sistema de reconhecimento de face

8/3/2019 Sistema de Reconhecimento de Face

1/85

UNIVERSIDADE SALVADOR UNIFACSPROGRAMA DE PS-GRADUAO EM REDES DE

COMPUTADORESMESTRADO PROFISSIONALIZANTE EM REDES DE COMPUTADORES

POMPLIO JOS SILVA ARAJO JNIOR

UM SISTEMA DE DESCRIO DE CONTEXTO COMAGENTES DE RECONHECIMENTO DE FACE

Salvador2005


2/85

POMPLIO JOS SILVA ARAJO JNIOR

UM SISTEMA DE DESCRIO DE CONTEXTO COMAGENTES DE RECONHECIMENTO DE FACE

Dissertao apresentada Universidade Salvador,como parte das exigncias do Curso de MestradoProfissional em Redes de Computadores, rea deconcentrao em Redes de Computadores, paraobteno do ttulo de Mestre.

Orientador: Prof. Dr. Celso Alberto Saibel Santos

Salvador2005


3/85

O esforo dirigido a um objetivo temsempre por prmio, com a consecuodaquilo a que se aspira, a satisfao que o

triunfo proporciona.

Atkinson , Thomas


4/85

AGRADECIMENTOS

Gostaria de agradecer a minha famlia, DELENDA, minha esposa e o

pequeno ARTUR, pelo o apoio e incentivo durante todo tempo de estudo. Agradeo

a meus pais, POMPILIO e DARCI, que propiciaram uma belssima educao voltada

para o desenvolvimento profissional e pessoal.

Agradeo, imensamente, aos meus colegas e amigos de profisso

GUSTAVO, ANDREI e ALEXANDRE pelo apoio e pacincia em destinar seu

precioso tempo para ouvir e discutir questes relevantes realizao deste projeto.

Agradeo a todos que colaboraram com suas imagens, sem as quais no

seria possvel a realizao dos testes de reconhecimento de faces.

Agradecimentos especiais ao meu professor orientador, pelos

conhecimentos compartilhados e pela compreenso e pacincia.


5/85

RESUMO

Arajo Jr., P. Um Sistema de Descrio de Contexto com Agentes deReconhecimento de Face. 2005. Dissertao (Grau de Mestre em Cincias),Universidade Salvador, Salvador-Bahia.

Grande quantidade de informaes udio-visuais est sendo digitalizada emarquivos digitais, na Web, em computadores pessoais e de empresas que s tende aaumentar com o decorrer do tempo. Na maioria das vezes, essas informaesperdem o valor devido dificuldade de serem acessadas, filtradas e organizadas.Em poucos anos o usurio ir se deparar com um enorme nmero de vdeosprovenientes de muitas fontes que tornar invivel a seleo dos dados sem umaforma mais inteligente de procura. A padronizao MPEG-7 possibilita que as mdiassejam descritas e armazenadas de forma organizada, objetivando futuras consultas.Os estudos esto direcionados para melhorar as formas de converter as imagens esons em descries no formato da norma. Partido desse princpio, este trabalhoapresenta um modelo de sistema de descrio de contexto que flexibiliza odesenvolvimento de agentes especializados, permitindo a diviso da tarefa dedescrio das mdias e possibilitando a especializao do sistema dentro da rea deinteresse. Um grupo de agentes foi desenvolvido para descrio e reconhecimentode faces humanas, utilizando a fuso de algumas tcnicas de reconhecimento de

padres j conhecidas.

Palavras-chave: Reconhecimento de faces, descrio automtica de contedo,MPEG-7, Agentes.


6/85

ABSTRACT

Arajo Jr., P. A context description system with face recognition agents. 2005.Thesis (Degree of Master of Science), Universidade Salvador, Salvador-Bahia.

A great amount of audio-visual information is being digitalized into digital files, on theWeb, in personal and enterprise computers tend to increase with time. Sometimes,this information loses its value because of the difficulty to being accessed, filteredand organized. In a few years the user will face an enormous number of videoscoming from several sources and that will make impracticable the data selection task,unless there is a more intelligent search engine. The MPEG-7 standardizationmakes possible media being described and stored in an organized manner, aimingfuture search queries. Present studies on this field are being directed to improve theway images and sounds are converted into norms description. Starting from thisprinciple, this paper presents a context description system model that makes flexiblethe development of specialized agents, enabling the division of the task of mediadescription and making possible systems specialization inside the field of interest. Agroup of agents was developed for description and recognition of human faces, usinga fusion of some well-known standard recognition techniques.

Keywords: Face recognition, automatic content description, MPEG-7, Agents.


7/85

LISTA DE FIGURAS

Figura 1 - Taxa de Verificao ..................................................................................14

Figura 2 - Resultado da verificao por ambientes ...................................................15

Figura 3 - Taxa de identificao ................................................................................16

Figura 4 - Taxa de deteco e identificao para falsa deteco de 1% ..................16

Figura 5 - Relacionamento dos objetos MPEG-7 ......................................................26

Figura 6 - Neurnio ...................................................................................................28

Figura 7 - Neurnio Artificial......................................................................................30

Figura 8 - Rede neural com 4 camadas ....................................................................31

Figura 9 - Sistema de Descrio de Contexto...........................................................37

Figura 10 - Diagrama de classes relacionais do MPP...............................................40

Figura 11 - Interface do MPP ....................................................................................42

Figura 12 - Inteface do Agente de Identificao de Cor ............................................45

Figura 13 - Descrio da cor na regio delimitada....................................................46

Figura 14 - Enquadramento do rosto.........................................................................48

Figura 15 - Regio dos olhos ....................................................................................49

Figura 16 - Visualizao das regies de borda .........................................................49

Figura 17 - Mscara de procura ................................................................................50

Figura 18 - Dimenses da mscara de procura ........................................................50

Figura 19 - Diagrama de classes relacionais do Agente de Localizao de Faces...52

Figura 20 - Visualizao do resultado da procura .....................................................53

Figura 21 - Diagrama de classes relacionais do Agente de reconhecimento de face56

Figura 22 - Grfico de variao do peso ...................................................................57

Figura 23 - Rede neural ............................................................................................58Figura 24 - Interface do Agente de Reconhecimento de Face..................................59

Figura 25 - Localizao correta dos olhos.................................................................62

Figura 26 - Outra regio confundida com os olhos....................................................63

Figura 27 - Olhos identificados sem preciso............................................................63

Figura 28 - Grfico do resultado do teste de verificao...........................................65

Figura 29 - Grfico do resultado do Teste de Identificao.......................................66

Figura 30 - Grfico do resultado do Teste de Procura em Lista................................67

Figura 31 - Comparao com o FRVT2000 ..............................................................68


8/85

SUMRIO

1 INTRODUO .........................................................................................................9

1.1 TRABALHOS RELACIONADOS .........................................................................10

1.2 ESCOPO DO TRABALHO ..................................................................................11

1.3 OBJETIVOS ........................................................................................................11

1.4 MOTIVAO.......................................................................................................12

2 DESCRIO DE CONTEXTO E RECONHECIMENTO DE FACE........................19

2.1 AGENTES ...........................................................................................................19

2.2 DESCRIO DE CONTEXTO ............................................................................21

2.3 REDES NEURAIS ARTIFICIAIS .........................................................................27

2.4 IDENTIFICAO BIOMTRICA E RECONHECIMENTO DE FACE ..................32

3 SISTEMA DE DESCRIO DE CONTEXTO ........................................................36

3.1 AGENTES DESCRITORES ................................................................................43

3.2 COLOR IDENTIFY AGENT.................................................................................44

3.3 AGENTES DE RECONHECIMENTO DE FACES...............................................463.3.1 Agente de localizao de face..........................................................................473.3.2 Agente de Reconhecimento de Face ...............................................................53

4 AVALIAO DO SISTEMA...................................................................................61

4.1 AVALIAO DO AGENTE LOCALIZAO DE FACE .......................................61

4.2 AVALIAO DO AGENTE LOCALIZAO DE FACE .......................................64

4.3 INCLUSO DO AGENTE DE IDENTIFICAO DE COR NORECONHECIMENTO DA FACE ...............................................................................68

5 CONCLUSES ......................................................................................................70

REFERNCIAS..................................................................................................73


9/85

CCaappttuulloo 11

1 INTRODUOO crescimento rpido e a disseminao das aplicaes multimdia, aliados

s novas tecnologias oriundas do processo de convergncia, tornam crescente a

necessidade de criar novas formas de compactao e armazenamento das

informaes multimdia. Alm disso, a evoluo computacional dos dispositivos e

redes computacionais j permite que o usurio possa acessar as informaes de

qualquer lugar e de varias formas. possvel definir infinitas situaes de possveis

interaes do usurio com a aplicao. Isto significa que as formas clssicas de

programao onde cada situao previamente definida, j no atendem

completamente as exigncias do mercado.

Dentro deste cenrio, as questes que este trabalho tenta responder so:

Como implementar um sistema que permita o desenvolvimento de

aplicaes de extrao de informaes de contexto da mdia e ao

mesmo tempo flexibilizar a adio de novos algoritmos de aquisio?


10/85

10

Com o sistema apresentado possvel criar agentes de localizao e

reconhecimento de faces que tenham resultados satisfatrios?

No decorrer do texto, sero mostradas as implementaes de alguns

agentes descritores, dentre os quais esto agentes que juntos permitiro o

reconhecimento do rosto humano a partir de caractersticas extradas da imagem

que o representa. O esquema de reconhecimento est baseado numa fuso de

mtodos estatsticos e de redes neurais utilizado para identificao das faces.

1.1 TRABALHOS RELACIONADOS

Entre os textos utilizados para produo desse trabalho destacam-se o de

Luciene Marin e Jorge Barreto [21] do departamento de Informtica e Estatstica da

Universidade Federal de Santa Catarina e o de Renato Correia Vieira e Mauro

Roisenberg [28] do Laboratrio de Conexionismo e Cincias Cognitiva da

Universidade Federal de Santa Catarina. O primeiro faz uma abordagem terica dos

principais mtodos de reconhecimento de padres, mostrando os principais mtodos

e abordagens usadas, porm no est direcionado a nenhuma implementao. O

segundo discute alguns conceitos de redes neurais e faz uma anlise sobre

aspectos prticos de implementao.

