mensaje2
Viernes, 16 Septiembre 2022 00:00

SISTEMA DE RECONOCIMIENTO FACIAL CON MATLAB

Ing. Sergio Vladimir Ureña Merida - R.N.I. 14366

Es Ingeniero de Sistemas de la Universidad Técnica de Oruro con Maestría en Multimedia para Internet y Educación Superior.

RESUMEN

El reconocimiento facial es uno de los temas de investigación de procesamiento de imágenes. El sistema de reconocimiento facial, basado en componentes principales (ACP) y la red neuronal de avance. Los sistemas convencionales de reconocimiento facial se aplican en rostros con maquillaje donde se cubre un área menor, desarrollando un sistema que consta de dos fases que son la fase de preprocesamiento de ACP y la fase de clasificación de la red neuronal. Aplicar ACP para calcular el vector de proyección de características de un rostro, se utiliza para la identificación de caras por la red neuronal de alimentación directa.

Palabras clave: Análisis discriminante lineal (ADL), Análisis de componente independiente (ACI) y máquina de vector de soporte (MVS)

INTRODUCCIÓN

Quizás el ejemplo más conocido de un sistema de reconocimiento facial se deba a Kohonen, quien demostró que una red neuronal simple podría realizar el reconocimiento facial para imágenes faciales alineadas y normalizadas. El tipo de red que empleó calculó una descripción de la cara aproximando los vectores propios de la matriz de autocorrelación de la imagen de la cara; estos vectores propios ahora se conocen como "caras Èigen".

El sistema de Kohonen no fue un éxito práctico debido a la necesidad de una alineación y normalización precisas. En los años siguientes, muchos investigadores probaron esquemas de reconocimiento facial basados en bordes, distancias entre características y otros enfoques de redes neuronales. Si bien varios tuvieron éxito en pequeñas bases de datos de imágenes alineadas, ninguno tuvo éxito abordó el problema más realista de las grandes bases de datos donde se desconoce la ubicación y escala del rostro.

MATERIAL Y MÉTODOS

La metodología empleada en la presente investigación se basa en un método experimental, de esta manera los sistemas de reconocimiento facial son procedimientos de identificación en el que se verifica a una persona en función de los rasgos humanos. Esta investigación describe un algoritmo de detección de rostros rápido con resultados precisos. Lip Tracking es uno de los sistemas biométricos a partir del cual se puede desarrollar un sistema genuino. Dado que las características de emisión de un individuo son únicas y difíciles de imitar, el seguimiento de los labios tiene la ventaja de hacer que el sistema sea seguro. El uso del autor de la expresión visual pregrabada de los hablantes ha generado y almacenado en la base de datos para futuras verificaciones. Nisha Soni (2013) introdujeron que el reconocimiento facial (RF) es un tema desafiante debido a las variaciones en la pose, la iluminación y la expresión. Los resultados de la búsqueda para la mayoría de los métodos de RF existentes son satisfactorios, pero aún incluyen imágenes irrelevantes para la imagen de destino. Navneet Jindal et al (2013) dan una idea de f, La detección de ace a partir de una larga base de datos de imágenes de rostros con diferentes fondos no es una tarea fácil. En este trabajo, el autor demostró el sistema de detección de rostros de imágenes faciales coloreadas que no varía con el fondo y las condiciones de iluminación aceptables. Cunjian Chen et al (2013) analizaron que el maquillaje facial tiene la capacidad de alterar la apariencia de una persona. Tal alteración puede degradar la precisión de los sistemas automatizados de reconocimiento facial, así como la de los métodos que estiman la edad y la belleza de los rostros.

INGENIERIA DEL PROYECTO O TRABAJO

ALGORITMOS

ACP, también conocido como método Karhunen-Loeve, es uno de los métodos populares para la selección de características y la reducción de dimensiones. El reconocimiento de rostros humanos mediante ACP fue realizado por primera vez por Turk y Pentland y la reconstrucción de rostros humanos fue realizada por Kirby y Sirovich. El método de reconocimiento, conocido como método de cara propia, define un espacio de características que reduce la dimensionalidad del espacio de datos original. Este espacio de datos reducido se utiliza para el reconocimiento. Pero el escaso poder de discriminación dentro de la clase y el gran cálculo son los problemas comunes bien conocidos en el método ACP. Esta limitación se supera mediante el análisis discriminante lineal (ADL). ADL es el algoritmo más dominante para la selección de características en los métodos basados en apariencia En el método propuesto el filtro de Gabor se utiliza para filtrar las imágenes de la cara frontal y el ACP se utiliza para reducir la dimensión de los vectores de características filtradas y luego ADL se utiliza para la extracción de características.

