Detección de puntos salientes para medición de la simetría facial

Ricardo Irving Barrón Martínez, Ruth Mariela Aguilar Ponce, José Luis Tecpanecatl Xihuitl

Resumen


El análisis y estudio del rostro se ha convertido recientemente en un gran foco de interés debido a sus múltiples aplicaciones entre las que se encuentra identificación de expresiones faciales, identificación de personas de interés, y el cálculo de la simetría facial entre otras. Este trabajo presenta la detección de 14 puntos característicos faciales. Estos puntos característicos nos ayudan a obtener la simetría facial siguiendo el método de Mondragón. Para su detección se utilizaron múltiples algoritmos. Los detectores de esquinas se utilizaron para localizar las comisuras de los ojos, por lo que se hizo una comparación de los tres algoritmos más populares en la literatura correspondientes a SUSAN, Harris y Shi-Tomasi. Se determinó que el detector Shi-Tomasi obtiene mejores resultados para esta aplicación en particular. Las comisuras de los labios se localizaron por medio de la segmentación utilizando el algoritmo K-medias y la detección de bordes. Mientras que el detector de bordes de Canny fue utilizado
para localizar los puntos que delimitan el ancho facial.

Palabras Clave: detección de esquinas, procesamiento digital de imágenes, puntos característicos faciales, segmentación.


Texto completo:

1485-1505 PDF

Referencias


A. Willis, S. Yunfeng, "An algebraic model for fast corner detection". In IEEE 12th International Conference on Computer Vision. Kyoto. Japan. 2009. 2296-2302 pp.

G. F. Mondragón, M. P. Espinoza, N. H. Campos, L. S. Chapul, R. P. Pérez, C. M. Canseco, S. R. León, V. A. Monsalvo, J. P. Paz, A. F. Jacinto, “Facial anthropometry: a tool for quantitative evaluation in patients with peripheral facial paralysis”. International Journal of Scientific & Engineering Research. Vol. 6. No. 5. 2015. 1657-1660 pp.

L. W. Simmons, G. Rhodes, M. Peters, N. Koehler. “Are human preferences for facial symmetry focused on signals of developmental instability?”. Behavioral Ecology. Vol. 15. 2004. 864-871 pp.

P. Viola, M. J. Jones, “Robust Real-Time Detection”. International Journal of Computer Vision. Vol. 57. No. 2. May 2004. 137- 154 pp.

L. Zou, J. Chen, J. Zhang, L. Dou, "The Comparison of Two Typical Corner Detection Algorithms". In the Second International Symposium on Intelligent Information Technology Application. Shanghai, China. 2008. 211, 215 pp.

J. Shi, C. Tomasi, "Good Features to Track”. In IEEE 9th Conference on Computer Vision and Pattern Recognition. Seattle. WA. 1994. 8 pp.

FEI Face Dataset. http://fei.edu.br/~cet/facedatabase.html. Agosto 2014.

Open Source Computer Vision. http://opencv.org/. Julio 2014.

R. C. González, R. E. Woods, Digital Image Processing. 3th ed. 2008. Pearson. United States of America. 706-713 pp.

T. Kanugo, D.M. Mount, N.S. Netanyahu, C.D. Piatko, R. Silverman, A.Y. Wu, “An Efficient K-Means Clustering Algorithm: Analysis and Implementation”. IEEE

Trans. on Pattern Analysis and Machine Intelligence. Vol. 24. No. 7. 2002. 881-892 pp.

R. C. González, R. E. Woods, Digital Image Processing. 3th ed. 2008. Pearson. United States of America. 162-165, 719-725 pp.

M. Flores Méndez, I. Hernández, G. Rossano, “Estructuración y estandarización de la antropometría facial en función de proporciones”. COSME NEWS. Vol. 6. Mar. 2004. 10-14 pp.

O. Celiktutan, S. Ulukaya, B. Sankur, “A Comparative Study of Face Landmarking Techniques”. EURASIP Journal on Image and Video Processing. 2013. 27 pp.


Enlaces refback

  • No hay ningún enlace refback.




URL de la licencia: https://creativecommons.org/licenses/by/3.0/deed.es

Licencia Creative Commons    Esta revista está bajo una Licencia Creative Commons Atribución 3.0 No portada.