Informe Final

Sistema de Identificaci on de Personas
Mediante An alisis del Espesor del

Perfil del Rostro en Sistema
Embebido
Alejandra Duque Torres
Universidad del Quindo

Facultad de Ingeniera
Programa de Ingeniera Electronica
Armenia, Colombia
2017
Sistema de Identificaci on de Personas
Mediante An alisis del Espesor del
Perfil del Rostro en Sistema
Embebido
Alejandra Duque Torres
Tesis presentada como requisito parcial para optar al ttulo de:

Ingeniero Electr onico
Director:
Luis Miguel Capacho Valbuena
Universidad del Quindo

Facultad de Ingeniera
Programa de Ingeniera Electronica
Armenia, Colombia
2017
Agradecimientos
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.
Se describe el desarrollo de un sistema de identificacion de personas a partir del analisis

del espesor del perfil del rostro en una plataforma embebida, haciendo uso de una tecnica
de la metrologa optica llamada proyeccion de luz estructurada, el cual es una aplicacion
biometrica que se apoya de diferentes areas del conocimiento tales como: el reconocimiento
de patrones, la optica, la vision artificial, geometra diferencial, y la estadstica.
Las principales contribuciones del trabajo son: la aplicacion de tecnicas de proyeccion de

luz estructurada para el calculo de la nube de puntos relacionada al perfil del rostro, el
uso tecnicas numericas de optimizacion matematica, el uso del perfil del rostro para la
tolerancia de reconocimiento frente a gestos y expresiones faciales.

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.
Implementar el montaje fsico del sistema de identificacion de personas.
Implementar y validar el funcionamiento del sistema de identificacion de personas en

una plataforma embebida.
Contenido
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
3.4. Fase 4, Obtencion de puntos caractersticos del perfil del rostro . . . . . . . . 29

3.5. Fase 5, Clasificacion e implementacion en sistema embebido . . . . . . . . . 31
3.5.1. Clasificacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31
3.5.2. Implementacion en sistema embebido . . . . . . . . . . . . . . . . . 32
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
2-1. Arreglo experimental basico, vision estereo . . . . . . . . . . . . . . . . . . . 8

2-2. Arreglo optico para mediciones fotometricas . . . . . . . . . . . . . . . . . . 9
2-3. Arreglo optico para mediciones fotometricas . . . . . . . . . . . . . . . . . . 9
2-4. Proyeccion de luz estructurada . . . . . . . . . . . . . . . . . . . . . . . . . . 10
2-5. Ejemplo metrologa simple . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11
2-6. Arreglo optico para una fraja . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2-7.
Arreglo Optico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12
2-8. Esquema general de un sistema de reconocimiento de patrones . . . . . . . . 17
2-9. BeagleBone Black Rev. C . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3-1. Distancia del proyector con respecto al plano . . . . . . . . . . . . . . . . . . 22

3-2. Angulo de la camara con respecto al plano de referencia mayor a 65o . . . . 23
3-3. Dise
no de arreglo optico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23
3-4. Arreglo optico real . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24
3-5. Desfase de la franja proyectada . . . . . . . . . . . . . . . . . . . . . . . . . 25
3-6. Objetos de prueba . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27
3-7. Medicion de espesor a traves proyeccion de luz estructurada . . . . . . . . . 28
3-8. Medicion de espesor a traves proyeccion de luz estructurada, con splines cubicas 29
3-9. Vista lateral de la nariz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 30
3-10.Vista lateral de la nariz . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 33
4-1. Objetos de prueba . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

4-2. Medidas reales, Piramide de paredes Triangulares . . . . . . . . . . . . . . . 37
4-3. Media Esfera . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 37
4-4. Piramide de paredes Triangulares . . . . . . . . . . . . . . . . . . . . . . . . 38
4-5. Reconstruccion dimensional . . . . . . . . . . . . . . . . . . . . . . . . . . . 38
4-6. Medidas reales, Piramide de paredes Triangulares . . . . . . . . . . . . . . . 39
4-7. Piramide Escalonada . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39
4-8. Dise
no Optico . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 40
4-9. Centroides en perfiles . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41
4-10.Acople de perfiles erroneos . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
LISTA DE FIGURAS ix
4-11.Acople de perfil . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 42
Lista de Tablas
2-1. Modelos de BeagleBoard [1] . . . . . . . . . . . . . . . . . . . . . . . . . . . 20
3-1. Caractersticas de los elementos del arreglo experimental . . . . . . . . . . . 24
4-1. Error relativo porcentual con respecto al valor esperado . . . . . . . . . . . . 36

4-2. Relacion de Medicion en cm con respecto al orden del polinomio . . . . . . 36
4-3. Error relativo porcentual con respecto al valor esperado, Piramide . . . . . . 39
4-4. Resultado de Identificacion . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43
Captulo 1
Introducci
on
A traves de la historia del hombre se han desarrollado numerosos sistemas de identificacion

personal los cuales van desde un documento impreso de identidad, como la cedula de
ciudadana hasta sistemas de lectura de iris. Entre los sistemas de identificacion actuales
estan los sistemas biometricos que, a partir de caractersticas morfologicas propias de
un individuo, lo identifican. En particular, los sistemas de identificacion facial utilizan
caractersticas del rostro para su reconocimiento; se emplean imagenes en dos dimensiones,
como las fotos, o escaneo tridimensional del rostro permitiendo as un analisis mas preciso
de sus caractersticas principales.
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.
Actualmente, el reconocimiento o identificacion de rostros ha sido un area de interes

en diversas disciplinas tales como la electronica, informatica, psicologa, antropometra,
robotica, entre otras; por lo que se deduce que es un area de investigacion siempre creciente.
Se hace evidente que existe una amplia gama de aplicaciones asociadas, como en sistemas
de seguridad y control de accesos, en vision artificial y vdeo juegos, en tipificar conductas
y sentimientos, en relaciones de raza y cultura, en interaccion hombre-maquina, para citar
solo algunos ejemplos.
El objetivo del reconocimiento facial es permitir la identificacion de una manera automatica

de una persona [3]. En general, los sistemas de reconocimiento facial establecen tres tareas
3
principales: deteccion, extraccion de caractersticas y reconocimiento [4]; a partir de estas

