Programa de Pós-Graduação em Ciência da Computação (PPGCC - UFMG)
Daniel da Silva Diogo Lara daniels@dcc.ufmg.br
Trabalho Prático de Visão Computacional - 1/2008

Um sistema de reconhecimento de face é um sistema biométrico que identifica ou verifica seres humanos através de uma característica exclusiva, a face. Para isso podem ser usadas características como medições de perfil, frontal, forma, distâncias de formas, etc.

Sistemas para reconhecimento automático de faces têm tido grande atenção nos últimos anos. Um dos maiores desafios encontrados no processo de reconhecimento automático de faces é a ação da idade. Com o passar dos anos, as faces sofrem alterações que dificultam bastante para um sistema treinado no reconhecimento das mesmas. Muitos esforços estão sendo direcionados para quantização de sinais de idade em faces baseado em modelos de envelhecimento [2]. Entretanto o tema “evelhecimento de face” ainda não foi focado explicitamente em pesquisa de sistemas de Reconhecimento de Faces (FR)[1].

O reconhecimento de faces, a partir de imagens estáticas ou dinâmicas, vem emergindo, há décadas, como uma atividade de pesquisa com numerosas aplicações comerciais, industriais e de imposição de lei. Junyan Wang, Yan Shang, Guangda Su e Xinggang Lin [3] propõem um modelo de simulação de aumento de sinais de idade e em seguida usam PCA para reconhecimento de faces. Jian Yang, David Zhang, Alejandro F. Frangi e Jing-yu Yang [4] propõem um modelo para reconhecimento de imagens que apresenta melhores resultados que PCA - O 2DPCA.

Este trabalho propõe uma análise e comparação do impacto do processo de envelhecimento craniofacial na performance de um dos métodos mais usados para reconhecimento de faces - O PCA - e outro mais recente que tem se apresentado mais eficiente - O 2DPCA.

A metodologia consiste em implementar os dois métodos de reconhecimento automático de faces propostos em [5] e [4], obter uma base de dados com fotografias de faces das mesmas pessoas em diferentes idades, realizar alterações nas respectivas componentes de cada médodo e a partir daí gerar uma massa de dados para comparação dos resultados.

A partir dos dois métodos de reconhecimento de faces implementados e usando a base ORL e FGNET, foi organizado um conjunto de imagens mistas com faces jovens e velhas. No domínio dos componentes foi obtida a imagem média de todas essas faces e a partir daí os componentes obtidas foram alterados na tentativa de encontrar um ou mais que poderia afetar diretamente as características que mais identificam o aumento de idade. Para o PCA padrão foram usadas imagens de 65×75 pixels. Para o 2DPCA foi possível trabalhar com resoluções maiores, 200×300 pixels. A partir das variações de alguns componentes empiricamente, foram obtidas as senguintes imagens.

Base de faces usadas para média no 2DPCA.


Essas imagens foram bem representadas no domínio 2DPCA com 20 vetores principais e realizando a média de todas neste domínio foi obtida a seguinte imagem:

Variando o vetor principal 3 de + ou - 3 desvios padrões foram obtidas as seguintes imagens:


Levando em consideração as características crânio-faciais, é possível dizer que a imagem mais à esquerda acima apresenta características de uma face humana mais jovem que a imagem mais à direita.

Variando o vetor principal 6 de + ou - 3 desvios padrões foram obtidas as seguintes imagens:

Mais uma vez, levando em consideração as características crânio-faciais, é possível dizer que a imagem mais à esquerda acima apresenta características de uma face humana mais jovem que a imagem mais à direita.

É possível dizer que alguns componentes principais armazenam mais informacões referentes ao envelhecimento crânio-facial que outros. No caso do PCA foi possível identificar isso em maior escala no componente 4 para as imagens na resolução apresentada acima. No caso do 2DPCA essas informações estiveram mais presentes nos vetores principais 3 e 6. Entretanto tais componentes estão diretamente ligadas à etnia da face, à resolução da imagem e à eficiência do processo de geração da nova base para o domínio dos componentes principais.

Após esse esfoço no sentido de identificar possíveis componentes que representassem características de idade, resta a pergunta: Seria possível concluir algo parecido para sexo ou etinia? Tudo indica que sim, mas neste caso o ideal seria procurar isolar cada um separadamente, neste primeiro trabalho não procurou-se separar etinia ou sexo no processo de identificação da variação de idade nas imagens.

Apresentação :cursos:visao:2008-1:grupo15:Apresentacao_final.ppt Artigo :cursos:visao:2008-1:grupo15:artigo.pdf

[1] The Effect of Normal Adult Aging on Standard PCA Face Recognition Accuracy Rates, Karl Ricanek,Jr. , Edward Boone, Proceedings of International Joint Conference on Neural Networks, Montreal, Canada, July 31 - August 4, 2005.

[2] Modeling Age Progression in Young Faces. Narayanan Ramanathanand RamaChellappa, (accepted in CVPR 2006, New York) http://ieeexplore.ieee.org/iel5/10924/34373/01640784.pdf

[3] Age simulation for face recognition. Junyan Wang, Yan Shang, Guangda Su, Xinggang Lin. The 18th International Conference on Pattern Recognition (ICPR'06) http://ieeexplore.ieee.org/iel5/11159/35819/01699674.pdf?isnumber=35819&prod=CNF&arnumber=1699674&arSt=+913&ared=+916&arAuthor=+Junyan+Wang%3B++Yan+Shang%3B++Guangda+Su%3B++Xinggang+Lin

[4] Two-Dimensional PCA: A New Approach to Appearance-Based Face Representation and Recognition. Jian Yang, David Zhang, Senior Member, IEEE, Alejandro F. Frangi, and Jing-yu Yang. IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, VOL. 26, NO. 1, JANUARY 2004 131 http://ieeexplore.ieee.org/iel5/34/28182/01261097.pdf

[5] Eigenfaces for Recognition. M Turk and A. Pentland. J. Cognitive Neuroscience, vol. 3, no. 1, pp. 71-86, 1991. http://www.face-rec.org/algorithms/PCA/jcn.pdf