Um Estudo da Performance do PCA no Reconhecimento Facial

Baseado em Alterações nas Características das Imagens

Cláudio César S. de Freitas, Roger F. C. Larico, Yuzo Iano

Faculdade de Engenharia Elétrica e Computação, FEEC, UNICAMP

13083-852, Campinas, SP

E-mail:{claudiof, rlarico, yuzo}@decom.fee.unicamp.br

Resumo: Existem diversos métodos numéricos utilizados no reconhecimento facial e a Análise

de Componentes Principais (PCA) é uma das técnicas mais comuns utilizadas para esta

aplicação. No entanto, é necessário avaliar as características das imagens que estão sendo

processadas, tais como, iluminação, segmentação e brilho. Baseado nisso, esse trabalho faz um

estudo do desempenho do PCA no reconhecimento de imagens faciais submetidas a diferentes

alterações dessas características. Os resultados mostram que o desempenho do PCA está

relacionado diretamente com as condições de iluminação, brilho e contraste da imagem,

considerando que ocorreu uma grande variação na taxa de acerto do algoritmo de acordo com

o filtro utilizado.

Palavras-chaves: PCA, reconhecimento facial, processamento de imagens.

1. Introdução

A Análise de Componentes Principais é um dos métodos de extração de características mais

utilizados na área de reconhecimento de padrão, visão computacional, processamento de sinais e

etc. [1]. Esse trabalho propõe um estudo do PCA e a análise do seu desempenho no

processamento de uma imagem sob diferentes condições de iluminação, brilho e contraste. O

objeto de estudo considerado será o reconhecimento facial, um problema bastante difundido no

meio científico e que possui várias aplicações no cotidiano das pessoas na área de segurança e

entretenimento, por exemplo.

A motivação para esse estudo surge a partir da necessidade de analisar as ferramentas já

existentes e compreender os desafios que rodeiam tais técnicas, com o objetivo de explorar

melhorias, tornando tais métodos cada vez mais robustos e eficientes.

É possível encontrar na literatura trabalhos que exploram especificamente os conceitos

sobre PCA, como a sua comparação com outros métodos [2], análise da perda de informação

pelo algoritmo [3] e até mesmo estudo de outras áreas como telecomunicações [4]. Outros

autores, também consideram a aplicação do PCA em problemas mais específico e, em especial,

o reconhecimento facial, o objeto de estudo desde artigo é também alvo de muitas pesquisas na

área de sistemas biométricos, e por ser uma das técnicas mais populares de reconhecimento de

pessoa, pode-se encontrar facilmente artigos que exploram esse tema utilizando PCA e outros

métodos [5] [6] [7].

Atualmente, alguns trabalhos ainda consideram a utilização de forma isolada, ou seja,

utilizando apenas o PCA. No entanto, verifica-se uma tendência em combinar o PCA com

outros algoritmos [8] [9]. Em relação ao reconhecimento facial, ainda existem muitos desafios

que não possibilitam o reconhecimento facial de 100% dos casos, no entanto, alternativas estão

sendo propostas como a utilização de duas ou mais técnicas para processamento, incluindo o

PCA, ou até mesmo, a combinação de duas ou mais características biométricas.

A importância desse estudo está diretamente relacionado com a exploração de um

algoritmo amplamente utilizada no campo do reconhecimento de padrões e processamento de

imagens. Através dessa pesquisa, buscamos o comportamento do PCA na análise de padrões em

imagens digitais, enfatizando especificamente a aplicação em reconhecimento facial.

O artigo está organizado da seguinte forma: primeiramente, é apresentada uma

introdução dos conceitos e importância desse estudo para a área de reconhecimento de padrões e

processamento de imagens. Em seguida, são ilustrados os métodos utilizados para desenvolver o

estudo, acompanhado de uma descrição do algoritmo PCA e do problema de reconhecimento

facial.

65

ISSN 2318-471X ISBN: 978-85-8215-047-4

Após isso, são apresentados os resultados obtidos a partir da proposta deste artigo e da

tabela contendo a taxa de acerto para cada situação. Finalmente, é realizada uma discussão

acerca dos resultados obtidos considerando os desafios desse problema e propostas de melhorias

e trabalhos futuros.