tareas principales, en los ultimos veinte a nos numerosos metodos para el reconocimiento o
identificacion de rostros han sido desarrollados a pesar de problemas como las diferentes
condiciones de luz, las variaciones de la posicion del usuario, problemas de oclusiones en los
lentes de la camara, entre otros [5], dando as dos enfoques, reconocimiento facial a traves
de caractersticas globales o caractersticas locales [4].
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.
La luz estructurada es una herramienta de la metrologa optica, que consta de la proyeccion

de un patron de pxeles ya sea en crculos, franjas, rejillas o barras en una determinada
4 1 Introduccion
escena, estos patrones presentan deformaciones al poner un objeto en la escena. Estas

deformaciones permiten extraer informacion como profundidad y espesor del objeto a traves
de algoritmos computacionales, permitiendo llegar a aplicaciones como digitalizacion de
objetos [12], reconstrucciones tridimensionales [2], reconocimiento facial 3D [13], obtencion
de relieve digital de objetos [14], mediciones de forma [15], calculo de profundidades [16]
entre otras.
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].
Cabe agregar, la posibilidad de realizar una combinacion de sistemas tridimensionales

y bidimensionales con el objetivo de lograr una identificacion facial teniendo en cuenta
las diversas posturas que se presentan en ambientes no controlados [20] y as obtener un
mejor resultado.El proceso inicia con la adquisicion del rostro 3D puede ser con el uso de
proyeccion de luz estructurada para lograr tener una nube de puntos relacionados con el
rostro, una de las franjas se proyecta sobre el perfil; la deformacion de la franja del perfil
facial puede ser usada para dar la alineacion con respecto a los rostros de almacenados
en la base de datos, para poder ser procesada y posteriormente dar la verificacion del usuario..
A lo largo de los planteamientos hechos, la identificacion de personas a traves de sistemas

tridimensionales permite mitigar el efecto negativo de los sistemas de una sola camara
o de sistemas bidimensionales, sin embargo el elevado costo computacional debido a los
algoritmos involucrados de los sistemas tridimensionales hace que para la implementacion
del sistema de identificacion de personas tenga un incremento monetario considerado
dependiendo de la aplicacion que se desee.
5
La presente tesis de grado se sit ua bajo la problematica que presenta la implementacion en

plataformas de bajo costo de sistemas para la identificacion de personas, mediante el uso de
caractersticas faciales locales, especficamente del perfil biometrico del rostro, haciendo uso
de proyeccion de luz estructurada para la extraccion de la informacion del perfil y proceder
a la identificacion.
Captulo 2
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
receptor, con las caractersticas de retorno que da la se

nal emitida se analizan para poder
determinar la distancia existente entre el instrumento y un punto sobre el objeto remoto.
En metrologa visual de m ultiples vistas o vision estereoscopica, se requieren dos o mas

camaras dispuestas espacial mente en una forma particular, y se requiere conocer las
propiedades especficas de cada camara individual para obtener mediciones exactas. El
hecho de que se necesite tomar y analizar mas de dos imagenes de la misma escena tambien
hace que el sistema sea mas complejo de programar y a nivel de usuario. Es por eso que se
acude al metodo llamado metrologa visual de simple vista [21].
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
La metrologa optica cuenta con diferentes tecnicas de adquisicion de forma y profundidad

de objetos, entre ellas las mas destacadas son las tecnicas estereoscopica y fotometricas.
2.1.1. Estereoscopa fotogr

afica
La estereoscopa fotografica o fotografa estereoscopica es la produccion de imagenes
fotograficas capaces de dar una impresion de profundidad parecida a la que percibe la vision
normal o binocular. La primera forma practica de estereoscopa fue inventada en la decada
de 1830 por el cientfico ingles Sir Charles Wheatstone estuvo muy de moda durante el siglo
XIX. [22]
Considerese un sistema de dos camaras en donde ambos ejes opticos son paralelos (ver figura
2-1), se encuentran separadas por una distancia que conecta los ejes opticos de las lentes
llamada lnea de base o distancia base denotada por d0, esta es perpendicular a los ejes
opticos. El eje x se encuentra orientado de tal manera que este sea perpendicular a la lnea
de base. 2-1
La aproximacion de z (la profundidad del objeto), se tiene 2-1
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
Figura 2-1: Arreglo experimental basico, vision estereo
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.
La fotometra cuenta con metodos que le permiten analizar la profundidad e informacion

tridimensional de un objeto, uno de ellos es la proyeccion de luz estructurada; consiste en
proyectar sobre el objeto un patron de luz ya sea crculos, puntos, un haz o franjas de luz
como el de la figura 2-4. Las deformaciones que sufre el patron proyectado causadas por el
objeto son las que permiten extraer la profundidad e informacion tridimensional del objeto
a traves de algoritmos y procesamiento de imagenes [24].
2.2 Medicion de espesores en objetos 9
Figura 2-2: Arreglo optico para mediciones fotometricas
Figura 2-3: Arreglo optico para mediciones fotometricas
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
Figura 2-4: Proyeccion de luz estructurada [24]
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].
El objetivo de medir profundidades a traves de la deformacion de franjas es encontrar una

funcion que relaciones una distancia con respecto a una secuencia de pixeles obtenidos de
un registro historico de la imagen del objeto; se puede observar en 2-5, un cubo, en el
plano real, en el plano de la imagen solo se logra ver una imagen bidimensional, de esta
manera no se lograra obtener el espesor del objeto [25], sin embargo, si se determinan
muchas distancias con base a una secuencia de imagenes obtenidas del desfase de la franja
o franjas proyectadas se puede obtener una funcion que relacione la distancia con el pixel y
as hallar esa profundidad del objeto, este proceso se conoce como calibracion del sistema
de medicion.
2.3 Calibracion de imagenes 11
Y
C Z
x Y
O x
O
X
Plano de la imagen
Plano del mundo real

Figura 2-5: Ejemplo metrologa simple
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
Figura 2-6: Arreglo optico para una fraja
2.3.2. Sistema de adquisici

on de imag
enes
El sistema de adquisicion de imagenes esta integrado por un arreglo optico para realizar la
digitalizacion de la franja proyectada en el plano de referencia y la digitalizacion del rostro.
El arreglo optico del sistema de digitalizacion de rostros consiste en un sistema de proyeccion
de luz estructurada, el cual involucra el uso de un proyector de video, una camara un plano
de referencia que consiste en una superficie plana con un orificio en la parte central donde
el usuario asoma el rostro y un sistema de procesamiento, ver figura 2-7.
Proyector
Plano de referencia
Cmara Dispositivo de
Procesamiento

