Sistema de Reconocimiento de Patrones de Rostros en la Nube
Resumen
El presente trabajo comprende la implementación de algoritmos de alto desempeño para reconocimiento y detección de rostros, con interactividad en la Nube empleando la plataforma Microsoft Azure. Para su implementación, se analizan técnicas biométricas utilizadas hoy en día para el reconocimiento de patrones de rostros y se plantea de manera general considerar la existencia de ruido en las imágenes a analizar al compararlas con las bases de datos tomando en cuenta la alineación, normalización y escalado de cada una de las imágenes probadas. Para ello, se han llevado a cabo experimentos diferenciados de cada una de las fases del desarrollo del proyecto, de modo que se pudieron evaluar fortalezas y debilidades de la aplicación en la Nube. El análisis de desempeño centra en verificar exactitud, eficiencia y rapidez del servicio; con este propósito se realizó un estudio antropométrico como base experimental para realizar un análisis más exhaustivo del rostro, considerando la detección de atributos y el reconocimiento facial. El desarrollo del proyecto tiene dos líneas principales de trabajo: i) se implementó un servicio basado en las librerías de la API Face de Microsoft Azure para reconocimiento facial en lenguaje C#, cuyo rendimiento fue evaluado con una base de datos local y posteriormente en el Cloud de Microsoft, posteriormente se adaptó y se mejoró el diseño e implementación para su funcionamiento en tiempo real; y ii) el enfoque experimental, llevando a cabo pruebas diferenciadas del servicio en cada una de las etapas de desarrollo, donde se pudo realizar una evaluación de forma detallada. Los experimentos se enfocaron en el estudio de las etapas más relevantes para el análisis de la exactitud, rendimiento y rapidez en las funciones de: agrupación, detección, comprobación, identificación y comparación de rostros y reconocimientos de emociones. Este proyecto finaliza con la implementación del sistema de análisis de rostros con la integración de los servicios Microsoft Azure Face API
Descargas
Citas
A. Nabatchian, E. Abdel-Raheem, and M. Ahmadi. Human face recognition using different moment invariants: A comparative study. In Image and Signal Processing, 2008. CISP '08. Congress on, volume 3, pages 661-666, 2008.
Amazon . (2018). Amazon Web Services. 11/Oct/2018, de Amazon Sitio web: https://aws.amazon.com/es/rekognition/.
Corinna Cortes and Vladimir Vapnik. Support-vector networks. Mach. Learn., 20(3):273 297, September 1995.
Ferdinando Samaria and Steve Young. Hmm-based architecture for face identification. Image and Vision Computing, 12(8):537 - 543, 1994.
Gary Bradski and Adrian Kaehler. Learning OpenCV. O'Reilly Media Inc., 2008.
Google. (2018). Google Cloud Vision. 11/Oct/2018, de Google Sitio web: https://cloud.google.com/vision/.
I.T. Jolliffe. Principal Component Analysis. Springer Verlag, 1986.
Ingemar J. Cox, J. Ghosn, and P.N. Yianilos. Feature-based face recognition using mixturedistance. In Computer Vision and Pattern Recognition, 1996. Proceedings CVPR '96, 1996 IEEE Computer Society Conference on, pages 209-216, 1996.
ISO/IEC 19794-5:2011. Information technology - biometric data interchange formats - part 5: Face image data. In International Organization for Standardization, 2011.
John C. Russ. Image Processing Handbook, Fourth Edition. CRC Press, Inc., Boca Raton, FL, USA, 4th edition, 2002.
Laurenz Wiskott, Jean-Marc Fellous, Norbert Krüger, and Christoph Von Der Malsburg. Face recognition by elastic bunch graph matching. IEEE TRANSACTIONS ON PATTERN NALYSIS AND MACHINE INTELLIGENCE, 19:775-779, 1997.
Microsoft Azure . (2018). Computer Vision. 11/Oct/2018, de Microsoft Sitio web: https://azure.microsoft.com/en-us/services/cognitive-services/computer-vision/.
Nobuyuki Otsu. A Threshold Selection Method from Gray-level Histograms. IEEE Transactions on Systems, Man and Cybernetics, 9(1):6266, 1979.
P. Parveen and Bhavani Thuraisingham. Face recognition using multiple classifiers. In Tools with Artificial Intelligence, 2006. ICTAI '06. 18th IEEE International Conference on, pages 179186, 2006.
P. Viola and M. Jones. Rapid object detection using a boosted cascade of simple features. In Computer Vision and Pattern Recognition, 2001. CVPR 2001. Proceedings of the 2001 IEEE Computer Society Conference on, volume 1, pages I-511 I-518 vol.1, 2001.
P.N. Belhumeur, J.P. Hespanha, and D. Kriegman. Eigenfaces vs. fisherfaces: recognition using class specific linear projection. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 19(7):711-720, 1997.
Paul Viola and Michael Jones. Robust real-time face detection. International Journal of Computer Vision, 57:137154, 2004.
Philipp Wagner. Local binary patterns in opencv. http://www.bytefish.de/blog/local_ binary_patterns/, November 2011.
Philipp Wagner. Machine learning with opencv2. www.bytefish.de, February 2012.
Phillip Ian Wilson and Dr. John Fernandez. Facial feature detection using haar classifiers. Journal of Computing Sciences in Colleges, pages 127-133, 2006.
R. Lienhart and J. Maydt. An extended set of haar-like features for rapid object detection. In Image Processing. 2002. Proceedings. 2002 International Conference on, volume 1, pages I900I903 vol.1, 2002.
Sergios Theodoridis and Konstantinos Koutroumbas. Pattern Recognition, Fourth Edition. Academic Press, 4th edition, 2008.
Timo Ahonen, Abdenour Hadid, and Matti Pietikainen. Face description with local binary patterns: Application to face recognition. IEEE Trans. Pattern Anal. Mach. Intell., 28(12):2037-2041, December 2006.
Timo Ahonen, Abdenour Hadid, and Matti Pietikainen. Face recognition with local binary patterns. In Tomás Pajdla and Jirí Matas, editors, Computer Vision - ECCV 2004, volume 3021 of Lecture Notes in Computer Science, chapter 36, pages 469-481. Springer Berlin Heidelberg, Berlin, Heidelberg, 2004.
U. Raghavendra, P.K. Mahesh, and Anjan Gudigar. A novel face recognition method using pca, lda and support vector machine. In Natarajan Meghanathan, Nabendu Chaki, and Dhinaharan Nagamalai, editors, Advances in Computer Science and Information Technology. Computer Science and Engineering, volume 85 of Lecture Notes of the Institute for Computer Sciences, Social Informatics and Telecommunications Engineering, pages 241 249. Springer Berlin Heidelberg, 2012.
Ziad M. Hafed and Martin D. Levine. Face recognition using the discrete cosine transform. Int. J. Comput. Vision, 43(3):167-188, July 2001.