2. Métodos e Desenvolvimento O projeto foi realizado no Laboratório de Comunicações Visuais (LCV) na

Universidade Estadual de Campinas, utilizando computadores com processador Core i7 e

memória RAM de 4GB. O código foi desenvolvido e executado utilizando o Matlab, versão

2012. O código da ferramenta PCA foi baseado no material disponível na internet1 e a base de

dados de faces, foi extraída da base de dados AT&T, também disponível para download em

[10]. O banco de dados utilizado no experimento é composto de 40 indivíduos, contendo 10

diferentes imagens de cada pessoa. As imagens estão no formato .PGM, com resolução de

92x112 pixels e 256 níveis de cinza por pixel. Algumas faces utilizadas no estudo são ilustradas

na figura 1.

Figura 1. Imagens faciais da base de dados AT&T

2.1. Algoritmo PCA

O PCA é uma das ferramentas mais utilizadas na área de reconhecimento de padrões e

processamento de imagens. Isso ocorre por ser uma ferramenta robusta e eficiente nesta área e a

seguir, será apresentada uma breve descrição da sua fundamentação matemática e seus

princípios de execução.

Basicamente, o algoritmo PCA tem como principal objetivo a redução da

dimensionalidade e redundância de dados de uma imagem. A sua aplicação consiste na redução

de dimensionalidade do conjunto de dados que possuem um grande número de variáveis

relacionadas, o que tornou esta técnica muito popular na área de reconhecimento facial.

A Análise de Componentes Principais faz uso de técnicas de Álgebra Linear, em

especial, com a utilização de autovetores e autovalores. Mas também, estão envolvidos outros

métodos matemáticos descritos a seguir:

1. Obtêm-se os dados e amostras dos vetores de dimensão n;

2. Calcular o vetor médio desses dados;

3. Subtrair a média de todos os itens;

4. Calcular a matriz de covariância utilizando todas as subtrações;

5. Calcular autovalores e autovetores da matriz de covariância;

6. Arranjar a matriz PCA.

2.2. Reconhecimento Facial

Dentro da área de reconhecimento biométrica, o reconhecimento facial é uma das

técnicas mais populares no âmbito de reconhecimento biométrico, e por isso, essa técnica tem

sido objeto de pesquisa de muitos pesquisadores ao redor do mundo. Existem muitas propostas

de técnicas e métodos para o reconhecimento facial, e verifica-se uma tendência na combinação

de diferentes técnicas de processamento com o objetivo de melhorar os resultados finais

[11][12].

1 Download disponível em: http://isa.umh.es/asignaturas/cscs/. Acessado em: 20 de abril de 2013

66

ISSN 2318-471X ISBN: 978-85-8215-047-4

O foco desse estudo não será estudar a combinação desses métodos ou a utilização de

outros métodos, contudo, o estudo apresentado nesse artigo abre um caminho para que

pesquisadores possam utilizar tais teorias do PCA em outras aplicações, buscando também a

fusão de outros métodos com o objetivo de melhorar os resultados apresentados neste artigo.

3. Resultados Para a realização dos testes, considerando que cada pessoa possui 10 imagens

representadas em diferentes posições, adotamos 5 imagens aleatórias para treinamento e o

restante foi utilizado para os testes. O total de imagens do banco de dados é de 400 imagens,

sendo assim, 200 imagens foram utilizadas para treinamento e 200 para testes. Além disso,

outro parâmetro utilizado foi a quantidade de dimensão da projeção (Nv) utilizado para

treinamentos, havendo uma variação de 10, 25 e 40 projeções.

Diversos filtros foram implementados através do Matlab, alterando características

relacionadas com a iluminação, contraste e brilho. Os filtros escolhidos são utilizados em

diversas situações envolvendo processamento de imagens e tratam informações importantes. Os

seguintes filtros foram utilizados para os testes:

Máscara unsharp.

Ajuste de contraste através da alteração dos níveis de cinza da imagem.

Ajuste de iluminação através do histograma.

Filtro gaussiano.

Filtro Mediano.

A figura 2 apresenta alguns exemplos de imagens geradas após a aplicação dos filtros.

Figura 2. Exemplos de imagens processadas utilizadas nos testes

A tabela 1 apresenta o resultado obtido na realização dos testes.

Imagens Nv = 10 Nv = 25 Nv = 40

Sem filtros (normal) 73,5% 79% 79,5%

Filtro Unsharp 70% 74% 75,5%

Ajuste de contraste 65,5% 75,5% 75,5%

Adapthistreq 60% 66,4% 68%

Filtro gaussiano 72,5% 78% 78,5%

Mediano 71,5% 78% 77%

Tabela 1. Resultados obtidos

5. Discussão Final Os resultados apresentados mostram que o PCA possui um bom desempenho no

reconhecimento de faces sob diferentes posições faciais, no entanto, o método possui muita

sensibilidade em relação a características inerentes de uma imagem como iluminação, brilho e

contraste. Isso deixa claro a necessidade de considerar estas informações ao implementar o PCA

para uma determinada aplicação na área de processamento de imagens. Mas ainda assim, pode-

67

ISSN 2318-471X ISBN: 978-85-8215-047-4

se observar que esse algoritmo possui um bom desempenho para a análise de padrões em

imagens digitais e justifica assim a sua popularidade nesta área de pesquisa.

