Page 57 - Ingeniantes 521 interactivo
P. 57
Revista Ingeniantes 2018 Año 5 No.2 Vol.1
Compañías a nivel mundial han desarrollado algoritmos El método de Eigenfaces fue planteado por Sirovich y
eficientes y rápidos para el reconocimiento de imáge- Kirby en 1987 para el reconocimiento de rostros y fue
nes. En 2014, Facebook anunció que logró el 97.3 % de usado años después por Matthew Turk y Alex Pentland
exactitud con el algoritmo DeepFace [3] y Google el para el desarrollo de aplicaciones de clasificación de
99.6 % de aciertos con el algoritmo FaceNet [4]. Em- rostros [13]. El término “eigen” se refiere al conjunto de
presas, como Apple, han realizado diferentes aplicacio- vectores propios para la identificación. Este método re-
nes y herramientas de reconocimiento facial [5]. presenta el conjunto de imágenes utilizando una base
Recientemente, ha sido desarrollada una biblioteca formada de imágenes “eigen” cuya dimensión es más
de funciones de código abierto, denominada libface, pequeña que el conjunto de imágenes original [14]. Los
usada para reconocimiento facial basada en OpenCV vectores propios resultan de la matriz de covarianza de
(Open Source Computer Vision) [6]. OpenCV es una la distribución de probabilidad sobre el espacio vec-
biblioteca de funciones de procesamiento de imáge- torial de alta dimensionalidad de las imágenes del ros-
nes utilizada en visión artificial y aprendizaje de máqui- tro. Los propios Eigenfaces forman un conjunto base
nas [7] que integra algoritmos para identificar objetos de todas las imágenes utilizadas para construir la matriz
y rostros, clasificar acciones humanas en vídeo, seguir de covarianza [15]. El conjunto de Eigenfaces se genera
objetos en movimiento, extraer modelos 3D, encontrar por medio del proceso matemático llamado análisis de
imágenes similares, eliminar ojos rojos y reconocer es- componentes principales (PCA-Principal Component
cenarios [8]. Analysis) aplicado a un conjunto de imágenes que re-
Una técnica usada para el reconocimiento facial son presentan diferentes rostros humanos, como se mues-
las características de Haar (Haar-like) [9]. Este mé- tra en la Figura 2 [16]-[17].
todo permite obtener la suma de pixeles en algunas El objetivo de este trabajo fue contar con un sistema
regiones rectangulares contiguas de una imagen. Las sencillo, confiable y fácil de instalar para reconocer y
características Haar tienen la ventaja de ser invarian- almacenar en una memoria SD los rostros de personas
tes a la iluminación y escala de grises, además de ser cuya imagen no se encuentra registrada en la base de
robustas frente al ruido de la imagen. La ubicación de datos de una galería de arte.
cada característica Haar se utiliza para obtener las par-
ticularidades de un objeto [10]. En el rostro humano, la Figura 2. Diagrama general de visión por computadora.
primera característica Haar se centra en la región de
los ojos que, generalmente, es más oscura que la zona MATERIAL Y MÉTODOS
de la nariz y las mejillas [11]. La segunda característica La metodología usada para el desarrollo de este siste-
de Haar se centra también en los ojos, ya que es más ma consistió en dividirlo en seis módulos que realizan
oscura que el puente de la nariz como se muestra en las siguientes funciones: captura de imagen, proce-
la Figura 1. samiento de imagen, identificación mediante caracte-
En visión por computadora, se conoce como Eigenfa- rísticas de Haar, extracción de características, reco-
ces al conjunto de vectores propios usados para el re- nocimiento de imagen y autenticación del usuario. En
conocimiento del rostro humano [12]. la Figura 3 se muestra el diagrama de bloques de los
módulos indicados anteriormente cuyas funciones se
describen a continuación.
Figura 1. (a) Características de Haar, (b) Características de Haar Figura 3. Diagrama de bloques funcionales
de una imagen, (c) Imagen integral del píxel I(i,j), (d) Cómputo de
la imagen integral para el rectángulo.
53
