1 INTRODUCCIÓN
El
objetivo de un sistema de estimación de edad es determinar la edad específica o
el rango de edad de una persona, basándose solamente en la imagen digital del
rostro.
Las
personas tienen la habilidad de determinar edades con alta precisión, el cómo
realizan este proceso ha sido estudiado desde diferentes áreas, entre ellas,
desde el campo de la psicología [1], lo que conlleva a plantear métodos para la
estimación de edad de forma automática.
La
estimación de edad de forma automática tiene numerosas aplicaciones como el
control de seguridad: como por ejemplo, las máquinas expendedoras de alcohol y
cigarrillos (en algunos países), analiza el rostro del comprador y niega la
venta a menores de edad. También puede ser utilizado para bloquear el acceso a
sitios web inapropiados. Utilizando la Interacción humano-computadora donde el
sistema ajusta el contenido, y visualiza únicamente productos al usuario en
función de su edad. Otro ejemplo, en la aplicación de la ley. En los sistemas
automáticos de edad pueden ayudar a determinar a sospechosos potenciales de
manera eficiente y precisa, filtrando la base de datos y utilizando la edad
estimada de la imagen de entrada. También, en la búsqueda de niños perdidos, al
predecir la apariencia de un niño a partir de imágenes de fotografías
anteriores [2].
Cabe
destacar, aún con diversas propuestas presentadas a lo largo de estos años
hasta la fecha no existe un método establecido para la estimación de edad, que
este basada solamente en imágenes digitales, y que utilizando las
características discriminantes y reduciendo a su vez, la influencia negativa de
las diferencias individuales.
Los
cambios con la edad son inevitables y muy variables, por lo tanto, se presentan
una serie de factores que se deben de considerar [3]:
·
Diversidad
en las variaciones con la edad: los cambios físicos con la edad se dan de
diversas maneras.
·
Dependencia
de factores externos: la variación con la edad puede verse afectada por
factores externos como la salud, condiciones de vida y la exposición a
condiciones climáticas extremas.
·
Colección
de datos de entrenamiento. Dado que el proceso de envejecimiento es lento, la
obtención de secuencias de imágenes de una persona a diferentes edades resulta
laborioso y difícil.
Entre
los métodos para estimación de edad, se encuentra, el método basado en modelos
antropométricos, el cual se basa en la teoría del crecimiento craneofacial y
antropometría facial. Basándose en la evaluación antropométrica facial se
hallan distancias o proporciones entre puntos fiduciales (puntos
característicos de referencia o landmark), los cuales corresponden a
características visibles o palpables del complejo facial, considerando que se
trabaja sobre las imágenes digitales, estas características corresponden a los
tejidos blandos.
Farkas,
en su libro, Anthropometry of the face
and head [4], describe un conjunto de puntos fiduciales ampliamente
utilizado para la caracterización del rostro humano, comúnmente utilizado como
referencia para la evaluación antropométrica y algunos otros trabajos
relacionados con la ubicación de puntos característicos en el rostro.
El
objetivo principal de este trabajo de investigación, es
desarrollar una aproximación de un algoritmo que permita estimar la edad de un
rostro de forma automática, capaz de manejar imágenes en condiciones no ideales
(pose del rostro, tamaño de imagen, calidad, entre otras), basándose en un
modelo antropométrico. Este trabajo se divide de la siguiente manera.
En la sección 2, se menciona el trabajo relacionado con respecto a las medidas
antropométricas. En la sección 3, se da la propuesta de análisis de rostros y
clasificación de edad usando antropometría facial. En la sección 4, se
realizaron los resultados considerandos dos rangos de edad y diferentes
clasificadores, y por último en la sección 5 se presentan las conclusiones.
2 TRABAJO
RELACIONADO
ASM (Active Shape Model o Modelos de Forma
Activa) propuesto en 1995 por Cootes y Taylor [5], es una de las técnicas
deformable más utilizada en la segmentación de imágenes. La idea consiste en
deformar una figura para encontrar formas de una imagen. Éste término apareció
en 1988 en el trabajo realizado por Terzopoulos y colaboradores, sin embargo la
idea original surgió mucho antes con el trabajo de Fisher y Elschlager, los Spring-loaded templates y la técnica de Rubber mask de Widrow [6, 7]. Se ha
aplicado en detección de movimiento, reconocimiento de patrones y en
segmentación de imágenes, principalmente en el área médica.
