Post on 11-Feb-2018
RECONOCIMIENTO HOLISTICO DE ROSTROS A TRAVES DEANALISIS MULTIVARIADO Y ALGORITMOS GENETICOS:
RESULTADOS PRELIMINARES
CARLOS VILLEGAS QUEZADAANGEL FERNANDO KURI MORALES
Centro de Investigación en ComputaciónInstituto Politécnico NacionalBlvd. Adolfo López Mateos
Col. Lindavista, México, D.F.5729-6000 ext. 56547
carlos.villegas@uia.mxakuri@pollux.cic.ipn.mx
RESUMEN
Diversos trabajos sobre reconocimiento de rostros, generalmente han basado sus investigacionesen métodos que reconocen características aisladas del rostro o bien, mediante la utilización de“plantillas” que abarcan diversas regiones del rostro. En este trabajo se presenta una nuevatécnica que utiliza un enfoque holístico para el reconocimiento de rostros, sin tener que recurrir ala obtención de características geométricas o regiones. La caracterización del rostro se realiza apartir de un muestreo aleatorio de diversos atributos seleccionados para los pixeles constituyentesde la imagen del rostro. A partir de dicha información, se constituyen tres grupos de datos(espectros), correspondientes a los valores de las frecuencias bajas, gradiente y entropía de laimagen. El reconocimiento de un objeto, en este caso un rostro, formulado desde el punto de vistade la clasificación de patrones, se puede enfocar como un “problema de aprendizaje”. Dichaproblemática se puede resolver a través del uso de una función de aproximación multivariada queproporcione el mínimo error de ajuste con respecto al espacio muestral. Una función deaproximación es una forma de producir un clasificador a partir de un conjunto de datos deentrenamiento. A través de un algoritmo genético se obtienen los coeficientes y el grado de trespolinomios de aproximación que minimicen el error de ajuste de los datos correspondientes a losvalores de los tres espectros (frecuencias bajas, gradiente y máxima entropía) por medio de loscuales se caracterizan los rostros de la base de entrenamiento. Un determinado rostro aidentificar, se caracteriza también por medio de los tres polinomios mencionados y se comparacontra la base de entrenamiento mediante una métrica de Mahalanobis, con lo cual se logra elreconocimiento de rostros utilizando una sola imagen por sujeto para el entrenamiento, con unaprecisión del 97.5%.
Palabras Clave : Reconocimiento holístico de rostros, algoritmos genéticos, aproximaciónmultivariada, espectros de rostros, aprendizaje supervisado.
1. INTRODUCCION
El proceso de identificación de una persona a través de un reconocimiento de su rostro, presentadiversas problemáticas. Se tienen diversos factores que pueden alterar la apariencia facial, elrostro puede cambiar su apariencia debido a factores intrínsecos y extrínsecos.Entre las variaciones intrínsecas que pueden afectar el reconocimiento se encuentran: la edad, elsexo, la expresión facial en un determinado instante, etc. Entre las extrínsecas se pueden contar:la iluminación, la pose, el ruido que puede presentar la imagen, etc.El ser humano puede resolver la mayoría de los problemas mencionados anteriormente, y realizarun adecuado reconocimiento de los rostros, desde edades muy tempranas. Sin embargo, lossistemas computacionales de reconocimiento presentan todavía diversas problemáticas parallevarlo a cabo.Esta investigación pretende aportar un método holístico de reconocimiento de rostros, sin tenerque recurrir a la obtención de características geométricas o a la identificación de ciertas regionesdel rostro.
2. ELEMENTOS NEURO-PSICOLOGICOS DEL RECONOCIMIENTO DEROSTROS
Observaciones neuro-psicológicas, junto con experimentos psicológicos sugieren que el cerebrohumano realiza el reconocimiento de caras a través de diversos canales de procesamiento deinformación funcionalmente independientes [3].Se piensa que los seres humanos nacemos con cierta predisposición para responder a los patronesque presentan los rostros. Dichas observaciones sugieren que los rostros son objetos “especiales”dentro del mundo visual del ser humano. Sin embargo, estas posibles características deespecialización, no necesariamente indican que los procesos de reconocimiento de rostrosdifieran fundamentalmente de aquellos utilizados para reconocer otras clases de objetos [3].Las representaciones del rostro que utiliza el ser humano para su reconocimiento, parece que sebasan en la codificación de características de “bajo nivel” que presenta una determinada imagen.Costen y otros [17], mencionan que existe gran evidencia de que el reconocimiento de rostrosdepende en gran medida de las frecuencias bajas que recibe el ser humano al visualizar undeterminado rostro.Por otra parte, diversos autores consideran que el reconocimiento de rostros parece involucrar engran medida, un reconocimiento holístico [9]. En el reconocimiento de otros tipos de objetos,parece ser que dicho reconocimiento global, se aplica en menor grado, utilizando más un enfoquede búsqueda de características locales y análisis de las partes del objeto. Otros investigadores hanencontrado que los niños, entre más pequeños, utilizan representaciones basadas encaracterísticas particulares (ojos, boca, nariz) para efectuar su reconocimiento, mientras que losadultos, utilizan principalmente un reconocimiento holístico.
