Académique Documents
Professionnel Documents
Culture Documents
Director:
Luis Miguel Capacho Valbuena
El que da, no debe volver a acordarse; pero el que recibe nunca debe de olvidar; es por esta
razon que deseo agradecer la culminacion de esta etapa al creador de todo, a aquel que me
ha dado el regalo mas valioso, la vida. Este logro lo dedico a Dios.
Este logro no es un esfuerzo individual, fue el trabajo de toda una familia, agradezco a mis
padres Arles Duque y Constanza Torres junto con mi hermanita Nathalia por ser parte de
mi formacion profesional, gracias por su confianza, motivacion, apoyo y sacrificio durante
todo este tiempo, sin ustedes este logro no hubiera sido posible.
Tambien agradezco a las diferentes personas que fueron parte de mi formacion profesional
y personal, profesores que con sus ense nanzas dentro del aula compartieron de sus
conocimientos y experiencias personales, y fuera de las aulas continuaban dando lecciones
de vida, a esos profesores muchas gracias. Expreso mi profundo agradecimiento al Magister
Luis Miguel Capacho V. por su orientacion profesional, inspiracion, consejo, paciencia y
supervision amable durante el proceso de la tesis y al Doctor Francisco Javier Cuevas por
recibirme como parte de su equipo en el Centro de Investigaciones en Optica, fue una
experiencia inolvidable.
Tambien agradezco a Juan Vicente, Edson, Fabricio, Jaziel y Miguel por el gran equipo de
trabajo que hemos hecho, por sus sugerencias, discusiones interesantes y por el buen tiempo
que pase con ellos durante en la ciudad de Leon de Guanajuato al igual que a mis amigos y
companeros de la carrera.
Por u
ltimo, agradezco a la Universidad del Quindo y al Centro de Investigaciones en Optica
A. C., por todo el apoyo brindado durante desarrollo de esta tesis.
iv
Resumen
El presente trabajo de tesis se ha realizado como requisito para obtener el grado de Ingeniero
Electronico de la Universidad del Quindo.
Esta tesis fue desarrollada en el Centro de Investigaciones en Optica, A.C. ubicado en la
ciudad de Leon Guanajuato, bajo la direccion del Msg. Luis Miguel Capacho y la asesoria
del Dr. Francisco Javier Cuevas.
v
Objetivos
Objetivo General
Implementar un sistema de identificacion de personas de bajo costo a partir del analisis
del perfil del rostro.
Objetivos Especficos
Implementar un prototipo de adquisicion de rostros basado en la tecnica de proyeccion
de luz estructurada.
Agradecimientos III
Resumen IV
Objetivos V
1. Introducci
on 2
2. Marco Te orico 6
2.1. Metrologa Optica . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6
2.1.1. Estereoscopa fotografica . . . . . . . . . . . . . . . . . . . . . . . . . 7
2.1.2. Fotometra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 8
2.2. Medicion de espesores en objetos . . . . . . . . . . . . . . . . . . . . . . . . 9
2.3. Calibracion de imagenes . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2.3.1. Proyeccion de luz estructurada . . . . . . . . . . . . . . . . . . . . . . 11
2.3.2. Sistema de adquisicion de imagenes . . . . . . . . . . . . . . . . . . . 12
2.3.3. Nube de puntos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2.3.4. Ajuste de curvas . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13
2.4. Reconocimiento de patrones en la metrologia optica . . . . . . . . . . . . . . 15
2.5. Conceptos basicos del reconocimiento de patrones . . . . . . . . . . . . . . . 16
2.6. Esquema del reconocimiento de patrones . . . . . . . . . . . . . . . . . . . . 17
2.7. Reconocimiento de patrones en la metrologa optica . . . . . . . . . . . . . . 18
2.8. Sistemas Embebidos . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
2.8.1. Beaglebone . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3. Desarrollo e Implementaci on 21
3.1. Fase 1, Revision del estado del arte . . . . . . . . . . . . . . . . . . . . . . . 21
3.2. Fase 2, Modulo de adquisicion de imagenes . . . . . . . . . . . . . . . . . . . 22
3.3. Fase 3, Modulo de Calibracion . . . . . . . . . . . . . . . . . . . . . . . . . . 25
3.3.1. Etapa 1, Procesamiento de imagenes. . . . . . . . . . . . . . . . . . . 25
3.3.2. Etapa 2, Obtencion del polinomio z = f (x, y). . . . . . . . . . . . . . 27
3.3.3. Etapa 3, Medicion de error de calibracion . . . . . . . . . . . . . . . . 28
CONTENIDO vii
4. Resultados y An alisis 35
4.1. Resultados de la Calibracion . . . . . . . . . . . . . . . . . . . . . . . . . . . 35
4.2. Resultados de Identificacion de individuos, en el Sistema Embebido . . . . . 40
5. Conclusiones 44
6. Trabajos futuros 46
Bibliografa 47
Lista de Figuras
4-11.Acople de perfil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Lista de Tablas
Introducci
on
El rostro humano es la parte del cuerpo que tiene la particularidad de ser uno de los
principales focos de atencion en las interacciones sociales cotidianas, la atencion visual se
centra en las expresiones o caractersticas faciales. El ser humano es capaz de reconocer
miles de rostros e incluso personas que no han visto por alg un tiempo, haciendo toda esta
tarea en una fraccion de segundo [2]. Aunque reconocer a una persona viendo su rostro es
una tarea trivial para la mayora de los seres humanos, para un computador la tarea de
emular esta habilidad es altamente compleja, y mucho mas si se desea emular la capacidad
tridimensional que posee del ser humano.
Las caractersticas globales, como es el caso de [2], [5] y [6], generalmente usan metodos
de reconstruccion o analisis de la totalidad del rostro para su identificacion, desarrollando
numerosas tecnicas para ello, sin embargo, estos metodos son dise nados para trabajar
con imagenes de caras en posicion frontal lo cual, en muchos casos una pocion frontal no
es disponible, sin contar con el costo computacional de los algoritmos involucrados [7].
