Utilizando Eigenfaces para Reconhecimento de Imagens

Thales Sehn Krting (Bolsista PIBIC-CNPq) , Nelson Lopes Duarte Filho

Engenharia de Computao - Fundao Universidade Federal do Rio Grande

Av. Itlia, Km. 8 s/no 88302-202 Rio Grande, RS

Departamento de Matemtica Fundao Universidade Federal do Rio Grande

Av. Itlia, Km. 8 s/no 88302-202 Rio Grande, RS
thales@ecomp.furg.br, dmtnldf@furg.br

Abstract. This paper presents a very utilized thecnique by the pattern

recognition community, the Principal Component Analysis, through the
use of Eigenfaces, that will be better described as follows. Besides the
description of this method, this paper has the exposition of experimen-
tal results in face recognition, in order to prove the capacities of such
method and the necessities of its use to this kind of application.
Resumo. Este artigo apresenta uma tcnica bastante utilizada na co-
munidade de reconhecimento de padres, a chamada Anlise dos Com-
ponentes Principais, pelo uso de Eigenfaces, os quais sero melhor de-
scritos a seguir. Alm da descrio completa do mtodo, este artigo
conta com a exposio de resultados experimentais de reconhecimento
de faces, visando comprovar as capacidades do mtodo em questo e a
necessidade de seu uso para este tipo de aplicao.

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

O computador interpretar as imagens dos face banks como vetores em

uma matriz que as contm, para isso devemos fazer o processo de vetorizao:


sendo h o nmero de linhas de uma imagem e w o nmero de colunas, pode-

 

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]:

contento n cpias da mdia das imagens contidas em :

Tendo um conjunto de n imagens para o treinamento, , criamos a matriz 




         

  
A diferena entre cada face
  e a mdia gravada em  :

           
  
sendo 
            

Com esses dados podemos montar a matriz de covarincia das imagens de

treinamento. Os eigenfaces deveriam ser extrados desta matriz, C, que
construda como segue:
         
No entanto encontrar os auto-vetores de uma matriz     
uma tarefa
intratvel para tamanhos de imagens tpicos, de modo que uma maneira

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

Neste momento j possumos os eigenfaces, armazenados na matriz U. Se

mostrarmos cada linha desta matriz como uma imagem, perceberemos que
estas apresentam similaridades com faces humanas, ressaltando as carac-
tersticas principais do banco de imagens de faces utilizado.
O reconhecimento de faces por eigenfaces composto de dois estgios:
um para o treinamento e outro para o reconhecimento [Wei, 2000]. No


estgio de treinamento a face de cada indivduo, 
projetada no espao
de imagens, gerando a matriz :

     "         
  
Ser com esta matriz que realizaremos as comparaes na hora de exe-
cutarmos o reconhecimento das imagens. Observe que ela possui uma
dimenso muito menor do que a das imagens de entrada; esse o objetivo
principal da utilizao dos eigenfaces. Para a posterior classificao das
imagens, precisamos calcular um valor limiar  para representar a maior
distncia aceitvel entre imagens de teste e as imagens de treinamento:
 


    




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:

    "         
   

Tambm, para uso no clculo posterior, reconstrumos a imagem de pro-
6

va , guardando-a em , o que feito pela equao abaixo:

      "    
   

   

 ser utilizada para que o sistema possa realizar a distino entre ima-
gens de prova contendo faces humanas e imagens quaisquer. Para isso calculamos
a distncia (vetorial) entre a imagem de prova e sua reconstruo:

   
   

Alm disso precisamos saber a distncia entre a imagem de prova e todas

as imagens do banco de faces. Armazenamos esses resultados em  :

  

 

    

Finalmente, com o clculo de todos estes valores, podemos realizar a clas-

sificao da imagem de prova, utilizando a lgica a seguir:

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

Imagens utilizadas Resultados

fase treinanento teste acertos erros taxa de acerto
a
1 120 (3 por pessoa) 280 237 43 84,54%
2a 240 (6 por pessoa) 160 152 8 95,00%
Tabela 1: Resultados

5 Concluses e Trabalhos Futuros

Aqui so apresentados alguns testes realizados na fase inicial do projeto 7 , que
visam ratificar a utilizao da tcnica explicada e impulsionam a continuidade
da pesquisa para o aprimoramento dos resultados, os quais esto mostrados da
seguinte maneira (figura 3): uma imagem de prova esquerda, no pertencente ao
banco de faces do treinamento, o resultado de sua reconstruo a partir da transfor-
mada PCA no centro e, em caso de ser detectada como um indivduo conhecido,
a face com a qual a imagem de prova mais se assemelha direita.
Na tabela 1 vemos uma descrio mais quantitativa dos primeiros resul-
tados, utilizando 3 imagens de cada pessoa para a primeira fase e 6 imagens em
um segundo momento, o que naturalmente aumentou a taxa de acertos. Como
se pode perceber, a utilizao da tcnica proposta bastante satisfatria quan-
do utilizada sobre uma base de dados (faces) relativamente grande, permitindo ao
sistema inferir, das imagens de prova posteriormente apresentadas, suas principais
caractersticas e, partindo delas, realizar o reconhecimento das imagens utilizando
um nmero bastante reduzido de clculos.
Pretende-se, ainda, desenvolver um sistema completo de reconhecimen-
to de faces, com caractersticas de adaptao a faces desconhecidas, tornando o
sistema capaz de aprender a reconhecer novas faces conforme a apresentao
de indivduos desconhecidos, e tambm de ratificar seu conhecimento sobre as
7
Todos executados sobre o banco de faces ORL
imagens j conhecidas. Alm disso mais testes devero ser realizados, visando
a publicao dos resultados de forma estatstica, comprovando a necessidade do
uso de eigenfaces para este tipo de aplicao.

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