Face recognition model applied to the missing people
problem
Marcos Batista Figueredo
1e21Centro Integrado de Manufatura e Tecnologia SENAI
CIMATEC - Laboratório de Robótica Autônoma (Labor) Salvador\Bahia, Brasil
Josemar Rodrigues de Souza
1e22Universidade do Estado da Bahia (UNEB)/Núcleo de
Arquitetura de Computadores e Sistemas Operacionais(ACSO)
Salvador\Bahia, Brasil [email protected]
Resumo — No Brasil é grande o número de pessoas que
permanecem desaparecidas e uma solução para a localização destas pessoas pode estar na utilização dos diversos sistemas de câmeras que são utilizados atualmente pelo poder público, principalmente nas capitais. Propomos avaliar a eficiência de um modelo de reconhecimento facial utilizando basicamente duas etapas: treinamento e reconhecimento. Constituímos assim um banco de imagens que simula o CNPD e em seguida aplicamos o modelo. Utilizamos um total de 500 imagens e 10 horas de vídeo. O trabalho revelou um índice de acerto da casa de 69% em imagens estáticas, 60% em vídeo e abaixo de 40% com utilização de acessórios.
Palavras Chave - Eigenface, Pessoas Desaparecidas, Reconhecimento Facial
Abstract - In Brazil there is a large number of people who remain
missing, and a solution for the location of these people may be in the use of various camera systems that are currently used by the public, especially in main cities. We propose to evaluate the efficiency of a model of face recognition using basically two phases: training and recognition. Thus we have constituted an image database that simulates the CNDP and then apply the model. We used a total of 500 pictures and 10 hours of video. The work revealed a success rate of 69% in house still images, 60% in video, and below 40% with the use of accessories.
Keywords - Eigenface, Missing Persons, Facial Recognition
I. INTRODUÇÃO
Desde 2010 o Brasil dispõe de um Cadastro Nacional de Pessoas Desaparecidas (CNPD) que tenta auxiliar as buscas por parentes desaparecidos. O problema é que para utilizar o banco as pessoas precisam entrar no site ver o mesmo e depois tentar localizar uma dessas pessoas pelas ruas. Por outro lado, câmeras já fazem parte do cotidiano das capitais e essas poderiam ser utilizadas para o monitoramento constante por estas pessoas. Assim buscamos simular uma possível utilização de um modelo de reconhecimento facial para identificação de indivíduos [1],[2],[3], buscando obter índices
de acerto acima de 95% [4]. O modelo estudado foi o eigenface [5],[6],[7].
O trabalho revelou que o modelo estudado é muito eficiente quando as imagens possuem algum tipo de tratamento no fundo, iluminação e ruídos. Obtendo um percentual de acerto global na ordem de até 69%, mas a depender do momento ou situação entre os dias em que ocorreu o estudo houve picos entre 80% e 96%.
II. O MODELO ESTUDADO
Inicialmente montamos o banco de dados com as imagens, procurando-se simular ao máximo possível, o CNPD. Realizada esta etapa, é feita a extração da face destas imagens as quais farão parte do espaço de face criado. Neste momento, também, realizamos um pré-processamento com objetivo de diminuir o ruído, operação que em se tratando da qualidade das imagens de entrada quase que se torna imperativo.
Finalizada esta etapa, a chamamos de treinamento do modelo. Passamos então para a coleta de dados, realizada em dias alternados, em diferentes locais, simulando assim câmeras espalhadas pela cidade. Estas imagens realizam a fase que chamamos de reconhecimento, na qual o modelo tenta primeiro localizar uma face nesta imagem (vídeo) e em seguida compará-la com as imagens do banco. Retornando assim o rosto mais próximo do alcançado. Caso a compatibilidade (ou distância a uma face do espaço de face) seja menor que o limiar determinado obtém um acerto, caso contrário um erro. Para calibração do modelo, utilizamos a base ORL e obtivemos os mesmos resultados obtidos por [10],[11].
Programamos o modelo em C#, num PC, processador intel Core 2 Duo e 2MB de ram, utilizando o S.O. Windows 7 tendo alguns filtros implementados no MATLAB. Foram adquiridas 2189 imagens diferentes de 134 indivíduos distintos As imagens possuem um fundo complexo, os indivíduos apresentaram diferentes posições frontais com alguma rotação em relação à posição central da imagem. Na etapa de treinamento a detecção de face utilizou o método proposto por Viola e Jones[13].
III. TESTES E RESULTADOS
Com imagens captadas entre 07:00h e 18:30h durante 30 dias, sem qualquer tipo de intervenção ou melhoria durante a captura utilizando uma câmera comum. O tempo total de treinamento das imagens do banco variou de 1h a 3h com a parcialidade ou totalidade das imagens. Tornando esta etapa complexa para um banco de imagens muito grande.