Stephen Milborrow [8], implementó el algoritmo
STASM, modificaciones al algoritmo original ASM, entre las que destacan las
siguientes: el modelo descriptor, el uso de descriptores Histogram Array
Transforms(HAT), en lugar de descriptores de gradiente
unidimensionales; uso de Multivariate Adaptive Regression Splines(MARS) para medir el ajuste entre el descriptor y el landmark a diferencia de ASM clásico,
donde se emplea la distancia de Mahalanobis; en el modelo de forma. La forma
inicial se alinea al triángulo formado por ojos y boca detectados en la forma
promedio. A diferencia del ASM clásico, donde la forma inicial se alinea la
forma promedio al rectángulo detector de rostro. Además, se añade la búsqueda
multi-resolución con la creación de pirámides de nivel, en donde cada nivel de
la imagen tiene diferente escala.
A continuación se explica la propuesta,
considerando las partes de la propuesta y los clasificadores con sus
respectivos algoritmos.
3 PROPUESTA
En este
trabajo, se propone un procedimiento que permita analizar un rostro y lo
clasifique en su respectivo rango de edad, basándose en estudios de
antropometría facial. Esto ayuda a especificar que los puntos fiduciales y las
distancias antropométricas, representan indicadores de edad en las imágenes
digitales. Por otra parte, en teorías de crecimiento craneofacial para
determinar los rangos de edad, cada uno, presentan índices de crecimiento en
común. Dado que se propone un procedimiento automático, la detección de puntos
fiduciales también debe ser automática, para ello se estudian los algoritmos
existentes. La precisión en el cálculo de distancias entre puntos fiduciales es
un factor importante en la clasificación, por lo cual, lo ideal es tener
imágenes de frente y sin expresión facial. Sin embargo, dadas las finalidades
del proyecto, se propone un pre-procesamiento para trabajar con imágenes con
ligeras rotaciones y disminuir la influencia del tamaño del rostro en la imagen
y la resolución, y no afectar las proporciones originales del rostro y así,
propiciar un mejor resultado en la clasificación. Se considera la metodología
utilizada en el reconocimiento de patrones (RP), como en la Fig. 1.
Figura 1 Diagrama general del clasificador de edad en RP y propuesta.
Siguiendo
el esquema de reconocimiento de patrones de la Fig. 1, el procedimiento
propuesto se divide en 4 partes:
1.
Adquisición
de datos: Se obtienen las coordenadas 
de los puntos fiduciales especificados con el
algoritmo ASM, utilizando la implementación de código abierto stasm.
2.
Pre-procesamiento:
Con la finalidad de obtener mejores resultados, se proponen procedimientos de
escala y rotación.
3.
Extracción
de características: En esta etapa se calculan los parámetros antropométricos
seleccionados. Se especifican los conjuntos de distancias e índices
involucrados.
4.
Clasificación
basada en características: Se utiliza diferentes clasificadores para determinar
la edad de los rostros
Una
vez que se conocen los requerimientos necesarios se plantea, el siguiente
diagrama como propuesta para el clasificador de edad que se muestra
en la Figura 2. En las siguientes secciones de la 3.1 a la 3.4 se describe cada
parte de la propuesta para describir el funcionamiento.
Figura 2 Diagrama del clasificador de edad.
3.1 Detección de
puntos fiduciales. ASM
En la
primer parte del diagrama de la Fig. 2, está la detección de puntos fiduciales
mediante el uso de Active Shape Model
(ASM). La idea fundamental es crear un modelo estadístico que capture la
variabilidad de un conjunto de imágenes de entrenamiento, proporcionando
restricciones que permitan limitar las deformaciones posibles al modelo y
generar formas válidas. ASM consiste en dos sub-modelos [9]:
1.
Modelo
descriptor. Son utilizados para capturar las variaciones, observadas para cada landmark o punto fiducial. Este
submodelo se construye en la etapa de entrenamiento, en la cual se describen
lasáreas que rodean a cada punto fiducial, esto en términos de niveles de
intensidad. Durante la búsqueda, se analizan áreas alrededor del punto fiducial
propuesto y se modifica la posición de éstos, hacia la zona que mejor se ajuste
el modelo construido. Este proceso aplicado sobre todos los landmarks, genera nuevas posiciones para
los landmarks, conocido como forma
sugerida (suggested shape).
2.