3. TRABAJOS PREVIOS EN RECONOCIMIENTO DE ROSTROS
En el reconocimiento de rostros se observan dos formas principales de atacar el problema:• Obtención de características (ojos, boca, nariz, etc.) y• Utilización de Plantillas.En los trabajos reportados en la literatura se utilizan por lo menos dos imágenes por sujeto para lafase de entrenamiento, utilizando en la mayoría de los casos, 10 imágenes por rostro y en algunos
casos llegan a tener 20 imágenes por cada sujeto. Los principales métodos que se utilizan parallevar a cabo el reconocimiento del rostro son:• Diversas configuraciones de redes neuronales.• Análisis de Componentes Principales.• Métodos Bayesianos.• Líneas de Isodensidad.• Eigenfaces.• Fisherfaces• Métodos híbridos.
Uno de los métodos más utilizados para el reconocimiento de rostros, se basa en la obtención deun conjunto de características geométricas a partir de la imagen del rostro. Uno de los primerostrabajos es el de Kanade en el año de 1977 [17].Diversos autores han continuado investigaciones de reconocimiento de rostros con base acaracterísticas geométricas, entre estos se encuentran Brunelli y Poggio quienes obtuvieron 35características (figura 1-a), y a partir de éstas, se efectúa el reconocimiento con un clasificadorbayesiano [5].
FIGURA 1. RECONOCIMIENTO DE ROSTROS MEDIANTE(a) CARACTERISTICAS GEOMETRICAS (b) UTILIZACION DE PLANTILLAS
Otro método utilizado en el reconocimiento es mediante “Plantillas” (máscaras), en el cual seconfiguran diversas plantillas que abarcan ciertas regiones del rostro: ojos, nariz, boca, etc., comose puede observar en la figura 1-b. La imagen sin clasificar se compara a través de las plantillascon las imágenes de la base de datos, y se obtiene un vector de puntuaciones de apareamientomediante procesos de correlación [4].Otro enfoque consiste en la utilización de Análisis de Componentes Principales, el cual es unatécnica estadística utilizada para reducir la dimensionalidad de los datos y preservar la
información relevante. Hancock, Bruce y Burton [13, 14] proponen la utilización de componentesprincipales a partir de 38 puntos del rostro (figura 2)
FIGURA 2. PUNTOS DEL ROSTRO SELECCIONADOS PARA ANALISIS POR COMPONENTESPRINCIPALES
En Lucas [26, 27] se propone el método denominado Clasificador de n-tuplas, el cual consiste enseleccionar por medio de un muestreo n-tuplas de pixeles (obteniendo únicamente valores degris), en donde cada tupla tiene una longitud “m”. En la figura 3, se representa el conjunto de n-tuplas (n=3) con una longitud por tupla de m=3. El reconocimiento se efectúa mediante lautilización de una métrica (distancia Manhattan) para comparar el conjunto de entrenamiento conla imagen a clasificar.
