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