Università degli studi La Sapienza CLS Ingegneria Informatica a.a. 2007/2008 Visione e Percezione Face Recognition Studenti: 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 dellapproccio probabilistico 1/2

Università degli studi La Sapienza CLS Ingegneria Informatica a.a. 2007/2008 Realizzazione dellapproccio probabilistico 2/2 Limmagine 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 Area3 Area2 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 Detector Secondo 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