DISEÑO E IMPLEMENTACION DE UN SISTEMA DE RECONOCIMIENTO DE PATRONES APLICANDO TECNICAS DE ANALISIS DE COMPONENTES

PRINCIPALES Y MODELOS ACTIVOS

Ing (C). MAURICIO ANASTACIO CHACON ROJAS

UNIVERSIDAD DE PAMPLONA FACULTAD DE INGENIERIAS Y ARQUITECTURA

INGENERIA MECATRONICACUCUTA

2011

DISEÑO E IMPLEMENTACION DE UN SISTEMA DE RECONOCIMIENTO DE PATRONES APLICANDO TECNICAS DE ANALISIS DE COMPONENTES

PRINCIPALES Y MODELOS ACTIVOS

Ing (C). MAURICIO ANASTACIO CHACON ROJAS 87121170564INGMECATRONICO_MCHR@HOTMAIL.COM 315-790-7093

Anteproyecto presentado como requisito para optar al título de INGENIERO MECATRONICO

Director: Msc(C). OSCAR MANUEL DUQUE SUAREZING. MECATRONICO

OMDUKE@HOTMAIL.COM

UNIVERSIDAD DE PAMPLONA FACULTAD DE INGENIERIAS Y ARQUITECTURA

INGENERIA MECATRONICACUCUTA

2011

INTRODUCCIÓN

El reconocimiento e identificación de rostros es un proceso que se ha llevado a cabo desde hace ya un tiempo, motivada por la facilidad de una persona en recordar y reconocer a otra (Percepción humana), por tal motivo se ha trabajado en hallar la forma de poder realizar este proceso de reconocimiento teniendo como objetivo emular esta capacidad humana, dando lugar a múltiples métodos biométricos para lograr el reconocimiento de las personas, entre estos métodos biométricos encontramos el reconocimiento facial (Rama del reconocimiento de patrones y la visión artificial), en la cual podemos encontrar características propias de cada individuo como distancia entre ojos, distancia entre cejas, forma de la boca entre otras características. Actualmente encontramos diversos problemas en la limitación de acceso a espacios restringidos, control del flujo de personas en áreas de seguridad, controles de identidad entre otros. Debido a todos estos inconvenientes las empresas, centros de investigación-Universidades y entes de seguridad han optado por la aplicación de sistemas de seguridad, conllevando a que los sistemas de seguridad cada vez se hagan más avanzados y completos. Por este motivo se han explotado los métodos basados en técnicas biométricas gracias a su gran eficacia al momento de reconocer e identificar personas.

RESUMEN DE LA PROPUESTA

El Reconocimiento de Rostros se consolidara en un programa (algoritmo de reconocimiento - PCA y Modelos Activos) desarrollado en la plataforma MATLAB. Las muestra de rostros usados en el diseño, prueba e implementación del software de reconocimiento serán obtenidas de centros de investigación, universidades y agencias de seguridad que las aportan para ayudar al avance, desarrollo y difusión de las técnicas de reconocimiento y visión artificial. El algoritmo de reconocimiento de rostros en las modalidades de identificación y reconocimiento de género será implementado usando las técnicas de Análisis de componentes principales y modelos activos, evitando así el análisis de elementos externos innecesarios. Una vez obtenida la parte de la imagen deseada se procederá a la descomposición de la misma y se llevará acabo la aplicación de las técnicas anteriormente propuestas para determinar la identificación del usuario y reconocer el género.

Se espera obtener un alto índice de aciertos en la identificación de rostros y el reconocimiento de género dado que las técnicas a implementar se encuentran en el estado del arte del área de reconocimiento de patrones con muy buenos indicadores de resultados en los centros de estudios donde se encuentra en estudio y evolución.

