III WVC 2007 - Iris.sel.eesc.sc.usp.br - USP

WVC'2007 - III Workshop de Visão Computacional, 22 a 24 de Outubro de 2007, São José do Rio Preto, SP.Reconhecimento de Faces Utilizando Redes Neurais Artificiais com Fusão deCaracterísticas Faciais por Método de VotaçãoRicardo A. S. Fernandes 1 , Adilson Gonzaga 2 ,Escola de Engenharia de São Carlos – EESC. Universidade de São Paulo – USP{ricardo.asf 1 }@gmail.com, {adilson 2 }@sel.eesc.usp.brResumoEste artigo consiste em um método parareconhecimento de faces baseado em Redes NeuraisArtificiais que classificam três características faciais eutiliza suas saídas como entradas para a fusão que érealizada pelo método de votação, este apresenta comosaída o individuo reconhecido pelo sistema. Devido aosprincípios básicos de redes neurais, o conjunto dedados foi dividido em conjunto de treinamento evalidação, como estes conjuntos apresentaram altadimensionalidade, a técnica de PCA foi aplicada. Istopossibilitou um menor esforço computacional tanto naetapa de treinamento quanto na validação e tambémmelhores resultados puderam ser obtidos devido àextração dos principais componentes.1. IntroduçãoCom a sociedade necessitando cada vez mais desegurança, a busca pela criação de sistemas inteligentescapazes de identificar indivíduos de forma cada vezmais precisa em tarefas de difícil classificação paraseres humanos faz com que uma enorme variedade demetodologias para identificação biométrica [1, 2, 3, 4]seja pesquisada tais como: íris, face, impressão digitaldentre outras. Este tipo de atividade requer muitoesforço computacional, mas com o crescente avanço datecnologia estas tarefas passam a ser viáveis e assimcolocadas em prática.Atualmente, pesquisadores procuram criar métodosde reconhecimento multi-modais utilizando a junção devárias características biométricas, por isto se faznecessário o aprimoramento no reconhecimento isoladode cada biometria, pois, o intuito é a criação de sistemascom a melhor taxa de acertos possível.Neste contexto, em [5] é proposto umreconhecimento de faces sobre três característicasfaciais aplicando-se PCA junto com um discriminantelinear de Fisher para identificar cada característica faciale a seguir aplicar um método de fusão probabilística quefornece como resultado a pessoa reconhecida. Avalidação do sistema acima citado utiliza as bases dedados de faces AR e FERET para mostrar que oreconhecimento de faces pelo método de fusão fornecemelhor resposta quando comparado à classificação decada característica individual.Neste artigo propôs-se a utilização de redes neuraisartificiais nos processos de classificação dascaracterísticas individuais e para fusão um método devotação. As características faciais consideradas foram:imagem da face em tons de cinza, imagens comaplicação de filtros Butterworth (Passa-Baixa, Passa-Alta, Passa-Faixa), imagem com aplicação do filtro deCanny e uma imagem com aplicação dos filtrosDerivativo e Gaussiano que é conhecida como Edginess.Cada característica facial utiliza sua própria redeneural para reconhecimento individual. As taxas deacerto para cada característica foram analisadas e apenasas três que contribuíam mais para o método de fusãoforam utilizadas. Desta forma as características restantesforam eliminadas e a classificação das trêscaracterísticas faciais feita novamente pelas redesneurais onde suas saídas foram dadas como entradaspara o método de fusão que fornece em sua saída oresultado do reconhecimento, isto é, o indivíduoreconhecido. Para validação do sistema a base de dadosde faces AR foi utilizada. A partir dos resultadosobtidos, as devidas conclusões foram tomadas de acordocom a viabilidade de se utilizar classificação decaracterísticas faciais por redes neurais e com relação àcontribuição do método de fusão para melhoria dosistema.2. Análise dos Componentes PrincipaisA análise dos componentes principais (PCA) é ummeio de se identificar padrões em um conjunto de dadose expressar suas similaridades e diferenças. Também éum método bastante eficaz para quando há anecessidade da caracterização de padrões a partir dedados com alta dimensionalidade. Neste caso, comocada imagem possui dimensões de 128x96 pixels, todo oconjunto de dados irá resultar numa matriz comdimensões altíssimas. Assim PCA foi o métodoescolhido como apropriado para que as dimensões doconjunto de dados fossem reduzidas para que nãosobrecarregasse o processamento das redes neurais.Entretanto, antes de se aplicar PCA foi necessário umpré-processamento em cada imagem onde suas colunas296