INPE-14439-TDI/1134

RECONHECIMENTO DE FACES USANDO REDES NEURAIS E BIOMETRIA

Douglas Rodrigues Oliveira

Dissertao de Mestrado do Curso de Ps-Graduao em Computao Aplicada, orientada pelo Dr. Lamartine Nogueira Frutuoso Guimares, aprovada em 30 de setembro de 2003.

INPE So Jos dos Campos 2006

681.3.019 Oliveira, D. R. Reconhecimento de faces usando redes neurais e biometria/ D. R. Oliveira. So Jos dos Campos: Instituto Nacional de Pesquisas Espaciais (INPE), 2003. 164 p.; - (INPE-14439-TDI/1134) 1. Reconhecimento de Faces. 2. Biometria. 3. Tipos Faciais. 4. Morfologia Facial. 5. Redes Neurais. 6. Inteligncia Artificial. I.Ttulo.

Aprovado pela Banca Examinadora em cumprimento a requisito exigido para a obteno do Ttulo de Mestre em Computao Aplicada

Dr. Jos Demisio Simes da Silva Presidente Dr. Lamartine Nogueira Frutuoso Guimares Orientador Dra. Sandra Aparecida Sandri Membro da Banca Dr. Walmir Matos Caminhas Membro da Banca Convidado

Candidato: Douglas Rodrigues Oliveira

So Jos dos Campos, 30 de setembro de 2003.

Ningum igual a ningum. Todo ser humano um estranho mpar. Carlos Drummond de Andrade

A meus pais, VICENTE DE PAULO OLIVEIRA e MARIA DAS GRAAS RODRIGUES OLIVEIRA .

AGRADECIMENTOS

Inicialmente, agradeo ao meu orientador Dr. Lamartine pelo empenho, incentivo, compreenso e pelas crticas dispensadas na orientao deste trabalho, mesmo quando outras atividades profissionais e de cunho pessoal lhe exigiam intensa dedicao. Agradeo aos meus colegas de repblica, Felipe, Mic e Joubert pelo companheirismo nas dificuldades do dia a dia. Tambm gostaria de lembrar os colegas conquistados no Laboratrio da CAP e em So Jos dos Campos, Maurcio, Fernanda, lcio, Ana Paula, Fabrcio, Talita, Adytia, Aritana, Juliana, Jaciara, Patrcia e todos os que de alguma forma foram fonte de inspirao, apoio e incentivo. Especialmente, agradeo aos amigos Maurcio e lcio pelos inmeros favores e por toda amizade demonstrada por eles e pelas suas respectivas famlias durante o perodo em que residi em So Jos dos Campos. Ao chefe da rea de Sistemas Industriais da Aominas S.A., Mrio Hermes de Rezende, pelo incentivo dado para a concluso desta dissertao e por ter sido extremamente tolerante com a minha necessria dedicao escrita deste trabalho. Aos colegas de empresa Marlon Gouvea e Eduardo Vieira que deram contribuies importantes para escrita desta dissertao. Ao Instituto Nacional de Pesquisas Espaciais e CAP, pelo apoio, considerao e empenho em prover seus alunos com as condies necessrias para o desenvolvimento da pesquisa cientfica. Especialmente gostaria de citar: Dr. Haroldo e Dr. Demsio que por tantas vezes me receberam e buscaram os rgos de financiamento para obteno de bolsas para os alunos da CAP. Minha profunda gratido a Rafaella, cujo carinho, compreenso e auxlio, buscando referncias bibliogrficas na rea de Fonoaudiologia, tambm foram de grande valia para este trabalho. Finalmente, agradeo minha me e a meus irmos, pelo amor e incentivo, e ao meu pai, que sempre me apoiou em todas as etapas e decises que tomei em relao a este mestrado.

RESUMO O reconhecimento de faces uma das aes mais corriqueiras no dia a dia de um ser vivo inteligente. Esta atividade executada com tanta naturalidade por organismos vivos, tem despertado o interesse de pesquisadores que trabalham com Viso Computacional e Inteligncia Artificial. Esta dissertao tem por objetivo pesquisar a viabilidade de um sistema hbrido aplicado ao reconhecimento facial, mesclando caractersticas dos mtodos geomtricos para o reconhecimento de faces, aos mtodos de inteligncia computacional. Para a extrao das mtricas de componentes e regies da face, usadas no mtodo geomtrico, foram feitos estudos sobre a anatomia da face humana usados em ortodontia, fonoaudiologia e reconstituio maxilo- facial. Estes estudos visaram a determinao de pontos de referncia existentes na face e suas relaes de interdependncia para construir uma representao para as faces a serem analisadas. As medidas dos componentes e regies faciais foram usadas na construo de vetores numricos que identificam as faces de forma singular. Estes vetores de caractersticas mtricas foram usados para treinar redes neurais, encarregadas de realizar o reconhecimento. Foram usadas, nos testes de reconhecimento, 37 imagens frontais de faces humanas de homens e mulheres adultos. Medidas de desempenho so utilizadas sob diversas condies (presena de rudo e imagens no vistas na etapa de treinamento), para ilustrar a viabilidade do sistema hbrido proposto, bem como a eficincia das mtricas usadas para representar as faces.

FACE RECOGNITION USING NEURAL NETWORKS AND BIOMETRY

ABSTRACT The recognition of faces is one of the simplest actions on a daily basis of an intelligent and living being. This activity performed so naturally by living organisms has been attracting the interest of researchers who work with Computer Vision and Artificial Intelligence. This dissertation has as the objective to study the feasibility of a system based on Neural Network and Biometry applied to face recognition, mixing characteristics of geometric methods for face recognition to computer intelligence methods. For the extraction of measurements of components and regions of the face, used in geometric method studies were developed of the anatomy of the human face used in orthodontist work, phonoaudiology and maxillary facial reconstitution. These studies seek to determine the existing reference points on faces and its interdependent relation to construct a representation of the faces to be analyzed. The components measurements and facial regions were used to construct numerical vectors, which identity the faces in a singular way. These vectors of characteristics were used for training neural networks, which are in charge of performing the recognition. 37 frontal face images of adult men and women were used. Performance measurements are used under various conditions (presence of noise and images not-seen during the training phase) in order to illustrate the feasibility of the proposed hybrid system as well as the efficiency of the metrics used to represent the faces.

SUMRIOPg. LISTA DE FIGURAS LISTA DE TABELAS CAPTULO 1 - INTRODUO ................................................................................. 21 1.1. 1.2. 1.3. 1.4. 1.5. 1.6. A Deteco de Faces...................................................................................... 23 O Reconhecimento de Faces ........................................................................ 26 Mtodos Geomtricos para Reconhecimento Facial ................................. 28 Objetivos desta dissertao .......................................................................... 31 Aplicaes ...................................................................................................... 32 Organizao ................................................................................................... 33

CAPTULO 2 - MTODOS CONEXIONISTAS NO LINEARES ....................... 35 2.1. Redes Neurais Artificiais .............................................................................. 36 2.1.1. Introduo ................................................................................................... 36 2.1.2. Definies ................................................................................................... 37 2.2. Redes multicamadas no- lineares ............................................................... 42 2.2.1. O processo de aprendizado ......................................................................... 44 2.3. Implementando um reconhecedor neural .................................................. 47 2.3.1. Etapa de descrio ...................................................................................... 48 2.3.2. Etapa de reconhecimento ............................................................................ 50 2.4. 3.1. 3.2. Concluses ..................................................................................................... 51 Introduo ..................................................................................................... 53 Arquitetura do Esqueleto Facial ................................................................. 56 CAPTULO 3 - MORFOLOGIA DA FACE HUMANA .......................................... 53

3.3. Antropometria Facial ................................................................................... 59 3.3.1. Pontos Craniomtricos ................................................................................ 60 3.3.2. Medidas Lineares ........................................................................................ 62 3.3.3. ndice Facial................................................................................................ 63 3.4. Esttica Facial ............................................................................................... 65 3.4.1. Tipos Morfolgicos .................................................................................... 66 3.4.2. Estruturas e Referncias Faciais ................................................................. 71 3.4.3. Anlise Facial ............................................................................................. 71 CAPTULO 4 - METODOLOGIA APLICADA ....................................................... 77 4.1. Introduo ..................................................................................................... 77

4.2. 4.3. 5.1. 5.2.

Descrio das etapas ..................................................................................... 78 Descrio das estruturas utilizadas ............................................................. 88 Testes realizados na rede da etapa de Reconhecimento .......................... 104 Testes da rede de associao a padres conhecidos ................................. 128

CAPTULO 5 - TESTES REALIZADOS ................................................................ 101

5.3. Discusso sobre os testes realizados .......................................................... 133 5.3.1. As Mtricas Usadas para Representao Facial ....................................... 134 5.3.2. Mtodo conexionis ta No- Linear Usado .................................................. 137 5.4. Resultados Obtidos ..................................................................................... 139 5.4.1. Comparao entre ndices de reconhecimento ......................................... 140 5.5. Aplicabilidade do Trabalho ....................................................................... 141 CAPTULO 6 - CONCLUSES E PERSPECTIVAS PARA TRABALHOS FUTUROS ........................................................................................ 143 Perspectivas para trabalhos futuros ..................................................................... 148 REFERNCIAS BIBLIOGRFICAS ...................................................................... 149

LISTA DE FIGURAS Pg. 1.1 - Etapas iniciais do processo de Viso Computacional, obtendo como resultado parcial uma imagem contendo o objeto de interesse do sistema.. ...................... 22 1.2 - Etapas finais do processo de Viso Computacional. .............................................. 22 1.3 - Etapas do problema de reconhecimento automtico de faces. .............................. 26 2.1 - Funcionamento bsico de um elemento de processamento em uma rede neural artificial. ................................................................................................................. 36 2.2 - Exemplo de topologias bsicas de redes neurais .................................................... 38 2.3 - Camadas de uma rede neural artificial multicamadas. ........................................... 41 2.4 - Topologia de rede multicamada para extrao de caractersticas. ......................... 43 3.1 - Regies da face. ...................................................................................................... 55 3.2 - Arquitetura do esqueleto facial. .............................................................................. 57 3.3 - . Linhas de Resistncia da mandbula. ................................................................... 59 3.4 - Pontos craniomtricos. ........................................................................................... 61 3.5 - Face Euriprospica ................................................................................................. 64 3.6 - Face Leptoprospica. .............................................................................................. 64 3.7 - A face humana segundo a concepo artstica de Drer. ....................................... 67 3.8 - Tipos faciais segundo Madame Schimmelpennick em seu livro "Cincia da Beleza". ............................................................................................................... 68

