A apresentação está carregando. Por favor, espere

A apresentação está carregando. Por favor, espere

Comparação de algoritmos de reconhecimento de faces em multidões Anderson Rocha Tavares Eloizio César Drummond Salgado Universidade Federal de Minas Gerais.

Apresentações semelhantes


Apresentação em tema: "Comparação de algoritmos de reconhecimento de faces em multidões Anderson Rocha Tavares Eloizio César Drummond Salgado Universidade Federal de Minas Gerais."— Transcrição da apresentação:

1 Comparação de algoritmos de reconhecimento de faces em multidões Anderson Rocha Tavares Eloizio César Drummond Salgado Universidade Federal de Minas Gerais Departamento de Ciência da Computação Visão Computacional

2 Sumário O problema Motivação Revisão bibliográfica Metodologia Resultados Conclusão

3 O problema Reconhecimento de faces em imagens que possuem diversas faces. Enunciado do problema: o Opção 1: Dada uma imagem de uma única face, encontre em uma multidão esta face. o Opção 2: Dada a imagem de uma multidão, reconheça as faces presentes no banco de dados da aplicacão.

4 Motivação Identificação de criminosos, terroristas, mafiosos, baderneiros, etc em lugares públicos como Estações de Trem, Aeroportos, Feiras, Estádios. Pode ajudar a prevenir crimes contra a vida em escala catastrófica como o "11/09". Motivação principal: Segurança!

5 É um problema simples? Há dificuldades com: o Pose o Qualidade da imagem o Oclusão o Disfarces o Desempenho

6 Revisão Bibliográfica Detecção de Faces o VIOLA, Paul; JONES, Michael o Robust Real-Time Face Detection (1ª Versão) o Fast Multi-view Face Detection (2ª Versão) Considerado o estado-da-arte em detecção Detecta faces com rotação dentro e fora do plano de imagem Mantém o bom desempenho da primeira versão 0,12 segundos para uma imagem 320x240 em um P4 2.8 GHz

7 Revisão Bibliográfica Reconhecimento de Face o Há muitas técnicas... Características faciais (olhos, nariz, boca) Brunelli, R.; Poggio, T.; Trento, I Povo. Face recognition through geometrical features Template Matching Análise da Textura da pele Principal Component Analysis - Eigenfaces SIROVICH, L.; KIRBY, M.; Low-dimensional Procedure for the characterization of human faces.1987 M. Turk, A. Pentland, Eigenfaces for Recognition (+ citado) ¹ ATALAY, Ilker; Face recognition using eigenfaces 1) Face Recognition Homepage - Interesting Papers 2)

8 Revisão Bibliográfica Reconhecimento de Faces - Imagens Estáticas o Há muitas técnicas... Reconhecimento Tridimensional Cartoux, J. Y., J. T. LaPreste, and M. Richetin: 1989, Face authentication or recognition by profile extraction from range images Bronstein, A. M.; Bronstein, M. M., Kimmel, R. Three-dimensional face recognition Identificou corretamente 2 gêmeos idênticos (autores) Queirolo, C. C.; Silva, L.; Bellon, O. R.;Segundo, M. P. 3D Face Recognition using Simulated Annealing and the Surface Interpenetration Measure Precisão de identificação maior que 98%.

9 Revisão Bibliográfica Reconhecimento de Faces em Multidões: o Ausência de documentos/artigos específicos sobre o assunto: o No entanto, alguns sistemas conhecidos: FaceIt from Visionics Can find human faces anywhere in a field of view. It can track up to 10 faces simultaneously in a live video. It can follow that face as it moves through a crowd while also searching for matches against a database at a rate of 60 million/minute, per central processing unit (CPU). FaceVACS-Alert. Alert.20.0.htmlhttp://www.cognitec-systems.de/FaceVACS- Alert.20.0.html Real time face tracking on multiple video streams Real time probe face comparison against "watch list" Real time alarm notification and recordind Biometric Systems, Inc. providing advanced identity solutions to the Casino Industry

