PROYECTO DE INVESTIGACIN FORMATIVA 1.

INFORMACIN GENERAL
TTULO DEL PROYECTO NOMBRE DEL INVESTIGADOR PRINCIPAL TELEFONO e E-MAIL NOMBRE DE QUIENES DESARROLLARAN EL PROYECTO

Deteccin de Rostros en Imgenes Vctor Garca Ochoa 3004145544 victoralfonso@ingenieros.com Eduardo Domnguez, Alex Guzmn, Erick Mancera, Cristian Pez, Vctor Garca Ochoa Estudiantes de Ingeniera de sistemas Universidad Simn Bolvar 6 meses 24.600.000

DURACIN DEL PROYECTO Valor total del proyecto

2. INTRODUCCION

La deteccin de rostros es un tema que est siendo ampliamente estudiado debido a la gran cantidad de aplicaciones que tiene. Por ejemplo, muchas cmaras fotogrficas digitales, antes de tomar una fotografa, detectan los rostros presentes en la escena para mejorar el enfoque y la nitidez. Tambin se utiliza la deteccin de rostros en aplicaciones de seguridad y seguimiento de personas, entre otras. Adems, podemos encontrar sistemas de deteccin de rostros en pginas web de redes sociales, software de administracin de fotografas, sistemas de control de acceso, por nombrar algunos de ellos. El rostro humano es un objeto dinmico que tiene un alto grado de variabilidad en su apariencia lo cual hace que su Deteccin sea un problema difcil de tratar en visin por computador. Inicialmente el problema de deteccin del rostro en los sistemas de reconocimiento no recibi la atencin necesaria y se parta de que el rostro ya haba sido detectado, fue solo en la dcada de los ochenta que surgieron los primeros algoritmos, basados en tcnicas heursticas y antropomtricas, y en la dcada de los noventa cuando el desarrollo de algoritmos de deteccin rostros inici su crecimiento, proponindose una gran variedad de tcnicas, desde algoritmos bsicos de deteccin de bordes hasta algoritmos compuestos de alto nivel que utilizan mtodos avanzados de reconocimiento de patrones. En los ltimos aos, se ha perfeccionado muchas tcnicas para la deteccin de rostros en serie de imgenes, pero solo con la invencin de las tecnologas de captura de imgenes y con el desarrollo de clasificadores y redes neuronales se

ha conseguido mejorar los resultados en dicha tarea de deteccin. La tarea de localizacin de rostros se ha abordado de distintos enfoques: enfoques basados en rasgos faciales o caractersticas locales, en los que se buscan determinados elementos que componen el rostro, como los ojos, la nariz, la boca; enfoques basados en la imagen en donde se trabajan con la imagen completa o zonas completas de la misma de la cual se extraen caractersticas que pueden representar un rostro; enfoques mixtos los cuales usan tanto la informacin local como la global para la deteccin. La deteccin de personas en una imagen o video es un tema ambicioso, cada vez se requiere una mayor precisin ante medios cada vez ms difciles, el principal problema que se presenta es que las caractersticas del rostro varan en pequeas modificaciones de la posicin o gestos del rostro. Dada sus muchas aplicaciones ya sea para cuestiones de seguridad, de reconocimiento de delincuentes, evitar suplantaciones por perdida de documentos, video juegos etc.

3. Descripcin y Formulacin Del Problema Actualmente las medidas de seguridad en cualquier recinto o lugar pblico que requiera de una alta proteccin de ataques se toman en base a la localizacin de las cmaras de seguridad y la localizacin de las mismas en puntos estratgicos. En muchos casos en los cuales se recurran a las cmaras de seguridad para identificar rostros claves para resolucin de casos, la mayora de ellos tomaban mucho tiempo en resolver solo por lo difcil que resultaba identificar a sospechosos con las cmaras de seguridad sin el mtodo de deteccin de rostros. El principal objetivo del proyecto es plantear una interfaz grfica que permita la deteccin del rostro utilizando algoritmos de visin por computadora. Se desea tambin mejorar la fiabilidad y la velocidad de procesamiento de deteccin de caras humanas mediante el uso de una combinacin de diversos mtodos de deteccin facial.

