SMCB: METODOLOGIA PARA A QUANTIZAÇÃO DE CORES EM IMAGENS FACIAIS

Transcrição

1 CMNE/CILAMCE 007 Porto, 13 a 15 de Junho, 007 APMTAC, Portugal 007 SMCB: METODOLOGIA PARA A QUANTIZAÇÃO DE CORES EM IMAGENS FACIAIS Marcelo Zaniboni 1 *, Osvaldo Severino Junior e João Manuel R. S. Tavares 3 1: Departamento de Ciência da Computação, Faculdade de Filosofia, Ciências e Letras de Catanduva IMES FAFICA Rua Maranhão 898, Catanduva - São Paulo BRASIL mz_dum@yahoo.com.br, osvaldo@fafica.br web: : Departamento de Engenharia Mecânica e Gestão Industrial, Faculdade de Engenharia da Universidade do Porto Laboratório de Óptica e Mecânica Experimental, Instituto de Engenharia Mecânica e Gestão Industrial Rua Dr. Roberto Frias s/n, Porto PORTUGAL tavares@fe.up.pt web: Palavras-chave: Reconhecimento de faces, Biometria, Quantização de cores, PCA, CBIR, SMCB Resumo. Este trabalho apresenta uma nova metodologia computacional, referente à quantização de cores presentes numa imagem facial no formato RGB, para no máximo 8 cores (preto, azul, verde, ciano, vermelho, magenta, amarelo e branco). A metodologia consiste em converter uma imagem originalmente no formato RGB para os espaços HSV, CMY e YCbCr, [1]; aplicar o método da binarização, no canal S do espaço HSV, M do espaço CMY e Cb do espaço YCbCr e concatenar os canais S, M e Cb resultantes da binarização para um novo espaço denominado SMCb. Para a validação da metodologia construiu-se um sistema CBIR (Content-Based Image Recover), [], constituídos por imagens faciais do banco de imagens AR Face Database, [3], contendo 833 imagens coloridas de 119 pessoas (65 homens e 54 mulheres), onde para cada pessoa existem 7 imagens com diferentes expressões faciais, sendo 4 delas sem iluminação controlada e 3 com iluminação controlada. O sistema CBIR verificou com as imagens faciais com iluminação controlada em todas as direcções uma precisão de 85% de acerto, entre as demais imagens do banco. A nova metodologia computacional destaca-se principalmente pelo seu armazenamento compacto, e pela possibilidade de segmentar adequadamente partes distintas da face representada, tais como: cabelo, cílios, olhos, barba e pele.

2 1. INTRODUÇÃO No domínio da Visão Computacional, inúmeros investigados têm realizado consideráveis esforços, no sentido de aumentar a interacção homem x maquina por meio de sistemas computacionais, no intuito de reconhecer expressões faciais. Um sistema computacional capaz de reconhecer expressões faciais, com precisão, com robustez e em tempo real, representa um enorme passo no que diz respeito à interacção homem x máquina. Para minimizar a dimensão e complexidade do problema de reconhecimento facial em imagens, neste trabalho analisa-se um método capaz de realizar a quantização de cores existente numa imagem originalmente no formato RGB, para 8 cores (preto, azul, verde, ciano, vermelho, magenta, amarelo e branco), que origina um novo espaço denominado SMCb. A metodologia desenvolvida e proposta neste artigo pode ser aplicada em imagens estáticas ou dinâmicas (sequências de imagem).. OBJETIVOS Basicamente, os principais objectivos deste trabalho consistem na redução da quantidade de cores presentes numa imagem originalmente no espaço RGB e segmentação posterior da face representada na mesma imagem. 3. METODOLOGIA A sigla SMCb provém da junção da primeira letra em língua inglesa, correspondente ao canal dos respectivos modelos considerados: S do modelo HSV (Hue, Saturation, Value), M do modelo CMY (Cyan, Magenta, Yellow) e Cb do modelo YCbCr (luminosity, Component blue, Component red). Resumidamente, a metodologia computacional usada neste trabalho consiste em: - Converter a imagem originalmente no formato RGB em imagens nos espaços HSV, CMY e YCbCr; - Aplicação do método da binarização, nos canais: S do modelo HSV, M do modelo CMY e Cb do modelo YCbCr; - Concatenação das imagens resultantes das binarizações; - Construção de um sistema CBIR (Content-Based Image Recover) para aplicação e avaliação da metodologia proposta. Nas secções seguintes deste artigo, são descritas em maior detalhe a referida metodologia desenvolvida neste trabalho.