Figura 2-7: Arreglo Optico
2.3.3. Nube de puntos

Se realiza por cada imagen obtenida el calculo de la nube de puntos con el fin de extraer
la informacion relacionado con lo que se desea analizar. Especficamente para este caso, en
mediciones de profundidad con el uso de una franja, la nube de puntos seran el conjunto de
n centroides contenidos en la franja, el concepto de centroide se puede ver como el centro
de masa de la imagen. Si se representa la imagen como una funcion binaria f (x, y) tal que
2.3 Calibracion de imagenes 13
f (x, y) = 1 en el objeto y f (x, y) = 0 en en el plano de referencia, figura 3-8, entonces el

area del objeto se puede representar por la integral de dicha funcion sobre todo el campo
de vision 2-2 [26].
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.
2.3.4. Ajuste de curvas

El Ajuste de curvas se usa para encontrar una funcion que responda a una muestra de datos
obtenidas de alguna medicion. El objetivo de tener una nube de puntos diferentes para cada
imagen es lograr relacionarlos con una funcion z = f (x, y) que represente la distancia seg
un
la separacion de los planos de referencia. Existen muchos metodos para el ajuste de curvas
sin embargo uno de los mas conocidos y mas utilizados es el metodo de mnimos cuadrados.
El metodo de mnimos cuadrados sirve para interpolar valores, es decir que su uso radica
en buscar valores desconocidos usando como referencia muestras del mismo evento, este
procedimiento se puede extender facilmente al ajustes de datos con un polinomio de grado
superior, por ejemplo, suponga que se ajusta un polinomio de segundo grado 2-6.
y = a + a1 x + a2 x2 + ... + an xn + e (2-6)
En este caso, la suma de los cuadrados de los residuos es 2-7

n
X
Sr = (yi a0 a1 xi a2 x21 ) (2-7)
i=1
14 2 Marco Teorico
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
P
a1
= 2
(2-8)
Sr
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)
x2i ) a0 ( x3i ) a1 ( x4i ) a2 x2i y i

P P P P
( =
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).
2. La primera y ultima funcion deben pasar a traves de los puntos extremos (2

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).
5. Las segundas derivadas en los nodos extremos son cero (2 condiciones).
2.4. Reconocimiento de patrones en la metrol

ogia

optica
Con el paso del tiempo todos los organismos han desarrollado habilidades para obtener
informacion de su entorno para tomar decisiones.El proceso de reconocer diferentes
situaciones y tomar decisiones es una capacidad inherente en los seres vivos, la cual, implica
un proceso cognitivo complejo.
16 2 Marco Teorico
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.
El reconocimiento de patrones (RP) es la tecnica que se encarga de la descripcion y

clasificacion (reconocimiento) de objetos, personas, se
nales, representaciones, etc. Trabaja
con base en un conjunto previamente establecido de todos los posibles objetos (patrones)
individuales a reconocer. El campo de aplicaciones del reconocimiento de patrones es amplio,
sin embargo las mas importantes estan relacionadas con la vision por parte de una maquina,
de forma analoga a los seres humanos. En esta tesis se usa el reconocimiento de patrones
para clasificar a individuos [16] [17] [11].
2.5. Conceptos basicos del reconocimiento de patrones

Algunos conceptos importantes dentro del reconocimiento de patrones son.
Patrones, Un patron es la entidad que puede ser identificable de acuerdo a sus

caractersticas o atributos, este puede ser abstracto o concreto. Los patrones abstractos
son ideas conceptuales mientras que un patron concreto es la representacion fsica de
un objeto, por ejemplo los smbolos (letras, caligrafas), imagenes digitales, imagenes
tridimensionales, firmas, se nales de voz, electrocardiogramas, electroencefalograma,
ondas ssmicas, entre otros.
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.
Caractersticas, Las caractersticas describen a los patrones, de acuerdo al valor de

sus atributos, y determinan el espacio de caractersticas de una clase.
2.6 Esquema del reconocimiento de patrones 17
Base de conocimiento, Una base de conocimiento es un tipo especial de base

de datos para la gestion del conocimiento. Provee los medios para la recoleccion,
organizacion y recuperacion computarizada de conocimiento.
2.6. Esquema del reconocimiento de patrones

Un sistema de reconocimiento de patrones, independientemente del paradigma que
implementa, esta conformado por distintos modulos que operan de manera sistematica sobre
los patrones [28]. Con respecto a sistemas de reconocimiento facial, en la literatura [24], se
establecen tres modulos principales para el proceso de reconocimiento de facial: deteccion,
extraccion de caractersticas y reconocimiento, en el orden de la figura 3-8.
Figura 2-8: Esquema general de un sistema de reconocimiento de patrones
A estos modulos mencionadas anteriormente se suman los aspectos funcionales de un sistema

de vision artificial tradicional, como lo son la adquisicion, procesamiento, segmentacion y
extraccion de caractersticas [21].
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.
2.7. Reconocimiento de patrones en la metrologa

optica
El reconocimiento de patrones dentro de la metrologa optica es algo muy recurrente ya que
es una de las formas principales de extraer informacion de los datos obtenidos por medio
del procesamiento de imagenes. Un sistema puede tomar sus propias decisiones sin una
intervencion externa, gracias al reconocimiento y clasificacion de la informacion visual que
se obtiene, es por ello que ocupa una parte importante en los sistemas autonomos y de
inteligencia artificial.
Los sistemas de reconocimiento de patrones tienen diversas aplicaciones. Algunas de las

mas relevantes utilizadas dentro de la metrologa son la inspeccion de piezas, por medio
de un sistema de vision se buscan patrones de falla dentro de piezas, tales como grietas,
malformaciones, etc; la conexion de formas, utilizado en diversos sistemas de vision, el
reconocimiento de patrones permite identificar secciones comunes entre dos o mas imagenes,
de modo que se pueda relacionar y unir la informacion de estas, entre otras.
Otras aplicaciones comunes del reconocimiento de patrones es el reconocimiento de

