,inut ^ n imagine este pozit ,ionat ^ n matrice pe r^ andul imaginii respective. O ima-
gine cont ,ineNMpixeli care este pozit ,ionat ^ ntr-o matrice ^ n continuarea ecarui pixel,
adic a avem Pimagini, matricea o s a e PN2pixeli, cu alte cuvinte ec arei imagine
^ i corespunde un r^ and din matrice. Dup a conversie matricea este normalizat a cu maxi-
mul de pe ecare r^ and (ecare element se va ^ mpart ,i cu maximul respectiv al r^ andului
din care face parte) astfel matricea cont ,ine elemente mai mici cresc^ and viteza de lucru a
calculatorului. La urm atorul pas se calculeaz a matricea dup a ce s-a sc azut media de pe
coloan a.
45

Luput i Antonio Marius Flavius Lucrare de licent  a
Figura 3.5: Import arile
Urm atorul pas constituie calcularea matricea covariant , a care reprezint a o matrice
la care ecare element al ei este o covariant , a dintre dou a imaginii. Calcularea acestei
covariant , a se face prin calcularea mediei si apoi^ mp art ,irea acesteia la num arul de elemente
minus unu adic a:
cov(x;y) =Pn
i=1(xix)(yiy)
n1(3.1)
unde: x, ysunt medii
^In program am folosit o tehnic a mai rapid a de calcul descoperit a de Turk si Pentland ,
^ n care se calculeaz a matricea prin ^ nmult ,irea matricii imaginilor cu transpusa acesteia.
Pe baza matricii obt ,inute se va calcula eigenvalorile si eigenvectorii dup a care i-am
introdus ^ n dou a matrici. Aceste dou a matrici sunt sortate pentru a le avea de la eigenvec-
torii cu eigenvalorile cele mai mari la eigenvectorii cu eigenvalorile cele mai mici. Matricea
46

Luput i Antonio Marius Flavius Lucrare de licent  a
care cont ,ine eigenfaces este obt ,inut , a prin produsul matricial ^ ntre matricea eigenvectori
sortat a si matricea imagine, dup a aceasta matricea eigenfaces este normalizat a.
Ca o ultim a etap a la CreareEigenFaces este calcularea coordonatelor eigenfaces, adic a
generarea unui spat ,iueigen . Acest lucru se poate interpreta pentru c a obt ,inem reperele
unui nou spat ,iu, cu care se va putea calcula coordonatele imaginii noi captate.
Parametrii important ,i (matricea baza de date de imagini, vectorul media pe ecare co-
loan a, matricea eigenfaces, axele eigenspat ,iului) i-am atribuit la nis ,te variabile statice de-
clarate ^ n clasa principal a RecunoastereFete . Acest lucru l-am f acut deoarece urm atoarele
calcule sunt legate de aces ,ti parametri.
Dup a iesirea din metoda CreareEigenFaces se revine la continuarea codului din act ,iona-
rea butonului Pornire , unde se implementeaz a run() din thread-ul t.
47

Luput i Antonio Marius Flavius Lucrare de licent  a
Figura 3.6: Preluarea si procesarea imaginii noi
^In interiorul run() se capteaz a framurile camerei s ,i se deseneaz a un rectangle albastru
pentru ecare fat , a detectat a. Fiecare frame este convertit s ,i salvat ^ n BueredImage
cu numele impcapt (imagine captat a). Imaginea este crop-at a, apoi redimensionat a la
150150, dup a care este centrat a si cropat a la 125 150. Imaginea este apoi transformat a
^ n alb negru.(Figura 3.6)
Dup a aceasta, imaginea este trecut a ^ n metoda potrivire , unde este prelucrat a (nor-
48

Luput i Antonio Marius Flavius Lucrare de licent  a
malizat a) pentru a calcula coordonatele sale. Dup a care se calculeaz a distant ,a Euclidian a
^ ntre coordonatele acesteia si repere. Este c autat a si ret ,inut a valoarea minim a precum si
pozitia acestuia pentru a putea as ,a numele imaginii cea mai potrivite.
Se revine ^ n run() s,i se trece printr-o condit ,ie care valideaz a dac a distant ,a minim a
este sub sau peste un anumit prag stabilit. Dac a este sub atunci pe fat ,a detectat a se va
as,a numele, dac a nu este atunci se va asa semnul ^ ntreb arii.
49