3 4. DESENVOLVIMENTO Nesta secção, são descritas as conversões aplicadas na imagem facial originalmente no formato RGB para os designados espaços de cor HSV, CMY e YCbCr, como indicados na figura 1. Figura 1. Exemplo de conversões de imagens: a) Imagem original no formato RGB; b) Imagens nos canis do espaço HSV; c) Imagens nos canais do espaço CMY; d) Imagens nos canais do espaço YCbCr Conversão da imagem no formato RGB para HSV A imagem original no formato RGB é convertida para o espaço HSV, figura 1-b, representando-a nos canais Hue (cor), Saturation (saturação) e Value (valor), [1]. 4.. Conversão da imagem no formato RGB para CMY O modelo CMY, também conhecido como modelo subtractivo, resulta das cores primárias do modelo RGB (Red, Green, Blue), criando assim cores equivalentes às produzidas por dispositivos emissores de luz, como se pode observar na figura 1-c, considerando-se os canais: Cyan (ciano), Magenta (magenta) e Yellow (amarelo), [1]. 3

4 4.3. Conversão da imagem no formato RGB para YCbCr A imagem original no formato RGB é convertida para o espaço de cores YCbCr, como se pode observar na figura 1-d, considerando os três componentes: luminosity (luminosidade), Component blue (componente azul), Component red (componente vermelho), [1] Quantização de cores pelo método SMCb Após converter as imagens originais no formato RGB, são utilizados a saturação, a magenta e o componente azul, dos modelos HSV, CMY, e YCbCr, respectivamente, figura. Figura. Exemplo de imagens resultantes dos componentes dos modelos considerados: a) Imagem original no formato RGB; b) Imagens resultantes dos canais saturação, cor magenta, e componente azul, dos modelos HSV, CMY e YCbCr, respectivamente. Depois de obtidas as componentes saturação, magenta e componente azul, a partir da imagem facial originalmente no formato RGB, em níveis de cinza, figura -b, é aplicada sobre a imagem correspondente a cada componente referido um método de binarização; tal método transforma cada pixel da imagem original em 0 (zero) ou 1 (um), figura 3-a. Após o processo de binarização é realizada uma concatenação nas imagens obtidas, criando-se assim uma nova imagem num novo espaço de cor, ao qual atribuí-se o nome SMCb, figura 3-b. Figura 3. Exemplo das imagens binarizadas e a criação da imagem SMCb correspondente: a) Imagens binarizadas, resultantes da Figura -b; b) Imagem no formato SMCb. A imagem original no formato RGB é composta por 3 canais, cada um contendo 8 bits 4

5 para representar o valor correspondente a cada pixel, originado um valor aproximado de 16 milhões de cores: R G B = Cores Enquanto uma imagem no espaço SMCb é composta por 3 canais e cada canal contem apenas 1 bit, originando exactamente 8 possibilidades de cores, tabela 1: S M Cb = 8 Cores (R, G, B) COR (0, 0, 0) Preto - ausência de vermelho, verde e azul. (0, 0, 1) Azul - presença apenas de azul. (0, 1, 0) Verde - presença apenas de verde. (0, 1, 1) Ciano - mistura de verde com azul. (1, 0, 0) Vermelho - presença apenas de vermelho. (1, 0, 1) Magenta - mistura de vermelho com azul. (1, 1, 0) Amarelo - mistura de vermelho com verde. (1, 1, 1) Branco - mistura de vermelho, verde e azul. Tabela 1. Valores binários utilizados em imagens no espaço SMCb, resultantes da mistura de cores do espaço RGB original, []. Para uma melhor compreensão, é apresentada na tabela a quantidade de memória utilizada no armazenamento de imagens correspondentes nos formatos RGB e SMCb, supondo-as com dimensões iguais a 18x96 pixels (Resolução espacial MxN). 5. RESULTADOS O banco de imagens, AR Face Database, [3], utilizado neste trabalho, foi reduzido para um total de 833 imagens de cor que correspondem às faces de 119 pessoas (65 homens e 54 mulheres), onde para pessoa existem 7 imagens com diferentes expressões faciais, sendo 4 delas sem iluminação controlada e 3 com iluminação controlada, figura 4. Na figura 5 estão apresentados alguns resultados experimentais obtidos usando o método SMCb proposto neste trabalho em imagens que constituem a base de imagens considerada. Ainda na figura 5, pode-se também observar que as imagens no espaço SMCb conseguem evidenciar partes distintas da face, através das cores das mesmas; por exemplo: a cor 5

6 vermelha, refere-se à pele, a cor amarela ao cabelo e aos cílios, a cor branca aos olhos e ao cabelo, a cor ciano à barba, e a cor azul ao fundo das imagens. Resolução espacial MxN 18x96 Imagem Resolução de níveis de cinza Número de bits necessários Quantidade de memória em Bytes RGB SMCb Tabela. Quantidade de memória utilizada em Bytes por uma imagem correspondente nos formatos RGB e SMCb. Sem iluminação controlada Com iluminação controlada Expressão neutra Sorriso Raiva Grito Luz do lado esquerdo Luz do lado direito Luz em todas as direcções Figura 4. Exemplos de imagens da classe 1 do banco AR Face Database. Figura 5. Quatro exemplos de resultados obtidos por meio da metodologia SMCb, respectivamente: imagem original no formato RGB e imagem correspondente no formato SMCb. Para validar a metodologia proposta nesse trabalho, construiu-se um sistema CBIR (Content-Based Image Recover), [], de forma a recuperar, ou seja identificar, uma imagem a partir do seu conteúdo. No referido sistema, depois de aplicar a metodologia de conversão SMCb, é aplicado o 6

