Detecção de faces. Marta Villanueva Torres

Transcrição

1 Detecção de faces Marta Villanueva Torres Introdução ao Processamento de Imagens

2 1. INTRODUÇÃO O objetivo deste trabalho é desenvolver um algoritmo que detecte faces em imagens. Sendo que, atualmente, este algoritmo está muito desenvolvido em redes sociais, câmaras digitais e etc, é o primeiro passo em algoritmos para reconhecer pessoas. Algumas das dificuldades para desenvolver o algoritmo encontram-se na variação de luminosidade, nos objetos com cores semelhantes às cores da pele, rostos em diferentes posições ou na oclusão do rosto por algum objeto, como óculos, chapéus, entre outros. 1a. Oclusão 1b. Iluminação 1c. Posição Figura 1. Exemplos das dificuldades. A técnica para gerar o algoritmo é processar a imagem em etapas. O primeiro passo é classificar os pixels da foto por o que, provavelmente, é pele ou não pele em função da segmentação das cores. Posteriormente, processar a imagem binária que será produzida desta primeira fase e eliminar áreas que tenham poucas possibilidades de serem rostos. Por fim, é feita uma comparação com um template para determinar se tem o não o formato de um rosto.

3 Imagem Segmentação por cor Processamento imagem binária Template Sim Teste tamanho Relação alt vs. acnho Passa? Isolamento regiões de interesses Sim Não Não Rejeita região É ROSTO!! Figura 2. Esquema do algoritmo 2. SEGMENTAÇÃO DA COR Nesta primeira parte para a construção do algoritmo vamos tentar rejeitar os pixels, na medida do possível, que possam ser considerados pele. Vamos verificar se cada pixel encontra-se dentro dos limites pré-estabelecidos. No inicio, usei somente o limite do espaço de cores YCbCr, porque em diferentes artigos ofereciam este método como o melhor, visto que a luminosidade se concentra em um só componente. Y - luminosity (luminosidade) Cb - Component blue (componente azul) Cr - Component red (componente vermelho). Finalmente estudei cada pixel em três espaços: RGB, HSV, YCbCr. Ainda que seja impossível marcar limites perfeitos, com as três comprovações, é possível obter resultados bons. RGB o 0.836*G-14<B<0.836*G+44 o 0.79*G-67<B<0.78*G+42

4 HSV o 28<H<240 YCbCr o 140<Cr<160 o 108<Cb<124 Todos os limites são experimentais sendo estes com os que obtive melhores resultados. 3a. Pixels que podem ser pele 3b. Imagem binária a processar Figura 3. Resultados da segmentação de cores.

5 3. PROCESSAMENTO DA IMAGEM BINÁRIA A imagem binária que obtemos no final da fase anterior será branca nos pixels que podem ser pele e será preta no resto. Processaremos esta imagem para corrigir pequenos problemas e tornar as regiões melhor definidas. O processamento da imagem está formado por um filtro de dilatação e um filtro de erosão de tamanho 3x3. A dilatação expande a região de pele e a erosão faz o contrario. Figura 4. Imagem dilatada + erosionada 4. ISOLAMENTO DAS REGIÕES DE INTERESSE. Para o correto funcionamento do algoritmo vamos supor que as pessoas nas fotos estão vestidas, por isso é possível de isolar cada região branca que faz parte de um mesmo objeto para depois processar ela separada. Para isso, vamos usar o algoritmo 4-connected C Tudo pixel que este conectado horizontalmente e verticalmente fará parte dum objeto. A ideai é que cada rosto ficará isolado e poderemos fazer os cálculos nele para souber se é de fato um rosto o não.

6 Todo pixel que está conectado horizontalmente e verticalmente fará parte de um objeto. A ideia é que cada rosto fique isolado e assim poderemos fazer os cálculos para saber se é um rosto ou não. Os resultados podem ser observados na figura 5. Os rostos ficam isolados, assim como, os braços e mãos. Porém como há rostos que estão muito perto de outros, na imagem binária, obtemos vários rostos que serão isolados juntos. Quando classificamos, darão lugar a falsos positivos, marcando uma face onde na verdade tem mais de uma. 5a. Um rosto 5d. Objeto qualquer 5c. Objeto qualquer

7 5. REMOÇÃO DAS AREAS QUE NÃO PODEM SER ROSTOS Com as regiões brancas isoladas vamos marcar um retângulo nos limites dela e vamos averiguar se passa três testes: Relação altura/comprimento do retângulo maior de 0.5 e menor de 1.8 O tamanho da região branca maior do que a terceira parte da região do retângulo O tamanho da região branca maior do que o 0.15% da imagem. Se passar nos três testes vamos comparar aquela região com um template Figura 6. Template usado. Para comparar com o template fazemos uso da correlação cruzada da área branca com nossa figura que terá características que se espera de um rosto. Para isso, temos que redimensionar a imagem para ter o mesmo tamanho que a região a comparar. Após obter a correlação cruzada aquelas que sejam maiores de um terço será considerada face. Uma dificuldade na comparação com o templade é que ainda haverá formas parecidas, ao template, surgindo falsos positivos, e como nosso algoritmo só trabalha com um template funcionara bem para faces que estejam de frente, enquanto rostos em posições diferentes serão eliminados.

8 6. RESULTADOS Figura 7. Figura 8.

9 Figura 9. Na figura 7 alguns dos rostos não passaram o teste do tamanho e outros não passaram o teste do template. Na figura 8 obtemos algum falso positivo devido à proximidade dos rostos. Finalmente na figura 9 obtemos o caso perfeito, embora tenha sido o caso mais fácil.

10 7. CONCLUSÃO Finalmente obtivemos um programa que funciona de maneira satisfatória, mas com algumas limitações. A segmentação da cor foi uma das dificuldades encontradas para a implementação, porque foi difícil encontrar limites perfeitos. Assim, algumas partes dos rostos foram identificadas como não pele. Outra limitação foi que ao não trabalhar com as bordas quando os rostos estão perto não é possível separá-los. Por último, este programa não funcionaria com imagens de pessoas sem roupas, porque a região branca, considerada pele, não passaria nos testes.

11 8. BIBLIOGRAFIA Detecção de Faces - Relatório de Implementação Igor da Fonsea Ramos y Taísa Lopes Martins EE368: Digital Image Processing FACE DETECTION