1 Introduo
Uma importante rea de atuao da informtica na vida cotidiana est no reco-
nhecimento de faces, com diversos exemplos de uso, como na identificao de
pessoas em cartes de crdito, carteiras de motorista, passaportes, etc., alm da
utilizao em reas de segurana, como retrato-falado, rastreamento em multi-
des, entre outros [Romdhani, 1996]. Podemos utilizar esta rea para o prprio
estudo da inteligncia humana (um dos objetivos principais da Inteligncia Arti-
ficial), tanto que Neuro-cientistas vm conduzindo pesquisas neste campo. Suas
propostas so de entender os mecanismos de viso do crebro humano. Uma das
tcnicas utilizadas por eles chamada Anlise dos Componentes Principais (ou
PCA - Principal Component Analysis) [Romdhani, 1996], e esta tcnica a inspi-
radora do mtodo aqui apresentado.
Entretanto, para capacitar um computador de tal habilidade, precisamos
trein-lo com a utilizao de imagens de referncia, as quais possuem um tamanho
relativamente grande, e como so necessrias diversas imagens visando o aumento
da robustez do sistema, torna-se bastante difcil a criao de mtodos com os
quais se possa trabalhar em tempo real, visto que o processamento de todas essas
informaes contm um custo bastante elevado. A utilizao de eigenfaces 1 visa
reduzir a dimensionalidade dos dados de treinamento, com o intuito de contornar
o problema recm citado, sendo sua descrio o objetivo principal deste trabalho.
Atualmente diversas pesquisas tm sido conduzidas utilizando eigenfaces
com o objetivo de aperfeioar o mtodo, e o que se encontra na bibliografia so
diversas tcnicas derivadas da transformada PCA, como modelagem de densidade,
eigenfeatures, similaridade Bayesiana, entre outros [Cendrillon e Lovell, 1999].
Alm disso muitos projetos j vm utilizando eigenfaces para o processamento de
imagens em geral, como deteco de faces [Turk e Pentland, 1991], ou apenas dos
olhos [Marques, Orlans e Piszcz, 2003], ou mesmo dos demais pontos principais
de uma face, como nariz, boca, etc. [Liou, 1997]
Ao longo deste artigo encontraremos a descrio do mtodo, apresentando
uma srie de testes realizados em bases de dados contendo imagens de faces hu-
manas, atravs de um sistema implementado para esse propsito, o qual treinado
com essa base e se torna capaz de discernir, ao receber uma nova imagem, se essa
contm uma face humana e se a mesma (sendo uma face) reconhecida dentro da
base de treinamento.
2 Imagens
Para a realizao deste artigo foram utilizados alguns bancos de imagens de faces
humanas2 , provenientes de duas fontes. O primeiro face bank utilizado foi o
chamado ORL database3 contendo um conjunto de imagens de faces criadas entre
Abril de 1992 e Abril de 1994. Existem 10 imagens para cada uma das 40 pessoas
envolvidas [Dogu, Kaynar e Vural, 2000]. O segundo face bank, disponvel em
[Danner e Datta, 2000] contm 86 imagens de 31 faces (2 ou 3 por pessoa). No
primeiro face bank, como mostrado na figura 1, as imagens so das faces inteiras,
com um pequeno fundo. J no segundo as imagens foram recortadas, ressaltando
pontos que vo desde a sobrancelha at o queixo.
1
Atravs da transformada PCA, tambm conhecida por transformada de Hotelling e por expan-
so de Karhunen-Love [Campos, 2000].
2
Os exemplos apresentados contm imagens de homens e mulheres. Sero referenciados por
Face Banks.
3
Olivetti Research Laboratory
Figura 1: ORL Face Bank
se dizer que uma imagem um padro de caractersticas, ou um vetor
no espao -dimensional, o qual chamaremos de espao de imagens
[Campos, 2000].
Para trabalharmos com a tcnica que ser apresentada, fazemos a trans-
posio das imagens para o espao de imagens, como visto em [Campos, 2000],
construindo assim a matriz , de tamanho , sendo eno
nmero de imagens a serem utilizadas durante a fase de treinamento. Conforme
dito anteriormente, o uso de eigenfaces considera esse espao de imagens como
um espao vetorial ( -dimensional), e entende cada uma das linhas de
como um ponto neste espao.
O uso de tcnicas da lgebra linear nos ajuda a reduzir os clculos na hora
de estabelecermos o reconhecimento das imagens envolvidas, atravs da projeo
dos vetores (faces) em sub-espaos vetoriais, da o uso de auto-valores e auto-
vetores (os quais estamos chamando de eigenfaces). Esses auto-vetores, conforme
a lgebra linear, refletem em um conjunto de vetores com direes que represen-
tam a maioria das direes dos demais vetores j presentes neste espao. Para o
reconhecimento de faces isto se faz importante, na medida em que os auto-vetores
refletiro os componentes das imagens que so mais importantes ao reconheci-
mento, ou seja, aqueles que mais se fazem presentes em todas as imagens 4 .
