Post on 06-Apr-2018
8/3/2019 Sistema de Reconhecimento de Face
1/85
UNIVERSIDADE SALVADOR UNIFACSPROGRAMA DE PS-GRADUAO EM REDES DE
COMPUTADORESMESTRADO PROFISSIONALIZANTE EM REDES DE COMPUTADORES
POMPLIO JOS SILVA ARAJO JNIOR
UM SISTEMA DE DESCRIO DE CONTEXTO COMAGENTES DE RECONHECIMENTO DE FACE
Salvador2005
8/3/2019 Sistema de Reconhecimento de Face
2/85
POMPLIO JOS SILVA ARAJO JNIOR
UM SISTEMA DE DESCRIO DE CONTEXTO COMAGENTES DE RECONHECIMENTO DE FACE
Dissertao apresentada Universidade Salvador,como parte das exigncias do Curso de MestradoProfissional em Redes de Computadores, rea deconcentrao em Redes de Computadores, paraobteno do ttulo de Mestre.
Orientador: Prof. Dr. Celso Alberto Saibel Santos
Salvador2005
8/3/2019 Sistema de Reconhecimento de Face
3/85
O esforo dirigido a um objetivo temsempre por prmio, com a consecuodaquilo a que se aspira, a satisfao que o
triunfo proporciona.
Atkinson , Thomas
8/3/2019 Sistema de Reconhecimento de Face
4/85
AGRADECIMENTOS
Gostaria de agradecer a minha famlia, DELENDA, minha esposa e o
pequeno ARTUR, pelo o apoio e incentivo durante todo tempo de estudo. Agradeo
a meus pais, POMPILIO e DARCI, que propiciaram uma belssima educao voltada
para o desenvolvimento profissional e pessoal.
Agradeo, imensamente, aos meus colegas e amigos de profisso
GUSTAVO, ANDREI e ALEXANDRE pelo apoio e pacincia em destinar seu
precioso tempo para ouvir e discutir questes relevantes realizao deste projeto.
Agradeo a todos que colaboraram com suas imagens, sem as quais no
seria possvel a realizao dos testes de reconhecimento de faces.
Agradecimentos especiais ao meu professor orientador, pelos
conhecimentos compartilhados e pela compreenso e pacincia.
8/3/2019 Sistema de Reconhecimento de Face
5/85
RESUMO
Arajo Jr., P. Um Sistema de Descrio de Contexto com Agentes deReconhecimento de Face. 2005. Dissertao (Grau de Mestre em Cincias),Universidade Salvador, Salvador-Bahia.
Grande quantidade de informaes udio-visuais est sendo digitalizada emarquivos digitais, na Web, em computadores pessoais e de empresas que s tende aaumentar com o decorrer do tempo. Na maioria das vezes, essas informaesperdem o valor devido dificuldade de serem acessadas, filtradas e organizadas.Em poucos anos o usurio ir se deparar com um enorme nmero de vdeosprovenientes de muitas fontes que tornar invivel a seleo dos dados sem umaforma mais inteligente de procura. A padronizao MPEG-7 possibilita que as mdiassejam descritas e armazenadas de forma organizada, objetivando futuras consultas.Os estudos esto direcionados para melhorar as formas de converter as imagens esons em descries no formato da norma. Partido desse princpio, este trabalhoapresenta um modelo de sistema de descrio de contexto que flexibiliza odesenvolvimento de agentes especializados, permitindo a diviso da tarefa dedescrio das mdias e possibilitando a especializao do sistema dentro da rea deinteresse. Um grupo de agentes foi desenvolvido para descrio e reconhecimentode faces humanas, utilizando a fuso de algumas tcnicas de reconhecimento de
padres j conhecidas.
Palavras-chave: Reconhecimento de faces, descrio automtica de contedo,MPEG-7, Agentes.
8/3/2019 Sistema de Reconhecimento de Face
6/85
ABSTRACT
Arajo Jr., P. A context description system with face recognition agents. 2005.Thesis (Degree of Master of Science), Universidade Salvador, Salvador-Bahia.
A great amount of audio-visual information is being digitalized into digital files, on theWeb, in personal and enterprise computers tend to increase with time. Sometimes,this information loses its value because of the difficulty to being accessed, filteredand organized. In a few years the user will face an enormous number of videoscoming from several sources and that will make impracticable the data selection task,unless there is a more intelligent search engine. The MPEG-7 standardizationmakes possible media being described and stored in an organized manner, aimingfuture search queries. Present studies on this field are being directed to improve theway images and sounds are converted into norms description. Starting from thisprinciple, this paper presents a context description system model that makes flexiblethe development of specialized agents, enabling the division of the task of mediadescription and making possible systems specialization inside the field of interest. Agroup of agents was developed for description and recognition of human faces, usinga fusion of some well-known standard recognition techniques.
Keywords: Face recognition, automatic content description, MPEG-7, Agents.
8/3/2019 Sistema de Reconhecimento de Face
7/85
LISTA DE FIGURAS
Figura 1 - Taxa de Verificao ..................................................................................14
Figura 2 - Resultado da verificao por ambientes ...................................................15
Figura 3 - Taxa de identificao ................................................................................16
Figura 4 - Taxa de deteco e identificao para falsa deteco de 1% ..................16
Figura 5 - Relacionamento dos objetos MPEG-7 ......................................................26
Figura 6 - Neurnio ...................................................................................................28
Figura 7 - Neurnio Artificial......................................................................................30
Figura 8 - Rede neural com 4 camadas ....................................................................31
Figura 9 - Sistema de Descrio de Contexto...........................................................37
Figura 10 - Diagrama de classes relacionais do MPP...............................................40
Figura 11 - Interface do MPP ....................................................................................42
Figura 12 - Inteface do Agente de Identificao de Cor ............................................45
Figura 13 - Descrio da cor na regio delimitada....................................................46
Figura 14 - Enquadramento do rosto.........................................................................48
Figura 15 - Regio dos olhos ....................................................................................49
Figura 16 - Visualizao das regies de borda .........................................................49
Figura 17 - Mscara de procura ................................................................................50
Figura 18 - Dimenses da mscara de procura ........................................................50
Figura 19 - Diagrama de classes relacionais do Agente de Localizao de Faces...52
Figura 20 - Visualizao do resultado da procura .....................................................53
Figura 21 - Diagrama de classes relacionais do Agente de reconhecimento de face56
Figura 22 - Grfico de variao do peso ...................................................................57
Figura 23 - Rede neural ............................................................................................58Figura 24 - Interface do Agente de Reconhecimento de Face..................................59
Figura 25 - Localizao correta dos olhos.................................................................62
Figura 26 - Outra regio confundida com os olhos....................................................63
Figura 27 - Olhos identificados sem preciso............................................................63
Figura 28 - Grfico do resultado do teste de verificao...........................................65
Figura 29 - Grfico do resultado do Teste de Identificao.......................................66
Figura 30 - Grfico do resultado do Teste de Procura em Lista................................67
Figura 31 - Comparao com o FRVT2000 ..............................................................68
8/3/2019 Sistema de Reconhecimento de Face
8/85
SUMRIO
1 INTRODUO .........................................................................................................9
1.1 TRABALHOS RELACIONADOS .........................................................................10
1.2 ESCOPO DO TRABALHO ..................................................................................11
1.3 OBJETIVOS ........................................................................................................11
1.4 MOTIVAO.......................................................................................................12
2 DESCRIO DE CONTEXTO E RECONHECIMENTO DE FACE........................19
2.1 AGENTES ...........................................................................................................19
2.2 DESCRIO DE CONTEXTO ............................................................................21
2.3 REDES NEURAIS ARTIFICIAIS .........................................................................27
2.4 IDENTIFICAO BIOMTRICA E RECONHECIMENTO DE FACE ..................32
3 SISTEMA DE DESCRIO DE CONTEXTO ........................................................36
3.1 AGENTES DESCRITORES ................................................................................43
3.2 COLOR IDENTIFY AGENT.................................................................................44
3.3 AGENTES DE RECONHECIMENTO DE FACES...............................................463.3.1 Agente de localizao de face..........................................................................473.3.2 Agente de Reconhecimento de Face ...............................................................53
4 AVALIAO DO SISTEMA...................................................................................61
4.1 AVALIAO DO AGENTE LOCALIZAO DE FACE .......................................61
4.2 AVALIAO DO AGENTE LOCALIZAO DE FACE .......................................64
4.3 INCLUSO DO AGENTE DE IDENTIFICAO DE COR NORECONHECIMENTO DA FACE ...............................................................................68
5 CONCLUSES ......................................................................................................70
REFERNCIAS..................................................................................................73
8/3/2019 Sistema de Reconhecimento de Face
9/85
CCaappttuulloo 11
1 INTRODUOO crescimento rpido e a disseminao das aplicaes multimdia, aliados
s novas tecnologias oriundas do processo de convergncia, tornam crescente a
necessidade de criar novas formas de compactao e armazenamento das
informaes multimdia. Alm disso, a evoluo computacional dos dispositivos e
redes computacionais j permite que o usurio possa acessar as informaes de
qualquer lugar e de varias formas. possvel definir infinitas situaes de possveis
interaes do usurio com a aplicao. Isto significa que as formas clssicas de
programao onde cada situao previamente definida, j no atendem
completamente as exigncias do mercado.
Dentro deste cenrio, as questes que este trabalho tenta responder so:
Como implementar um sistema que permita o desenvolvimento de
aplicaes de extrao de informaes de contexto da mdia e ao
mesmo tempo flexibilizar a adio de novos algoritmos de aquisio?
8/3/2019 Sistema de Reconhecimento de Face
10/85
10
Com o sistema apresentado possvel criar agentes de localizao e
reconhecimento de faces que tenham resultados satisfatrios?
No decorrer do texto, sero mostradas as implementaes de alguns
agentes descritores, dentre os quais esto agentes que juntos permitiro o
reconhecimento do rosto humano a partir de caractersticas extradas da imagem
que o representa. O esquema de reconhecimento est baseado numa fuso de
mtodos estatsticos e de redes neurais utilizado para identificao das faces.
1.1 TRABALHOS RELACIONADOS
Entre os textos utilizados para produo desse trabalho destacam-se o de
Luciene Marin e Jorge Barreto [21] do departamento de Informtica e Estatstica da
Universidade Federal de Santa Catarina e o de Renato Correia Vieira e Mauro
Roisenberg [28] do Laboratrio de Conexionismo e Cincias Cognitiva da
Universidade Federal de Santa Catarina. O primeiro faz uma abordagem terica dos
principais mtodos de reconhecimento de padres, mostrando os principais mtodos
e abordagens usadas, porm no est direcionado a nenhuma implementao. O
segundo discute alguns conceitos de redes neurais e faz uma anlise sobre
aspectos prticos de implementao.
