Post on 03-Jan-2016
description
Università degli studi “La Sapienza”CLS Ingegneria Informatica
a.a. 2007/2008
Visione e PercezioneVisione e Percezione
Face RecognitionStudenti:
Andrea Pennisi
Daniele Perrone
Gianpaolo Schepis
Prof.: Fiora Pirri
Tutor: Stefano Marra
Università degli studi “La Sapienza”CLS Ingegneria Informatica
a.a. 2007/2008
Come trovare la pelle?
Lo spazio dei colori cromatici e la luminescenza La normalizzazione della luminescenza
r= R/(R+B+G)
b= B/(R+B+G)
- UN APPROCCIO PROBABILISTICO
Università degli studi “La Sapienza”CLS Ingegneria Informatica
a.a. 2007/2008
Creazione della distribuzione cromatica della pelle umana
Scelta dei campioni di pelle Filtraggio per la riduzione dei disturbi (Filtro passa-basso)
Università degli studi “La Sapienza”CLS Ingegneria Informatica
a.a. 2007/2008
Applicazione della distribuzione cromatica della pelle Modello Probabilistico
Realizzazione dell’approccio probabilistico 1/2
Università degli studi “La Sapienza”CLS Ingegneria Informatica
a.a. 2007/2008
Realizzazione dell’approccio probabilistico 2/2
L’immagine segmentata Scelta del bounding box contenente la faccia
Università degli studi “La Sapienza”CLS Ingegneria Informatica
a.a. 2007/2008
Features Detector
Approccio a 2 livelli: Primo livello restringimento
dell'area di ricerca, vengono restituite 3 possibile aree in cui sono presenti occhi e naso
Estrazione vera e propria delle features di interesse, utilizzando funzione di probabilità sulla posizione delle features.
Secondo Livello
Primo LIvello
Area1 Area3Area2
leftEye rightEye nose
Università degli studi “La Sapienza”CLS Ingegneria Informatica
a.a. 2007/2008
Features Detector
Primo Livello: base PCA per ogni canale RGB di
immagini 40x35 contenenti area occhi naso di un insieme di immagini di training.
Ricerca area di interesse su immagine scalata su 3 fattori di scala.
Università degli studi “La Sapienza”CLS Ingegneria Informatica
a.a. 2007/2008
Features DetectorSecondo livello: base PCA per ogni canale RGB di
immagini 30x30 per occhio sinistro, occhio destro e naso.
Limitazione dell'area di ricerca tramite densità probabilistica sulla posizione delle features, ottenuta tramite maximum-Likelihood su training set.
Scelta per ogni feature punti a probabilità maggiore, dopo aver sommato risultati per ogni canale RGB
Università degli studi “La Sapienza”CLS Ingegneria Informatica
a.a. 2007/2008
Features Detector
Risultati e Test:
70% detection corretti su immagini senza restrizioni.
90% detection corretti su immagini di discreta qualità con posa principalmente centrale.
Curva ROC occhio sinistro
Università degli studi “La Sapienza”CLS Ingegneria Informatica
a.a. 2007/2008
La Normalizzazione delle immagini
Normalizzazione Locale
f(x,y) Immagine Originale m(x,y) media locale relativa a f(x,y) σ(x,y) deviazione standard locale g(x,y) immagine di output
Università degli studi “La Sapienza”CLS Ingegneria Informatica
a.a. 2007/2008
Il Database I nomi delle persone I pesi di: occhio destro, occhio sinistro e naso
Università degli studi “La Sapienza”CLS Ingegneria Informatica
a.a. 2007/2008
Il Riconoscimento 1/2
Distanza Euclidea N-dimensionale (D)
Calcolata per tutte e tre le features: Occhio destro Occhio Sinistro Naso
Università degli studi “La Sapienza”CLS Ingegneria Informatica
a.a. 2007/2008
Il Riconoscimento 2/2
Troviamo la più piccola distanza euclidea per ogni features:
Dx < Dmin
Troviamo l'indice corrispondente che ricorre di più
I risultati
Università degli studi “La Sapienza”CLS Ingegneria Informatica
a.a. 2007/2008
Test orientati al riconoscimento della singola immagine
Percentuale riconoscimento 46%
Problema: Sensibilità alta della PCA