Alex A Affonso, Evandro L.L Rodrigues
IV. R ESULTADOS EXPERIMENTAIS
O método proposto na secção III utilizando o novo filtro MHBWLF, foi avaliado nas bases LFW e BioID, conforme descrito a seguir.
A. Base de dados: LFW e BioID
A base LFW [12] é uma das bases mais desafiadoras para o estudo do problema de reconhecimento facial, sendo composta por 13.233 imagens de 5.749 pessoas, onde todas as imagens foram coletadas da Web a partir de condições reais do dia a dia, apresentando imagens faciais com grandes variações de poses, expressões faciais e iluminação, possui imagens de baixa qualidade (fora de foco, baixa resolução, ruidosas, etc.), imagens com oclusões parciais, etc.
A base LFW não apresenta as posições dos olhos e por isto foi utilizado um conjunto de 2.000 imagens proposto em [5],
onde as imagens foram randomicamente selecionadas da base LFW e tiveram as coordenadas dos olhos manualmente marcadas. Este conjunto foi dividido em dois grupos de 1.000 imagens cada, onde um grupo é utilizado para treinamento e o outro para teste, ressaltando que os grupos não possuem nenhuma imagem em comum.
A fim de testar o método proposto em condições diferentes da base LFW [12] foi utilizada também a base BioID [13]: esta base, composta de 1.521 imagens de 23 pessoas, foi criada para a avaliação de métodos de detecção facial e possui as coordenadas dos olhos de todas as suas imagens. As imagens foram adquiridas com foco no mundo real e apresenta imagens com grande variação de iluminação, fundo de cena e tamanhos de faces diferentes.
B. Protocolo de avaliação
Este trabalho utilizou a medida normalizada proposta por Jesorsky et al. [16] e apresentada na Equação (12), onde � ̃�, �� e � ̃�, �� correspondem às distâncias
Euclidianas dos centros dos olhos calculados ( ̃� e ̃�) aos
respectivos centros reais fornecidos pelas bases (�� e ��).
D = max ( � ̃‖��, �� , � ̃�, �� )
�− ��‖
O cálculo do erro relativo D é feito normalizando-se ainda a máxima distância encontrada pela distância Euclidiana dos centros dos olhos reais, tornando o método independente quanto ao tamanho da face. Os resultados serão reportados calculando-se a acurácia para três pontos de erro relativo (D < 0,05, D < 0,10 e D < 0,25), método largamente utilizado por diversos trabalhos na área [2, 3, 5, 17, 18].
C. Resultados e Discussões
O primeiro passo realizado foi o ajuste dos parâmetros do método proposto e, para isto, foi utilizado o conjunto de 2.000 imagens da base LFW. Após os experimentos realizados obteve-se a seguinte configuração:
Filtro média da vizinhança de 7x7 – Equação (1); Constante = , – Equação (4);
Inclinação = , – Equação (5); Raio � = , – Equação (6); Constante ∊= , – Equação (10)
Esta configuração foi congelada e utilizada em todos os experimentos restantes apresentados nesta secção. A Figura 5 apresenta uma comparação de uma imagem facial filtrada pelo WLD [14] e pelo MHBWLF: nota-se claramente que o filtro MHBWLF realça muito mais os detalhes da região periocular que o WLD.
O método proposto utilizando o MHBWLF foi comparado com o SIFT [19], CS-LBP [20], CLAHE [21] e WLD [14]: nesta comparação o mesmo método apresentado na Figura 3 foi utilizado, porém substituindo o filtro MHBWLF pelos filtros anteriormente indicados. A Tabela 1 apresenta os resultados utilizando-se o conjunto de 2.000 imagens da base LFW, enquanto a Tabela 2 apresenta os resultados usando-se a base BioID. Os resultados, nas duas bases de dados, demonstram que o método proposto apresenta um desempenho superior, para todos três pontos (D < 0,05, D < 0,10 e D < 0,25).
Figura 5 – Comparação do filtro MHBWLF e WLD: (a) face original apresentada em [14], (b) face filtrada pelo
WLD [14] e (c) face processada pelo MHBWLF. Tabela 1 – Acurácia da localização (%) na base LFW
(conjunto de 2.000 imagens [5]), usando o mesmo protocolo para todos os filtros.