FIGURA 3. CLASIFICADOR POR MUESTREO DE “n-tuplas” A PARTIR DE PIXELES
Entre las problemáticas que presentan los métodos anteriores, es que requieren de un gran tiempodedicado a la búsqueda de los elementos característicos. Dicha búsqueda se tiene que ir refinandohasta encontrar un punto o ciertos puntos, a partir de los cuales se caracterizará el rostro.Una técnica que reportó excelentes resultados, es el denominado Eigenfaces [37, 38]. Dichométodo es una extensión del análisis de componentes principales. La investigación que halogrado reconocer el mayor número de personas (aproximadamente 3000) se realizó con estemétodo. Se entenderá como “reconocimiento”, el proceso mediante el cual se trata de encontrarun determinado rostro (rostro dato) en una base de datos (base de entrenamiento de rostros), conel propósito de identificar a un sujeto y estar en posibilidad de extraer atributos asociados a élcomo: nombre, RFC, características personales, etc. El rostro dato puede presentar diferenciasrespecto a la imagen que se encuentre en la base de entrenamiento: condiciones de luz,afectaciones por edad, algún tipo de oclusión facial, diferencias (pequeñas) en el ángulo en quefue tomada la imagen, etc.Belhumeur, Hespanha y Kriegman [2], utilizan Análisis de Componentes Principales para reducirla dimensionalidad y el Discriminante Lineal de Fisher (análisis discriminante) parareconocimiento de rostros. A este enfoque le denominó Fisherfaces.Bajo el enfoque anterior, Liu y Wechsler [25] consideran que con el método de Fisherfaces sepierde generalidad en el reconocimiento y se realiza un “sobre ajuste” de los datos deentrenamiento. Para evitar lo anterior, proponen los denominados “Modelos discriminanteslineales mejorados de Fisher”. Reportan que su método se aplicó al reconocimiento de 600sujetos, utilizando 1107 imágenes para entrenamiento, obteniendo una mejora del 10% al 15%con respecto a los Fisherfaces.Algo importante por mencionar, se refiere a la relativa pequeña cantidad de rostros que sereconocen, generalmente menor a 100. Los métodos que manejan un mayor número de rostros seencuentran en el rango de 1500 a 3000 imágenes. La mayoría de las técnicas requieren de lautilización de varias imágenes por sujeto (entre 2 a 20 imágenes). Los porcentajes de logro que seobtienen se encuentren entre el 85% y el 95%. En el caso de bases de datos con un reducidonúmero de imágenes se presentan logros del 100 %Por lo que respecta a la utilización de Algoritmos Genéticos en el reconocimiento de rostros, sereportan pocos trabajos. La mayoría de éstos, los utilizan en combinación con algunos de losmétodos mencionados en párrafos anteriores: Análisis de componentes principales, plantillas yredes neuronales, entre otros [15, 16, 28].Schackleton [32] utiliza una población de plantillas para reconocer el rostro, utilizando unalgoritmo genético para encontrar el mejor ajuste de las plantillas del rostro a reconocer con labase de datos de rostros. Se utilizaron poblaciones de 100 plantillas, 200 generaciones para unconjunto de 40 sujetos.Lanitis y otros. [23], utilizan una combinación de Análisis de Componentes Principales y unAlgoritmo genético para efectuar el reconocimiento. Se utilizó una base de datos de 30 sujetos,con 690 imágenes.Otra aplicación de algoritmos genéticos y análisis de componentes principales es la reportada porLiu y Wechsler [24], en la cual se utilizan los algoritmos genéticos para encontrar la mejorconfiguración (rotación) de los ejes de componentes principales. Se aplicó al reconocimiento de369 sujetos, utilizando aproximadamente 2 imágenes por sujeto. Se logró una eficiencia del97.02%. Pinto y Sossa [28] proponen un método de invariantes combinado con un algoritmogenético para el reconocimiento de rostros.El reconocimiento del rostro, casi en la totalidad de la literatura revisada, se efectúa mediante elreconocimiento de las principales características de la cara, generando una serie de “plantillas”que abarcan diversas regiones del rostro o métodos que conjuntan ambos métodos.
4. METODOS EXPERIMENTALES UTILIZANDO ANALISIS MULTIVARIADO YALGORTIMOS GENETICOS
4.1. Imágenes de Rostros para entrenamientoPara los experimentos de esta investigación, se utilizó la base de datos denominada ORLgenerada en los Laboratorios AT&T de la Universidad de Cambridge, UK. Dicha base contienelos rostros de 40 personas, con 10 fotografías por cada sujeto (figura 4).Los sujetos (hombres y mujeres), se encuentran con diferentes expresiones faciales y algunos deellos presentan barba y/o lentes. Todas las imágenes se tomaron con un fondo homogéneo, enposición frontal y algunas con ciertas variaciones en el ángulo de la cara.Las fotografías se encuentran en formato PGM (Portable Grey Map), con 92 x 112 pixeles y 256niveles de gris (8 bits/pixel).La base de datos ORL ha sido utilizada en diversos proyectos de identificación de rostros,utilizando diversos métodos de reconocimiento [13, 31, 32, 10].
Para el propósito de esta investigación, se ha seleccionado únicamente, la primera imagen decada persona (fotografía frontal) para crear la base de datos de entrenamiento (40 imágenes).Como se ha mencionado en secciones anteriores, el propósito de este proyecto consiste en elreconocimiento de rostros a partir de sólo una fotografía frontal de cada sujeto. Las otras 9imágenes de cada sujeto se utilizarán como fotografías externas a identificar.
