Pobieranie prezentacji. Proszę czekać

Pobieranie prezentacji. Proszę czekać

Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Ulepszenia metody Eigenfaces.

Podobne prezentacje


Prezentacja na temat: "Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Ulepszenia metody Eigenfaces."— Zapis prezentacji:

1 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Ulepszenia metody Eigenfaces

2 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Plan wykładu Eigenfaces – główne wady Wykorzystanie topografii twarzy Linear Discriminant Analysis Fisherfaces Bayesian Matching

3 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Główne wady Eigenfaces Brak rozróżnienia pomiędzy cechami intra- i ekstra-personalnymi Większość różnic pomiędzy obrazami twarzy jest spowodowana zmiennymi warunkami oświetleniowymi (Y.Moses, 1994) różnice mimiki Twarz traktowana jako wektor utrata informacji 2D Podejście holistyczne twarz jako niepodzielna całość

4 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Topografia twarzy Cechy intra- i ekstra-personalne oczy i nos usta i policzki Charakter cech, a ich lokalizacja Maska – modyfikacja ekstrakcji cech

5 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Maska T Sztuczna maska na nos i oczy Wartości 0 i 1 Poprawa wyników: FeretA: 813 -> 834 (3,6%) wyniki dla czystego EF

6 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Maska różnicowa Zbiory par obrazów: intra-personalne extra-personalne Uśrednienie różnic obydwu klas par: średnia różnica intra-personalna średnia różnica extra-personalna Maska – różnica średniej różnicy ekstra-personalnej i intra-personalnej

7 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Maska dynamiczna Tworzona osobno dla każdego obrazu Wykorzystanie projekcji wstecznej: projekcja pojedynczych pikseli wartość maski odwrotnie proporcjonalna do błędu projekcji Zmniejszenie wpływu obszarów zasłoniętych Można stosować dla grup pikseli

8 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Przykłady...

9 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Wagi wektorów własnych Nie zawsze związana z lokalizacją np. oświetlenie Rzut oka na twarze własne niosą różne rodzaje informacji (kierunki) Wektor własny, element wektora cech, funkcja porównująca Modyfikacja:

10 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Problem rozpoznawania Definicja problemu rozpoznawania: C klas i C wektorów bazowych N C wektorów w każdej klasie klasyfikacja wszystkich wektorów Punkt wyjścia – porównanie dwóch wektorów cech Klasa własna i obca

11 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Błąd rozpoznania 1 Błąd pojedynczego porównania: u ij – rozpoznawany wektor u i1 – wektor bazowy klasy własnej u k1 – wektor bazowy klasy obcej S – funkcja porównująca (norma L2)

12 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Błąd rozpoznania 2 Błąd rozpoznania pojedynczego wektora: Błąd dla całej próbki:

13 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Funkcja błędu Błąd jest funkcją maski i wag funkcja wymierna Minimalizacja funkcji znalezienie optymalnej maski i wag

14 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Problem dostosowania Silne dostosowanie do próbki znaczne polepszenie dla zbioru treningowego pogorszenie dla reszty Rozwiązanie: optymalizacja częściowa Dostosowanie do osób, nie obrazów możliwe usprawnienie klasyfikacji

15 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Lokalne PCA Detekcja cech charakterystycznych oczy, usta, nos Rozpoznawanie po cechach fragment obrazu twarzy różnica w normalizacji łączenie kilku lokalnych PCA (eigeneyes, eigennoses, itp.) Przestrzenie posiadają mniej wymiarów

16 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Lokalne PCA K1 K2 K3 K4

17 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Tworzenie przestrzeni PCA wyznacza główne kierunki różnic Brak wykorzystania informacji o przynależności do klasy Rozwiązanie problemu: Linear Discriminant Analysis (LDA) Fisherfaces

18 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 PCA – przykład działania

19 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 PCA – przykład działania

20 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Przykład nie działania

21 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Tak by było lepiej...

22 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Jak działa LDA? PCA: próbka treningowa macierz kowariancji LDA: sklasyfikowana próbka treningowa dwie macierze kowariancji wewnątrz-klasowa między-klasowa Znalezienie bazy ortogonalnej

23 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Macierze kowariancji Międzyklasowa C B – międzyklasowa macierz kowariancji c – liczba klas N i – liczba elementów i-tej klasy – obraz średni i – obraz średni i-tej klasy

24 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Macierze kowariancji Wewnątrzklasowa C W – wewnątrzklasowa macierz kowariancji c – liczba klas X i – zbiór obrazów i-tej klasy x k – k-ty obraz należący do i-tej klasy i – obraz średni i-tej klasy

25 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Jak to policzyć? PCA: - macierz złożona z wektorów własnych LDA:

26 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Fisherfaces LDA – skomplikowane obliczenia na dużych macierzach Fisherfaces: PCA do redukcji wymiarów LDA do znalezienia optymalnej bazy

27 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Ekstrakcja cech Fisherfaces Policzyć wektor cech za pomocą PCA na wejściu znormalizowany obraz redukcja liczby wymiarów Policzyć wektor cech za pomocą LDA na wejściu wektor cech PCA rotacja wektora cech zachowanie liczby wymiarów wektora cech

28 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Bayesian Matching Podobieństwo wektorów oparte o prawdopodobieństwo przynależności ich różnicy I – zbiór par intrapersonalnych E – zbiór par ekstrapersonalnych

29 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Prawdopodobieństwo P( | ) - prawdopodobieństwo pojawienia się różnicy w określonej przestrzeni różnic jest funkcją błędu projekcji PCA – ( )

30 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Projekcja wsteczna (przypomnienie) Wektor cech -> obraz twarzy Różnica między obrazem wejściowym a odtworzonym (błąd projekcji)

31 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Przestrzenie różnic Dwie klasy par obrazów intra- i ekstra-personalne Obrazy będące różnicami między obrazami dwie klasy różnic Stworzenie baz ortogonalnych przestrzeni różnic za pomocą PCA

32

33 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Kwintesencja BM Rozpoznawana różnica dwóch obrazów Dual Eigenfaces Odległość różnicy od dwóch przestrzeni Metoda dość wolna różnica obrazów dla każdego porównania można zastosować inną metodę do wstępnej selekcji (wybrania n najlepszych)

34 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Inne metody Local Feature Analysis 2D PCA, 2D LDA Independent Component Analysis

35 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Podsumowanie Istnieje wiele metod bazujących na Eigenfaces Ulepszanie: topologia twarzy koncentrowanie się na szczegółach klasyfikacja różnic

36 Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Dziękuję za uwagę! Za tydzień – metoda EBGM


Pobierz ppt "Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006 Ulepszenia metody Eigenfaces."

Podobne prezentacje


Reklamy Google