Los que se basan en caractersticas locales se centran en unas zonas especficas, como
es el caso de la identificacion de personas a traves del iris [8], la nariz [9], e incluso la
oreja. Siendo la oreja y nariz consideradas como una de las caractersticas biometricas
mas representativas ya que para su reconocimiento no depende de las expresiones faciales [10].
Ademas, segun la funcion que realizan los sistemas biometricos son divididas en dos tipos:
sistemas de verificacion o sistemas reconocimiento; En los sistemas de verificacion, conocidos
tambien como sistemas de autentificacion de identidad, el usuario proporciona su identidad
(dice quien es) y sumado a esto aporta sus caractersticas biometricas las cuales el sistema
captura y compara u nicamente con las que tiene almacenadas de ese individuo que dice
ser, dando as un resultado de rechazo o aceptacion. En los sistemas de reconocimiento se
presenta la caracterstica biometricas de un individuo desconocido y el sistema proporciona
la identidad de esa persona. Para ello, compara dicha caracterstica biometricas con todas
las personas conocidas por el sistema, previamente almacenadas en su base de datos dando
como resultado la identidad de dicha persona, si esta se encuentra en la base de datos, y
si no se encuentra, produce una indicacion de que el individuo buscado no se ha podido
reconocer o identificar [11].
Entre los actuales sistemas biometricos faciales de identificacion que hacen uso de
caractersticas globales, estan los sistemas de vision multi-camara conocidos como escaner
3D, estos emplean informacion facial tridimensional gracias a la reconstruccion que pueden
hacer de la totalidad del rostro; la tematica de reconstruccion tridimensional ha sido de un
gran interes, desarrollando en los u ltimos a
nos numerosas tecnicas para lograr el objetivo
de reconstruccion tridimensional del rostro o de cualquier objeto, una de las tecnicas
desarrolladas es a traves de la proyeccion de luz estructurada.
Del mismo modo existen tecnicas desarrolladas para los sistemas biometricos faciales
de verificacion que hacen uso de caractersticas locales, estos son sistemas mas simples
haciendo uso normalmente de maximo dos camaras o simplemente fotografas 2D, el ejemplo
mas cercano es la muy bien conocida aplicacion Facebook, en su sistema de etiquetar
automaticamente a personas en una fotografa o tecnicas mas desarrolladas que logran
identificar personas a traves del perfil del rostro, usando tecnicas de procesamiento de
imagenes como deteccion de contornos [17], creando la ilusion tridimensional con imagenes
laterales del perfil (derecha e izquierda) del rostro [18], entre otras [19]. A pesar de las
investigaciones realizadas en esta tematica, aun existen errores debidos fundamentalmente
al cambio de aspecto que pueden presentar las caras de unas capturas a otras a causa
de rotaciones, de las variaciones de escala, y de los cambios de intensidad de los pxeles
(debidos a la presencia de sombras dependientes de la posicion del objeto respecto a la
fuente de luz as como al tipo de iluminacion que recibe la escena) [11].
Marco Te
orico
El sentido de la vista, es uno de los sistemas mas complejos de nuestro organismo, siendo
capaz de percibir el color, la forma y distancia de los objetos. Se podra decir que el sensor
encargado de capturar las imagenes son los ojos, ellos pueden distinguir unos diez millones
de colores, con detalle en diferentes circunstancias; tiene la posibilidad de cambiar el foco
desde el infinito a centmetros en mili segundos y alcanza una vision panoramica de casi
180o . La interpretacion de informacion visual se realiza en la corteza del cerebro mediante
un proceso cognoscitivo el cual requiere tres cuartas partes de la capacidad de procesamiento
del cerebro [2].
Existen grandes diferencias entre la vision humana y los dispositivos que capturan y procesan
imagenes, uno de estas diferencias es el sentido de profundidad; la vision humana procesa el
mundo de manera tridimensional permitiendo tener una idea de distancias o profundidades
de los objetos en fraccion de segundos, mientras que un los dispositivos de captura lo hacen
de manera dimensional, imposibilitados a tener un conocimiento del espesor o profundidad
de los objetos que hay en una imagen.
Al area de investigacion que corresponde el obtener mediciones de distancias o espesores a
partir de imagenes se conoce como metrologa optica.
2.1.
Metrologa Optica
La metrologa optica es una rama de la optica que tiene como proposito el realizar medidas de
alta precision usando ondas de luz como escala [2]. Al area de investigacion que corresponde
el obtener mediciones de distancias a partir de imagenes se le llama Metrologa Visual y
puede ser clasificada en dos tipos: metrologa de simple vista y metrologa de multiples vistas.
Existen metodos para medir distancias sin contacto llamados activos, estos requieren la
activacion de un emisor para generar ya sea un ultrasonido, un rayo de luz infrarroja o un
laser; este emisor, se debe direccionar hacia un punto especfico para medir mediante un
2.1 Metrologa Optica 7
Entre las ventajas de la metrologa de simple vista sobre otras tecnicas, consiste en que
se requiere una vista del objeto (capturada en una imagen) para hacer una medicion, esta
tecnica se basa en la posibilidad de determinar muchas distancias en el sistema con base a
una secuencia de imagenes y registro historico para analisis posterior
f
z = d0 (2-1)
d1 d2
Donde f es la distancia focal.
d0 es la distancia entre las camaras.
d1 es la distancia del centro de la lente a el punto encontrado.
d2 es la distancia del centro de la lente a el punto encontrado.
z es la distancia a la que se encuentra el objeto.
8 2 Marco Teorico
2.1.2. Fotometra
La fotometra, tiene como objeto el estudio de la iluminacion de las superficies y la
intensidad de las mismas, cabe mencionar que dichas superficies son iluminadas por fuentes
luminosas externas a la superficie [23].