Outros textos tambm deram grande ajuda no desenvolvimento do

trabalho, como exemplo pode ser apresentado o artigo RECONHECIMENTO DE

RIS de Daniel Gomes, Matheus Moreira e Reinaldo Silva [12], que apresenta

detalhes matemticos para o reconhecimento de padres. No poderia deixar de ser

citado outro trabalho de Jorge Barreto sobre Redes Neurais e Artificiais que da um

embasamento terico e prtico sobre as redes neurais.


11/85

11

1.2 ESCOPO DO TRABALHO

A quantidade de aplicaes que podem utilizar o resultado prtico da

norma MPEG-7 muito grande, uma vez que fcil se imaginar a quantidade de

dados multimdias j armazenados e sem nenhuma indexao. Atravs da

abordagem proposta, diferentes agentes podem ser desenvolvidos para a descrio

do contedo de vdeos sem ou com a interao humana. Isto permite definir uma

arquitetura extensvel baseada em agentes e voltada descrio de caractersticas

dos vdeos.

No projeto e implementao dos agentes de reconhecimento de faces,

foram realizados vrios experimentos com objetivo de viabilizar a escolha correta

das caractersticas das faces a serem procuradas. Os mtodos foram aprimorados

na medida em que os resultados satisfatrios foram sendo obtidos.

Nas implementaes foram utilizados os princpios de Engenharia de

Software, fazendo uma estruturao adequada para viabilizar estudos posteriores na

rea. Uma maior nfase foi dada capacidade de composio do sistema com

componentes elementares e agrupando-os a fim de compor mdulos maiores

(bottom-up) [1].

1.3 OBJETIVOS

O objetivo principal da dissertao apresentar e implementar um modelo

de sistema de aquisio de informaes sobre um contedo multimdia, tendo uma

arquitetura desenvolvida para permitir flexibilidade no desenvolvimento de agentes

especializados em algum tipo de descrio.


12/85

12

Como objetivo secundrio, o trabalho apresenta uma implementao da

arquitetura proposta com a utilizao de dois agentes especializados na localizao

e reconhecimento da face humana. O primeiro agente procura as coordenadas dos

olhos humano na imagem como ponto de partida para o detalhamento das

caractersticas do rosto. Esses dados so passados para o segundo agente que

identifica o rosto a partir de dados armazenados anteriormente. Um terceiro agente

extrai caracterstica de cor da pele e dos olhos para auxiliar na identificao da face.

1.4 MOTIVAO

Os mtodos de identificao biomtrica sempre foram muito importantes

dentro da sociedade, as pessoas precisam carregar consigo documento que as

identifique. O primeiro mtodo que teve sucesso foi a leitura das impresses digitais.

Atualmente, mtodos mais sofisticados esto surgindo para garantir o mnimo de

erro no processo de identificao. Um sistema biomtrico um sistema de

reconhecimento de padres que estabelece a autenticidade de uma caracterstica

fisiolgica ou comportamental possuda por uma pessoa [11].

Sistemas de reconhecimento utilizam a premissa de que no existem

pessoas completamente idnticas. Um mtodo muito eficaz o mapeamento das ris

dos olhos humanos, porm aspectos prticos restringem sua utilizao, um deles a

necessidade de ter uma imagem de boa definio e feita a menos de um metro do

olho [12].

O sistema de reconhecimento de face o de maior pesquisa atualmente

devido a sua simplicidade e quantidade de aplicaes. Segundo Marin e Barreto [21]


13/85

13

um sistema de reconhecimento de face um sistema biomtrico que identifica ou

verifica seres humanos atravs de uma caracterstica exclusivamente da face.

Existem dois problemas bsicos de um sistema de reconhecimento de

face: a identificao e a verificao. Na identificao, dada uma pessoa a ser

investigada e uma galeria de faces, a tarefa identificar a classe correta da face

investigada. Na verificao, dado um conjunto de faces e uma face declarada com

sendo de uma classe, deseja se verificar a autenticidade da declarao.

Os mais importantes estudos sobre reconhecimento de face do mundo

esto presentes no Face Recognition Vendor Test (FRVT), um evento que acontece

periodicamente patrocinado pelo governo norte americano atravs do departamento

de defesa e combate as drogas dos Estados Unidos. O ltimo FRVT aconteceu em

2002 e o prximo ser em outubro de 2005. O objetivo do FRVT reunir os maiores

fabricantes de software para realizar testes de performances em sistemas de

reconhecimento de face. Em 2002, dez participantes foram ao encontro. Os sistemas

so testados utilizando um banco de dados com 121.589 imagens de 37.437

pessoas diferentes [13]. Os testes foram feitos em trs etapas:

i. Verificao: Eu sou quem digo ser?

ii. Identificao: Quem eu sou?

iii. Procura em lista: Voc pode procurar por mim?

O resultado para o teste de verificao com a taxa de falso alarme de0,1% foi cerca de 80% de acerto em mdia para os trs melhores softwares.


14/85

14

Considerando 1% e 10% de falso alarme o resultado foi de 90% e 96%

respectivamente de acerto em mdia (figura 1).

Figura 1 - Taxa de Verificao

Foi considerado em um banco de dados com 37.437 indivduos,

considerando que as imagens de um mesmo indivduo foram tiradas no mesmo dia.

Testes tambm foram realizados para verificar a robustez dos sistemas

com outras variantes como:

i. Ambiente fechado considerando o mesmo dia

ii. Ambiente fechado considerando o mesmo dia com iluminao diferente

iii. Ambientes fechado considerando dias diferentes com mesma

iluminao

iv. Ambientes fechado considerando dias diferentes com iluminao

diferente


15/85

15

v. Ambientes abertos considerando o mesmo dia

Nesse caso, os resultados forma o mostrado da figura a seguir.

Figura 2 - Resultado da verificao por ambientes

O teste de identificao do FVRT 2002 tambm considera uma base de

dados de 37.437 de indivduos. A identificao considera que uma imagem sem

identificao apresentada ao sistema que responde com a identificao correta.

Testes adicionais foram feitos considerando a respostas do sistema com mais de

uma possibilidade de identificao, ou seja, para a imagem de uma pessoa o

sistema apresenta n possibilidade para sua identificao. Ser considerada aceita se

a identificao correta estiver entre as n possibilidades. Os testes foram realizados

para n = 1,10 e 50.


16/85

16

Figura 3 - Taxa de identificao

Alm da verificao e identificao j comentadas anteriormente, a

procura em lista a identificao utilizando um tamanho de listas de imagens

diferentes, ou seja, o sistema ir identificar uma pessoa em listas de diferentes

tamanhos. Neste caso, o sistema deve dizer se o indivduo est na lista e identific-

lo, ou informar que aquela pessoa no pertence lista. Caso uma pessoa seja

identificada incorretamente acontece um falso alarme. O Tamanho da lista variou de

25 a 3.000 imagens.

Figura 4 - Taxa de deteco e identificao para falsa deteco de 1%


17/85

17

Os participantes apresentam seu sistema e descrevem os mtodos de

reconhecimento de face. Algumas caractersticas importantes aparecem em todos os

sistemas:

i. Existem etapas de procura da face dentro da imagem, de comparao

e de deciso.

ii. Na localizao da face necessrio procurar pontos de referncias

como olhos, boca, nariz, etc.

iii. Existem normalizaes a serem introduzidas para minimizar efeitos

externos com iluminao, contraste, brilho, etc.

Os mais bem colocados utilizam mtodos estatsticos e de redes neurais

para a comparao e adaptao do sistema. As tcnicas estatsticas so utilizadas

tanto na extrao de caractersticas com na tarefa de classificao. As abordagens

mais utilizadas so: Mtodos de correlao; Mtodos de decomposio de valor

singular; Mtodos de baseados em expanso de Karhune-Loeve; Mtodos baseados

em discriminao linear de Fisher; Mtodos baseados em modelo de Makrov

escondido.

O mtodo de correlao tenta casar a imagem procurada com o conjunto

de imagens de treinamento. um mtodo muito custoso, pois h a necessidade de

comparao das imagens uma a uma. Na abordagem de Karhunen-Loeve, extraem-se caractersticas especificas da face so extradas pela projeo da face em um


18/85

18

sistema de coordenadas dadas por autovetores da matriz covarincia do conjunto de

imagens de uma mesma pessoa. A comparao entre duas faces dada pela

distncia euclidiana dos pontos no sistema de coordenadas [14].

O mtodo de discriminao linear Fisherface a uma reduo da

dimensionalidade do espao de caractersticas pelo uso do discriminante linear de

Fisher, que usa informaes de um grupo de classes e cria um conjunto de vetores

com os parmetros referentes face so enfatizadas e as caractersticas de

iluminao, expresses faciais so amenizadas [15]. O mtodo baseado no modelo

de Markov escondido feito a partir de dois processos inter relacionados, uma

cadeia de Markov secreta no observvel com finitos nmeros de estados, uma

matriz de probabilidade de transio de estado e uma distribuio de probabilidade

de estado inicial e um conjunto de funes de densidade de probabilidade associado

a cada estado [16].


19/85

CCaappttuulloo 22

2 DESCRIO DE CONTEXTO E RECONHECIMENTO

DE FACE

Este captulo concentra-se em dar um embasamento terico sobre

agentes, o padro de descrio de contexto MPEG-7, as redes neurais artificiais e

os mtodos de descries biomtricas e reconhecimento de face.

2.1 AGENTES

Os agentes ainda no possuem uma definio aceita universalmente.

Muitos autores conceituam de diversas ticas de acordo com seus trabalhos.

Resende [29] faz uma definio mais abrangente dizendo que um agente uma

entidade capaz de agir em um ambiente, de se comunicar com outros agentes,

possuindo recurso prprios, movido por um conjunto de inclinaes, capaz de

perceber seu ambiente, que pode dispor de uma representao parcial deste

ambiente, podendo eventualmente se reproduzir e cujo comportamento tende a

atingir seus objetivos utilizando as competncias e recursos que dispe e levando

em conta os resultados de suas funes de percepes e comunicao, bem como

as suas representaes internas.