Outros textos tambm deram grande ajuda no desenvolvimento do
trabalho, como exemplo pode ser apresentado o artigo RECONHECIMENTO DE
RIS de Daniel Gomes, Matheus Moreira e Reinaldo Silva [12], que apresenta
detalhes matemticos para o reconhecimento de padres. No poderia deixar de ser
citado outro trabalho de Jorge Barreto sobre Redes Neurais e Artificiais que da um
embasamento terico e prtico sobre as redes neurais.
8/3/2019 Sistema de Reconhecimento de Face
11/85
11
1.2 ESCOPO DO TRABALHO
A quantidade de aplicaes que podem utilizar o resultado prtico da
norma MPEG-7 muito grande, uma vez que fcil se imaginar a quantidade de
dados multimdias j armazenados e sem nenhuma indexao. Atravs da
abordagem proposta, diferentes agentes podem ser desenvolvidos para a descrio
do contedo de vdeos sem ou com a interao humana. Isto permite definir uma
arquitetura extensvel baseada em agentes e voltada descrio de caractersticas
dos vdeos.
No projeto e implementao dos agentes de reconhecimento de faces,
foram realizados vrios experimentos com objetivo de viabilizar a escolha correta
das caractersticas das faces a serem procuradas. Os mtodos foram aprimorados
na medida em que os resultados satisfatrios foram sendo obtidos.
Nas implementaes foram utilizados os princpios de Engenharia de
Software, fazendo uma estruturao adequada para viabilizar estudos posteriores na
rea. Uma maior nfase foi dada capacidade de composio do sistema com
componentes elementares e agrupando-os a fim de compor mdulos maiores
(bottom-up) [1].
1.3 OBJETIVOS
O objetivo principal da dissertao apresentar e implementar um modelo
de sistema de aquisio de informaes sobre um contedo multimdia, tendo uma
arquitetura desenvolvida para permitir flexibilidade no desenvolvimento de agentes
especializados em algum tipo de descrio.
8/3/2019 Sistema de Reconhecimento de Face
12/85
12
Como objetivo secundrio, o trabalho apresenta uma implementao da
arquitetura proposta com a utilizao de dois agentes especializados na localizao
e reconhecimento da face humana. O primeiro agente procura as coordenadas dos
olhos humano na imagem como ponto de partida para o detalhamento das
caractersticas do rosto. Esses dados so passados para o segundo agente que
identifica o rosto a partir de dados armazenados anteriormente. Um terceiro agente
extrai caracterstica de cor da pele e dos olhos para auxiliar na identificao da face.
1.4 MOTIVAO
Os mtodos de identificao biomtrica sempre foram muito importantes
dentro da sociedade, as pessoas precisam carregar consigo documento que as
identifique. O primeiro mtodo que teve sucesso foi a leitura das impresses digitais.
Atualmente, mtodos mais sofisticados esto surgindo para garantir o mnimo de
erro no processo de identificao. Um sistema biomtrico um sistema de
reconhecimento de padres que estabelece a autenticidade de uma caracterstica
fisiolgica ou comportamental possuda por uma pessoa [11].
Sistemas de reconhecimento utilizam a premissa de que no existem
pessoas completamente idnticas. Um mtodo muito eficaz o mapeamento das ris
dos olhos humanos, porm aspectos prticos restringem sua utilizao, um deles a
necessidade de ter uma imagem de boa definio e feita a menos de um metro do
olho [12].
O sistema de reconhecimento de face o de maior pesquisa atualmente
devido a sua simplicidade e quantidade de aplicaes. Segundo Marin e Barreto [21]
8/3/2019 Sistema de Reconhecimento de Face
13/85
13
um sistema de reconhecimento de face um sistema biomtrico que identifica ou
verifica seres humanos atravs de uma caracterstica exclusivamente da face.
Existem dois problemas bsicos de um sistema de reconhecimento de
face: a identificao e a verificao. Na identificao, dada uma pessoa a ser
investigada e uma galeria de faces, a tarefa identificar a classe correta da face
investigada. Na verificao, dado um conjunto de faces e uma face declarada com
sendo de uma classe, deseja se verificar a autenticidade da declarao.
Os mais importantes estudos sobre reconhecimento de face do mundo
esto presentes no Face Recognition Vendor Test (FRVT), um evento que acontece
periodicamente patrocinado pelo governo norte americano atravs do departamento
de defesa e combate as drogas dos Estados Unidos. O ltimo FRVT aconteceu em
2002 e o prximo ser em outubro de 2005. O objetivo do FRVT reunir os maiores
fabricantes de software para realizar testes de performances em sistemas de
reconhecimento de face. Em 2002, dez participantes foram ao encontro. Os sistemas
so testados utilizando um banco de dados com 121.589 imagens de 37.437
pessoas diferentes [13]. Os testes foram feitos em trs etapas:
i. Verificao: Eu sou quem digo ser?
ii. Identificao: Quem eu sou?
iii. Procura em lista: Voc pode procurar por mim?
O resultado para o teste de verificao com a taxa de falso alarme de0,1% foi cerca de 80% de acerto em mdia para os trs melhores softwares.
8/3/2019 Sistema de Reconhecimento de Face
14/85
14
Considerando 1% e 10% de falso alarme o resultado foi de 90% e 96%
respectivamente de acerto em mdia (figura 1).
Figura 1 - Taxa de Verificao
Foi considerado em um banco de dados com 37.437 indivduos,
considerando que as imagens de um mesmo indivduo foram tiradas no mesmo dia.
Testes tambm foram realizados para verificar a robustez dos sistemas
com outras variantes como:
i. Ambiente fechado considerando o mesmo dia
ii. Ambiente fechado considerando o mesmo dia com iluminao diferente
iii. Ambientes fechado considerando dias diferentes com mesma
iluminao
iv. Ambientes fechado considerando dias diferentes com iluminao
diferente
8/3/2019 Sistema de Reconhecimento de Face
15/85
15
v. Ambientes abertos considerando o mesmo dia
Nesse caso, os resultados forma o mostrado da figura a seguir.
Figura 2 - Resultado da verificao por ambientes
O teste de identificao do FVRT 2002 tambm considera uma base de
dados de 37.437 de indivduos. A identificao considera que uma imagem sem
identificao apresentada ao sistema que responde com a identificao correta.
Testes adicionais foram feitos considerando a respostas do sistema com mais de
uma possibilidade de identificao, ou seja, para a imagem de uma pessoa o
sistema apresenta n possibilidade para sua identificao. Ser considerada aceita se
a identificao correta estiver entre as n possibilidades. Os testes foram realizados
para n = 1,10 e 50.
8/3/2019 Sistema de Reconhecimento de Face
16/85
16
Figura 3 - Taxa de identificao
Alm da verificao e identificao j comentadas anteriormente, a
procura em lista a identificao utilizando um tamanho de listas de imagens
diferentes, ou seja, o sistema ir identificar uma pessoa em listas de diferentes
tamanhos. Neste caso, o sistema deve dizer se o indivduo est na lista e identific-
lo, ou informar que aquela pessoa no pertence lista. Caso uma pessoa seja
identificada incorretamente acontece um falso alarme. O Tamanho da lista variou de
25 a 3.000 imagens.
Figura 4 - Taxa de deteco e identificao para falsa deteco de 1%
8/3/2019 Sistema de Reconhecimento de Face
17/85
17
Os participantes apresentam seu sistema e descrevem os mtodos de
reconhecimento de face. Algumas caractersticas importantes aparecem em todos os
sistemas:
i. Existem etapas de procura da face dentro da imagem, de comparao
e de deciso.
ii. Na localizao da face necessrio procurar pontos de referncias
como olhos, boca, nariz, etc.
iii. Existem normalizaes a serem introduzidas para minimizar efeitos
externos com iluminao, contraste, brilho, etc.
Os mais bem colocados utilizam mtodos estatsticos e de redes neurais
para a comparao e adaptao do sistema. As tcnicas estatsticas so utilizadas
tanto na extrao de caractersticas com na tarefa de classificao. As abordagens
mais utilizadas so: Mtodos de correlao; Mtodos de decomposio de valor
singular; Mtodos de baseados em expanso de Karhune-Loeve; Mtodos baseados
em discriminao linear de Fisher; Mtodos baseados em modelo de Makrov
escondido.
O mtodo de correlao tenta casar a imagem procurada com o conjunto
de imagens de treinamento. um mtodo muito custoso, pois h a necessidade de
comparao das imagens uma a uma. Na abordagem de Karhunen-Loeve, extraem-se caractersticas especificas da face so extradas pela projeo da face em um
8/3/2019 Sistema de Reconhecimento de Face
18/85
18
sistema de coordenadas dadas por autovetores da matriz covarincia do conjunto de
imagens de uma mesma pessoa. A comparao entre duas faces dada pela
distncia euclidiana dos pontos no sistema de coordenadas [14].
O mtodo de discriminao linear Fisherface a uma reduo da
dimensionalidade do espao de caractersticas pelo uso do discriminante linear de
Fisher, que usa informaes de um grupo de classes e cria um conjunto de vetores
com os parmetros referentes face so enfatizadas e as caractersticas de
iluminao, expresses faciais so amenizadas [15]. O mtodo baseado no modelo
de Markov escondido feito a partir de dois processos inter relacionados, uma
cadeia de Markov secreta no observvel com finitos nmeros de estados, uma
matriz de probabilidade de transio de estado e uma distribuio de probabilidade
de estado inicial e um conjunto de funes de densidade de probabilidade associado
a cada estado [16].
8/3/2019 Sistema de Reconhecimento de Face
19/85
CCaappttuulloo 22
2 DESCRIO DE CONTEXTO E RECONHECIMENTO
DE FACE
Este captulo concentra-se em dar um embasamento terico sobre
agentes, o padro de descrio de contexto MPEG-7, as redes neurais artificiais e
os mtodos de descries biomtricas e reconhecimento de face.
2.1 AGENTES
Os agentes ainda no possuem uma definio aceita universalmente.
Muitos autores conceituam de diversas ticas de acordo com seus trabalhos.
Resende [29] faz uma definio mais abrangente dizendo que um agente uma
entidade capaz de agir em um ambiente, de se comunicar com outros agentes,
possuindo recurso prprios, movido por um conjunto de inclinaes, capaz de
perceber seu ambiente, que pode dispor de uma representao parcial deste
ambiente, podendo eventualmente se reproduzir e cujo comportamento tende a
atingir seus objetivos utilizando as competncias e recursos que dispe e levando
em conta os resultados de suas funes de percepes e comunicao, bem como
as suas representaes internas.