La base de esta tecnica consiste en tomar diferentes imagenes de una escena desde un mismo
punto de vista esto quiere decir que la posicion de dispositivo de captura permanece estatica,
pero con diferentes direcciones de iluminacion; el arreglo optico basico como se muestra en
2-2, las distancias de separacion del plano de referencia a la fuente de iluminacion y del
dispositivo de captura pueden variar dependiendo de las condiciones del sistema al igual
que la distancia del dispositivo de captura y la fuente de iluminacion.
En el ejemplo de la figura 2-3, las sombras generadas por las diferentes direcciones de
iluminacion permiten calcular la geometra tridimensional del objeto examinado
En ciertos puntos de la escena se puedan reconocer de forma sencilla se suele proyectar sobre
esta un patron de luz. Las sombras generadas por las diferentes direcciones de iluminacion
permiten calcular la geometra tridimensional del objeto examinado.
2.2. Medici
on de espesores en objetos
La tecnica de proyeccion de luz estructurada es la proyeccion de alg un patron de luz (luz
blanca o luz laser) sobre una escena, como se muestra en 2-5, y registrarlos mediante un
sistema de adquisicion de imagenes (camara digital CCD o CMOS), para lleva a cabo la
reconstruccion tridimensional de objetos [2]. La fuente de iluminacion debe proyectar alg un
patron de luz como: puntos, una lnea, un conjunto de lneas verticales u horizontales, una
rejilla entre otros. En muchos casos para el analisis de la deformacion de la franjas o franjas
proyectadas en el objeto necesitan un pre procesamiento ya que dependiendo del material y
de lo controlado que se encuentre el ambiente en el cual se realice la proyeccion presentaran
problemas como refraccion, reflexion, ruido de otras fuentes de iluminacion entre otros, para
10 2 Marco Teorico
dar solucion a esta problematica se tienen herramientas que ofrece el procesamiento digital
de se
nales, como es la implementacion de diferentes tipos de filtro el cual dependiendo de
la necesidad son utilizados; sin dejar a un lado el avance tecnologico que han tenido las
camaras en los ultimos tiempos [25] [2].
Y
C Z
x Y
O x
O
X
Plano de la imagen
2.3. Calibraci
on de im
agenes
La calibracion, es la operacion que bajo condiciones especificadas establece, en una primera
etapa, una relacion entre los valores y sus incertidumbres de medida asociadas obtenidas a
partir de los patrones de medida, y las correspondientes indicaciones con sus incertidumbres
asociadas y, en una segunda etapa, utiliza esta informacion para establecer una relacion que
permita obtener un resultado de medida a partir de una indicacion [25]. En este caso el
proceso de calibracion consiste en encontrar la relacion de distancia z con respecto a los
pixeles de las imagenes obtenidas f (x, y), se puede para un punto o n puntos caractersticos;
este proceso consta de cuatro etapas basicas [22].
2.3.1. Proyecci
on de luz estructurada
La tecnica de proyeccion de luz estructurada es la proyeccion de alg un patron de luz (luz
blanca o luz laser) sobre una escena y registrarlos mediante un sistema de adquisicion de
imagenes (camara digital CCD o CMOS), para lleva a cabo la reconstruccion tridimensional
de objetos [2]. La fuente de iluminacion debe proyectar alg un patron de luz como: puntos,
una lnea, un conjunto de lneas verticales u horizontales, una rejilla entre otros.
Las franjas que suelen proyectarse son binarias las cuales se proyectan sobre un plano de
referencia,ver 2-6, estas permanecen sin distorsion; sin embargo al colocar un objeto de
prueba en el plano de referencia, las franjas se distorsionan o modulan de acuerdo a la
forma del objeto. Para llevar a cabo la reconstruccion tridimensional es necesario medir
el desplazamiento que sufre cada lnea respecto a la lnea sin deformar y relacionar esta
desviacion con la informacion de profundidad del objeto, siendo igual una franja o multiples
franjas, ver 2-4.
12 2 Marco Teorico
Plano de
Referencia
Proyector
Cmara
Proyector
Plano de referencia
Cmara Dispositivo de
Procesamiento
Figura 2-7: Arreglo Optico
ZZ
A= f (x, y)dx dy (2-2)
En una imagen digital el area del objeto binario se calcula con la sumatoria de todos los
pixeles que corresponden a este de tal forma 2-2 sera 2-3.
n X
X m
A= fij (2-3)
i=1 j=1
Las coordenadas del centro de masa en forma discreta estaran dadas por 2-4 y 2-5
Pn Pm
i=1 j=1 ifij
x= (2-4)
A
Pn Pm
i=1 j=1 ifij
y= (2-5)
A
De donde n es el total de columnas y m el total de filas y i es el ndice de las columnas y j
es el ndice de las filas.
y = a + a1 x + a2 x2 + ... + an xn + e (2-6)
Se procese a obtener las derivadas de 2-7 con respecto a cada uno de los coeficientes
desconocidos del polinomio 2-8.
Sr
(yi a0 a1 xi a2 x2i )
P
a0
= 2
Sr
(yi a0 a1 xi a2 x2i )
P
a1
= 2
(2-8)
Sr
(yi a0 a1 xi a2 x2i )
P
a2
= 2
Para dar solucion a 2-8 se igualan a cero y se redondean con el objetivo de desarrollar las
acuaciones normales 2-9
x2i ) a2
P P P
(n)a0 ( x i ) a1 ( = yi
( xi ) a0 ( x2i ) a1 ( x3i ) a2
P P P P
= xi y i (2-9)
Todas las sumatorias van desde de 2-9 i = 1 hasta n , y son lineales con tienen tres incognitas,
a0 , a1 , a2 ; estos coeficientes se eval
uan de manera directa, a partir de los datos observados.