20/85

20

Algumas caractersticas so consideradas por todos como essenciais

para representar um agente:

Autonomia de deciso execuo sobre suas atitudes, criando e

selecionando as alternativas para atingir seus objetivos. No sistema de

descrio de contexto (SDC) apresentado nesse trabalho os agentes

tero autonomia para enviar ou no as descries, dependendo do

contedo da mdia que o ambiente apresentar.

Competncia para decidiro que escopo do seu trabalho, verificando

se ele o mais habilitado para resolver o problema, sem a

interferncia externa. No SDC os agentes sero habilitados para

funes especficas, sabendo bem claramente que tipo de ambiente

poder ser descrito por ele.

Existncia de uma agenda prpria necessria para definir metas a

serem alcanadas com um objetivo nico. Os agentes do SDC se

organizam para descrever uma mdia sob sua tica quando percebe as

alteraes no ambiente. Nesse momento, os passos a serem seguidos

so traados e executados.

Segundo WEISS [30], os agentes podem ter caracterstica de reatividade

quando possuem habilidades de perceber seu ambiente e responder s mudanas,

de modo a atender aos seus objetivos; de pr-atividade quando capaz de

apresentar um comportamento orientado a metas, tomando iniciativa para atingir


21/85

21

seus objetivos; e habilidade socialpara interagir com outros agentes para alcanar

seus objetivos.

A descrio apresentada por Licia Barbosa [31] sobre o funcionamento

dos agentes reativos caracteriza muito bem os agentes do SDC.

O funcionamento de um agente reativo segue omodelo estmulo-resposta, no qual as aes so tomadas semnenhuma referncia histrica ao passado e nem previsofutura, baseando-se apenas na percepo do ambiente e

respondendo adequadamente s mudanas nele ocorridas.

Os agentes do SDC so essencialmente reativos, pois sente as

alteraes no ambiente, caracterizadas pela mdia a ser descrita, e decide suas

tarefas com a finalidade de descrev-la. Porm apresenta a habilidade social

quando se comunica com outros agentes e a pr-atividade quando define os passos

a serem tomados ao perceber alteraes no sistema. Alm disso, os agentes do

SDC podem utilizar informaes passadas e previses futuras em suas descries.

2.2 DESCRIO DE CONTEXTO

As descries realizadas pelo Sistema de Descrio de Contexto

apresentado sero feitas seguindo as orientaes da norma MPEG-7 [2][5]. A

definio do MPEG-7 iniciou-se partir de 1996, um padro ISO/IEC desenvolvido

pelo Moving Picture Experts Group, que tambm desenvolveu os padres MPEG-1

em 1992, o MPEG-2 em 1994 e o MPEG-4 em 1999 [3], todos focados em

codificao, distribuio e armazenamento de vdeo digital. Os padres MPEG-1 e

MPEG-2 propiciaram o desenvolvimento de produtos como o Vdeo CD, MP3, e

outros aplicativos e servios associados a contedos multimdia. O MPEG-4, o mais


22/85

22

recente padro da famlia, inclui o suporte a representao baseada em objetos.

Este tipo de representao permite que os objetos que compem a aplicao sejam

codificados usando diferentes resolues espaciais e temporais, permitindo maior

adaptabilidade do contedo a diferentes formas de acesso ao contedo (a resoluo

do objeto pode ser ajustada para se adequar capacidade do meio de transporte

das informaes e banda pode ser alocada para os objetos mais importantes).

O padro MPEG-7 pode ser definido como uma interface para descrio

de contedos multimdia (Multimedia Content Description Interface) disponibilizando

um conjunto de ferramentas para a descrio de contedo multimdia. Tanto

sistemas que atuam com usurios humanos como os automatizados por meio de

processamento computacional esto no escopo do padro.

At meados de 2004, algumas alteraes na norma MPEG-7 foram

solicitadas, apesar dela j est praticamente definida. Logo depois da apresentao

dos primeiros rascunhos da norma, estudos foram iniciados para permitir

implementaes de sistemas de descries de contexto. Algumas ferramentas j

foram disponibilizadas e at comercializadas, todas com o objetivo de auxiliar o

usurio a extrair informaes de contexto da mdia. Entretanto, poucas destas

ferramentas permitem a coleta automtica destas informaes. Os dados udios-

visuais que se aplicam ao MPEG-7 so as imagens estticas, grficos, textos,

udios, vdeos e composies desses elementos formando uma apresentao

multimdia. A descrio no depende da maneira com que os dados so estocados

ou codificados. MPEG-7 possui diferentes granularidades que permite diferentes

nveis de descrio. Alm disso, a descrio depende da aplicao e do usurio, ou

seja, um mesmo contedo multimdia pode ter diferentes descries, dependendo da


23/85

23

viso dos descritores. O nvel de abstrao est relacionado com a maneira com que

as informaes so extradas. fcil extrair informaes de baixo nvel de forma

automtica, mas dados de alto nvel necessitam sistemas mais sofisticados ou de

interao humana.

O conjunto de ferramentas de descrio (Description Tools),

representados por elementos com metadados, suas estruturas e relacionamentos,

so definidos em forma de descritores (Descriptors) e esquemas de descrio

(Description Schemes) para criar descritivos que sero utilizados por aplicativos com

funes para pesquisar, filtrar e navegar de forma eficiente em contedos multimdia

[4].

Com Description Tools possvel descrever as cenas independentemente

de como o contedo codificado ou armazenado. Qualquer tipo de mdia pode ser

descrito. Quando um usurio humano participa do processo de descrio, os

contedos podem depender de fatores externos e podem ser diferentes para a

mesma cena, a depender do usurio, da poca, etc.

Dentro de uma apresentao multimdia existem informaes que so

inerentes ao contedo como taxa de transmisso, tipo de mdia, tamanho da tela,

nmero de canais de udio, etc, que so importantes para qualificar os dados

disponveis para o cliente. Porm essas informaes so de fcil aquisio. A

grande dificuldade adquirir informaes de alto nvel, como um tipo de paisagem

ou se uma pessoa esta danando ou jogando futebol. O propsito do padro MPEG-

7 definir um conjunto de mtodos e ferramentas que permita o acesso pelas mais

variadas aplicaes nos mais diversos ambientes, neste caso, existe a necessidade


24/85

24

de se utilizar um modelo flexvel e com possibilidades de extenses. Para atender

este requisito o XML foi utilizado como linguagem para representao textual da

descrio de contedo. O XML Schema a base para o DDL (Description Definition

Language) [6], usado para a definio sinttica das ferramentas de descrio

(Descriptions Tools).

Os principais elementos da norma MPEG-7 so:

Descriptors (D), que define a sintaxe e semntica de cada elemento

metadado.

Description Schemes (DS), que especifica a estrutura e semntica dos

relacionamentos entre seus componentes que pode ser Descriptors ou outro

Description Schemes;

Description Definition Language (DDL) para definir a sintaxe da

ferramenta de descrio que permite criar um novo Description Schemes e

Descriptor;

Ferramentas de sistema que permite o suporte ao formato binrio para

uma estocagem e/ou transmisso eficiente.

O conjunto de DS denominado no padro MPEG-7 de Multimedia

Description Schemes (MDS). As Description Tools permitem criar descries do

contedo com informaes sobre: Criao e produo do contedo (diretor, ttulo,

etc); informaes relacionadas utilizao do contedo; armazenamento docontedo (formato, codificador); estruturao do contedo no tempo e espao


25/85

25

(cortes na cena, seguimentos); informaes de baixo nvel (cor, textura, definio);

como procurar o contedo de (sumrio, ndices, etc.); coleo de objetos;

possibilidades de interao com o usurio; formato (indica o tipo de codificao

utilizado para o arquivo, ex. JPEG, AVI, que auxilia na determinao de como o

material ser apresentado pelo terminal do usurio); condies para acesso ao

material: o que inclui links para registros com informaes sobre propriedade

intelectual, direito-autoral e preo; classificao (qualificao) do contedo em

categorias pr-definidas; links para outros materiais considerados relevantes (esta

informao pode oferecer outros recursos relacionados ao tema pesquisado o

Contexto, que no caso de material no ficcional, importante se reconhecer a data

da gravao).

A Description Definition Language (DDL) define a sintaxe das Description

Tools e permite a criao de novos DS, permitindo a modificao dos DS existentes.

A DDL baseada no XML Schema. Em razo do XML Schema no ter sido

designado especificamente para descrio de contedos audiovisuais, foram

adicionadas algumas extenses, desse modo a DDL ficou dividida nos seguintes

componentes:

O XML Schema estrutura da linguagem

O XML Schema definio dos tipos de dados

Extenses especficas para o padro MPEG-7

As descries geradas por uma ferramenta MPEG-7 sero associadas ao

contedo de forma a permitir uma eficiente procura e filtro dos dados de interesse do


26/85

26

usurio. Os dados descritivos podem ser alocados no mesmo stream ou gravados

no mesmo arquivo, mas tambm podem ficar em outro local. Quando alocados

diferentemente, mecanismo de associao deve ser criado para permitir o rpido

acesso nos dois sentidos.

O MPEG-7 define vrias formas de descrio que pode ser feita on-line ou

off-line, por streams, e em tempo real (descrio no momento da captura das

imagens e/ou udios) ou no.

O padro no especifica interoperabilidade entre aplicativos e no define

formas de anlise e algoritmos de extrao, pois o grupo acredita que a todo o

momento podem surgir novos estudos e resultado permitindo que a competio

industrial trouxesse timos resultados.

Figura 5 - Relacionamento dos objetos MPEG-7


27/85

27

A DLL possui a definio das ferramentas de descrio do MPEG-7, e

tambm possui a extenso que pode especificar uma aplicao externa. Depois da

descrio pronta no formato XML, pode existir uma etapa de codificao binria

(BiM) [7].