10 Metodologia

11 Testes Informações gerais dos testes de reconhecimento: o Máquina: Processador: Intel Core Duo T GHz 2MB L2 Memória: 2.5 GB de RAM o Imagens testadas: Total: 120 imagens Formato:.pgm (Portable Graymap) Exemplos:

12 Algoritmos testados - Segmentação LuxandSDK¹ o Detecção de faces frontais: Detecção de múltiplas faces Rotação de 30º no plano e fora dele Tempo de detecção: 0,01 a 0,7 seg Em um Pentium IV 2,4 GHz 1 GB RAM 1) Luxand - Detect Human Faces and Recognize Facial Features - o Detecção de características: 40 pontos ( olhos, sobrancelhas, boca, nariz e contorno da face ) Rotação suportada: 30º no plano, 10º fora Tempo: 0,65 segundos (Pentium IV 2,4 GHZ 1GB RAM)

13 Algoritmos testados - Reconhecimento Principal Component Analysis (PCA)¹ o Forma vetores de características (feature vectors) concatenando valores de pixels da imagem o Inicialmente são gerados muitos valores altamente correlacionados o PCA chega a um subespaço pequeno sem covariância entre os feature vectors transformados (os componentes principais). o A matriz de covariância é sempre diagonal Isso é explorado para alguns classificadores, como L1, MahCosine e Bayesianos, por exemplo. 1 - M. A. Turk and A. P. Pentland. Face Recognition Using Eigenfaces. In Proc. of IEEE Conference on Computer Vision and Pattern Recognition, pages 586 – 591, June 1991.

14 Algoritmos testados - Reconhecimento PCA - Métricas de Classificação o Euclideana: o Mahalanobis Distance Imagem é convertida para o espaço de Mahalanobis A variância da amostra ao longo de cada dimensão é unitária, contra 0 dos feature vectors Transformação é feita pela divisão dos componentes do vetor pelos seus respectivos desvios-padrão. Transformação: MahCosine: (covariância entre as imagens no espaço de Mahalanobis)

15 Algoritmos testados - Reconhecimento Bayesian Intra/Extra personal Classifier (BIC)¹ o Examina o resultado da diferença entre imagens o As imagens-diferença são originadas de distribuições Gaussianas dentro do espaço de todas as imagens-diferença o O treinamento é feito através de PCA, determinando as propriedades estatísticas de 2 subespaços Imagens-diferença da classe Intrapessoal Imagens-diferença da classe Extrapessoal o Na fase de teste, o classificador recebe uma imagem de classe desconhecida e usa as estimativas das distribuições de probabilidade para identificação. Na prática: os feature vectors são projetados nos dois conjuntos, e a probabilidade dele pertencer a cada subespaço é calculada. 1 - B. Moghaddam, C. Nastar, and A. Pentland. A bayesian similarity measure for direct image matching. ICPR, B:350–358, 1996.

16 Algoritmos testados - Reconhecimento BIC - Métricas de Classificação Os feature vectors são projetados nos dois conjuntos, e a probabilidade dele pertencer a cada subespaço é calculada. o MAP - Maximum a posteriori Métrica gerada em relação ao conjunto de imagens intra e extrapessoais. o ML - Maximum likehood Gerada em relação apenas ao conjunto de imagens intrapessoais.

