Universitatea Politehnica din București

Metode de detecţie și recunoaştere automată

a feţelor umane

Studenți: Rada Iulia

Pârlog Mihaela
Neculai Sorin
Grupa: 1541E
F.A.I.M.A.

2020-2021
 CUPRINS
1.Introducere ..............................................................................................................................3
2. Detecție și recunoaștere facială ...............................................................................................4
2.1 Detecție facială ..................................................................................................................4
2.2 Recunoașterea facială........................................................................................................4
3.Algoritmi de detecție facială .....................................................................................................5
3.1 Detecția facială folosind clasificatori de tip cascadă bazați pe caracteristici Haar...............5
3.2 Detecția facială folosind clasificatori de tip cascadă bazați pe caracteristici LBP(Local
Binary Patterns).......................................................................................................................7
4.Algoritmi de recunoaștere facială .............................................................................................8
4.1 Analiza componentelor principale – Principal Components Analysis – PCA; .......................8
4.2.Analiza liniară diferenţială – Linear Discriminant Analysis – LDA; .....................................10
4.3.Local binary pattern hystogram (LBPH); ...........................................................................10
5.Concluzii .................................................................................................................................11
6.Siteografie ..............................................................................................................................12
 1.Introducere

Titlul pe care l-am ales pentru acest proiect este unul care în ziua de azi este deja o
“normalitate” și un standard în același timp. Toate dispozitivele smart pe care le deținem folosesc
recunoașterea faciala, pentru tranzacțiile efectuate la cumpărături prin aplicațiile bancare se
utilizează recunoașterea faciala, dispozitivele de securitate din lume au preluat și ele aceasta
funcție iar lista de exemple poate continua.
Am fost curioși să vedem ce presupune aceasta tehnologie și cum funcționează. Mai jos vă
vom prezenta rezultatele obținute în urma căutărilor noastre.
Securitatea a fost dintotdeauna un domeniu vital, fie că este vorba despre securitatea fizică,
sau securitatea virtuală, omul a avut nevoie de metode prin care să își protejeze datele
computerizate, compania sau propria casă.
Un sistem de recunoaștere faciala este o aplicație computerizată capabilă să detecteze și să
verifice identitatea unei persoane dintr-o imagine digitală sau un cadru de la o cameră video.
Acest lucru se poate face comparând caracteristicile faciale ale persoanei din imagine cu o baza
de date deja existentă.
Aceste aplicații sunt folosite în sisteme de securitate și pot fi văzute ca alte verificări
biometrice cum ar fi cele bazate pe amprente sau detecția irisului unei persoane.Comparativ cu
alte tehnici biometrice, recunoașterea facială nu este cea mai eficientă și de încredere metodă,
dar are totuși avantajul de a fi o metodă neinvazivă astfel informațiile sunt luate fără contact
direct cu subiectul.
Asemenea sisteme amplasate în aeroporturi, locuri publice, corporații private pot identifica
indivizi în mulțime fără ca aceștia să fie conștienți de acest lucru. Alte sisteme de verificare
biometrice, amprentele, scanarea irisului sau recunoașterea vorbitorului nu pot realiza acest tip
de identificare în masă a populației. Există sistem de acest tip chiar și în calculatorul personal, de
exemplu Windows 10 are o opțiune de autentificare folosind recunoașterea facială.
Recunoașterea facială este făcută ușor de către oameni. Experimentele realizate de
profesorul Anthony Norcia au arătat că încă de la patru luni creierul unui bebeluș procesează
fețele aproape la fel de bineca un adult. Deci dacă un copil poate face asta, cât de greu să fie
acest lucru pentru o mașină de calcul?
Primul sistem automat de recunoaștere facială a fost descris în 1973 de către Kanade Takeo
unde afirma că punctele de interes (poziția ochilor, urechilor, nasului) erau folosite pentru a
construi un vector caracteristic (distanța dintre punctele de interes, unghiul dintre acestea).
Recunoașterea se efectua prin calcularea distanței euclidiene dintre vectorii caracteristici ale
unei imagini de test și o imagine de referință. Această metodă este eficientă la schimbarea
iluminării, însă dezavantajul principal este că înregistrarea exactă a punctelor de interes este
complicată.
Distanța euclidiană sau metrica euclidiană este distanța „obișnuită” între două puncte, dată
în coordonate carteziene de formula lui Pitagora. Utilizând această formulă ca distanță într-un
spațiu euclidian, acest spațiu devine spațiu metric. Norma asociată acestui spațiu metric se
numește normă euclidiană.

