UNIVERSIDAD NACIONAL AUTÓNOMA DE MÉXICO

FACULTAD DE INGENIERÍA

PROYECTO DE TESIS DE LICENCIATURA

INGENIERÍA EN COMPUTACIÓN

DISEÑO DE UN SISTEMA DE RECONOCIMIENTO FACIAL USANDO MODELOS

OCULTOS DE MARKOV

PRESENTA:
MIQUEAS ESLI ALDAMA SÁNCHEZ
TUTOR:
M. I. JAIME ALFONSO REYES CORTÉS

CIUDAD UNIVERSITARIA
Noviembre, 2019
INTRODUCCIÓN

• Objetivos
• Diseño de un sistema capaz de efectuar el reconocimiento de rostros
en imágenes provenientes de una BDR

• Extensión a otros SRRs

• Contribuir al diseño y la implementación de algoritmos aplicables a

sistemas de reconocimiento de patrones, en general.
INTRODUCCIÓN

• Conceptos generales
Modelo de Markov. Proceso estocástico en el que la variable
aleatoria () está definida en un espacio de estados ().

{ 𝑞 1= 𝑆1 ,𝑞 2= 𝑆1 ,𝑞 3= 𝑆2 , … }
INTRODUCCIÓN

• Conceptos generales
Modelo de Markov. Cumple la “Propiedad de Markov”:

𝑃 ( 𝑞𝑡 +1|𝑞 1 ,𝑞 2 , … , 𝑞𝑡 ) =𝑃 (𝑞𝑡 + 1∨𝑞𝑡 )

INTRODUCCIÓN

• Conceptos generales
HMM. Modelo de Markov en el que la secuencia de estados se
considera oculta. Sólo puede observarse a través de secuencias de
símbolos de observación:

O = { o1, o2, …, oT }
INTRODUCCIÓN

• Conceptos generales
HMM. Elementos:
• : Espacio de estados
𝑆= { 𝑆1 , 𝑆2 , … , 𝑆 𝑁 }

• : Probabilidades de estado inicial

𝑇
𝝅=[𝜋1 , 𝜋2 , … , 𝜋𝑁 ] 𝜋 𝑖= 𝑃 (𝑞1=𝑆𝑖 )
INTRODUCCIÓN

• Conceptos generales
HMM. Elementos:
• : Matriz de transición
;

𝑎 𝑖 , 𝑗 =𝑃 (𝑞𝑡 +1 =𝑆 𝑗 ∨𝑞𝑡 =𝑆𝑖 )

INTRODUCCIÓN

• Conceptos generales
HMM. Elementos:
• : Conjunto de símbolos de observación
𝑉 = {𝑣 1 , 𝑣 2 , … , 𝑣 𝑀 }

• : Matriz de emisión

𝑏𝑖 ,𝑘= 𝑃 (𝑣 𝑘 𝑒𝑛𝑡 ∨𝑞𝑡 =𝑆𝑖 )

INTRODUCCIÓN

• Conceptos generales
HMM. Tipo ergódico: permite
transciones entre todos los estados.
INTRODUCCIÓN

• Conceptos generales
HMM. Tipo Bakis: No permite
transciones a estados anteriores.
INTRODUCCIÓN

• Conceptos generales
HMM.
𝜆=( 𝑨 , 𝑩 , 𝝅 )
Matriz de
transición Probabilidades
Matriz de de estado inicial
emisión
INTRODUCCIÓN

• Conceptos generales
Reconocimiento de rostros. Conjunto de técnicas del
reconocimiento de patrones dedicadas a la identificación de rostros,
generalmente, en bases de datos de rostros (BDRs).
INTRODUCCIÓN

• Conceptos generales
Reconocimiento de rostros. Modos de trabajo de un Sistema de
Reconocimiento de Rostros (SRR).

VERIFICACIÓN
(AUTENTICACIÓN)
INTRODUCCIÓN

• Conceptos generales
Reconocimiento de rostros. Modos de trabajo de un Sistema de
Reconocimiento de Rostros (SRR).

