Published date: Jan 26 2020

Journal Title: KnE Engineering

Issue title: VI Congreso Internacional De La Ciencia, Tecnología, Emprendimiento E Innovación 2019

Pages: 164–186

DOI: 10.18502/keg.v5i2.6233

I. GranjaEscuela de Ingeniería Electrónica en Telecomunicaciones y Redes, Facultad de Informática y Electrónica, Escuela Superior Politécnica de Chimborazo. Panamericana Sur km 1 1/2, Riobamba- Ecuador

D. Morenopdmoreno@espoch.edu.ecEscuela de Ingeniería Electrónica en Telecomunicaciones y Redes, Facultad de Informática y Electrónica, Escuela Superior Politécnica de Chimborazo. Panamericana Sur km 1 1/2, Riobamba- Ecuador

F. CabreraEscuela de Ingeniería Electrónica en Telecomunicaciones y Redes, Facultad de Informática y Electrónica, Escuela Superior Politécnica de Chimborazo. Panamericana Sur km 1 1/2, Riobamba- Ecuador

P. ValleEscuela de Ingeniería Electrónica en Telecomunicaciones y Redes, Facultad de Informática y Electrónica, Escuela Superior Politécnica de Chimborazo. Panamericana Sur km 1 1/2, Riobamba- Ecuador

El objetivo fue la implementación de dos algoritmos de reconocimiento facial para la identificación de personas, bajo condiciones reales en este caso un domicilio, se examinó las investigaciones relevantes en la identificación facial como los métodos de Análisis de Componentes Principales (PCA) y el Análisis Lineal Discriminante (LDA), procesos matemáticos utilizadas por los algoritmos Eigenfaces y Fisherfaces, que son técnicas de aproximación estadística para clasificar datos en este caso rostros, con mínima complejidad computacional. El sistema de identificación de personas propuesto, desarrolló algoritmos en Matlab, describiendo sus etapas principales de procesamiento como la adquisición de imágenes, pre procesamiento, extracción de características faciales, entrenamiento o clasificador, éstos algoritmos se sometieron a evaluación de eficacia en la identificación de personas, utilizando una base de rostros públicas de AT&T conocida como ORL Database of Faces, con 400 imágenes de rostros de distintas personas con variadas expresiones, adicionalmente se elaboró un base de rostros domiciliar, con 48 imágenes para el entrenamiento del sistema. Como resultado de la evaluación bajo condiciones de laboratorio se obtuvo una eficiencia superior al 90%, mientras que, al ser evaluados en condiciones reales, los algoritmos presentan eficiencias de identificación que oscilan del 50 al 80%, factores que dependen de la distancia, cámara, calidad de imagen, e iluminación. Estableciéndose las condiciones mínimas de requerimientos para la implementación de un sistema de vigilancia domiciliar, con porcentajes de efectividad favorables en estos ambientes, proponiendo una innovación en el uso de la tecnología e ingeniería actual respecto a video vigilancia.

The objective of the project is the implementation of two facial recognition algorithms for the identification of people, under real conditions, in this case, an address. Relevant investigations in facial identification have been explored, such as Principal Component Analysis (PCA) and Discriminant Linear Analysis (LDA) methods, mathematical processes used by the Eigenfaces and Fisherfaces algorithms, which are statistical approximation techniques for classifying data, in this case, faces, with minimum computational complexity. The proposed people identification system, developed its algorithms in Matlab, describing its main processing stages such as image acquisition, pre-processing, extractions of facial features, training or classifier, these algorithms will be evaluated of efficiency in the identification of people, used for this a base of public faces of AT & T known as ORL Database of Faces, with 400 images of different faces forgive with various expressions, in addition to this a base of faces domiciliary, with 48 images will be elaborated for system training. As a result of the evaluations under laboratory conditions they present an efficiency of over 90%, while when evaluated in real conditions, the algorithms show efficiencies ranging from 50 to 80% depending on the distances between the subject and the camera, as well as it also depends on the image quality that can be acquired with them. In this way, minimum requirements have been established for the implementation of a home surveillance system, in which favourable percentages of effectiveness will be obtained in these environments, proposing an innovation in the use of current technology in relation to video surveillance.

