ANALISISDERECONOCIMIENTODE IMAGENES.MtododeViolayJones
GeovannyA.QuionezLambertUniversidadPolitcnicaSalesiana
Cuenca,Ecuador [email protected]
AbstractIn this paper try to analyze the Viola and Jones method,
this method is focused on providing a solution to the problem of
face recognition by feature extraction technique of Haar, we study
the process, What applied on the processed images. Therefore, the
approach focuses on obtaining an
algorithmfortherecognitionoridentificationofidentities
Keywordscomponent; Viola and Jones; face detection;
algorithm;identification.
encuentranyaseaenInternetotomadasdefuentesprivadas colecciones.
II.FUNCIONAMIENTODELMTODOVIOLA&JONES
El algoritmo de Viola and Jones utiliza algo llamado
Haarlikefeatures(caractersticastipoHaar,quesellaman as porque se
calculan de una forma parecida a una
transformadallamadatransformadaHaarowaveletde
Haar).Cadaunadeestascaractersticaeslomasparecido a
unoperadorgradientepensadopararesaltarunpatrn,ya
quelospatronessoncaractersticas como:contornos,lneas, cruces.
Enlugardetrabajar directamente conlosvaloresdelos
pxeles,yparaunamayor eficienciayrapidezdelmtodo, Viola y Jones
proponen utilizar un determinado tipo de caractersticas, las
caractersticas tipo Haar, que se calculan comoladiferenciadela
sumadelospxelesdedosoms zonas rectangulares adyacentes. ejemplos de
estas caractersticas propuestas por Viola y Jones de 2, 3 4
rectngulos, en los que los pxeles de la zona oscura (la
negativa)serestanalasumadelospxelesblancos[3] Nuestra imagen se
recorre de manera que se le aplican
variosclasificadoresenserie,siendounprocesocomplejode bsqueda de
similitud mediante una base de formulas y
nmeros,queusanlascaractersticasypatronesparaobtener
unaafirmacinonegacin,dndonoselindicioque
estamosanteelobjetobuscado.
Siobtenemosunasimilitudesnegadaenlabsqueda,el proceso
I.
INTRODUCCIN
Enlaactualidadexistenmuchosmtodosquesoncapaces
dedetectarrostrosfacialesdediferentestamaosenimgenes
comopuedeserunvdeoentiemporeal(filmacin),enuna imagenesttica
acoloroenescaladegrises,estosmtodos fueron mejorndose con el
tiempo, sin embargo la investigacin de este mtodo fue diseado y
aplicado inicialmente por Paul Viola y M. J. Jones y denominado
algoritmodeViola&Jonesdeestemarcogeneraldedeteccin
deobjetosserealizan2publicaciones[1,2].
Elpropsitodeesteproyectoesimplementaryrecrearlo
queelalgoritmodedeteccinderostrospresentadaporViola Jones. Este
algoritmo debe ser capaz de funcionar en un
cualquierentornoloquesignificaqueescapazdedetectatodas
lascarasvisiblesencualquierimagenconcebible.Llegandoa a esa la meta
ideal de cualquier algoritmo de deteccin de rostros es llevar a
cabo a la par como un ser humano la inspeccin de la misma imagen,
pero este proyecto se
restringensloparaquecoincidaconlascifraspublicadaspor ViolaJones. A
fin de garantizar un rendimiento ptimo del algoritmo desarrollado
la gran mayora de las imgenes
utilizadoparalacapacitacin,laevaluacinylaspruebasse
no contina pero si se confirma tras todos los filtros y
procesosejecutados tendremosunobjetodetectado A.
Recoleccindeunaescalainvariable. Convertir la imagen de entrada en
una integral imagen.Estoserealizahaciendoquecadapxeligualalasuma
total de todos los pxeles por encima ya la izquierda
delpxelencuestin.EstosedemuestraenlaFigura1.
generacindeejemplosnegativosesgarantizadoimgenesque
nocontienenrostros. F. Elentrenamientodeunescenarioencascada
Enestoesunaetapadondeserealizaenrealidadungran
entrenamientoclasificadorenelquesenecesitaAdaBoost. G.