7 método PCA (Principal Components Analysis), [4], para a construção de vectores de características e acesso sequencial, e como medida de correspondência é usada a distância euclidiana. Para teste, usou-se novamente o banco de imagens AR Face Database, composto por 119 classes (65 homens e 54 mulheres), figura 6. Imagem original da classe 1 (expressão neutra) Conversão Conversão Conversão PCA Imagem SMCb Nível de cinza [ c. v.(1),..., c. v.(100) ] Imagem original da classe 119 (luz em todas as direcções) Conversão Conversão Conversão PCA Imagem SMCb Nível de cinza Figura 6. Exemplo da construção do sistema CBIR. [ c. v.(1),..., c. v.(100) ] Após obtermos os vectores de características [ c. v.(1),..., c. v.(100) ], construiu-se o gráfico da curva recall x precision usando a matriz PCA, [5], representado na figura 8. O referido gráfico é formado por medidas baseadas na relevância, figura 7. Assim, sendo um determinado conjunto A representado pelas sete imagens de uma classe do banco de faces AR Face Database, como, por exemplo, as apresentadas na figura 4, e supondo que uma das sete imagens seja a imagem de entrada que define o conjunto B, e as demais imagens do banco de faces AR Face Database representam o conjunto D, temos: recall = precision A B A A = B B A B fallout B A B = D D A Figura 7. Medidas baseadas na relevância recall x precision. Considerando o espaço de armazenamento e usando no máximo 8 cores, há uma grande 7

8 relevância no gráfico apresentado na figura 8, a curva a vermelho representa as imagens originais do banco de faces AR Face Database, a curva a preto representa as imagens originadas usando a metodologia SMCb, e a reta azul representa a reta ideal para o gráfico recall x precision. Figura 8. Gráfico recall x precision obtido usando a matriz PCA, [5]. Para um melhor entendimento do gráfico recall x precision apresentado na figura 8, é apresentado na figura 9 uma sequência exemplo de uma imagem original e as sete primeiras imagens localizadas pela distância euclidiana no banco de imagens AR Face Database. Imagem original Expressão neutra Sorriso Luz do lado esquerdo Luz em todas as direcções Luz do lado direito Grito Raiva Figura 9. Exemplo de imagens localizadas pela distância euclidiana usando a metodologia proposta. 8

9 Todos os exemplos e resultados obtidos neste trabalho, foram originados de implementações próprias desenvolvidas usando o software MatLab, [1]. 6. CONCLUSÕES E PERSPECTIVAS PARA TRABALHOS FUTUROS Neste trabalho, foi desenvolvida uma nova metodologia computacional capaz de obter um armazenamento compacto e de fácil implementação em hardware para imagens faciais. Através da quantização obtida, também se torna possível obter a segmentação de partes distintas de uma face presente numa imagem; tais como: cabelo, cílios, olhos, barba e pele. O gráfico recall x precision obtido mostra claramente o potencial do método SMCb proposto neste trabalho. No entanto, o método desenvolvido ainda é sensível a imagens faciais com fundos complexos que podem comprometer os resultados obtidos pelo mesmo. Como perspectivas para trabalhos futuros podemos referir as seguintes: Realização de testes com as imagens SMCb em imagens médicas; Criação de uma nova metodologia computacional, capaz de converter imagens no formato SMCb para imagens no formato RGB; Codificação de imagens utilizando a metodologia SMCb; e Realização de ensaios experimentais em imagens faciais 3D. AGRADECIMENTOS Este trabalho foi parcialmente desenvolvido no âmbito do Projecto de Investigação Segmentação, Seguimento e Análise de Movimento de Objectos Deformáveis (D/3D) usando Princípios Físicos financiado pela FCT - Fundação para a Ciência e a Tecnologia em Portugal, com a referência: POSC/EEA-SRI/55386/004. REFERÊNCIAS [1] R. C. Gonzalez, R. E. Woods, S. L. Eddins, Digital Image Processing Using MatLab, Prentice Hall, (004). [] M. Mitra, J. Huang, S. R. Kumar, Combining Supervised Learning with Color Correlograms for Content-Based Image Retrieval, Proc. Of Fifth ACM Multimedia Conference, Seattle, USA, (1997). [3] A. M. Martinez, R. Benavente, The AR Face Database. CVC Technical Report 4, June, (1998). [4] K. Baek, M. S. Bartlett, B. A. Draper, Recognition faces with PCA and ICA, Computer Vision and Image Understand, 91, pp , (003). [5] L. I. Smith, A tutorial on Principal Components Analysis, Disponível em: < acesso em Abril de 006, (00). 9