2. Detecție și recunoaștere facială

2.1 Detecție facială

Detecția facială se confrunta cu doua probleme: detecția în imaginile statice și detecția în
timp real. Detecția în timp real presupune detecția feței dintr-o serie de cadre preluate de la o
cameră video. Deși volumul de calcul este mai mare pentru detecția în timp real, aceasta este
mai simplă, decât în imaginile statice, deoarece persoanele sunt într-o continuă mișcare, în timp
ce mediul înconjurător este static, astfel folosind metode prin care eliminăm componentele
statice din cadrele obținute putem obține o detecție cu un grad ridicat de acuratețe. Astfel
folosind aceste etape de preprocesare a imagini detecția se poate face și în medii deschise.

2.2 Recunoașterea facială

În momentul actual recunoașterea facială este folosită de numeroase aplicații. De
exemplu atunci când încarcăm o poză, Facebook ne sugerează care ar putea fi numele persoanei
din imagine folosind un sistem inteligent de recunoaștere facială antrenat cu rețele neuronale
multistrat.
O altă aplicație de divertisment folosită care folosește recunoașterea facială este
Snapchat-ul. Aplicatia detectează fața unei persoane și permite diferite modificări ale imagini
(schimbare fețe între 2 persoane sau adăugarea elementelor de amuzament).
Rețineți că recunoașterea feței diferă de detectarea feței: Detectarea fețelor: are ca
obiectiv găsirea fețelor (locația și dimensiunea) într-o imagine și probabil extragerea acestora
pentru a fi utilizate de algoritmul de recunoaștere a feței. Recunoașterea feței: cu imaginile
faciale deja extrase, decupate, redimensionate și de obicei convertite în tonuri de gri, algoritmul
de recunoaștere a feței este responsabil pentru găsirea caracteristicilor care descriu cel mai bine
imaginea.
 3.Algoritmi de detecție facială

3.1 Detecția facială folosind clasificatori de tip cascadă bazați pe caracteristici Haar
Cascadele Haar reprezintă un algoritm de detecție de obiecte folosit în numeroase
aplicații de detecția a persoanelor angajate dintr-o firmă, numerele de înmatriculare ale mașinilor
ce circulă pe o autostradă , expresii faciale în imagini și cea mai mare utilizare a acestui algoritm
este în detecția facială.
Vom lua ca referinta aceasta imagine alb-negru si vom explica metoda Haar.

Observăm că imaginea nu este complet albă sau complet neagră ci are tonuri de gri unele
mai închise altele mai deschise. Haar detectează caracteristicele de bază cele mai importante
cum sunt sprâncenele, ochii, nasul , buzele și urechile.
Observăm că sprâncenele pe mijloc au ton mai închis de gri iar pe marginea superioară
sunt mai deschise, nasul pe mijloc are ton de gri deschis iar pe laterale tonuri de gri închis, buza
superioară are ton închis de gri iar marginea superioară este mai deschisa, buza inferioară este
mai deschisa iar marginea inferioară are ton închis de gri .
Știm că imaginile la origine sunt formate din numeroși pixeli. În cazul nostru putem
considera că avem o varietate de pixeli mai deschiși și pixeli mai închiși.
Aplicând metoda Harr , caracteristicile cele mai relevante chipului uman sunt
reprezentate astfel
 Care este procesul?

Cazul ideal de pixeli : 0 –alb , 1- negru

Valorile reale detectate pe imagine

Urmează să comparăm intensitatea pixelilor din a doua figură cu intensitatea pixelilor din
cazul ideal. Prin algoritmul Viola-Jones vom compara cât de aproape suntem de cel mai realist
scenariu al imaginii .
Observăm că al doilea pătrat conține o varietate de numere, nici unul nu este 0 sau 1.
Acest lucru nu se întâmplă deoarece imaginea conține tonuri de gri. În acest caz, observăm că
tourile cele mai deschise sunt reprezentate de numerele 0.1 și 0.2, iar cele închise de numerele
0.3, 0.6, 0.8 și 0.9. Așadar primele două colone reprezintă culoarea deschisă a imaginii iar
următoarele doua partea închisă.
Se va folosi următoarea formulă :

Calculul se realizează pentru ambele pătrate.

