Grupo 14:

Cristina Canto Pérez

Verónica Montes Valencia

Reconocimiento de caras usando

Histogramas de Gradientes Orientados

Objetivo

La realización del algoritmo Histogramas de gradientes orientados para su uso en el

reconocimiento facial. Tras pasarle una imagen al algoritmo que sea capaz de identificarnos automáticamente la cara

de una persona en una imagen digital. Como idea general podríamos decir que consiste

en el análisis de las características faciales de un sujeto extraídas de la imagen y comparándolas

con una base de datos.

Proceso de reconocimiento

Podemos diferenciar dos fases:

Extracción de características de una imagen.

La clasificación de una imagen en función de sus características.

Extracción de características de una

imagen

Proceso de obtener ciertos valores de una imagen que puedan describir a la misma.

La cara que aparece en la imagen quedaría definida por esos valores.

La idea esencial es que la apariencia y la forma de un objeto local dentro de una imagen puede

ser descrita por la intensidad de la distribución de las direcciones de los gradientes.

Extracción de características de una

imagen

1. En primer lugar la imagen pasa por un preproceso para aumentar la eficiencia y

eficacia de fases posteriores. Se transforma una imagen en color a otra en escalas de grises,

donde se traduce del valor de los pixeles en el rango de grises.

Extracción de características de una

imagen

2. Dividimos la imagen en fragmentos que llamaremos bloques. Para cada bloque se

calculará su vector de características.

Extracción de características de una

imagen3. Para cada bloque obtenido se normalizará su intensidad

con el fin de que su media sea 0 y su varianza sea 1. Para acelerar este proceso se ha utilizado la imagen integral

𝑆1=𝑖𝑖(𝑐𝑓,𝑟𝑓)+𝑖𝑖(𝑐0−1,𝑟0−1)−𝑖𝑖(𝑐𝑓,𝑟0−1)−𝑖𝑖(𝑐0 −1,𝑟𝑓) 𝑆2= 𝑖𝑖2(𝑐𝑓,𝑟𝑓)+ 𝑖𝑖2(𝑐0,𝑟0)− 𝑖𝑖2(𝑐𝑓,𝑟0−1)− 𝑖𝑖2(𝑐0−1,𝑟𝑓)𝜇= 𝑆1/𝑁𝜎=√𝑆2/𝑁− 𝜇2

Extracción de características de una

imagen4. Una vez normalizada la imagen, el siguiente paso es

calcular la magnitud y la orientación del gradiente de cada pixel. El gradiente denota una dirección en el espacio según el cual aprecia una variación de una

determinada propiedad.

Extracción de características de una

imagen

5. Se divide el gradiente en dos componentes, la magnitud y orientación para que el resultado sea una matriz, de la cual se tiene que crear un histograma de orientaciones. Este histograma se construye con un vector de talla N, siendo N

el número de orientaciones contempladas.

Extracción de características de una

imagen

6. Se aplica un posproceso al vector de características. Primero se normalizan sus

valores para posteriormente umbralizar los picos y volver a normalizar el vector resultante.

¿Problema? Tenemos que diferenciar ahora una serie de números de otros para determinar si se

trata de un rostro o no.

Clasificación de una imagen

De nuevo podemos tener en cuenta dos partes: Proceso de aprendizaje del clasificador:

De las imágenes de la base de datos se extraen sus características para obtener un valor numérico que defina a la

imagen. Estas características se pasan al clasificador junto con la certeza de que ese valor numérico representa la información de

que se trata de una cara o no.

Proceso de inferencia sobre el clasificador entrenado:

Con lo anterior se consigue que el clasificador sea capaz de inferir, cuando se le pasa una foto a estudiar, si el vector de

características se trata de una cara o no.

Clasificación de una imagen

Añadimos al clasificador los vectores de características obtenidos de las imágenes de entrenamiento. Junto con información que

identifica a cada vector con la clase que pertenece (cara o no).

Una vez entrenado el clasificador, para cada vector característico a reconocer se realiza una

búsqueda de los K vectores de entrenamiento más cercanos. Y se le asignará la clase a la que

pertenece la mayoría de los K vectores característicos más cercanos.

Implementación…

Preguntas? Gracias!