Em sistemas baseados em MPEG-7, a descrio dos contedos pode ser

feita de forma manual ou automtica, gerando seqncia de dados que podem ser

armazenados ou enviados aos repositrios automaticamente atravs de streams.

Uma aplicao de usurio pode realizar consultas em um banco de descries e

navegar nas informaes da apresentao. Neste cenrio as informaes podem ser

estocadas em formato de texto ou binrias.

Nesse trabalho, foi utilizado o MPEG-7 para as descries das mdias, os

agentes analisam as imagens e sons e enviam o resultado atravs da codificao

apresentada. Os agentes devem ter completa noo da norma, pois a forma de

resposta a uma solicitao de descrio deve ser realizada no formato MPEG-7.

Como ser visto no prximo captulo, o mdulo principal do sistema no far

qualquer descrio, somente ir formatar os dados recebidos pelos agentes. Isso

significa que outros formatos diferentes de descrio de contexto podem ser

utilizados, desde que todos os agentes passem a responder com o novo formato.

2.3 REDES NEURAIS ARTIFICIAIS

Foram utilizados alguns conceitos das Redes Neurais Artificiais para o

reconhecimento de faces. Os conceitos biolgicos so importantes para o

entendimentos das RNAs. O neurnio serviu como inspirao para a criao das

RNAs, ele tem um corpo celular chamado soma e diversas ramificaes conhecidas


28/85

28

como dendritos, que conduzem sinais das extremidades para o corpo celular. Existe

uma ramificao chamada axnio, que transmite um sinal do corpo celular para suas

extremidades. Na maioria dos casos um axnio conectado a dendritos de outro

neurnio pelas sinapses [8][9].

As sinapses tm a funo de memorizar as informaes. medida que

uma sinpse estimulada e consegue ativar outro neurnio o nmero de

neurotransmissores liberados aumenta na prxima vez que o neurnio for ativado.

Isso significa um aumento da conexo entre os dois neurnios. Dessa forma a rede

vai se fortalecendo sempre que a situao que inicia o estmulo acontece.

Figura 6 - Neurnio

Apesar de servir como inspirao, as redes neurais naturais so

diferentes as RNAs de hoje. O modelo geral do neurnio artificial (figura 7) tem as

entradas wi*uicombinadas usando uma funo f. Utilizando um vetor de referncia

o e a funo de sada g, obtm-se o estado yde ativado ou no ativado.


29/85

29

Em [11] Hernandez apresenta uma sntese histrica que posiciona os

estudos atual:

Dcada de 40: McCulloc e Pitts [10] apresentam uma proposta para a

descrio matemtica com base nas estruturas neurais biolgicas.

Dcada de 50: A IBM apresenta um modelo de redes neurais na 1

Conferncia Internacional de Inteligncia Artificial em 1956. Em 1959, foi

demonstrada a rede adaptativa Adaline, que pode ser vista como um modelo linear

dos principais mecanismos de processamento de informao e adaptao presentes

no neurnio biolgico.

Dcada de 60: Rosenblat apresenta um modelo neural no linear e

adaptativo que permite expressar os processamentos representados no modelo de

McCulloc e Pitts e mostra um algoritmo de treinamento eficaz. Marvin Minsky e

Seymour Papert publicaram um livro chamado Perceptrons, em que vrios

aspectos tericos e limitaes do Perceptron de Rosenblat so formalizados e

estudados.

Dcada de 80: John Hopfield apresentou um sistema neural artificial

capaz de armazenar nas interconexes entre os neurnios informaes complexas,

como imagens por exemplo. A primeira conferncia Estados Unidos-Japo sobre

redes neurais realizou-se na cidade de Kioto.

Dcada de 90: 1 congresso de Redes Neurais no Brasil.


30/85

30

Atualmente, os principais congressos brasileiros e internacionais so:

Congresso Brasileiro de Redes Neurais, Simpsio Brasileiro de Redes Neurais,

International Joint Conference on Neural Networks e o International Conference on

Artificial Neural Networks.

Para a formao da rede, os neurnios so ligados por conexes,

chamadas de conexes sinpticas. Os neurnios que recebem excitaes externas

so chamados neurnios de entrada e correspondem a camada de conexo aos

sensores do sistema. Os neurnios que tm suas respostas usadas para alterar o

mundo exterior so chamados neurnios de sada. Os outros neurnios que no so

nem de entrada nem de sada so conhecidos como neurnios internos.

Figura 7 - Neurnio Artificial

O fato de poder aprender com as situaes passadas que faz das RNA

serem diferentes dos sistemas convencionais. Retropropago ou Backpropagation

a regra de aprendizado mais utilizada. Nesse caso, a partir do resultado positivo ou

negativo de um estmulo, calcula-se o gradiente do erro com relao aos valores

sinpticos da camada de sada. Os valores dos coeficientes wiso corrigidos pendo-


31/85

31

se ento calcular o erro da penltima camada, e assim por diante, at a camada de

entrada.

Figura 8 - Rede neural com 4 camadas

O trabalho de Minsky & Papert [10] constituiu o primeiro estudo sobre a

complexidade dos problemas que as RNAs podem resolver. Foi mostrado que uma

RNA sem camadas internas no podem resolver problemas linearmente no

separveis.

O bom resultado do reconhecimento de face depende de como as

informaes so apresentadas rede neural. Um processamento anterior faz-se

necessrio para que as informaes relevantes para a identificao sejam

acentuadas. Algumas restries devem ser consideradas: o grau de liberdade do

sistema que est relacionado com o nmero de conexes da rede, e o nmero do

conjunto de treinamento. Segundo [17], aconselhvel que o tamanho do conjunto

de treinamento do conjunto de dados exceda ao nmero de conexes. O aumento

do nmero de camadas de entrada e o nmero de exemplos de treinamento ajudam


32/85

32

a capacidade de generalizao da rede neural, porm isso pode afetar o

comportamento de convergncia da rede.

2.4 IDENTIFICAO BIOMTRICA E RECONHECIMENTO DE FACE

Segundo [19], a biometria o ramo da cincia que estuda a mensurao

dos seres vivos atravs de suas caractersticas. Em relao a tecnologia da

informao a biometria est ligada principalmente segurana na identificao de

pessoas. FERREIRA [20] separa as caractersticas biomtricas com sendo

fisiolgica (como impresso digital ou caractersticas faciais) ou comportamental

(como assinaturas manuscritas ou amostra de voz). Alguns sistemas j so

considerados suficientemente seguros para dispensar a necessidade de login e

senha.

No sistema de reconhecimento de face que ser apresentado, assim

como todos os sistemas estudados, a autenticao biomtrica envolve duas fases: A

inicial que corresponde ao registro da pessoa no sistema atravs de repasse das

suas caractersticas. Nessa fase as caractersticas so gravadas no sistema para

que seja posteriormente comparada com um indivduo sem identificao. A segunda

face a comparao da pessoa que tenta acessar o sistema com o banco de dados

de caractersticas. Dificilmente a coincidncia ser perfeita, cabe ao sistema definir

margem de tolerncia que permitam a identificao com o mnimo de erro.

Os sistemas podem ser utilizados para identificao (Um-Para-Um) ou

para verificao (Um-Para-Muitos) [20]. Na verificao um indivduo apresenta uma

identidade e o sistema faz uma autenticao, nesse caso necessrio uma preciso

maior, normalmente encontrada em sistemas de reconhecimento de ris ou retina.


33/85

33

Na identificao, o reconhecimento realizado quando se faz uma busca no banco

de dados, comparando as informaes at que se encontre um registro idntico,

com uma margem de erro inclusa.

Uma das abordagens para a identificao biomtrica o reconhecimento

atravs de casamento de modelos, utilizando uma operao genrica que compara

duas entidades do mesmo tipo. A imagem a ser reconhecida comparada com um

modelo armazenado, considerando todas as variaes possveis da imagem [21]. A

mtrica utilizada normalmente a correlao ou uma funo da distncia. Fica claro

que esse mtodo exige disponibilidade de muito recurso computacional, porm pode

ser facilmente viabilizado considerando os recursos atuais [22].

O casamento feito atravs do clculo da distncia mnima pode ser feito

atravs da distncia Euclidiana. Seja x = (x1, x2, x3, xn) um vetor de dimenso n

que submetido ao sistema, e W = (w1, w2, w3, wm) um conjunto de vetores que

representa classes de padres armazenados. Calcula-se ento a distncia

euclidiana do vetorxcom todos os vetores de W, e escolhe-se a menor distncia.

Para o casamento feito por correlao, utiliza-se o conceito descrito por

GONZALEZ [23], que se baseia na procura de uma sub imagem Wde dimenso Jx

K dentro de uma imagem F de tamanho maior M x N. O ponto de correlao

calculado como:


34/85


35/85

35

Nesse trabalho foram utilizadas todas as tcnicas j discutidas. Para a

localizao inicial da face, foram utilizados mtodos de correlao para encontrar os

olhos como ponto de partida. Uma rede neural de duas camadas utilizada com o

nmero de neurnios igual ao nmero de faces armazenadas. Mtodos estatsticos

so usados na etapa de clculos dos coeficientes da rede que so modificados na

fase de treinamento. O clculo leva em conta a ordem cronolgica do treinamento,

dando um peso maior para as imagens mais recentes de uma mesma face.


36/85

CCaappttuulloo 33

3 SISTEMA DE DESCRIO DE CONTEXTO

Conforme apresentado anteriormente, o objetivo deste trabalho propor

um sistema para a descrio automtica de contexto baseado nas caractersticas do

contedo do vdeo. A proposta um sistema com infra-estrutura para criao de

subprogramas especializados (Agentes Descritores AD), que sero conectados ao

Mdulo Principal de Processamento (MPP) e podero assistir a apresentaes

multimdias e descrever as cenas dentro de sua tica. O resultado final uma

descrio no formato MPEG-7, contendo a reunio das informaes coletada por

todos os agentes, sendo mais completas quanto for o nmero de AD e de suas

habilidades.

