Descargar - UTP

La simulación del algoritmo de detección de
rostros sobre Matlab tiene por objetivo el
conocer hasta el más mínimo detalle cada
procedimiento que involucra el entrenamiento
hasta la ejecución del algoritmo ya entrenado.
Se presenta un diagrama de flujo que explica
el funcionamiento del sistema que se implementará
para el sistema de detección de rostros,
ver figura 15.
El sistema consta de un sensor de imagen (cámara),
que está conectada a la FPGA, la FPGA
internamente tiene implementada un conjunto
de bloques que procesa la información (imagen)
entregada por el sensor de imagen, para
luego mostrar el resultado en una pantalla
LCD, además el sistema controlará actuadores
que activaran alarmas o el abrir y cerrar de
una puerta para el control de acceso.
Fig. 15. Diagrama de flujo del sistema de
detección de rostros.
Sensor de imagen:
- Resolución: 352x288 pixeles.
- Formato de imagen: YCrCb
- Interface paralela: 8bits.
SRAM:
- 512Kbyte
El sensor de imagen (cámara) captura la imagen
enviándola a la FPGA en formato YCrCb
(donde Y representa la luminancia, Cr y Cb son
los componentes de crominancia).
La componente Y representa la imagen en escala
de grises es por eso que solo se utiliza
esta componente, esto nos ahorra el proceso
de convertir una imagen de color a una en escala
de grises.
La FPGA toma los datos (pixeles) obtenidos del
sensor de imagen para luego guardarlos dentro
de la memoria SRAM, una vez guardada la imagen,
el sistema implementado dentro de la FPGA
lee los pixeles dentro de la SRAM para la detección
de un rostro y determinar su ubicación.
Se presenta en la figura 16 el diagrama de bloques
que se implementará en la FPGA.
CIENCIA, CULTURA Y TECNOLOGÍA - UNIVERSIDAD TECNOLÓGICA DEL PERÚ
Fig. 16. Diagrama de bloques en la FPGA.
7. RESULTADOS
La base de datos de 1332 imágenes para el entrenamiento
no fue suficiente y esto provoca
ineficiencia en la detección de rostros como se
observa en la Figura 14. , respecto al tiempo
de detección de rostros en Matlab, la detección
es muy lenta con un tiempo de 5 minutos
aproximadamente dependiendo del tamaño de
la imagen a examinar, este tiempo puede mejorarse
con la utilización de otros lenguajes como
por ejemplo C++ y técnicas de programación.
8. CONCLUSIONES
Se concluye que la eficiencia del Detector de
Rostro depende de la cantidad de datos en la
etapa de entrenamiento.
La combinación de la técnica de Adaboost y
el uso de los filtros Haar para la detección de
rostros y valores característicos disminuyen en
gran medida la cantidad de datos a procesar en
una imagen durante la ejecución del sistema.
9. RECOMENDACIONES
Tener muy en cuenta que el tiempo de entrenamiento
puede durar desde días a semanas,
esto dependiendo del número de imágenes
que se utiliza para el entrenamiento, se recomienda
el uso multi-hilos.
10. AGRADECIMIENTOS
Quiero agradecer a todas las personas que hicieron
posible la realización de este trabajo y
en forma particular al Centro de Investigación
y Desarrollo en Ingeniería (CIDI) de la Facultad
de Ingeniería Electrónica de la Universidad
Tecnológica del Perú por haber facilitado el
local para la realización experimental de este
trabajo y material de desarrollo.
También agradesco al grupo de trabajo del
proyecto FG-NET (Face and Gesture Recognition
Research Network) de la Universidad Técnica
de Munich (Alemania) por compartir su
base de datos de imágenes.
35