3.9 - Tipos morfolgicos segundo a classificao de Claud Sigaud. .............................. 69 3.10 - Posio natural da cabea. .................................................................................... 72 3.11 - Tpicos a serem avaliados na viso frontal. ......................................................... 73 3.12 - Diviso da face em duas partes. ........................................................................... 73 3.13 - Divises verticais da face. .................................................................................... 75 3.14 - Proporo 1:1 da distncia vertical do subnasal margem cutnea do vermelho do lbio inferior e deste ao tecido mole do mento .............................................. 76 4.1 - Tratamento de imagens buscando realar caractersticas de interesse. .................. 79 4.2 - Coleta da medida do primeiro tero da face. .......................................................... 81 4.3 - Coleta da medida do segundo tero da face. .......................................................... 81 4.4 - Coleta da medida do terceiro tero da face. ........................................................... 81 4.5 - Coleta da medida da largura do olho. ..................................................................... 82 4.6 - Coleta da medida da altura do olho. ....................................................................... 83 4.7 - Coleta da medida da largura do nariz. .................................................................... 83 4.8 - Coleta da medida da altura do nariz. ...................................................................... 84 4.9 - Coleta da medida da largura da boca. ..................................................................... 84 4.10 - Coleta da medida da altura da boca. ..................................................................... 85 4.11 - Coleta da medida da largura da face .................................................................... 85 4.12 - Coleta da medida da altura da face. ...................................................................... 85

4.13 - Medidas puras dos componentes e regies faciais do banco de imagens da Aominas. ........................................................................................................... 90 4.14 - Medidas puras dos componentes e regies faciais do banco de imagens de Yale. .. ................................................................................................................................ 90

4- 15 - Anlise de componentes e Regies da Face Banco de Imagens da Aominas. ...... ................................................................................................................................ 92 4.16 - Relaes entre componentes e Regies da Face. (Banco de Imagens da Aominas). .......................................................................................................... 93 4.17 - Esquema de funcionamento do sistema de reconhec imento facial. ..................... 96 4.18 - Relaes mtricas que mais variaram. ................................................................. 97 4.19 - Relaes mtricas que menos variaram. ............................................................... 98 5.1 - Curva de aprendizado usando relaes mtricas do Grupo1. ............................... 105 5.2 - Curva de aprendizado usando relaes mtricas do Grupo2. ............................... 107 5.3 - Curva de aprendizagem das mtricas do Grupo5. ................................................ 111 5.4 - Curva de aprendizagem para padres com baixa interferncia de cabelo, cavanhaque e barba (Grupo5.1). ...................................................................... 117 5.5 - Curva de aprendizagem das mtricas do Grupo5.2. ............................................. 121 5.6 - Curva de aprendizagem das mtricas do Grupo5.3. ............................................ 126 5.7 - Curva de aprendizagem dos 8 padres da Classe 3. ............................................. 129 5.8 - Dificuldades de determinao do primeiro tero da face. ................................... 135 5.9 - Dificuldade de localizao da regio mentoniana, usada na determinao da altura da face e do 3 tero facial. .................................................................................. 136

A1 Iniciando novo projeto de rede neural..................................................................157 A.2 Projeto XOR com as respectivas janelas de configurao...................................158 A.3 Contedo do arquivo XOR.cf..............................................................................159 A.4 Contedo do arquivo XOR.data..........................................................................160 A.5 Contedo do arquivo XOR.data..........................................................................161 A.6 Arquitetura da rede criada...................................................................................162 A.7 Janela de parmetros de treinamento da rede......................................................162 A.8 Grfico de evoluo do erro mdio quadrtico....................................................163

LISTA DE TABELAS Pg. 4-1 - Classificao facial segundo o ndice facial apresentado..................................... 86 4-2 - Mtricas das 22 faces do corpo de funcionrios da aominas s.a ........................ 88 4-3 - Mtricas das 15 faces do banco de faces da universidade de yale. ....................... 89 4-4a - Relaes normalizadas dos 22 funcionrios da aominas s.a. ............................ 94 4-4b - Relaes normalizadas da 15 faces da universidade de yale. ............................. 95 5-1 - Distribuio das faces dentro das 5 classes. ....................................................... 102 5-2 - Relaes mtricas usadas para representar as faces. ......................................... 103 5-3 - Grupos de relaes mtricas usados no treinamento. ......................................... 104 5-4 - Resposta da rede aos padres usados no treinamento (usando o grupo1) ......... 106 5-5 - Resposta da rede a padres totalmente desconhecidos (usando o grupo1) ........ 106 5-6 - Comparao entre o acrscimo de 1 relao especfica no vetor de identificao (grupo2 x grupo3 x grupo4). ............................................................................... 108 5-7 - Resposta da rede aos padres usados no treinamento (usando o grupo5) ......... 112 5-8 - Resposta da rede a padres totalmente desconhecidos (usando o grupo5) ........ 113 5-9 - Resposta da rede a padres conhecidos acrescidos de rudo (usando o grupo5)115 5-10 - Resposta da rede aos padres usados no treinamento (usando o grupo5.1) .... 118 5-11 - Resposta da rede a padres totalmente desconhecidos (usando o grupo5.1). .. 119 5-12 - Resposta da rede a padres conhecidos acrescidos de rudo (usando o grupo5.1). ...................................................................................................................................... 120 5-13 - Resposta da rede aos padres usados no treinamento (usando o grupo5.2) .... 122 5-14 - Resposta da rede a padres totalmente desconhecidos (usando o grupo5.2). .. 122 5-15 - Resposta da rede a padres conhecidos acrescidos de rudo (usando o grupo5.2). ...................................................................................................................................... 124 5-16 - ndice de acerto dos grupos em presena de rudos. ......................................... 127 5-17 - ndice de acerto dos 8 grupos para 15 padres desconhecidos, no presentes no treinamento....................................................................................................... 127 5-18 - Relaes mtricas que compem os padres de emtrada da rede da etapa2.... 129 5-19 - Resposta da rede aos padres usados no treinamento da classe 3. .................. 130

5-20 - Resposta da rede a padres conhecidos acrescidos de rudo (etapa 2 de reconhecimento). .............................................................................................. 131 5-21 - Resultados obtidos para as outras 4 classes (etapa 2 de reconhecimento)....... 132

CAPTULO 1 INTRODUO

O reconhecimento de faces uma das aes mais corriqueiras no dia a dia de um ser vivo inteligente. Esta atividade executada com tanta naturalidade por organismos vivos, tem despertado o interesse de pesquisadores que trabalham com Viso Computacional e Inteligncia Artificial. O intuito desses pesquisadores construir sistemas artificiais que sejam aptos a realizar o reconhecimento de faces humanas a fim de empregar esta capacidade nas mais diversas atividades, como por exemplo: sistemas de vigilncia, controles de acesso, definies automticas de perfis, entre outras. Pesquisas tambm vm sendo desenvolvidas por cientistas da computao no campo de reconhecimento de expresses faciais, para o emprego em interfaces homem x mquina. Sistemas capazes de interpretar expresses de raiva, tristeza ou alegria de seus usurios teriam grande aplicabilidade nos estudos de interao Homem x Computador (Tian et al., 2001). Devido grande variedade existente de rostos humanos muito difcil realizar um casamento perfeito de padres para o efetivo reconhecimento de um rosto, seguindo a metodologia clssica usada em reconhecimento de padres. Dificuldades como as transformaes a que um rosto pode estar sujeito, (culos, maquiagem, barba, bigode, etc.) interferem na confiabilidade das respostas dadas. A soluo (Manjunath et al., 1992) para o problema de reconhecimento de rostos pode englobar desde uma correlao simples de um modelo facial versus o rosto em questo, at sofisticados sistemas baseados em caractersticas. A fim de solucionar esses problemas, o processo de Viso Computacional se divide em etapas distintas, conforme ilustrado nas figuras 1.1 e 1.2 (Marr, 1982).

21

Aquisio

Pr-processamento Imagem Imagem

Segmentao Objeto

FIGURA 1.1 - Etapas iniciais do processo de Viso Computacional, obtendo como resultado parcial uma imagem contendo o objeto de interesse do sistema. FONTE: Oliveira (1997), p. 1. No esquema mostrado na Figura 1.1, a aquisio da imagem pode ser feita usando-se um scanner ou uma cmera. A imagem adquirida pode ser submetida a um pr-processamento, atravs de tcnicas de Processamento Digital de Imagens, (Fu et al., 1987) (Gonzalez e Wintz, 1992) com a finalidade de filtrar rudos, ajustar nveis de iluminao, entre outros detalhes. A etapa de segmentao visa localizar os objetos e pontos relevantes presentes na imagem, selecionando-se estas regies de interesse. A partir da aquisio destas regies, passa-se a trabalhar de forma comum aos problemas clssicos de reconhecimento de padres, como mostra a Figura1.2. Descrio Objeto Padro FIGURA 1.2 - Etapas finais do processo de Viso Computacional. FONTE: Oliveira (1997), p. 2. Aps a etapa de segmentao tem-se a imagem do objeto, necessitando-se ento da determinao dos critrios para sua descrio de forma representativa. preciso definir quais as mtricas e as relaes entre elas, para que seja possvel identificar o objeto. Finda a etapa de descrio, o objeto codificado em um vetor numrico denominado de padro ou vetor de caractersticas. Estes padres, representando o objeto em questo, so Reconhecimento Resposta

22

analisados um a um por um algoritmo de reconhecimento, que os separar em grupos seguindo um determinado critrio especial, definido na fase de descrio. A ltima etapa do processo responde se o objeto em questo um rosto humano por exemplo foi reconhecido ou no pelo sistema, e ainda qual a sua classificao em relao aos objetos de mesma natureza. 1.1. A Deteco de Faces Segundo (Sung et al., 1994), o reconhecimento de faces est diretamente relacionado deteco de tais objetos dentro das imagens apresentadas como entrada de um sistema reconhecedor. Uma primeira etapa para um reconhecedor automtico de faces portanto a deteco da presena de um rosto na imagem e, a partir da, a comparao de tal rosto com os modelos conhecidos pelo sistema. Do ponto de vista acadmico, a deteco de rostos interessante devido ao desafio representado por essa classe de objetos naturalmente estruturados, mas ligeiramente deformveis. H muitas outras classes de objetos e fenmenos no mundo real que compartilham de caractersticas similares s do rosto, como por exemplo as diferentes grafias manuais e impressas da letra A, anomalias de um tumor em uma imagem MRI (Interpretao por Ressonncia Magntica) e defeitos de materiais em uma linha de produo industrial. Portanto, avanos obtidos em estudos de deteco de rostos podem ser aplicados em outras atividades afins. Segundo (Ben-Yacoub et al., 1999) a confiabilidade e o tempo de resposta de um sistema de deteco de rostos influencia diretamente no desempenho e emprego desse sistema. Pode-se definir a deteco de rostos, de acordo com (Sung et al., 1994), como a determinao da existncia ou no de um rosto na imagem e uma vez encontrado este