No diagrama a seguir representa o Sistema de Descrio de Contexto -

SDC:


37/85

37

Figura 9 - Sistema de Descrio de Contexto

O SDC formado pelo Mdulo Principal de Processamento (MPP) e pelos

Agentes Descritores (AD). O MPP responsvel pela criao do ambiente de

descrio para os AD, sincronizando e controlando as mdias. Quatro sub-mdulos

fazem parte do MPP:

Processador e Sincronizador (PS) responsvel pela lgica do

sistema, bem como o controle e sincronismo do sistema. formado

principalmente pela classe cMPP (figura 10).

Interface de Entrada (IE) responsvel pela aquisio das mdias. A

aquisio pode ser feita atravs da leitura de arquivos de vdeo,

imagens e som ou atravs de um driver de captura. Esse sub-mdulo

utiliza a classe cAcesso.


38/85

38

Interface de Sada (IS) responsvel pela formatao dos dados

recebidos do PS e pela criao da mensagem de sada no formato

MPEG-7. A classe cAcesso implementa as funes do IS.

Controlador de Agentes (CA) responsvel pelo controle dos

agentes e faz a interface com o PS. O CA cria Agentes Internos (AI)

para cada Agente Descritor com objetivo de unificar a forma de

comunicao, ou seja, quando o CA encontra um AD, ele cria um

instncia da classe cAgente responsvel por representar internamente

o AD. A classe cAgentController implementa o CA e a classe cAgent

implementa o AI.

Os Agentes Descritores so compilados separadamente e podem ser

adicionados ao sistema em tempos de execuo. Os ADs sero detalhados no item

3.1.

O processo de descrio inicia-se com a leitura de uma mdia atravs do

sub-mdulo IE que repassa ao PS. A mdia enviada de forma sincronizada aos

Agentes Descritores atravs o Controlador de Agentes. Os AD fazem a anlise e

emite suas descries. Para a anlise os Agentes Descritores podem,

eventualmente, se comunicar com outros AD.

O Controlado de Agentes realiza a procura por agentes quando o

programa iniciado ou quando o diretrio de agentes configurado no sistema

alterado. A rotina inicial valida e verifica o formato do agente (.Net, COM, Java, etc).

Os Agentes Internos so criados a partir da classe cAgent para atribuir aos Agentes


39/85

39

Descritores uma instncia correspondente a cada um deles existente no diretrio.

Essa classe possui os principais mtodos dos agentes.

A classe do CA, chamada cAgentController, faz a validao dos agentes

verificando a existncia dos mtodos obrigatrios. Em uma segunda etapa para

iniciar a utilizao dos agentes, o CA verifica a interdependncia entre os agentes e

faz o repasse dos ponteiros para que eles possam se comunicar. A comunicao

entre os agentes importante para permitir a diviso de tarefas e a reutilizao das

funes realizadas por eles.

A classe cAgente tem a principal funo de fazer a interface entre os

agentes e o Mdulo de Processamento Principal. Os seus mtodos so:

PublicProperty InterfaceType() AsStringPublicProperty Name() AsStringPublicProperty Type() AsStringPublicProperty Description() AsStringPublicProperty Author() AsStringPublicProperty Version() AsStringPublicProperty Information() AsStringPublicProperty Obj() AsObjectPublicProperty Enabled() AsBooleanPublicProperty DependentAgent() AsString()PublicSub Config()PublicSub setDependentAgent(ByVal obj AsObject)

Para varrer um arquivo multimdia, um objeto timer instanciado para

chamar a rotina TimerScanFile_Elapsed() em espaos de tempo predefinido.

Quando um arquivo aberto, os frames so separados e enviados aos agentes de

forma seqencial atravs dessas rotinas.

Para o caso da varredura atravs do driver de captura, outro objeto timer

instanciado para chamar a rotina TimerScanFile_Elapsed(), tambm em espaos


40/85

40

de tempo predefinido, porm os frames que so enviado para os agentes so

somente aqueles que estiver disponvel no momento da coleta, causando a perda de

alguns quadros devido ao tempo de leitura dos agentes.

O diagrama a seguir mostra o relacionamento, os principais mtodos e

propriedades das classes do MPP.

Figura 10 - Diagrama de classes relacionais do MPP

A cMPP a principal entre as classes da camada de negcio, ela

responsvel pela parte lgica do mdulo e pela comunicao entre os objetos das

camadas de interface e acesso a dados.


41/85

41

Alm das classes mostradas no diagrama, outras classes foram criadas e

compiladas independentes do projeto, elas realizam funes indiretas, mas que so

importantes para o funcionamento do sistema. Uma dessas classes a cBitBlt

compilada no arquivo AVImetodos.dll que possui mtodos de manipulao de

imagens. A funo mais importante dessa classe a getFrameVetor() usada para

transformar a imagem que capturada atravs do objeto BITMAP do .NET para um

vetor de duas dimenses contendo as corres dos pixels. Essa transformao

necessria para garantir que todos os agentes podero ler as imagens,

independente da tecnologia de software usada. Outra classe importante a

AVICAP, compilada no arquivo comAVICAP.dll, usada para controlar os drivers de

captura de vdeo.

Foi criada uma classe chamada cAVIFrameExtract que responsvel

pela leitura e manipulao dos frames do arquivo. Quando solicitado o objeto

repassa o handle do frame ao sistema que renderiza o quadro e o transforma em

vetor, repassado aos agentes. Da mesma forma uma seqncia de bits enviada

para os agentes contendo as amostras de udio. Na interface principal do sistema

possvel visualizar o frame que est sendo varrido no momento, os agentes

disponveis e o resultado da discrio no formato XML.


42/85

42

Figura 11 - Interface do MPP

medida que os agentes respondem com as descries, os dados so

reunidos e disponibilizados pra a interface de sada atravs da classe frmMain j no

formato MPEG-7, podendo ser transmitidos ou arquivados. As respostas dos

agentes so descries no formato texto contendo dados referentes ao tempo,regio, tipo de descrio, etc.

Como descrito anteriormente, a distribuio dos frames para os agentes

ocorre de forma seqencial, limitando o tempo de acesso para cada agente. Em uma

tentativa da utilizao de threads paralelos ocorreram vrios erros de sincronizao,

principalmente quando os agentes se comunicam com outros. Um estudo futuro


43/85

43

poder viabilizar um processamento paralelo, permitindo melhorar o tempo de

resposta dos agentes.

3.1 AGENTES DESCRITORES

Os agentes descritores so subprogramas compilados em arquivos

separados utilizando a tecnologia .Net e ActiveX1 da Microsoft, contendo os

mtodos e funes para anlise das mdias. Os agentes devem implementar os

seguintes mtodos:

getName() Retorna o nome do agente

getType() Retorna o tipo de agente (Vdeo, udio ou os dois)

getDescription() Retorna um a breve descrio de suas funes

getAuthor() Retorna o autor do agente

getVersion() Retorna a verso do agente

getInformation() Retorna informaes do estado do agente durante a

descrio

Config() Permite a configurao do agente

Load_Frame(vColor As Integer(,), frameNumber As Long, FrameCount

As Long) Realiza anlise do frame e retorna a descrio

1 Tecnologia de componentizao que implementa o Common Object Model (Nota 3).


44/85

44

Load_Audio Realiza a anlise da amostra de udio e retorna a

descrio

Para a criao e um Agente Descritor que funcione corretamente, basta a

criao de uma DLL implementando esses mtodos e deposit-la no diretrio de

agentes com a exteno .ag.

Nos agentes implementados, outros mtodos foram introduzidos, porm

so especficos de cada agente descritor. Os agentes implementados foram:

Color Identify Agent (comAgColorIdentify) - identificador de cores em

regies definidas do frame;

Grupos de agentes de reconhecimento de faces

Face Loalizator Agent posiciona a face no frame e repassa o

Face Calculator Agent.

Face Calculator Agent realiza funes de identificao da face

e armazenamento de dados referentes as faces reconhecidas.

3.2 COLOR IDENTIFY AGENT

O Agente de identificao de cor relativamente simples. O objetivo

identificar cores pr-selecionadas pelo usurio atravs da interface de configurao.

Havendo a cor na regio indicada, a descrio repassada para o MPP. No

formulrio de configurao possvel cadastra uma lista de cores a serem

identificadas, bem como a regio para a procura de cada item.


45/85

45

Figura 12 - Inteface do Agente de Identificao de Cor

Para a identificao da cor, obtm-se os valores das mdias dos

valores de RGB:

A implementao do procedimento Load_Frame pode ser encontrada no

Anexo C.

Como resultado tem-se as cores identificadas com o frame de incio e a

durao. No trecho do resultado retornado em uma simulao realizada verifica-se a

identificao da cor vermelha de um carro que teve incio no frame 176 com durao

de 3 frames.


46/85

46

Figura 13 - Descrio da cor na regio delimitada

As possibilidades de aplicaes para esse agente so muitas, podendo

ser utilizado como elemento primrio em processo industrial para anlise de

colorao de produtos qumicos, na identificao de carros em corrida

automobilstica, em anlise climticas, etc.

3.3 AGENTES DE RECONHECIMENTO DE FACES

A tarefa de reconhecer a face humana em uma imagem no fcil,

muitos problemas de ordem prtica fazem com que os algoritmos sejam complexos

e extensos. O problema foi dividido em trs partes principais: a localizao da face

dentro da imagem, o levantamento das caractersticas biomtricas e a comparao


47/85

47

estatstica com dados j guardados com a estimativa e deciso. A seguir sero

descritos os agentes que realizaro as tarefas.

3.3.1 Agente de localizao de face

O Agente de Localizao de Face responsvel pela localizao da face

humana dentro do frame, uma das mais complicadas tarefas para o reconhecimento

do rosto. Para garantir robustez, o algoritmo deve ser imune a algumas variantes:

Ao tamanho da face dentro da imagem

Ao posicionamento do rosto

s intensidades de cor, brilho e luminncia

direo do rosto

definio da imagem

Na implementao foram definidas algumas premissas para iniciar a

criao do modelo de procura: O rosto deve ter as dimenses mnimas e mximas

dentro do quadro em que seja detectado. A distncia entre a borda superior do rosto

e a borda superior do quadro, somadas ao intervalo do queixo at o final inferior do

quadro devem ter no mximo a mesma dimenso da face. O rosto deve est

posicionado na direo frontal (olhando para frente), limitando a inclinao em 10.