Modelo
de forma (Shape Model, Modelo de Distribución de Puntos). Se define las formas
permitidas (conformada por los puntos fiduciales o landmarks), construida en la etapa de entrenamiento, se modela la
forma de un objeto y sus variantes. Durante la búsqueda, el modelo de forma,
ajusta la forma sugerida por el modelo descriptor para evaluar la validez de la
forma generada.
Para
la detección de los puntos fiduciales se emplean las bibliotecas STASM. Se
obtienen las coordenadas (x, y) de
los puntos fiduciales, por defecto. Se localizan 77 puntos, que puede ser
modificado a 68 o 17, y también da la
opción de entrenar el algoritmo para el número de puntos y objeto deseado [10].
3.2 ROTACIÓN
Y ESCALA
En la
segunda parte del diagrama de la Fi. 2, está la rotación y escala, después de
la detección de puntos fiduciales con ASM, es necesario aplicar ciertos
procedimientos para obtener un mejor resultado en la clasificación y evitar
así, que influyan aspectos como diferencias en la resolución y la pose del
rostro. Es importante destacar que las operaciones de rotación y escala se
aplican sólo a las coordenadas (x, y) correspondientes a los puntos
fiduciales.
a. Rotación.
Se
calcula el ángulo (theta) entre los puntos Exocanthion izquierdo y Exocanthion
derecho, para rotar los puntos fiduciales obtenidos con ASM, de forma que las
esquinas externas de los ojos queden en línea recta, ver Fig. 3. Se aplica la
siguiente matriz de rotación de la Ecuación
1, esta fórmula es utilizada en el proceso de utilizar el modelo ASM [11]:
|
|
(1) |
Donde i’,
j’ son las coordenadas (x,y)
de los puntos fiduciales.
a) b)
Figura
3
Rotación de puntos fiduciales. a) Imagen original. b) Imagen
al aplicar rotación.
b. Escala.
La
variable resolución de imágenes puede influir al categorizar a un elemento en
la base de datos de un grupo de edad. Por ejemplo, si se calculan las
distancias entre puntos fiduciales manteniendo las dimensiones originales, en
promedio, las distancias de los rostros adultos serán superiores al de los
menores de edad, sin embargo, si tenemos la imagen de un adulto, aunque con
baja resolución, es decir, 123x123
píxeles, entonces será categorizado como menor de edad, de la misma manera, un
menor de edad con resolución superior al promedio, 1500x1500 píxeles por ejemplo, será clasificado como mayor de edad.
Es
por ello, que se propone un método para escalar el conjunto de imágenes a un
tamaño uniforme, de tal forma que no se distorsione la forma original y mantenga
las proporciones originales en cuanto a su altura y a su anchura.
Para
realizar este proceso, se recurre al concepto de aspect ratio o relación de aspecto.Se define como un atributo que
describe la relación proporcional entre el ancho y la altura de una imagen. Por
ejemplo, una relación de aspecto 2:1 significa que la anchura es el doble de la
altura.Para obtener la relación se divide el ancho entre la altura, ver Ecuación 2:
|
|
(2) |
Una vez calculada la relación de
aspecto, se elige el nuevo valor de ancho y alto que se desea y se aplica la Ecuación 3, para obtener los nuevos valores
para una nueva imagen:
|
|
(3) |
Lo anterior se aplica directamente
sobre una imagen de dimensiones establecidas, sin embargo en este caso se debe
aplicar a las coordenadas (x, y) de
los puntos fiduciales. Para ello se obtiene un factor de escala al dividir:
|
|
(4) |
Para obtener las nuevas coordenadas
de puntos fiduciales, se multiplican los valores (x, y) por el factor obtenido, y se comprueba que la relación de
aspecto persista.
a) b)
Figura
4
Gráficas de rostros. a) Dimensiones originales, b) Escala de imagen.
La Figura 4a, corresponde a 3
imágenes de la base de datos FG-NET [12], de acuerdo a las gráficas se podría
deducir que el orden en edades es rojo (6), negro (3) y azul (12), sin embargo
el rostro en color negro corresponde a una edad de 3 años, rojo a 6 años y azul
a un menor de 12 años. Las diferencias se observan en la Fig. 4 y los errores
al calcular las distancias serian consideradas.
En la Figura 4b, se muestran las
gráficas de rostros después de aplicar el procedimiento de escalado en base a
su relación de aspecto, se mantienen las proporciones originales y no hay
distorsión de la imagen original.