23

objeto, sua localizao deve ser apontada atravs de um enquadramento ou retornando as suas coordenadas dentro da imagem. Sung et al. (1994) afirma ainda que a deteco de rostos dificultada por trs principais razes enumeradas a seguir. A primeira dessas razes afirma que embora a maioria dos rostos apresente estruturas semelhantes, com as mesmas caractersticas faciais bsicas (olhos, boca, nariz, sobrancelhas, etc) e dispostas aproximadamente nas mesmas configuraes de espao, pode haver um grande nmero de componentes no rgidos e texturas diferentes entre as faces. Estes elementos de variabilidade so resultantes das diferenas bsicas entre os rostos humanos pessoas podem apresentar o nariz mais adunco que outras, lbios mais ou menos carnudos, olhos mais ou menos puxados etc. Outros fatores relevantes so as flexibilizaes causadas no rosto pelas expresses faciais. O segundo ponto que dificulta a deteco de faces est relacionado com a presena de adornos, como culos ou bigodes, os quais podem estar presentes ou totalmente ausentes em uma face. Estes adornos podem, quando presentes, ocultar caractersticas faciais bsicas importantes deteco do rosto atravs do surgimento de sombras ou reflexos. A terceira dificuldade na deteco de faces a no previsibilidade das condies da imagem em ambientes sem restries de iluminao, cores e objetos de fundo. Devido ao fato das faces apresentarem estruturas tridimensionais, a mudana na distribuio de fontes de luz pode criar ou esconder sombras na face, resultando em uma variabilidade maior que as manipulveis em imagens bidimensionais. Para tratar os problemas relacionados s dificuldades de deteco de faces, basicamente existem trs abordagens principais: (1) o uso da correlao das imagens capturadas com modelos pr-existentes, (2) modelos deformveis e (3) imagens espaciais invariantes.

24

Na correlao entre imagens e modelos fixos trabalha-se com o casamento de filtros (matched filters). Nessa abordagem, registra-se a diferena medida entre um modelo padro fixo e a parte avaliada da imagem candidata naquele instante. O resultado da convoluo a diferena entre o fragmento avaliado e o padro. Quanto menor essa diferena, maior a probabilidade da imagem candidata corresponder ao padro procurado. A suposio adotada por essa abordagem de que o grau de elementos no rgidos de subcaractersticas da face (olhos, nariz, boca entre outros) seja pequeno o suficiente, a ponto de ser descrito de forma adequada por poucos modelos fixos. Num estgio posterior, a tcnica infere a presena de faces analisando as inter-relaes entre as sub-caractersticas encontradas. A abordagem de modelos deformveis similar, em princpio, abordagem clssica de correlao de modelos, exceto pelo fato de se comparar formas com componentes norgidos. Esta abordagem (Yuille et al., 1992) faz uso de curvas e superfcies parametrizadas para modelar os elementos no rgidos da face alm de sub-caractersticas como olhos, nariz e lbios. De acordo com (Sung et al., 1994) as curvas parametrizadas e superfcies so fixadas elasticamente em um modelo global, permitindo uma menor variao posicional entre as caractersticas faciais. O processo de combinao tenta alinhar o modelo com uma ou mais partes da imagem pr-processada, como por exemplo os picos, vales ou bordas. As premissas adotadas pela abordagem de imagens invariantes assumem que embora as faces possam apresentar grandes variaes na aparncia, devido a diferentes razes, h algumas relaes espaciais comuns nestas imagens, possivelmente nicas para todos os padres de face. Um esquema baseado nesta abordagem observa um conjunto de brilhos invariantes existentes entre as diferentes partes da face (Sinha, , 1994). Tambm nota-se que enquanto a iluminao e outras mudanas podem alterar significativamente o nvel de brilho em diferentes partes da face, a estrutura ordinal local de distribuio de brilho permanece praticamente sem modificaes. Por exemplo, a regio dos olhos de uma face

25

est quase sempre mais escura que a regio das bochechas e da testa, exceto sob certas condies particulares de iluminao. Para a localizao de uma face usando essa abordagem so avaliadas as partes claras e escuras do modelo em comparao com a imagem candidata. Se todos os pares de regies claras e escuras entre os objetos comparados, bem como suas inter-relaes coincidirem, caracteriza-se ento a presena de um rosto na imagem. Esta dissertao de mestrado ir partir da premissa que h uma face na imagem estudada e esta face est em posio bem definida dentro da imagem, evitando-se assim a etapa de deteco. Entretanto, muitos dos conceitos e tcnicas usadas para a deteco de uma face dentro de uma imagem sero de grande importncia para este trabalho, como ser visto mais frente. Para maiores detalhes sobre metodologias e abordagens para a deteco de rostos em imagens seguem as referncias (Lien et al., 2000), (Ben-Yacoub et al., 1999), (Han et al., 1997), (Rowley et al., 1995), (Sung et al., 1994). 1.2. O Reconhecimento de Faces O reconhecimento de faces uma particularizao (Oliveira, 1997) do problema geral de reconhecimento de padres. Portanto, pode ser ilustrado por um diagrama como o mostrado na Figura 1.3. Descrio Face Padro Reconhecimento Reconhecimento Identificao Categorizao Resposta FIGURA 1.3 - Etapas do problema de reconhecimento automtico de faces. FONTE: Oliveira (1997).

26

Em geral a entrada do mdulo de descrio uma imagem de face na escala esperada, tendo seus tons de cinza normalizados de acordo com um intervalo definido. Deste modo, tem-se uma imagem de face contida em uma matriz de dimenses m x n, contendo os valores de tons de cinza em cada pixel. Usando essa representao da face, forma-se um vetor v de comprimento L definido como sendo L = mn. Tal vetor v contm os valores dos pixels da imagem. Uma coleo de faces, onde cada uma delas representada por meio de um vetor, formar o conjunto de faces que dever ser reconhecido pelo sistema. A esse conjunto, d-se o nome de conjunto de treinamento, sendo aqui representado por T . Dessa forma, para se identificar N faces diferentes, o conjunto T de vetores v deve ser o seguinte: T = {v1 , v2 , v3 ,..., vN } (1.1)

O sistema de reconhecimento dever passar por uma etapa de treinamento, usando o conjunto T . Um outro conjunto 'T deve ser definido, contendo representaes de faces conhecidas e desconhecidas para o sistema. Tal conjunto ser usado na etapa de validao do sistema de reconhecimento, que responder sobre as novas faces apresentadas.' ' 'T = v1, v1' , v2 , v2 , v3 , v3..., vN

{

}

(1.2)

O tipo de resposta esperada do sistema de reconhecimento pode variar de acordo com a aplicao. Pode-se verificar se a pessoa, cuja face v 1 se encontra no conjuto 'T ,

reconhecida pelo sistema (Oliveira, 1997). Pode-se listar dentro das imagens pertencentes ao conjunto de treinamento as que mais se assemelham com a imagem apresentada. possvel ainda retornar o nome associado face representada pelo vetor v1 , indicar o seu sexo, sua raa ou expresso facial.

27

Portanto, segundo (Oliveira, 1997) pode-se dividir as possveis respostas do sistema de reconhecimento automtico em trs tipos: o reconhecimento propriamente dito, a identificao e a categorizao de faces. O reconhecimento consiste em confirmar se uma imagem de face conhecida pelo sistema. No necessrio realizar a ligao da face a um nome e sim atribuir- lhe uma classificao: conhecida ou desconhecida. A identificao deve realizar o reconhecimento e associar uma identidade face apresentada. J a categorizao, compreende as tarefas de identificao de sexo, raa ou estado emocional da imagem apresentada. Ela pode tambm ser aplicada na definio de qual o tipo facial a face se encaixa, segundo um padro de esttica adotado. Nesta dissertao de mestrado sero abordadas as atividades de reconhecimento e identificao de faces, como est descrito nos captulos 4 e 5. O prximo tpico trata de uma das metodologias aplicadas ao reconhecimento facial usadas nesta dissertao. 1.3. Mtodos Geomtricos para Reconhecimento Facial A primeira tentativa reportada de automatizao do reconhecimento de faces, conforme (Oliveira, 1997), foi realizado por W. Bledsoe na dcada de 60. Inicialmente, em (Chan e Bledsoe, 1965) e mais tarde em (Bledsoe, 1966), onde descrito um sistema semiautomtico de reconhecimento de faces. Bledsoe usou marcaes feitas mo em fotografias indicando cantos dos olhos, boca e queixo. Aps a extrao dessas caractersticas o vetor de medidas era submetido a um algoritmo de classificao numrica. Um dos objetivos deste trabalho substituir o uso desse algoritmo de classificao numrica por uma ferramenta inteligente, aqui representada pelas redes neurais. O uso de

28

mtodos inteligentes visa tornar o sistema de reconhecimento capaz de absorver pequenas variaes ocorridas no momento da coleta de medidas faciais. Espera-se portanto que o sistema aqui proposto seja mais robusto a falhas e responda de forma mais confivel, pois estaro sendo combinadas as vantagens dos mtodos geomtricos (robustez a variao de iluminao e escala por exemplo) e as caractersticas das redes neurais (no linearidade, mapeamento de entrada e sada, adaptabilidade, tolerncia a falhas, capacidade de generalizao, entre outras). Uma tentativa de padronizar as caractersticas que deveriam ser extradas de uma imagem de face para seu reconhecimento, foi realizada por uma equipe dos Laboratrios Bell e apresentada em (Goldstein et al., 1971). Porm, o vetor de caractersticas definido por eles para identificar uma face era baseado em parmetros como por exemplo tamanho dos lbios e das orelhas, alm de outras caractersticas no geomtricas e bastante subjetivas como a tonalidade do cabelo. Ainda na dcada de 70, (Kanade, 1973) automatizou completamente a etapa de descrio facial. Usando um robusto detector de caractersticas (construdo a partir de mdulos simples usados dentro de uma estratgia backtracking), um vetor de 16 caractersticas geomtricas foi extrado de uma imagem de face binarizada. Anlises de variaes dentro de uma mesma classe e entre classes diferentes de informaes revelaram que alguns parmetros eram menos eficientes que outros, reduzindo assim a dimensionalidade do vetor. Tal mtodo chegou a atingir 75% de acerto no reconhecimento facial em uma base de dados formada por 20 faces diferentes. Foram usadas duas imagens por pessoa, sendo a primeira imagem a referncia inicial e a segunda usada para teste. J na dcada de 90, o trabalho de (Kanade, 1973) foi revisto por (Brunelli e Poggio, 1991). Brunelli e Poggio (1991) usaram o trabalho de Kanade como base para suas pesquisas. Os procedimentos computacionais usados por eles no seguiram todo o rigor do trabalho de Kanade, mas a base de dados usada por Brunelli e Poggio foi mais abrangente em termos de diversidade de faces, pois o banco de faces era composto por 47 pessoas.