RESULTADOS

MÁQUINA DE VECTOR DE SOPORTE (MVS)

Las máquinas de vectores de soporte (MVS) son una de las técnicas más útiles en problema. Un claro ejemplo es el reconocimiento facial. Sin embargo, MVS no se puede aplicar cuando faltan entradas en los vectores de características que definen las muestras. Un algoritmo de clasificación que se ha utilizado con éxito en este marco es el conocido vector de soporte Máquinas (MVS), que se pueden aplicar al espacio de apariencia original o un subespacio del mismo obtenido después de aplicar un método de extracción de características. La ventaja del clasificador MVS sobre la red neuronal tradicional es que las MVS pueden lograr un mejor rendimiento de generalización. 

Tutor Educativo Usando Máquina de Soporte Vectorial | Semantic Scholar

Fondo y cálculo de movimiento

DISCUSION

ANALISIS DEL COMPONENTE INDEPENDIENTE (ACI)

El análisis de componentes independientes (ACI) es un método para encontrar factores o componentes subyacentes a partir de datos estadísticos multivariados (multidimensionales). Es necesario implementar un sistema de reconocimiento facial que utilice ACI para imágenes faciales que tengan orientaciones faciales y diferentes condiciones de iluminación, lo que dará mejores resultados en comparación con los sistemas existentes. Lo que distingue a ACI de otros métodos es que busca componentes que sean estadísticamente independientes y no gaussianos. El ACI es similar al problema de separación de fuente ciega que se reduce a encontrar una representación lineal en la que los componentes sean estadísticamente independientes.

ANÁLISIS (ADL)

El análisis discriminante lineal (ADL) es un método muy importante para el reconocimiento facial. Produce una representación eficaz que transforma linealmente el espacio de datos original en un espacio de características de baja dimensión donde los datos están bien separados. Sin embargo, la matriz de dispersión dentro de la clase (SW) se vuelve singular en el reconocimiento facial y la ADL clásica no se puede resolver, que es el problema de muestra insuficiente de ADL (también conocido como problema de tamaño de muestra pequeño). 

CONCLUSIÓN 

Este tema e investigación ha intentado revisar un número significativo de artículos para cubrir el desarrollo reciente en el campo del reconocimiento facial. El presente estudio revela que, para mejorar el reconocimiento facial, el nuevo algoritmo debe evolucionar utilizando métodos híbridos de herramientas informáticas blandas como ANN, MVS, SOM que pueden producir un mejor rendimiento. Se incluye la lista de referencias para proporcionar una comprensión más detallada de los enfoques descritos. Pedimos disculpas a los investigadores cuyas importantes contribuciones pueden haberse pasado por alto.

Marcadores de valor RGB y de movimiento

CODIGO FUENTE:

Funciones creadas para la implementación del prototipo de reconocedor facial

  • function deteccion_movimiento
  • function deteccion_imagen(obj)
  • function trama_llamada(vid, event)
  • function actulaiza_fecha(vid, frame, background)
  • function actauliza_local(vid, frame, background)
  • function salida=ratio_check(s1,s2);
  • function archivo_tecto(etiqueta_carpeta)
  • function cargar_base();
  • function reconocimiento_facial(I, Rectangle)
  • function envia_correo(image);
  • function salida_base;

Gráfico de Distancia

REFERENCIAS BIBLIOGRÁFICAS

Runer, IS y Tagiuri, R., 1954, La percepción de personas. En Handbook of Social Psychology, Ed., Addison-Wesley, Reading, MA, 634–654. 

Bledsoe, WW,1964, El método modelo en tratamientos faciales reconocimiento. Tech. reps. PRI: 15, Panoramic Research Inc., Palo Alto, CA. 

Ekman, P. Ed., Charles Darwin's,1988, The Expresión de las emociones en el hombre y los animales, tercera edición, con introducción, epílogo y comentarios de Paul Ekman.

Navneet Jindal y Vikas Kumar, 2013, "Algoritmo de reconocimiento facial usando ACP con redes neuronales artificiales” en International Journal de Avanzado Investigación en Ciencias de la Computación e Ingeniería de Software.

Chellapa, R., Wilson, CL y Sirohey, S.,1995, Reconocimiento humano y mecánico de rostros: una encuesta. Proc. IEEE, 83, 705–740.

Subir
Utilizamos Cookies para mejorar nuestro sitio web . Al continuar utilizando este sitio web, usted da su consentimiento a las cookies que se utiliza. More details…