La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

Riconoscimento di Facce Studentessa: Piera Salvatore Docente: Fiora Pirri Progetto di Visione e Percezione Parte I Anno Accademico 2007/2008.

Presentazioni simili


Presentazione sul tema: "Riconoscimento di Facce Studentessa: Piera Salvatore Docente: Fiora Pirri Progetto di Visione e Percezione Parte I Anno Accademico 2007/2008."— Transcript della presentazione:

1 Riconoscimento di Facce Studentessa: Piera Salvatore Docente: Fiora Pirri Progetto di Visione e Percezione Parte I Anno Accademico 2007/2008

2 METODO Il metodo di riconoscimento utilizzato è quello proposto da Viola & Jones. Tre contributi chiave sono alla base del progetto: Immagini Integrali Algoritmo di apprendimento AdaBoost Cascata di classificatori

3 Lanalisi dellimmagine viene eseguita utilizzando un set ristretto di featuresHaar-Like in grado di codificare ad-hoc il dominio della conoscenza: Features Tipo 0 Tipo 1 Tipo 2 Tipo 3 Tipo 4

4 Classificatori Tra le tantissime features a disposizione, il compito di selezionare quelle che genererebbero un errore minore, è affidato allalgoritmo AdaBoost che al termine dellelelaborazione ci fornisce il classificatore robusto, costituito dai diversi classificatori deboli scelti.

5 Ottimizzare la ricerca indirizzandola verso quelle che si possono definire le regioni più promettenti, è lo scopo dellutilizzo di una cascata di classificatori. Idea base: Le regioni dove occorrono facce si possono individuare molto facilmente ed il parametro di valutazione è il numero di falsi positivi, cioè il numero di sottofinestre identificate come potenziali facce. Cascata di classificatori Struttura della cascata

6 Lalgoritmo AdaBoost non si preoccupa di ottenere un elevato tasso di riconoscimento e per ottenere anche questa prestazione sono state effettuate le seguenti modifiche: Il valore della soglia è stato modificato adattatamente per ottenere un tasso di riconoscimento accettabile Il valore della soglia è stato modificato adattatamente per ottenere un tasso di riconoscimento accettabile Il numero delle iterazioni non è definito a priori ma ad ogni iterazione lalgoritmo decide se è necessaria una nuova iterazione oppure no Il numero delle iterazioni non è definito a priori ma ad ogni iterazione lalgoritmo decide se è necessaria una nuova iterazione oppure no

7 RISULTATI La fase di addestramento dellalgoritmo AdaBoost è durata più di due settimane e si sono ottenuti 4 livelli della cascata. Una delle prime caratteristiche selezionata come classificatore è quella che si concentra sulla proprietà che la regione degli occhi è spesso più scura della regione della fronte.

8 La fase di test è stata eseguita su un campione di 10 immagini contenenti gruppi di persone. Per ognuna di esse sono stati memorizzati i centri dei volti allinterno di una struttura. Le regioni di interesse (ROI) clacolate dal detector sono state valutate come successi o insuccessi attraverso la stima della distanza euclidea tra i centri dei volti e quelli delle ROI La figura mostra una parte delle ROI ottenute dal detector e tra di esse è possibile notare come alcune riescono ad individualizzare meglio il volto mentre altre si allontanano troppo dal centro.

9 La seguente curva ROC mostra le effettive prestazioni dellapplicazione: Detection rate False positive rate


Scaricare ppt "Riconoscimento di Facce Studentessa: Piera Salvatore Docente: Fiora Pirri Progetto di Visione e Percezione Parte I Anno Accademico 2007/2008."

Presentazioni simili


Annunci Google