1. DISEÑO E IMPLEMENTACION DE UN SISTEMA DE RECONOCIMIENTO DE PATRONES APLICANDO TECNICAS DE ANALISIS DE COMPONENTES

PRINCIPALES Y MODELOS ACTIVOS

1.1 PLANTEAMIENTO DEL PROBLEMA

En el identificación y reconocimiento de rostros encontramos problemas tales como la puesta en escena de las imágenes a capturar de los usuarios, teniendo como anexos el tratamiento y adecuación de las misma, sin dejar de por medio el coste computacional que conlleva el implemento de las técnicas. No obstante en la actualidad encontramos la necesidad de empresas, centros de investigación-Universidades y entes de seguridad ya sean de ámbito mundial, nacional, o local; de sectorizar y controlar el flujo de personas que puedan acceder a un determinado sitio (empresas y entes de seguridad), al igual que identificar a sus usuarios para el control de antecedentes penales (empresas y entes de seguridad) o en las instituciones académicas fortalecer las técnicas de reconocimiento a fin de implementarlas en aplicaciones robóticas, demóticas entre otros. La falta de la aplicación de sistema de seguridad basados en métodos biométricos, causan a estas empresas vulnerabilidad en el sector de seguridad ya sea en la restricción de sitios, y aún más crítico en la Incapacidad de identificar a un delincuente. Obligando a estos establecimientos a invertir grandes sumas de dinero en pro de la seguridad contratando personal de vigilancia afín de contar con la percepción humana (como gestor de reconocimiento de patrones y rostros), sin embargo; no proporciona una total privacidad o identificación del usuario además de que no es un proceso autónomo y dependiente de la concentración del personal. Para aéreas de constante desarrollo como la robótica y la domótica el aporte de una emulación autónoma de la percepción humana en el reconocimiento de rostros y género fortalecerá dichas aéreas de la ingeniería y ampliara la gama de soluciones que podrían brindar.

La Universidad de Pamplona por su misión debe ser abanderada de la implementación y difusión de las técnicas que conformen el estado del arte de la ingeniería, en nuestro caso el uso de las técnicas de PCA y Modelos Activos aportara una avance en el objetivo de formar profesionales de calidad mundial

Con la realización de este proyecto se abarcarían la mayor parte de estos problemas, dándoles una solución inmediata, confiable, viable y económicamente accesible para las partes interesadas, siendo limitado por la calidad de los quipos utilizados y alcance de los mismos.

1.2 JUSTIFICACIÓN DEL PROBLEMA

Con la realización de este proyecto se podrá identificar una persona, la cual se encuentre almacenada en la base de datos, además se contara con un reconociendo de genero de la misma.Con la finalidad del proyecto los más beneficiados se encontrarían el sector empresarial y las entidades de seguridad, como también la universidad de pamplona. Debido que se solventarían las deficiencias en los sectores restringidos dentro de las empresas, una mayor eficacia al identificar algún prófugo por parte de las entidades de seguridad y que la universidad cuente con una nueva metodología en la identificación biométrica. Además de los beneficios de seguridad anteriormente mencionados podemos encontrar múltiples aplicaciones a base de este proyecto, tales como el estudio de una población (Frecuencia hombre, mujer), la inserción dentro de un robot identificador de rostro o de géneros para el entretenimiento familiar entre muchos otros.

1.3 OBJETIVOS.

1.3.1 Objetivo General.

Diseñar e implementar un sistema de reconocimiento de patrones aplicando las técnicas de PCA y Modelos Activos, en el reconocimiento de rostros (Identification and Gender Recognition)

1.3.2 Objetivos Específicos.

Diseñar un algoritmo de programación en la plataforma de Matlab incorporando la Técnica de Reconocimiento de Patrones PCA (Análisis de Componentes Principales), para lograr la identificación facial del usuario.

Diseñar un algoritmo de programación en la plataforma de Matlab incorporando las Técnicas de Modelos Activos bien sea el Modelo de la Forma o Modelo de Apariencia, para lograr la identificación de género (Masculino-Femenino) del usuario usando como muestra para el reconocimiento una imagen de su rostro.

