Page 58 - Ingeniantes 521 interactivo
P. 58

Revista Ingeniantes 2018 Año 5 No. 2 Vol. 1

Captura de imagen                                        conjunto de datos y expresarlos de forma tal que se
Para realizar la captura de imágenes a identificar se    obtengan las diferencias y semejanzas. Ya que los
utilizó una tarjeta Raspberry Pi 3, como la mostrada     componentes o píxeles de una imagen están relacio-
en la Figura 4, y una cámara de video Raspberry Pi v1.   nados entre sí, el PCA se basa en las propiedades
La cámara de video se conectó a la interfaz CSI (Ca-     estadísticas de la imagen para reducir la cantidad de
mera Serial Interface) de la tarjeta Raspberry. El bus   dimensiones necesarias y representar un conjunto de
de la interfaz CSI transporta exclusivamente datos de    vectores o rostros.
píxeles al procesador BCM43438 de la Raspberry Pi
3. Algunas características de la cámara de video son     Si se considera un vector aleatorio X de dimensión n,
las siguientes: resolución de 5 Megapixeles, video de    con su correspondiente media m, como en la Ec. 1.
1080p30, 720p60 y 640x480p60/90 y sensor OmniVi-
sion OV5647 con resolución de 2592x1944 pixeles. La                 µ = {}                                                     Ec. (1)
tarjeta Raspberry Pi 3 tiene las siguientes caracterís-
ticas: interfaces WLAN y Bluetooth, memoria RAM de       La matriz de covarianza se define como se indica en
1GB, 40 terminales GPIO, 4 puertos USB 2.0, 1 puerto     la Ec. 2.
Full HDMI, ranura DSI para módulo LCD, ranura para                                             11 12 ⋯ 1
tarjetas MicroSD y núcleo de gráficos VideoCore IV       ∑ = {( − µ)( − µ)′} = ‖⋯21            22  ⋯  ⋯2‖
3D.                                                                                                             ⋯      ⋯               Ec. (2)
                                                                                               1 2 ⋯ 

                                                         El método PCA consiste en encontrar los vectores
                                                         propios de esta matriz y expresar X en función de es-
                                                         tos vectores. De esta manera, el vector aleatorio X
                                                         se puede representar sin error mediante una combi-
                                                         nación lineal de vectores de la forma indicada por la
                                                         Ec. 3.
                                                                    

                                                         		          = ∑                                           Ec. (3)

                                                                            =

                                                         Donde Ai son los vectores propios de la matriz de co-
                                                         variancia.

Figura 4. Tarjeta Raspberry Pi 3                         La cualidad más importante de esta representación
                                                         es poder indicar X con sólo m (menor que n) com-
En la tarjeta Raspberry Pi 3 se instaló el sistema ope-  ponentes, la mejor elección posible en términos del
rativo Raspbian Stretch, el cual está basado en Debian   error que se comete son los m vectores propios de
Jessie (Debian 8.0) y es optimizado para el hardware     la matriz de covariancia con mayores valores propios
de la Raspberry. Para realizar las capturas de imáge-    asociados. El PCA se reduce a encontrar los vectores
nes se utilizaron funciones de la biblioteca OpenCV      propios de la matriz de covariancia Sx del vector al
invocadas desde un programa realizado en lenguaje        que se aplica el PCA.
Python. La biblioteca OpenCV cuenta con interfaces
para lenguajes como C++, Python, Java y MATLAB y         Se utiliza esta teoría para resolver el problema parti-
es compatible con Windows, Linux, Android y Mac OS.      cular de reconocimiento facial, donde el objetivo es
Las imágenes de entrenamiento se basaron en la base      caracterizar un conjunto de rostros, que serán las del
de datos pública creada por los Laboratorios AT&T y      módulo de entrenamiento, en un espacio de menor di-
la Universidad de Cambridge, la cual se ha utilizado     mensión. Se considera al conjunto de todas las imá-
en gran cantidad de investigaciones a nivel mundial      genes posibles cuyas dimensiones son w píxeles de
para probar sistemas de reconocimiento de rostros.       ancho por h píxeles de alto como realizaciones del
Las imágenes de esta base de datos se encuentran         vector aleatorio X de dimensión w*h, con su corres-
en formato PNG, ya que este formato es el adecua-        pondiente vector media. Este vector se llama vector
do para manipular imágenes con bloques de colores        rostro y es necesario aplicarle el PCA.
planos.
Procesamiento de imagen                                  La media del vector rostro no se puede obtener al no
El método PCA aplicado a las imágenes de entrena-        conocer la función de densidad de probabilidad, pero
miento, es una forma de identificar patrones en un       se puede estimar a partir las imágenes que se tienen
                                                         en la Ec. 4.

                                                         		         µ     ≈                                            Ec. (4)
                                                                                    
                                                                                          ∑

                                                                                          =

                                                         La matriz de covariancia tampoco se conoce pero se
                                                         también se puede estimar con la ecuación Ec. 5.

54
   53   54   55   56   57   58   59   60   61   62   63