Es evidente su similitud que la solucion de un polinomio de segundo grado por mnimos
cuadrados es equivalente a resolver un sistema de tres ecuaciones lineales simultaneas. El
caso bidimensional se extiende con facilidad a un polinomio de m esimo 2-10.
y = a0 + a1 x + a2 x2 + ... + am xm + e (2-10)
El analisis anterior se puede extender facilmente a este caso mas general. As, se reconoce
que la determinacion de los coeficientes de un polinomio de m esimo grado es equivalente a
resolver un sistema de m + 1 ecuaciones lineales simultaneas. En este caso, el error estandar
esta dado por 2-11.
s
Sr
S xy = (2-11)
n (m + 1)
Un problema potencial en la implementacion de la regresion polinomial en la computadora
es que las ecuaciones normales algunas veces estan mal condicionadas, esto se presenta
especialmente cuando se plantean polinomios de grado superior. En tales casos, los
coeficientes calculados pueden ser altamente susceptibles al error de redondeo y en
2.4 Reconocimiento de patrones en la metrologia optica 15
consecuencia, los resultados seran inexactos, por ejemplo, para ocho puntos se puede
obtener un perfecto polinomio de septimo grado. Esta curva podra agrupar todas las
curvas sugeridas por los puntos. No obstante, hay casos donde estas funciones llevaran a
resultados erroneos a causa de los errores de redondeo y los puntos lejanos. Un procedimiento
alternativo consiste en colocar polinomios de grado inferior en subconjuntos de los datos.
Tales polinomios conectores se denominan trazadores o splines.
Las curvas de tercer grado empleadas para unir cada par de datos se llaman trazadores
c
ubicos, este concepto se origino en la tecnica de dibujo que usa una cinta delgada y flexible
(llamada spline, en ingles), para dibujar curvas suaves a traves de un conjunto de puntos
[27], esas funciones se pueden construir de tal forma que las conexiones entre ecuaciones
c
ubicas adyacentes resulten visualmente suaves.
El objetivo en los trazadores c ubicos es obtener un polinomio de tercer grado para cada
intervalo entre los nodos 2-12, As, para n + 1 datos (i = 0, 1, 2, ..., n), existen n intervalos y
en consecuencia, 4n incognitas a evaluar. Como con los trazadores cuadraticos, se requieren
4n condiciones para evaluar las incognitas, es necesario tener en cuenta las siguientes
consideraciones:
fi (x) = ai x3 + bi x2 + ci x + di (2-12)
1. Los valores de la funcion deben ser iguales en los nodos interiores (2n2 condiciones).
3. Las primeras derivadas en los nodos interiores deben ser iguales (n1 condiciones).
4. Las segundas derivadas en los nodos interiores deben ser iguales (n1 condiciones).
Este proceso de aprendizaje en los seres vivos ha llamado la atencion en diversas areas como
la psicologa, la psicosociologa (estudio psicologico de la conducta e interaccion humanas
en el contexto social), la biologa entre otras. Por otro lado las ciencias exactas las ciencias
de la computacion y la ingeniera se han dado a la tarea de desarrollar teoras y tecnicas
que intentan emular el proceso cognoscitivo de los seres vivos con el fin de implementarlos
en sistemas inteligentes para adentrarlos en las actividades humanas.
Para los seres vivos este proceso de obtener la informacion del entorno es a traves de los
sentidos como la vista, tacto, gusto, olfato, y la cual se procesa e interpreta. Los datos
registrados son llamados patrones y pueden ser representados como tablas, imagenes o
se
nales, etc.
Clases, Una clase es un estado o categora de los patrones. Los patrones que pertenecen
a la misma clase comparten los mismos atributos y comportamientos. En un sentido
abstracto, una clase, se puede interpretar como un modelo o prototipo que idealiza un
objeto. Matematicamente representamos una clase i-esima con el smbolo i, donde i es
el conjunto de todas las clases, se le conoce como espacio de interpretacion.
El objetivo de estos modulos se enfoca en ajustar el sistema para que sea capaz de clasificar
se
nales u objetos de entrada en una de las clases predefinidas. Para ello debera analizar un
cierto n
umero de caractersticas y para poder clasificar satisfactoriamente se
nales de entrada,
se necesita un proceso de aprendizaje en el cual el sistema crea un modelo de cada una de las
clases a partir de una secuencia de entrenamiento o conjunto de vectores de caractersticas
de cada una de las clases.
M
odulo de adquisici
on de datos
El proceso inicia con la adquisicion de datos mediante alg un sensor que registra las
variables fsicas y las representa de forma conveniente para su procesamiento y analisis
en ordenadores. La calidad de los datos adquiridos depende de las caractersticas del
sensor tales como la resolucion y el dise no; tambien influyen otros factores como los
ambientales o las variaciones de la interaccion del usuario.
M
odulo pre-procesamiento
Esta tarea se realiza con la finalidad de mejorar la calidad de los datos adquiridos.
Realiza tareas tales como la normalizacion, remocion de ruidos aleatorios o eliminacion
de los datos irrelevantes en las muestras.
18 2 Marco Teorico
M
odulo de extracci
on de caracteristicas
El objetivo de este modulo consiste en generar informacion compacta pero significativa
de los datos. La informacion relevante se almacena en los vectores de caractersticas.
M
odulo de clasificaci
on
En el proceso de clasificacion, los vectores de caractersticas son analizados bajo un
enfoque de reconocimiento de patrones para definir las clases y posteriormente asignar
un objeto desconocido a una de ellas.
M
odulo de validaci
on
En esta etapa se busca evaluar el resultado de la clasificacion y determinar si un
patron determinado se asigno a la categora correcta. Una manera de mejorar los
resultados de la clasificacion es la utilizacion de m
ultiples clasificadores.
Todas estas aplicaciones han sido realizadas debido al fuerte avance de la tecnologa que ha
llevado a implementar estos desarrollos en diversos sistemas digitales, los cuales son capaces
de solventar las distintas problematicas de todo tipo, algunas de ellas a bajo costo, y con
un nivel de aceptacion comprensible dentro de la sociedad actual.