Realizar la validación de la exactitud de las técnicas implementadas en el software de reconocimiento de rostros (Identificación y Género) mediante el uso de bases de datos de muestras faciales de centros de estudios y Universidades Internacionales en las cuales las técnicas han demostrado gran éxito.

Proponer una Metodología de desarrollo de sistemas de reconocimiento de Rostros usando las Técnicas de PCA y el Modelo Activo seleccionado para aplicaciones similares.

Generar guías de estudio que faciliten la enseñanza y asimilación de estas técnicas por los estudiantes de la Universidad de Pamplona e Ingeniería Mecatrónica dada su poca difusión en el ámbito educativo Nacional.

1.4 ALCANCES Y LIMITACIONES

1.4.1 Alcances.

Se contara con una base de datos de 100 usuarios y así mismo cada usuario contara con 2 imágenes.

Las imágenes a utilizar serán tomadas de centros de investigación y centros de seguridad.

o FBI_faces. Cuenta con un total de 132 imágenes, en las cuales existen 31 de mujeres y 101 de hombres, tomadas durante los años 2000 y 2001 por FBI face database was taken from FBI, DEA, and other websites.Specific links for each file are included within the file. Images are assumed to be public domain (U.S. government cannot hold copyright).

o Stanford Medical. Cuenta con un total de 400 imágenes, en las cuales existen 200 de mujeres y 200 de hombres, tomadas por Stanford Medical Student face database is courtesy of A. Diaco, J. DiCarlo, and J. Santos, from their EE368A Spring 2000 report on Gender classification.

Precisión de identificación cercana a la Humana y con potencialidades de memoria superior.

1.4.2 Limitaciones.

Uso de bases de datos de rostros estandarizadas para la validación del éxito de la técnica.

El éxito del reconocimiento en implementación de software resultante dependerá de la escena en la que se registres las muestras a identificar.

La velocidad de respuesta del algoritmo de reconocimiento dependerá de las potencialidades del PC (Procesador, Sistema Operativo, RAM) y de la versión de Matlab usado.

La toma de imágenes se realizaran siempre de una manera frontal al rostro del usuario obteniendo así fotos tipo pasaporte.

Se contara con un máximo de 4 meses para la realización y culminación del proyecto.

2. MARCO TEÓRICO

2.1 BASES TEÓRICAS

VISIÓN ARTIFICIAL.

La Visión artificial o Visión por Computador pertenece a una de las ramas de la inteligencia artificial, la cual tiene como propósito programar un algoritmo el cual sea capaz de lograr identificar una escena y a su vez extraer sus características para su manipulación en algún proceso.

En la edición de fotos y muchas aplicaciones de efectos visuales, a menudo es conveniente recortar un objeto en primer plano de una escena y ponerlo en la parte superior de un fondo diferente. El proceso de extraer el objeto de la imagen original se conoce como estera (Smith y Blinn, 1996), mientras que el proceso de inserción en otra imagen (sin artefactos visibles), se llama composición (Porter y Duff 1984; Blinn 1994ª).[7]

Entre sus objetivos encontramos algoritmos que aplican en la detección, localización, reconocimiento y segmentación. Siempre tratando de modelar matemáticamente la percepción humana.

En la Fig. 1 (a) encontramos un ejemplo de una escena en escala de grises, y las características de la misma las podemos observar en la Fig. 1(b).

Fig. 1. (a) Imagen escala de grises. (b) Características de la imagen.

ANALISIS DE COMPONENTES PRINCIPALES.

Análisis de Componentes Principales (ACP) es una técnica de reducción de dimensionalidad basado en la extracción de la cantidad deseada de los componentes principales de los datos multi-dimensionales.

El componente principal es la combinación lineal de las dimensiones originales que tiene la varianza máxima, el n-ésimo componente principal es la combinación lineal con la mayor variación, sujeto de ser ortogonal a la n - 1 componentes principales.