8/3/2019 Sistema de Reconhecimento de Face
20/85
20
Algumas caractersticas so consideradas por todos como essenciais
para representar um agente:
Autonomia de deciso execuo sobre suas atitudes, criando e
selecionando as alternativas para atingir seus objetivos. No sistema de
descrio de contexto (SDC) apresentado nesse trabalho os agentes
tero autonomia para enviar ou no as descries, dependendo do
contedo da mdia que o ambiente apresentar.
Competncia para decidiro que escopo do seu trabalho, verificando
se ele o mais habilitado para resolver o problema, sem a
interferncia externa. No SDC os agentes sero habilitados para
funes especficas, sabendo bem claramente que tipo de ambiente
poder ser descrito por ele.
Existncia de uma agenda prpria necessria para definir metas a
serem alcanadas com um objetivo nico. Os agentes do SDC se
organizam para descrever uma mdia sob sua tica quando percebe as
alteraes no ambiente. Nesse momento, os passos a serem seguidos
so traados e executados.
Segundo WEISS [30], os agentes podem ter caracterstica de reatividade
quando possuem habilidades de perceber seu ambiente e responder s mudanas,
de modo a atender aos seus objetivos; de pr-atividade quando capaz de
apresentar um comportamento orientado a metas, tomando iniciativa para atingir
8/3/2019 Sistema de Reconhecimento de Face
21/85
21
seus objetivos; e habilidade socialpara interagir com outros agentes para alcanar
seus objetivos.
A descrio apresentada por Licia Barbosa [31] sobre o funcionamento
dos agentes reativos caracteriza muito bem os agentes do SDC.
O funcionamento de um agente reativo segue omodelo estmulo-resposta, no qual as aes so tomadas semnenhuma referncia histrica ao passado e nem previsofutura, baseando-se apenas na percepo do ambiente e
respondendo adequadamente s mudanas nele ocorridas.
Os agentes do SDC so essencialmente reativos, pois sente as
alteraes no ambiente, caracterizadas pela mdia a ser descrita, e decide suas
tarefas com a finalidade de descrev-la. Porm apresenta a habilidade social
quando se comunica com outros agentes e a pr-atividade quando define os passos
a serem tomados ao perceber alteraes no sistema. Alm disso, os agentes do
SDC podem utilizar informaes passadas e previses futuras em suas descries.
2.2 DESCRIO DE CONTEXTO
As descries realizadas pelo Sistema de Descrio de Contexto
apresentado sero feitas seguindo as orientaes da norma MPEG-7 [2][5]. A
definio do MPEG-7 iniciou-se partir de 1996, um padro ISO/IEC desenvolvido
pelo Moving Picture Experts Group, que tambm desenvolveu os padres MPEG-1
em 1992, o MPEG-2 em 1994 e o MPEG-4 em 1999 [3], todos focados em
codificao, distribuio e armazenamento de vdeo digital. Os padres MPEG-1 e
MPEG-2 propiciaram o desenvolvimento de produtos como o Vdeo CD, MP3, e
outros aplicativos e servios associados a contedos multimdia. O MPEG-4, o mais
8/3/2019 Sistema de Reconhecimento de Face
22/85
22
recente padro da famlia, inclui o suporte a representao baseada em objetos.
Este tipo de representao permite que os objetos que compem a aplicao sejam
codificados usando diferentes resolues espaciais e temporais, permitindo maior
adaptabilidade do contedo a diferentes formas de acesso ao contedo (a resoluo
do objeto pode ser ajustada para se adequar capacidade do meio de transporte
das informaes e banda pode ser alocada para os objetos mais importantes).
O padro MPEG-7 pode ser definido como uma interface para descrio
de contedos multimdia (Multimedia Content Description Interface) disponibilizando
um conjunto de ferramentas para a descrio de contedo multimdia. Tanto
sistemas que atuam com usurios humanos como os automatizados por meio de
processamento computacional esto no escopo do padro.
At meados de 2004, algumas alteraes na norma MPEG-7 foram
solicitadas, apesar dela j est praticamente definida. Logo depois da apresentao
dos primeiros rascunhos da norma, estudos foram iniciados para permitir
implementaes de sistemas de descries de contexto. Algumas ferramentas j
foram disponibilizadas e at comercializadas, todas com o objetivo de auxiliar o
usurio a extrair informaes de contexto da mdia. Entretanto, poucas destas
ferramentas permitem a coleta automtica destas informaes. Os dados udios-
visuais que se aplicam ao MPEG-7 so as imagens estticas, grficos, textos,
udios, vdeos e composies desses elementos formando uma apresentao
multimdia. A descrio no depende da maneira com que os dados so estocados
ou codificados. MPEG-7 possui diferentes granularidades que permite diferentes
nveis de descrio. Alm disso, a descrio depende da aplicao e do usurio, ou
seja, um mesmo contedo multimdia pode ter diferentes descries, dependendo da
8/3/2019 Sistema de Reconhecimento de Face
23/85
23
viso dos descritores. O nvel de abstrao est relacionado com a maneira com que
as informaes so extradas. fcil extrair informaes de baixo nvel de forma
automtica, mas dados de alto nvel necessitam sistemas mais sofisticados ou de
interao humana.
O conjunto de ferramentas de descrio (Description Tools),
representados por elementos com metadados, suas estruturas e relacionamentos,
so definidos em forma de descritores (Descriptors) e esquemas de descrio
(Description Schemes) para criar descritivos que sero utilizados por aplicativos com
funes para pesquisar, filtrar e navegar de forma eficiente em contedos multimdia
[4].
Com Description Tools possvel descrever as cenas independentemente
de como o contedo codificado ou armazenado. Qualquer tipo de mdia pode ser
descrito. Quando um usurio humano participa do processo de descrio, os
contedos podem depender de fatores externos e podem ser diferentes para a
mesma cena, a depender do usurio, da poca, etc.
Dentro de uma apresentao multimdia existem informaes que so
inerentes ao contedo como taxa de transmisso, tipo de mdia, tamanho da tela,
nmero de canais de udio, etc, que so importantes para qualificar os dados
disponveis para o cliente. Porm essas informaes so de fcil aquisio. A
grande dificuldade adquirir informaes de alto nvel, como um tipo de paisagem
ou se uma pessoa esta danando ou jogando futebol. O propsito do padro MPEG-
7 definir um conjunto de mtodos e ferramentas que permita o acesso pelas mais
variadas aplicaes nos mais diversos ambientes, neste caso, existe a necessidade
8/3/2019 Sistema de Reconhecimento de Face
24/85
24
de se utilizar um modelo flexvel e com possibilidades de extenses. Para atender
este requisito o XML foi utilizado como linguagem para representao textual da
descrio de contedo. O XML Schema a base para o DDL (Description Definition
Language) [6], usado para a definio sinttica das ferramentas de descrio
(Descriptions Tools).
Os principais elementos da norma MPEG-7 so:
Descriptors (D), que define a sintaxe e semntica de cada elemento
metadado.
Description Schemes (DS), que especifica a estrutura e semntica dos
relacionamentos entre seus componentes que pode ser Descriptors ou outro
Description Schemes;
Description Definition Language (DDL) para definir a sintaxe da
ferramenta de descrio que permite criar um novo Description Schemes e
Descriptor;
Ferramentas de sistema que permite o suporte ao formato binrio para
uma estocagem e/ou transmisso eficiente.
O conjunto de DS denominado no padro MPEG-7 de Multimedia
Description Schemes (MDS). As Description Tools permitem criar descries do
contedo com informaes sobre: Criao e produo do contedo (diretor, ttulo,
etc); informaes relacionadas utilizao do contedo; armazenamento docontedo (formato, codificador); estruturao do contedo no tempo e espao
8/3/2019 Sistema de Reconhecimento de Face
25/85
25
(cortes na cena, seguimentos); informaes de baixo nvel (cor, textura, definio);
como procurar o contedo de (sumrio, ndices, etc.); coleo de objetos;
possibilidades de interao com o usurio; formato (indica o tipo de codificao
utilizado para o arquivo, ex. JPEG, AVI, que auxilia na determinao de como o
material ser apresentado pelo terminal do usurio); condies para acesso ao
material: o que inclui links para registros com informaes sobre propriedade
intelectual, direito-autoral e preo; classificao (qualificao) do contedo em
categorias pr-definidas; links para outros materiais considerados relevantes (esta
informao pode oferecer outros recursos relacionados ao tema pesquisado o
Contexto, que no caso de material no ficcional, importante se reconhecer a data
da gravao).
A Description Definition Language (DDL) define a sintaxe das Description
Tools e permite a criao de novos DS, permitindo a modificao dos DS existentes.
A DDL baseada no XML Schema. Em razo do XML Schema no ter sido
designado especificamente para descrio de contedos audiovisuais, foram
adicionadas algumas extenses, desse modo a DDL ficou dividida nos seguintes
componentes:
O XML Schema estrutura da linguagem
O XML Schema definio dos tipos de dados
Extenses especficas para o padro MPEG-7
As descries geradas por uma ferramenta MPEG-7 sero associadas ao
contedo de forma a permitir uma eficiente procura e filtro dos dados de interesse do
8/3/2019 Sistema de Reconhecimento de Face
26/85
26
usurio. Os dados descritivos podem ser alocados no mesmo stream ou gravados
no mesmo arquivo, mas tambm podem ficar em outro local. Quando alocados
diferentemente, mecanismo de associao deve ser criado para permitir o rpido
acesso nos dois sentidos.
O MPEG-7 define vrias formas de descrio que pode ser feita on-line ou
off-line, por streams, e em tempo real (descrio no momento da captura das
imagens e/ou udios) ou no.
O padro no especifica interoperabilidade entre aplicativos e no define
formas de anlise e algoritmos de extrao, pois o grupo acredita que a todo o
momento podem surgir novos estudos e resultado permitindo que a competio
industrial trouxesse timos resultados.
Figura 5 - Relacionamento dos objetos MPEG-7
8/3/2019 Sistema de Reconhecimento de Face
27/85
27
A DLL possui a definio das ferramentas de descrio do MPEG-7, e
tambm possui a extenso que pode especificar uma aplicao externa. Depois da
descrio pronta no formato XML, pode existir uma etapa de codificao binria
(BiM) [7].
Em sistemas baseados em MPEG-7, a descrio dos contedos pode ser
feita de forma manual ou automtica, gerando seqncia de dados que podem ser
armazenados ou enviados aos repositrios automaticamente atravs de streams.