4. Antecedentes Se puede situar la deteccin de caras en la misma escena de tiempo que el rea de investigacin denominada Visin por Computador, la cual comienza a desarrollarse fuertemente a partir de 1960. La deteccin automtica de caras se ha preservado a lo largo del tiempo y tiene hoy en da total vigencia si bien no logra la confiabilidad y seguridad de sistemas basados en otras caractersticas biomtricas como por ejemplo los de huellas digitales. Es probable que ayuden factores tales como su naturaleza no invasiva o que es un rea interdisciplinaria y que interesa pese al ser este un mtodo primario de identificacin con que cuentan los seres humanos.

Los primeros intentos de implementacin de sistemas de deteccin de caras datan de la dcada de 1960. Estos sistemas eran semiautomticos. Sus algoritmos se basaban en ideas intuitivas de realizar la deteccin de caras, observando las caractersticas ms sobresalientes del rostro y comparndolas entre diversos patrones. En general estos mtodos tomaban fotografas a las cuales le realizaban marcas (por ejemplo en los ojos, las orejas, la nariz, la boca) y luego computaban las distancias relativas entre pares de puntos y comparaban contra una referencia. En la dcada de los setenta Goldstein, Harmon y Lesk sistematizan el marcado de 21 medidas subjetivas, entre ellas el color del pelo y el ancho de los labios. Sin duda que por esta poca la mayor limitante de los sistemas se deba a la dificultad extrema en automatizar el proceso de extraccin y confrontacin de caractersticas. A fines de los aos setenta Fisher y Elschlagerb introducen un sistema de deteccin con un grado de automatizacin superior al de sus antecesores. Se utilizaban caractersticas modelo (templates) de diferentes partes del rostro humano y luego se mapeaban sobre un template de la cara. De todas maneras el enfoque adoptado no tuvo mayor xito principalmente debido al avance tecnolgico de la poca. Kohonen es recordado por su sistema de deteccin de caras que demuestra el uso de redes neuronales para deteccin en base a imgenes de caras normalizadas. Incluyo el anlisis de componentes principales (pca) mediante el uso de los vectores propios de la matriz de auto correlacin de la imagen de cara normalizada. Las complicaciones de alineacin y normalizacin de la cara en la imagen impidieron que el sistema de Kohonen fuera un xito prctico. En aos venideros, los investigadores en el rea comenzaron a estudiar esquemas de deteccin de caras basados en bordes, distancias entre caractersticas, regiones y nuevos enfoques de redes neuronales. Todos los sistemas de esa poca sufrieron el problema de no ser escalables a tamaos de bases de datos grandes. La localizacin y normalizacin tambin representaron problemas de gran dificultad en esta etapa de evolucin de las tcnicas. El primer sistema totalmente automtico introdujo un enfoque estadstico que se apoyaba en histogramas y niveles de gris. Dado un modelo genrico de caractersticas estadsticas se creaba un conjunto de patrones para una imagen y se lo comparaba con el modelo genrico. En 1989 Kirby y Sirovich introducen un mtodo matemtico que simplifica el clculo de las eigenfaces2. Muestran la eficiencia de la representacin de las imgenes de caras alineadas y normalizadas mediante bases de dimensin menor a 100. Ya en 1991 Turk y Pentland utilizan el hecho de que la representacin mediante eigenfaces minimiza el error en media cuadrtica para detectar y localizar caras en imgenes naturales y a distintas escalas. Con estas ideas logran una aplicacin confiable en tiempo real. La simpleza del sistema y su desempeo dan un