4.2. Preprocesamiento de ImágenesPrevio al análisis y entrenamiento, los rostros de la base de datos ORL se les aplicó unpreprocesamiento. Se obtuvo el valor promedio de nivel de gris que presentaba cada una de lasimágenes. A partir de estos resultados, se calculó un valor medio total ( Tx ) y una desviación
estándar general ( Tµ ) . Los valores de Tx y Tµ se utilizaron para realizar una “ecualización” detodas las imágenes, de tal forma que quedaran con valores similares de las tonalidades de gris [1].
4.3. Muestreo Aleatorio de pixelesLos rostros de la base ORL tienen un tamaño 92x112 pixeles (10,304 pixeles). Se selecciona unamuestra aleatoria de los pixeles de la imagen, cuidando de no obtener pixeles duplicados. Se hautilizado la fórmula de Peña y Romo [28], obteniendo que el tamaño de la muestra será de1,802.16 pixeles (17.49% de la muestra). Para los experimentos realizados se tomó una muestradel 17%, equivalente a 1,752 pixeles. Se generó un archivo con las coordenadas (x,y) y el nivelde gris correspondiente a dicha posición
4.4. Reconocimiento de rostros como un problema de aprendizajeEl reconocimiento de un rostro a partir de la digitalización de fotografías frontales, se puedeformular como un problema de clasificación de patrones. El que a su vez, se puede enfocar desdeel punto de vista de un “problema de aprendizaje ” [6, 35].En esta investigación se utiliza un enfoque de aprendizaje supervisado. El aprendizajesupervisado consiste en la adquisición de reglas de clasificación a a partir de ejemplos, en estecaso, se utilizará un conjunto de 40 imágenes frontales de rostros (base de datos ORL), las cualesse caracterizarán como ejemplos de entrenamiento. A partir de esta base de datos se realiza una
comparación con el rostro a identificar para encontrar similitudes a un nivel holístico (global), sintener que recurrir a la extracción de características geométricas del rostro o a la utilización de“plantillas” de ciertas regiones (ojos, nariz, boca, etc.), métodos tradicionalmente utilizados en elreconocimiento de rostros.
FIGURA 4. BASE DE DATOS ORL, CON 40 SUJETOS Y 10 IMÁGENES POR CADA SUJETO
En el aprendizaje supervisado, se proporcionan ejemplos de la forma ( )ii yx , y se puede asumir
una función de aprendizaje f , tal que, ( ) ii yxf = . El objetivo consiste en encontrar la función
f , de tal manera que dicha función capture los “patrones generales” presentes en los datos deentrenamiento y se pueda aplicar para predecir valores de y , a partir de diversos valores de x .
Generalmente, cada ix es una descripción de algún objeto, situación o evento, al igual que las iy[34]. La función se puede hacer extensiva al manejo de diversas variables en un espacio “n-dimensional”.Los valores utilizados para la función que caractericen un rostro, pueden ser atributos de lospixeles de cada imagen (coordenadas, nivel de gris o color, gradiente, ruido, etc.). Utilizando elenfoque anterior, estamos en posibilidad de caracterizar un rostro de una manera holística, sintener que especificar elementos geométricos o plantillas de regiones.