3.3 CÁLCULO
DE PARÁMETROS ANTROPOMÉTRICOS
En la
tercera parte del diagrama de la figura 2, está el cálculo de parámetros
antropométricos. En este trabajo se eligieron al menos 12 puntos fiduciales de
los 14 presentados en la tabla 1, con los cuales se evaluaron mínimo 10 parámetros
antropométricos. En la Tabla 1, se definen los puntos fiduciales del rostro que
están relacionados con la edad.
Para
la elección de los parámetros antropométricos a evaluar, se eligen aquellos que
muestran cambios con la edad con respecto a las distancias [13]. Las distancias
a considerar son: altura del segundo tercio del rostro (g-sn glabela-subnasale), altura de la nariz (n-sn), altura de la mandíbula (sn-m
subnasal-mentón) y altura del rostro (tr-m
tragión-mentón).
Por
otra parte, se consideran las distancias que son factores discriminantes, al
realizar la clasificación en grupos de edad o al calcular índices de patrones
de crecimiento. Ahora
se utilizan las distancias de la Tabla 2, y se incluye el índice de aspect ratio o relación de aspecto.
Al
realizar pruebas para la correcta escala de un rostro, se encontró que la
relación de aspecto cambia con la edad, esto concuerda con el crecimiento
craneofacial, pues se observa un incremento de altura del rostro, y la relación
entre alto y ancho del rostro también se modifica [14]. De este conjunto de
parámetros se decidió omitir los correspondientes a altura y anchura de boca,
que influyen por expresiones faciales como sonrisa o sorpresa. Por otra parte
se omitió también la anchura de nariz, ya que después de varias pruebas
realizadas se determinó que no representan un factor determinante en la
clasificación.
Tabla
1 Definición
de los puntos fiduciales seleccionados.
|
Punto fiducial |
Notación |
Definición |
|
Exocanthion |
ex |
Comisura externa del ojo. Punto en el que los
extremos exteriores de los párpados superior e inferior se encuentran. |
|
Endocanthion |
en |
Comisura interna del ojo. Punto en el que los
extremos interiores de los párpados superior e inferior se encuentran. |
|
Nasion |
n |
Intersección de las suturas nasofrontales en el
plano medio. |
|
Cheilion |
ch |
Esquinas exteriores de la boca. |
|
Zygion |
zy |
Punto ubicado en cualquiera de los extremos del
diámetro bizogomático. |
|
Gonion |
go |
Punto lateral en el ángulo mandibular,
identificado por palpación. |
|
Gnathion |
gn |
Punto situado de forma perpendicular a la sínfisis
mandibular. Punto medio entre pogonion
y mentón. |
|
Alare |
al |
Punto lateral en la abertura nasal en un plano transversal.
Punto lateral del ala nasal. |
|
Subnasale |
sn |
La unión donde la base de la columela de la nariz
se encuentra con el labio superior. Punto medio en la unión entre el borde
inferior del tabique nasal y el área de filtrado. |
|
Tragion |
tr |
Es el punto en el plano sagital donde se inicia la
línea de implantación del cabello. |
|
Stomion |
sto |
Punto de la línea media de la fisura labial cuando
los labios se cierran naturalmente, con los dientes cerrados en la posición
natural. |
|
Glabela |
g |
Punto situado en el hueso frontal y que
corresponde al entrecejo. |
|
Labiale superior |
ls |
Punto medio del borde bermellón del labio
superior. |
|
Labiale inferior |
li |
Punto medio del borde bermellón del labio
inferior. |
Tabla 2 Selección
de distancias de parámetros
antropométricos.
|
N. Dist. |
Descripción |
Notación |
|
1 |
Ancho
intercantal |
en-en |
|
2 |
Ancho
entre pupilas |
p-p |
|
3 |
Ancho
de la frente |
ft-ft |
|
4 |
Ancho
binocular |
ex-ex |
|
5 |
Ancho
del rostro |
zy-zy |
|
6 |
Ancho
de la mandíbula |
go-go |
|
7 |
Altura
del rostro |
tr-gn |
|
8 |
Altura
rostro´ |
n-gn |
|
9 |
Altura
tercio superior del rostro |
tr-n |
|
10 |
Altura
gnathion-endocathion |
gn-en |
|
11 |
Altura
gnathion-exocanthion |
gn-ex |
|
12 |
Altura
gnathion- palpebrale |
gn-pi |
En la
Fig. 5, se muestran los puntos fiduciales que se detectan y las distancias antropométricas que
se utilizan.
