Detekcja twarzy w obrazach cyfrowych

Slides:



Advertisements
Podobne prezentacje
Excel Narzędzia do analizy regresji
Advertisements

Klasyfikacja danych Metoda hierarchiczne
Elementy przetwarzania obrazów
Sieć jednokierunkowa wielowarstwowa
Inteligencja Obliczeniowa Metody oparte na podobieństwie do wzorców.
Inteligencja Obliczeniowa Otwieranie czarnej skrzynki.
Katedra Informatyki Stosowanej UMK
Katedra Informatyki Stosowanej UMK
Uczenie konkurencyjne.
Badania operacyjne. Wykład 2
o radialnych funkcjach bazowych
Sztuczne sieci neuronowe
Regresja w EXCELU.
Ulepszenia metody Eigenfaces
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Rozpoznawanie Twarzy i Systemy Biometryczne, 2005/2006
Rozpoznawanie obrazów
PRZYKŁADY IDENTYFIKACJI OBIEKTÓW
Paweł Kramarski Seminarium Dyplomowe Magisterskie 2
mgr inż. Rafał Komański styczeń 2004
Politechnika Gdańska Katedra Systemów Multimedialnych Tomasz Merta
Linear Methods of Classification
Mirosław ŚWIERCZ Politechnika Białostocka, Wydział Elektryczny
Sieci Hopfielda.
Autor: Maciej Piwowarczyk
Klasyfikacja dokumentów za pomocą sieci radialnych Paweł Rokoszny Emil Hornung Michał Ziober Tomasz Bilski.
Klasyfikacja dokumentów za pomocą sieci radialnych
Klasyfikacja dokumentów za pomocą sieci radialnych Paweł Rokoszny Emil Hornung Michał Ziober Tomasz Bilski.
Rozpoznawanie twarzy Wprowadzenie Algorytmy PCA ICA
Podstawowe pojęcia i problemy związane z przetwarzaniem plików graficznych.
Opiekun: dr inż. Maciej Ławryńczuk
Komputerowe metody przetwarzania obrazów cyfrowych
Zadanie programowania liniowego PL dla ograniczeń mniejszościowych
Wspomaganie decyzji nie zwalnia od decyzji...
Uczenie w Sieciach Rekurencyjnych
GŁOSOWA ŁĄCZNOŚĆ Z KOMPUTEREM
Zadanie programowania liniowego PL dla ograniczeń mniejszościowych
Systemy wspomagania decyzji
Marcin Jaruszewicz Jacek Mańdziuk
Elementy Rachunku Prawdopodobieństwa i Statystyki
SYSTEMY EKSPERTOWE I SZTUCZNA INTELIGENCJA
1. Współczesne generacje technologii
VII EKSPLORACJA DANYCH
Regresja wieloraka.
Metody odszumiania sygnałów
Algorytmy i Struktury Danych
Sieci neuronowe, falki jako przykłady metod analizy sygnałów
Przedmiot: Ekonometria Temat: Szeregi czasowe. Dekompozycja szeregów
Podstawowe tezy i wyniki rozprawy doktorskiej pt.
Mateusz Wawrzyniak & Michał Warzocha
Adaptacyjne Systemy Inteligentne Maciej Bielski, s4049.
Warstwowe sieci jednokierunkowe – perceptrony wielowarstwowe
Dyskretna Transformacja Fouriera 2D (DFT2)
PRZYKŁADY IDENTYFIKACJI OBIEKTÓW
Metody Inteligencji Obliczeniowej
© Kazimierz Duzinkiewicz, dr hab. inż. Katedra Inżynierii Systemów Sterowania Modelowanie i podstawy identyfikacji 2015/2016 Modele neuronowe – podstawy,
Model ekonometryczny Jacek Szanduła.
GeneracjeTechnologia Architektura przetwarzania 0. Przekaźniki elektromechaniczne 1. Lampy elektronowe 2. Tranzystory 3. Układy scalone 3.5.Układy dużej.
Metody Inteligencji Obliczeniowej Adrian Horzyk Adrian Horzyk Akademia Górniczo-Hutnicza Wydział Elektrotechniki, Automatyki, Informatyki i Inżynierii.
Machine learning Lecture 6
Struktury i algorytmy wspomagania decyzji
Systemy neuronowo – rozmyte
Kognitywne właściwości sieci neuronowych
Co do tej pory robiliśmy:
Postępy w przygotowaniu rozprawy doktorskiej
Systemy Ekspertowe i Sztuczna Inteligencja trudne pytania
Selekcja danych Korelacja.
Programowanie sieciowe Laboratorium 4
Perceptrony wielowarstwowe, wsteczna propagacja błędów
Zapis prezentacji:

Detekcja twarzy w obrazach cyfrowych z wykorzystaniem algorytmów heurystycznych Piotr Latusek latusekpiotr@gmail.com

PLAN • Detekcja twarzy i problemy pokrewne • Wyzwania • Heurystyka, kategorie heurystyk • Wybrane podejście • Filtry • Łączenie wyników

DETEKCJA TWARZY I PROBLEMY POKREWNE • Detekcja twarzy: „ Na postawie zdjęcia ustalić czy znajdują się na nim twarze, a jeśli tak to w którym miejscu i jaki jest ich rozmiar” • Lokalizacja twarzy • Rozpoznawanie twarzy