Figure 1: Resultado obtido nas três semanas de teste
Figure 2: Resultado obtido com imagens dinâmicas
Figure 3: Resultado com imagens dinâmicas com acessórios
IV. DISCUSSÃO/CONCLUSÃO
Percebemos que o modelo procura as imagens com maior grau de semelhança, mas essa abordagem traz problemas quando temos grupos de pessoas muito parecidas e variações de luz. O tempo de processamento do treinamento é alto e o número de faces mínimas para que ocorra reconhecimento positivo com filtro é da ordem de 15 imagens da face frontal e sem filtro acima de 18. O que se torna um impedimento para o caso de apenas uma única imagem de entrada.
Com base nos resultados obtidos, concluímos que o modelo não é eficiente para as situações aos quais foi exposto, além disso, o reconhecimento não pode ser realizado com sucesso mínimo sem um número razoável de imagens de treinamento.
V. TRABALHOS FUTUROS
Devido à complexidade do problema vislumbramos que a continuidade do trabalho deve focar, entre outras:
i. Desenvolver um método próprio para localização de indivíduos em ambientes complexos.
ii. Agregar ao método um modelo de reconhecimento que simule o envelhecimento facial
iii. Converter a etapa de treinamento do paradigma serial para o paralelo.
REFERENCIAS
[1] O. C. P. d. Almeida, “Técnicas de processamento de imagens para localizacão e reconhecimento de faces.” Ph.D. dissertation, Mestrado em Ciência da Computacão, ICMC-USP São Carlos, 2006.
[2] E. L. B. K. Hjelmas, “Face detection: A survey.” Computer Vision and Image Undertanding, vol. 83’, no. 83, pp. 236–274, 2001. [3] A. S. Khan and L. K. Alizai, “Introduction to face detection using
eigenfaces,” in Proc. International Conference on Emerging Technologies ICET ’06, Nov. 13–14, 2006, pp. 128–132. [4] W. ZHAO, R. CHELLAPPA, P. PHILLIPS, and R. A., “Face
recognition: A literature survey,” ACM Computing Surveys, vol. 35, no. 4, pp. 399–458, Dezembro 2003.
[5] R. Chellappa, C. L. Wilson, and S. Sirohey, “Human and machine recognition of faces: a survey,” IEEE Transactions on pattern Analysis and Machine Intelligence, vol. 83, no. 5, pp. 705–741, May 1995.
[6] M. Turk and A. Pentland, “Eigenface for recognition,” J. Cognitive Neuroscience 3(1), pp. 71–96, 1991.
[7] Zhujie and Y. L. Yu, “Face recognition with eigenfaces,” in Proc. IEEE International Conference on Industrial Technology, Dec. 5– 9, 1994, pp. 434–438.
[8] R. Jenkins, “Limitations in facial identification: The evidence,” FEATURE OF THE WEEK, pp. 5–12, 2008.
[9] M. da Justica. (2010, fevereiro) Banco nacional de pessoas desaparecidas. Lei 12.127/2009. [Online]. Available:
http://portal.mj.gov.br/Desaparecidos/
[10] A. R. dos Santos, “Identificação de faces humanas através de pca- lda e redes neurais som,” Dissertação de Mestrado, Escola de Engenharia de São Carlos da Universidade de São Paulo, 2005. [11] A. F. da Silva, “Reconhecimento de faces via pca: Analise de
desempenho,” Dissertaão, Programa de Pós-Graduação da Faculdade de Computação da Universidade Federal de Uberlândia, 2006.
[12] G. Bradski and A. Keahler, OpenCV - Computer Vision with the OpenCV Library. O’Reilly Media Inc., 2008.
[13] P. Viola and M. J. Jones, “Robust real-time face detection,” International Journal of Computer Vision, vol. 2, no. 57, pp. 137– 154, 2004.
[14] R. C. Gonzalez, R. E. Woods, and S. L. Eddins, Digital Image Processing using MATLAB, P. Hall, Ed., New Jersey-USA, 2004. [15] S. Lakshmanan, P. Watta, Y. L. Hou, and N. Gandhi, “Comparison
between eigenfaces and fisherfaces for estimating driver pose,” in Proc. IEEE Intelligent Transportation Systems, Aug. 25–29, 2001, pp. 889–894.
[16] V. Perlibakas, “Recognition of expression variant faces using masked log-gabor features and principal component analysis,” IEEE Trans. onImage Processing, vol. 1, pp. 06
TICAMES 2013 - First Workshop on Information and Communication Technology in Higher Education: Learning Mathematics