Figura
5
Puntos fiduciales y distancias.
3.4 CLASIFICACION
EN RANGOS DE EDAD
Obtenidas las
distancias antropométricas, en la cuarta parte del diagrama de la Fig. 2, se
realiza la clasificación bajo dos rangos de edad [15-17]:
1. De 1-15 años. Se considera el
número de imágenes de entrenamiento y el porcentaje de crecimiento en este
rango de edad es alto, debido a los periodos de niñez y adolescencia.
2. De 16-25 años. En este periodo
de edad hay crecimiento, sin embargo no es tan alto como en el rango anterior,
porque las facciones se mantienen en estas edades.
Solo se utilizan
esos dos rangos ya que las edades de 26 a 40 años se observa estabilidad en
cuanto a crecimiento. En mayores de 40 años se dan los primeros signos de
envejecimiento, como el comienzo de pliegue hacia bajo de las esquinas de la
boca y notoriedad en la línea del cabello. En este rango de edad no hay
crecimiento del rostro, algunas proporciones pueden modificarse como
consecuencia de efectos de envejecimiento. Para un rango específico, más alto
que los 40 años, se sugiere complementar con otras técnicas como detección de
arrugas [18].
Para el proceso de clasificación se utilizó Weka y cuatro algoritmos de clasificación corresponden a las tres
categorías: geométrica (que utiliza conceptos geométricos como líneas, planos,
distancias, hiperplanos), probabilística (se interesa en modelar la relación
entre X e Y, donde X es una variable conocida y Y es la variable desconocida)
lógica (basados en reglas). Así que se eligieron: Máquinas de soporte vectorial
(SVM) y Knn de la primera categoría, Naive
Bayes y C4.5 de las siguientes categorías respectivamente. Los algoritmos
de clasificación empleados se describen brevemente a continuación.
a.
Máquinas de
soporte vectorial
Los algoritmos basado en máquinas de soporte
vectorial (SVM), dado un espacio de puntos (datos de entrada que constituye un
vector n-multidimencional) en el que cada uno de ellos pertenece a una
de dos categorías, construye un modelo capaz de predecir si un punto nuevo
(cuya categoría se desconoce) pertenece a una categoría o a la otra.
Las SVM buscan un hiperplano que separe de
forma óptima a los puntos de una clase de la otra. El concepto de separación
óptima constituye la característica fundamental de estos algoritmos, ya que
buscan el hiperplano que tenga la máxima distancia (margen) con los puntos que
estén más cerca de él mismo. De esta forma, los puntos del vector que son
etiquetados con una categoría estarán a un lado del hiperplano y los casos que
se encuentren en la otra categoría estarán al otro lado.
b.
Knn
Este algoritmo asigna un dato nuevo, a la clase que le corresponde,
según tenga k vecinos más
cerca de una clase o de otra. El parámetro k
(número de vecinos) se determina de acuerdo a las condiciones del
problema o experimentación. Para asignar la clase a un dato nuevo, se
calcula la distancia del elemento nuevo a cada uno de los existentes, y se
ordenan dichas distancias de menor a mayor para ir seleccionando la clase a la
que pertenece. Esta clase será, por tanto, la de elementos de mayor frecuencia
con menores distancias al nuevo dato. En Weka
su implementación es Ibk.
c.
Näive Bayes
Un clasificador Bayesiano ingenuo es
un clasificador probabilístico fundamentado en el teorema de
Bayes y la hipótesis. Para calcular a que clase Cipertenece un conjunto de datos E, se utiliza el teorema de Bayes que
permite calcular la probabilidad de obtener cierta clase Ci de los datos E, ver Ecuación
5.
|
|
(5) |
Donde:
P(Ci|E) es la probabilidad posterior que se desea calcular.
P(Ci) es la probabilidad a priori de Ci.
P(E|Ci) es la probabilidad de los datos dada una cierta clase.
P(E) es la probabilidad a priori de los datos.
d.
C4.5
Es un algoritmo usado para generar un árbol de decisión. En Weka la implementación del algoritmo C4.5 es J48. C4.5 es un
algoritmo para construir árboles de decisión desde un grupo de datos de
entrenamiento, utiliza el concepto de entropía de información. En cada nodo del árbol, C4.5 coloca el atributo de los datos, que de
manera más eficaz dividen el conjunto de muestras en subconjuntos de una clase u otra.