La idea de la PCA se ilustra en la Figura 2 (a), y el eje que marca Φ1 correspondea la dirección de la varianza máxima y es elegido como componente principal. En un caso 2D, el segundo componente principal es entonces determinado únicamente por las restricciones de ortogonalidad, en una dimensión superior el espacio del proceso de selección continuará, guiados por las variaciones de las proyecciones.[3]

Fig 2. (a) Las líneas continuas: la base original, líneas de puntos: la base sub espacio. Los puntos son seleccionados en lugares espaciados regularmente en una recta(b) la proyección (reconstrucción 1D) de los datos utilizando sólo el primer componente principal.

EIGENFACES 

En su trabajo pionero en 1991 Kirby y Sirovich propuso el uso de PCA para el análisis y la representación de la cara. Su trabajo fue seguido por la técnica “Eigenfaces " de Turk y Pentland , la aplicación de la ACP  para  reconocimiento facial. Puesto que los vectores base construida por PCA había la misma dimensión que las imágenes de entrada la cara, que se denomina “Eigenfaces ". La Fig 3 muestra un ejemplo de la cara media y algunos de los Eigenfaces. [3]

Fig 3. Eigenfaces, la cara media de la izquierda, seguido de 7eigenfaces

MODELOS FORMA ACTIVA

Teniendo en cuenta una aproximación inicial, una instancia de un modelo puede ser adecuada una imagen. Por la elección de un conjunto de parámetros de forma, antes de que el modelo que define la forma del objeto en un objeto centrado y coordinado. Podemos crear una instancia X del modelo en la imagen expresando y definiendo la posición, orientación y escala.

1. Examinar una región de la imagen alrededor de cada punto Xi  para encontrar la mejor opción cerca del punto X’i.

2. Actualizar los parámetros (Xt, Yt, s, μ, b)  para encontrar la mejor localización de nuevos puntos de X.

3. Repetir hasta la convergencia.

En la práctica nos fijamos en los perfiles normales a lo largo del límite de cada punto del modelo (Fig.4). Si esperamos que el límite del modelo corresponda a un borde, simplemente se puede localizar el borde más fuertes (incluida la orientación si se conoce) a lo largo del perfil. La posición de este da la nueva ubicación sugerida para el modelo. [8]

Fig 4 En cada punto de muestreo a lo largo de un modelo de perfil normal a la frontera

Figura 5 muestra el de la ASM para localizar los rasgos de un rostro. El modelo de instancia se coloca cerca del centro de la imagen y un grueso realiza una buena búsqueda. La búsqueda se inicia en el nivel 3 (1 / 8 de la resolución en X e Y en comparación con la imagen original). Los grandes movimientos se realizan en las iteraciones de los primeros, al obtener la posición y la escala más o menos correcta. A medida que la búsqueda avanza las resoluciones se hacen más finas y más sutiles. La convergencia final (después de un total de 18 interacciones) da un buen partido a la imagen de destino. En este caso, un máximo de 5 interacciones se les permitió en cada resolución, y el algoritmo converge en menos de un segundo (en una 200MHz PC). [8]

Fig 5. Búsqueda de una cara utilizando el Modelo forma activa

MODELOS DE APARIENCIA ACTIVA

El modelo de la Forma activa algoritmo de búsqueda permitió localizar los puntos en una nueva imagen, haciendo uso de las limitaciones de los modelos de la forma. Una desventaja es que sólo utiliza las limitaciones de la forma (junto con alguna información sobre la estructura de la imagen cerca de los puntos de referencia), y no toma ventaja de toda la información disponible - la textura a través del objeto de destino. Esto puede ser modelado utilizando un modelo de apariencia.