4.5. Algoritmos genéticos en la aproximación de las funciones de aprendizaje.
Como se ha mencionado anteriormente, a través de una función se pretende caracterizar undeterminado rostro. Específicamente, se ha seleccionado una familia de funciones polinomialesde aproximación, cuyo propósito será caracterizar un rostro a partir de una serie de atributos delos pixeles de cada imagen. De estos atributos, alguno se seleccionará como variable dependientey otro atributo (u otros, en el caso multivariado), se plantearán como variables independientes.La aproximación del polinomio (a los atributos seleccionados), tradicionalmente, se ha realizadomediante la técnica de regresión lineal o regresión múltiple [36]. Sin embargo, para aplicar dichométodo se presupone que los datos cumplen con ciertas características: las variables deben teneruna distribución normal, las distribuciones deben tener la misma varianza, para un valor de lavariable independiente, la distribución de los valores de la variable dependiente debe tener unamedia que se encuentre en la línea de regresión, etc.Bastantes problemas de la vida real, entre ellos los datos de un rostro humano, no cumplen conlas características anteriormente descritas. Por lo tanto, una forma de resolver el problema, esobtener el aproximante visto como un problema de optimización. El objetivo consiste enencontrar la forma y los valores de los coeficientes del polinomio que mejor caractericen lainterrelación entre el conjunto de variable(s) independiente(s) y la dependiente bajo unadeterminada norma. La solución a la problemática anterior cae dentro del área que se hadenominado Optimización Combinatoria, y es un problema de difícil resolución por métodostradicionales [12].Para realizar la búsqueda y optimización respectiva, se utilizó un método propuesto por Kuri [20,22 ], denominado Algoritmo Genético de Orden. Dicho método permite encontrar la forma y losvalores de los coeficientes del polinomio de aproximación en el espacio de búsqueda, de talforma que se minimice el máximo error absoluto de aproximación entre los datos y la funciónaproximante [19]. La forma polinomial que es posible obtener es del tipo [21]:
∑ ∑= =
⋅⋅⋅•••=1
1
1
10 0
1...1 ),...,(g
i
g
i
ip
iiip
p
p
p
pvvCvvf (1)
Por tanto, en la fase de entrenamiento, se caracterizarán mediante polinomios los rostros de labase de datos. Esta aproximación se realizará a partir de diversos atributos de cada rostro, loscuales se obtuvieron de una muestra de pixeles de cada rostro, como se mencionó en la sección4.3.
Posteriormente, un determinado rostro a identificar, se caracterizará también mediante unafamilia de polinomios, los cuales se comparan con los polinomios que corresponden a los rostrosde la base de datos (entrenamiento) utilizando la métrica de Mahalanobis [8]. La cantidad r en
( ) ( )xxT
x mxCmxr −−= −12 (2)
es llamada la Distancia de Mahalanobis a partir del vector de características x al vector demedias xm , en donde xC es la matriz de covarianza para x . Se puede utilizar la distancia de
Mahalanobis en un clasificador de distancia mínima en la siguiente forma:Dado que cmmm ,...,, 21 sean los valores “medios” para las “c” clases, y cCCC ,...,, 21 sean las
correspondientes matrices de covarianza. Se puede clasificar un vector de características x almedir la distancia de Mahalanobis desde x , a cada una de las “medias” de las clases. Entonces seasignará x a la clase para la cual la distancia es mínima (figura 5).
FIGURA 5. CLASIFICADOR MAHALANOBIS DE DISTANCIA MINIMA
Dicho clasificador se ha utilizado en la presente investigación, para realizar el reconocimiento deun determinado rostro (x), identificando si éste se encuentra en la base de datos de rostros (baseORL).
4.6. El rostro y sus Espectros de Señal.
Una vez realizado el preprocesamiento de la imagen descrito en la sección 4.2, los valores denivel de gris correspondientes a cada pixel, se almacenan en un vector (cada renglón del rostro secoloca en forma secuencial ), como se representa en la figura 6. Se aplica el muestreo aleatoriodescrito en la sección 4.3, obteniendo de las 10,304 posiciones un vector de 1,752 posiciones(correspondientes a una muestra del 17%).Graficando este vector, tomando como variable (x) la posición de cada elemento del vector y losniveles de gris como (y), se obtiene el equivalente a una serie de tiempo o espectro de señal [40].En una primera instancia, se puede pensar en tratar de obtener el polinomio de aproximación que
Distancia deMahalanobis
Distancia deMahalanobis
Distancia deMahalanobis
SELECTOR
caracterice a dichos datos que representan un determinado rostro. O bien, si utilizamos lascoordenadas (x, y) y el correspondiente nivel de gris en ese punto se obtiene una gráfica del tipo(X, Y, Z). Los experimentos realizados con estos tipos de espectros no tuvieron un resultadosatisfactorio en el reconocimiento del rostro. Se consideró que los espectros se deberían desimplificar para obtener un mejor resultado.