Filter D < 0,05 D < 0,10 D < 0,25 SIFT (Gradient) 80,2% 94,9% 97,9% CS-LBP 78,1% 96,0% 99,9% CLAHE 81,6% 96,8% 99,9% WLD 81,8% 96,2% 99,9% Proposed MHBWLF 85,8% 98,4% 100,0%
Tabela 2 – Acurácia da localização (%) na base BioID, usando o mesmo protocolo para todos os filtros.
Filter D < 0,05 D < 0,10 D < 0,25 SIFT (Gradient) 94,4% 95,9% 99,5% CS-LBP 93,8% 96,9% 99,5% CLAHE 95,6% 97,8% 99,7% WLD 91,9% 95,8% 99,5% Proposed HBWLF 96,8% 98,8% 100,0%
O método proposto também foi comparado com outros métodos encontrados na literatura. A Tabela 3 apresenta uma comparação do método proposto com outros encontrados na literatura usando a base LFW.
Tabela 3 – Acurácia da localização (%) na base LFW – comparação com outros resultados da literatura.
Method D < 0,05 D < 0,10 D < 0,25
Original ASEF [2] 74,0% 90,7% 97,2%
ASEF + Mask20x20 [2] 74,4% 91,9% 99,0%
Intensity Filtering + k-means [4] 75,1% 90,6% 96,1%
Gaussian Mixture Models [1] 78,0% 97,0% -
RDHV [22] 78,4% 97,5% - iASEF [2] 78,5% 96,0% 99,6% Enhanced PS [5] 80,2% 98,4% - Fast LL-SVM [17] 81,0% 93,3% 98,9% D-RDHV [22] 84,4% 98,1% - Proposed method 85,8% 98,4% 100,0%
Os métodos Original ASEF, ASEF + Mask20x20 e iASEF, descritos em [2], Fast LL-SVM [17], RDHV e D-RDHV [22] utilizaram o mesmo conjunto de 2.000 imagens da base LFW usados neste artigo. O método Enhanced PS [5] também utilizou este conjunto, porém com algumas transformações a fim de gerar sinteticamente um número maior de imagens. O método Intensity Filtering + k-means [4] utilizou outro conjunto, com 1.200 imagens da base LFW. E, por fim, o
método Gaussian Mixture Models [1] empregou outro conjunto da base LFW. Analisando os resultados pode-se verificar que o método proposto apresentou o melhor desempenho, mesmo quando comparado com outros métodos estado-da-arte.
A Tabela 4 apresenta uma comparação dos resultados obtidos com outros métodos encontrados na literatura, agora considerando a base BioID. Todos os métodos descritos utilizaram a base BioID original, pois esta base já fornece as coordenadas dos olhos de cada face. Os resultados obtidos na base BioID demonstram que o método proposto apresentou um desempenho melhor que outros métodos estado-da-arte, corroborando que a solução apresentada é adequada para a solução do problema proposto.
Tabela 4 – Acurácia da localização (%) na base BioID – comparação com outros resultados da literatura.
Method D < 0,05 D < 0,10 D < 0,25 ZEP-MLP [18] 70,5% 91,9% 98,9% MICs + SIFT [23] 86,1% 91,7% 97,9% ASEF + Mask20x20 [2] 87,2% 94,8% 99,6% MSD [24] 89,6% 95,5% 99,1% iASEF [2] 93,0% 98,7% 100,0% Proposed Method 96,8% 98,8% 100,0%
A Figura 6 ilustra alguns resultados de localização de olhos utilizando a base LFW, onde o círculo em vermelho corresponde às coordenadas calculadas pelo método proposto e a marcação “X” em amarelo às coordenadas fornecidas pela base. Nota-se que o método proposto é capaz de localizar os centros dos olhos com grande precisão, mesmo em ambientes não controlados.
Figura 6 – Alguns resultados usando a base LFW. V. CONCLUSÕES FINAIS
Neste artigo foi apresentado um novo método para se obter a localização precisa dos olhos de uma face, mesmo em ambientes não controlados. Para tanto foi proposto um novo filtro, chamado MHBWLF (multiscale high-boost Weber local
filter), o qual foi desenvolvido para realçar os detalhes da
região periocular de uma face, realçando as componentes de alta frequência sem, no entanto, eliminar as de baixa. E ainda, cabe destacar que o filtro MHBWLD proposto possui diversos parâmetros ajustáveis, tornando-o interessante também para diversas outras aplicações.