 Se vor aduna toate valorile din primele două coloane iar numărul obținut se împarte la
numărul de pătratele/pixeli asociat. La fel și în cazul următoarelor 2 coloane, se adună toate
numere iar numărul obținut se împarte la numărul de pătrățele/pixeli asociat. După găsirea celor
2 numere se aplică formula lui delta.
N este nr de plixeli dintr-o regiune (în cazul nostru sunt 8)
Pentru primul pătrat, delta este 1. Pentru al doilea pătrat delta este 0.56
Cu cât valoare este mai aproape de 1 cu atât mai probabil am găsit o caracteristica a feței.
Însă de cele mai multe ori aceste valori ideale 1 și 0 nu se ating pentru că imaginea este reală ,
nu este o imagine creată digital într-un computer.

3.2 Detecția facială folosind clasificatori de tip cascadă bazați pe caracteristici LBP(Local
Binary Patterns).
Această metodă ajută la extragerea caracteristicilor dintr-o imagine a fețelor identificate.
Metoda a fost introdusă în 1996 de către profesorul Timo Ojala și prin LBP este posibil să
descriem textura și forma feței dintr-o imagine digitală. Aceasta se face prin împărțirea unei
imagini în mai multe regiuni mici, din care se extrag caracteristicile.
Pentru a extrage trăsăturile LBP, mai întâi separăm imaginea în mai multe secțiuni, iar
pentru fiecare secțiune facem o parcurgere a tuturor pixelilor din secțiunea respectivă pentru a
obține valoarea acestor pixeli. Pentru fiecare pixel se verifică valorile pixelilor vecini, dacă
valoarea pixelului vecin este mai mare acel pixel ia valoarea 1, dacă valoarea este mai mică acel
pixel ia valoarea 0. Pixeli vecini sunt luați într-o ordine stabilită, ori în sensul acelor de ceasornic,
ori invers acelor de ceasornic, rezultând un șir de 8 elemente care mai apoi este convertit într-un
număr zecimal, care va fi noua valoare a pixelului central.
După ce s-a verificat o secțiune se generează histograma pentru aceea secțiune, apoi se
trece la următoarea. După ce au fost parcurse toate secțiunile se concatenează histogramele
rezultate din fiecare și obținem o histogramă care conține informația necesară unei viitoare
clasificării, fie că este vorba de detecție de obiecte sau recunoaștere de obiecte.
Această metodă are avantaje și dezavantaje față de metoda cascadelor Haar, unul dintre
majorele dezavantaje este acuratețea cu care se face detecția, în schimb această metodă este
foarte rapidă și necesită un nivel de calcul scăzut. Acuratețea poate fi îmbunătățită folosind
diverse filtre, de exemplu căutarea celui mai mare obiect din imagine, acest filtru ne ajuta să
obținem un grad de acuratețe dar poate fi folosit pentru detecția unei singure persoane la un
moment dat.
 4.Algoritmi de recunoaștere facială

La momentul actual există trei direcţii principale în recunoaşterea facială:

4.1 Analiza componentelor principale – Principal Components Analysis – PCA;

Analiza componentelor principale ( Principal Component Analysis – PCA) este o metodă
des utilizată pentru a realiza compresia datelor. Este o metodă eficientă de extragere a
trăsăturilor dintr-un set de date şi în decursul timpului a devenit o metodă de referință în
recunoașterea imaginilor.
Analiza Componentelor Principale (PCA) este o metodă statistică simplă pentru reducerea
dimensionalităţii prin compresie care este deseori utilizată pentru realizarea recunoașterii
modelelor. Această metodă nu folosește similarități geometrice, ca distanța dintre ochi sau
dimensiunea gurii pentru a clasifica o față. În schimb, un set de fețe umane este analizat folosind
PCA pentru a determina contribuția ridicată a unei variabile la variația dintre imaginile din setul
respectiv. În domeniul recunoașterii faciale, numim aceste variabile eigenfaces (fete proprii) ,
deoarece atunci când sunt reprezentate, acestea se aseamănă într-o proporție foarte mare cu
chipul uman. Cea mai importantă calitate a PCA-ului este comprimarea și proiectarea datelor într-
un spațiu mai mic.
Cea mai importantă calitate a PCA-ului este comprimarea și proiectarea datelor într-un
spațiu mai mic. De exemplu daca avem o imagine de 66x66pixeli ca in figura de mai jos ce conține
o față poate fi reprezentată cu o eroare medie foarte mică folosind doar 15 componente. Fiecare
componentă conține informația care arată cât de mult influențează acea componentă imaginea
originală.