4 PRUEBAS
REALIZADAS
Se
realizan experimentos para dos rangos de edad: 1-15, 16-25 esto debido a que en
edades mayores a los 26 años hay una cierta estabilidad de crecimiento en las
dimensiones faciales, mismas que pueden modificarse en edades avanzadas.
Se
utilizó la base de datos FG-Net que contiene 1002 imágenes de 82 personas
diferentes, con rango de edad entre 0 y 69 años, edades entre los 40 años,
existen mayor número de imágenes. Se conjuntan mediante el escaneo de
fotografías, parte de colecciones personales de diferentes personas.
FG-NET
se considera como una base de datos en un ambiente no controlado, pues hay una
variabilidad en la resolución de la imagen, nitidez de la imagen, iluminación y
expresión facial. Se presenta oclusión de rasgos faciales por iluminación,
accesorios (gafas, gorra, sombrero) o vello facial (bigote).
Se
seleccionan de forma manual, las imágenes que contenían un rostro de frente, el
número de imágenes por rango de edad se define en la Tabla 3.
Tabla
3
Número de imágenes para cada rango de edad. Base de datos FG-NET.
|
Grupos de edad |
Imágenes |
|
1-15 |
365 |
|
16-25 |
165 |
|
Total |
530 |
En la
Tabla 4, se muestran los valores promedios y desviación estándar
correspondiente de algunos parámetros antropométricos [19].
Observando
en la tabla 4, existe un aumento de tamaño en ciertos parámetros. Por ejemplo
el parámetro tr-gn, el cual representa la altura total del rostro, aumenta del
primer al segundo grupo. En cuanto a valores de aspect ratio, se nota una disminución entre el primer y segundo
grupo de edad, esto debido a que, en este periodo es donde se dan los mayores
cambios.
Siendo
los tres parámetros Altura gnathion-endocathion,
Altura gnathion-exocanthion y Altura gnathion- palpebraleusados con
frecuencia en el calculo de ratios en el rostro (aspect ratio).
Algunos
otros parámetros antropométricos aumentan de forma muy reducida, ejemplo de
ello es el ancho intercantal, donde el valor medio es relativamente semejante
en los dos rangos de edad.
Tabla
4
Valores promedio y desviación estándar de algunos parámetros antropométricos.
|
2 grupos de edad |
|
|
|
Media
+ Desviación
estándar |
|
Distancia 5. zy-zy |
|
|
1-15 |
196.66
± 3.44 |
|
16-25 |
197.90
± 2.47 |
|
Distancia 1. en-en |
|
|
1-15 |
57.182
± 3.69 |
|
16-25 |
57.018
± 3.28 |
|
Distancia 6. go-go |
|
|
1-15 |
121.90
± 10.49 |
|
16-25 |
124.85
± 9.91 |
|
Distancia
7. tr-gn |
|
|
1-15 |
263.90
± 13.02 |
|
16-25 |
271.96
± 11.89 |
|
Distancia. Aspect ratio |
|
|
1-15 |
0.759
± 0.037 |
|
16-25 |
0.737
± 0.032 |
Uno de los
propósitos de estimar el rango de edad de un rostro a partir de su imagen, es
poder trabajar con imágenes de internet, las cuales son variadas en numerosos
aspectos.
Cabe
mencionar que las imágenes fueron seleccionados de forma aleatoria de la base
de datos original, lo cual indica que los rostros no son precisamente de
frente, además que el número de imágenes por grupo es diferente, para el caso
de edades de 1 a 15 años, se tiene un mayor número de imágenes.
La exactitud es una medida de la matriz de confusión que facilita la
detección de posibles falsos positivos [20]. Una matriz de confusión muestra a detalle las
clasificaciones correctas e incorrectas para cada clase, ver Tabla 5.
Tabla 5Matriz de
confusión.
|
|
Predicted 1 |
Predicted
0 |
|
True 1 |
Tp |
Fp |
|
True 0 |
Fn |
Tn |
Considerando:
Verdaderos positivos (true positive).
Falsos positivos (false positive)
Falsos negativos (false negative)
Verdaderos negativos (true negative)
Se define la
siguiente métrica de evaluación.