29

Foram usadas quatro instncias para representar cada pessoa. As caractersticas usadas para representar a face levavam em conta a simetria existente na face humana. O vetor era composto por 35 medidas referentes aos olhos, sobrancelhas, nariz, boca, queixo e formato da face. Os diferentes mtodos geomtricos chegaram a atingir taxas de acerto de 90% para um conjunto fixo e no muito grande de faces, segundo o levantamento realizado por (Oliveira, 1997). Entretanto, em muitos casos no era avaliada a capacidade do sistema de identificar imagens ainda no vistas de faces conhecidas, pois as imagens empregadas na avaliao do sistema eram as mesmas utilizadas na etapa de construo. Os trabalhos do grupo de Vicki Bruce (Bruce et al., 1993), (Burton et al., 1993) e (Bruce e Humphreys, 1994) tratam dos fundamentos psicolgicos de utilizar uma abordagem geomtrica para o reconhecimento facial. Aps rever a literatura sobre reconhecimento de objetos e de faces, Bruce sugere diferenas bsicas entre o processo humano de reconhecimento de faces e o reconhecimento de objetos em geral. Afirma-se que a identificao de objetos baseada em suas partes e fortemente fundamentada na anlise de arestas, enquanto o reconhecimento de faces parece ser resultado de uma anlise mais global das formas e fundamentado em informaes de textura (Bruce e Humphreys, 1994). A partir de experincias, afirma-se em Bruce e Humphreys(1994) que as codificaes feitas pelo ser humano, relativa s a objetos e faces, so processadas em reas diferentes e de maneiras diferentes no crtex cerebral. Estas descobertas levaram s abordagens baseadas em caractersticas que trabalham com estruturas existentes no crtex visual. A abordagem baseada em caractersticas pode fazer uso de "Wavelets" , em especial as "Wavelets de Gabor para a extrao dessas caractersticas e ainda usa uma arquitetura de grafos (grafos topolgicos, grafos elsticos, etc) para a representao da face, como pode ser visto em (Manjunath, 1992), (Wiskott et al., 1996) dentro de aplicaes voltadas para o reconhecimento de faces e em (Lyons et al, 1998), (Lyons et al, 2000) no reconhecimento de expresses faciais.

30

Esta dissertao tambm tem por objetivo principal explorar as mtricas faciais tomando por base os estudos anatmicos relacionados com a odontologia, reconstituio maxilofacial e fonoaudiologia, visando o reconhecimento de faces humanas. Os trabalhos estudados at ento para a confeco desta dissertao apresentam medidas caractersticas da face, tomadas a partir de pontos faciais muitas vezes subjetivos, no havendo uma padronizao de quais so realmente as medidas relevantes para o discernimento de rostos. No se estabelece tambm ligaes de tais medidas com sexo e raa do modelo. Procura-se tambm neste trabalho, analisar a viabilidade de uma abordagemque faa uso de uma metodologia antiga, como o caso dos mtodos geomtricos, combinado a novas tendncias como as redes neurais artificiais. 1.4. Objetivos desta Dissertao Conforme j mencionado no sub-tpico 1.1, esta dissertao ir partir da premissa que h uma face na imagem estudada e esta face est em posio bem definida dentro da imagem, evitando-se assim a etapa de deteco. O objetivo principal desta dissertao demonstrar a viabilidade de um sistema de reconhecimento facial, usando uma rede neural multicamadas, tendo como entrada um vetor composto pelas relaes mtricas entre componentes e regies da face. Tais relaes mtricas so obtidas com base no estudo da anatomia facial, usando as mesmas referncias e pontos chaves utilizados em ortodontia, fonoaudiologia e reconstituio maxilo- facial. Os alvos de estudo deste trabalho podem ser listados como se segue:

Verificar as dificuldades existentes na extrao de caractersticas faciaisrelevantes tarefa de reconhecimento, buscando-se uma forma de orientar ou alertar para a escolha correta das mtricas mais aptas para esta tarefa.

31

Explorar as mtricas faciais tomando por base os estudos anatmicos relacionadoscom a odontologia e fonoaudiologia, visando o reconhecimento de faces humanas.

Verificar a viabilidade de substituir, em um sistema de reconhecimento facial, ouso de algoritmos de classificao numrica por uma ferramenta inteligente, aqui representada pelas redes neurais, buscando um sistema mais robusto a variaes causadas por expresses faciais diferentes ou mesmo causadas por rudos durante a etapa de coleta de dados.

Analisar a viabilidade de uma abordagem que mescle uma metodologia antiga,como os mtodos geomtricos, a novas tendncias como as redes neurais artificiais. 1.5. Aplicaes Embora o reconhecimento de rostos familiares, ou a identificao de semelhanas entre fisionomias faciais, seja uma tarefa realizada pelos seres vivos inteligentes com certa tranqilidade e exatido, o processo para a realizao dessa tarefa ainda no completamente compreendido. Estudos foram realizados descobrindo-se que partes do crebro so usadas no reconhecimento de faces. Porm, tais estudos no respondem como essas faces so

representadas internamente dentro de um crebro. No respondem tambm a questes relativas a que partes da face so essenciais para o seu reconhecimento; qual o motivo para haver tanta confuso por parte dos ocidentais em diferenciar faces de orientais; que caractersticas e padres exatos atribuem uma esttica agradvel a um rosto. Apenas responder a estes questionamentos j seria uma boa aplicao para um estudo sobre faces humanas e reconhecimento facial. Porm, h outros motivos para se realizar pesquisas sobre o reconhecimento de faces e sobre as caractersticas relacionadas ao rosto humano.

32

O uso de sistemas de reconhecimento facial aplicado ao controle de acessos, ou na busca de pessoas suspeitas em um grupo, de grande aplicabilidade por se tratar de uma forma menos invasiva, comparando-se a mtodos como o scan de retina ou verificao de impresses digitais. Mesmo que tais sistemas de reconhecimento baseados em faces no sejam absolutamente infalveis, at o momento, sempre possvel solicitar o auxlio humano para validar a deciso ou classificao no reconhecimento de um rosto. Tal situao seria invivel para um exame de retina. A iterao homem X mquina tambm seria privilegiada por sistemas que reconhecessem faces. Poder-se-ia definir perfis de usurios apenas identificando sua face. Atitudes diferentes poderiam ser tomadas para determinados usurios, tendo em vista uma estimativa de sua idade, expresso facial de raiva ou dor, ou ainda sabendo seu sexo. A seguir ser descrito como est organizada esta dissertao. 1.6. Organizao Esta dissertao est dividida em 6 partes, da seguinte forma. O Captulo 2 apresenta uma explanao sobre redes neurais e sobre seu uso na tarefa de reconhecimento facial. mostrada uma implementao realizada por (Oliveira, 1994) usando redes neurais artificiais no lineares, com extrao implcita de caractersticas teis ao reconhecimento facial. No Captulo 3 introduz-se os conceitos de morfologia facial, usados para a determinao dos pontos cha ves localizados na face. Tais referncias so empregadas na criao dos vetores caratersticos de cada face. Neste captulo so mostrados em detalhes a arquitetura ssea da face, caractersticas referentes a pontos especficos do esqueleto facial, interferncia do esqueleto facial com a forma apresentada pelo rosto, alm da forma de obteno das mtricas usadas neste trabalho.

33

O Captulo 4 descreve a metodologia utilizada para a extrao das caractersticas da face, as mtricas obtidas atravs desta metodologia, bem como a estrutura e funcionamento interligado das redes neurais usadas para o reconhecimento facial. No Captulo 5 so apresentados os resultados e a metodologia usada nos testes, incluindo os parmetros da rede e rudos inseridos nos padres de entrada para a realizao dos testes. Finalmente, so apresentadas as concluses e perspectivas para trabalhos futuros.

34

CAPTULO 2 MTODOS CONEXIONISTAS NO LINEARES

As expresses faciais so os mais poderosos, naturais e imediatos meios para os seres humanos comunicarem suas emoes e intenes. Freqentemente as emoes so expressas pela face antes mesmo de serem verbalizadas (Tian et al, 2001). Muitos trabalho (Lien et al., 2000), (Tian et al., 2000a), (Bartlett et al., 1999), (Cohn et al., 1999), (Donato et al., 1999), (Fukui e Yamaguchi, 1998), (Black e Yacoob, 1995), tm sido desenvolvidos buscando construir sistemas computacionais capazes de compreender e usar esta forma natural de comunicao. Embora as expresses faciais sejam teis e de grande interesse para a rea de interao homem x mquina, sob o ponto de vista do reconhecimento facial, elas formam um grande obstculo. Juntamente com as variaes de iluminao, posio da face, escala, tamanho e orientao da cabea, as expresses faciais torna m extremamente complexa a tarefa do reconhecimento facial. Graas a estas particularidades, uma mesma face pode ser considerada completamente diferente para um sistema automtico de reconhecimento. Como uma tentativa de contornar, ou pelo menos minimizar, estas influncias so usadas neste trabalho as redes neurais artificiais, buscando usar sua capacidade de generalizao, dentre outras habilidades, para efetuar um reconhecimento facial eficiente. O presente Captulo faz uma descrio sobre os mtodos cone xionistas, especificamente sobre redes neurais artificiais, descrevendo seus componentes, exemplificando possveis arquiteturas e tambm descrevendo o funcionamento de uma rede multicamadas. Tambm descrita aqui uma implementao realizada por (Oliveira, 1994) de um reconhecedor neural de faces.

35

2.1. Redes Neurais Artificiais (Oliveira, 1997) afirma que a partir da dcada de 80, os modelos conexionistas passaram a ser uma ferramenta comum para a soluo de problemas em diversos campos, sendo principalmente representados pelas redes neurais artificiais no- lineares. Este sub-tpico apresentar a descrio bsica do funcionamento de uma rede neural, mostrando vantagens e desvantagens do uso de mtodos generalistas. Apresentar tambm um modelo neural usado por (Oliveira, 1994) na soluo do problema de reconhecimento automtico de faces. 2.1.1. Introduo As Redes Neurais Artificiais representam uma tecnologia que possui razes em muitas disciplinas: neurocincia, matemtica, estatstica, fsica, cincia da computao e engenharia. (Haykin, 20011) Uma rede neural artificial um modelo computacional capaz de, entre outras funes, armazenar, classificar padres, realizar interpolao de funes no- lineares e apresentar solues heursticas para problemas de otimizao. Isso conseguido atravs de um processo denominado aprendizado. O aprendizado pode ser representado pela Figura 2.1, onde o ambiente fornece alguma informao para um elemento de aprendizagem. Elemento de aprendizagem Base de conhecimento Elemento de desempenho

Ambiente

FIGURA 2.1 Modelo simples de aprendizagem de mquina. FONTE: Haykin (2001), p. 61.