espaldarazo definitivo al rea y consolidan la temtica que al da de hoy sigue proponiendo nuevos desafos. A mediados de la dcada del noventa, aparecen una gran cantidad de mtodos que intentan relajar las hiptesis de funcionamiento, condiciones de iluminacin, pose, expresin, etc. Principalmente fue impulsado por un fuerte crecimiento del rea de deteccin de patrones y un marcado avance tecnolgico que posibilito la implementacin de tcnicas en base a ideas tericas ya existentes. Entre los mtodos ms importantes se encuentran generalizaciones al mtodo planteado por Turk y Pentland como lda, ica y kpca. Adems surgieron mtodos del tipo de ataque local, basados en texturas como ebgm o aam e incluso mtodos basados en modelos 3D. Con el nuevo siglo surgieron aplicaciones comerciales que tuvieron y siguen teniendo gran xito en el mercado. Junto con el avance de los productos comerciales, surge un debate entre la seguridad pblica y la privacidad individual y social. Algunos gobiernos han impulsado el desarrollo de aplicaciones de deteccin de caras en aeropuertos y fronteras, como cmaras de vigilancia o pasaportes electrnicos. Existen opiniones encontradas sobre si el grado de madurez de la tecnologa permitir el correcto funcionamiento en este tipo de aplicaciones. Por otro lado, se discute la legitimidad de la utilizacin en casos donde no existe consentimiento por parte del individuo a ser identificado.

Mtodo de deteccin basado en el Color de la Piel. El color de la piel humana ha sido usado, y ha probado ser una caracterstica muy efectiva en muchas aplicaciones desde deteccin de rostros hasta seguimiento de las manos. Aunque diferentes personas tienen diferentes colores de piel, muchos estudios han demostrado que la mayor diferencia se presenta en la intensidad y no el su crominancia. Muchos espacios de color han sido utilizados para etiquetar pixeles como pertenecientes a la piel, entre ellos tenemos RGB, RGB normalizado, HSV (HSL), YCrCb, YIQ, CIE XYZ y CIE LUV. Para la deteccin del rostro dentro de la imagen se utiliz el espacio de color HSL y la tcnica presentada por [5], la cual utiliza la segmentacin de la piel y su algoritmo descrito en el Algoritmo 1. Muchos mtodos han sido propuestos para construir un modelo del color de la piel. El modelo ms simple es definir una regin del tono de la piel usando los valores CrCb (ie. R (Cr, Cb)), de las muestras de pixeles de color de piel. Escogiendo umbrales [Cr1,Cr2] y [Cb1,Cb2], un pixel es clasificado que tiene tono de piel si su valor esta entre estos valores. Eckert [5] propone un mtodo basado en umbral similar al descrito para el espacio YCrCb en donde se obtienen los valores de umbral para Cr y Cb, la diferencia radica en que el espacio de color utilizado es el HSL y los umbrales obtenidos se aplican a las componentes H y S. El espacio de color HSL al igual que espacio

YCrCb son los que presentan mejor desempeo a la hora de detectar los pixeles de piel. Adicionalmente, los algoritmos que utilizan estos espacios de color requieren de un costo computacional muy bajo, ya que la deteccin es realizada por simple umbralizacin. Usualmente, el color de la piel no es una caracterstica suficiente para la deteccin o seguimiento de rostros, muchos sistemas modulares usan una combinacin de anlisis de formas (ojos, nariz, boca), segmentacin por color, e informacin de movimiento (parpadeo) para localizar o seguir rostros en una secuencia de video. Para el desarrollo de esta aplicacin se asume que solo existe un rostro dentro de la imagen, por lo tanto, la informacin sobre el color de la piel es suficiente para detectar el rostro dentro de ella.

Este mtodo de deteccin de rostros se basa en la segmentacin de regiones que contengan el color de la piel, mediante un modelo que permite encontrar regiones en las que el color sea lo ms parecido al de la piel y en el que no influyan la iluminacin o la pose de los individuos. La distribucin de color de los colores de la piel se encuentra encerrada en una pequea rea del espacio de colores cromticos; aunque a simple vista parecera que el color de la piel vara en un amplio rango, la variacin es mucho menor en color que en brillo es decir que los colores son muy cercanos pero varan principalmente en su intensidad. Por esto el modelo de color de piel necesita eliminar la informacin de luminancia que se tiene en el modelo de color RGB ya que sta no es una buena medida para reconocer el color de la piel y es muy variable dependiendo de la iluminacin.