Exactitud
(Accuracy): Mide la frecuencia con la
que un clasificador realiza predicciones correctas. Es el radio entre el número
de predicciones correctas y el total de predicciones, es decir, el total de
elementos de prueba. Mientras más cercano sea al valor a 1, la exactitud será
mejor (ver Ecuaciones 8 y 9).
|
|
(8) |
|
|
(9) |
Donde C es el numero de clases cuando se realiza multiclase.
Las imágenes seleccionadas se clasificaronen la plataforma Weka [21] con los algoritmosSVM,Knn (de
1 a 10 vecinos obteniendo mejores resultados con 7), Näive Bayes (nb) y c4.5. Se ejecutaron utilizando
validacióncruzada a n pliegues. En esta técnica de validación cruzada, lo que se hace es dividir el
conjunto de entrenamiento en k subconjuntos, uno de los subconjuntos se usa
como prueba y los otros k-1 como conjuntos deentrenamiento. Esto se realiza n
veces y se extrae la media aritmética de cada una de las divisiones realizadas, para saber la exactitud final del modelo entrenado [22].
Para los experimentos realizados se utilizó validación cruzada a 10
pliegues es decir con nigual a 10 [23]. Los resultados obtenidos son los siguientes:
Tabla
6Validación
cruzada con 10 pliegues en Weka.
|
Número
de Imágenes |
Clasificador |
Exactitud |
|
530 |
SVM |
0.7433 |
|
539 |
Knn (7 vecinos) |
0. 7528 |
|
530 |
NB |
0.7056 |
|
530 |
C4.5 |
0.7169 |
5 CONCLUSIONES
En este trabajo se
realizó la clasificación de un rostro en dos diferentes rangos de edad,
utilizando sólo la imagen digital del rostro. Una de las mayores dificultades
presentadas en los experimentos, fue el de encontrar una base de datos amplia
para fines de estimación de edad, si bien, se utilizó la FG-Net, en su mayoría
contienen más imágenes digitales de un grupo de edad que de otro, lo cual
influye en la clasificación final.
Los
mejores resultados se obtuvieron con el algoritmo de clasificación Knn con 7
vecinos, con un 75% de exactitud, considerando que las imágenes no son
completamente de frente y por lo tanto existen variantes en la distancias
seleccionadas como atributos, sin embargo estás parecen comportarse
satisfactoriamente.
Como trabajo a futuro se propone el conjuntar una base de datos con igual número de imágenes para cada grupo, además de validar de forma automática que los rostros se encuentren en las condiciones adecuadas, pues seleccionar las imágenes de forma manual, dada la percepción del humano al visualizar las imágenes, no siempre es la correcta. Si bien los porcentajes obtenidos en este trabajo son del 75%, se pretende mejorar los procedimientos de obtención de las medidas antropométricas con mucha probabilidad, llegar a resultados más cercanos a 1, en exactitud y hacer factible la aplicación del método propuesto a rostros de imágenes digitales que se encuentran en el Internet, con alta variabilidad.
6 AGRADECIMIENTOS
Agradecemos a la Vicerrectoría de Investigación y Posgrado de la
Benemérita Universidad Autónoma de Puebla por el apoyo brindado para realizar
esta investigación.
7 REFERENCIAS
[1] Rhodes,
M. (1995). Age estimation of faces: A review. Applied
Cognitive Psychology,
23 (1), 1-12.doi: 10.1002/acp.1442.
[2]
Han,
H., Otto, C., Jain, A. K. (2013). Age estimation from face
images: Human vs. machine performance.The 6th IAPR International Conference on Biometrics (ICB), Madrid,
Spain.
[3] Wang,
S., Zhou, C., Sun, M, Chen, H., Liu, X., Peng, X. (2011). Can
estimate age range using’a face person?. Journal
of Computational Information Systems, 7(13), 4586-4593.
[4]
Farkas, L. (1994) Anthropometry
of the head and face. (2da. Ed.) New York: Raven Press.
[5]
Cootes, T. F., Taylor, C. J., Cooper, D. H., Graham,
J. (1995). Active shape models-their training and application. Computer vision and image understanding,
61(1), 38-59. doi:https://doi.org/10.1006/cviu.1995.1004
[6] Mejía-Molina, N.