O rosto deve est completamente compreendido no quadro.


48/85

48

A partir das premissas apresentadas, calculamos os valores mximos e

mnimos das principais dimenses necessrias para a deteco.

0 < A+B < C

dIMax > do > dIMin

dIMax = lenY / 17.5

dIMin = lenY / 25.6

dFMax > F > dFMin

dFMax = lenY / 3.77

dFMin = lenY / 6.11

Figura 14 - Enquadramento do rosto

Obedecendo a forma natural de reconhecer o rosto humano, os olhos

servem como objetivo principal na primeira procura. Quando o algoritmo consegue

localizar perfeitamente os olhos, todos os outros pontos ficam de fcil localizao, j

que pode se estimar as regies de encontro.


49/85

49

Figura 15 - Regio dos olhos

Outra importante caracterstica que faz dos olhos um timo ponto de

partida para o algoritmo de localizao o contraste existente entre a parte clara e

escura do olho, isso permite uma fcil deteco do contorno da ris. Foi utilizada

essa variao de luminncia para realizar a primeira fase de deteco dos olhos.

A partir da regio central da imagem, o algoritmo percorre o quadro da

esquerda para a direita detectando as variaes de luminncia acentuadas. Todos

os possveis pontos de bordas so reunidos como coleo de objetos chamados de

bordas da ris (cIrisEdge).

Figura 16 - Visualizao das regies de borda


50/85

50

A segunda etapa localizar a regio dos olhos a partir dos pontos

encontrados. Para isso, foi utilizado o mtodo da correlao que usa imagens de

treinamento para encontrar a regio que mais se identifique com a mesma. Apesar

de ser um modelo computacionalmente custoso, algumas simplificaes na imagem

de referncia podem facilitar sua implementao. Nesta etapa no necessrio

achar nenhuma caracterstica do rosto, portando pode-se usar uma imagem de

referncia que seja facilmente implementada. Em uma primeira simulao adotamos

dois crculos dentro de um retngulo, dividindo os dois crculos em duas partes.

Figura 17 - Mscara de procura

Figura 18 - Dimenses da mscara de procura


51/85

51

As variveis u e tforam introduzidas para considerar a inclinao do rosto

e a variao de escala do rosto em relao ao frame. A varredura acontece nas

quatro dimenses representadas pelas variveis i, j, t e u, com o objetivo de

encontrar o valor mximo da funo:

onde,

PBL = Pontos de borda esquerda

PBR = Pontos de borda direita

L = Regio esquerda dos crculos

R = Regio direita dos crculos

N = Regio dentro do retngulo de fora dos crculos

Foi verificado que a funo realmente teria o ponto mximo na regio do

olho, porm no tem preciso nos casos de poucos pontos selecionados. Uma nova

funo f2 foi usada obtendo um resultado mais satisfatrio.


52/85

52

A seguir mostrado o diagrama de classes do agente:

Figura 19 - Diagrama de classes relacionais do Agente de Localizao de Faces

Aps o encontro das coordenadas o agente finaliza sua leitura do frame e

repassa os dados para o outro agente, o agFaceCalculator, atravs da funo

setEyes(intFrameIndex, X1, Y1, X2, Y2). Foi implementada uma interface que

permite verificar se as coordenadas esto corretas antes da chamada ao novo

agente.


53/85

53

Figura 20 - Visualizao do resultado da procura

3.3.2 Agente de Reconhecimento de Face

O Agente de Reconhecimento de Face realiza a funo de encontrar em

um banco de dados a face que mais se aproxima daquela repassada pelo Agente

Localizao de Faces (ALF).

A primeira tarefa sincronizar os dados que so recebidos pelo MPP e

pelo ALF para que os clculos sejam feitos em relao ao mesmo frame. Quando as

coordenadas dos olhos so recebidas, os dados so armazenados incluindo o

nmero correspondente ao frame. Ao receber o frame do MPP atravs do mtodo

Load_Frame(), dado prosseguimento ao processo de reconhecimento.

Para realizar o reconhecimento necessrio que existam informaes

sobre outras faces j memorizadas. Cada face lida pelo sistema armazenada em

um arquivo de aproximadamente 80KB. Um banco de dados guarda as informaes


54/85

54

referentes a cada imagem. Uma imagem corresponde a um arquivo e associada a

uma face. No banco foi criada uma tabela chamada tbImage com os seguintes

campos:

idImage Cdigo da imgem. Corresponde ao nome do arquivo de

imagem;

idFace Cdigo atribudo a face, ou seja um imagem reconhecida;

Name Nome da pessoa reconhecida

Description - Descrio

EyeX1

EyeY1

EyeX2

EyeY2

ImageOrder Ordem cronolgica do reconhecimento

Confirmed Flag de confirmao

Active Flag de ativao


55/85

55

O processo de reconhecimento assemelha-se com uma rede neural de

duas camadas, uma de entrada e uma de sada. Para representar uma imagem,

adotamos as seguintes premissas:

I. Uma imagem ser representada por uma matriz 100X100,

independente do tamanho original.

II. A matriz considerar apenas os valores de luminncia dos pixels.

III. De uma matriz secundria de 50X50, exatamente no centro da matriz

principal, ser extrado os valores mximo e mnimo de luminncia com objetivo de

normalizao.

IV. O centro do olho da direita ficar na posio 23X35. O centro do

olho da esquerda ficara na posio 23Xj, onde j depender da inclinao do rosto.

As premissas objetivam minimizar a interferncia dos fatores externos

como grau de luminosidade, dimenses da imagem, etc. A funo getMatrix(Integer)

retorna um vetor com duas dimenses contendo a matriz correspondente a imagem

desejada. O diagrama a seguir mostra os mtodos das classes do agente.


56/85

56

Figura 21 - Diagrama de classes relacionais do Agente de reconhecimento de face

Ao iniciar o agente a rotina chamada doCollectionMWS() cria um matriz W

que contm os coeficientes wij. Cada valor obtido calculado a mdia das ltimas

10 matrizes das imagens j armazenadas para cada face, ou seja, cada face ter

uma matriz de coeficientes. Pode-se considerar que um neurnio ser criado para

cada rosto reconhecido.

Para criar a matriz Wtambm foi levado em considerao o momento que

a imagem foi arquivada, ou seja, as ltimas imagens tm um peso maior para o

clculo da mdia. Isso faz com que o efeito do tempo tenha relevncia no

reconhecimento da face.


57/85

57

Imagem Peso

n 0,144788n-1 0,125483n-2 0,111004

n-3 0,101351n-4 0,094112n-5 0,08832n-6 0,085907n-7 0,084459n-8 0,083012n-9 0,081564

Imagem X Peso

0,08

0,09

0,1

0,11

0,12

0,13

0,14

0,15

n n-1 n-2 n-3 n-4 n-5 n-6 n-7 n-8 n-9

Figura 22 - Grfico de variao do peso

Uma outra matriz S ser criada similarmente a matriz W, porm ela

guardar um fator de ponderao para cada elemento da matriz W. Os valores de S

sero calculados com o complemento do desvio padro dos valores das ltimas 10

matrizes de cada face. O objetivo dar um peso maior para as regies que tem o

maior nmero de acerto.


58/85


59/85

59

Figura 24 - Interface do Agente de Reconhecimento de Face

Quanto mais prximo de 1 for o valor da expresso, menor ser o erro da

operao de busca. Caso a face no tenha nenhuma imagem no banco de dados, o

cadastro pode ser realizado inserindo nome e descrio da pessoa.

Ocorrendo um erro que indique uma face incorreta para a imagem, o

usurio pode interferir selecionando a face correta. Nesse caso, a confirmao far

com que a nova imagem faa parte do banco de dados e seja lavada em conta nos

clculos da nova matriz W.

Neste captulo foi apresentada a arquitetura do sistema de descrio de

contexto, bem como a sua implementao. Detalhes prticos foram discutidos

mostrando como o prottipo foi projetado e posto em funcionamento. Trs agentes

descritores tambm foram mostrados, o primeiro foi criado com o objetivo de permitira identificao de cores dentro da cena. Os outros dois agentes foram criados para


60/85

60

um objetivo nico, a identificao biomtrica de pessoa atravs da imagem da face,

para isso eles se comunicam, trocando informaes coma finalidade de reconhecer

a face.

Todos os agentes mostrados neste trabalho foram projetados para

permitir o funcionamento sem interao humana durante as descries. Uma vez

configurado, os agentes observam a mdia e a descrevem automaticamente.

Apesar de no ser projetado para fazer parte do processo de

reconhecimento de face, o Agente Identificador de Cor foi reutilizado para auxiliar na

identificao do rosto humano. Para isso foram necessrias as seguintes alteraes

nos agentes:

- Para que os agentes passem a se comunicar, o Agente de Localizao

de Face introduziu o Agente de Identificao de Cor como dependente. A alterao

feita no mtodo getDependenceAgent(). Com isso o Agente de Localizao de

Face poder fazer chamadas de mtodos a qualquer mtodo do outro agente.

- O mtodo setEyes() foi criado no Agente de Identificador de Cor com o

objeto de receber as coordenadas do olhos repassada pelo Agente de Localizao

de Face.

Com as informaes recebidas o Agente de Identificador de Cor define a

regio da face onde far a extrao e identificao da cor. As cores da pele e olhos

so caractersticas que podem ser configuradas para auxiliar na identificao da

face. A descrio dos testes ser feita no item 4.3.


61/85

CCaappttuulloo 44

4 AVALIAO DO SISTEMA

Este captulo descreve e analisa os testes realizados no sistema

desenvolvido. Sero analisados os desempenhos dos dois agentes de

reconhecimento de face. Para o agente de localizao de face ser calculada a taxa

de identificao correta da face. Para o agente de reconhecimento sero feitos

testes de verificao, identificao e procura em lista.

Nos testes foram usadas 170 imagens de 119 pessoas diferentes

adquiridas de diversas fontes diferentes. So fotos de rostos em posio frontal com

indivduo olhando para frente e com os olhos necessariamente abertos.

