VISÃO COMPUTACIONAL PARA RECONHECIMENTO DE FACES APLICADO NA IDENTIFICAÇÃO E AUTENTICAÇÃO DE USUÁRIOS NA WEB. Márcio Koch

Transcrição

1 VISÃO COMPUTACIONAL PARA RECONHECIMENTO DE FACES APLICADO NA IDENTIFICAÇÃO E AUTENTICAÇÃO DE USUÁRIOS NA WEB Márcio Koch Orientador: Jacques Robert Heckmann

2 ROTEIRO Introdução Objetivos do trabalho Fundamentação teórica Conceitos básicos Contexto atual Desenvolvimento Principais requisitos Especificação Implementação Resultados Conclusão Extensões Demonstração

3 INTRODUÇÃO Objetivo do trabalho Construir uma ferramenta que possibilite aos usuários efetuarem autenticação em aplicativos web, através do reconhecimento facial. Utilizar técnicas de processamento de imagens e visão computacional.

4 FUNDAMENTAÇÃO TEÓRICA Conceitos básicos Reconhecimento biométrico Processamento de imagens Visão computacional Análise de componentes principais

5 FUNDAMENTAÇÃO TEÓRICA Reconhecimento biométrico

6 FUNDAMENTAÇÃO TEÓRICA Processamento de imagens Processar uma imagem, significa aplicar uma ou mais transformações sobre ela, de forma que fique mais fácil extrair as informações desejadas. Técnicas de processamento utilizadas: Conversão para tons de cinza Redução da resolução Equalização do histograma Normalização da pose da face

7 FUNDAMENTAÇÃO TEÓRICA Visão computacional Visão computacional é responsável pelo processamento e interpretação de imagens para a identificação de objetos e reconhecimento de padrões. Em um sistema de reconhecimento facial, várias etapas requerem técnicas de visão computacional, entre elas a localização da face e extração de características.

8 FUNDAMENTAÇÃO TEÓRICA Análise de Componentes Principais (PCA) Desenvolvida por Pearson em 1901 e adaptada por Hotteling em 1933 (conhecida como transformada de Hotteling) Utilizada para extrair as características mais importantes (separa as informações importantes das redundantes e aleatórias) Método estatístico multivariado (transforma variáveis correlacionadas em um número menor não correlacionadas) Permite projetar características em um espaço de menor dimensionalidade com suas componentes mais relevantes nas primeiras dimensões

9 DESENVOLVIMENTO Requisitos principais Permitir o cadastro de usuários (Requisito Funcional - RF) Permitir o cadastro das imagens das faces dos usuários (RF) Permitir que usuários efetuem autenticação através do reconhecimento facial (RF) Converter as imagens para níveis de cinza (RF) Localizar uma face na imagem (RF) Normalizar a pose da face (RF) Normalizar as dimensões da face (RF) Extrair características da face (RF) Efetuar o reconhecimento da face (RF) Permitir a aquisição das imagens via web através de uma webcam (Requisito Não Funcional - RNF)

10 FUNDAMENTAÇÃO TEÓRICA Contexto atual Atualmente, poucos sistemas propõem-se a mesma tarefa deste trabalho, de possibilitar autenticação em sistemas web através do reconhecimento facial. Os trabalhos correlatos a este, também abordam o reconhecimento através da face, porém nenhum destina-se à web. Campos Técnicas de reconhecimento Reaes Busca de registro Pamplona Sobrinho Dispositivo móvel

11 DESENVOLVIMENTO Especificação A especificação foi criada com base nas definições da UML a partir da IDE do Eclipse com a extensão de modelagem desenvolvida pela Senior Sistemas. Diagramas apresentados: Diagrama de casos de uso Diagrama de classes

12 DESENVOLVIMENTO

13 DESENVOLVIMENTO

14 DESENVOLVIMENTO

15 DESENVOLVIMENTO Implementação Ferramentas utilizadas: Eclipse JEE para web JDK bits API OpenCV Visão computacional API JavaCV (wrapper para OpenCV) GlassFish Servidor web Oracle Banco de dados Técnicas utilizadas: Detecção da face baseada em características de Haar Conversão para níveis de cinza Redução da resolução Equalização do histograma Normalização da pose através do alinhamento horizontal entre os olhos Análise de componentes principais Applet para interface web com o usuário Socket para transmissão de dados entre o applet e o aplicativo servidor

16 DESENVOLVIMENTO Implementação Detecção da face Baseado em classificadores em cascata simples (Haar cascade) Janelas de tamanho ajustável que percorrem a imagem