IDENTIFICACIÓN
(RECONOCIMIENTO)
DESCRIPCIÓN DEL SRRP

• Etapas del SRRP

Etapa de Entrenamiento.

BDR ORL Extracción de Obtención de Obtención de

(imágenes de características secuencias de HMMs
entrenamiento) observación entrenados
DESCRIPCIÓN DEL SRRP

• Etapas del SRRP

Etapa de Entrenamiento.

Imágenes de Imágenes de
entrenamiento prueba
DESCRIPCIÓN DEL SRRP

• Etapas del SRRP

Etapa de Entrenamiento.

Extracción de
características

Filtros de Descomposición:
- Haar
- Daubechies 4
- Biortogonal 9/7
 DESCRIPCIÓN DEL SRRP

• Etapas del SRRP {𝒙 𝑖, 𝑘 ,1

,𝒙
𝑖, 𝑘 ,2
,…, 𝒙
𝑖 ,𝑘 ,𝑇
}
Etapa de Entrenamiento.

Subimágenes
Imagen k de sujeto i Extracción de
(versión comprimida) subimágenes
DESCRIPCIÓN DEL SRRP

• Etapas del SRRP

Etapa de Entrenamiento.
 DESCRIPCIÓN DEL SRRP
{ 𝒙 1 ,𝑘 , 1 , 𝒙 1 ,𝑘 ,2 , … , 𝒙1 , 𝑘 ,𝑇 }

⋮ Algoritmo K-Medias 𝐶 ={ 𝐶 , … , 𝐶 , … , 𝐶
1 𝑡 𝑇
}

𝐶 = {𝒄 }
𝑡 𝑡 ,1 𝑡 ,𝑀
,…,𝒄

{ 𝒙 40 , 𝑘 ,1 , 𝒙 40 , 𝑘 ,2 , … , 𝒙 40 , 𝑘 ,𝑇 }
Imágenes de entrenamiento
 DESCRIPCIÓN DEL SRRP
Codificación 𝑂 = {𝑂
1, 𝐾
}
{ 𝒙 1 ,𝑘 , 1 , 𝒙 1 ,𝑘 ,2 , … , 𝒙1 , 𝑘 ,𝑇 } con
1 1 ,1
,… ,𝑂

⋮ ⋮ ⋮
Codificación 𝑂 = {𝑂
40 40 ,1 40 , 𝐾
}
{ 𝒙 40 , 𝑘 ,1 , 𝒙 40 , 𝑘 ,2 , … , 𝒙 40 , 𝑘 ,𝑇 } con
,…,𝑂

Imágenes de entrenamiento
 𝜆1
DESCRIPCIÓN DEL SRRP
𝑂 = {𝑂
1 1 ,1
,… ,𝑂
1, 𝐾
} Algoritmo 𝜆1
Baum-Welch

⋮ ⋮ ⋮
𝜆 40

Algoritmo
𝑂 = {𝑂 } 𝜆 40
40 40 ,1 40 , 𝐾
,…,𝑂
Baum-Welch
Imágenes de entrenamiento
DESCRIPCIÓN DEL SRRP

• Etapas del SRRP

Etapa de Reconocimiento.

Extracción de Obtención de
BDR ORL Características secuencias de Comparación de
(imágenes de de la imagen Observación de HMMs
prueba) de prueba prueba entrenados

ID de sujeto
reconocido
DESCRIPCIÓN DEL SRRP

• Etapas del SRRP

Etapa de Reconocimiento.

Extracción de
características

Filtros de Descomposición:
- Haar
- Daubechies 4
- Biortogonal 9/7
 DESCRIPCIÓN DEL SRRP

• Etapas del SRRP {𝒙 ,𝒙 ,…, 𝒙 }

1 ,2 𝑇

Etapa de Reconocimiento.

Subimágenes
Imagen de prueba Extracción de
(versión comprimida) subimágenes
 DESCRIPCIÓN DEL SRRP

• Etapas del SRRP

Etapa de Reconocimiento.