Uma aplicao de usurio pode realizar consultas em um banco de descries e
navegar nas informaes da apresentao. Neste cenrio as informaes podem ser
estocadas em formato de texto ou binrias.
Nesse trabalho, foi utilizado o MPEG-7 para as descries das mdias, os
agentes analisam as imagens e sons e enviam o resultado atravs da codificao
apresentada. Os agentes devem ter completa noo da norma, pois a forma de
resposta a uma solicitao de descrio deve ser realizada no formato MPEG-7.
Como ser visto no prximo captulo, o mdulo principal do sistema no far
qualquer descrio, somente ir formatar os dados recebidos pelos agentes. Isso
significa que outros formatos diferentes de descrio de contexto podem ser
utilizados, desde que todos os agentes passem a responder com o novo formato.
2.3 REDES NEURAIS ARTIFICIAIS
Foram utilizados alguns conceitos das Redes Neurais Artificiais para o
reconhecimento de faces. Os conceitos biolgicos so importantes para o
entendimentos das RNAs. O neurnio serviu como inspirao para a criao das
RNAs, ele tem um corpo celular chamado soma e diversas ramificaes conhecidas
8/3/2019 Sistema de Reconhecimento de Face
28/85
28
como dendritos, que conduzem sinais das extremidades para o corpo celular. Existe
uma ramificao chamada axnio, que transmite um sinal do corpo celular para suas
extremidades. Na maioria dos casos um axnio conectado a dendritos de outro
neurnio pelas sinapses [8][9].
As sinapses tm a funo de memorizar as informaes. medida que
uma sinpse estimulada e consegue ativar outro neurnio o nmero de
neurotransmissores liberados aumenta na prxima vez que o neurnio for ativado.
Isso significa um aumento da conexo entre os dois neurnios. Dessa forma a rede
vai se fortalecendo sempre que a situao que inicia o estmulo acontece.
Figura 6 - Neurnio
Apesar de servir como inspirao, as redes neurais naturais so
diferentes as RNAs de hoje. O modelo geral do neurnio artificial (figura 7) tem as
entradas wi*uicombinadas usando uma funo f. Utilizando um vetor de referncia
o e a funo de sada g, obtm-se o estado yde ativado ou no ativado.
8/3/2019 Sistema de Reconhecimento de Face
29/85
29
Em [11] Hernandez apresenta uma sntese histrica que posiciona os
estudos atual:
Dcada de 40: McCulloc e Pitts [10] apresentam uma proposta para a
descrio matemtica com base nas estruturas neurais biolgicas.
Dcada de 50: A IBM apresenta um modelo de redes neurais na 1
Conferncia Internacional de Inteligncia Artificial em 1956. Em 1959, foi
demonstrada a rede adaptativa Adaline, que pode ser vista como um modelo linear
dos principais mecanismos de processamento de informao e adaptao presentes
no neurnio biolgico.
Dcada de 60: Rosenblat apresenta um modelo neural no linear e
adaptativo que permite expressar os processamentos representados no modelo de
McCulloc e Pitts e mostra um algoritmo de treinamento eficaz. Marvin Minsky e
Seymour Papert publicaram um livro chamado Perceptrons, em que vrios
aspectos tericos e limitaes do Perceptron de Rosenblat so formalizados e
estudados.
Dcada de 80: John Hopfield apresentou um sistema neural artificial
capaz de armazenar nas interconexes entre os neurnios informaes complexas,
como imagens por exemplo. A primeira conferncia Estados Unidos-Japo sobre
redes neurais realizou-se na cidade de Kioto.
Dcada de 90: 1 congresso de Redes Neurais no Brasil.
8/3/2019 Sistema de Reconhecimento de Face
30/85
30
Atualmente, os principais congressos brasileiros e internacionais so:
Congresso Brasileiro de Redes Neurais, Simpsio Brasileiro de Redes Neurais,
International Joint Conference on Neural Networks e o International Conference on
Artificial Neural Networks.
Para a formao da rede, os neurnios so ligados por conexes,
chamadas de conexes sinpticas. Os neurnios que recebem excitaes externas
so chamados neurnios de entrada e correspondem a camada de conexo aos
sensores do sistema. Os neurnios que tm suas respostas usadas para alterar o
mundo exterior so chamados neurnios de sada. Os outros neurnios que no so
nem de entrada nem de sada so conhecidos como neurnios internos.
Figura 7 - Neurnio Artificial
O fato de poder aprender com as situaes passadas que faz das RNA
serem diferentes dos sistemas convencionais. Retropropago ou Backpropagation
a regra de aprendizado mais utilizada. Nesse caso, a partir do resultado positivo ou
negativo de um estmulo, calcula-se o gradiente do erro com relao aos valores
sinpticos da camada de sada. Os valores dos coeficientes wiso corrigidos pendo-
8/3/2019 Sistema de Reconhecimento de Face
31/85
31
se ento calcular o erro da penltima camada, e assim por diante, at a camada de
entrada.
Figura 8 - Rede neural com 4 camadas
O trabalho de Minsky & Papert [10] constituiu o primeiro estudo sobre a
complexidade dos problemas que as RNAs podem resolver. Foi mostrado que uma
RNA sem camadas internas no podem resolver problemas linearmente no
separveis.
O bom resultado do reconhecimento de face depende de como as
informaes so apresentadas rede neural. Um processamento anterior faz-se
necessrio para que as informaes relevantes para a identificao sejam
acentuadas. Algumas restries devem ser consideradas: o grau de liberdade do
sistema que est relacionado com o nmero de conexes da rede, e o nmero do
conjunto de treinamento. Segundo [17], aconselhvel que o tamanho do conjunto
de treinamento do conjunto de dados exceda ao nmero de conexes. O aumento
do nmero de camadas de entrada e o nmero de exemplos de treinamento ajudam
8/3/2019 Sistema de Reconhecimento de Face
32/85
32
a capacidade de generalizao da rede neural, porm isso pode afetar o
comportamento de convergncia da rede.
2.4 IDENTIFICAO BIOMTRICA E RECONHECIMENTO DE FACE
Segundo [19], a biometria o ramo da cincia que estuda a mensurao
dos seres vivos atravs de suas caractersticas. Em relao a tecnologia da
informao a biometria est ligada principalmente segurana na identificao de
pessoas. FERREIRA [20] separa as caractersticas biomtricas com sendo
fisiolgica (como impresso digital ou caractersticas faciais) ou comportamental
(como assinaturas manuscritas ou amostra de voz). Alguns sistemas j so
considerados suficientemente seguros para dispensar a necessidade de login e
senha.
No sistema de reconhecimento de face que ser apresentado, assim
como todos os sistemas estudados, a autenticao biomtrica envolve duas fases: A
inicial que corresponde ao registro da pessoa no sistema atravs de repasse das
suas caractersticas. Nessa fase as caractersticas so gravadas no sistema para
que seja posteriormente comparada com um indivduo sem identificao. A segunda
face a comparao da pessoa que tenta acessar o sistema com o banco de dados
de caractersticas. Dificilmente a coincidncia ser perfeita, cabe ao sistema definir
margem de tolerncia que permitam a identificao com o mnimo de erro.
Os sistemas podem ser utilizados para identificao (Um-Para-Um) ou
para verificao (Um-Para-Muitos) [20]. Na verificao um indivduo apresenta uma
identidade e o sistema faz uma autenticao, nesse caso necessrio uma preciso
maior, normalmente encontrada em sistemas de reconhecimento de ris ou retina.
8/3/2019 Sistema de Reconhecimento de Face
33/85
33
Na identificao, o reconhecimento realizado quando se faz uma busca no banco
de dados, comparando as informaes at que se encontre um registro idntico,
com uma margem de erro inclusa.
Uma das abordagens para a identificao biomtrica o reconhecimento
atravs de casamento de modelos, utilizando uma operao genrica que compara
duas entidades do mesmo tipo. A imagem a ser reconhecida comparada com um
modelo armazenado, considerando todas as variaes possveis da imagem [21]. A
mtrica utilizada normalmente a correlao ou uma funo da distncia. Fica claro
que esse mtodo exige disponibilidade de muito recurso computacional, porm pode
ser facilmente viabilizado considerando os recursos atuais [22].
O casamento feito atravs do clculo da distncia mnima pode ser feito
atravs da distncia Euclidiana. Seja x = (x1, x2, x3, xn) um vetor de dimenso n
que submetido ao sistema, e W = (w1, w2, w3, wm) um conjunto de vetores que
representa classes de padres armazenados. Calcula-se ento a distncia
euclidiana do vetorxcom todos os vetores de W, e escolhe-se a menor distncia.
Para o casamento feito por correlao, utiliza-se o conceito descrito por
GONZALEZ [23], que se baseia na procura de uma sub imagem Wde dimenso Jx
K dentro de uma imagem F de tamanho maior M x N. O ponto de correlao
calculado como:
8/3/2019 Sistema de Reconhecimento de Face
34/85
8/3/2019 Sistema de Reconhecimento de Face
35/85
35
Nesse trabalho foram utilizadas todas as tcnicas j discutidas. Para a
localizao inicial da face, foram utilizados mtodos de correlao para encontrar os
olhos como ponto de partida. Uma rede neural de duas camadas utilizada com o
nmero de neurnios igual ao nmero de faces armazenadas. Mtodos estatsticos
so usados na etapa de clculos dos coeficientes da rede que so modificados na
fase de treinamento. O clculo leva em conta a ordem cronolgica do treinamento,
dando um peso maior para as imagens mais recentes de uma mesma face.
8/3/2019 Sistema de Reconhecimento de Face
36/85
CCaappttuulloo 33
3 SISTEMA DE DESCRIO DE CONTEXTO
Conforme apresentado anteriormente, o objetivo deste trabalho propor
um sistema para a descrio automtica de contexto baseado nas caractersticas do
contedo do vdeo. A proposta um sistema com infra-estrutura para criao de
subprogramas especializados (Agentes Descritores AD), que sero conectados ao
Mdulo Principal de Processamento (MPP) e podero assistir a apresentaes
multimdias e descrever as cenas dentro de sua tica. O resultado final uma
descrio no formato MPEG-7, contendo a reunio das informaes coletada por
todos os agentes, sendo mais completas quanto for o nmero de AD e de suas
habilidades.