36

O elemento de aprendizagem utiliza, ento, esta informao para aperfeioar a base de conhecimento, e finalmente o elemento de desempenho utiliza a base de conhecimento para executar a sua tarefa. Normalmente, a informao que o ambiente fornece para a mquina imperfeita, resultando que o elemento de desempenho no sabe previamente como preencher os detalhes ausentes ou ignorar os detalhes que no so importantes. Portanto, a mquina opera inicialmente por suposio e depois recebe alimentao do elemento de desempenho. O mecanismo de realimentao permite que a mquina avalie suas hipteses e as revise, se necessrio (Haykin, 2001). A aprendizagem de mquina envolve dois tipos bastante diferentes de processamento de informao: o indutivo e o dedutivo. No processamento de informao indutivo, padres gerais e regras so determinados a partir dos dados brutos e da experincia. Por outro lado, no processamento de informao dedutivo so utilizadas regras gerais para determinar fatos especficos. A aprendizagem baseada em similaridade utiliza induo, enquanto que a prova de um teorema uma deduo baseada em axiomas conhecidos e em outros teoremas existentes. A aprendizagem baseada em explanao utiliza tanto a induo quanto a deduo (Haykin, 2001). 2.1.2. Definies A operao realizada por uma rede neural feita atravs de uma associao de elementos de processamento e conexes. O elemento bsico de um processamento de uma rede neural chamado de neurnio, ou nodo. A Figura 2.2 (Haykin, 2001) mostra o diagrama bsico do funcionamento de um neurnio artificial.

37

Bias bk x1 Sinais de entrada x2 . . . xm Funo de ativao

Wk1 Wk2 . . . Wkm Pesos sinpticos

Juno aditiva

(.)

Sada yk

FIGURA 2.2 - Modelo no linear de um neurnio artificial. FONTE: Adaptado de Haykin (2001), p. 36. Um neurnio uma unidade de processamento de informao que fundamental para a operao de uma rede neural. Na Figura 2.2 pode-se identificar trs elementos bsicos do modelo neuronal (Haykin, 2001): 1) Um conjunto de sinapses ou elos de conexo, cada uma caracterizada por um peso ou fora prpria. Especificamente, um sinal x j na entrada da sinapse j conectada ao neurnio k multiplicado pelo peso sinptico Wkj. importante notar a maneira como so escritos os ndices do peso sinptico Wkj. O primeiro ndice se refere ao neurnio em questo e o segundo se refere ao terminal de entrada da sinapse qual o peso se refere. Ao contrrio de uma sinapse do crebro, o peso sinptico de um neurnio artificial pode estar em um intervalo que inclui valores negativos bem como positivos (Haykin, 2001).

38

2) Um somador para somar os sinais de entrada, ponderados pelas respectivas sinapses do neurnio; as operaes descritas aqui constituem um combinador linear (Haykin, 2001). 3) Uma funo de ativao para restringir a amplitude da sada de um neurnio. A funo de ativao tambm referida como funo restritiva j que restringe (limita) o intervalo permissvel de amplitude do sinal de sada a um valor finito. Tipicamente, o intervalo normalizado da amplitude da sada de um neurnio escrito como o intervalo unitrio fechado [0, 1] ou alternativamente [-1, 1] (Haykin, 2001). O modelo neural da Figura 2.2 tambm inclui um bias aplicado externamente, representado por bk. O bias bk tem o efeito de aumentar ou diminuir a entrada lquida da funo de ativao, dependendo se ele positivo ou negativo, respectivamente. Em termos matemticos, podemos descrever um neurnio k escrevendo o seguinte par de equaes:

u k = j =1 wk j x jm

(2.1)

e

y k = (u k + bk )

(2.2)

onde x 1 , x2 , ..., xm so os sinais de entrada; wk1, wk2, ..., wkm so os pesos sinpticos do neurnio k; uk a sada do combinador linear devido aos sinais de entrada; bk o bias;

() a funo de ativao; e yk o sinal de sada do neurnio. O uso do bias bk tem o efeito .de aplicar uma transformao afim sada uk do combinador linear no modelo da Figura 2.2, como mostrado por:

39

vk = uk + bk

(2.3)

O sinal de entrada de um dado neurnio vem de um outro nodo da rede ou de fontes externas. Esse sinal viaja atravs das conexes que alimentam os neurnios. Estes neurnios (Oliveira, 1997) trabalham em paralelo, podendo ser configurados sob a forma de diferentes arquiteturas. Os neurnios esto quase sempre dispostos em camadas ou nveis, e a fora de cada uma das conexes que os interliga expressa por um valor numrico chamado peso. O conhecimento adquirido pela rede a partir do seu ambiente, atravs de um processo de aprendizagem (Haykin, 20011). O processo de aprendizagem nada mais do que o ajuste dos pesos sinpticos da rede, de forma ordenada durante a etapa de treinamento, at que a rede esteja devidamente treinada. O nmero de nodos e nveis da rede, alm do modo como estes elementos esto dispostos e conectados, determinam a topologia da rede neural. A definio da topologia de rede a ser adotada deve estar diretamente ligada natureza do problema a ser resolvido. H vrias topologias de redes, cada qual com suas particularidades e aplicaes. Alguns tipos destas topologias so mostrados na Figura 2.3.

40

FIGURA 2.3 Exemplo de topologias bsicas de redes neurais: (a) rede neural feedforward de 1 camada; (b) rede neural feedforward de vrias camadas; (c) nodo simples com retro-alimentao; (d) rede recorrente de camada simples; (e) rede recorrente de mltiplas camadas FONTE: adaptado de Lin, C.T. (1996), p. 211. Outro ponto a ser definido, em se tratando de redes neurais, o algoritmo a ser usado para corrigir os pesos das conexes sinpticas. A esse algoritmo d-se o nome de algoritmo de treinamento. Assim, a cada rede neural associada uma estrutura topolgica pr-definida alm de um conjunto de tcnicas usadas para o treinamento dessa rede. Na fase de treinamento, os pesos so ajustados de forma a fazer com que a rede aprenda uma dada tarefa. Alm das arquiteturas mostradas na Figura 2.2, podem ser citadas ainda as redes ANFIS (Adaptative-Network-based-Fuzzy-Inference), ART (Adaptative Resonance Theory), redes morfolgicas, entre outras. Maiores detalhes sobre arquiteturas e critrios de treinamento de redes neurais, alm de um histrico evolutivo, podem ser encontradas em (Carpenter e

41

Grossberg 1987a,b, 1988,1990), (Haykin, 20011), (Lin, (Hertz et al., 1991) e (Zurada, 1992). 2.2. Redes Multicamadas No-Lineares

e Lee, 1996), (Senna, 1996),

Pesquisadores com conhecimento em redes neurais artificiais no-lineares comearam a estudar a possibilidade de aplicao das redes multicamadas no- lineares no tratamento de faces (Oliveira, 1997). Em (Cottrell e Munro, 1988), afirma-se que assinalar imagens de faces com diferentes expresses da mesma pessoa um problema de separao no- linear. Haykin, 2001As redes multicamadas possuem caractersticas importantes como capacidade de classificao eficiente de padres, sendo tambm robustas a entradas ruidosas ou incompletas. Outra importante caracterstica deste tipo de rede sua boa generalizao, sendo capaz de realizar separaes no- lineares no conjunto de dados. Em Haykin (2001), diz-se que uma rede generaliza bem quando h um mapeamento de entrada-sada computado de forma correta (ou aproximadamente correta) para dados de teste no utilizados na criao ou treinamento da rede. O treinamento de uma rede multicamadas feito de forma supervisionada, geralmente por um algoritmo conhecido como algoritmo de retropropagao do erro (error backpropagation). Este algoritmo baseado na regra de aprendizagem por correo do erro. Ao receber uma entrada, a rede instruda sobre como deve responder, e a diferena entre a resposta desejada e a obtida repassada rede, servindo como regra de ajuste dos pesos. A estrutura de uma rede multicamadas lembra a de um grafo bipartido, dirigido e com pesos. As conexes ligam cada nodo de uma camada a todos os nodos da camada imediatamente superior a ele, podendo-se ainda deixar alguns nodos sem conexo caracterizando uma rede parcialmente conectada. As camadas so de trs tipos, como pode ser visto na Figura 2.3.

42

Camada de entrada

Camada de Sada.

Camada oculta. FIGURA 2.3 - Camadas de uma rede neural artificial multicamadas. Camada de entrada : recebe os dados de entrada. Os nodos nesta camada no realizam processamento local, pois apenas propagam os dados para os nodos da prxima camada. Existe apenas uma nica camada de entrada em uma rede multic amadas. Camada de sada : contm a resposta da rede. Aps a entrada ser propagada e processada, os valores de ativao dos nodos desta camada representam a resposta da rede. Assim como a camada de entrada, a camada de sada sempre nica. Camada oculta: so as camadas situadas entre as camadas de entrada e de sada. Podem existir vrias camadas ocultas. Em Haykin (2001), afirma-se que para determinados problemas, como aproximao de funes, til o uso de duas camadas ocultas. A primeira camada oculta se encarrega da extrao de caractersticas locais enquanto a segunda camada extrai as caractersticas globais. Dessa forma, usando-se duas camadas, o processo de aproximao (ajuste da curva) se torna mais gerencivel. Os tamanhos das camadas de entrada e sada so estabelecidos de acordo com as caractersticas do problema a ser tratado. J o nmero de nodos das camadas ocultas determinado por experincia, dependendo da complexidade do problema (Oliveira, 1997).

43

2.2.1.