Este tipo de sistemas se encuentran en muchos lugares y sirven para medir la temperatura
del ambiente, para llevar el control de la seguridad de una fabrica, por ejemplo, o incluso
como sistemas que se pueden mandar informacion inalambricamente [29].
2.8.1. Beaglebone
La Beaglebone ha sido desarrollada por la BeagleBoard Foundation, de nuevo una Fundacion
sin animo de lucro, esta vez de origen Estadounidense, y cuyo objetivo es promocionar el uso
de software y hardware open-source para el desarrollo de sistemas empotrados, Beagleboard
nace como un foro de desarrolladores software y hardware, donde pueden intercambiar
20 2 Marco Teorico
En cuanto a Sistemas Operativos podemos encontrar una variedad todava mayor que en la
Raspberry Pi, ya que el ARM que montan estas tarjetas no esta obsoleto por lo que cuenta
con el soporte de multitud de distribuciones Linux y Android. En este trabajo de grado se
ha utilizado Ubuntu 14.04 LTS.
La targeta de desarrollo utilizada en este trabajo fue Beaglebone Black Rev. C, 2-9, es
un sistema embebido que integra un procesador ARM Cortex-A8 y una memoria con 512
MB RAM DDR3 de bajo consumo de energa, esta targeta de desarrollo posee un puerto
de expansion USB, un conector Ethernet, y pines de entradas/salida digitales de proposito
general, como se muestra en la figura 6. Esta tarjeta puede correr Android 4.0 o Ubuntu
aunque normalmente se utiliza una distribucion de Linux llamada Angstrom.
Captulo 3
Desarrollo e Implementaci
on
En este captulo se muestran las etapas de desarrollo del sistema de identificacion de personas
a traves del analizais del espesor del perfil, consta de cinco fases.
En la revision del estado del arte se consultaron diversos trabajos de grado, artculos
cientficos, publicaciones y reportes tecnicos con objetivos similares al trabajo planteado,
b
usqueda de los diferentes documentos citados en este documento se obtuvieron de las bases
de datos con que cuenta la Universidad del Quindo, en especial Engineering Village, Scopus,
ScienceDirect; tambien se exploro en la web y google scientific, los recursos de la biblioteca
Euclides Jaramillo Arango de la Universidad del Quindo, la base de datos de la IEEE
(Institute of Electrical and Electronic Engineers).
22 3 Desarrollo e Implementacion
En el desarrollo de esta fase se hicieron diferentes pruebas opticas para llegar a las respuestas
de los interrogantes mencionados anteriormente, se concluyo que:
La distancia del proyector con respecto al plano de referencia para el desarrollo de este
trabajo de grado debe estar entre el 22 cm y 28 cm en si el proyector queda por debajo
de los 22 cm la franja al ser proyectada en rostro de la persona, no logra obtener la
imagen de todo el perfil, como se puede ver en la figura 3-1, y si la distancia es mayor
a los 28 cm se sobre dimensiona la franja.
Figura 3-1: Distancia del proyector con respecto al plano de referencia menor a 22 cm
El angulo de la camara con respecto al plano de referencia no debe pasar de los 65o , con
respecto a la perpendicular formada por el proyector y el plano de referencia no debe
3.2 Fase 2, Modulo de adquisicion de imagenes 23
de exceder los 35o , si el angulo de la camara con respecto al plano de referencia supera
los 65o la franja proyectada no queda sobre el perfil del rostro (ver 3-2) generando
error en la deformacion de la franja, y esto ocasiona un error en el momento que se
valla extraer la nube de puntos.
Figura 3-2: Angulo de la camara con respecto al plano de referencia mayor a 65o
Proyector
Cmara
30
60
25 cm
15 cm
Plano de
Referencia
11 cm
C
amara Resolucion 1200*1000
Autoenfoque No
Lente 8 mm, Distacia Focal
Proyector Marca Dell Inc.
Modelo M110
Sistema de Computador portatil Acer
Procesamiento Modelo E14
Una ves realizadas las pruebas y analizado los resultados anteriormente mencionados, se
hace el arreglo optico con las especificaciones de la figura 3-3, en la implementacion real,
figura 3-4, los elementos que interaccionan en el arreglo optico son una camara (CCD),
un proyector, plano de referencia (ver figura 2-7), las caractersticas de los elementos del
arreglo experimental se muestran en la tabla 3-1.
Cabe decir que cualquier objeto que este dentro de este campo de entrenamiento podra
obtener la medida de su espesor o profundidad con buena precision en centmetros. Esto
procedimiento se hizo para armar la matriz relacionada con la nube de puntos que se
necesita para ajustar el polinomio z = f (x, y).
una imagen y as tener una visualizacion mas clara de la misma [30]; especficamente en el
desarrollo de este trabajo se emplearon dos conceptos basicos del procesamiento de imagenes,
1: Definicion de Umbral
2: RGB a escala de grises
3: if Imagen (f,c) menor Umbral then
4: Imagen (f,c)= 255
5: else
6: Imagen (f,c)= 0
7: end if
1: Definicion de n
umero de centroides
2: Calculo de Area de la Franja por Filas
3: for tama nano del Area de la franja veces
do
4: coordenadas en x = sum filas/valor del
area
5: coordenadas en y = sum Col/ valor del
area
6: end for
importante tener en cuenta que en este punto las imagenes estan ya binarizadas; despues de
este procedimiento realizado para cada uno de los 15 planos de referencia se construye, la
matriz de tama no n m donde n representa el numero de centroides deseados en este caso,
el n
umero de centroides de cada plano deseados es 80 y, m representa la cantidad de planos
de referencia en este caso, se tiene 15 planos de referencia, espaciados cada 0, 5 cm para un
total de 7, 5 cm.