No diagrama a seguir representa o Sistema de Descrio de Contexto -
SDC:
8/3/2019 Sistema de Reconhecimento de Face
37/85
37
Figura 9 - Sistema de Descrio de Contexto
O SDC formado pelo Mdulo Principal de Processamento (MPP) e pelos
Agentes Descritores (AD). O MPP responsvel pela criao do ambiente de
descrio para os AD, sincronizando e controlando as mdias. Quatro sub-mdulos
fazem parte do MPP:
Processador e Sincronizador (PS) responsvel pela lgica do
sistema, bem como o controle e sincronismo do sistema. formado
principalmente pela classe cMPP (figura 10).
Interface de Entrada (IE) responsvel pela aquisio das mdias. A
aquisio pode ser feita atravs da leitura de arquivos de vdeo,
imagens e som ou atravs de um driver de captura. Esse sub-mdulo
utiliza a classe cAcesso.
8/3/2019 Sistema de Reconhecimento de Face
38/85
38
Interface de Sada (IS) responsvel pela formatao dos dados
recebidos do PS e pela criao da mensagem de sada no formato
MPEG-7. A classe cAcesso implementa as funes do IS.
Controlador de Agentes (CA) responsvel pelo controle dos
agentes e faz a interface com o PS. O CA cria Agentes Internos (AI)
para cada Agente Descritor com objetivo de unificar a forma de
comunicao, ou seja, quando o CA encontra um AD, ele cria um
instncia da classe cAgente responsvel por representar internamente
o AD. A classe cAgentController implementa o CA e a classe cAgent
implementa o AI.
Os Agentes Descritores so compilados separadamente e podem ser
adicionados ao sistema em tempos de execuo. Os ADs sero detalhados no item
3.1.
O processo de descrio inicia-se com a leitura de uma mdia atravs do
sub-mdulo IE que repassa ao PS. A mdia enviada de forma sincronizada aos
Agentes Descritores atravs o Controlador de Agentes. Os AD fazem a anlise e
emite suas descries. Para a anlise os Agentes Descritores podem,
eventualmente, se comunicar com outros AD.
O Controlado de Agentes realiza a procura por agentes quando o
programa iniciado ou quando o diretrio de agentes configurado no sistema
alterado. A rotina inicial valida e verifica o formato do agente (.Net, COM, Java, etc).
Os Agentes Internos so criados a partir da classe cAgent para atribuir aos Agentes
8/3/2019 Sistema de Reconhecimento de Face
39/85
39
Descritores uma instncia correspondente a cada um deles existente no diretrio.
Essa classe possui os principais mtodos dos agentes.
A classe do CA, chamada cAgentController, faz a validao dos agentes
verificando a existncia dos mtodos obrigatrios. Em uma segunda etapa para
iniciar a utilizao dos agentes, o CA verifica a interdependncia entre os agentes e
faz o repasse dos ponteiros para que eles possam se comunicar. A comunicao
entre os agentes importante para permitir a diviso de tarefas e a reutilizao das
funes realizadas por eles.
A classe cAgente tem a principal funo de fazer a interface entre os
agentes e o Mdulo de Processamento Principal. Os seus mtodos so:
PublicProperty InterfaceType() AsStringPublicProperty Name() AsStringPublicProperty Type() AsStringPublicProperty Description() AsStringPublicProperty Author() AsStringPublicProperty Version() AsStringPublicProperty Information() AsStringPublicProperty Obj() AsObjectPublicProperty Enabled() AsBooleanPublicProperty DependentAgent() AsString()PublicSub Config()PublicSub setDependentAgent(ByVal obj AsObject)
Para varrer um arquivo multimdia, um objeto timer instanciado para
chamar a rotina TimerScanFile_Elapsed() em espaos de tempo predefinido.
Quando um arquivo aberto, os frames so separados e enviados aos agentes de
forma seqencial atravs dessas rotinas.
Para o caso da varredura atravs do driver de captura, outro objeto timer
instanciado para chamar a rotina TimerScanFile_Elapsed(), tambm em espaos
8/3/2019 Sistema de Reconhecimento de Face
40/85
40
de tempo predefinido, porm os frames que so enviado para os agentes so
somente aqueles que estiver disponvel no momento da coleta, causando a perda de
alguns quadros devido ao tempo de leitura dos agentes.
O diagrama a seguir mostra o relacionamento, os principais mtodos e
propriedades das classes do MPP.
Figura 10 - Diagrama de classes relacionais do MPP
A cMPP a principal entre as classes da camada de negcio, ela
responsvel pela parte lgica do mdulo e pela comunicao entre os objetos das
camadas de interface e acesso a dados.
8/3/2019 Sistema de Reconhecimento de Face
41/85
41
Alm das classes mostradas no diagrama, outras classes foram criadas e
compiladas independentes do projeto, elas realizam funes indiretas, mas que so
importantes para o funcionamento do sistema. Uma dessas classes a cBitBlt
compilada no arquivo AVImetodos.dll que possui mtodos de manipulao de
imagens. A funo mais importante dessa classe a getFrameVetor() usada para
transformar a imagem que capturada atravs do objeto BITMAP do .NET para um
vetor de duas dimenses contendo as corres dos pixels. Essa transformao
necessria para garantir que todos os agentes podero ler as imagens,
independente da tecnologia de software usada. Outra classe importante a
AVICAP, compilada no arquivo comAVICAP.dll, usada para controlar os drivers de
captura de vdeo.
Foi criada uma classe chamada cAVIFrameExtract que responsvel
pela leitura e manipulao dos frames do arquivo. Quando solicitado o objeto
repassa o handle do frame ao sistema que renderiza o quadro e o transforma em
vetor, repassado aos agentes. Da mesma forma uma seqncia de bits enviada
para os agentes contendo as amostras de udio. Na interface principal do sistema
possvel visualizar o frame que est sendo varrido no momento, os agentes
disponveis e o resultado da discrio no formato XML.
8/3/2019 Sistema de Reconhecimento de Face
42/85
42
Figura 11 - Interface do MPP
medida que os agentes respondem com as descries, os dados so
reunidos e disponibilizados pra a interface de sada atravs da classe frmMain j no
formato MPEG-7, podendo ser transmitidos ou arquivados. As respostas dos
agentes so descries no formato texto contendo dados referentes ao tempo,regio, tipo de descrio, etc.
Como descrito anteriormente, a distribuio dos frames para os agentes
ocorre de forma seqencial, limitando o tempo de acesso para cada agente. Em uma
tentativa da utilizao de threads paralelos ocorreram vrios erros de sincronizao,
principalmente quando os agentes se comunicam com outros. Um estudo futuro
8/3/2019 Sistema de Reconhecimento de Face
43/85
43
poder viabilizar um processamento paralelo, permitindo melhorar o tempo de
resposta dos agentes.
3.1 AGENTES DESCRITORES
Os agentes descritores so subprogramas compilados em arquivos
separados utilizando a tecnologia .Net e ActiveX1 da Microsoft, contendo os
mtodos e funes para anlise das mdias. Os agentes devem implementar os
seguintes mtodos:
getName() Retorna o nome do agente
getType() Retorna o tipo de agente (Vdeo, udio ou os dois)
getDescription() Retorna um a breve descrio de suas funes
getAuthor() Retorna o autor do agente
getVersion() Retorna a verso do agente
getInformation() Retorna informaes do estado do agente durante a
descrio
Config() Permite a configurao do agente
Load_Frame(vColor As Integer(,), frameNumber As Long, FrameCount
As Long) Realiza anlise do frame e retorna a descrio
1 Tecnologia de componentizao que implementa o Common Object Model (Nota 3).
8/3/2019 Sistema de Reconhecimento de Face
44/85
44
Load_Audio Realiza a anlise da amostra de udio e retorna a
descrio
Para a criao e um Agente Descritor que funcione corretamente, basta a
criao de uma DLL implementando esses mtodos e deposit-la no diretrio de
agentes com a exteno .ag.
Nos agentes implementados, outros mtodos foram introduzidos, porm
so especficos de cada agente descritor. Os agentes implementados foram:
Color Identify Agent (comAgColorIdentify) - identificador de cores em
regies definidas do frame;
Grupos de agentes de reconhecimento de faces
Face Loalizator Agent posiciona a face no frame e repassa o
Face Calculator Agent.
Face Calculator Agent realiza funes de identificao da face
e armazenamento de dados referentes as faces reconhecidas.
3.2 COLOR IDENTIFY AGENT
O Agente de identificao de cor relativamente simples. O objetivo
identificar cores pr-selecionadas pelo usurio atravs da interface de configurao.
Havendo a cor na regio indicada, a descrio repassada para o MPP. No
formulrio de configurao possvel cadastra uma lista de cores a serem
identificadas, bem como a regio para a procura de cada item.
8/3/2019 Sistema de Reconhecimento de Face
45/85
45
Figura 12 - Inteface do Agente de Identificao de Cor
Para a identificao da cor, obtm-se os valores das mdias dos
valores de RGB:
A implementao do procedimento Load_Frame pode ser encontrada no
Anexo C.
Como resultado tem-se as cores identificadas com o frame de incio e a
durao. No trecho do resultado retornado em uma simulao realizada verifica-se a
identificao da cor vermelha de um carro que teve incio no frame 176 com durao
de 3 frames.
8/3/2019 Sistema de Reconhecimento de Face
46/85
46
Figura 13 - Descrio da cor na regio delimitada
As possibilidades de aplicaes para esse agente so muitas, podendo
ser utilizado como elemento primrio em processo industrial para anlise de
colorao de produtos qumicos, na identificao de carros em corrida
automobilstica, em anlise climticas, etc.
3.3 AGENTES DE RECONHECIMENTO DE FACES
A tarefa de reconhecer a face humana em uma imagem no fcil,
muitos problemas de ordem prtica fazem com que os algoritmos sejam complexos
e extensos. O problema foi dividido em trs partes principais: a localizao da face
dentro da imagem, o levantamento das caractersticas biomtricas e a comparao
8/3/2019 Sistema de Reconhecimento de Face
47/85
47
estatstica com dados j guardados com a estimativa e deciso. A seguir sero
descritos os agentes que realizaro as tarefas.
3.3.1 Agente de localizao de face
O Agente de Localizao de Face responsvel pela localizao da face
humana dentro do frame, uma das mais complicadas tarefas para o reconhecimento
do rosto. Para garantir robustez, o algoritmo deve ser imune a algumas variantes:
Ao tamanho da face dentro da imagem
Ao posicionamento do rosto
s intensidades de cor, brilho e luminncia
direo do rosto
definio da imagem
Na implementao foram definidas algumas premissas para iniciar a
criao do modelo de procura: O rosto deve ter as dimenses mnimas e mximas
dentro do quadro em que seja detectado. A distncia entre a borda superior do rosto
e a borda superior do quadro, somadas ao intervalo do queixo at o final inferior do
quadro devem ter no mximo a mesma dimenso da face. O rosto deve est
posicionado na direo frontal (olhando para frente), limitando a inclinao em 10.