{𝒙 ,𝒙 ,…, 𝒙 }
1 ,2 𝑇 Codificación
con 𝑂
𝑝

Imagen de prueba
(versión comprimida)
DESCRIPCIÓN DEL SRRP

𝜆1 ln [ 𝑃 (𝑂 𝑝 ∨𝜆1 ) ]

: HMM de sujeto reconocido

𝑝
𝑂 𝜆 𝑠𝑟 =max { ln [ 𝑃 (𝑂 ∨𝜆𝑖 ) ] }
𝑝

𝜆𝑖

𝜆 40 ln [ 𝑃 (𝑂 ∨𝜆 40 ) ]
𝑝
PRUEBAS Y RESULTADOS
• 5 imágenes de entrenamiento
Filtro M N Rec. (%) Subimagen
Haar 200 16 90.5 1

10 0

90

80

70
Rec. (%)

60

50

40

30

20

10

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 2 0 2 1 2 2 2 3 2 4 2 5 2 6 2 7 2 8 2 9 3 0 3 1 3 2 3 3 3 4 3 5 3 6 3 7 3 8 3 9 4 0

Sujeto
PRUEBAS Y RESULTADOS
• 5 imágenes de entrenamiento
Filtro M N Rec. (%) Subimagen
Haar 200 2 91.5 2

10 0

90

80

70
Rec. (%)

60

50

40

30

20

10

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 2 0 2 1 2 2 2 3 2 4 2 5 2 6 2 7 2 8 2 9 3 0 3 1 3 2 3 3 3 4 3 5 3 6 3 7 3 8 3 9 4 0

Sujeto
PRUEBAS Y RESULTADOS
• 5 imágenes de entrenamiento
Filtro M N Rec. (%) Subimagen
Haar 200 4 91 5

10 0

90

80

70
Rec. (%)

60

50

40

30

20

10

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 2 0 2 1 2 2 2 3 2 4 2 5 2 6 2 7 2 8 2 9 3 0 3 1 3 2 3 3 3 4 3 5 3 6 3 7 3 8 3 9 4 0

Sujeto
PRUEBAS Y RESULTADOS
• 5 imágenes de entrenamiento
Filtro M N Rec. (%) Subimagen
Biortogonal 200 2 91 7
9/7

10 0

90

80

70
Rec. (%)

60

50

40

30

20

10

0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 2 0 2 1 2 2 2 3 2 4 2 5 2 6 2 7 2 8 2 9 3 0 3 1 3 2 3 3 3 4 3 5 3 6 3 7 3 8 3 9 4 0

Sujeto
PRUEBAS Y RESULTADOS
• 6 imágenes de entrenamiento
Filtro M N Rec. (%) Subimagen
Haar 200 4 93.125 5

100
90
80
70
Rec. (%)

60
50
40
30
20
10
0
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 2122 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40

Sujeto
CONCLUSIONES

Porcentajes de reconocimiento global > 90%

Filtros de Haar tuvieron mejor desempeño

HMMs con topologías sencillas (N = {2, 4, 16})

CONCLUSIONES

Sujetos
mejor
reconocidos:
CONCLUSIONES

Sujeto
más difícil de
reconocer:

Sujeto 17
CONCLUSIONES

• Dificultades de reconocimiento
Posición del rostro

Cambios de iluminación
CONCLUSIONES

• Dificultades de reconocimiento
Rasgos faciales

Accesorios
REFERENCIAS
• HMM
Rabiner, Lawrence R. "A tutorial on Hidden Markov Models
and Selected Applications in Speech Recognition".
Proceedings of IEEE, Vol. 77, No. 2, pp. 257 - 286, 1989.

• Reconocimiento de Patrones

 Duda, R. O.; Hart, D. E.; Stork, D. G. "Pattern

Classification". 2nd edition. John Wiley and Sons. New York,
U. S. A., 2001.
GRACIAS POR SU ATENCIÓN