3 Reconocimiento facial
3.2 Extracción de características

Algunos algoritmos de reconocimiento facial se basan en características extraídas de una imagen de la cara del sujeto - en las características faciales. Por ejemplo, un algoritmo puede analizar la posición relativa, el tamaño y / o la forma de los ojos, nariz, boca, pómulos y de la mandíbula. Estas características se utilizan entonces durante la búsqueda en el grupo de imágenes para el juego de características. Otros algoritmos normalizan una galería de imágenes de la cara y luego se comprimen los datos faciales, salvando sólo los datos de la imagen que es útil para el reconocimiento de rostros. Una imagen probada se compara entonces con los datos faciales.

Antes de la extracción de características de todas las imágenes deben ser pre-procesadas y normalizadas.

Una parte del pre-procesamiento es la reducción de la dimensión de todas las imágenes de entrada a un tamaño definido. También puede aplicarse una ecualización de histograma adaptativo con contraste limitado: contrast limited adaptive histogram equalization (CLAHE). Las imágenes normalizadas se pueden enmascarar, omitir el fondo y dejar sólo la región de la cara.

El objetivo principal del proceso de normalización es minimizar las variaciones incontroladas que se producen durante el proceso de adquisición y mantener las variaciones observadas en las diferencias de características faciales entre los individuos.

El cambio de actitud o postura puede llevar a diferencias en imágenes.

La extracción de características consiste en reducir la cantidad de recursos necesarios para describir un conjunto grande de datos. Durante el reconocimiento de rostros, se realiza el análisis de la gran cantidad de datos. El análisis con un gran número de variables generalmente requiere una gran cantidad de memoria y potencia de cálculo. La extracción de características está relacionada con la reducción de variables y datos.

Para la extracción de rasgo facial se usan los métodos de detección de bordes. Muy buenos resultados se consiguen también por patrones binarios locales: local binary patterns (LBP).

La detección de bordes es el nombre de un conjunto de métodos matemáticos cuyo objetivo principal es detectar puntos en una imagen digital, donde el brillo cambia bruscamente. Estos puntos de imagen con el cambio de brillo se organizan normalmente en una serie de segmentos de línea curvados denominados bordes.

Las funciones que se utilizan con mayor frecuencia para las detecciones de borde son operadores Sobel (también llamado filtro de Sobel), el operador de Prewitt o los filtros de Gabor.

La extracción desde caras pre-procesadas se puede hacer a través de histogramas LBP como características. Los histogramas LBP se consideran una de las mejores características para el reconocimiento de caras, incluso cuando sólo un número limitado de muestras está disponible y además puede ser fácilmente calculada en tiempo real [5] (Fig. 2.1).

image
Fig. 2.1 – Ejemplo de resultado de extracción de características