Ventajas. El color de la piel ha demostrado ser una caracterstica efectiva en la tarea de deteccin de rostros. los algoritmos que utilizan el espacio de color HSL requieren de un costo computacional muy bajo, ya que la deteccin es realizada por simple umbralizacion. su promedio de deteccin es de 90 %.

Desventajas. No resulta eficiente en la deteccin de varios rostros, solo uno a la vez. Es altamente dependiente de la iluminacin de la escena. Puede fallar al detectar un rostro en una imagen que contenga colores similares al de la piel.

 Su capacidad de deteccin depende mucho de la distancia a la cual se encuentre la persona del lente o de la cmara.

Herramienta matemtica: Algoritmo de segmentacin de Eckert. Algoritmo 1 segmentacin de Eckert. Requiere: Transformar la imagen a HSL o HSV. //Producir una imagen mascara, donde los pixeles son seleccionados de acuerdo a los umbrales para H y S for i = 1 to imageHeight do for j = 1 to imageWidth do if 15 <= image (I, j, H) <= 30 and 0,25 <= image(I, j, S) <= 0,55 then image (i; j) 1 else image (i; j) 0 end if end for end for Aplicar un Filtro de mediana

Mtodo Deteccin de rostros mediante puntos caractersticos locales. Ubicacin de puntos en rostros con Active Shape Model (ASM) Esta tcnica crea un modelo de las caractersticas que se desee encontrar. Este modelo est definido por una serie de puntos de modelo, as como la conexin entre los puntos. Examina la regin alrededor de cada punto encontrado en la imagen para encontrar la mejor opcin que se ajuste a los dems puntos. Mueve el modelo de punto a punto para ubicar de una forma adecuada los dems puntos sobre la imagen. La adecuacin se realiza utilizando los bordes de imagen. Los ASMs comparan un modelo de puntos con una nueva imagen usando variante del algoritmo de maximizacin de la esperanza [2]. La bsqueda se realiza en torno a la posicin actual de cada punto para encontrar un punto cercano que mejor ajuste un modelo del punto de referencia. Los parmetros del modelo de formas y que controlan las posiciones de los puntos se actualizan y luego se desplazan a los mejores puntos de la imagen real. En la figura vemos como se extraen algunas caractersticas de la imagen a tratar, posteriormente dichas caractersticas sern analizadas por el modelo ASM para determinar si dicho objeto es un rostro.

Ventajas: Tiene un grado promedio de deteccin de un 96% No es necesaria una cooperacin forzada de la persona a identificar, Siendo totalmente transparente al usuario [3]. No requieren validaciones contra base de datos de usuarios. Tienen bajo coste de hardware y software. Desventajas: para que el modelo funcione requiere que le sean presentadas todas las variaciones que se van a presentar en la etapa de ajuste, o sea, cuando el modelo se ajusta a una imagen de entrada desconocida, ya que si no se cumple esta condicin el ajuste ser pobre y en ocasiones impredecible[4]. Herramienta Matemtica: ASM utiliza un modelo estadstico de apariencia. Mtodo De Deteccin De Rostro Basado En El Movimiento. Este mtodo se basa primordialmente en la substraccin pixel a pixel de la imagen, esta substraccin consiste en separar la parte de la imagen que se mueve de la esttica que este caso sera nuestro posible rostro y tornar negra el rea donde exista movimiento en caso dado que no halla movimiento en la imagen, esta se colocara totalmente oscura. Luego de todo este procedimiento, se detecta la posible existencia de un rostro por medio de algoritmos no muy complejos usados como plantilla. Despus de encontrar el rostro se rastrea de las imgenes un punto donde esta es influenciada por su posicin anterior y otros factores la iluminacin y la pose del rostro. Todo este complejo proceso se lleva a cabo gracias a que la persona se mueve a una velocidad constante lo que permite estimar los parmetros necesarios para poder rastrear y extraer el rostro de la imagen en una secuencia de video.

