Reconocimiento Facial a Través De La Optimización De La Técnica Eigenfaces.

Avatar Street Meeting, Reconocimiento facial a través de la optimización de la técnica Eigenfaces.
Guillermo León Rodas Zuluaga#1, Cristhian Andrés Garzón Garcia#2, Carlos Andrés Vivares Mira#3
Universidad Nacional de Colombia Sede Medellín
1glrodasz@unal.edu.co
2cragarzonga@unal.edu.co
3cavivaresm@unal.edu.co

Abstract— Se hicieron pruebas con las técnica más comunes del reconocimientofacial en biometría, las técnicas candidatas fueron: Eigenfaces, Fisherfaces, Hidden Markov Model. Debido a las pruebas se optó por usar el método Eigenfaces, y se hizo un análisis para determinar las posibles mejoras en el proceso de entrada de datos en favor de que el Eigenfaces trabajara mejor.

Keywords— Biometría, Eigenfaces, Fisherfaces, HMMs, Reconocimiento, Avatar, Optimización.Introducción
Avatar Street Meeting, llamado también de nombre cortó Avatar, es un software que pretende implementar los avances del reconocimiento facial pertenecientes al área de visión artificial.
El proceso inicial de manera resumido es simple: Se pretende que una persona con Avatar instalado en su dispositivo móvil pueda, “escanear a alguien” sea por vídeo en tiempo real o por una foto tomadasegundos antes, y este muestre información aumentada de la persona.
Para ello se debe implementar una técnica biométrica de reconocimiento facial adecuada. En este caso se optó por trabajar con la técnica Eigenfaces, ya que es trivial su implementación en lenguajes destinados a los dispositivos móviles. A partir de esta se hicieron trabajos experimentales para la optimización de la misma.
Estado delarte
1) Hidden Markov Models: En la revisión de la literatura, encontramos que varios trabajos en la identificación de rostros usaban el Modelo Oculto de Màrkov (Hidden Markov Models – HMMs), y se muestra como esos modelos estocásticos pueden ser usados para codificar información característica. Un HMM proporciona un modelo estadístico para un conjunto de secuencias de observación.
Para utilizarlos HMM en el contexto de la identificación del rostro, una secuencia de observación se extrae de una cara utilizando la técnica de muestreo que se ilustra (e.g. Fig. 1).

Fig. 1 Técnica de muestreo implementada en el método HMMs.
En la cual un vector unidimensional se genera, y cada observación Oi contiene los valores de los pixeles organizados en un vector columna. L es el tamaño de laventana de muestreo y M es la cantidad de superposición entre cada estado N. (e.g. [1]).

2) Fisherfaces: Una manera de representar los datos entrantes es encontrando un subespacio que represente la mayor parte de la variabilidad de los datos. Éste puede ser obtenido con el uso de Análisis de Componentes Principales (PCA por sus siglas en inglés). Cuando se aplica a imágenes de rostros, PCA obtieneun conjunto de Eigenfaces. Estos Eigenfaces son vectores propios asociados a los valores propios más grandes de la matriz de covarianza de los datos de entrenamiento (training data). Los vectores propios que se encuentran corresponden por lo tanto a una solución de mínimos cuadrados. Esto es, de hecho, una poderosa forma para representar los datos ya que permite que la variación de los datos semantenga mientras se elimina correlaciones innecesarias existentes entre las características originales (dimensiones) en los vectores de la muestra.
Cuando el objetivo es la clasificación en vez de la representación, la solución de mínimos cuadrados puede no arrojar los resultados más deseados. En estos casos, se desea encontrar un subespacio que muestre el mapeado de los vectores de muestra de lamisma clase, en un solo punto para la representación de las características, y aquellas de diferencia clases tan lejos entre sí como sea posible. Las técnicas derivadas de lograr este objetivo son conocidas como Análisis discriminante (DA). (e.g. Fig. 2).
El DA más conocido es el Análisis Discriminante Lineal (LDA), el cual puede haber surgido por una idea de R.A Fisher en 1936. Cuando el LDA es...