Concluzii
Cele mai performante sisteme de recunoas ,tere a fet ,ei nu sunt as ,a de performante ^ nc^ at
s a poat a recunoas ,te cu o precizie de 100%, ind in
uent ,ate de pozit ,ia fet ,ei, vremea, etc.
Nimic nu poate dep asi cel mai puternic aparat de recunoas ,tere, creierul uman, cel put ,in
pentru moment…
Nu s ,tim ce ne va as ,tepta ^ n viitor, putem doar specula viitorul cu informat ,iile pe care
le avem pentru moment. Opinia mea este c a g^ andirea articial a este doar o prim a etap a
a acestei noi evolut ,ii.
50

Bibliografie
[1] Heiko Bock. NetBeans NetBeans Platform 7 Das umfassende Handbuch . Galileo
Computing, 2011.
[2] Andrew Davison. Face detection and tracking. link.
[3] Taha Emara. Taha Emara youtube channel.
[4] F. Bhat and M. A. Wani . Elastic bunch graph matching based face recognition
under varying lighting, pose, and expression conditions. International Journal of
Advance Foundation And Research In Science and Engineering (IJAFRSE) , 1, Ianu-
arie 2015. link.
[5] I. Dzit ,ac.Inteligent ,a articial a . Editura Universit at ,ii Aurel Vlaicu Arad, pag.73 –
80, 2008.
[6] R. Eisele . Gesichterkennung mit elastic bunch graph matching. Technical report,
Neuroinformatik, University of Ulm, august 2001/2002. link.
[7] C. Enachescu .Calculul neuronal . Ed. Casa C art ,ii de S ,tiint , a, Cluj-Napoca, 2008.
[8] C. Eurich . neuronale netzwerke. LEXIKON DER BIOLOGIE . link.
[9]Wender K.FGunter , D.G. Neuronale Netze. Eine Einfhrung in die Grundlagen,
Anwendungen und Datenauswertung . Huber, Bern, Huber, Bern, 2008.
[10] M.H. Hassoun .Fundamentals of Articial Neural Networks . MIT press, 1995.
[11] D. Leverington . A basic introduction to feedforward backpropagation neural ne-
tworks. Technical report, Texas Tech University, 2009. link.
[12] P.J. Phillips and H. Moon . Computational and performance aspects of pca-based
face recognition algorithms. Perception , 30:303{321, iunie 2001.
51

Luput i Antonio Marius Flavius Lucrare de licent  a
[13] F. Rosenblatt . Two theorems of statistical separabiliiy in the perceptron. 164-
165:1{54, 1958. link.
[14]Baluja S.-Kanade T.Rowley , H.A. Neural Network Based Face Recognition .
IEEE.
[15] D. Keysers D.Rybach . Elastic bunch graph matching fur die objekterkennung.
Technical report. link.
[16] S. Sarkar . Skin segmentation based elastic bunch graph matching for ecient
multiple face recognition. Technical report, Department of Electrical Engineering,
NIT Rourkela. link.
[17] G. Tambasis .History of neural networks . IEEE, 1999.
[18] N.L. Tudor .Ret ,ele neuronale articiale. Aplicat ,ii Matlab . Ed. MATRIX ROM
Bucuresti, Romania, Bucures ,ti, 2012.
[19] M. Turk and A. Pentland . Eigenfaces for recognition. Journal of Cognitive
Neurosicence , 3:71{86, 1991. link.
[20] M. Turk and A. Pentland . Face recognition using eigenfaces. Proceedings of the
IEEE Conference on Computer Vision and Pattern Recognition , pages 586{591, iunie
1991.
[21]Fellous J.-M. Krueuger Wiskott , L. and C. N., von der Malsburg . Face
recognition by elastic bunch graph matching. Intelligent Biometric Techniques in
Fingerprint and Face Recognition , 30:355{396, iunie 2001.
52

ANEXA ANTIPLAGIAT