17 Resultados Segmentação: o LuxandSDK Teste de Eficácia Tempo de execução Reconhecimento: o Comparação: BIC x PCA o Base da comparação: Matriz de Distância: Segundo menor valor Desempenho: Tempo de execução

18 Resultados - LuxandSDK Tempo de execução: Média = 16,89 s / Desvio Padrão = 0,95

19 Resultados - LuxandSDK Tempo de execução: Média = 35,41 s / Desvio Padrão = 0,38

20 Resultados - LuxandSDK Tempo de execução: Média = 14,66 s / Desvio Padrão = 0,02 X

21 Resultados - LuxandSDK - Resumo

22 Eficácia: Fotos frontais: 100% / Fotos reais: 65,76% 2 Detecções 'duplas' Tempo Médio de detecção por face = 0,69 s o Desvio Padrão = 0,02

23 Resultados - Algoritmo BIC Primeiro Resultado Imagem 0 Imagem 33

24 Resultados - Algoritmo BIC Segundo Resultado Imagem 0 Imagem 32

25 Resultados - Algoritmo BIC Terceiro Resultado Imagem 48 Imagem 49

26 Resultados - Algoritmo BIC Quarto Resultado Imagem 48 Imagem 49

27 Resultados - Algoritmo BIC Quinto Resultado Imagem 119 Imagem 118

28 Resultados - Algoritmo BIC Sexto Resultado Imagem 119 Imagem 118

29 Resultados - Algoritmo PCA Primeiro Resultado Imagem 0 Imagem 22

30 Resultados - Algoritmo PCA Segundo Resultado Imagem 0 Imagem 8

31 Resultados - Algoritmo PCA Terceiro Resultado Imagem 48 Imagem 61

32 Resultados - Algoritmo PCA Quarto Resultado Imagem 48 Imagem 52

33 Resultados - Algoritmo PCA Quinto Resultado Imagem 119 Imagem 117

34 Resultados - Algoritmo PCA Sexto Resultado Imagem 119 Imagem 95

35 Resultados - Algoritmos Resumo dos Resultados o Tempo de Execução:

36 Resultados - Algoritmos Resumo dos Resultados o Número de Acertos (Amostragem de 10%):

37 Resultados - Algoritmos Resultado geral da aplicação (Users Guide¹). o Imagens: Banco de Dados FERET² 1-http://www.cs.colostate.edu/evalfacerec/algorithms/version5/faceIdUsersGuide.pdf 2-

38 Conclusão Detecção - LuxandSDK o Boa detecção em fotos frontais o Lida bem com rotação no plano de imagem o Dificuldades com rotação para fora do plano o Dificuldades com oclusão, faces pequenas, cenas reais o Tempo de detecção consistente com o divulgado Mas é alto Uso inviável para aplicações de tempo real

39 Conclusão Reconhecimento - BIC: o Pontos positivos: Bom Reconhecimento = ideal para o propósito! o Pontos negativos: Alto tempo de execução e processamento: Para reconhecimento de faces em multidões: muitas faces = muita segmentação e processamento em alguns casos há necessidade de reconhecimento em tempo real. Ruim para reconhecer faces em imagens iguais. Grande dependência de um banco de dados consistente.

40 Conclusão Reconhecimento - PCA: o Pontos Positivos: Bom para identificar faces de imagens idênticas Rápida Execução. o Pontos Negativos: Não identifica faces em imagens com variações: Requisito básico para identificação de faces em multidões

41 Conclusão Comentários Finais: o Abordagem adotada mostrou-se lenta Tanto na segmentação quanto no reconhecimento o Várias melhorias possíveis Eficácia: Mudança do segmentador (Viola-Jones?) Implementação de reconhecedor mais sofisticado Eficiência: Melhor integração com reconhecedor Uso de reconhecedor mais rápido

42 Conclusão Comentários Finais: o Para reconhecimento de faces em multidões é necessário: o Boa segmentação de faces: A qualidade da imagem de entrada é muito importante para o reconhecedor. o Banco de dados de qualidade: Imagens com variações de iluminação e resolução, oclusão de partes faciais, etc. o Necessidade de rápido reconhecimento. o Baixo número de falsos positivos!

43 Dúvidas? ? ? ?

44 FIM Obrigado!


Carregar ppt "Comparação de algoritmos de reconhecimento de faces em multidões Anderson Rocha Tavares Eloizio César Drummond Salgado Universidade Federal de Minas Gerais."

Apresentações semelhantes


Anúncios Google