O rosto deve est completamente compreendido no quadro.
8/3/2019 Sistema de Reconhecimento de Face
48/85
48
A partir das premissas apresentadas, calculamos os valores mximos e
mnimos das principais dimenses necessrias para a deteco.
0 < A+B < C
dIMax > do > dIMin
dIMax = lenY / 17.5
dIMin = lenY / 25.6
dFMax > F > dFMin
dFMax = lenY / 3.77
dFMin = lenY / 6.11
Figura 14 - Enquadramento do rosto
Obedecendo a forma natural de reconhecer o rosto humano, os olhos
servem como objetivo principal na primeira procura. Quando o algoritmo consegue
localizar perfeitamente os olhos, todos os outros pontos ficam de fcil localizao, j
que pode se estimar as regies de encontro.
8/3/2019 Sistema de Reconhecimento de Face
49/85
49
Figura 15 - Regio dos olhos
Outra importante caracterstica que faz dos olhos um timo ponto de
partida para o algoritmo de localizao o contraste existente entre a parte clara e
escura do olho, isso permite uma fcil deteco do contorno da ris. Foi utilizada
essa variao de luminncia para realizar a primeira fase de deteco dos olhos.
A partir da regio central da imagem, o algoritmo percorre o quadro da
esquerda para a direita detectando as variaes de luminncia acentuadas. Todos
os possveis pontos de bordas so reunidos como coleo de objetos chamados de
bordas da ris (cIrisEdge).
Figura 16 - Visualizao das regies de borda
8/3/2019 Sistema de Reconhecimento de Face
50/85
50
A segunda etapa localizar a regio dos olhos a partir dos pontos
encontrados. Para isso, foi utilizado o mtodo da correlao que usa imagens de
treinamento para encontrar a regio que mais se identifique com a mesma. Apesar
de ser um modelo computacionalmente custoso, algumas simplificaes na imagem
de referncia podem facilitar sua implementao. Nesta etapa no necessrio
achar nenhuma caracterstica do rosto, portando pode-se usar uma imagem de
referncia que seja facilmente implementada. Em uma primeira simulao adotamos
dois crculos dentro de um retngulo, dividindo os dois crculos em duas partes.
Figura 17 - Mscara de procura
Figura 18 - Dimenses da mscara de procura
8/3/2019 Sistema de Reconhecimento de Face
51/85
51
As variveis u e tforam introduzidas para considerar a inclinao do rosto
e a variao de escala do rosto em relao ao frame. A varredura acontece nas
quatro dimenses representadas pelas variveis i, j, t e u, com o objetivo de
encontrar o valor mximo da funo:
onde,
PBL = Pontos de borda esquerda
PBR = Pontos de borda direita
L = Regio esquerda dos crculos
R = Regio direita dos crculos
N = Regio dentro do retngulo de fora dos crculos
Foi verificado que a funo realmente teria o ponto mximo na regio do
olho, porm no tem preciso nos casos de poucos pontos selecionados. Uma nova
funo f2 foi usada obtendo um resultado mais satisfatrio.
8/3/2019 Sistema de Reconhecimento de Face
52/85
52
A seguir mostrado o diagrama de classes do agente:
Figura 19 - Diagrama de classes relacionais do Agente de Localizao de Faces
Aps o encontro das coordenadas o agente finaliza sua leitura do frame e
repassa os dados para o outro agente, o agFaceCalculator, atravs da funo
setEyes(intFrameIndex, X1, Y1, X2, Y2). Foi implementada uma interface que
permite verificar se as coordenadas esto corretas antes da chamada ao novo
agente.
8/3/2019 Sistema de Reconhecimento de Face
53/85
53
Figura 20 - Visualizao do resultado da procura
3.3.2 Agente de Reconhecimento de Face
O Agente de Reconhecimento de Face realiza a funo de encontrar em
um banco de dados a face que mais se aproxima daquela repassada pelo Agente
Localizao de Faces (ALF).
A primeira tarefa sincronizar os dados que so recebidos pelo MPP e
pelo ALF para que os clculos sejam feitos em relao ao mesmo frame. Quando as
coordenadas dos olhos so recebidas, os dados so armazenados incluindo o
nmero correspondente ao frame. Ao receber o frame do MPP atravs do mtodo
Load_Frame(), dado prosseguimento ao processo de reconhecimento.
Para realizar o reconhecimento necessrio que existam informaes
sobre outras faces j memorizadas. Cada face lida pelo sistema armazenada em
um arquivo de aproximadamente 80KB. Um banco de dados guarda as informaes
8/3/2019 Sistema de Reconhecimento de Face
54/85
54
referentes a cada imagem. Uma imagem corresponde a um arquivo e associada a
uma face. No banco foi criada uma tabela chamada tbImage com os seguintes
campos:
idImage Cdigo da imgem. Corresponde ao nome do arquivo de
imagem;
idFace Cdigo atribudo a face, ou seja um imagem reconhecida;
Name Nome da pessoa reconhecida
Description - Descrio
EyeX1
EyeY1
EyeX2
EyeY2
ImageOrder Ordem cronolgica do reconhecimento
Confirmed Flag de confirmao
Active Flag de ativao
8/3/2019 Sistema de Reconhecimento de Face
55/85
55
O processo de reconhecimento assemelha-se com uma rede neural de
duas camadas, uma de entrada e uma de sada. Para representar uma imagem,
adotamos as seguintes premissas:
I. Uma imagem ser representada por uma matriz 100X100,
independente do tamanho original.
II. A matriz considerar apenas os valores de luminncia dos pixels.
III. De uma matriz secundria de 50X50, exatamente no centro da matriz
principal, ser extrado os valores mximo e mnimo de luminncia com objetivo de
normalizao.
IV. O centro do olho da direita ficar na posio 23X35. O centro do
olho da esquerda ficara na posio 23Xj, onde j depender da inclinao do rosto.
As premissas objetivam minimizar a interferncia dos fatores externos
como grau de luminosidade, dimenses da imagem, etc. A funo getMatrix(Integer)
retorna um vetor com duas dimenses contendo a matriz correspondente a imagem
desejada. O diagrama a seguir mostra os mtodos das classes do agente.
8/3/2019 Sistema de Reconhecimento de Face
56/85
56
Figura 21 - Diagrama de classes relacionais do Agente de reconhecimento de face
Ao iniciar o agente a rotina chamada doCollectionMWS() cria um matriz W
que contm os coeficientes wij. Cada valor obtido calculado a mdia das ltimas
10 matrizes das imagens j armazenadas para cada face, ou seja, cada face ter
uma matriz de coeficientes. Pode-se considerar que um neurnio ser criado para
cada rosto reconhecido.
Para criar a matriz Wtambm foi levado em considerao o momento que
a imagem foi arquivada, ou seja, as ltimas imagens tm um peso maior para o
clculo da mdia. Isso faz com que o efeito do tempo tenha relevncia no
reconhecimento da face.
8/3/2019 Sistema de Reconhecimento de Face
57/85
57
Imagem Peso
n 0,144788n-1 0,125483n-2 0,111004
n-3 0,101351n-4 0,094112n-5 0,08832n-6 0,085907n-7 0,084459n-8 0,083012n-9 0,081564
Imagem X Peso
0,08
0,09
0,1
0,11
0,12
0,13
0,14
0,15
n n-1 n-2 n-3 n-4 n-5 n-6 n-7 n-8 n-9
Figura 22 - Grfico de variao do peso
Uma outra matriz S ser criada similarmente a matriz W, porm ela
guardar um fator de ponderao para cada elemento da matriz W. Os valores de S
sero calculados com o complemento do desvio padro dos valores das ltimas 10
matrizes de cada face. O objetivo dar um peso maior para as regies que tem o
maior nmero de acerto.
8/3/2019 Sistema de Reconhecimento de Face
58/85
8/3/2019 Sistema de Reconhecimento de Face
59/85
59
Figura 24 - Interface do Agente de Reconhecimento de Face
Quanto mais prximo de 1 for o valor da expresso, menor ser o erro da
operao de busca. Caso a face no tenha nenhuma imagem no banco de dados, o
cadastro pode ser realizado inserindo nome e descrio da pessoa.
Ocorrendo um erro que indique uma face incorreta para a imagem, o
usurio pode interferir selecionando a face correta. Nesse caso, a confirmao far
com que a nova imagem faa parte do banco de dados e seja lavada em conta nos
clculos da nova matriz W.
Neste captulo foi apresentada a arquitetura do sistema de descrio de
contexto, bem como a sua implementao. Detalhes prticos foram discutidos
mostrando como o prottipo foi projetado e posto em funcionamento. Trs agentes
descritores tambm foram mostrados, o primeiro foi criado com o objetivo de permitira identificao de cores dentro da cena. Os outros dois agentes foram criados para
8/3/2019 Sistema de Reconhecimento de Face
60/85
60
um objetivo nico, a identificao biomtrica de pessoa atravs da imagem da face,
para isso eles se comunicam, trocando informaes coma finalidade de reconhecer
a face.
Todos os agentes mostrados neste trabalho foram projetados para
permitir o funcionamento sem interao humana durante as descries. Uma vez
configurado, os agentes observam a mdia e a descrevem automaticamente.
Apesar de no ser projetado para fazer parte do processo de
reconhecimento de face, o Agente Identificador de Cor foi reutilizado para auxiliar na
identificao do rosto humano. Para isso foram necessrias as seguintes alteraes
nos agentes:
- Para que os agentes passem a se comunicar, o Agente de Localizao
de Face introduziu o Agente de Identificao de Cor como dependente. A alterao
feita no mtodo getDependenceAgent(). Com isso o Agente de Localizao de
Face poder fazer chamadas de mtodos a qualquer mtodo do outro agente.
- O mtodo setEyes() foi criado no Agente de Identificador de Cor com o
objeto de receber as coordenadas do olhos repassada pelo Agente de Localizao
de Face.
Com as informaes recebidas o Agente de Identificador de Cor define a
regio da face onde far a extrao e identificao da cor. As cores da pele e olhos
so caractersticas que podem ser configuradas para auxiliar na identificao da
face. A descrio dos testes ser feita no item 4.3.
8/3/2019 Sistema de Reconhecimento de Face
61/85
CCaappttuulloo 44
4 AVALIAO DO SISTEMA
Este captulo descreve e analisa os testes realizados no sistema
desenvolvido. Sero analisados os desempenhos dos dois agentes de
reconhecimento de face. Para o agente de localizao de face ser calculada a taxa
de identificao correta da face. Para o agente de reconhecimento sero feitos
testes de verificao, identificao e procura em lista.