O método proposto foi avaliado usando-se as bases LFW e BioID, sobre o mesmo protocolo, e demonstrou-se superior ao WLD, SIFT, CS-LBP e CLAHE. Foi feita também uma comparação dos resultados obtidos com outros disponíveis na literatura, usando as bases LFW e BioID, e verificou-se que o método proposto apresentou um desempenho superior a vários outros métodos estado-da-arte. Desta forma, verifica-se que o método proposto é adequado para solucionar o problema apresentado, devendo também ser considerado em trabalhos futuros para a localização dos cantos dos olhos e da ponta do nariz.
VI. REFERÊNCIAS
[1] WANG, J., XIONG, R., CHU, J., 2015. FACIAL FEATURE POINTS
DETECTING BASED ON GAUSSIAN MIXTURE MODELS. PATTERN RECOGNITION LETTERS, VOLUME 53, PAGES 62-68, DOI HTTPS://DOI.ORG/10.1016/J.PATREC.2014.11.004.
[2] VAZQUEZ-FERNANDEZ, E., GONZALEZ-JIMENEZ, D., YU, L. L.,
2013. IMPROVED AVERAGE OF SYNTHETIC EXACT FILTERS FOR PRECISE EYE LOCALIZATION UNDER REALISTIC CONDITIONS. IET BIOMETRICS, VOLUME 2, ISSUE 1, PAGES 10-20, DOI: 10.1049/IET-BMT.2011.0006.
[3] YI, D., LEI, Z., LI, S. Z., 2011. A ROBUST EYE LOCALIZATION
METHOD FOR LOW QUALITY FACE IMAGES. INTERNATIONAL JOINT CONFERENCE ON BIOMETRICS (IJCB). PAGES 1-6, DOI 10.1109/IJCB.2011.6117499.
[4] QIAN, Z., XU, D. 2010. AUTOMATIC EYE DETECTION USING
INTENSITY FILTERING AND K-MEANS CLUSTERING.
PATTERN RECOGNITION LETTERS, VOLUME 31, ISSUE 12,
PAGES 1633–1640, DOI
HTTP://DX.DOI.ORG/10.1016/J.PATREC.2010.05.012
[5] TAN., X., SONG, F., ZHOU, Z., CHEN, S., 2009. ENHANCED
PICTORIAL STRUCTURES FOR PRECISE EYE LOCALIZATION UNDER UNCONTROLLED CONDITIONS. IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION, PAGES 1621-1628, DOI 10.1109/CVPR.2009.5206818.
[6] YUILLE, A. L., COHEN, D. S. A., HALLINAN, P. W. 1989.
FEATURE EXTRACTION FROM FACES USING DEFORMABLE TEMPLATES. PROCEEDINGS CVPR ‘89, IEEE COMPUTER
SOCIETY CONFERENCE ON, PAGES 104-109, DOI
10.1109/CVPR.1989.37836.
[7] ZHOU, Z.H., GENG, X. 2004. PROJECTION FUNCTIONS FOR EYE
DETECTION. PATTERN RECOGNITION, VOLUME 37, ISSUE 5,
PAGES 1049-1056. DOI
HTTP://DX.DOI.ORG/10.1016/J.PATCOG.2003.09.006.
[8] BOLME, D. S., DRAPER, B. A., BEVERIDGE, J. R. 2009. AVERAGE
OF SYNTHETIC EXACT FILTERS. IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION, PAGES 2105-2112, DOI 10.1109/CVPR.2009.5206701.
[9] BOLME, D. S., BEVERIDGE, J. R., DRAPER, B. A., LUI, Y. M. 2010.
VISUAL OBJECT TRACKING USING ADAPTIVE CORRELATION FILTERS. IEEE COMPUTER SOCIETY CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION, PAGES 2544-2550, DOI 10.1109/CVPR.2010.5539960.
[10] GE, S., YANG, R., WEN, H., CHEN, S., SUN, L. 2014. EYE
LOCALIZATION BASED ON CORRELATION FILTER BANK.
IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA AND EXPO (ICME), PAGES 1-5, DOI 10.1109/ICME.2014.6890249. [11] GE, S., YANG, R., HE, Y., XIE, K., ZHU, H., CHEN, S. 2016.
LEARNING MULTI-CHANNEL CORRELATION FILTER BANK FOR EYE LOCALIZATION. NEUROCOMPUTING, VOLUME 173,
PART 2, PAGES 418-424,
HTTPS://DOI.ORG/10.1016/J.NEUCOM.2015.03.125
[12] HUANG, G.B., RAMESH, M., BERG, T., LEARNED-MILLER, E.,
2007. LABELED FACES IN THE WILD: A DATABASE FOR STUDYING FACE RECOGNITION IN UNCONSTRAINED ENVIRONMENTS. TECHNICAL REPORT 07-49, UNIVERSITY OF MASSACHUSETTS, AMHERST.