Posición: 1 2 3 .... 80 ... 92
10,192 ..... ..... .... 10,304
FIGURA 6. REPRESENTACION VECTORIAL DE LOS VALORES DE GRIS CORRESPONDIENTESA LA IMAGEN DE UN ROSTRO
Con base en algunas de las propuestas teóricas acerca del reconocimiento de rostros, seobtuvieron tres espectros para cada imagen: Espectro de señal de baja frecuencia, Espectro de losGradientes y Espectro de Máxima Entropía.Las señales de baja frecuencia se seleccionaron debido a la propuesta de diversos autores [7, 10]que proponen que el ser humano utiliza este tipo de señal para realizar el reconocimiento derostros (sección 2). El Gradiente, se encuentra relacionado con la detección de los bordes de unaimagen a través de las diferencias entre los niveles de grises de la imagen [1]. Por su parte, elespectro de máxima entropía, es una técnica para tratar de reducir “ruido” en una señal y adquirirconocimiento a partir de información incompleta. El método de máxima entropía ha sidoutilizando sobre todo, en el campo de la Astronomía para procesar imágenes obtenidas por mediode radiotelescopios que presentan una gran cantidad de “ruido”.Se obtuvieron los tres espectros mencionados anteriormente, para cada imagen, a partir de lamuestra seleccionada. Por tanto, se obtienen tres vectores de 1,752 posiciones que caracterizan acada rostro. Para cada una de estas señales, se obtuvo el aproximante polinomial correspondientepor medio de los algoritmos genéticos de orden, el cual tiene la forma presentada en (1). En elproceso del algoritmo genético se utilizaron poblaciones de 30 individuos con aproximadamente50 generaciones, los polinomios de aproximación que se encontraron presentan 12 términos y ungrado (exponente) máximo de 6.En la figura 7, se presentan las gráficas de los espectros para cada una de las tres señales:Gradiente (figura 7-a), Frecuencia baja (figura 7-b) y Máxima entropía (figura 7-c). Se hanrepresentado simultáneamente 10 señales (que caracterizan a 10 rostros de la base ORL), paracada uno de los espectros. Unicamente se presentan 350 puntos del total de la muestra.
.4941 .5098 .5137 .4980 .5096 .5095 .4862 ..3642
.3123 .8745 .9764 .9803 .7854 .9854 .8764 .9543
.5019 .2901 .3372 .4823 .2274 .1763 .3465 .4576
El reconocimiento de un determinado rostro, se realizó comparando sus tres espectros contra losespectros de los polinomios de aproximación que caracterizan a la base de entrenamiento, através de la métrica de Mahalanobis (clasificador de distancia mínima).Se utilizaron las imágenes correspondientes a la segunda y tercera pose de cada sujeto de la baseORL (figura 4) como sujetos a identificar. En ambos casos se reconocieron 39 sujetos,correspondiendo a un 97.5% de precisión.
FIGURA 7. SEÑALES CORRESPONDIENTES A 10 ROSTROS DE LA BASE DE ENTRENAMIENTO“ORL”. (A) – GRADIENTE, (B) – FRECUENCIA BAJA, (C) – MAXIMA ENTROPIA
5. CONCLUSIONES
El método utilizado en este proyecto, que consiste básicamente en un muestreo aleatorio de laimagen de un rostro, su caracterización por medio de polinomios de aproximación y la búsquedade la forma de dichos polinomios a través de un algoritmo genético, es una de las principalesaportaciones de la investigación. Con la metodología anterior, no se requiere de calcular loselementos geométricos del rostro, ni obtener la posición de algún elemento básico del rostrohumano (ojos, nariz, boca, etc.), ni tampoco del uso de “plantillas” que enmarquen característicasfaciales, métodos utilizados en las mayoría de las investigaciones que se presentan en laliteratura. En los métodos que se basan en la utilización de características, se requiere de realizarbúsquedas exhaustivas para identificar los ojos, la nariz o cualquier otro elemento facial a partir
A
B
C
del cual se construye la red de puntos que configuran al rostro y a partir del cual se aplica algunode los métodos requeridos para el reconocimiento (componentes principales, redes neuronales,estadística, etc.). Incluso, en algunos sistemas, se requiere que el usuario identifique“manualmente” algún punto del rostro humano para iniciar el proceso computacional. El métodopropuesto en esta investigación es completamente automático y no requiere de conocerespecíficamente en dónde se encuentran los rasgos faciales de un determinado sujeto, para llevara cabo el entrenamiento de la base de rostros y posteriormente el reconocimiento de undeterminado sujeto. Asimismo, con la utilización del muestreo aleatorio, se requiere únicamenteuna pequeña cantidad de pixeles para llevar a cabo la aproximación polinomial en la fase deentrenamiento, al igual que en la fase de identificación. Lo anterior reditúa en un menor tiempode procesamiento. Por otra parte, la utilización de un enfoque holístico, en el cual no se requierede identificar específicamente rasgos faciales, permite reconocer un alto porcentaje de sujetos quepresentan ciertas oclusiones faciales: barba, bigote, anteojos. Otros sistemas presentan mayordificultad en realizar este tipo de reconocimiento e, inclusive, algunos no lo pueden realizar.Los resultados que se obtuvieron en el reconocimiento de rostros con la base ORL logró un97.5% de precisión, lo cual se considera altamente satisfactorio. Sobre todo considerando queúnicamente se utilizó una sola imagen por sujeto en la fase de entrenamiento (a diferencia de lamayoría de los métodos reportados en la literatura que requieren varias imágenes para elentrenamiento). El método es más robusto.