Nos testes foram usadas 170 imagens de 119 pessoas diferentes
adquiridas de diversas fontes diferentes. So fotos de rostos em posio frontal com
indivduo olhando para frente e com os olhos necessariamente abertos.
4.1 AVALIAO DO AGENTE LOCALIZAO DE FACE
Durantes os testes as imagens foram submetidas ao sistema e a
localizao foi considerada realizada com sucesso quando os olhos foram
localizados corretamente conforme mostrado na figura 25.
8/3/2019 Sistema de Reconhecimento de Face
62/85
62
Figura 25 - Localizao correta dos olhos
Trs casos podem ocorrer quando a localizao no realizada com
sucesso. No primeiro caso o agente no consegue identificar nenhuma regio que
tenha aparncia prxima aos olhos nas dimenses corretas. Nesse caso, o erro
pode acontecer caso o rosto no esteja obedecendo as dimenses descritas no item
2.6.1 e mostradas na figura 14. O segundo caso ocorre quando outros pontos dentro
da imagem so confundidos com os olhos ocorrendo uma falsa deteco (figura 25).
8/3/2019 Sistema de Reconhecimento de Face
63/85
63
Figura 26 - Outra regio confundida com os olhos
Um terceiro caso acontece quando os olhos so identificados
corretamente, mas a coordenada no calculada com preciso (figura 26).
Figura 27 - Olhos identificados sem preciso
8/3/2019 Sistema de Reconhecimento de Face
64/85
64
Em alguns casos uma nova leitura da mesma imagem redimensionada
pode eliminar o erro. Das 170 imagens 153 foram identificadas corretamente sem
necessidade de redimensionamento. Depois do redimensionamento apenas duas
imagens no foram identificadas corretamente sendo desabilitadas para etapa de
reconhecimento.
Identificadocorretamente
Olhos noencontrados
Posicionamentoincorreto
Localizadosem preciso
Semredimencionamento
90% 2% 4% 4%
Comredimencionamento
99% 0% 0% 1%
4.2 AVALIAO DO AGENTE LOCALIZAO DE FACE
Das 170 imagens, 168 formam identificadas corretamente e repassadas
pelo Agente de Localizao de Face para o Agente de Reconhecimento de Face.
Trs tipos de testes forma realizados: O primeiro foi a verificao em que uma
imagem apresentada juntamente com um a suposta identificao do candidato. O
sistema tem que confirmar se a identificao da imagem apresentada correta. Uma
falsa verificao acontece quando o sistema confirma uma identificao que no
corresponde a pessoa correta. O segundo teste foi a identificao em que umaimagem apresentada e o sistema apresenta um grupo de possveis identidades
para o indivduo. A lista que o sistema apresenta foi testada com trs tamanhos
diferentes: uma, cinco e dez identificaes. O terceiro teste foi a procura em lista na
qual o sistema tem que verificar se a imagem pertence a uma lista de tamanhos
diferentes e, posteriormente identific-la.
8/3/2019 Sistema de Reconhecimento de Face
65/85
65
O teste de verificao foi realizado em duas etapas que se diferencia pela
quantidade de imagens de uma mesma pessoa j armazenada no sistema, ou seja,
na primeira etapa menos de trs imagens de cada candidato foram armazenadas
antes da verificao, na segunda etapa trs ou mais imagens de uma mesma
pessoa j pertencia ao banco antes do teste. Com era de se esperar, medida que
um nmero de imagens gravadas cresce a preciso na verificao cresce, pois a
rede neural vai sendo treinada.
O grfico mostra que o treinamento da rede neural melhora a taxa de
verificao correta, principalmente quando se exige uma taxa de falsa confirmao
pequena.
Taxa de Falsa Confirmao X Taxa de Verificao
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%100%
0,01%
0,03%
0,05%
0,09%
0,16%
0,23%
0,37%
0,47%
0,61%
0,81%
1,07%
1,47%
1,79%
2,13%
Treinamento com menos de trs imagens Treinamento com trs ou mais imagens
Figura 28 - Grfico do resultado do teste de verificao
No teste de identificao mostrou que 86% das imagens apresentadas ao
sistema foram identificadas corretamente como o primeiro da lista. Considerando
8/3/2019 Sistema de Reconhecimento de Face
66/85
66
que a identificao correta est entre as duas primeiras apresentadas como resposta
do sistema, 92% tiveram identificao correta. Quando foram consideradas listas de
respostas de 5 e 10 pessoas, a taxa de identificao foi 98%.
Tamanho da Lista de Resposta X Taxa Identificao
98%98%
86%92%
0%
10%
20%
30%
40%
50%
60%
70%
80%
90%
100%
110%
1 2 5 10
Figura 29 - Grfico do resultado do Teste de Identificao
O ltimo teste foi a procura em lista que apresenta a maior dificuldade ao
sistema, pois alm de detectar se o indivduo est na lista, necessrio que ele seja
identificado. Uma falsa deteco acontece quando apresentada uma imagem de
uma pessoa que no est na lista e o sistema detecta e indica uma identidade
incorreta.
O teste foi feito com uma lista de 107 pessoas e foram apresentadas 55
imagens 110 imagens de 20 pessoas diferentes, das quais 10 estavam na lista e 10
no estavam. O resultado apresentado no grfico.
8/3/2019 Sistema de Reconhecimento de Face
67/85
67
Taxa de Falsa Deteco X Taxa de Deteco e Identificao
0%
10%
20%
30%
40%
50%
60%
70%
80%
0,02%
0,03%
0,05%
0,09%
0,15%
0,22%
0,37%
0,43%
0,51
%
0,63%
0,86%
1,00%
1,17%
1,33%
1,59%
Figura 30 - Grfico do resultado do Teste de Procura em Lista
Os testes de verificao e identificao no podem ser comparados com o
FRVT2000 descrito no item 2.3, pois o nmero de imagens no banco de dados
muito diferente. Porm, o teste de procura em lista mostra que o sistema
apresentado tem performance prxima dos mais bem colocados no FRVT2000. O
grfico mostrado na figura 5 apresenta o resultado dos trs softwares resultados
para uma falsa deteco de 1%, para essa taxa o agente de reconhecimento de face
teve uma performance de 72,72% de deteco e identificao.
8/3/2019 Sistema de Reconhecimento de Face
68/85
68
Figura 31 - Comparao com o FRVT2000
Algumas ponderaes devem ser feitas em relao a esta comparao.
As imagens utilizadas no FRVT2000 possuam especificaes que no foram
consideradas nesse teste, as fotos do FRVT2000 foram separadas por tipos de
ambientes, faixa etria, sexo, etc. As imagens do FRVT2000 foram feitas sobre um
rigoroso procedimento especificado no documento [18].
4.3 INCLUSO DO AGENTE DE IDENTIFICAO DE COR NORECONHECIMENTO DA FACE
O objetivo desta avaliao demonstrar que o sistema proposto
extensvel e que outras descries podem ser realizadas com a incluso de agentes
especficos ao sistema. As alteraes no Agente de Localizao da Face (ALF) e no
Agente de Identificao de Cor (AIC) descritas no final do captulo anterior foram
implementadas.
O ALF encontra a as coordenadas dos olhos e repassa ao AIC atravs da
funo setEyes(), que calcula algumas regies do rosto e faz a coleta das cores dos
8/3/2019 Sistema de Reconhecimento de Face
69/85
69
pixels. Inicialmente foi escolhida a regio central da testa para coletar o valor RGB
mostrado a trecho do cdigo MPEG-7 abaixo.
Left eye:(162,30; 130,23) Right eye:(215,69; 128,69) Frame:1 identity Name:Foto36 - Face ID:0000000036 but not
confirmed. **Frame 1 - Skin color: (Red=228, Green=175, Blue=135) **
A prxima etapa caracterizar a cor, selecionando a colorao da pele
(negro, pardo, branco, etc.). Faz-se necessrio uma etapa de processamento para
eliminar a interferncia de fatores externos na mensurao da cor como iluminao,
brilho, etc. O resultado, ento, enviado ao Agente de Reconhecimento de Face
(ARF) que faz a comparao com os dados armazenados das no banco de dados.
A anlise feita pelo ARF levando em considerao as caractersticas
extradas por ele e pelas caractersticas enviadas pelo AIC ou outros agentes
criados para essa funo. Cada informao ponderada analisando a estatstica de
erro durante o processo de identificao.
O sistema formado pelo grupo de agentes de reconhecimento de faces
ter a preciso da identificao proporcional ao nmero de agentes extratores de
caracterstica. Os agentes tambm podem sofrer alteraes e serem trocados sem
que o sistema possa sofrer influncia no funcionamento.
8/3/2019 Sistema de Reconhecimento de Face
70/85
CCaappttuulloo 55
5 CONCLUSES
O Sistema de Descrio de Contexto apresenta caractersticas
importantes que o flexibiliza para inmeros trabalhos posteriores, ele permite a
construo de agentes para extrair e descrever qualquer tipo de caractersticas em
vdeos, sem que seja necessrio modificaes no sistema, apenas desenvolvendo
uma class .net ou um componente Activex e inserindo da pasta de leitura
configurada no Sistema.
O Sistema objetivou a descrio automtica de vdeos com a utilizao de
mltiplos agentes funcionando ao mesmo tempo, porm possvel desenvolver
agentes que utilizem tcnicas manuais ou semi-automticas. Esse objetivo foi
alcanado com a implementao dos agentes descritos nos itens anteriores.
Alm da possibilidade da criao de novos agentes, outros estudos so
necessrios para melhorar a performance do sistema. A incluso da etapa descrio
de udio no foi implementada e sugere estudos na rea de sincronismo com o
vdeo e de como os agentes vo coletar as amostras de udio. Outra rea
8/3/2019 Sistema de Reconhecimento de Face
71/85
71
importante para melhorar o sistema em relao a forma com que os frames de
vdeo so transferidos para os agentes. Na implementao atual os valores RGB dos
pixels so inseridos em um vetor de duas dimenses e enviados para cada agente
seqencialmente, ou seja, um agente aguarda o processamento do anterior.
Certamente um estudo mais aprofundado sobre o sincronismo das informaes
permitiria o processamento paralelo.
Em relao aos Agentes de Reconhecimento de Face, muitos estudos
podem otimizar bastante seus resultados. Em relao ao Agente de Localizao de
Face necessrio que os algoritmos usados para a procura dos olhos da face sejam
otimizados, pois o tempo gasto inviabiliza o reconhecimento automtico em tempo
real. O terceiro erro descrito no item 4.1 pode ser minimizado com um ps-
processamento aps o encontro dos olhos. Os outros dois erros podem ser
minimizados com redimensionamento da imagem e ajuste de contraste feito
automaticamente antes de scanear a imagem.