EJEMPLOS DE MODELO DE APARIENCIA ACTIVA

Se utilizó la AAM para la búsqueda de caras en imágenes nunca antes vistas. La Fig 6 muestra el mejor ajuste al modelo la imagen de los puntos marcados por la mano de tres caras. La Fig 7 muestra los marcos de una búsqueda de AAM para cada rostro, cada uno a partir de la media del modelo desplazado del verdadero rostro del centro. [8]

Fig 6. Reconstrucción (izquierda) y el original (derecha), dado puntos de referencia del original

Fig 7 Multi-resolucion de búsqueda desde la posición desplazada

2.2 ANTECEDENTES

Reconocimiento de rostros utilizando análisis de componentes principales: limitaciones del algoritmo

Facial feature localization based on an improved ASM Active appearance models revisited Eigenface for recognition Face recognition in subspaces Face recognition Reconocimiento de rostros mediante puntos característicos locales

2.3 MARCO CONCEPTUAL

Biometría. (De bio- y -metría).

Estudio mensurativo o estadístico de los fenómenos o procesos biológicos.

Modelos activos.

Active Shape Models (ASM) y Active Appearance Models (AAM).

PCA

Principal components analysis (PCA) o análisis de componentes principales (ACP)

Percepción. (Del lat. perceptĭo, -ōnis).

Sensación interior que resulta de una impresión material hecha en nuestros sentidos.

2.4 BASES LEGALES

Debido que las técnicas a utilizar no se encuentra dentro algún margen legal por no causar ningún impacto negativo, no posee bases legales

3. DISEÑO METODOLÓGICO

3.1 TIPO DE ESTUDIO

ESTUDIO APLICATIVO

El proyecto se clasifica como aplicativo debido a que se van a implementar las técnicas de PCA y Modelos activos, desarrolladas y demostradas en centros internacionales de estudio e investigación haciendo parte del estado del arte actual de las técnicas de reconocimiento de patrones y visión artificial en el ámbito internacional por lo cual se desea que sea incorporada en las aéreas de trabajo y desarrollo de los futuros Ingenieros Mecatrónicos y

la Universidad de Pamplona elevando aun más el nivel de nuestra institución y sus egresados.

3.2 MÉTODO

Método Analógico o Comparativo:

La metodología propuesta para el desarrollo exitoso del proyecto corresponderá a varias etapas, las cuáles son:

Etapa 1: Recolección de la bibliografía y material de referencia necesario que aporte y oriente de una mejor manera el proyecto de manera análoga a los antecedentes desarrollados con las técnicas a implementar.

Etapa 2: Se establecerá lo requerimientos del software a desarrollar, y se identificara las funciones del lenguaje de programación en Matlab, las prestaciones que deberá tener la HMI en la que se presentara el software para la interacción con el sistema.

Etapa 3: Se estudiaran y ejecutaran modelos para el procesamiento de la imagen escogiendo el más adecuado dentro de los siguientes temas, Filtrado y realzado de la imagen (Operaciones básicas entre píxeles, Operaciones sobre el histograma, Filtrado Espacial) y Operaciones Morfológicas (Elementos del proceso morfológico, Filtros morfológicos).

Etapa 4: Se estudiara y se realizara la implementación de las técnicas de PCA y modelos activos en Matlab, escogiendo en este último el modelo más apropiado a trabajar (Forma o Apariencia) y se establecerán los formatos más útiles para el trabajo (imágenes, dimensiones, condiciones de la imagen, entre otros). Se establecerán que procesos de la identificación deben ser visualizados al igual que los resultados. Para tolo lo antes mencionado se propone el diagrama de flujo de la figura 8 que representa la arquitectura y etapas que conformaran el sistema.

Etapa 5: Análisis de resultados y validación del Mismo mediante el uso de bases de datos para reconocimiento de rostros y métodos estadísticos para el análisis. Confrontación de los resultados obtenidos con los esperados de acuerdo a los antecedentes.

Etapa 6: Mejora o rediseño (si es requerido) y puesta a punto del sistema una vez cumplidos los objetivos.

Etapa 7: Redacción manual de usuario y guías prácticas de uso y aprendizaje de las técnicas.

Etapa 8: Formalización documental del proyecto y los resultados.

Fig 8. Posible diagrama de la realización del software.

4. RECURSOS

4.1 RECURSOS HUMANOS

Autores del Proyecto:

Ing (C). MAURICIO ANASTACIO CHACON ROJAS 87121170564Estudiante de Ingeniería Mecatrónica de la Universidad de Pamplona.