caracteres escritos a mano o a maquina siendo esta una de las utilidades mas populares de
los sistemas de reconocimiento de patrones ya que los smbolos de escritura son facilmente
identificables, aplicaciones en medicina como la deteccion de irregularidades en imagenes
de rayos-x, deteccion de celulas infectadas, marcas en la piel, entre otras; reconocimiento
de huellas digitales siendo este un de los mas utilizado y conocido por la gran mayora de
personas, mediante las huellas dactilares todos somos identificables y con programas que
2.8 Sistemas Embebidos 19
detectan y clasifican las coincidencias; la interpretacion de fotografas aereas y de satelite:

gran utilidad para propuestas militares o civiles, como la agricultura, geologa, geografa,
planificacion urbana, reconocimiento de objetos, aplicacion importante para personas con
discapacidad visual.
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.
Comprendidos dentro de estos sistemas, se encuentran las plataformas embebidas, las

cuales han tenido una progresion significativa dentro de la tecnologa aplicada a soluciones
especficas o dedicadas, reduciendo as los costes de dise
no e implementacion y ademas dando
la posibilidad de desarrollar sistemas de tiempo real.
2.8. Sistemas Embebidos

Un sistema embebido se conforma de varias unidades funcionales para realizar tareas
especficas, estos sistemas cuentan con un hardware capaz de procesar la informaciones de
datos tanto internos como externos al sistema, ademas cuenta con diferentes interfaces para
manejar diferentes tipos de comunicacion como USB, Ethernet, entre otras; junto con esto
tiene tambien una parte de software la cual se encarga del control completo de todo el
hardware.
Los sistemas embebidos son dispositivos que contienen la funcionalidad de un computador,
pero no son en s percibidos como computadores [6], por ejemplo, existen tarjetas de
desarrollo electronicas para sistemas embebidos, es decir, sistemas moviles que muchas
veces corren independiente y autonoma mente, actualmente las tarjetas embebidas mas
comerciales que existen son las proporcionadas por Arduino, CubieBoard, BeagleBoar y
RaspBerry, siendo las dos ultimas mas comerciales y utilizadas.
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
Tabla 2-1: Modelos de BeagleBoard [1]
MODELO PRINCIPAL MODELO BLACK MODELO xM

SoC TI AM3358 TI AM3359 TI DM3730
720 MHz 1 GHz 1 GHz
CPU
ARM Cortex 8 ARM Cortex 8 ARM Cortex 8
Power VR Power VR Unspecified
GPU
SGX530 SGX530 Power VR SGX
Memoria 256 MB DDR2 512 MB DDR3 512 MB DDR2
USB 1 1 2
Salida de Video micro HDMI micro HDMI DVI, S-Video
Salida de audio micro HDMI micro HDMI 3.5 mm Jack
ideas, conocimiento y experiencia; como podemos encontrar en BeagleBoard, el objetivo

es crear dispositivos de bajo coste, basados en procesadores de bajo consumo de Texas
Instruments, utilizando n
ucleos ARM Cortex-A, es decir, hacer mas con menos[1].
Figura 2-9: BeagleBone Black Rev. C
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.
Fase 1, Revision del estado del arte.
Fase 2, Modulo de adquisicion de imagenes.
Fase 3, Modulo de Calibracion
Fase 4, Obtencion de puntos caractersticos del perfil del rostro.
Fase 5, Clasificacion e implementacion en el sistema embebido.
3.1. Fase 1, Revisi

on del estado del arte
Esta primer fase, consistio en una revision continua del estado del arte referente a los
procedimientos de sistemas de identificacion a traves del perfil del rostro usando proyeccion
de luz estructurada, en cuanto a antecedentes, actualidad y tendencias, estos estudios
aportaron al desarrollo del trabajo, tambien, estuvo unida a la investigacion en tres areas,
procesamiento de imagen, metodos de mediciones opticas e implementaciones de sistemas
de vision artificial en plataformas embebidos.
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
3.2. Fase 2, Modulo de adquisici

on de im
agenes
En esta fase, se realizaron tres actividades basicas que dieron respuesta a interrogantes
planteados necesarios para el diseno del arreglo optico del sistema de identificacion, los
interrogantes planteados fueron:
A que distancia debera estar el proyector del plano de referencia?
Cual debe ser el angulo de la camara con respecto al plano de referencia?
En que proporcion se debe de mover el plano de referencia con respecto al proyector,

para la calibracion del sistema?
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
La proporcion en que se debe de mover el plano de referencia es dependiendo del desfase

de la franja que se quiera obtener, de esta decision depende el error en la medicion,
si se escoge una distancia de 5 cm por ejemplo, el desfase sera evidente, sin embargo
tendra un mayor error al realizar el proceso de medicion de espesor, debido que en el
proceso calibracion encuentra la relacion de distancia z con respecto a los pixeles de las
imagenes obtenidas f (x, y), y el espacio de 5 cm no existen puntos; as que mientras
mas peque no sea la ventana de movimiento, los resultados seran mejores; teniendo en
cuenta lo anterior se decidio mover el plano de referencia cada 0, 5 cm para el proceso
de calibracion del sistema.
Proyector
Cmara
30
60
25 cm
15 cm
Plano de
Referencia
11 cm
Figura 3-3: Dise

no de arreglo optico
Tabla 3-1: Caractersticas de los elementos del arreglo experimental
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.
Figura 3-4: Arreglo optico real