WYZWANIA I PROBLEMY • Przysłanianie • Poza twarzy • Mina • Warunki środowiskowe • Obecność lub brak elementów strukturalnych • Kąt

HEURYSTYKA „Heurystyka - w informatyce metoda znajdowania rozwiązań, dla której nie ma gwarancji znalezienia rozwiązania optymalnego, a często nawet prawidłowego.” „Rozwiązań tych używa się np. wtedy, gdy pełny algorytm jest z przyczyn technicznych zbyt kosztowny, lub gdy jest nieznany.” www.wikipedia.pl

KATEGORIE HEURYSTYK • Metody oparte na ogólnej wiedzy • Metody zakładające niezmienność cech • Metody dopasowujące do wzorców • Metody dopasowujące do modelu Do 2002 roku powstało ponad 150 różnych metod detekcji twarzy. M. H. Yang, D. J. Kriegman, N. Ahuja, „Detecting Faces in Images”.

WYBRANE PODEJŚCIE H. A. Rowley, S. Baluja, T. Kanade, „Neural Network-Based Face Detection”.

WYBRANE PODEJŚCIE • Skalowanie • Maska 20 x 20 pikseli • Przetwarzanie wstępne: - eliminacja wariancji oświetlenia, - wyrównywanie histogramu • Właściwy filtr • Łączenie wyników H. A. Rowley, S. Baluja, T. Kanade, „Neural Network-Based Face Detection”.

WYBRANE PODEJŚCIE • Skalowanie gwarantuje wykrycie twarzy niezależnie od jej wielkości - co z rotacją? • Przetwarzanie wstępne ujednolica obraz na wejściu filtrów – m.in. niweluje wpływ różnic w oświetleniu • Możliwość jednoczesnego zastosowania wielu filtrów

WYBRANE PODEJŚCIE Dla obrazu o rozmiarach 3072 x 2304 (ok. 7 Mpix) właściwy filtr musi być zastosowany do 19 140 875 ramek 20 x 20 pix.

FILTRY • Sieci neuronowe • Najbliższy sąsiad - Linear discriminant analysis, Fisherfaces - Samoorganizujące się mapy Kohonena (SOM)

FILTRY - SIECI NEURONOWE • Perceptron - kilka zm. wejściowych i jedna zm. wyjściowa - jak dobrać wagi W? - jak dobrać funkcję f? • Organizacja perceptronów w sieć - ile warstw?

FILTRY - SIECI NEURONOWE • Sieć neuronowa jest modelem • Parametrami modelu są wagi perceptronów • Dopasowujemy obraz wejściowy do modelu

FILTRY - NAJBLIŻSZY SĄSIAD • Baza wzorców zawierająca obrazy twarzy i innych obiektów nie będących twarzami • Dopasowujemy obraz wejściowy do wzorców (tzn. znajdujemy w bazie obraz najbardziej podobny do wejściowego i sprawdzamy czy jest oznaczony jako twarz czy nie-twarz)

FILTRY - NAJBLIŻSZY SĄSIAD • Jak mierzyć podobieństwo? Najprościej: suma kwadratów różnic między pikselami mało skuteczne  • Standardowo obraz 20 x 20 jest reprezentowany jako punkt w przestrzeni 400 wymiarowej • Ten sposób reprezentacji powoduje niską skuteczność

FILTRY - NAJBLIŻSZY SĄSIAD Jak zwiększyć skuteczność? • znaleźć lepszą reprezentację obrazu np. redukcja wymiarów przy użyciu Analizy Liniowych Wyróżników (Linear Discriminant Analysis)

FILTRY - NAJBLIŻSZY SĄSIAD • Nowe wymiary są liniową kombinacją starych • Analiza Liniowych Wyróżników automatycznie dobiera wymiary, które pozwalają najłatwiej rozróżnić twarz od nie-twarzy • Zbędne informacje są usuwane • Przykład twarzy zrzutowanej na nowe wymiary, a następnie z powrotem do pierwotnej postaci: • Twarze w nowej reprezentacji nazywają się Fisherfaces

FILTRY - NAJBLIŻSZY SĄSIAD • Aby ograniczyć ilość twarzy w bazie można zastosować Samoorganizujące się mapy Kohonena (SOM) • SOM znajduje reprezentantów grup spośród wielu obrazów Reprezentacyjne obrazy znalezione przy użyciu SOM:

ŁĄCZENIE WYNIKÓW • W wyniku dotychczasowych działań otrzymujemy wiele potencjalnych miejsc zawierających twarz • Czas odsiać błędne wyniki i scalić pozostałe

ŁĄCZENIE WYNIKÓW • Progowanie – usuwanie pojedynczych wystąpień • Łączenie sąsiadujących wystąpień w jedno - uśrednianie lokalizacji i skali • Eliminacja nakładających się wystąpień - decyduje ilość

ŁĄCZENIE WYNIKÓW • Scaliliśmy wyniki pojedynczego filtra, pozostało scalenie wyników wszystkich filtrów • Możemy mieć kilka różnych sieci neuronowych i kilka innych filtrów co pozwala zredukować liczbę błędnych wskazań • Najprostsze scalanie w tym wypadku to AND lub OR • Można też użyć sieci neuronowej

ŁĄCZENIE WYNIKÓW

DZIĘKUJĘ ZA UWAGĘ. Pytania?