[13] BIOID, 2001. THE BIOID FACE DATABASE. AVAILABLE FROM
HTTPS://WWW.BIOID.COM/ABOUT/BIOID-FACE-DATABASE
[14] CHEN, J., SHAN, S., HE, C., ZHAO, G., PIETIKAINEN, M., CHEN,
X., GAO, W. 2010. WLD: A ROBUST LOCAL IMAGE DESCRIPTOR. IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, VOLUME 32, ISSUE 9, PAGES 1705-1720, DOI 10.1109/TPAMI.2009.155.
[15] VIOLA, P., JONES, M. 2001. RAPID OBJECT DETECTION USING
A BOOSTED CASCADE OF SIMPLE FEATURES. PROCEEDINGS OF THE 2001 IEEE COMPUTER SOCIETY CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION, VOLUME 1, PAGES 511-518, DOI 10.1109/CVPR.2001.990517.
[16] JESORSKY O., KIRCHBERG K.J., FRISCHHOLZ R.W. 2001.
ROBUST FACE DETECTION USING THE HAUSDORFF DISTANCE. IN: BIGUN J., SMERALDI F. (EDS) AUDIO- AND
VIDEO-BASED BIOMETRIC PERSON AUTHENTICATION.
AVBPA 2001. LECTURE NOTES IN COMPUTER SCIENCE, VOL 2091. SPRINGER, BERLIN, HEIDELBERG, DOI 10.1007/3-540- 45344-X_14
[17] ZHANG, C., SUN, X., HU, J., DENG, W. 2014. PRECISE EYE
LOCALIZATION BY FAST LOCAL LINEAR SVM. IEEE INTERNATIONAL CONFERENCE ON MULTIMEDIA AND EXPO (ICME), DOI 10.1109/ICME.2014.6890174.
[18] FLOREA, L. FLOREA, C., VERTAN, C. 2015. ROBUST EYE
CENTERS LOCALIZATION WITH ZERO-CROSSING ENCODED
IMAGE PROJECTIONS. PATTERN ANALYSIS AND
APPLICATIONS, VOLUME 20, PAGES 127-143, DOI
10.1007/S10044-015-0479-X.
[19] LOWE, D. G. 2004. DISTINCTIVE IMAGE FEATURES FROM
SCALE-INVARIANT KEYPOINTS. INTERNATIONAL JOURNAL OF COMPUTER VISION, VOLUME 60, N. 2, PAGES 91-110, DOI: 10.1023/B:VISI.0000029664.99615.94.
[20] HEIKKILÄ, M., PIETIKÄINEN, M., SCHMID, C. 2009.
DESCRIPTION OF INTEREST REGIONS WITH LOCAL BINARY PATTERNS. PATTERN RECOGNITION, VOLUME 42, ISSUE 3,
PAGES 425-436, DOI
HTTPS://DOI.ORG/10.1016/J.PATCOG.2008.08.014.
[21] ZUIDERVELD, K. 1994. CONTRAST LIMITED ADAPTIVE
HISTOGRAM EQUALIZATION. GRAPHIC GEMS IV. SAN DIEGO: ACADEMIC PRESS PROFESSIONAL, PAGES 474–485.
[22] JIN, X., TAN, X. 2016. FACE ALIGNMENT BY ROBUST
DISCRIMINATIVE HOUGH VOTING. PATTERN RECOGNITION,
VOLUME 60, PAGES 318-333, DOI
HTTPS://DOI.ORG/10.1016/J.PATCOG.2016.05.017.
[23] VALENTI, R., GVERS,T. 2012. ACCURATE EYE CENTER
LOCALIZATION THROUGH INVARIANT ISOCENTRIC
PATTERNS. IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, VOLUME 34, ISSUE 9, PAGES 1785-1798, DOI 10.1109/TPAMI.2011.251.
[24] YANG, F., HUANG, J., YANG, P., METAXAS, D. 2011. EYE
LOCALIZATION THROUGH MULTISCALE SPARSE
DICTIONARIES. IEEE INTERNATIONAL CONFERENCE ON AUTOMATIC FACE & GESTURE RECOGNITION AND
WORKSHOPS (FG 2011), PAGES 514-518, DOI
10.1109/FG.2011.5771450.