(2013). Modelos deformables. [versión electrónica] Maestría en Ingeniería de
Sistemas y Computación, Pontificia Universidad Javeriana. Recuperado de:
http://pegasus.javeriana.edu.co/~PI131-05-DefModMedicos/Documentos/MISyC%20TG%20-%20EstadoDelArte%20-%20%20Nadia%20Mejia%20-%202013-05-24.pdf
[7]
Xu, C., Pham, D. L., Prince, J. L. (2000). Image
Segmentation Using Deformable Models. En Fitzpatrick, J. M, Sonka, M (Eds.), Handbook of Medical Imaging, Volume 2:
Medical Image Processing and Analysis (pp. 129-174) SPIE Press.
[8] Milborrow,
S. (2016). Multiview Active Shape Models
with SIFT Descriptors. (Tesis
Doctoral). Faculty of Engineering, University of Cape Town.
[9] Iqtait, M., Mohamad,
F. S, Mamat, M.(2018). Feature
extraction for face recognition via Active Shape Model (ASM) and Active
Appearance Model (AAM). IOP Conf. Series: Materials Science and Engineering, 332 (012032), 1-8. doi:10.1088/1757-899X/332/1/012032.
[10] Milborrow,
S., Nicolls, F. (2014). Active shape models with SIFT descriptors and MARS. Proceedings of theIEEE International
Conference on Computer Vision Theory and Applications (VISAPP), (pp.
380-387). Lisbon,
Portugal.
[11] Wang, N., Gao, X., Tao, D., Yang, H., Li, X.
(2017). Facial feature point detection: A comprehensive survey. Neurocomputing. Journal Neurocomputing, 275 (C), 50-65.
[12] FG-NET
Aging Database, (2002). Homepage.
Computer Vision for Human-Computer Interaction Lab. Recuperado de: http://yanweifu.github.io/FG_NET_data/FGNET.zip
[13] Caple,
J., Stephan, C. N. (2016). A standardized nomenclature for craniofacial and
facial anthropometry. International
Journal of legal medicine,
130 (3), 863-879.
[14] Dooley,
M. (1982). Anthropometric modeling programs-A survey. IEEE
Computer Graphics and Applications, 2, 17-25.
[15] Zhuang,
Z., Landsittel, D., Benson, S., Roberge, R., Shaffer, R. (2010). Facial anthropometric
differences among gender, ethnicity, and age groups. Annals
of occupational hygiene,
54(4), 391-402.
[16] Ramanathan,
N., Chellappa, R. (2006). Modeling age progression in young faces. Proceedings IEEE Computer Society Conference
on Computer Vision and Pattern Recognition, (pp. 387-394), New York, USA.
[17] Jahanbin,
A., Mahdavishahri, N., Baghayeripour, M., Esmaily, H., Eslami, N. (2012),
Evaluation of facial anthropometric parameters in 11-17 year old boys. Journal
of Clinical Pediatric Dentistry, 37 (1), 95-101.
[18] Colmenares-Guillen, L. E., Martínez
Cruz, A. E., Albores Velasco, F. J., Pérez de Celis Herrero, M. C. (2016). Algorithm
approach of a classifier based on aging wrinkle analysis. International
Journal of Innovation and Applied Studies, 18 (1), 1-11.
[19] Otaño Lugo, R., Otaño
Laffitte, G., Fernández Ysla, R., (2009). Crecimiento y Desarrollo
Craneofacial. 1-32. Recuperado de:
http://articulos.sld.cu/ortodoncia/files/2009/12/crec-y-des-preg.pdf
[20] Sokolova,
M., Lapalme, G. (2009). A systematic analysis of performance measures for
classification tasks. Information
Processing & Management, 45(4), 427-437.
[21] Weka 3: Data Mining
Software in Java. Recuperado de: https://www.cs.waikato.ac.nz/ml/weka
[22] Hernández O., Ramírez, Q., Ferri, R. (2004). Introducción a la minería de datos. (1a
ed.). Madrid: Pearson educación.
[23] Zamorano Ruiz, J. Comparativa y
análisis de algoritmos de aprendizaje automático para la predicción del tipo
predominante de cubierta arbórea. (Trabajo Fin Máster). Ingeniería de
Computadores, Facultad de Informática departamento de sistemas informáticos y
Computación. Universidad Complutense de Madrid. Recuperado de: https://eprints.ucm.es/48800/1/Memoria%20TFM%20Machine%20Learning_Juan_Zamorano_para_difundir%20%282%29.pdf