RedFace: um sistema de reconhecimento facial baseado em técnicas de análise de componentes principais e autofaces

Abstract

Resumo: Desenvolver um modelo computacional de reconhecimento facial não é uma tarefa trivial, eis que as faces e os estímulos visuais multidimensionais possuem características de modelagem complexa. A grande dificuldade está na modelagem de uma face que abstraia as características que as diferenciem de outras faces, já que essas apresentam poucas diferenças substanciais entre si. Embora diferentes, todas as faces possuem características como, por exemplo, uma boca, dois olhos e um nariz. No presente trabalho é proposto um sistema de reconhecimento facial desenvolvido em duas fases. Inicialmente foram utilizadas as técnicas de análise de componentes principais (PCA) e Eigenfaces (autofaces) para a extração de características da face. Na segunda fase foram aplicados os classificadores K-Nearest Neighbors (K-NN), Random Forest (Floresta Aleatória) e K-Star (K-estrela) no processo de reconhecimento da face. A validação dos algoritmos foi realizada numa base de dados contendo 1280 imagens de 64 classes distintas. Finalmente, ficou constatado que o desempenho dos algoritmos testados para sistemas de reconhecimentos de face baseado em PCA foram satisfatórios, atingindo as melhores taxas de reconhecimento, acima de 90% em todos os classificadores. Ao descobrir a melhor técnica, este será aplicado na identicação de alunos que acessam um ambiente virtual de aprendizagem. Palavras-chave:

Um estudo empírico de um sistema de reconhecimento facial utilizando o classificador KNN

“…O sistema de reconhecimento facial proposto por Diniz et al [3] é baseado na técnica de Eigenfaces e no classificador K-NN. A arquitetura do sistema de reconhecimento facial consiste-se basicamente nas seguintes etapas: a) aquisição das imagens, b) pré-processamento, c) extração de características, d) classificação, e) verificação.…”

“…O K-NN é um dos algoritmos de classificação mais utilizados na área de aprendizagem de máquina [3]. É baseado na procura dos k vizinhos mais próximos do padrão de teste.…”

“…A busca pela vizinhança é feita utilizando uma medida de distância nessa procura. Nos experimentos desenvolvidos neste trabalho, além da medida euclidiana, foram utilizadas as distâncias Manhattan e euclidiana normalizada [3]. A implementação do algoritmo K-NN foi realizada com peso pela distância, e não pela frequência.…”

“…Dessa maneira, o padrão é classificado de acordo com a soma dos pesos dos k vizinhos -o peso é o inverso das distâncias. O k escolhido será aquele que proporcionar menor quantidade de erros na classificação das imagens [3].…”

“…No presente trabalho é apresentado um estudo empírico de otimização dos resultados da variável dependente taxa de acurácia de um sistema de reconhecimento facial [3] baseado nas técnicas de Eigenfaces [4] e K-Nearest Neighbors (K-NN) [5]. Foram analisadas as seguintes variáveis independentes das técnicas abordadas: a) três dimensões das imagens; b) número de características faciais (Eigenfaces); c) o valor de k da técnica K-NN; d) o uso de três medidas de distâncias (euclidiana, Manhattan e euclidiana normalizada).…”