La presentazione è in caricamento. Aspetta per favore

La presentazione è in caricamento. Aspetta per favore

Studenti: Ilaria Fedeli Francesco Rulli Federico Tozzi Tesina del corso di Visione e Percezione Progetto Parte I: Riconoscimento di Facce Obiettivo: data.

Presentazioni simili


Presentazione sul tema: "Studenti: Ilaria Fedeli Francesco Rulli Federico Tozzi Tesina del corso di Visione e Percezione Progetto Parte I: Riconoscimento di Facce Obiettivo: data."— Transcript della presentazione:

1 Studenti: Ilaria Fedeli Francesco Rulli Federico Tozzi Tesina del corso di Visione e Percezione Progetto Parte I: Riconoscimento di Facce Obiettivo: data unimmagine con diverse persone presenti, riconoscere i volti delle persone. Prof.ssa Fiora Pirri Tutor Stefano Marra, Matia Pizzoli Anno Accademico 2007/2008

2 Il Metodo di Viola-Jones Features di Haar Immagine Integrale Classificatore AdaBoostCascata di Classificatori

3 Architettura dell Applicazione (1)

4 Architettura dell Applicazione (2) 1.Limmagine viene introdotta in un modulo di skin-detection. Il risultato è limmagine segmentata in due cluster, in cui i pixel considerati come pelle sono lasciati al loro valore originale mentre i pixel considerati come altro da pelle sono posti a zero. 2.Limmagine clusterizzata entra nel modulo First Detection. Dapprima viene eseguito il cleaning filter sullimmagine ed in seguito viene effettuata una suddivisione dellimmagine in diverse regioni in cui vi sono le possibili facce. 3.Le regioni in uscita dal modulo First Detection vengono immesse nel modulo Second Detection. A questo punto il classificatore AdaBoost viene applicato ad esse per individuare le facce. Infine avviene lultima e definitiva estrazione di facce con leliminazione dei rilevamenti multipli.

5 Scelte Implementative (1) La prima scelta implementativa è stata quella di introdurre il modulo First Detection alluscita del modulo Skin-Detection. Questo perché la Skin- Detection lascia inalterati eventuali effetti di occlusione sullimmagine. Lelaborazione dellimmagine è stata effettuata con lausilio del modulo cleaning filter costituito dalla seguente cascata di filtri: rgb2gray imfill strel medfilt2 imdilate imopen im2bw bwlabel

6 Scelte Implementative (2) output skin-detectionoutput imfill output medfilt2output imdilate

7 Scelte Implementative (3) output imopenoutput im2bw output bwlabeloutput first detection

8 Scelte Implementative (4) Se avessimo applicato lestrazione delle regioni, su cui poi effettuare la Second Detection, direttamente sullimmagine della Skin-Detection avremmo avuto questo risultato, a cui non si sarebbe potuto applicare AdaBoost:

9 Scelte Implementative (5) Altre scelte implementative sono state: 1.Lestrazione delle features è stata suddivisa in due modalità: quella riguardante la fase di training e quella relativa alla vera e propria detection. Infatti nella fase di training abbiamo avuto bisogno di calcolare tutti e quattro i possibili tipi di features mentre nella fase di detection è sufficiente estrarre solo le features che compongono il classificatore forte. 2.Il nostro classificatore forte è stato rappresentato con una struttura denominata adaboost_train. Essa contiene tre campi: weak_learners; acc; alphas. 3.Abbiamo implementato il generico weak learner come un percettrone e abbiamo calcolato la soglia come risultato dellalgoritmo di apprendimento del percettrone di Rosenblatt. 4.Allinterno di una regione, per individuare le possibili facce presenti, effettuiamo uno scanning della regione stessa mediante una finestrella di scala e posizione differenti fino a coprire lintera regione.

10 Implementazione del sistema Software matlabAlbero delle chiamate A - GUI DI AVVIO B – SKIN DETECTION C – FIRST DETECTION D – SECOND DETECTION Face_Detection.m Detections.m faces_firstExtraction.m faces_secondExtraction.m find_faces.m delete_multiple_detections.m for i=1:regioni trovate skin_detection.m

11 Integrazione della Detenzione Multipla Inizialmente dato che attraverso la Skin-Detection riuscivamo ad isolare le persone abbiamo scelto una tecnica di integrazione dei rilevamenti multipli elementare: veniva selezionato il riquadro più grande. Tale metodo risulta essere affetto da due criticità: non riesce a considerare più facce allinterno di una regione e non elimina i falsi positivi. Per ovviare a ciò abbiamo scelto la seguente tecnica di integrazione dei rilevamenti multipli: tutti i riquadri allinterno di una regione sono stati clusterizzati. La clusterizzazione è stata effettuata mediante una misura di distanza. Due riquadri sono accorpati nello stesso cluster se la distanza tra i due punti, appartenenti ai due riquadri, in alto a sinistra è minore di una certa soglia. In seguito per ciascun cluster viene selezionato il riquadro più grande. Inoltre se un cluster è formato da un solo elemento, ovvero riquadro, questo viene considerato come un falso positivo e quindi scartato.

12 I passaggi del nostro sistema

13 Risultati (1) Durante lo sviluppo del progetto sono stati addestrati diversi classificatori forti, ognuno caratterizzato da un certo numero di features, weak learner e immagini test. Per valutare le perfomance dei nostri classificatori abbiamo adottato, come misura derrore, laccuratezza di seguito così definita: dove N è il numero di esempi positivi e negativi, x i è li-esimo esempio, y i è letichetta delli-esimo esempio, H è il risultato del classificatore forte.

14 Risultati (2) Di seguito le curve test dellaccuracy e dei quattro classificatori addestrati: strong classifier con 10 iterazioni, weak learners, 9000 features e 200 immagini strong classifier con 40 iterazioni, weak learners, 9000 features e 600 immagini strong classifier con 60 iterazioni, weak learners, 9000 features e 2000 immagini strong classifier con 80 iterazioni, weak learners, 9000 features e 3000 immagini

15 Risultati (3) Di seguito il grafico dei parametri alpha in funzione delle features selezionate ad ogni passo, e il grafico dellerrore di classificazione di ciascuna features:

16 Risultati Positivi (1)

17 Risultati Positivi (2)

18 Risultati positivi (3)

19 Risultati positivi (4)

20 Risultati negativi (1)

21 Risultati negativi (2)

22 Riferimenti [1] Paul Viola e Michael J. Jones, Robust Real-Time Face Detection. [2] per adaboost sono state riprese e modificate le funzioni sul sito [3] per la skin detection è stata ripresa l implementazione sul sito Maurizio Conventi, Mauro Manzo, Simone Antonio Gaetani. [4] per la costruzione del cleaning filter ci siamo ispirati al sito e a Roberto Aloi, Face Detection Techniques based on k-means clustering and image filtering. [5] Julien Meynet, Fast Face Detection Using AdaBoost.


Scaricare ppt "Studenti: Ilaria Fedeli Francesco Rulli Federico Tozzi Tesina del corso di Visione e Percezione Progetto Parte I: Riconoscimento di Facce Obiettivo: data."

Presentazioni simili


Annunci Google