3.3 Fase 3, Modulo de Calibracion 25
3.3. Fase 3, Modulo de Calibraci

on
Teniendo la seguridad del dise no e implementacion del arreglo optico, en esta fase se
crearon los algoritmos para el procesamiento de imagenes relacionadas con los planos y
perfiles del rostro, la obtencion de la nube de puntos relacionado con las distancias entre los
planos, y las primera pruebas de validacion de medidas de profundidad con diferentes objetos.
El proceso de calibracion (entrenamiento) es encontrar la relacion de distancia z con respecto

a los pixeles de las imagenes obtenidas f (x, y), este proceso se llevo a cabo en 3 etapas, la
primera etapa de procesamiento de imagenes, la segunda etapa de ajuste del polinomio
z = f (x, y), y la etapa 3 de medicion del error en la calibracion.
3.3.1. Etapa 1, Procesamiento de im

agenes.
El proceso de calibracion se empieza tomando imagenes de la franja proyectada en el plano
de referencia a diferentes distancias de la CCD utilizando la base de desplazamiento, (ver
3-4) iniciando desde una distancia de 25 cm con respecto al proyector hasta que se llega
a una distancia de 18 cm con respecto al proyecto, dando en total un recorrido de 7, 5
cm y dando pasos de 0, 5 cm, para un total de 15 planos de referencia (ver figura 3-5),lo
importante es la adquisicion de estos planos es el desfase de la franja que esta siendo
proyectada sobre el plano de referencia.
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).
a) Plano No.1 b) Plano No.5 c) Plano No.10 d) Plano No.15
Figura 3-5: Desfase de la franja proyectada; a) distancia de 25 cm con respecto al proyector,

b) distancia de 22,5 cm con respecto al proyector, c) distancia de 20 cm con respecto al
proyector, d) distancia de 18 cm con respecto al proyector
El procesado digital de imagenes (PDI) basicamente se utiliza para el mejoramiento de

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. Binarizaci on, este procedimiento consiste en una reduccion de informacion en la

que los u
nicos valores posibles son verdadero y falso (1 y 0). La binarizacion de las
imagenes se hizo por umbralizacion, el cual consiste en asignar un valor de 0 o 255 a
todos los pixeles, as los que esten con menor intensidad al umbral dado se les asigna
un valor de cero, de lo contrario, se les asigna el valor 255.
Este procedimiento se hace para cada imagen, El algoritmo para realizar este proceso
de binarizacion se implemento en Matlab, y posteriormente en la tarjeta de desarrollo
BeagleBone Black Rev. C
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
2. Calculo de centroides o centro de masa, Como se explico en el capitulo 2, el

concepto de centroide se puede ver como el centro de masa de la imagen. El algoritmo
para realizar este calculo se implemento en Matlab, y posteriormente en la tarjeta de
desarrollo BeagleBone Black Rev. C
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
En mediciones de profundidad usando proyeccion de luz estructurada y especficamente

para proyecciones de una sola franja, la nube de puntos seran el conjunto de n centroides
contenidos en la franja, esto quiere decir que para cada imagen se necesitan n centroides, es
3.3 Fase 3, Modulo de Calibracion 27
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.
a) Imagen Real b) Imagen Binarizada y con 70 centroidesl
Figura 3-6: Objeto de prueba 1; a) Imagen Real, b) Imagen binarizada y con 70 centroides
3.3.2. Etapa 2, Obtenci

on del polinomio z = f (x, y).
Los n centroides calculados de las imagenes tienen coordenadas (columnas, filas) en la
imagen, estas coordenadas son igualados con el n umero de plano de referencia (distancias).
Este proceso de obtencion de polinomios hace referencia a que se tiene que encontrar la
relacion f (x, y) = z, de donde f (x, y) son las coordenadas respectivas del centroide y z es la
distancia de cada plano respectivamente. En la etapa anterior, se binariza y se obtienen para
cada imagen los centroides, 3-6, en esta etapa se relaciona cada centroide con su respectiva
distancia, formando la ecuacion 3-1 .
P1 Img 1 P1 Img 2 ... P1 Img 15 = d1

P2 Img 1 P2 Img 2 ... P1 Img 15 = d2
. . ... . = .
(3-1)
. . ... . = .
. . ... . = .
P80 Img 1 P80 Img 2 ... P80 Img 15 = dn
Donde Pn es el punto que representa al centroide numero n de la imagen n representada por

Img n que a su ves correspondiente a la distancia dn . Una vez obtenido la matriz anterior
se ajusta un polinomio por cada punto, el n umero de polinomios son proporcionales a la
cantidad de centroides en este caso, son 80 polinomios por que el desarrollo del trabajo es
con un total de 80 centroides, para el ajuste de los polinomios se implemento el algoritmo
de mnimos cuadrados.
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
Adquiriendo los polinomios se inicia el proceso de medicion de error en la calibracion.
3.3.3. Etapa 3, Medici

on de error de calibraci
on
Encontrados los centroides del perfil de la persona o del objeto, se procede a encontrar la
funcion que pase por todos estos puntos haciendo uso de mnimos cuadrados, de las figuras
a y b de 3-6, con mnimos cuadrados se obtiene medidas del espesor (ver figura 3-7) donde
el eje y esta en centmetros y el eje x representan los 80 centroides.
2.5
1.5
0.5
0
0 10 20 30 40 50 60 70 80
Figura 3-7: Medicion de espesor a traves proyeccion de luz estructurada
En algunos puntos de 3-7 se ve deformada la funcion convirtiendose en un riesgo para obtener

3.4 Fase 4, Obtencion de puntos caractersticos del perfil del rostro 29
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.
3.4. Fase 4, Obtenci on de puntos caractersticos del

perfil del rostro
La deteccion de puntos caractersticos en este proyecto es parte importante ya que obteniendo
estos patrones de referencia se podra identificar a los usuarios.
Una vez concluidas las fases 2 y 3 paso que procede es obtener puntos caractersticos del
perfil del rostro, la caracterstica mas relevante del pefil del rostro es la nariz, su forma y
tama no es dada, principalmente, por las estructuras de sosten, que son los huesos propios
de la nariz y apofisis ascendente de la maxila, septo cartilaginoso, cartlagos triangulares y
alares. En la vista lateral de la nariz, ver 3-9, se distinguen 7 partes:
1. Glabela, es la region frontal inmediatamente superior a la nariz.
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.
3. Supratip, es la mas parte inferior del dorso, justo por encima de la punta nasal. El
punto de transicion se denomina Supratip break.
4. Domus, o Puntos de definicion de la punta: parte mas prominente de la punta de

la nariz que se corresponden a los dos puntos de luz en la vision frontal. Es la
manifestacion cutanea del angulo o doblez de los cartlagos laterales inferiores en el
punto de transicion entre el cartlago alar y la crus intermedia.
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.
6. Columela, separa, a modo de columna, las dos narinas. Su consistencia se la

proporcionan las crus medialis, parte mas caudal de los cartlagos laterales inferiores.