O processo de aprendizado

A propriedade que de importncia primordial para uma rede neural a sua habilidade de aprender a partir de seu ambiente e de melhorar o seu desempenho atravs de aprendizagem. A melhoria do desempenho ocorre com o tempo de acordo com alguma medida preestabelecida. Uma rede neural aprende acerca do seu ambiente atravs de um processo interativo de ajustes aplicados a seus pesos sinpticos e nveis de bias. Idealmente, a rede se torna mais instruda sobre o seu ambiente aps cada iterao do processo de aprendizagem (Haykin, 2001). H atividades demais associadas noo de aprendizagem para justificar a sua definio de forma precisa (Haykin, 2001). Uma definio de aprendizagem segundo o contexto de redes neurais, adaptada de Mendel e McClarem (1970) feita a seguir: Aprendizagem um processo pelo qual os parmetros livres de uma rede neural so adaptados atravs de um processo de estimulao pelo ambiente no qual a rede est inserida. O tipo de aprendizagem determinado pela maneira pela qual a modificao dos parmetros ocorre. A definio do processo de aprendizagem implica nos seguintes eventos (Haykin, 2001): 1) A rede neural estimulada por um ambiente; 2) A rede neural sofre modificaes nos seus parmetros livres como resultado desta estimulao; 3) A rede neural responde de uma maneira nova ao ambiente, devido s modificaes ocorridas na sua estrutura interna. Um conjunto bem estabelecido de regras bem-definidas para a soluo de um problema de aprendizagem denominado um algoritmo de aprendizagem. No h um algoritmo nico para o projeto de redes neurais. Basicamente, os algoritmos de aprendizagem diferem entre si pela forma como definido o ajuste de um peso sinptico de um neurnio.

44

Em Haykin (2001) so descritas 5 regras de aprendizagem (aprendizado por correo de erro, aprendizagem baseada em memria, aprendizagem hebbiana, aprendizagem competitiva e aprendizagem de Boltzmann) bsicas para o projeto de redes neurais. Cada uma das regras citadas tem aplicao mais eficaz em uma determinada tarefa. Um outro fator a ser considerado a maneira pela qual uma rede neural, constituda de um conjunto de neurnios interligados, se relaciona com o seu ambiente. Haykin (2001) explica dois paradigmas de aprendizado: aprendizado supervisionado e aprendizado nosupervisionado. A escolha de um ou outro mtodo tem ligao direta natureza do problema que se deseja resolver. Em alguns casos (como heteroassociao, classificao de padres, reconhecimento de padres entre outros) usa-se o paradigma de aprendizagem supervisionada (ou aprendizagem com um professor). Conceitualmente pode-se considerar o professor como sendo um elemento com um conhecimento sobre o ambiente, sendo este conhecimento representado por um conjunto de exemplos de entrada-sada. Entretanto o ambiente desconhecido pela rede neural de interesse. Portanto, no primeiro passo o professor e a rede neural so expostos a um vetor de treinamento (i.e., exemplo) retirado do ambiente. Em virtude do conhecimento prvio apresentado pelo professor, ele capaz de fornecer rede uma resposta desejada para aquele vetor de treinamento. Na verdade, a resposta desejada representa a ao tima a ser realizada pela rede neural. Os parmetros da rede so ajustados sob a influncia combinada do vetor de treinamento e do sinal de erro. O sinal de erro definido como a diferena entre a resposta desejada e a resposta real da rede. Este ajuste realizado passo a passo, iterativamente, com o objetivo de fazer a rede neural emular o professor (Haykin, 2001). Desta forma, o conhecimento do ambiente disponvel ao professor transferido para a rede neural atravs de treinamento, da forma mais completa possvel. Quando esta condio alcanada, pode-se ento dispensar o professor e deixar a rede neural lidar com o ambiente inteiramente por si mesma.

45

J em outras situaes (extrao de caractersticas e autoassociao por exemplo) opta-se pelo uso do aprendizado no-supervisionado. Na aprendizagem no-supervisionada ou auto-organizada, no h um professor externo ou um crtico para supervisionar o processo de aprendizado. Em vez disso, so fornecidas condies para realizar uma medida independente da tarefa da qualidade de representao que a rede deve aprender, e os parmetros livres da rede so otimizados em relao a esta medida. Uma vez que a rede tenha se ajustado s regularidades estatsticas dos dados de entrada, ela desenvolve a habilidade de formar representaes internas para codificar as caractersticas da entrada e, desse modo, de criar automaticamente novas classes (Becker, 1991). Maiores detalhes sobre os tipos de aprendizado, paradigmas, aplicaes bem como comparativos de desempenho, podem ser encontrados em (Haykin, 2001), (Randall e Jatinder, 2000) e (Lin e Lee, 1996). Esta dissertao far uso do algoritmo de retropropagao do erro para realizar o treinamento das redes neurais multicamadas, empregadas no reconhecimento facial. Este algoritmo baseado na regra de aprendizagem por correo do erro. Basicamente, a aprendizagem por retropropagao do erro consiste de dois passos atravs das diferentes camadas da rede: um passo para frente, a propagao, e um passo para trs, a retropropagao. No passo para frente, um padro de atividade (vetor de entrada) aplicado aos ns sensoriais da rede e seu efeito se propaga atravs da mesma. Durante o passo de propagao, os pesos sinpticos da rede so todos fixos. Durante o passo para trs, por outro lado, os pesos sinpticos so todos ajustados de acordo com uma regra de correo de erro. Especificamente, a resposta real da rede subtrada de uma resposta desejada (alvo) para produzir um sinal de erro (Haykin, 2001). O objetivo do treinamento minimizar o erro mdio quadrtico entre a sada da rede e a resposta desejada (Zurada, 1992). Este sinal de erro ento propagado para trs atravs da rede, na direo oposta a das conexes sinpticas. Os pesos sinpticos so ajustados para fazer com que a resposta

46

real da rede se mova para mais perto da resposta desejada, em um sentido estatstico (Haykin, 2001). O processo de aprendizagem realizado com o algoritmo chamado de aprendizagem por retropropagao. O prximo tpico ilustra uma implementao possvel para um reconhecedor neural de faces usando uma rede multicamadas treinada por retropropagao. 2.3. Implementando um Reconhecedor Neural Uma imagem de face um vetor f i de P pixels, sendo que cada um destes pixels pode apresentar um valor de tom de cinza entre 0 e t . Assim, cada imagem pode ser considerada

r um vetor geomtrico f i , em um espao P-dimensionalimagens representveis com t tons de cinza.

P , que compreende todas as

tP

Como as faces so objetos semelhantes, com olhos, boca e nariz nas mesmas posies relativas, afirma-se que a distribuio espacial de tons de cinza das imagens de faces faz r com que os vetores f i estejam concentrados em um sub-espao muito menor que

r desta face deve implementar uma reduo na dimensionalidade dos vetores f i , para umadistribuio mais concentrada e eficiente. Aps a fase de descrio, cada imagem codificada em um padro Pi de dimenses muito menores que as dimenses das imagens originais. Esses padres podem ento ser processados por um algoritmo de classificao ou agrupamento, que compreende a etapa de reconhecimento. Considerando-se ento uma rede multicamada no- linear que, de posse de uma imagem f i , consiga agir de maneira anloga a um compressor de dados. Isto pode ser feito treinando

P (Turk e Petland, 1991). Portanto, para se representar uma face, a fase de descrio

47

uma rede de trs nveis para repetir a imagem de entrada na camada de sada, passando por uma camada oculta com um nmero de nodos consideravelmente menor que o nmero de pixels da imagem. Se esta rede for capaz de reproduzir imagens de face com um desvio pequeno, as informaes contidas na camada oculta podem ser consideradas como uma representao reduzida da face. Esta estrutura para compactao foi implementada por (Oliveira, 1994) e obteve bons resultados comparados aos mtodos tradicionais (Oliveira, 1997). 2.3.1. Etapa de Descrio Uma rede como a mostrada na Figura 2.4 (Oliveira, 1997) treinada com o algoritmo de retropropagao do erro capaz de realizar a compactao citada, e pode ser usada para implementar a etapa de descrio do processo de reconhecimento de faces.

Imagem de entrada

Imagem de sada

FIGURA 2.4 - Topologia de rede multicamada para extrao de caractersticas. Apesar de no mostrado na figura para melhor visualizao, cada nodo totalmente conectado com os nodos da camada seguinte. FONTE: Oliveira (1997), p. 29.

48

Seja T um conjunto de faces usadas para o treinamento da rede. O conjunto T contm imagens de face f i de N pessoas diferentes, com i variando de 1 ao nmero total de pessoas: N. Para que os dados sejam tratados corretamente pela rede, preciso que os valores numricos em T sejam codificados de modo a no apresentarem uma ordem de grandeza muito diferente da encontrada nas funes de ativao e dos pesos da rede. Esta modelagem inicial um processo que depende da topologia e do tipo de treinamento escolhido para a rede, e no obedece a um procedimento especfico. No caso especfico da aplicao proposta por (Oliveira, 1994), os padres f i apresentam valores de tons de cinza entre 0 e t, onde t usualmente igual a 127 ou 255. Sugere-se que os valores de tons de cinza sejam mapeados de acordo com a imagem da funo de ativao utilizada, tornando os valores de ativao de todos os nodos da rede compreendidos em uma mesma faixa. A funo sigmoidal escolhida para a rede implementada em (Oliveira, 1994) mostrada na equao 2.4, e portanto os tons de cinza originais de 0 a 127 foram mapeados em valores entre 0 e 1. As imagens de face f i possuam dimenses de 64x64, portanto a rede de compresso tinha 4.096 nodos na camada de sada e de entrada. Aps vrios testes, a camada oculta foi fixada em 330 nodos. Os resultados obtidos na compresso podem se encontrados com detalhes em (Oliveira, 1994).

( v) =

1 1 + e (v )

(2.4)

49

2.3.2. Etapa de Reconhecimento A etapa de compactao das imagens de faces presentes no conjunto T , funciona como um extrator de caractersticas relevantes destas faces. Tais caractersticas ficaram codificadas nos pesos da rede. De posse desta rede treinada (Oliveira, 1997) para realizar compactao de imagens, ou seja, capaz de extrair as caractersticas aptas diferenciao entre as facesparte-se para a construo de uma rede para reconhecimento de padres. Assim, utiliza-se a informao codificada na camada oculta da rede de compresso como entrada para um classificador. Esse classificador uma rede no linear de trs camadas, assim como a utilizada para a extrao de caractersticas. Apesar disso, existem algumas mudanas na topologia:

Camada de entrada possui um nmero de nodos igual ao nmero utilizado nacamada oculta da rede de extrao de caractersticas.

A camada de sada possui N nodos i , onde i varia de 1 a N e onde N o nmerode pessoas distintas de T .