Elentrenamientoencascada Cada etapa de cascada se form mediante un
conjunto positivo, negativo y un conjunto para un rendimiento
medicin un conjunto de evaluacin. Para cada etapa, el
conjuntopositivoyel conjuntodeevaluacinfuelamisma
(Unconjuntodedatos),mientrasqueelconjuntonegativofue
diseadoespecialmenteparaexactamenteelmismoescenario. H.
Eldetectorfinal. Relacionayanalizaatodoslosdatosyhacelacomparacin
parapoderhacerlaconclusin I. conclusin Durante el esta etapa cumpla
con la tarea de reducir el
umbralquesehaclasificado.Estoesrealizadoconelfinde
minimizarlacantidadtotaldefalsosnegativosyelprecioes
porconsiguienteunaumentodelatasadefalsospositivos.Esto es
totalmente aceptable siempre que la etapa se logr por
otraetapa.Sinembargo,losfalsospositivosnosondeseables
enelproductofinalyporlotantoelumbraldelafasefinalno debeserbaja.
III.OBTENCINDELOSCOMPONENTESPRINCIPALES.
B. ElAdaBoosteselalgoritmomodificado ViolaJones utilizar una
versin modificada del el algoritmo desarrollado por AdaBoost Freund
y Schapire en 1996[6].
AdaBoostesunalgoritmodeaprendizajedemquinacapaz
deimpulsarlaconstruccindeunclasificadorfuerteatravsde una
combinacin ponderada de clasificadores dbiles. (Un
clasificadordbilclasificacorrectamenteenslounpocoms
delamitaddeloscasos.) C. Elclasificadorencascada
Estepasohaceunadeteccinenlacualhaceunescaneode
imageneslacualesanalizadaalgunasvecesyatravsdela
mismaimagen,cadavezconunnuevotamao.Inclusosiuna
imagendebecontenerunaomsenfrentaesobvioqueuna
grancantidadexcesivadelaevalusubventanastodavasera negativos. Esta
realizacin da lugar a una formulacin diferente del problema: En
lugar de encontrar las caras, el
algoritmodebedescartarquenosoncaras. D.
Generacindeejemplospositivos
Conelfindeformarlasdiferentesetapasdelclasificadoren
cascadaelalgoritmoAdaBoostrequiereseralimentadoscon
ejemplospositivosesdecir,imgenesderostros. E.
Generacindeejemplosnegativos
Lageneracindeejemplosnegativosparaelentrenamiento
delasdiferentesetapasdelacascada,tambinsonnecesarios.
ejemplonegativoesbsicamenteunaimagenquenocontiene
unrostro.Estopuedepareceraprimeravistacriteriofcilde cumplir, pero
lo ideal es los ejemplos negativos que
representantodotipodetexturasfacialesnoqueeldetectorse puede
esperar que se encuentran. La materia prima para la
Elingresodelosdatosenunsistemadereconocimientode
imanessonanlisisdepatronesestadstico,expresadosenun
vectoresnumricoquecontienenvaloresprocesadosdemanera matemtica. El
anlisis de componentes principales o PCA(Principal Component
Analysis)seenfoca enrepresentar lasimgenes
comounacombinacinlinealenfocndoseaunreconocimiento deimgenesbsicas.
Unarepresentacindelarecoleccindepatrones.
Figura2:Esquemamodulardeunsistemade
reconocimientodepatrones.
IV.
PROCESODERECONOCIMIENTO
Elprocesodereconocimientoelobjetivodelmismoesun
sistemadereconocimientodepatroneseseletiquetardeforma automtica
patrones de los cuales desconocemos su procedencia.
Pararealizarelanlisissedebecomenzarencontrandouna
baseenelsubespacioutilizadounconjuntopredeterminadode imgenes para
poder relacionarlas con nuestros procesos de bsqueda, dicho
conjunto base es nuestra pilar para la comparacin.CONCLUSIN
V.
SOFTWAREDEDESARROLLO.
Paralafacilitarelanlisisysuaplicacintenemostanto lenguajes de
desarrollo como libreras que nos ayudan a realizar de forma
automtica la mayora de procesos y recoleccindedatos. A.
CdigoHistogramaRGB.for(inti=0;i