7. Angulo columelo-labial, es el formado por el labio y la columela, mientras que el

Angulo Nasolabial lo sera entre el labio superior y la nariz, es decir, entre el labio
superior y la lnea que va desde la base del ala de la nariz hasta la union de la narina
con la columela.
Figura 3-9: Vista lateral de la nariz
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
1: for i=1:Tamano de entrada do

2: if
3: Entrada = a punto maximo then
4: punto mas alto= i
5: end if
6: end for
7: for i=punto mas alto:-1:1 do
8: if
9: i menor entrada(i)-entrada(i-1)
then
10: cambio de pendiente= i
11: end if
12: end for
13: for i=punto mas alto:-1:1 do
14: if
15: i menor entrada(i)-entrada(i+1)
then
16: cambio de pendiente 2 = i
17: end if
18: end for
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.
3.5. Fase 5, Clasificaci

on e implementaci
on en
sistema embebido
3.5.1. Clasificaci
on
La clasificacion MCE es un enfoque de formacion alternativa que tiene como objetivo
minimizar directamente el error de reconocimiento [31], si se tiene un plano x = f (x) cuando
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.
El siguiente paso es buscar la mnima distancia rotando 1 grado la nariz a clasificar en

sentido a las manecillas del reloj y en sentido contrario hasta encontrar la mnima distancia.
Cuando empiece a incrementar el error, para la rotacion y guardara el menor error que
indique en ambas rotaciones.
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
Figura 3-10: Camara y BeagleBone Black Rev. C
la ayuda de la biblioteca de OpenCV con la funcion cap.read().

Inicialmente el sistema captura video (secuencia de imagenes) hasta que un perfil es puesto
en el area del soporte y detectado por medio de un sensor de presencia infrarrojo el cual
manda una se nal a la tarjeta BeagleBone Black y esta despues de 500 ms captura la imagen
del objeto y la almacena.
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
En el procesamiento de la imagen se obtiene el conjunto de centroides y las coordenadas

en pixeles de un franja, para esto se convierte a escala de grises mediante la funcion
cv2.cvtColor(img, cv2.COLORB GR2GRAY ).
El objetivo es quitar el color de la imagen para reducir la cantidad de informacion y operar

de manera rapida y eficiente. Inicialmente la imagen se encuentra en un formato RGB
(Red,Green, Blue) el cual se compone mediante 24 bits, un byte por color. La conversion
a escala de grises implica trabajar con 8 bits unicamente, por lo que solo se representa la
luminancia o el brillo de cada pixel.
1: img = cv2.imread(captura.png,o);
2: imggray =cv2.cvtColor
(img,cv2.COLORBGR2GRAY);
Ya que la imagen se encuentra en su escala de grises se procede a binarizarla con ayuda de la

funcion cv2.T HRESHB IN ARY , la cual permite convertir de un rango de 0 a 255 (8 bits)
a uno de 0 y 1 (1 bit), al hacer esto se procede a el calculo de centroides, estos se calculan
exactamente igual que los mencionados en captulos anteriores, solo que en lenguaje c++.
Con esta informacion y al cargar los coeficientes obtenidos de la calibracion se desarrolla el
proceso de reconstruccion y su clasificacion tal como se menciono en la seccion 3.4.
Captulo 4
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
4.1. Resultados de la Calibraci

on
En el desarrollo del modulo de calibracion en el capitulo 3.3, para dar la validacion del
sistema de medicion se usaron 3 objetos (ver 4-1), media esfera, piramide escalonada y una
piramide de paredes triangulares.
a) b) c)
Figura 4-1: Objetos de prueba a) Media esfera b) Piramide escalonada c) Piramide
Triangular
36 4 Resultados y Analisis
En los objetos a y c de la figura 4-1, el error relativo porcentual es mostrado en la tabla

4-1 al igual que el valor esperado, teniendo en cuenta las medidas reales mostradas en la
figura 4-2 para la piramide de paredes triangulares, y el valor medido, estos datos se dan
en cm, en la tabla 4-2 se presentan las mediciones echas dependiendo del orden del polinomio.
Tabla 4-1: Error relativo porcentual con respecto al valor esperado

Error relativo
OBJETO Valor Esperado (cm) Valor Medido (cm)
Porcentual
Media
3,78 3,6595 3,1878 %
Esfera
Piramide de
base 2,88 2,788 3,1944 %
Triangular
Tabla 4-2: Relacion de Medicion en cm con respecto al orden del polinomio
Polinomio Polinomio Polinomio Polinomio

Polinomio
OBJETO orden orden orden orden
orden
2 3 4 5
1
Media
0,6595 2,015 2,418 3,815 No se reconstruye
Esfera
Piramide de
base 0,7519 2,032 2.205 2,78 No se reconstruye
Triangular
La obtencion de las medidas, se dio a partir del procedimiento descrito en el capitulo 3,

para ver el error en la calibracion se buscaron puntos fsicamente medibles, figuras 4-3 y
4-4, como se puede observar se escogieron los puntos mas altos de los objetos. La eleccion
del orden del polinomio se hizo con base a los analisis de mediciones realizados con los
diferentes grados de polinomios, iniciando en orden 1 hasta orden 5, estos resultados fueron
tabulados en 4-2.
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
Figura 4-2: Medidas reales, Piramide de paredes Triangulares
Reconstruccin 2D sin Splines Reconstruccin 2D con Splines

3.7
3.6
3.6 X: 46
Y: 3.6595
3.5
3.5
Centimetros
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
Figura 4-3: Objeto de prueba 1, Media Esfera

Reconstruccin 2D sin Splines Reconstruccin 2D con Splines

3
2.5
2.5 X: 46
Y: 2.788
2
2
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
Medicin de Espesor
2.8
X: 2
Y: 2.788
2.75
Centimetros
2.7
2.65
1 1.5 2 2.5 3 3.5 4

Centroides
Figura 4-4: Objeto de prueba 2, Piramide de paredes Triangulares
Reconstruccin 2D sin Splines Reconstruccin 2D sin Splines Reconstruccin 2D sin Splines