Figura 3-6: Objeto de prueba 1; a) Imagen Real, b) Imagen binarizada y con 70 centroides
1: Inicio
2: Lectura de Orden de Polinomio
3: Lectura de Valores f (x)
4: Creacion de Matriz Hessiana
5: Funcion Gauus Jordan
6: Obtencion de matriz con Polinomios
2.5
1.5
0.5
0
0 10 20 30 40 50 60 70 80
la exactitud deseada en la medicion del espesor del perfil o del objeto que se esta analizando;
para dar solucion a esto se utilizan las curvas spline para dar la sensacion de suavizado, se
escoge splines cubicas ya que en la literatura estudiada en el estado del arte, es comunmente
utilizado ya que su aproximacion al valor esperado en funciones de ajuste son mejores, en la
mayora de casos, que cualquier otro metodo [21].
(2284364396698547 (X - 79)3 )/9007199254740992 -...+ 563035065717678702909/14073748835532800000
2.5
1.5
0.5
10 20 30 40 50 60 70 80
X
Figura 3-8: Medicion de espesor a traves proyeccion de luz estructurada, con splines cubicas
Los resultados de esta calibracion con este objeto estan en el capitulo 4, donde se hacen la
comparacion con las medidas reales de espesor del objeto piramide, mostrado en esta seccion.
2. Nasi
on, corresponde con la sutura nasofrontal, inmediatamente inferior a la glabela.
Normalmente es la parte mas hundida del dorso y se encuentra a unos milmetros por
debajo de la glabela.
30 3 Desarrollo e Implementacion
3. Supratip, es la mas parte inferior del dorso, justo por encima de la punta nasal. El
punto de transicion se denomina Supratip break.
5. Infratip, parte que se encuentra entre los puntos de definicion de la punta (domus) y
el lobulo de la columela. Proporciona una transicion suave desde la punta nasal a la
columela.
De estos 7 puntos los mas significativos son tres, la nasion, el domus y el angulo
columelo-labial, para hallar estas tres caractersticas, se calculan las derivadas de los puntos
para ver cuales son los cambios de positivo a negativo o viceversa y una segunda derivada
para calcular su concavidad y as poder obtener la parte de interes.
3.5 Fase 5, Clasificacion e implementacion en sistema embebido 31
Una vez obtenido los puntos caractersticos de la nariz lo que procede es hacer
transformaciones isometricas en el plano para colocar el punto de la nasion y el angulo
columelo-labial en la misma columna del plano-imagen esto para almacenarlos en la base de
conocimiento para despues su clasificacion por el Minimum Clasificattion Error o MCE por
sus siglas en ingles
El primer paso es trasladar los puntos a la columna 0, una vez cumplido esto se procede a
rotar los puntos un angulo dado por la abertura que hay de la columna cero con el punto
donde se origina la nariz ( nasion) respecto al punto donde termina la nariz o llamado angulo
columelo-labial.
los puntos se encuentran ubicados sobre el eje y o en una recta paralela a este eje, la distancia
entre los puntos corresponde al valor absoluto de la diferencia de sus ordenadas; ahora si
los puntos se encuentran en cualquier lugar del sistema de coordenadas, la distancia queda
determinada por la relacion 3-2:
q
d = (x2 x1 )2 + (y2 y1 )2 (3-2)
Para la clasificacion por MCE lo que se hace es obtener las mediciones de nuestra base de
conocimiento y la nariz a clasificar. El primer paso es trasladar con el punto mas alto de la
nariz a clasificar al punto mas alto de la nariz de base de conocimiento.
Este proceso de rotacion por ambos sentidos se hace para todas las narices que se tienen
en la base de conocimiento y la mnima distancia encontrada a ese individuo pertenece. Si
sobrepasa el 15 % de error en la medicion no se acepta ese individuo. Y se da por descartado
ese individuo en la clasificacion, para comodidad al analizar los resultados se hicieron graficas
con la ayuda en matlab.
3.5.2. Implementaci
on en sistema embebido
El sistema embebido que se uso, fue la tarjeta embebida BeagleBone Black Rev C. Previo al
proceso de validacion, han sido cargados la memoria de la tarjeta BBB, los coeficientes de
primer y cuarto orden en un archivo de extencon .txt que se calcularon a traves de mnimos
cuadrados, en el proceso de calibracion.
La tarjeta BBB (Rev C) tiene instalado el sistema operativo Linux con la version de
distribucion Debian, en el cual han sido instaladas las paquearas de codigo abierto de
OpenCV las cuales son usadas en aplicaciones de vision artificial.
Con estas bibliotecas y la conexion de una camara de video hacia la tarjeta BeagleBone
Black (por medio de un cable USB) se realiza la adquisicion de una imagen la cual es
almacenada en la memoria interna de dicha tarjeta. El pre-procesamiento de la imagen
consta de convertirla en escala de grises para obtener un mapa de bits y despues binarizarla
y as reducir la cantidad de informacion almacenada en memoria y tener un procesamiento
rapido y eficiente de un objeto o del perfil del rostro.
Inicialmente se capturar la imagen del perfil mediante una camara de video (Logitech C170)
conectada a traves de un cable USB a la tarjeta. La adquisicion de la imagen se realiza con
3.5 Fase 5, Clasificacion e implementacion en sistema embebido 33
1: while
2: doret,frame =cap.read();
3: cv2.imshow(imagen,frame);
4: if
5: thenGPIO.input(P8):
6: cv2.imwrite(captura.png,frame);
7: break
8: end if
9: cap.release();
10: end while
Resultados y An
alisis
Todo proceso de medicion tiene errores, pero cual es el error en estas mediciones?, para esto
en los resultados de la calibracion 4.1 se mostrara el error en medicion de profundidad de
diferentes objetos con medidas conocidas, se analiza teniendo en cuenta el valor esperado,
el valor medido y el error relativo porcentual. En la seccion ?? se mostrara el error en la
clasificacion de los individuos digitalizados
a) b) c)
Figura 4-1: Objetos de prueba a) Media esfera b) Piramide escalonada c) Piramide
Triangular
36 4 Resultados y Analisis
El orden del polinomio influye en la reconstruccion y en la medida, ver figura 4-5, para
un polinomio de grado igual o mayor a 5, la imagen no se logra reconstruir, si de desea
tener una buena reconstruccion de la imagen sin importar las medidas, un polinomio de
orden 1 seria el ideal, mientras mas bajo sea el orden del polinomio mejor se reconstruira el
objeto, sin embargo si lo que se desea es la medida del espesor, lo ideal es hacer uso de del
polinomio grado 4.
