Evaluación de desempeño del algoritmo de seguimiento de características faciales basado en modelos ASM usando Kinect
DOI:
https://doi.org/10.33304/revinv.v10n2-2017007Palabras clave:
Sensor Kinect, Modelos Activos de Forma ASM, PCA, OpenCV, Reconocimiento de puntos característicosResumen
En este trabajo se presenta la evaluación del desempeño de un algoritmo de seguimiento de las características faciales, aplicando modelos de forma activa (ASM) y utilizando el sensor Kinect como dispositivo de captura de imagen. El desarrollo se realizó mediante las librerías de OpenCV, en un PC portátil con Procesador Core i5 a 2.4Ghz, 4 Gigabytes de memoria RAM, que corre bajo sistema operativo Windows 7. Para la evaluación, se ejecutó el algoritmo para observar la respuesta respecto a las distintas posturas y expresiones faciales. Se tomaron los tiempos de estabilización de los puntos sobre la imagen y se analizó punto a punto y con criterio humano la localización de los puntos sobre la imagen. Para facilitar el análisis se agrupan los puntos acordes a la zona del rostro: Contorno de la cara, cejas, nariz, ojos y boca. Por último, se presentan los resultados del tiempo promedio de ajuste del modelo, el promedio de frames, así como un error promedio de posicionamiento en las distintas condiciones del rostro, lo cual muestra la robustez de este trabajo y la adaptabilidad para trabajos futuros.Descargas
Citas
Baltrusaitis, T., Robinson, P., & Morency, L.-P. (2012). 3D constrained local model for rigid and non-rigid facial tracking. In Computer Vision and Pattern Recognition (CVPR), 2012 IEEE Conference on (pp. 2610–2617). IEEE.
Chen, Y., & Davoine, F. (2006). Simultaneous Tracking of Rigid Head Motion and Non-rigid Facial Animation by Analyzing Local Features Statistically. In BMVC (pp. 609–618).
Cheng, S., Zafeiriou, S., Asthana, A., & Pantic, M. (2014). 3D facial geometric features for constrained local mode. In 2014 IEEE International Conference on Image Processing (ICIP) (pp. 1425–1429). IEEE.
Cheng, Y. (1995). Mean shift, mode seeking, and clustering. IEEE Transactions on Pattern Analysis and Machine Intelligence, 17(8), 790–799.
Cootes, T. F., & Taylor, C. J. (1992). Active shape models—“smart snakes.” In BMVC92 (pp. 266–275). Springer.
Cristinacce, D., & Cootes, T. F. (2004). A comparison of shape constrained facial feature detectors. In Automatic Face and Gesture Recognition, 2004. Proceedings. Sixth IEEE International Conference on (pp. 375–380). IEEE.
Cristinacce, D., & Cootes, T. F. (2006). Feature Detection and Tracking with Constrained Local Models. In BMVC (p. 10).
Cristinacce, D., & Cootes, T. F. (2007). Boosted regression active shape models. In BMVC (p. 7).
Delac, K., Grgic, M., & Grgic, S. (2005). Independent comparative study of PCA, ICA, and LDA on the FERET data set. International Journal of Imaging Systems and Technology, 15(5), 252–260.
Dornaika, F., & Davoine, F. (2004). Head and facial animation tracking using appearance-adaptive models and particle filters. In Computer Vision and Pattern Recognition Workshop, 2004. CVPRW’04. Conference on (pp. 153–153). IEEE.
Viola, P., & Jones, M. (2001). Rapid object detection using a boosted cascade of simple features. In Computer Vision and Pattern Recognition, 2001. CVPR 2001. Proceedings of the 2001 IEEE Computer Society Conference on (pp. I–511). IEEE.
Wang, Y., Lucey, S., & Cohn, J. F. (2008). Enforcing convexity for improved alignment with constrained local models. In Computer Vision and Pattern Recognition, 2008. CVPR 2008. IEEE Conference on (pp. 1–8). IEEE.