A camada oculta deve possuir um nmero de nodos necessrio para aconvergncia do treinamento, sendo N-1 uma sugesto para o nmero inicial de nodos. A rede de reconhecimento recebe como entrada os valores de ativao dos nodos da camada oculta da rede de extrao de caractersticas, cujos pesos j se encontram fixos aps o treinamento. Treina-se ento a rede de reconhecimento atravs do algoritmo de retropropagao para realizar a classificao dos padres. Cada nodo de sada i assinalado a uma pessoa cuja imagem est em T . Assim, ao receber uma imagem de teste f i, um dos nodos de sada i deve responder com um valor de

50

ativao sensivelmente maior que os restantes. Quanto mais prximo de 1 for esse valor, maior a probabilidade de que a pessoa da imagem de teste f i seja a mesma representada na sada i , onde i o nodo com maior resposta. Aps o treinamento da rede de reconhecimento, pode-se construir uma rede nica para realizar a identificao das pessoas em T . Para isso, mantm-se fixos os pesos entre as camadas de entrada e oculta da rede de descrio, e concatena-se camada oculta a rede treinada para o reconhecimento. Uma abordagem similar foi proposta em (Bouattour et al., 1992), onde se descreve uma rede cujos pesos das camadas ocultas so inicializados de modo a filtrar as informaes de entrada. Assim, ao invs da inicializao randmica, a rede implementa filtros conhecidos, fazendo com que a fase de descrio seja mais robusta e menos sensvel a diferenas na iluminao. 2.4. Concluses A implementao do reconhecedor neural de faces mostrada no tpico anterior, usa uma rede neural para realizar uma decodificao de um conjunto de valores compreendidos entre 0 e 127, que representam a face da foto, em uma nova representao mais compacta. Essa nova representao composta pelos pesos sinpticos da rede neural, obtidos na etapa de compresso de dados. Fatores como variaes de iluminao influenciam os pixels da imagem (valores compreendidos entre 0 e 127 que representam a face). Porm, a rede neural, com sua capacidade de generalizao, consegue associar uma ent rada ruidosa (no exatamente igual entrada vista na etapa de treinamento) respectiva sada desejada. Outra variao que pode interferir no reconhecimento facial a distncia entre a cmera e a face fotografada. Pode haver distores na quantidade de pixels que representam um

51

determinado componente facial. Assim, um olho que antes era representado por 9 pixels dispostos bidimensionalmente 3x3 sob uma determinada distncia, pode vir a ser representado por 4 pixels dispostos 2x2 se a face se aproxima da cmera. A implementao descrita anteriormente transfere para a rede neural a tarefa de definir e estruturar a representao da face. Perde-se dessa forma, a noo da importncia ou no de determinado componente ou regio especfica da face na tarefa de reconhecimento. Na estrutura mostrada, tem-se uma viso global da face e a partir da busca-se a representao mais prxima da face analisada, comparando-se o resultado obtido pela rede com aqueles conseguidos durante o treinamento. O sistema hbrido inteligente aplicado ao reconhecimento facial proposto nesta dissertao, visa mensurar o grau de participao de componentes e regies da face na tarefa de reconhecimento facial. O sistema hbrido tem como entrada as relaes mtricas de componentes e regies faciais. Cada conjunto de relaes mtricas representa uma face. Dessa forma, busca-se um controle mais refinado de quais os componentes e regies realmente contribuem para o sucesso ou insucesso do reconhecimento. O uso das relaes mtricas de componentes faciais tambm visa minimizar a interferncia da variao de distncias entre cmera e face, bem como variaes de iluminao.

52

CAPTULO 3 MORFOLOGIA DA FACE HUMANA

As medidas e relaes mtricas que so usadas nesse trabalho foram pesquisadas de forma a se encontrar respaldo tcnico e embasamento anatmico na obteno de resultados e concluses. Dessa forma, torna-se necessrio um conhecimento mnimo da anatomia estrutural dos componentes faciais para o entendimento do problema e conseqente desenvolvimento da dissertao. As consideraes anatmicas expostas a seguir so de extrema importncia para o desenvolvimento desse trabalho, uma vez que elas interferem diretamente na formao esttica da face e podem ser decisivas na diferenciao entre rostos de pessoas distintas. 3.1. Introduo Segundo (Graziani, 1986), a face tem a forma de uma pirmide triangular com a base para baixo que se adapta e articula com a superfcie inferior do crnio. formada por partes sseas e partes moles, onde as partes sseas constituem um arcabouo o esqueleto facial com a funo de sustentar as partes moles que a ele se adaptam, formando as vrias regies superficiais e profundas do rosto. Para se conhecer a face humana necessrio que se avalie o seu esqueleto e suas partes moles. Algumas partes do esqueleto facial e pontos importantes de referncia craniomtrica podem ser analisadas sem a necessidade de uma radiografia (Graziani, 1986). So estas medidas e referncias, perceptveis a olho nu, que interessam nesta dissertao, visto que no ser aplicada nenhuma tcnica invasiva para obteno das medidas faciais. Sero tomadas somente as fotos frontais dos modelos a uma distncia aproximadamente constante e sob uma iluminao regular.

53

O esqueleto facial a estrutura ssea de sustentao da face, formada por um conjunto de catorze ossos. Esse conjunto geralmente chamado macio facial. Os ossos que o compem esto divididos em seis pares (maxilares superiores, nasais, lacrimais malares, palatinos e cornetos) e dois mpares (vmer e mandbula). O conjunto dividido em duas partes, uma superior fixa e outra inferior mvel. A parte inferior constituda por um nico osso, o maxilar inferior ou mandbula. A parte superior compreende todos os demais ossos, os quais se articulam entre si formando uma s pea que em anatomia se denomina maxilar superior ou maxila. Os tecidos moles revestem o esqueleto facial. As partes moles so constitudas pela pele, tecido celular subcutneo, camadas musculares correspondentes s diversas regies da face, vasos e nervos alm das glndulas salivares. Uma membrana epitelial reveste internamente as cavidades formadas entre os ossos (cavidade nasal, cavidade bucal) e as cavidades existentes no interior dos ossos (seios da face). Para a conveninc ia do seu estudo anatmico, a face dividida arbitrariamente em um determinado nmero de regies. Nos estudos relativos prtese facial, tambm aproveitveis nos estudos desse trabalho, convm a diviso adotada por Harry Shapiro mostrada na Figura 3.1 (Graziani, 1986): 1. regies orbitria (ou palpebral); 2. infra-orbitria; 3. zigomtica; 4. nasal; 5. bucal; 6. mentoniana; 7. bucinadora; 8. parotdeo- masseterina; 9. auricular; 10. temporal.

54

FIGURA 3.1 - Regies da face. FONTE: (Graziani, 1986), p. 6. Dos tecidos moles que recobrem o esqueleto facial, a pele um dos mais importantes, sob o enfoque de prtese restauradora e tambm sendo um importante tpico para os estudos aqui realizados. Sob a pele esto situados os msculos da expresso facial, que so relevantes na diferenciao entre pessoas, atravs de uma foto frontal. Estes msculos ainda so teis em aplicaes que objetivem reconhecer expresses faciais. A Morfologia Facial pode ser melhor estudada quando subdividida em 3 partes: 1) arquitetura do esqueleto facial; 2) antropometria; 3) esttica facial. Nos prximos tpicos a seguir estaro sendo detalhadas cada uma destas partes.

55

3.2. Arquitetura do Esqueleto Facial O conjunto de quatorze ossos que formam o arcabouo da face constitui uma unidade funcional, cujos elementos componentes no esto colocados casualmente uns ao lado dos outros. Eles so dependentes de leis particulares internas e tm uma importante conexo estrutural. Os ossos do esqueleto facial tm sua arquitetura adaptada s exigncias funcionais: as zonas sobre as quais atuam as maiores foras de presso e trao so justamente as mais reforadas, sob o ponto de vista mecnico (Graziani, 1986). Fatores como tipo de alimentao, hbitos alimentares e culturais das pessoas e ainda fatores vinculados etnia, podem ter influncia no desenvolvimento exagerado ou atrofia de estruturas do esqueleto facial, interferindo por sua vez na forma esttica apresentada pela face. O reforo estrutural, decorrente de tais fatores, pode ocorrer de duas maneiras: pelo espessamento das lminas compactas ou pelo espessamento e condensao das trabculas esponjosas que formam o esqueleto facial. No conjunto esqueleto- facial podem ser observados elementos arquitetnicos dispostos de forma a resistir ao de poderosos msculos, sendo capazes de suportar as foras exercidas durante a mastigao (Graziani, 1986). Tais estruturas podem ser suficientemente desenvolvidas a ponto de caracterizar uma face de forma a diferenci- la de outra. Podem ser verificadas importantes diferenas entre a arquitetura do maxilar superior e a da mandbula. Tais particularidades sero descritas a seguir. Maxilar superior ou Maxila: O maxilar superior, aqui considerando tambm os ossos do conjunto facial que se agregam a ele, se articula com o conjunto crnio- facial por meio de uma srie de sinartroses dotadas de grande eficincia mecnica. Estas sinartroses permitem maxila resistir s foras exercidas pela a ao dos msculos mastigadores, alm de distribuir estas foras (Graziani, 1986). O exerccio exagerado desses msculos, bem como a

56

ausncia de estmulos, pode causar respectivamente hipertrofias ou atrofias que influenciam no desenho facial. A observao do comportamento dessas estruturas pode ser um importante diferencial para o discernimento entre pessoas e raas distintas. Um exemplo de caractersticas ligadas a raas ou padres comportamentais o arco supra-orbitrio (estrutura 4 da Figura 3.2) super desenvolvidos em algumas raas primitivas. Segundo (Graziani, 1986), o arco supra-orbitrio, constitudo pela arcada orbitria do frontal. Ele une cada pilar canino (estrutura 1 da Figura 3.2) com o pilar zigomtico (estrutura 2 da Figura 3.2) do respectivo lado. A borda supra-orbitria sofre o contrachoque das foras da presso mastigatria. O reforo de tecido compacto do arco superciliar uma conseqncia disso, explicando-se o maior desenvolvimento desse arco em algumas raas humanas primitivas e nos antropides, (torus supraorbitais) cuja alimentao exigia maior presso mastigatria.

FIGURA 3.2 - Arquitetura do esqueleto facial. 1: Pilar canino. 2: Pilar zigomtico. 3: Arco infranasal. 4: Arco supra-orbitrio. 5: Arco infra-orbitrio. 6: Arco supranasal. FONTE: Graziani (1986), p. 7.