Os testes puderam mostrar que o Agente de Reconhecimento de Face
apresentou uma performance comparada com os softwares do ltimo FRVT. Porm
necessrio inserir uma etapa de processamento 3D para o reconhecimento de
faces no frontais. No FRVT2000 alguns estudos foram apresentados nessa rea e
no prximo FRVT ser caracterstica fundamental para boa performance.
Algumas limitaes foram identificadas no sistema de descries de
contexto e nos agentes de reconhecimento de faces. As interfaces de comunicao
entre os agentes e o mdulo de processamento principal foram desenvolvidas para
aplicaes que rodam em uma mesma mquina, o que no permite, a princpio,
8/3/2019 Sistema de Reconhecimento de Face
72/85
72
agentes distribudos. Porm o modelo pode ser adaptado utilizando uma arquitetura
para ambiente distribudo (CORBA ou DCOM).
Outra limitao encontrada que o modelo implementado utiliza o
processamento dos agentes de forma seqencial, causando a diviso do tempo
entre eles e limitando o tempo de resposta. O tempo de processamento pode ser um
limitante da quantidade e da complexidade dos agentes. fcil observar que esse
problema s ser crtico no caso de descries realizadas em tempo real, pois nesse
caso, enquanto os agentes estiverem descrevendo uma cena poder perder os
quadros subseqentes do vdeo. Todo estudo foi focado na descrio de vdeos e
imagens estticas, deixando a anlise do udio para trabalhos futuros.
8/3/2019 Sistema de Reconhecimento de Face
73/85
REFERNCIAS
[1] GARCIA, L. Princpios da Engenharia de Software. Universidade Luterana doBrasil, Porto Alegre, Brasil, janeiro, 2003.
[2] MARTNEZ, J. Coding of Moving Pictures and Audio. International Organisation
for Standardisation, Pattaya, Thailand, March 2003.
[3] CHELLA, M. Sistema para classificao e recuperao de contedo multimdia
baseado no padro MPEG-7. In: I Workshop de Cincia da Computao e
Sistemas da Informao da Regio Sul - WORKCOMPSUL, Florianpolis SC,
2004.
[4] SALEMBIER, P.;SMITH, J. MPEG-7 Multimedia Description Schemes, Barcelona,
Spain,March 2001.
[5] MPEG. MPEG-7 Requirements Document V.13, ISO/IEC
JTC1/SC29/WG11/N3933, Jan. 2001.
[6] HUNTER, J. DDL Working Draft 4.0. International Organization for
Standardization. July, 2000.
[7] COKUS, M.; RENNER, S.; Winkowski, D. Binary XML Position Paper. The Need
for Standard Schema-based and Hybrid Compression. The MITRE Corporation,
USA, 2002.
[8] BARRETO, J. Indroduo as Redes Neurais Artificiais, Departamento de
Informtica e de Estatstica da Universidade Federal de Santa Catarina,
Florianpolis, Santacatarina, Brasil, 2002.
[9] MARTINELI, E. Extrao de Conhecimento de Redes Neurais Artificiais,Departamento de Cincias Matemticas e de Computao da USP, So Carlos,
Brasil.
[10]MINSKY, M.;PAPERT, S. A. Perceptrons: an introduction to computational
geometry. The MIT Press, Massachussets, 1969.
[11] CAMPOS, T.; FERIS, R.; CESAT JR, R. Reconhecimento Computacional de
Pessoas. XI Semana de Computao UNESP, So Paulo, SP, Brasil.
8/3/2019 Sistema de Reconhecimento de Face
74/85
74
[12] GOMES, D.; MOREIRA, M.; SILVA, R. Reconhecimento de ris. Departamento
de Cincias da Computao, Universidade Federal de Minas Gerais, Belo
Horizonte, Minas Gerais, Brasil.
[13] PHILLLIPS, P.; GTOTHER, P.; MICHEALS, R.; BLACKBURN, D.; TABASSI, B.;
BONE, M. Face REconition Vendor Test 2002: Evaluation Report,
Dahlgren,Virginia, USA, 2002.
[14] LI, S. Face recognition basead on nearest linear combinations. Scholl of EEE,
Nayang Tecnological University, Singapore.
[15] JAIN, A.; DUIN, R.; MAO, J. Statistic patten recognition : A review. IEEE
Transactions on Pattern Analysis and Machine Intelligence 22, 2000.
[16] NEFIAN, A. Satistical Approaches to FaceRecognition, Gergia Institute of
Technology Scholl of Electrical Engineering, Gegia,USA, 1996.
[17] JAIN, L.; HALICI, U,; HAYASHI, I.; LEE, S.; TSURSUI, S. Intelligent Biometric
Techniques in Fingerprint ans Face Recognition. The CRC Pres, 1999.
[18] RIZVI, S. ; PILLIPS, P. ; MOON, H. The FERET Verificarion Testing Protocol for
Face Recognition Algorithms, 1998.
[19]FERREIRA, A. Dicionrio Aurlio bsico da Lngua Portuguesa, 2002.
[20]FERREIRA, C. Identificao Biomtrica, 2002.
[21]MARIN, L.; BARRETO, J. Reconhecimento de Faces, Departamento de
Informtica e Estatstica, Universidade Federal de Santa Catarina, 2003.
[22]JAIN, A.;DUIN, R & MAO, J. Statistical pattem recognition : A review. IEEE
Transactions on Pattern Analysis and Machine Intelligence 22.1, 2000.
[23]GONZALEZ, R & WOODS, R. Digital Image Processing. Addison-WesleyPublising Company. Inc., 1992.
[24]CHOI, M; KIN, W. A novel two stage template matching method for rotation and
illumination invariance. Pattern Recognition Society. Published by Elsevier
Science LTD, 2000.
[25]CONNELL, S; JAIN, A. Template-based online character recognition. Pattern
Recognition Society. Published by Elsevier Science Ltd, 2001.
[26]BOLLE, R.; CONNELL, J.; RATHA, N. Biometric perils and patches. Elsevier
Science Ltd. Pattern Recognition Society, 2001.
8/3/2019 Sistema de Reconhecimento de Face
75/85
8/3/2019 Sistema de Reconhecimento de Face
76/85
APNDICE A Tabela de resultados
A seguir a tabela utilizada nos resultados dos testes. As colunas
numeradas possuem a pontuao das identificaes sugeridas pelo sistema aps a
anlise da imagem correspondente relacionada na primeira coluna. Na ltima coluna
est a colocao da identificao correta.
Nome 1 2 3 4 5 Colocao1 Pomplio Jnior 7983 4496 4062 4058 4013 12 Pomplio Jnior 6922 3738 3717 3687 3631 13 Pomplio Jnior 7574 4247 4082 4068 3847 14 Pomplio Jnior 7571 4550 4017 3901 3898 15 Pomplio Jnior 7779 4889 4325 4296 3931 16 Srgio Matos 6994 3816 3757 3599 3268 17 Srgio Matos 6361 3179 3084 2740 2720 18 Srgio Matos 5034 3788 3709 3670 3375 1
9 Delenda Coit Arajo 6278 4707 4559 4409 4300 110 Delenda Coit Arajo 4149 3973 3961 3927 3849 111 Delenda Coit Arajo 5315 3964 3628 3451 3369 112 Deisy Coit Matos 6201 3496 3279 3273 3260 113 Deisy Coit Matos 4424 3645 3554 3499 3123 114 Deisy Coit Matos 4605 3765 3736 3443 3377 115 Darci Amorim 4501 2897 2877 2871 2814 116 Darci Amorim 4375 3138 2963 2823 2784 117 Darci Amorim 3399 3138 3063 3048 2987 118 Anglica 3575 3450 3273 3245 3245 419 Anglica 5593 3787 3750 3715 3715 120 Anglica 4599 4120 3962 3927 3910 121 Leila Regina Arajo 6894 4622 4042 3726 3535 122 Leila Regina Arajo 6557 3942 3786 3704 3497 123 Leila Regina Arajo 7183 4592 4319 3998 3837 124 Roberto Azevedo 7138 3795 3630 3508 3444 125 Roberto Azevedo 6808 3939 2972 2952 2655 126 Roberto Azevedo 7959 4121 3665 3360 2984 127 Keila Alinine 4459 4040 4019 3976 3743 2
28 Keila Alinine 6289 4494 4267 4047 3899 129 Keila Alinine 5813 4175 4146 4073 4049 130 Ccero 4639 4409 3970 3953 3931 33
8/3/2019 Sistema de Reconhecimento de Face
77/85
77
31 Ccero 3839 3832 3641 3603 3931 4832 Ccero 4525 3860 3645 3422 3401 133 Elder 6367 4096 3987 3914 3884 134 Elder 6171 4675 4205 4131 4046 135 Elder 5251 4728 4549 4385 3890 136 Rodrigo 8103 5099 4828 4628 4589 137 Rodrigo 6716 4416 4164 3914 3793 138 Rodrigo 7255 4138 3950 3856 3738 139 Gerson Pereira 7093 4800 4241 4233 4075 140 Gerson Pereira 4608 4132 3839 3809 3746 141 Gerson Pereira 4972 4964 4330 4168 3889 142 Cssio 6695 3663 3649 3613 3509 143 Cssio 4467 4322 4062 4010 3982 1
44 Cssio 7316 4419 3776 3683 3683 145 Tiago Basto 6286 4453 4237 4203 4117 146 Tiago Basto 6254 4438 4331 3954 3719 147 Tiago Basto 4991 4653 3807 3749 3681 148 Artur Pomplio 4088 4074 4020 3894 3829 149 Artur Pomplio 7138 3956 3912 3871 3760 150 Artur Pomplio 6839 4113 3892 3720 3642 151 Cndida 5219 3123 3037 3028 2995 152 Cndida 3984 3872 3715 3601 3532 153 Cndida 3357 3287 2856 2849 2819 1
54 Juliana 3650 3610 3392 3304 3229 155 Juliana 5802 3544 3293 3204 3189 156 Juliana 4795 3934 3220 3185 3183 157 Alexandre Medrado 7975 3958 3945 3930 3890 158 Alexandre Medrado 6229 3700 3445 3422 3411 159 Alexandre Medrado 6541 4212 4157 4111 4096 160 Cristiane 5002 4566 3393 3389 3382 161 Cristiane 4382 4168 3626 3510 3392 162 Cristiane 3800 3777 3624 3542 3422 1
63 Luca