Imaginea originală
 Reconstrucția imaginii
Astfel de exemplu pentru operația de recunoaștere facială avem nevoie doar de 15
eigenfaces pentru reconstrucția imagini în loc să folosimcombinații liniare întrecele 4356 de
valori obținute din fiecare pixel al imaginii originale. Acest lucru este foarte util atunci când se
vrea implementarea unei aplicații pe un sistem mobil, sistem care nu beneficiază de o putere de
calcul sporită și care trebuie să facă recunoașterea facială în timp real.
Orice imagine în tonuri de gri (un singur plan de culoare) este formată dintr-o matrice de
NxN elemente ce corespund valorilor intensității luminoase se poate reprezenta ca un vector linie
de dimensiune N2. Conform exemplului de mai sus o imagine de 66x66 a fost transformată într-
un vector4356-dimensional.Mai jos este prezentat un exemplu generic în care se folosește o
imagine de 7x7, care este transpusă într-un vector multidimensional.

Pe de altă parte, folosind toate cele 4356 de dimensiuni pentru recunoașterea facială
pentru antrenarea unui model nu ar ajuta la nimic, din contră acel detector ar avea erori foarte
mari, deoarece fețele umane sunt asemănătoare, astfel vectorii ar fi foarte apropiați.
4.2.Analiza liniară diferenţială – Linear Discriminant Analysis – LDA;
Analiza discriminatorie liniară (Linear Discriminant Analysis - LDA) este o formă generală
a FLD-ului (Fisher’s Linear Discriminant) care, combină avantajele ambelor metode. Folosește mai
întâi PCA-ul pentru a reduce dimensionalitate apoi folosește LDA pentru a dispersa cât mai mult
clasele una de cealaltă.
Spre deosebire de PCA, LDA încearcă să găsească cea mai bună direcție de proiecție în
care vectorii de antrenare aparținând în clase diferite sunt cel mai bine separați.
Analiza discriminatorie liniară este folosită în statistică, recunoaștere de obiecte și
machine learning (un subdomeniu al științei calculatoarelor care oferă sistemului de calcul
abilitatea de a învăța fără să fie programate în mod explicit) pentru a găsi combinații liniare între
proprietățile ce caracterizează sau separă două sau mai multe clase de obiecte sau evenimente.
Rezultatul combinației poate fi folosit ca și clasificator liniar, sau, ca mijloc de reducere a
dimensionalității. LDA este de asemenea strâns legată de analiza componentelor principale (PCA)
și analiza factorială în care ambele caută combinații liniare de variabile care interpretează cel mai
bine datele.

4.3.Local binary pattern hystogram (LBPH);

Folosind LBP combinat cu histograme putem reprezenta imaginile feței cu un vector de
date simplu.Deoarece LBP este un descriptor vizual, acesta poate fi utilizat și pentru sarcini de
recunoaștere a feței.
Suprafața facială este segmentată în regiuni mai mici (șabloane) de unde se extrage
histograma modelelor binare și sunt concatenate într-o singură histogramă spațială cu o
caracteristică mai precisă. Recunoașterea se face pe baza vecinătăților spațiului compus din
totalitatea modelelor. Experimentele au demonstrat ca această metodă este mult mai bună decât
celelalte metode (PCA, LDA). Folosind această metodă putem extrage foarte ușor informațiile
dintr-o anume imagine.