57

A maxila (ou maxilar superior) forma uma armao em forma de pirmide apoiada base do crnio, apresentando pilares de apoio, denominadas linhas de fora. Entre esses pilares formam-se as cavidades orbitrias, nasais e as cavidades pneumticas acessrias nasais (ou seios da face). Os pilares so reunidos por arcos de reforo que com eles constituem a base, o forte da armao. J os espaos entre eles so frgeis paredes de cavidades, constituindo verdadeiros espaos mortos, mecanicamente. O sistema de colunas de sustentao formado por trs pilares principais: 1. Pilar canino, 2. Pilar zigomtico, 3. Pilar pterigideo. Os pilares canino e zigomtico, podem ser vistos na Figura 3.2, correspondendo s estruturas de nmero 1 e 2. A seguir sero descritas algumas particularidades da Mandbula. Mandbula: A arquitetura da poro mvel do esqueleto facial (Graziani, 1986) a mandbula diferencia-se bastante da poro fixa. A mandbula um osso mvel, isolado, sujeito a foras de potentes e desenvolvidos msculos. Ela tem, necessariamente, que ser um osso de grande resistncia. De incio, apresenta uma grande linha de resistncia, chamada trajetria basilar (estrutura 1 da Figura 3.3), formada pelo espessamento ao longo da sua borda inferior. Esta trajetria, conforme vemos na Figura 3.3 , inicia-se no cndilo, caminha para a borda inferior, passando um pouco adiante do ngulo e depois de caminhar ao longo da borda inferior, at o nvel do canino, curva-se para cima e termina na borda superior, j na regio mentoniana.

58

Regio do Cnidilo

Regio mentoniana

FIGURA 3.3 Linhas de resistncia da mandbula. 1: Trajetria basilar. 2: Trajetria alveolar. 3: Trajetria coronoidal. 4: Trajetria condileana. FONTE: Graziani (1986), p. 8. A regio do mento tem ento, quando observada de frente, um sistema de resistncia em forma de V invertido, constituindo um reforo zona mais ameaada pelas foras de flexo e na qual pode-se observar fraturas, sobretudo em crianas e em feridos de guerra. Outra linha de resistncia observada ao longo do processo alveolar (estrutura 2 da Figura 3.3), partindo da apfise coronide, at atingir a linha mediana (trajetria aveolar). Na apfise coronide, a linha de resistncia destinada fora de trao do msculo temporal constitui a trajetria coronoidal (estrutura 3 da Figura 3.3). Finalmente, a trajetria condileana (estrutura 4 da Figura 3.3) assinalada tambm na Figura 3.3 , parte do cndilo e toma a direo da borda posterior do ramo ascendente. 3.3. Antropometria Facial Segundo (Graziani, 1986), os mtodos antropomtricos tm sido usados em algumas especialidades da odontologia, como por exemplo em ortodontia, odontologia legal e prtese restauradora. Alguns pontos e medidas antropolgicas so de sumo interesse

59

para a prtese maxilo- facial pois servem de guia para a reconstruo facial, sem desprezar as caractersticas originais da face. A confeco de uma prtese facial exige que um grande nmero de detalhes seja levado em considerao, tais como a esttica da face, a sua estrutura ssea e a construo de formas harmoniosas que se encaixem melhor ao perfil original. Tais medidas e direcionamentos, usados pelos profissionais de odontologia, so teis tambm para a tarefa de encontrar pontos relevantes ao reconhecimento facial. A seguir sero detalhadas algumas dessas caractersticas. 3.3.1. Pontos Craniomtricos Os pontos e medidas craniomtricas (Graziani, 1986) ou mais precisamente, prosopomtricas, permitem o conhecimento exato da forma e dimenses da face, possibilitando o diagnstico preciso das deformidades e a apreciao dos detalhes e variaes individuais e raciais. Os pontos craniomtricos esto situados sobre o esqueleto e so utilizados como referncia para as mensuraes e as relaes crnio- faciais. Infelizmente para essa dissertao, muitos desses pontos no podem ser precisamente determinados em indivduos vivos, ou ainda s so determinados atravs de raios-X e aparelhos especiais. Portanto, sero usadas neste trabalho apenas medidas e referncias possveis de se obter sem a necessidade de mtodos invasivos como radiografias ou ressonncias magnticas. A Figura 3.4 mostra a localizao de todos pontos craniomtricos.

60

FIGURA 3.4 - Pontos craniomtricos. FONTE: Graziani (1986), p. 8. Outra limitao para a escolha dos pontos craniomtricos a serem usados nesta dissertao o fato do tecido epitelial e dos msculos da face estarem presentes quando se analisa uma foto frontal de um indivduo vivo. Porm, alguns desses pontos mostrados na Figura 3.4 podem ser determinados com boa preciso atravs da anlise de imagens frontais da face de indivduos vivos. Pode-se tambm estabelecer certas relaes usando estas referncias craniomtricas e suas relaes mtricas como feito na odontologia. Especialmente neste caso, tais informaes sero usadas com a finalidade de diferenciar indivduos e no para correes de feies da face. Dentre os pontos craniomtricos que podem ser determinados com certa preciso em indivduos vivos e em fotos frontais, seguem-se: 1) frio: situado no meio do dimetro frontal mnimo (logo acima da glabela). Corresponde altura do assoalho endocraniano. 2) Glabela: uma proeminncia situada no osso frontal, entre as duas cristas superciliares, logo acima da raiz do nariz. No vivo, corresponde s extremidades internas das sobrancelhas.

61

3) Nsio: Situado no cruzamento do plano sagital com a sutura naso- frontal, podendo ser tambm determinado no vivo. 4) Gntio: chamado tambm ponto mentoniano, situa-se no ponto mais inferior e mais anterior da mandbula. 5) Gnio: situado no vrtice do ngulo da mandbula, podendo ser facilmente determinado no indivduo vivo; 6) Zigio: ponto lateral mais proeminente da arcada zigomtica; 3.3.2. Medidas Lineares De posse dos pontos craniomtricos citados no tpico anterior possvel realizar algumas medidas lineares importantes a este estudo de reconhecimento, tais como: Dimetro transverso mximo, bizigomtico ou bimalar: distncia entre os dois zgios. Altura morfolgica da face ou naso- mentoniana: distncia em projeo que vai do nsio ao gntio; representa a altura total da face. Altura frio-alveolar: distncia que vai do frio ao prstio. Altura nsio-alveolar: distncia entre o nsio e o prstio, que corresponde altura facial superior. Altura nasal: distncia entre o nsio e o naso-espinhal. Largura nasal: distncia mxima da abertura nasal. Largura interorbitria: distncia entre os dois pontos lacrimais. Largura orbitria: distncia entre o dcrio e a borda externa da rbita.

62

Altura orbitria: distncia entre a borda superior e a borda inferior da rbita, perpendiculares linha da largura.

Dimetro bigonaco: distncia entre os dois gnios. Comprimento do ramo ascendente da mandbula: distncia entre o gnio e o vrtice do cndilo.

Para cirurgias reparadoras e ainda confeco de prteses maxilo-faciais, pode-se contar com medidas angulares tomadas da face. Neste estudo, tais medidas no so vlidas uma vez que elas devem ser tomadas com o indivduo em posio perfilada e esta dissertao se destina a estudos de faces frontais. 3.3.3. ndice Facial denominado ndice Facial a relao existente entre a distncia nsio-gntica, multiplicada por 100 e dividida pela distncia bizigomtica (distncia entre os dois zgios). De acordo com esse ndice, tem-se uma classificao das faces em baixas, largas, mdias, altas e estreitas. Temos ento indivduos: Hipereuriprospicos Euriprospicos Mesoprospicos Leptoprospicos Hiperleptoprospicos abaixo de 80 de 80 a 85 de 85 a 90 de 90 a 95 acima de 95

O indivduo Euriprospico, mostrado na Figura 3.5 tem a face larga, fossas nasais e abbada palatina largas e baixas, zigomas salientes e arcadas dentrias largas e curtas. H preponderncia das medidas transversais.

63

FIGURA 3.5 - Face Euriprospica. FONTE: Graziani (1986), p. 12.

O indivduo leptoprospico, mostrado na Figura 3.6 tem caracteres opostos: face comprida e estreita, rbitas altas, fossas nasais elevadas e estreitas, zigomas pouco salientes, abbada palatina e arcadas dentrias alongadas. Predominam as dimenses verticais.

FIGURA 3.6 - Face leptoprospica. FONTE: Graziani (1986), p. 12.

64

Os indivduos mesoprospicos apresentam caractersticas intermedirias quelas mostradas nas figuras 3.5 e 3.6. J os indivduos que se encontram nos extremos da classificao segundo o ndice facial, apresentam o achatamento facial (indivduos hipereuriprospicos) ou um perfil extremamente comprido (indivduos

hiperleptoprospicos) como suas principais caractersticas. 3.4. Esttica Facial A esttica facial definida por (Graziani, 1986) como sendo a combinao perfeita de diferentes partes entre si, formando um todo concorrendo para um mesmo fim. importante discernir entre os conceitos do belo e do harmonioso. A beleza de uma face muitas vezes algo subjetivo e depende de questes pessoais e at culturais. J uma face harmoniosa, normal, algo mais palpvel e possvel de ser conceituado. Podese portanto considerar uma face como normal, quando ela no apresenta grandes distores em sua simetria vertical e grandes variaes de proporo entre componentes e regies. O estudo da face normal e o estudo da arte, em sua relao com a esttica e a beleza facial, so pontos chave para cirurgies voltados para a reconstituio facial e certamente fornecem pistas importantes para a diferenciao entre rostos humanos. O uso de mtricas e modelos faciais segundo (Chiche e Pinault, 1996) tem sido aplicado, no meio clnico, para encontrar uma composio agradvel no sorriso, podendo tambm ser aplicadas em reconstituies faciais, de modo a criar um arranjo dos vrios elementos estticos para uma proporo ou relao adequada, conforme os princpios conhecidos. Ainda segundo (Chiche e Pinault, 1996), h quatro fatores de composio esttica que podem ser fcil e efetivamente aplicados especificamente ao sorriso. Eles servem para auxiliar o clnico a determinar a apresentao adequada dos dentes, seu tamanho, arranjo e orientao em relao face durante o diagnstico esttico e o tratamento. Esses fatores so: Estruturas e referncias: sistema de construo que d a forma; um padro para medir ou construir.

65

Proporo e idealismo: relao de uma parte com a outra ou com o todo em relao grandeza, quantidade ou ao grau; um padro de perfeio, beleza ou excelncia.

Simetria: correspondncia de tamanho, forma e posio relativa das partes em lados opostos de uma linha divisria - ou plano mediano - ou ainda ao redor de um centro ou eixo.

Perspectiva e iluso:

tcnica ou processo de representar, em um plano ou

superfcie curva, a relao espacial de objetos como eles poderiam parecer sob o nosso olhar. A inteno deste tpico estudar as noes de simetria, estruturas e referncias presentes nos elementos de tecido mole que compem o rosto humano, bem como suas inter-relaes, com o objetivo de se criar uma heurstica aplicvel diferenciao de rostos humanos. Uma vez encontrada essa heurstica, poder-se-ia aplic-la em sistemas automticos de reconhecimento de rostos. Nos tpicos seguintes sero apresentadas mais algumas caractersticas teis classificao e diferenciao entre faces humanas. 3.4.1. Tipos Morfolgicos Enquanto estudiosos e artista