Cabe salientar que os auto-valores refletem a importncia dos auto-vetores,
ou seja, os auto-vetores com maiores auto-valores refletiro em componentes das
imagens que so mais importantes do que outros com auto-valores menores. Auto-
vetores com auto-valores nulos podero ser descartados, e isso importante tam-
4
Da a explicao do nome da tcnica tambm ser conhecida como Anlise dos Componentes
Principais, ou PCA - Principal Component Analysis
bm pela reduo de dimensionalidade na hora da realizao das computaes em
busca do reconhecimento das faces.
3 Eigenfaces
J entendendo como funciona a criao do espao de imagens e o que signifi-
cam auto-valores e auto-vetores, podemos partir para a descrio do mtodo 5 .
Pela facilidade do entendimento, sero utilizadas bastantes equaes no forma-
to matricial, acompanhadas por pequenas descries dos passos envolvidos e das
dimensionalidades de cada matriz gerada.
Para a gerao dos auto-valores e auto-vetores, precisamos inicialmente
construir o espao de imagens, e isso feito da seguinte forma [Campos, 2000]:
matriz
! . Os primeiros n auto-vetores de C po-
simplificada de clculo deve ser adotada [Turk, 1991]. Consideremos a
dem ser expressados como uma combinao linear entre os auto-vetores
de L (denotados por V) e as imagens contidas em A [Wei, 2000], como
mostrado:
" #$
5
A proposta original do uso deste mtodo encontra-se em [Turk, 1991]
Figura 2: 3 primeiros e 3 ltimos eigenfaces gerados
4 Reconhecimento
Como dito anteriormente, se mostrarmos os eigenfaces como imagens veremos
que os mesmos apresentam figuras que lembram faces humanas, ou seja, imagens
contendo os componentes principais das faces humanas. Eigenfaces com menores
auto-valores apresentam imagens sem muitas caractersticas interessantes, por is-
so muitas vezes so descartadas. Os 3 primeiros e os 3 ltimos eigenfaces gerados
esto mostrados na figura 2.
Consideremos uma imagem de prova, , a qual ser utilizada para testar
o sistema, que deve discernir se a imagem representa ou no uma face humana
alm de, se realmente representar, conseguir detectar se a face apresentada de
alguma pessoa cuja face est no banco de treinamento ou se outra pessoa. Para
iniciarmos o processo, projetamos no espao de imagens atravs do seguinte
cmputo:
SE
ENTAO a imagem no representa uma face humana;
SE
E
ENTAO a imagem representa uma face humana, mas desconhecida pelo
banco de faces;
SE
E
ENTAO a imagem representa a face do indivduo contido no ndice k do
banco de faces.
6
Se utilizarmos uma imagem j conhecida, devemos perceber que sua reconstruo ser prati-
camente idntica imagem original
Figura 3: Testes realizados: esquerda, com sucesso e direita, sem sucesso
Referncias
TURK, M. A., PENTLAND, A. P. Eigenfaces for Recognition. Journal of cog-
nitive neuroscience, Vol. 3, No. 1, 1991.
TURK, M. A., PENTLAND, A. P. Face Recognition Using Eigenfaces. IEEE
CVPR, 1991.
PENTLAND, A., MOGHADDAM, B., STARNER, T. View-Based and Modular
Eigenspaces for Face Recognition. IEEE CVPR, 1994.
CAMPOS, T. E. Tcnicas de Seleo de Atributos e de Classificao para Re-
conhecimento de Faces. Dissertao de Mestrado, Departamento de Cincia
da Computao, IME - USP. 2000.
ROMDHANI, S. Face Recognition Using Principal Component Analysis. Dis-
sertao de Mestrado. Departament of Electronics and Electrical Engineering,
University of Glasgow, UK. 1996
DANNER, T. DATTA, I. Eigenfaces Group. Disponvel em
http://www.owlnet.rice.edu/~elec301/Projects99/faces/.
Acessado em 09/02/2004.
WEI, S. Shape Analysis in Computer Vision Final Project Report: Face
Recognition. Disponvel em
http://www.cim.mcgill.ca/~wsun/sa/project/. Acessado em
05/02/2004.
DOGU, H., KAYNAR, ., VURAL, F. T. Y. Face Recognition Using Eigen-
faces. Disponvel em http://www.cs.bilkent.edu.tr/~ilknurk/
undergraduate_projects/564/564_project_report_files/.
Acessado em 02/05/2004.
LIOU, C. J. A Real Time Face Recognition System. Departament of Electrical
Engineering, National Taiwan University. 1997.
CENDRILLON, R. LOVELL, B. C. Real Time Face Recognition using Eigen-
faces. Departament of Computer Science and Electrical Engineering - UQ.
1999
MARQUES, J., ORLANS, N. M., PISZCZ, A.T. Effects of Eye Position on
Eigenface-Based Face Recognition Scoring. The MITRE Corporation. 2003
LUO, M., PANITCHOB, Y. Eigenfaces for Face Recognition. ECE. 2000