VENTAJAS. La mayor ventaja que proporciona este mtodo es que permite la deteccin del rostro no importando que dicha persona se encuentre esttica o en movimiento. Tiene un porcentaje de efectividad del 95%.

DESVENTAJAS. la iluminacin que se presente en la escena de la imagen la posicin en que se encuentre el rostro. Herramienta Matemtica: este mtodo trabaja con estadstica, debido a que busca intervalos temporales pequeos entre imgenes consecutivas.

5. Objetivos Objetivo general Disear y construir un prototipo de software que permita detectar rostros en una imagen esttica. Objetivos especficos. - Identificar cules son las tcnicas o algoritmos en deteccin de rostros ms relevantes y escoger cual es la que se adapta ms a las caractersticas del proyecto - Construir con base en la tcnica o algoritmo escogido, el prototipo de deteccin de rostros - Validar el prototipo desarrollado

6. Justificacin La realizacin del presente proyecto es de gran importancia ya que nos ayuda a la deteccin facial en cualquier imagen o video facilitando as el paso posterior de reconocimiento de cualquier persona. De igual manera se deber tener la debida supervisin del administrador del sistema quien se encarga de la revisin de las posibles fallas que podra presentar este, por factores alternos tales como daos fsicos, iluminacin, oscuridad y posicin del sitio donde se almacena la imagen o video. Este sistema se espera que brinde una confiabilidad del 90% al momento de la deteccin de un posible rostro, almacenando automticamente la informacin en una base de datos con el fin de brindar una mejor seguridad a quien utilice este sistema.

Estos sistemas a nivel mundial estn siendo muy utilizado en el rea de seguridad en el reconocimiento del rostro de una persona que est siendo buscada por las autoridades, disminuyendo as el esfuerzo en personal, cantidad de personas analizadas y tiempo. Con un sistema de estas caractersticas, se facilitarn adems de lo anterior muchos ms factores, que son de gran importancia en la medida que se quiera realizar un identificacin de personas en un determinado lugar. En s, el presente proyecto es de muchos usos, lo cual amerita que un sistema de estas caractersticas sea implementado, lo que brindar a muchas organizaciones un excelente servicio a un costo bajo.

7. metodologa. En esta seccin se analizaran y describirn aspectos importantes referentes al trabajo de investigacin, tales como: tipo de investigacin, la muestra, la poblacin y el mtodo de recopilacin de la informacin. Este trabajo de investigacin est enfocado a ser de tipo cuali-cuantitativo, debido a esto ser de gran importancia los resultados obtenidos del software, con respecto al cumplimiento del objetivo general de la investigacin manteniendo un control estadstico de estos resultados. Teniendo en cuenta el promedio de deteccin positiva de rostros en una imagen de este software en comparacin con aplicaciones ya diseadas. Por otro lado se seleccionaran un conjunto de imgenes, la cuales contaran con rostros de personas en distintas condiciones de iluminacin, de posicin y distancia para ser expuestas al software y analizar su funcionalidad. Posteriormente se disearan un conjunto de pruebas con el objetivo de analizar y de evaluar el funcionamiento de la aplicacin. Luego de llevar a cabo este proceso de pruebas y de obtener resultados positivos se pasara a la fase de construccin del prototipo que pueda implementar la tcnica escogida para detectar de manera prctica y eficiente rostros de personas en una imagen.