0.8 3 20
Orden 1 Orden 5
Orden 4 10
2.5
--
0.6 0
Centimetros
Centimetros
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
Figura 4-5: Reconstruccion dimensional con polinomios de Orden 1 (azul), orden 4 (roja)
y orden 5 (verde)
En el objeto b de la figura 4-1, piramide escalonada, el error relativo porcentual es mostrado

en la tabla 4-3 al igual que el valor esperado y el valor medido estos datos se dan en
cm. El valor medido se obtiene las medidas del dise no original del objeto 4-6. Al igual
que en los objetos anteriores para la obtencion del mas medidas de espesor se desarrolla
el procedimiento descrito en el capitulo 3, para ver el error en la calibracion se buscaron
puntos fsicamente medibles, en las figuras 4-7 se muestran estos puntos, para estas medidas
se hizo uso de polinomios de cuarto grado.
4.1 Resultados de la Calibracion 39
Tabla 4-3: Error relativo porcentual con respecto al valor esperado, Piramide
Valor esperado Valor medido Error relativo

Punto
(cm) (cm) porcentual
1 0,94 0,992 5,53 %
2 1,926 1,995 3,58 %
3 2,888 2,757 5,534 %
9,62 mm
120,05 mm
120,05 mm
9,62 mm 9,62mm
Figura 4-6: Medidas reales, Piramide de paredes Triangulares
Reconstruccin 2D sin Splines

3
2.757
2.5
1.995
Centimetros
1.5 X: 18
Y: 0.992
1
0.5
0
0 10 20 30 40 50 60 70 80
Centroides
Figura 4-7: Objeto de Prueba, Piramide escalonada

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.
4.2. Resultados de Identificaci

on de individuos, en el
Sistema Embebido
Figura 4-8: Dise

no Optico
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
Figura 4-9: Centroides en perfiles
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.
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.

2
Perfil de Fabricio
Perfil de Aleja
1.5
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

2
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
Tabla 4-4: Resultado de Identificacion
Bien Mal Bien Mal

Individuo Individuo
clasificado clasificado clasificado clasidicado
Aleja 4 0 Deniesse 3 1
Diana 3 1 Dicenia 4 0
Fernanda 4 0 Jorgue 4 0
Jaqueline 2 2 Fabricio 3 1
Miguel 4 0 Yunuen 4 0
Horacio 1 3 Ramon 3 1
Jaziel 4 0 Vicente 4 0
Mariana 4 0
Para la validacion, se identificaron a los individuos de la tabla 4-4, en diferentes escenarios,

con entradas aleatorias, quitando individuos de la base de datos, para evaluar la fidelidad
del sistema. La validacion de poder identificar los individuos para un total de 60 pruebas
realizadas a los 15 individuos, 4 veces por individuo, dio un total de 51 aciertos y 9 erroneos,
representando as un 85 % de efectividad en el sistema contra un 15 % de posible falla.
Estos resultados en la BeagleBone Black Rev. C, se hicieron evidentes ya que a cada usuario
se le asigno una configuracion de encendido de ledes, que trae la tarjeta de desarrollo, gracias
a esto se obtuvo la tabla 4-4.
Captulo 5
Conclusiones
En el presente trabajo de tesis se ha presentado el desarrollo de un sistema de reconocimiento

de personas a partir del analisis de la informacion de profundidad del perfil del rostro, el cual
se encuentra conformado por distintos modulos que implementan diferentes algoritmos para
realizar el procesamiento y analisis de los datos del rostro. El sistema de reconocimiento
facial es, entonces, una aplicacion biometrica que integra un conjunto de herramientas de
diferentes disciplinas tal como la optica, el, reconocimiento de patrones, la vision artificial,
geometra diferencial, y la estadstica.
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.
La obtencion de la informacion de profundidad del rostro se lleva a cabo mediante la

tecnica de proyeccion de franjas, el cual es un proceso rapido y sobre todo seguro ya que
no afecta la integridad del usuario, esto da posibilidad de obtener el modelo bidimensional
o tridimensional de otras partes del cuerpo humano con fines medicos o en el area de la
industria en general. En las revisiones bibliograficas realizadas se encuentran trabajos que
realizan el calculo de la informacion de profundidad a partir de la proyeccion de luz laser o
mediante sistemas de vision estereoscopica, ambos metodos resultan ser procesos lentos y
en el caso del uso de la luz laser con lleva riesgos a da
nos permanentes en los ojos.
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.
Respecto a los algoritmos de clasificacion, en un futuro, se pretende explorar y realizar

pruebas con diferentes herramientas como son las redes neuronales,algoritmos evolutivos,
logica difusa y algoritmos de agrupamiento (clustering) para evaluar el algoritmo idoneo.
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.
Respecto al hardware del sistema, se pretende desarrollar un sistema de escaneo compacto y

portable, que faciliten su calibracion e instalacion en distintos ambientes. Cabe la posibilidad
de sustituir el proyector de video por alguna fuente de luz infrarroja y la camara CCD por
una camara sensible a radiaciones en infrarrojas, para disminuir los efectos de la luz blanca
sobre los ojos del usuario.
Finalmente, las aplicaciones del sistema desarrollado, en principio, puede ser usado desde
el control de entrada/salida en el ambito empresarial o residencial, en el control de acceso
virtual a recursos informaticos hasta el control de acceso fsico en areas restringidas solo a
personal autorizada, en ambientes controlados.
Bibliografa

[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.
[5] Enrique Calot. Reconocimiento de Patrones en Imagenes Medicas Basado en Sistemas

Inteligentes. pages 1166, 2008.
[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.
[9] I A Kakadiaris, H Abdelmunim, W Yang, and T Theoharis. Profile-Based Face

Recognition. 2008.
[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.
[14] Mariano Cerca, Bernardino Barrientos-garca, and Jorge Garca-Marquez. Obtencion

del relieve digital mediante proyeccion de luz estructurada en modelos analogicos de
extension. Boletn de la Sociedad Geologica Mexicana, 59:101113, 2007.
[15] F Cuevas, O Gonzalez, Y Susuki, D Hernandez, M Rocha, and N Alcala. Genetic

algorithms applied to optics and engineering - art. no. 60461K. Fifth Symposium Optics
in Industry, 6046:60461K, 2006.
[16] F. J. Cuevas, F. Mendoza, M. Servin, and J. H. Sossa-Azuela. Window fringe

pattern demodulation by multi-functional fitting using a genetic algorithm. Optics
Communications, 261:231239, 2006.
[17] B A Efraty, E Ismailov, S Shah, and I A Kakadiaris. Towards 3D-aided Profile-Based