Aceasta metodă are mai multe avantaje: LBPH este unul dintre cei mai simpli algoritmi de
recunoaștere a feței, poate reprezenta caracteristici locale în imagini si este posibil să obțineți
rezultate excelente (în principal într-un mediu controlat).
 5.Concluzii

Tehnologia de care ne bucurăm în prezent a fost îmbunătățită de-a lungul timpului, astfel
încât ne oferă numeroase beneficii. Iar în ceea ce privește recunoașterea facială, aceasta promite
să ofere noi perspective asupra perfomantelor pe care putem să le obținem cu ajutorul
digitalizării, în special când vine vorba de creșterea siguranței și protecției persoanelor.
Tehnologiile de detecție și recunoaștere facială au devenit din ce în ce mai utilizate de
oamenii din jurul nostru. Fie că este vorba de autentificarea facială pe mobil sau chiar la locul de
muncă.
În lucrarea prezentată am identificat 2 metode de detecție a fețelor: Metoda de detecție
facială prin caracteristici Haar și metoda de detecție facială folosind LBP (Local binary patterns).
Cea mai utilizată metodă este prima menționată, de altfel am tratat-o mai detaliat. Aceasta
metodă a fost și mai bine înțeleasă de către noi, față de a doua.
În ceea ce privește metodele de recunoaștere facială putem identifica 3 metode: Analiza
componentelor principale – Principal Components Analysis – PCA, Analiza liniară diferenţială –
Linear Discriminant Analysis – LDA și Local binary pattern hystogram (LBPH). Ultima metodă este
cea mai simplă de implementat și cea mai precisă.
În România tocmai în mai 2020 a fost implementată de către Politia Română un sistem de
recunoaștere facială.
Recunoașterea facială poate ajuta la verificarea identității personale, dar ridică și mari
probleme de confidențialitate. Se estimează că piața recunoașterii faciale va crește la 7,7 miliarde
de dolari în 2022, de la 4 miliarde de dolari în 2017. Acest lucru se datorează faptului că
recunoașterea facială are toate tipurile de aplicații comerciale.
Una din problemele acestor platforme vine din faptul că setul de imagini folosite pentru
antrenarea algoritmului a fost compus de cele mai multe ori din imagini ale oamenilor albi, ceea
ce a dus la o funcţionare diferită a algoritmului în funcţie de culoarea pielii. Apoi,
confidențialitatea contează pentru foarte mulţi oameni.
Confidențialitatea se referă la orice drepturi pe care trebuie să le controlați asupra
informațiilor personale și a modul în care sunt utilizate - și care pot include amprenta
dumneavoastră facială.
Potrivit, companiei de securitate cibernetică Norton, datele faciale pot fi colectate și
stocate, adesea fără permisiunea persoanei. Este posibil ca hackerii să poată accesa și fura aceste
date pentru a comite fraude.
 6.Siteografie

1. http://scs.etc.tuiasi.ro/iciocoiu/courses/ESL/homeworks/hw2/Capitolul1.pdf
2. https://towardsdatascience.com/face-recognition-how-lbph-works-90ec258c3d6b
3. https://www.youtube.com/watch?v=F5rysk51txQ&ab_channel=GlobalSoftwareSupport
4. https://www.youtube.com/watch?v=HMOI_lkzW08&ab_channel=StatQuestwithJoshStarmer
5. https://en.wikipedia.org/wiki/Local_binary_patterns
6. https://www.scribd.com/document/97425950/recunoastere-faciala
7. https://www.youtube.com/watch?v=F5rysk51txQ
8. https://www.youtube.com/watch?v=myKXW6SKLzY&t=82s
9. https://despretot.info/algoritm-recunoastere-faciala/
10. https://speed.pub.ro/speed3/wpcontent/uploads/2017/07/2017_Proiect_Diploma_GEAN%C4%
82_Sorin-Valentin.pdf
11. https://www.a2t.ro/blog/cum-functioneaza-recunoasterea-faciala-in-multime.html
12. https://www.youtube.com/results?search_query=eigen+faces+algorithm
13. https://www.routledge.com/Face-Detection-and-Recognition-Theory-and-Practice/Datta-
Datta-Banerjee/p/book/9780367377267
14. https://www.electronicid.eu/en/blog/post/face-recognition/en
15. https://www.intechopen.com/books/face-recognition-semisupervised-classification-
subspace-projection-and-evaluation-methods/face-recognition-issues-methods-and-
alternative-applications