8. Cronograma

Mes 1 Actividad Revisin material bibliogrfico Obtencin y seleccin y de imgenes. Estudio de tcnicas o mtodos de deteccin Seleccin de los mtodos de deteccin a aplicar. Diseo de experimentos para la cuantificacin de objetos presentes en las imgenes. Diseo y desarrollo del sistema Ejecucin y Validacin de las pruebas. Informe de avance Elaboracin de artculo Documentacin

COMPROMISOS Y ESTRATEGIAS DE COMUNICACIN Presentacin pblica del proyecto. FUNCIONES DEL ESTUDIANTE Desarrollar las tareas relacionadas con el objetivo del proyecto dirigidas por el director del mismo. Recopilar material bibliogrfico referente al proyecto de investigacin. Generar informes y material de exposicin. Cooperar en el esquema experimental, en la elaboracin del modelo y en la evaluacin del mtodo.

9. Recursos Disponibles (Materiales, institucionales y financieros). PRESUPUESTO RUBROS PERSONAL Investigador Principal Co-investigadores EQUIPO Computador para desarrollo del prototipo y elaboracin de documentacin MATERIAL BIBLIOGRAFICO SUMINISTROS PUBLICACIONES TOTAL Estudiantes USB TOTAL 15000.000 4000.000 19000.000 4000.000 4000.000

19000.000

1000.000 100.000 500.000 5600.000

1000.000 100.000 500.000 24600.000

Descripcin de los gastos en personal

Nombre del Investigador

Funcin en el Proyecto

Dedicacin Horas/Semana

Total

Estudiantes Esmeide Leal Asesor del proyecto Investigador Principal Coinvestigador Coinvestigador Coinvestigador Coinvestigador 5

USB 4000.000 4000.000

Vctor Garca

40

3000.000

3000.000

Eduardo Domnguez Alex Guzmn

40

3000.000

3000.000

40

3000.000

3000.000

Erick Mancera Cristian Pez

40

3000.000

3000.000

40

3000.000

3000.000 19000.000

Descripcin de equipos
Alumnos Computador y accesorios Equipos necesarios para el desarrollo del proyecto, teniendo en cuenta que debe ser de tecnologa gama alta. 4000.000 USB 4000.000

Descripcin Material Bibliogrfico

ENTIDAD Materiales como libros, artculos, suscripciones a revistas relacionados con el proyecto de investigacin. Alumnos USB 1000.000 1000.000

Descripcin de suministros
ENTIDAD Materiales necesarios para la elaboracin de documentos y presentaciones del proyecto Alumnos 100.000 USB 100.000

BIBLIOGRAFIA

[1] Zhang, D., Automated Biometrics Technologies and systems, Ed. Kluwer Academic, 2000. ISBN:0792378563 [2] Hartley; Dempster; McLachlan and Krishnan, EM Algorithm [Online], Biometrics, pp.174-194 1958,1977,1997. Available: http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.9.9735&rep=rep1&type=url&i=0 [3]http://portal.acm.org/citation.cfm?id=1126250.1126376&coll=DL&dl=GUIDE&CFID=153 62619&CFTOKEN=88401580 [4] http://delivery.acm.org/10.1145/1190000/1185617/p750mcdermott.pdf?key1=1185617&key2=2645521031&coll=DL&dl=ACM&ip=190.66.169.93& CFID=15362619&CFTOKEN=88401580 [ 5 ] Martina Eckert, ADVANCED MOTION COMPENSATION FOR VIDEO CODING, Ph.D. Tesis, ESCUELA TECNICA SUPERIOR DE INGENIEROS DE TELECOMUNICACIO N, 2002. 6, 7, 14, 24, 25, 26, 28, 53, 54

[6]http://portal.acm.org/citation.cfm?id=1126250.1126376&coll=DL&dl=GUIDE&CFID=153 62619&CFTOKEN=88401580

[7] http://www.utp.edu.co/php/revistas/ScientiaEtTechnica/docsFTP/2021561-6.pdf [8]http://www.uniquindio.edu.co/uniquindio/revistadyp/Articulos/5ta%20Edicion/articulo_fin al.pdf [9] https://www.dspace.espol.edu.ec/handle/123456789/9113

[10] http://lda.tsu.tula.ru/papers/degtyarev-2010-icisp-ctfd.pdf