En las siguientes fases de esta investigación, se realizarán más pruebas con otras bases de rostros(con mayor número de imágenes). Se está comenzando a probar con una base de rostros del MITcorrespondiente a 400 sujetos. Se espera poder reconocer más de 3,000 rostros (que hasta la fechaes el mayor número de sujetos que se han reconocido mediante sistemas de este tipo).Asimismo, se plantearan algunas funciones multivariadas que combinen diversas señalesobtenidas a partir de los rostros. Se pretende realizar un análisis matemático acerca de losprocesos que subyacen en la caracterización de rostros a través de los diversos espectros. Seconsiderará la utilización de otros tipos de señales, además o en lugar de las tres yaexperimentadas.Por otra parte, se considera que el sistema desarrollado mediante aproximación multivariada yalgoritmos genéticos tiene altas posibilidades de ser aplicado a diversos tipos de reconocimientode patrones: imágenes de diversos tipos, series de tiempo, reconocimiento de imágenes utilizadasen medicina, astronomía, etc. Lo anterior empezará a ser experimentado en el corto plazo condiversos tipos de reconocimiento de patrones.
REFERENCIAS
[ 1] Awcock, G.W., Thomas, R., Applied Image Processing, McGraw-Hill, New York, 1996.[ 2] Belhumeur, P., Hespanha, J., Kriegman, D., “Eigenfaces vs Fisherfaces: Recognition
Using Class Specific Linear Projection”, IEEE Trans. Pattern recognition and MachineIntelligence, v. 19, No. 7, 1997, pp. 711-720-
[ 3] Bruce, Vicki, Hancock, Peter J.B., Burton, A. Mike, “Human Face Perception andIdentification”, en: Wechsler, Harry, Phillips, P. J., Bruce, Vicki, et. al. (Eds.), FaceRecognition: From Theory to Applications, Springer/NATO, Germany, 1998.
[ 4] Brunelli, Roberto; Poggio, Tomaso; “Face Recognition: Features versus Templates”;IEEE Trans. on Pattern Recognition and Machine Intelligence; v. 15; No. 10; October;1993; pp. 1042-1052
[ 5] Brunelli, Roberto; Poggio, Tomaso; “Face Recognition through Geometrical Features”
[ 6] Cherkassky, Vladimir, “Inductive Principles for Learning from Data”, en: Wechsler,Harry, Phillips, P. J., Bruce, Vicki, et. al. (Eds.), Face Recognition: From Theory toApplications, Springer/NATO, Germany, 1998.
[ 7] Costen, N.P., Parker, D.M., Craw, I., “Effects of high-pass and low-pass spatial filteringon face identification”, Perception & Psychophysics, v. 58, 1996, pp. 602-612.
[ 8] Cox, Ingemar J, Ghosn, J., Joumana, Y., “Feature-Based Face Recognition UsingMixture-Distance"” NEC Research Institute, Technical Report 95-09, Princeton, NJ,October, 1995.
[ 9] Dailey, Matthew N., Cottrell, Garrison W., “Learning a Specialization for FaceRecognition: The Effect of Spatial Frequency”, June, 1997, En Internet
[10] Gong, Shaogang, McKenna, Stephen J., Psarrou, Alexandra, Dynamic Vision: FromImages to Face Recognition, Imperial College Press, London, 2000.
[11] González-Jiménez, Javier, Visión por Computador, Paraninfo, Madrid, 2000.[12] Grotschel, Martin, Lovász, Lászlo, Combinatorial Optimization: A Survey, DIMACS
Technical Report 93-29, Princeton University, May, 1993. En Internet.[13] Hancock, P.J., Bruce, V., Burton, A.M., “Testing Principal Component Representation for
faces”, Technical report, University of Stirling, UK, 1998, En Internet.[14] Hancock, Peter J. B.; Burton, A. Mike; Bruce, Vicki; “Face processing: human perception
and principal component analysis”; Memory and Cognition; vol. 24; No. 1; 1996; pp 26-40
[15] Huang, Ren-Jay, Detection Strategies for face Recognition Using Learning and Evolution,Ph. D. Dissertation, George Mason University, Abstract, 1998.