17 DESENVOLVIMENTO Implementação - Pré-processamento Níveis de cinza Substituir o pixel por: 30% do vermelho + 59% do verde + 11% do azul Redução da resolução Algoritmo de intercalação Equalização do histograma Redistribuir os tons de cinza uniformemente

18 DESENVOLVIMENTO Implementação - Pré-processamento Normalização da pose da face Rotaciona a imagem sem deixar áreas sem pixels nas laterais Usa interpolação de pixels para reconstruir áreas da imagem

19 FUNDAMENTAÇÃO TEÓRICA Análise de Componentes Principais (PCA) Extração das características a) Criar uma matriz de padrões a partir das faces de treinamento b) Calcular a face média a partir dos padrões c) Calcular a matriz de covariância Calcular os auto-valores e auto-vetores d) Calcular as eigenfaces Cada eigenface é uma componente principal e) Calcular os pontos de projeção das características no subespaço de imagens a) b) c) d) e) λ λ λ 3

20 FUNDAMENTAÇÃO TEÓRICA Para reconhecer uma face de testes: Calcula-se a distância euclidiana (ou de mahalanobis) entre os pontos projetados da face de teste com cada uma das faces de treinamento (uma face de treinamento por vez); Através do método do vizinho mais próximo encontra-se a face de treinamento mais próxima da face testada. Exemplo didático Face Ponto 1 Ponto 2 Ponto 3 Teste 7,5 6,5 8,5 Treino 1 15,5 13,2 14,5 Treino 2 13,5 12,5 12 Treino 3 2,5 3,5 2 d x, y = (x i y i ) 2 (7,5 15,5) 2 +(6,5 13,2) 2 +(8,5 14,5) 2 =144,89 (7,5 13,5) 2 +(6,5 12,5) 2 +(8,5 12) 2 =84,25 (7, 5 2, 5) 2 +(6, 5 3, 5) 2 +(8, 5 2) 2 =76,25 n i=1

21 DESENVOLVIMENTO Operacionalidade Aplicativo servidor Acesso a ferramenta

22 DESENVOLVIMENTO Operacionalidade Tela principal Cadastro de um novo usuário

23 DESENVOLVIMENTO Operacionalidade Autenticação do usuário Redirecionamento para a página principal

24 DESENVOLVIMENTO Operacionalidade Reconhecimento automático Autenticação através de usuário e senha

25 DESENVOLVIMENTO Resultados Detecção facial sucesso em mais de 1500 imagens Normalização da face sucesso em 99% das faces

26 DESENVOLVIMENTO Resultados Reconhecimento facial 5 imagens por pessoa para treinamento e 2 para testes Reconhecimento facial 3 imagens por pessoa para treinamento e 1 para testes

27 CONCLUSÃO Benefícios Superou a taxa mínima de 96% no reconhecimento Mais de 1500 imagens de faces coletadas A ferramenta foi utilizada por vários usuário na coleta das faces Segmentação e detecção automática das faces em um navegador web Permite o reconhecimento de face automática Atendeu aos requisitos e a maioria dos objetivos do trabalho Dificuldades Coleta das faces a campo, o objetivo eram 2000 imagens Eliminação dos falsos positivos: uso do erro de reconstrução da face e menor distância dos falsos positivos como distância máxima (não consta na monografia) Quando a base de dados é muito grande, é lento o cadastro de um novo usuário Comparação com trabalhos correlatos Atingiu-se taxas de acerto superiores a alguns trabalhos correlatos Além de apenas reconhecer, conseguiu-se identificar o usuário

28 CONCLUSÃO Possibilidades de extensão (principais) Desenvolver as rotinas de cálculo PCA substituindo as da API OpenCV Utilizar os auto-vetores com maiores auto-valores para diminuir a quantidade de informações na base de dados e carregadas na memória Melhorar a interface com o usuário, exibindo as imagens já capturadas Substituir o uso de applet pelo HTML5 Efetuar o treinamento e reconhecimento das faces de forma distribuída Utilizar o método dos centroides para calcular as distâncias entre os pontos Permitir extrair apenas as características mais rígidas da face (e. g. olhos) Combinar a técnica PCA com outras técnicas como a LDA Permitir o reconhecimento da face com expressões e de perfil Impedir tentativas de fraudes com fotos, através de técnicas como a 3D Permitir alterar as imagens de treino com o objetivo da ferramenta ir aprendendo como a pessoa muda com o passar do tempo

29 DEMONSTRAÇÃO Demonstração

30 FIM Obrigado