Propuesta de la Tecnología de Reconocimiento Facial

Contenido

Introducción        2

Estado del arte        3

Proyecciones Futuro de la Tecnología        10

Aplicaciones Top Mundiales        12

Propuesta de la Tecnología de Reconocimiento Facial        15

Conclusiones        17

Introducción

El sistema de reconocimiento facial es el análisis de las características fisiológicas de una persona través de una imagen digital, y está compuesto por una solución biométrica que emplea algoritmos automáticos para clasificar y reconocer rostros.

Durante los últimos años, el reconocimiento facial se ha convertido en uno de las aplicaciones más estudiadas en campos como la biometría, el procesado de imagen o el reconocimiento de patrones. Una de las razones que ha llevado a este crecimiento son las necesidades cada vez mayores de aplicaciones de seguridad y vigilancia utilizadas en diferentes ámbitos.

Los escenarios de reconocimiento facial se pueden clasificar en dos tipos:

• Verificación de la persona: “¿Soy yo quien digo ser?”, un proceso de relación de uno a uno donde se verifica si el rostro corresponde o no al rostro de quien se dice ser.
• Identificación de la persona: “¿Quién soy yo?”, un proceso de relación de uno a muchos donde se compara el rostro consultado contra todos los rostros almacenados en una base de datos para determinar la identidad de la persona consultada. La identificación de la imagen prueba se realiza mediante la localización de la imagen en la base de datos que tiene la más alta similitud con imagen prueba. (Figura 1)

[pic 1]

[pic 2]

Estos sistemas en su objetivo de determinar la identidad de una persona, pueden tener en cuenta o analizar muchas características. Estas características pueden ser tanto físicas, como el caso de las pupilas, nariz, ojos, labios entre otras, o tratarse el caso de características psicológicas como los gestos.

No obstante, las aplicaciones basadas en el reconocimiento facial, presentan algunas limitaciones o inconvenientes tales como:

• Orientación del rostro
• Iluminación
• Expresión facial
• Oclusión debido a objetos o accesorios tales como gafas de sol, sombreros, etc.
• Vello facial
• Envejecimiento.

Aun así algunas de estas barreras, se pueden solucionar de alguna forma como el caso del envejecimiento, en la cual bastaría con una actualización periódica de la base de datos de la aplicación o un algoritmo que simule los cambios del rostro con el pasar de los años, aunque este último pierde un poco de efectividad. De igual forma, se pueden tener varias imágenes de un mismo rostro en diferentes orientaciones y expresiones (Figura 2).

[pic 3]

[pic 4]

Estado del arte

Hay dos familias de técnicas de reconocimiento facial: técnicas basadas en la apariencia y técnicas basadas en modelos. En cada una de estas familias, se encuentran varios métodos para caracterizar la imagen, por lo que mostraremos algunas de estas técnicas.

[pic 5]

Los sistemas basados en la apariencia se utilizan directamente sobre las imágenes sin hacer uso de modelos 3D. Estos tipos de sistemas representan un objeto en función de diferentes vistas del mismo. En estos sistemas cada imagen se representa como un punto en un subespacio vectorial, de forma que la comparación entre la imagen de test y las imágenes de referencia se realiza en el subespacio vectorial caras. El objetivo de estos algoritmos es clasificar las diferentes caras en el nuevo subespacio, pero para ello será necesario entrenar previamente el sistema con imágenes de diferentes caras con diferentes vistas.

Por otro lado están los sistemas basados en modelos, los cuales intentan construir un modelo lo más descriptivo posible de la cara humana capaz de detectar con precisión las variaciones faciales.

[pic 6]

Estos sistemas tratan de obtener características biométricas de las imágenes para realizar el reconocimiento (distancia entre ojos), grosor de la nariz…). Habitualmente estas técnicas requieren de imágenes de gran resolución. Cuando se utilizan estos sistemas, el algoritmo sabe con antelación el objeto que ha de representar y lo que intenta hacer es que corresponda la cara real con el modelo. El proceso que se suele seguir cuando se usan estas técnicas está formado por tres pasos:

• Construcción del modelo.
• Ajustar el modelo a la imagen de test.
• Utilizar los parámetros del modelo ajustado para calcular la similitud entre la imagen de test y las imágenes de referencia para realizar el reconocimiento.

[pic 7]

Detección de la posición y distancia de los ojos a través del método de convolución

Algunas de las ventajas e inconvenientes de los sistemas basados en la apariencia frente a los basados en modelos son las siguientes:

1. Ventajas

• Más rápidos.
• Requieren de un menor tamaño de las imágenes.
• Menor complejidad.
• No requieren de un conocimiento previo de las imágenes.

1. Inconvenientes

• Más afectados por cambios en la orientación o expresión de la cara.
• Más dificultades frente a cambios en la iluminación.

Reconocimiento de imágenes fijas

En este estudio se hará uso de métodos basados en la apariencia, los cuales para el reconocimiento de imágenes requiere de los bloques que se muestran en la siguiente figura:

[pic 8]

Para realizar diferentes experimentos, normalmente se hace uso de los siguientes conjuntos de imágenes:

• Imágenes de referencia: son las que están almacenadas y son conocidas por el sistema y son utilizadas para saber si una imagen de entrada pertenece o no a algún sujeto registrado en el sistema.
• Imágenes de test: son las que recibiremos en el sistema y se tienen que reconocer.
• Imágenes de entrenamiento: son utilizadas en los métodos PCA y LPP para conseguir las matrices de proyección.

Descripción de las principales técnicas

PCA (Principal Component Analysis)

PCA es un método que transforma un número de variables posiblemente correlacionadas en un pequeño número de variables  no correlacionadas llamadas componentes principales, es decir, es un algoritmo de reducción dimensional que permite encontrar los vectores que mejor representan la distribución de un grupo de imágenes.

PCA está basado en la Transformada de Karhunen-Loeve (KLT), que consiste en la representación de un proceso estocástico no periódico a través de una base de vectores obtenidos completamente del proceso en sí mismo, es decir, PCA permite representar una imagen de una cara usando una base que se ha conseguido a partir de muchas observaciones de diferentes caras.

...