Università degli studi La Sapienza CLS Ingegneria Informatica a.a. 2007/2008 Visione e Percezione Face Recognition Studenti: Andrea Pennisi Daniele Perrone.

Presentazione sul tema: "Università degli studi La Sapienza CLS Ingegneria Informatica a.a. 2007/2008 Visione e Percezione Face Recognition Studenti: Andrea Pennisi Daniele Perrone."— Transcript della presentazione:

1 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

2 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

3 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)

4 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

5 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

6 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

7 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.

8 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

9 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

10 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

11 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

12 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

13 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

14 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