4.1 Resultados de la Calibracion 37
120,05 mm
120,05 mm
28,92 mm
Centimetros
3.4 3.4
3.3 3.3
3.2 3.2
3.1 3.1
0
0 20 40 60 80 10 20 30 40 50 60 70 80
Centroides Centroides
Medicin de Espesor
3.7
3.6 X: 34
Y: 3.6595
3.5
Centimetros
3.4
3.3
3.2
- .1
3
0
0 10 20 30 40
Centroides
Centimetros
Centimetros
1.5
1.5
1
1
0.5 0.5
0 0
0 20 40 60 80 10 20 30 40 50 60 70 80
Centroides Centroides
Medicin de Espesor
2.8
X: 2
Y: 2.788
2.75
Centimetros
2.7
2.65
2
Centimetros
-10
0.4 1.5
-20
1 -30
0.2
0.5 -40
-50
0 0
0 20 40 60 80 0 10 20 30 40 50 60 70 80
0 10 20 30 40 50 60 70 80
Centroides Centroides
Centroides
Figura 4-5: Reconstruccion dimensional con polinomios de Orden 1 (azul), orden 4 (roja)
y orden 5 (verde)
Tabla 4-3: Error relativo porcentual con respecto al valor esperado, Piramide
9,62 mm
120,05 mm
120,05 mm
9,62 mm 9,62mm
1.5 X: 18
Y: 0.992
1
0.5
0
0 10 20 30 40 50 60 70 80
Centroides
Se puede ver que el error relativo de la piramide escalonada, tabla 4-3, es mayor en
comparacion con los otros dos objetos, tabla 4-1, la media esfera y la piramide de paredes
triangulares, el error en estos u
ltimos esta dentro de un rango aceptable aproximandose
bastante a las medidas reales.
La base de conocimiento o datos contiene cinco imagenes de la nariz por persona, en total se
capturaron 5 imagenes de 15 personas, para esto se les peda colocar el rostro en el montaje
Optico, figura 4-8, se capturaba la imagen, se retiraban del marco para colocar nuevamente
el rostro hasta llegar a un total de cinco imagenes.
Cada nariz tiene una altura y profundidad, se identifica a la persona con base a estas
dos caractersticas; para la identificacion de los individuos, primero se clasifican, como se
menciono en la seccion 3, el metodo de clasificacion que se eligio fue mnimos cuadrados
(M CE), al igual que los objetos anteriores (figura 4-1), al perfil de rostro se desarrolla todo
el procedimiento de capitulo 3 (figura 4-9).
4.2 Resultados de Identificacion de individuos, en el Sistema Embebido 41
b) 80 Centroides del
individuo Aleja
a) Perfil individuo Aleja
d) 80 Centroides del
individuo Fabricio
c) Perfil individuo Fabricio
Para la clasificacion por M CE, El primer paso fue trasladar con el punto mas alto de la
nariz a clasificar al punto mas alto de la nariz que se encuentra almacenada en la base de
datos, junto con el punto nasion y el punto angulo columbolabial, puntos caractersticos
de la nariz mencionas en la seccion 3.4; como se menciono en el analisis de los objetos
para la calibracion, un polinomio de primer grado, ofrece precision en la forma, mientras
que el polinomio de cuarto grado ofrece una medicion aproximada a la real, as que para
este primer paso se ubica el punto mas alto con un polinomio de orden 4, al hacer esto, se
descartan un buen n umero de imagenes posibles.
El siguiente paso fue buscar la mnima distancia rotando 1 grado la nariz a clasificar en
sentido a las manecillas del reloj igualmente en sentido contrario hasta encontrar la mnima
distancia, como en el primer paso se redujo considerablemente el n umero de posibilidad, ya
no interesa las medidas aproximadas a las reales, pero si es importante la precision forma,
as que en este punto se utiliza polinomios de primer grado; cuando empiece a incrementar
el error para la rotacion y guarda el menor error que arrojen ambas rotaciones.
42 4 Resultados y Analisis
Por ejemplo, de los dos individuos de la figura 4-9, esta mnima distancia graficamente se
ve como un acople de perfiles, para el ejemplo mencionado, en el momento que individuo
de entrada, supongamos que es individua Aleja 4-9 a), inicie el proceso, con respecto al
individuo Fabricio 4-9 d), sera descartado debido a que no cumple con una cercana en
tres puntos caractersticos de la nariz del individuo de entrada. Cuando descarte, todos los
perfiles en la base de datos que no cumplen con estos tres puntos, escoge el que mas se
aproxime, osea que de un acople lo mas cercano posible, como el de la figura 4-11, para
confirmar la clasificacion del individuo con el sistema de M CE.
1
Centimetros
0.5
-0.5
-1
-1.5
0 10 20 30 40 50 60 70 80
Centroides
Figura 4-10: Acople de perfil, perfil de entrada linea roja, perfil de base de datos linea azul
1.5
Centimetros
0.5
-0.5
0 10 20 30 40 50 60 70 80
Centroides
Figura 4-11: Acople de perfil, perfil de entrada linea roja, perfil de base de datos linea azul
4.2 Resultados de Identificacion de individuos, en el Sistema Embebido 43
Conclusiones
Las contribuciones de este trabajo son las siguientes: la aplicacion de la tecnica de proyeccion
de franjas para el calculo de la nube de puntos relacionada al perfil del rostro, el uso de
la metodos numericos para el calculo de la profundidad, la alineacion del rostro a partir
del perfil de un rostro modelo as como la tolerancia de gestos y expresiones faciales en el
proceso de reconocimiento.