Director del Proyecto:

Msc(C). OSCAR MANUEL DUQUE SUAREZC.C 1090.368.448Profesor de la Universidad de Pamplona.

4.2 RECURSOS INSTITUCIONALES

UNIVERSIDAD DE PAMPLONA EXTENSION VILLA DEL ROSARIO LICENCIA DEL SOFTWARE MATLAB

4.3 LOGÍSTICOS

Los recursos logísticos necesarios para la elaboración del proyecto serán los mismos que aparezcan referenciados en la bibliografía.

4.4 RECURSOS FINANCIEROS

(Pecios en miles de pesos)

Papelería $ 25.800Transporte $ 80.000Adquisición de artículos y libros $ 1.000.000Adquisición de Computador Portátil HP DV6 4087LA. $ 1.599.999Imprevistos $ 200.000

--------------------Total $ 2.905.799

5. CRONOGRAMA DE ACTIVIDADES

ACTIVIDADESMES 1 MES 2 MES 3 MES 4

1 2 3 4 1 2 3 4 1 2 3 4 1 2 3 4IIIIIIIVVVI

VIIVIIIIX

Actividades:

(#) = número máximo de horas en el desarrollo de la actividad

I. Investigación afondo del método análisis de componentes principales (ACP).(168)II. Investigación afondo del método de Modelos Activos.(168)

III. Selección de base de datos.(168)IV. Diseño del algoritmo de programación método ACP sobre la plataforma MATLAB.

(224)V. Validación de resultados obtenidos con el método ACP.(112)

VI. Diseño del algoritmo de programación del Modelo Activo seleccionado sobre la plataforma MATLAB.(224)

VII. Validación de resultados obtenidos con el método de Modelos Activos.(112)VIII. Desarrollar Metodología Para aplicaciones similares basadas en PCA y Modelos

Activos.(224)IX. Generación de guías para el estudio de los métodos PCA y Modelos Activos, y

finalización del proyecto.(224)

CUMPLIMIENTO DE OBJETIVOS

Actividad I, II, III, IV, VI. Constituyen a la conformación de los 2 primeros objetivos específicos.

Actividad V, VII. Constituyen a la conformación del 3 objetivos específico.

Actividad VIII. Constituye a la conformación del 4 objetivos específico.

Actividad IX. Constituye a la conformación del 5 objetivos específico.

Con el desarrollo de la totalidad de las actividades se cumplirá con el objetivo general del proyecto.

BIBLIOGRAFÍA

1. Alexander Ocsa M., Alexander Rodriguez V., Herbert Chuctaya H., Gabriel Humpire M. Reconocimiento de Rostros mediante Puntos, Simposio Peruano de computación gráfica y procesamiento de imágenes, 2008.

2. Carlos Villegas Quezada, Reconocimiento de rostros utilizando análisis de componentes principales: Limitaciones del algoritmo, Universidad Iberoamericana, 2005.

3. Gregory Shakhnarovich y Baback Moghaddam Handbook of Face Recognition, Spriger-Verlag, 2004, Cap 7.

4. Iain Matthews and Simon Baker, Active Appearance Models Revisited, The Robotics Institute Carnegie Mellon University, 2002.

5. Jens Fagertun, Face Recognition, Kongens Lyngby 2005.6. Matthew Turk and Alex Pentland, Eigenfaces for Recognition, journal of

cognitive neuroscience, 1991.7. Richard Szeliski, Computer Vision: Algorithms and Applications, Septiembre 3,

2010 draft.8. T.F. Cootes and C.J.Taylor, Statistical Models of Appearance for Computer

Vision, Imaging Science and Biomedical Engineering, 2004, Cap 7.9. Zhonglong Zheng, Jia Jiong, Duanmu Chunjiang, XinHong Liu, Jie Yang,

Facial feature localization based on an improved,ScienceDirect,2008.