DETECCION Y RECONOCIMIENTO DE ROSTROS

En el presente trabajo se revisa el algoritmo propuesto por Moghaddam et al. en [Moghaddam95a] para la detección automática de rostros y para el proceso complementario de reconocimiento facial en [Moghaddam96]. Aunque no se proporciona una aportación nueva se pudo comprobar en una implementación propia, aplicando varias simplificaciones al desarrollo original de Moghaddam, el desempeño reportado en cuanto al reconocimiento facial se trata. Sin embargo, en cuanto a la combinación de detección y reconocimiento automáticos, el desempño encontrado fue menor a lo indicado en las referencias citadas, debido principalmente a la dependencia tan alta que el algoritmo de detección presenta con relación al tamaño relativo entre los rostros de las imágenes de prueba utilizadas. Este bajo desempeño se traslada hacia el proceso de reconocimiento, en detrimento del desempeño global. Las técnicas automáticas de aprendizaje visual referidas se basan en la estimación de densidades de probabilidad en espacios de alta dimensión, utilizando una descomposición de espacios característicos (eigenspaces). La densidad de probabilidad de los datos de entrenamiento se modela con una distribución normal/Gaussiana multivariada, la cual se emplea posteriormente para formular un estimador de máxima verosimilitud para la detección de rostros y su reconocimiento automatizado. Con relación al proceso de reconocimiento facial, el estimador de máxima verosimilitud se emplea para calcular una medida de similitud basada en un an ́lisis Bayesiano de diferencias de imágenes. Se modelan dos clases mutuamente exclusivas de variación entre dos imágenes de rostros: intrapersonales (variaciones en la apariencia de un individuo, debidas a cambios en la expresión o en la iluminación) e interpersonales (variaciones en la apariencia debidas a diferencias en la identidad). Las funciones de densidad de probabilidad de alta dimensión para cada una de estas clases se obtienen de los datos de entrenamiento empleando la descomposición en espacios característicos antes señalada y, con ambas, se calcula la medida de similitud Bayesiana de la probabilidad a posteriori de pertenencia a la clase de diferencias intrapersonales, lo cual permite empatar rostros de prueba con aquellos existentes en una base de datos previamente recolectada.