|
||
| A. Ciências Exatas e da Terra - 2. Ciência da Computação - 6. Inteligência Artificial e Redes Neurais | ||
| EXTRAÇÃO DE CARACTERÍSTICAS LOCAIS PARA SISTEMAS DE RECONHECIMENTO DE FACES | ||
| Bruno Silveira de Queiroz Lima 1 (bqueiroz@terra.com.br), Ítalo César de Souza Belo 1 e George Darmiton da Cunha Cavalcanti 1 | ||
| (1. Faculdade Integrada do Recife - FIR) | ||
| INTRODUÇÃO:
Reconhecimento de faces é uma área que engloba disciplinas como visão computacional, reconhecimento de padrões e redes neurais. São muitas as aplicações comerciais nas quais essa tecnologia pode ser empregada, como por exemplo: busca em grandes bancos de faces, interação humano-máquina, monitoramento de multidões em aeroportos e shoppings, construção de interfaces que reconhecem expressões faciais, entre outras. A face é uma modalidade biométrica que está inserida no cotidiano das pessoas e não é baseada no que o indivíduo possui (passaporte, chaves) ou no que ele sabe (senha) e sim baseada nas suas características físicas. Sabendo que imagens digitais são armazenadas em forma de matrizes e que essas matrizes possuem alta dimensionalidade, faz-se necessário utilizar um procedimento que reduza essa dimensionalidade, sem perder o poder de classificação das imagens das faces. Utilizando um processo de extração de características, é possível alcançar melhores taxas acerto e ainda minimizar o esforço computacional para realizar o reconhecimento. Nesse trabalho é apresentada uma estratégia de extração de características baseada em informações locais. Dois classificadores são utilizados para avaliar o desempenho do sistema: k-Vizinhos Mais Próximos (k-vmp) e Centróide. A técnica proposta encontrou melhores taxas de acerto, para os dois classificadores, quando comparada com a Análise dos Componentes Principais e com as imagens sem nenhum processamento. |
||
| METODOLOGIA:
O banco de faces utilizado foi o da ORL (http://www.uk.research.att.com/facedatabase.html) que é constituído de 40 pessoas diferentes, e de cada pessoa foram capturadas 10 imagens. O treinamento dos classificadores foram realizados com 5 imagens por pessoa, o restante foi utilizado para testar o sistema. A extração de características proposta calcula informações locais através da divisão das imagens das faces em blocos de área quadrada. De cada bloco são computadas duas medidas: a média e o desvio padrão. Assim, se uma imagem for dividida em n blocos, um vetor de tamanho 2n será construído. Dois classificadores serão avaliados: Centróide e k-vmp. No classificador Centróide, cada classe é representada por um centro obtido através da média aritmética do conjunto de treinamento. A classificação é realizada a partir do cálculo da distância entre o vetor que representa a face de entrada do sistema (face sem classificação) e cada um dos centros das classes. A face será considerada como pertencente à classe cuja menor distância for encontrada. No classificador k-vmp, o vetor que representa a face de entrada do sistema (face sem classificação) é comparado com os vetores representantes das classes conhecidas. Assim, o vetor dado como entrada será classificado como pertencente à classe cuja distância euclidiana entre o vetor que representa a face sem classificação e os vetores representantes das faces que o sistema conhece for mínimo. Foi adotado k igual a 1 (um). |
||
| RESULTADOS:
Nos experimentos, será avaliado o número ideal de blocos, para a distribuição de dados escolhida, além disso, os resultados serão comparados com uma técnica bastante usada para redução de dimensionalidade: Análise dos Componentes Principais (PCA). Os primeiros resultados foram colhidos passando as imagens das faces para os classificadores sem nenhum processamento. Nesse caso, os resultados foram: 90,50% de acerto para o Classificador Centróide e 91,50% para o k-vmp. No segundo grupo de experimentos, no qual as imagens sofreram uma redução de dimensionalidade através da transformada PCA, os resultados com 40 componentes principais foram: 92,00% de acerto (Centróide) e 94,00% de acerto (k-vmp). O uso dessa técnica de redução de dimensionalidade melhorou em 2,5 pontos percentuais a taxa do classificador k-vmp. Utilizando a técnica de extração de informações locais, proposta nesse trabalho, para as seguintes larguras dos blocos: 20, 40, 60 e 100, respectivamente, as taxas de acerto foram: i) Classificador Centróide: 82,50%, 88,00%, 87,00% e 87,00%; ii) Classificador k-vmp: 95,50%, 96,00%, 95,50% e 95,00%. Comparando o melhor resultado obtido que foi de 96,00%, verifica-se que houve um aumento de 4,5 pontos percentuais, em relação ao experimento com as imagens das faces completas, e de 2 pontos, em relação ao experimento que extraiu as características faciais usando PCA. |
||
| CONCLUSÕES:
A técnica de extração de características proposta nesse trabalho foi avaliada por dois classificadores: Centróide e k-vmp. Pode-se dizer que três massas de dados foram utilizadas: uma sem nenhuma transformação, a segunda utilizando PCA como extrator de características e a última extraindo informações locais. Através da análise dos resultados é possível afirmar que o classificador k-vmp foi mais eficiente do que o classificador Centróide. Uma vez que, em todos os experimentos emparelhados, o primeiro classificador obteve uma taxa de acerto mais alta. Porém, é importante mencionar que o classificador Centróide, pelo fato de que cada classe é representada por apenas um vetor, é mais rápido que o k-vmp, no qual cada classe é representada por cinco vetores. De todos os experimentos, o melhor resultado foi encontrado com o classificador k-vmp utilizando a técnica de extração de características proposta: taxa de acerto de 96,00%, dividindo as imagens em 40 blocos. Embora os resultados usando 20 e 60 blocos tenham sido equivalentes, 40 parece ser um número interessante de blocos. O classificador Centróide não se comportou bem quando recebeu como entrada as características extraídas usando a técnica proposta. Com o intuito de verificar melhor o desempenho da técnica proposta, está em estudo a aplicação em outros domínios, bem como, sobre outros bancos de dados de faces. Outros classificadores também estão sendo estudados, entre eles Redes Neurais e Máquinas de Vetor de Suporte. |
||
| Instituição de fomento: FACEPE - Fundação de Amparo à Ciência e Tecnologia do Estado de Pernambuco | ||
| Trabalho de Iniciação Científica | ||
| Palavras-chave: Biometria; Reconhecimento de Faces; Extração de Características. | ||
| Anais da 57ª Reunião Anual da SBPC - Fortaleza, CE - Julho/2005 |