[16] Isaka, Satoru, “An Empirical Study of Facial Image Feature Extraction by GeneticProgramming”, Report- OMRON Advanced Systems, Inc., Santa Clara, CA, 1997, EnInternet
[17] Kanade, T., “Computer recognition of human faces”, en Interdisciplinary SystemsResearch, Birkhäuser Verlag, 1977 (40)
[18] Kaufman, G.J., Breeding, K.J., “The Automatic Recognition of Human Faces from Profile[19] Kuri, Angel, “Prediction of Dynamic Systems through the Identification of Basic Patters
in Multivariate Mathematical Landscapes Using a Genetic Algorithm”, CIC-IPN, México,1998.
[20] Kuri, Angel, A Universal Eclectic Genetic Algorithm, Reporte, Centro de Investigaciónen Computación- IPN, 1998
[21] Kuri, Angel, Un método de aprendizaje no supervisado usando algoritmos genéticos deorden, CIC-IPN, 1998
[22] Kuri, Angel, “Pattern Recognition via a Genetic Algorithm”, en Guzmán, A., Shulcloper,J.R., Sossa, J.H., et al. (Comp.), II Taller Iberoamericano de Reconocimiento de Patrones-La Habana, Cuba, ICIMAF-CIC-IPN, 1997, pp. 345-356.
[23] Lanitis, A.; Hill, A.; Cootes, T. F.; Taylor, C. J.; “Locating Facial Features Using GeneticAlgorithms”; Oxford;
[24] Liu, Chengjun, Wechsler, Harry, “Face Recognition Using Evolutionary Pursuit”, FifthEuropean Conference on Computer Vision, University of Freiburg, Germany, 1998, EnInternet
[25] Liu, Chengjun, Wechsler, Harry, “Enhanced Fisher Linear Discriminant Models for FaceRecognition”, 14th International Conference on Patter Recognition , Queensland,Australia, 1998, En Internet.
[26] Lucas, S. M.; “Face Recognition with the continuous n-tuple classifier”;[27] Lucas, S. M.; “The continuous n-tuple classifier and its application to face recognition”
en : www.essex.ac.uk/ sml/papers.html#Face
[28] Pinto-Elías, R., Sossa-Azuela, J.H., “Human Face Identification Using InvariantDescriptions and a Genetic Algorithm”, en Coelho H. (Ed.), Progress in ArtificialIntelligence-IBERAMIA 98 (6th Ibero-American Conference on AI-Lisbon, Portugal),Springer, Lecture Notes in AI-No. 1484, Germany, 1998, pp.293-302.
[29] Rayón, Patricia, Sossa, J.H., “Localización de ojos utilizando información bidimensionalde la imagen”, III Taller Iberoamericano de Reconocimiento de Patrones, CIC-IPN,México, Marzo, 1998, pp.359-367.
[30] Samaria, F.S., Face Recognition Using Hidden Markov Models, Ph. D. Trinity College,Cambridge University, 1994. En Internet.
[31] Samaria, F.S., Harter, A.C., “Parameterisation of a Stochastic Model for Human FaceIdentification”, Proceedings of the 2nd IEEE Workshop on Application of ComputerVision, Sarasota, Florida, December 1994.
[32] Schackleton, Mark, “Learned Deformable Templates for Object Recognition”, IEE Gas inVision Colloquium, 1996, En Internet.
[33] Schwefel, Hans-Paul, Evolution and Optimum Seeking, Wiley, New York, 1995.[34] Shavlik, Jude W., Dietterich, Thomas G. (Eds.), Readings in Machine Learning, Morgan
Kaufmann, San Mateo, CA, 1990.[35] Triola, Mario F., Estadística elemental, Prentice-Hall/Pearson, México, 2000.[36] Turk, M.A., Pentland, A.P., “Face Recognition Using Eigenfaces”, Proceedings IEEE
Computer Society Conference on Computer Vision and Pattern recognition, pp. 586-591,1991.
[37] Turk, M., Pentland, A., “Eigenfaces for recognition”, Journal of Cognitive Neuroscience,3 (1), pp. 71-86, 1991
[38] Wechsler, Harry, Phillips, P. J., Bruce, Vicki, et. al. (Eds.), Face Recognition: FromTheory to Applications, Springer/NATO, Germany, 1998.
[39] Wei, William W. S., Time Series Analysis: Univariate and Multivariate Methods,Addison-Wesley, Readwood, CA, 1990