Referente al proceso de alineacion del perfil rostro con tres puntos caractersticos (nasion,
domus y angulo columelo labial). Este proceso permite normalizar el perfil del rostros a la
misma posicion con pocos puntos en vez de usar todos los puntos del perfil. Mediante este
proceso se logra optimizar la carga computacion y el tiempo de procesamiento.
Es importante recalcar que el sistema desarrollado es capaz de clasificar, de manera positiva,
45
a personas con distintas expresiones faciales del usuario. Esto se debe, a que el analisis del
rostro se realiza u nicamente en el perfil del rostro, el cual que sufre variaciones mnimas
frente a estos cambios como son la frente, los ojos y la nariz.
Finalmente, seg un el estado del arte estudiando, los sistemas de identificacion biometrica
basados en el analisis de la tridimensional del rostro han demostrados ser fiables, tiene
un to grado de aceptacion entre los usuarios y por lo general son estables. Los sistemas
basados en el analisis de informacion tridimensional han demostrado ser mucho mas robusto
frente a intentos de manipulacion o suplantacion de los usuarios, esto en gran medida, por la
complejidad de la reconstruccion tridimensional del rostro y los algoritmos implementados en
el analisis de los datos, sin embargo, al realizar este trabajo de tesis y los estudios aportados,
es posible dise nar e implementar sistemas de identificacion de bajo costo que brinden un
porcentaje de confiabilidad aceptable.
Captulo 6
Trabajos futuros
Es primordial que los sistemas de reconocimientos biometricos sean fiables, sin sobrepasar
la robustez, desde la adquisicion de los datos hasta el reconocimiento del usuario. Por esta
razon, adicional al trabajo desarrollado, se tiene contemplado realizar mejoras tanto en el
paradigma de reconocimiento biometrico, en los algoritmos de clasificacion, el software y
hardware del sistema.
Las mejoras en cuanto a las mejoras del software, queda pendiente programar los distintos
algoritmos en lenguajes no restrictivos (software libre) como phyton, para realizar la
comparacion con respecto al lenguaje usado que fue c y c++. Por otra parte se pretende
dise
nar una arquitectura de la base de datos de tipo entidad-relacion, que permita la
administracion y garantice la seguridad de la informacion de los usuarios.
[1] Universidad Politecnica De Valencia, Angel Valera, Jose Ignacio, and Cazalilla Morenas.
Desarrollo de aplicaciones embebidas de control en robots moviles. pages 169, 2013.
[2] Miguel A Vazquez and Francisco J Cuevas. A 3D Facial Recognition System Using
Structured Light Projection. Hybrid Artificial Intelligence Systems, pages 241253,
2014.
[3] Sandra Villa Palacios. Sistema De Reconocimiento De Rostros. pages 110, 2008.
[4] Pramod Kumar, Mm Agarwal, and Ms Nagar. A Survey on Face Recognition System-A
Challenge. Ijarcce.Com, 2(5):21672171, 2013.
[6] Andres Ernesto, Lopez Sandoval, Cyntia Mendoza, Luis Angel, Reyes Cruz,
Edgar Alejandro Rivas, Juan Manuel, Ramos Arregun, and Jes us Carlos. Sistema
de Autenticacion Facial mediante la Implementacion del algoritmo PCA modificado en
Sistemas embebidos con arquitectura ARM. 4(2):5364, 2015.
[7] Francisco J Cuevas. A 3D Facial Recognition System Using Structured Light Projection.
pages 241253, 2014.
[8] Jeppiaar Engineering. Fake Biometric Detection Using Image Quality Assessment:
Application to Iris, Fingerprint Recognition. pages 98103, 2016.
[10] Rajeev Rathore, Surya Prakash, and Phalguni Gupta. Efficient human recognition
system using ear and profile face. IEEE 6th International Conference on Biometrics:
Theory, Applications and Systems, BTAS 2013, 2013.
[11] Ana Belen, Moreno Daz, and C C Fsicas. Reconocimiento Facial Automatico mediante
Tecnicas de Vision Tridimensional . 2004.
48 BIBLIOGRAFIA
[12] Roxana Zaricell Bautista and Amalia Mart. Digitalizacion de Objetos, Centro de
investigaciones en optica a. c. 2013.
[13] Xiaoguang Lu, Xiaoguang Lu, and East Lansing. Image analysis for face recognition.
Personal Notes, May, 5:137, 2003.
[18] Toshi Mlnaml. Automatic Personal Identification based on Human Face Profiles. 1998.
[19] Zhimin Cao, Qi Yin, Xiaoou Tang, and Jian Sun. Face recognition with learning-based
descriptor. Proceedings of the IEEE Computer Society Conference on Computer Vision
and Pattern Recognition, pages 27072714, 2010.
[21] Faizan Ahmad, Aaima Najam, and Zeeshan Ahmed. Image- - based Face Detection and
Recognition : Image State of the A rt . 9(6):912, 2012.
[24] Sicardi Segade May. Fringe projection technique: New methods for shape measurement.
(May), 2015.
[26] L Akarun, B Gokberk, and AA Salah. 3D face recognition for biometric applications.
13th European Signal . . . , 2005.
BIBLIOGRAFIA 49
[27] Marcelo Raponi, Ezequiel Pawelko, Leandro Arcusin, and Claudio Delrieux.
Procesamiento de imagenes en tiempo real utilizando tecnologa embebida . Aplicacion
en rehabilitacion visual .
[31] De Accesos, Instituto Tecnologico, Superior De Misantla, and Marco Teorico. Obtencion
de Perfiles y su Clasificacion para el Control.