Palabras claves: PCA, Eigenfaces, LDA, Fisherfaces, Base de Datos Públicas, Algoritmo, Reconocimiento.

Keywords: PCA, Eigenfaces, LDA, Fisherfaces, Public Database, Algorithm, Recognition.

[1] Yale University Face Image Database, 1997. [Online]. Available: http://cvc.yale.edu/projects/yalefaces/ yalefaces.html

[2] S. Tolba, A. H. El-Baz, and A. A. El-Harby, “Face Recognition: A Literature Review,” Int. J. Signal Process., vol. 2, no. 2, pp. 88–103, 2006.

[3] J. Pandya, D. Rathod, And J. Jadav, “A survey of face recognition approach,” Int. J. Eng. Res. Appl., vol. 3, no. 1, 2013.

[4] Ekman and Friesen, (1978). “Facial Action Coding System (FACS)”. Recuperado de: http://www.cs.cmu.edu/afs/cs/project/face/www/facs.htm

[5] B. Braathen, et al. “First Step Towards Automatic Recognition of Spontaneous Facial Action Units”. Institute for Neural Computation. University of California, USA, 2001.

[6] G. Littlewort, et al. “Dynamics of facial expression extracted automatically from video”. Image and Vision Computing, 2005.

[7] Kapoor, Y. Qi, R.W. Picard, “Fully automatic upper facial action recognition”, IEEE International Workshop on Analysis and Modeling of Faces and Gestures, 2003.

[8] Zarit, B. D.; Super, B. J. and Quek, F. K. H. “Comparison of five color models in skin pixel classification”. Recognition, Analysis and Tracking of faces and gestures in Real-Time systems, pp. 58–63; 1999.

[9] Brand, J.; Mason, J. S. “A comparative assessment of three approaches to pixel-level human skindetection”. 15th International Conference on Pattern Recognition; pp. 1056-1059 Vol.1; 2000.

[10] Vladimir Vezhnevets, Vassili Sazonov, Alla Andreeva. “A Survey on Pixel-Based Skin Color Detection Techniques”. Machine Graphics & Vision International Journal, pp. 61–70 Vol. 14; 2005.

[11] L. Sirovitch and M. Kirby, “Low-Dimensional Procedure for the Characterization of Human Faces,” J. Optical Soc. of Am. A, vol. 2, pp. 519–524, 1987.

[12] B. M. Díaz, “Reconocimiento Facial Automático mediante Técnicas de Visión Tridimensional”. Universidad Politécnica de Madrid, Madrid, 2004.

[13] C. V. G. Jiménez, “Diseño y Desarrollo de un Sistema de Reconocimiento de Caras”, Universidad Carlos III de Madrid, Madrid, 2009.

[14] N. L. Pérez, Y. J. J. Toro Agudelo, “Técnicas de Biometría Basadas en Patrones Faciales del ser Humano”. Universidad Tecnológica de Pereira, Pereira, 2012.

[15] C. Maximiliano, Y. M. A. Galván. “Teoría de Comunicación”. Universidad de Buenos Aires, Buenos Aires, 2009. [16] M. TURK ANO A. PENTLANO, ”Eigenfaces for recognition”, J. Cognitive euroscience, vol. 3, numo 1, 1991.

[17] P. Wagner, “Face recognition with python,” 2012. [Online]. Available: http://www.bytefish.de/pdf/ facerec_python.pdf. [Accessed: 05-May-2016].

[18] R. Gross, “Face Databases,” Springer-Verlag, pp. 1–22, 2005.

[19] G. Castaneda and T. Khoshgoftaar, “A Survey of 2D Face Databases,” in 2015 IEEE International Conference on Information Reuse and Integration, 2015, pp. 219–224.

[20] Andreea, P. V. (2016), “Aplicación para Detección y Reconocimiento Facial en Interiores” Sevilla: Departamento de Ingeniería de Sistemas y Automática, Universidad de Sevilla.

[21] Martínez, A. M., & Kak, A. C. (2001). PCA versus LDA. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 228–233.

[22] Belhumeur, J. Hespanha, D. Kriegman, “Eigenfaces vs. Fisherfaces” Recognition Using Class Specific Linear Projection,Ó IEEE Transactions on Pattern Analysis and Machine Intelligence, July 1997, pp. 711–720.