Face Recognition.
[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.
[20] Diego Torres Armenta. Digitalizacion de objetos a traves de tecnicas de proyeccion de

luz estructurada y reconstruccion mediante tecnicas de computacion suave. 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.
[22] Estereoscopica (fotografa) - Diccionario de fotografa y dise

no.
[23] Fisicade5to - Fotometra.
[24] Sicardi Segade May. Fringe projection technique: New methods for shape measurement.
(May), 2015.
[25] F J Cuevas, J H Sossa-azuela, and M Servin. A parametric method applied to phase

recovery from a fringe pattern based on a genetic algorithm. 203(March):213223, 2002.
[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 .
[28] Pamela Alejandra Pereyra. Reconocimiento Facial Mediante Imagenes Estereoscopicas

Para Control de Ingreso. page 81.
[29] K. S. Shilpashree H. Lokesha Shivkumar Hadimani. Implementation of Image Processing

on Raspberry Pi. International Journal of Advance Research in Computer and
Communication Engineering, 4(5):199202, 2015.
[30] N Uchida, T Shibahara, T Aoki, H Nakajima, and K Kobayashi. 3D face recognition

using passive stereo vision. Image Processing, 2005. ICIP 2005. IEEE International
Conference on, 2:II9503, 2005.
[31] De Accesos, Instituto Tecnologico, Superior De Misantla, and Marco Teorico. Obtencion
de Perfiles y su Clasificacion para el Control.

Informe Final

Transféré par

Informations du document

Copyright

Formats disponibles

Partager ce document

Partager ou intégrer le document

Options de partage

Avez-vous trouvé ce document utile ?

Ce contenu est-il inapproprié ?

Droits d'auteur :

Formats disponibles

Informe Final

Transféré par

Droits d'auteur :

Formats disponibles

Sistema de Identificaci on de Personas

Mediante An alisis del Espesor del

Alejandra Duque Torres

Universidad del Quindo

Alejandra Duque Torres

Tesis presentada como requisito parcial para optar al ttulo de:

Universidad del Quindo

Se describe el desarrollo de un sistema de identificacion de personas a partir del analisis

Las principales contribuciones del trabajo son: la aplicacion de tecnicas de proyeccion de

Implementar el montaje fsico del sistema de identificacion de personas.

Implementar y validar el funcionamiento del sistema de identificacion de personas en

3.4. Fase 4, Obtencion de puntos caractersticos del perfil del rostro . . . . . . . . 29

2-1. Arreglo experimental basico, vision estereo . . . . . . . . . . . . . . . . . . . 8

3-1. Distancia del proyector con respecto al plano . . . . . . . . . . . . . . . . . . 22

4-1. Objetos de prueba . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 35

2-1. Modelos de BeagleBoard [1] . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

3-1. Caractersticas de los elementos del arreglo experimental . . . . . . . . . . . 24

4-1. Error relativo porcentual con respecto al valor esperado . . . . . . . . . . . . 36

A traves de la historia del hombre se han desarrollado numerosos sistemas de identificacion

Actualmente, el reconocimiento o identificacion de rostros ha sido un area de interes

El objetivo del reconocimiento facial es permitir la identificacion de una manera automatica

principales: deteccion, extraccion de caractersticas y reconocimiento [4]; a partir de estas

La luz estructurada es una herramienta de la metrologa optica, que consta de la proyeccion

escena, estos patrones presentan deformaciones al poner un objeto en la escena. Estas

Cabe agregar, la posibilidad de realizar una combinacion de sistemas tridimensionales

A lo largo de los planteamientos hechos, la identificacion de personas a traves de sistemas

La presente tesis de grado se sit ua bajo la problematica que presenta la implementacion en

receptor, con las caractersticas de retorno que da la se

En metrologa visual de m ultiples vistas o vision estereoscopica, se requieren dos o mas

La metrologa optica cuenta con diferentes tecnicas de adquisicion de forma y profundidad

2.1.1. Estereoscopa fotogr

Figura 2-1: Arreglo experimental basico, vision estereo

La fotometra cuenta con metodos que le permiten analizar la profundidad e informacion

Figura 2-2: Arreglo optico para mediciones fotometricas

Figura 2-3: Arreglo optico para mediciones fotometricas

Figura 2-4: Proyeccion de luz estructurada [24]

El objetivo de medir profundidades a traves de la deformacion de franjas es encontrar una

Plano del mundo real

Figura 2-6: Arreglo optico para una fraja

2.3.2. Sistema de adquisici

2.3.3. Nube de puntos

f (x, y) = 1 en el objeto y f (x, y) = 0 en en el plano de referencia, figura 3-8, entonces el

2.3.4. Ajuste de curvas

En este caso, la suma de los cuadrados de los residuos es 2-7

x2i ) a0 ( x3i ) a1 ( x4i ) a2 x2i y i

2. La primera y ultima funcion deben pasar a traves de los puntos extremos (2

5. Las segundas derivadas en los nodos extremos son cero (2 condiciones).

2.4. Reconocimiento de patrones en la metrol

El reconocimiento de patrones (RP) es la tecnica que se encarga de la descripcion y

2.5. Conceptos basicos del reconocimiento de patrones

Patrones, Un patron es la entidad que puede ser identificable de acuerdo a sus

Caractersticas, Las caractersticas describen a los patrones, de acuerdo al valor de

Base de conocimiento, Una base de conocimiento es un tipo especial de base

2.6. Esquema del reconocimiento de patrones

Figura 2-8: Esquema general de un sistema de reconocimiento de patrones

A estos modulos mencionadas anteriormente se suman los aspectos funcionales de un sistema

2.7. Reconocimiento de patrones en la metrologa

Los sistemas de reconocimiento de patrones tienen diversas aplicaciones. Algunas de las

Otras aplicaciones comunes del reconocimiento de patrones es el reconocimiento de

detectan y clasifican las coincidencias; la interpretacion de fotografas aereas y de satelite:

Comprendidos dentro de estos sistemas, se encuentran las plataformas embebidas, las

2.8. Sistemas Embebidos

Tabla 2-1: Modelos de BeagleBoard [1]

MODELO PRINCIPAL MODELO BLACK MODELO xM