4.1 AVALIAO DO AGENTE LOCALIZAO DE FACE

Durantes os testes as imagens foram submetidas ao sistema e a

localizao foi considerada realizada com sucesso quando os olhos foram

localizados corretamente conforme mostrado na figura 25.


62/85

62

Figura 25 - Localizao correta dos olhos

Trs casos podem ocorrer quando a localizao no realizada com

sucesso. No primeiro caso o agente no consegue identificar nenhuma regio que

tenha aparncia prxima aos olhos nas dimenses corretas. Nesse caso, o erro

pode acontecer caso o rosto no esteja obedecendo as dimenses descritas no item

2.6.1 e mostradas na figura 14. O segundo caso ocorre quando outros pontos dentro

da imagem so confundidos com os olhos ocorrendo uma falsa deteco (figura 25).


63/85

63

Figura 26 - Outra regio confundida com os olhos

Um terceiro caso acontece quando os olhos so identificados

corretamente, mas a coordenada no calculada com preciso (figura 26).

Figura 27 - Olhos identificados sem preciso


64/85

64

Em alguns casos uma nova leitura da mesma imagem redimensionada

pode eliminar o erro. Das 170 imagens 153 foram identificadas corretamente sem

necessidade de redimensionamento. Depois do redimensionamento apenas duas

imagens no foram identificadas corretamente sendo desabilitadas para etapa de

reconhecimento.

Identificadocorretamente

Olhos noencontrados

Posicionamentoincorreto

Localizadosem preciso

Semredimencionamento

90% 2% 4% 4%

Comredimencionamento

99% 0% 0% 1%

4.2 AVALIAO DO AGENTE LOCALIZAO DE FACE

Das 170 imagens, 168 formam identificadas corretamente e repassadas

pelo Agente de Localizao de Face para o Agente de Reconhecimento de Face.

Trs tipos de testes forma realizados: O primeiro foi a verificao em que uma

imagem apresentada juntamente com um a suposta identificao do candidato. O

sistema tem que confirmar se a identificao da imagem apresentada correta. Uma

falsa verificao acontece quando o sistema confirma uma identificao que no

corresponde a pessoa correta. O segundo teste foi a identificao em que umaimagem apresentada e o sistema apresenta um grupo de possveis identidades

para o indivduo. A lista que o sistema apresenta foi testada com trs tamanhos

diferentes: uma, cinco e dez identificaes. O terceiro teste foi a procura em lista na

qual o sistema tem que verificar se a imagem pertence a uma lista de tamanhos

diferentes e, posteriormente identific-la.


65/85

65

O teste de verificao foi realizado em duas etapas que se diferencia pela

quantidade de imagens de uma mesma pessoa j armazenada no sistema, ou seja,

na primeira etapa menos de trs imagens de cada candidato foram armazenadas

antes da verificao, na segunda etapa trs ou mais imagens de uma mesma

pessoa j pertencia ao banco antes do teste. Com era de se esperar, medida que

um nmero de imagens gravadas cresce a preciso na verificao cresce, pois a

rede neural vai sendo treinada.

O grfico mostra que o treinamento da rede neural melhora a taxa de

verificao correta, principalmente quando se exige uma taxa de falsa confirmao

pequena.

Taxa de Falsa Confirmao X Taxa de Verificao

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%100%

0,01%

0,03%

0,05%

0,09%

0,16%

0,23%

0,37%

0,47%

0,61%

0,81%

1,07%

1,47%

1,79%

2,13%

Treinamento com menos de trs imagens Treinamento com trs ou mais imagens

Figura 28 - Grfico do resultado do teste de verificao

No teste de identificao mostrou que 86% das imagens apresentadas ao

sistema foram identificadas corretamente como o primeiro da lista. Considerando


66/85

66

que a identificao correta est entre as duas primeiras apresentadas como resposta

do sistema, 92% tiveram identificao correta. Quando foram consideradas listas de

respostas de 5 e 10 pessoas, a taxa de identificao foi 98%.

Tamanho da Lista de Resposta X Taxa Identificao

98%98%

86%92%

0%

10%

20%

30%

40%

50%

60%

70%

80%

90%

100%

110%

1 2 5 10

Figura 29 - Grfico do resultado do Teste de Identificao

O ltimo teste foi a procura em lista que apresenta a maior dificuldade ao

sistema, pois alm de detectar se o indivduo est na lista, necessrio que ele seja

identificado. Uma falsa deteco acontece quando apresentada uma imagem de

uma pessoa que no est na lista e o sistema detecta e indica uma identidade

incorreta.

O teste foi feito com uma lista de 107 pessoas e foram apresentadas 55

imagens 110 imagens de 20 pessoas diferentes, das quais 10 estavam na lista e 10

no estavam. O resultado apresentado no grfico.


67/85

67

Taxa de Falsa Deteco X Taxa de Deteco e Identificao

0%

10%

20%

30%

40%

50%

60%

70%

80%

0,02%

0,03%

0,05%

0,09%

0,15%

0,22%

0,37%

0,43%

0,51

%

0,63%

0,86%

1,00%

1,17%

1,33%

1,59%

Figura 30 - Grfico do resultado do Teste de Procura em Lista

Os testes de verificao e identificao no podem ser comparados com o

FRVT2000 descrito no item 2.3, pois o nmero de imagens no banco de dados

muito diferente. Porm, o teste de procura em lista mostra que o sistema

apresentado tem performance prxima dos mais bem colocados no FRVT2000. O

grfico mostrado na figura 5 apresenta o resultado dos trs softwares resultados

para uma falsa deteco de 1%, para essa taxa o agente de reconhecimento de face

teve uma performance de 72,72% de deteco e identificao.


68/85

68

Figura 31 - Comparao com o FRVT2000

Algumas ponderaes devem ser feitas em relao a esta comparao.

As imagens utilizadas no FRVT2000 possuam especificaes que no foram

consideradas nesse teste, as fotos do FRVT2000 foram separadas por tipos de

ambientes, faixa etria, sexo, etc. As imagens do FRVT2000 foram feitas sobre um

rigoroso procedimento especificado no documento [18].

4.3 INCLUSO DO AGENTE DE IDENTIFICAO DE COR NORECONHECIMENTO DA FACE

O objetivo desta avaliao demonstrar que o sistema proposto

extensvel e que outras descries podem ser realizadas com a incluso de agentes

especficos ao sistema. As alteraes no Agente de Localizao da Face (ALF) e no

Agente de Identificao de Cor (AIC) descritas no final do captulo anterior foram

implementadas.

O ALF encontra a as coordenadas dos olhos e repassa ao AIC atravs da

funo setEyes(), que calcula algumas regies do rosto e faz a coleta das cores dos


69/85

69

pixels. Inicialmente foi escolhida a regio central da testa para coletar o valor RGB

mostrado a trecho do cdigo MPEG-7 abaixo.

Left eye:(162,30; 130,23) Right eye:(215,69; 128,69) Frame:1 identity Name:Foto36 - Face ID:0000000036 but not

confirmed. **Frame 1 - Skin color: (Red=228, Green=175, Blue=135) **

A prxima etapa caracterizar a cor, selecionando a colorao da pele

(negro, pardo, branco, etc.). Faz-se necessrio uma etapa de processamento para

eliminar a interferncia de fatores externos na mensurao da cor como iluminao,

brilho, etc. O resultado, ento, enviado ao Agente de Reconhecimento de Face

(ARF) que faz a comparao com os dados armazenados das no banco de dados.

A anlise feita pelo ARF levando em considerao as caractersticas

extradas por ele e pelas caractersticas enviadas pelo AIC ou outros agentes

criados para essa funo. Cada informao ponderada analisando a estatstica de

erro durante o processo de identificao.

O sistema formado pelo grupo de agentes de reconhecimento de faces

ter a preciso da identificao proporcional ao nmero de agentes extratores de

caracterstica. Os agentes tambm podem sofrer alteraes e serem trocados sem

que o sistema possa sofrer influncia no funcionamento.


70/85

CCaappttuulloo 55

5 CONCLUSES

O Sistema de Descrio de Contexto apresenta caractersticas

importantes que o flexibiliza para inmeros trabalhos posteriores, ele permite a

construo de agentes para extrair e descrever qualquer tipo de caractersticas em

vdeos, sem que seja necessrio modificaes no sistema, apenas desenvolvendo

uma class .net ou um componente Activex e inserindo da pasta de leitura

configurada no Sistema.

O Sistema objetivou a descrio automtica de vdeos com a utilizao de

mltiplos agentes funcionando ao mesmo tempo, porm possvel desenvolver

agentes que utilizem tcnicas manuais ou semi-automticas. Esse objetivo foi

alcanado com a implementao dos agentes descritos nos itens anteriores.

Alm da possibilidade da criao de novos agentes, outros estudos so

necessrios para melhorar a performance do sistema. A incluso da etapa descrio

de udio no foi implementada e sugere estudos na rea de sincronismo com o

vdeo e de como os agentes vo coletar as amostras de udio. Outra rea


71/85

71

importante para melhorar o sistema em relao a forma com que os frames de

vdeo so transferidos para os agentes. Na implementao atual os valores RGB dos

pixels so inseridos em um vetor de duas dimenses e enviados para cada agente

seqencialmente, ou seja, um agente aguarda o processamento do anterior.

Certamente um estudo mais aprofundado sobre o sincronismo das informaes

permitiria o processamento paralelo.

Em relao aos Agentes de Reconhecimento de Face, muitos estudos

podem otimizar bastante seus resultados. Em relao ao Agente de Localizao de

Face necessrio que os algoritmos usados para a procura dos olhos da face sejam

otimizados, pois o tempo gasto inviabiliza o reconhecimento automtico em tempo

real. O terceiro erro descrito no item 4.1 pode ser minimizado com um ps-

processamento aps o encontro dos olhos. Os outros dois erros podem ser

minimizados com redimensionamento da imagem e ajuste de contraste feito

automaticamente antes de scanear a imagem.