Como discutido no tópico 2 deste artigo, existem outros métodos que podem ser

combinados com o PCA, tendo o objetivo de melhorar a performance da técnica. Tais métodos

podem ser as redes neurais artificiais, sistemas Fuzzy, algoritmos genéticos ou outras técnicas

matemáticas como a Análise de Discriminante Linear (LDA) e Máquinas Vetoriais de Suporte

(SVM).

Como alternativa de trabalhos futuros, sugerimos a inclusão de outras ferramentas

matemáticas combinadas com o PCA, gerando assim um método híbrido capaz de melhorar a

performance do sistema. Além disso, é importante considerar a implementação de um pré-

processamento com o objetivo de normalizar as condições da imagem de forma a criar boas

condições para o reconhecimento de informações importantes e que facilitem a execução de

algoritmos que reconhecem tais dados para o reconhecimento de padrões.

Referências

[1] Ying Wen; Pengfei Shi, "Image PCA: A New Approach for Face Recognition," Acoustics, Speech and

Signal Processing, 2007. ICASSP 2007. IEEE International Conference on , vol.1, no., pp.I-1241,I-1244,

15-20 April 2007

[2] Borade, S.N.; Adgaonkar, R.P., "Comparative analysis of PCA and LDA," Business, Engineering and

Industrial Applications (ICBEIA), 2011 International Conference on , vol., no., pp.203,206, 5-7 June

2011

[3] Geiger, B.C.; Kubin, G., "Relative information loss in the PCA," Information Theory Workshop

(ITW), 2012 IEEE , vol., no., pp.562,566, 3-7 Sept. 2012

[4] Sahebdel, S.; Bakhshi, H.; Nasseri, M.; Naser-Moghaddasi, M., "PCA relay strategies for sensor

networks and cooperative communications systems," Business, Engineering and Industrial Applications

(ICBEIA), 2011 International Conference on , vol., no., pp.207,210, 5-7 June 2011

[5] Satone, M.P.; Kharate, G.K., "Face recognition based on PCA on wavelet subband," Electrical,

Electronics and Computer Science (SCEECS), 2012 IEEE Students' Conference on , vol., no., pp.1,4, 1-2

March 2012

[6] Faruqe, M.O.; Al Mehedi Hasan, M., "Face recognition using PCA and SVM," Anti-counterfeiting,

Security, and Identification in Communication, 2009. ASID 2009. 3rd International Conference on , vol.,

no., pp.97,101, 20-22 Aug. 2009

[7] Jondhale, K.C.; Waghmare, L.M., "Improvement in PCA Performance Using FLD and RBF Neural

Networks for Face Recognition," Emerging Trends in Engineering and Technology (ICETET), 2010 3rd

International Conference on , vol., no., pp.500,505, 19-21 Nov. 2010

[8] Jong-Min Kim; Myung-a Kang, "A Study of Face Recognition Using the PCA and Error Back-

Propagation," Intelligent Human-Machine Systems and Cybernetics (IHMSC), 2010 2nd International

Conference on , vol.2, no., pp.241,244, 26-28 Aug. 2010

[9] Guoliang Yang; Lina Xu, "Face recognition algorithm combined with DCT, PCA and

BPNN," Advanced Computational Intelligence (ICACI), 2012 IEEE Fifth International Conference on ,

vol., no., pp.682,685, 18-20 Oct. 2012

[10] The Database of Faces, AT&T Laboratories Cambridge:

http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html . Acessado em: 15 de abril de 2010.

[11] Cheraghian, A.; Faez, K.; Dastmalchi, H.; Oskuie, F.B., "An efficient multimodal face recognition

method robust to pose variation," Computers & Informatics (ISCI), 2011 IEEE Symposium on , vol., no.,

pp.431,435, 20-23 March 2011

[12] Abate, A.F.; Nappi, M.; Riccio, D.; De Marsico, M., "Face, Ear and Fingerprint: Designing

Multibiometric Architectures," Image Analysis and Processing, 2007. ICIAP 2007. 14th International

Conference on , vol., no., pp.437,442, 10-14 Sept. 2007

68

ISSN 2318-471X ISBN: 978-85-8215-047-4