“Riconoscimento di Facce”

Presentazione sul tema: "“Riconoscimento di Facce”"— Transcript della presentazione:

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

2 Tre contributi chiave sono alla base del progetto:
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 Features L’analisi dell’immagine viene eseguita utilizzando un set ristretto di features“Haar-Like” in grado di codificare ad-hoc il dominio della conoscenza: Tipo 0 Tipo 2 Tipo 4 Tipo 3 Tipo 1

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

5 Cascata di classificatori
Ottimizzare la ricerca indirizzandola verso quelle che si possono definire le regioni più promettenti, è lo scopo dell’utilizzo 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. Struttura della cascata

6 L’algoritmo 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 numero delle iterazioni non è definito a priori ma ad ogni iterazione l’algoritmo decide se è necessaria una nuova iterazione oppure no

7 RISULTATI La fase di addestramento dell’algoritmo 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 all’interno 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 dell’applicazione:
Detection rate False positive rate