Os testes puderam mostrar que o Agente de Reconhecimento de Face

apresentou uma performance comparada com os softwares do ltimo FRVT. Porm

necessrio inserir uma etapa de processamento 3D para o reconhecimento de

faces no frontais. No FRVT2000 alguns estudos foram apresentados nessa rea e

no prximo FRVT ser caracterstica fundamental para boa performance.

Algumas limitaes foram identificadas no sistema de descries de

contexto e nos agentes de reconhecimento de faces. As interfaces de comunicao

entre os agentes e o mdulo de processamento principal foram desenvolvidas para

aplicaes que rodam em uma mesma mquina, o que no permite, a princpio,


72/85

72

agentes distribudos. Porm o modelo pode ser adaptado utilizando uma arquitetura

para ambiente distribudo (CORBA ou DCOM).

Outra limitao encontrada que o modelo implementado utiliza o

processamento dos agentes de forma seqencial, causando a diviso do tempo

entre eles e limitando o tempo de resposta. O tempo de processamento pode ser um

limitante da quantidade e da complexidade dos agentes. fcil observar que esse

problema s ser crtico no caso de descries realizadas em tempo real, pois nesse

caso, enquanto os agentes estiverem descrevendo uma cena poder perder os

quadros subseqentes do vdeo. Todo estudo foi focado na descrio de vdeos e

imagens estticas, deixando a anlise do udio para trabalhos futuros.


73/85

REFERNCIAS

[1] GARCIA, L. Princpios da Engenharia de Software. Universidade Luterana doBrasil, Porto Alegre, Brasil, janeiro, 2003.

[2] MARTNEZ, J. Coding of Moving Pictures and Audio. International Organisation

for Standardisation, Pattaya, Thailand, March 2003.

[3] CHELLA, M. Sistema para classificao e recuperao de contedo multimdia

baseado no padro MPEG-7. In: I Workshop de Cincia da Computao e

Sistemas da Informao da Regio Sul - WORKCOMPSUL, Florianpolis SC,

2004.

[4] SALEMBIER, P.;SMITH, J. MPEG-7 Multimedia Description Schemes, Barcelona,

Spain,March 2001.

[5] MPEG. MPEG-7 Requirements Document V.13, ISO/IEC

JTC1/SC29/WG11/N3933, Jan. 2001.

[6] HUNTER, J. DDL Working Draft 4.0. International Organization for

Standardization. July, 2000.

[7] COKUS, M.; RENNER, S.; Winkowski, D. Binary XML Position Paper. The Need

for Standard Schema-based and Hybrid Compression. The MITRE Corporation,

USA, 2002.

[8] BARRETO, J. Indroduo as Redes Neurais Artificiais, Departamento de

Informtica e de Estatstica da Universidade Federal de Santa Catarina,

Florianpolis, Santacatarina, Brasil, 2002.

[9] MARTINELI, E. Extrao de Conhecimento de Redes Neurais Artificiais,Departamento de Cincias Matemticas e de Computao da USP, So Carlos,

Brasil.

[10]MINSKY, M.;PAPERT, S. A. Perceptrons: an introduction to computational

geometry. The MIT Press, Massachussets, 1969.

[11] CAMPOS, T.; FERIS, R.; CESAT JR, R. Reconhecimento Computacional de

Pessoas. XI Semana de Computao UNESP, So Paulo, SP, Brasil.


74/85

74

[12] GOMES, D.; MOREIRA, M.; SILVA, R. Reconhecimento de ris. Departamento

de Cincias da Computao, Universidade Federal de Minas Gerais, Belo

Horizonte, Minas Gerais, Brasil.

[13] PHILLLIPS, P.; GTOTHER, P.; MICHEALS, R.; BLACKBURN, D.; TABASSI, B.;

BONE, M. Face REconition Vendor Test 2002: Evaluation Report,

Dahlgren,Virginia, USA, 2002.

[14] LI, S. Face recognition basead on nearest linear combinations. Scholl of EEE,

Nayang Tecnological University, Singapore.

[15] JAIN, A.; DUIN, R.; MAO, J. Statistic patten recognition : A review. IEEE

Transactions on Pattern Analysis and Machine Intelligence 22, 2000.

[16] NEFIAN, A. Satistical Approaches to FaceRecognition, Gergia Institute of

Technology Scholl of Electrical Engineering, Gegia,USA, 1996.

[17] JAIN, L.; HALICI, U,; HAYASHI, I.; LEE, S.; TSURSUI, S. Intelligent Biometric

Techniques in Fingerprint ans Face Recognition. The CRC Pres, 1999.

[18] RIZVI, S. ; PILLIPS, P. ; MOON, H. The FERET Verificarion Testing Protocol for

Face Recognition Algorithms, 1998.

[19]FERREIRA, A. Dicionrio Aurlio bsico da Lngua Portuguesa, 2002.

[20]FERREIRA, C. Identificao Biomtrica, 2002.

[21]MARIN, L.; BARRETO, J. Reconhecimento de Faces, Departamento de

Informtica e Estatstica, Universidade Federal de Santa Catarina, 2003.

[22]JAIN, A.;DUIN, R & MAO, J. Statistical pattem recognition : A review. IEEE

Transactions on Pattern Analysis and Machine Intelligence 22.1, 2000.

[23]GONZALEZ, R & WOODS, R. Digital Image Processing. Addison-WesleyPublising Company. Inc., 1992.

[24]CHOI, M; KIN, W. A novel two stage template matching method for rotation and

illumination invariance. Pattern Recognition Society. Published by Elsevier

Science LTD, 2000.

[25]CONNELL, S; JAIN, A. Template-based online character recognition. Pattern

Recognition Society. Published by Elsevier Science Ltd, 2001.

[26]BOLLE, R.; CONNELL, J.; RATHA, N. Biometric perils and patches. Elsevier

Science Ltd. Pattern Recognition Society, 2001.


75/85


76/85

APNDICE A Tabela de resultados

A seguir a tabela utilizada nos resultados dos testes. As colunas

numeradas possuem a pontuao das identificaes sugeridas pelo sistema aps a

anlise da imagem correspondente relacionada na primeira coluna. Na ltima coluna

est a colocao da identificao correta.

Nome 1 2 3 4 5 Colocao1 Pomplio Jnior 7983 4496 4062 4058 4013 12 Pomplio Jnior 6922 3738 3717 3687 3631 13 Pomplio Jnior 7574 4247 4082 4068 3847 14 Pomplio Jnior 7571 4550 4017 3901 3898 15 Pomplio Jnior 7779 4889 4325 4296 3931 16 Srgio Matos 6994 3816 3757 3599 3268 17 Srgio Matos 6361 3179 3084 2740 2720 18 Srgio Matos 5034 3788 3709 3670 3375 1

9 Delenda Coit Arajo 6278 4707 4559 4409 4300 110 Delenda Coit Arajo 4149 3973 3961 3927 3849 111 Delenda Coit Arajo 5315 3964 3628 3451 3369 112 Deisy Coit Matos 6201 3496 3279 3273 3260 113 Deisy Coit Matos 4424 3645 3554 3499 3123 114 Deisy Coit Matos 4605 3765 3736 3443 3377 115 Darci Amorim 4501 2897 2877 2871 2814 116 Darci Amorim 4375 3138 2963 2823 2784 117 Darci Amorim 3399 3138 3063 3048 2987 118 Anglica 3575 3450 3273 3245 3245 419 Anglica 5593 3787 3750 3715 3715 120 Anglica 4599 4120 3962 3927 3910 121 Leila Regina Arajo 6894 4622 4042 3726 3535 122 Leila Regina Arajo 6557 3942 3786 3704 3497 123 Leila Regina Arajo 7183 4592 4319 3998 3837 124 Roberto Azevedo 7138 3795 3630 3508 3444 125 Roberto Azevedo 6808 3939 2972 2952 2655 126 Roberto Azevedo 7959 4121 3665 3360 2984 127 Keila Alinine 4459 4040 4019 3976 3743 2

28 Keila Alinine 6289 4494 4267 4047 3899 129 Keila Alinine 5813 4175 4146 4073 4049 130 Ccero 4639 4409 3970 3953 3931 33


77/85

77

31 Ccero 3839 3832 3641 3603 3931 4832 Ccero 4525 3860 3645 3422 3401 133 Elder 6367 4096 3987 3914 3884 134 Elder 6171 4675 4205 4131 4046 135 Elder 5251 4728 4549 4385 3890 136 Rodrigo 8103 5099 4828 4628 4589 137 Rodrigo 6716 4416 4164 3914 3793 138 Rodrigo 7255 4138 3950 3856 3738 139 Gerson Pereira 7093 4800 4241 4233 4075 140 Gerson Pereira 4608 4132 3839 3809 3746 141 Gerson Pereira 4972 4964 4330 4168 3889 142 Cssio 6695 3663 3649 3613 3509 143 Cssio 4467 4322 4062 4010 3982 1

44 Cssio 7316 4419 3776 3683 3683 145 Tiago Basto 6286 4453 4237 4203 4117 146 Tiago Basto 6254 4438 4331 3954 3719 147 Tiago Basto 4991 4653 3807 3749 3681 148 Artur Pomplio 4088 4074 4020 3894 3829 149 Artur Pomplio 7138 3956 3912 3871 3760 150 Artur Pomplio 6839 4113 3892 3720 3642 151 Cndida 5219 3123 3037 3028 2995 152 Cndida 3984 3872 3715 3601 3532 153 Cndida 3357 3287 2856 2849 2819 1

54 Juliana 3650 3610 3392 3304 3229 155 Juliana 5802 3544 3293 3204 3189 156 Juliana 4795 3934 3220 3185 3183 157 Alexandre Medrado 7975 3958 3945 3930 3890 158 Alexandre Medrado 6229 3700 3445 3422 3411 159 Alexandre Medrado 6541 4212 4157 4111 4096 160 Cristiane 5002 4566 3393 3389 3382 161 Cristiane 4382 4168 3626 3510 3392 162 Cristiane 3800 3777 3624 3542 3422 1

63 Luca

sistema de reconhecimento de face

Documents