1.46k likes | 2.34k Views
CONTENU DU COURS. CONTENU DU COURS. Reconnaissance biométrique: A.1 Un système généralisé: étapes de traitement évaluation et comparaison des performances fusion multimodale A.2 État de l’art en reconnaissance biométrique:
E N D
CONTENU DU COURS SYS828: Systèmes biométriques Éric Granger
CONTENU DU COURS • Reconnaissance biométrique: A.1 Un système généralisé: • étapes de traitement • évaluation et comparaison des performances • fusion multimodale A.2 État de l’art en reconnaissance biométrique: • systèmes modernes pour la reconnaissance à partir de la signature, du visage et de la voix • survol des technologies de pointe SYS828: Systèmes biométriques Éric Granger
CONTENU DU COURS Système généralisé SYS828: Systèmes biométriques Éric Granger
Sommaire – Section A.2 A.2État de l’art en reconnaissance biométrique: • Reconnaissance de visages • Visages dans des images statiques • Visages dans des séquences vidéos • Performance et défis SYS828: Systèmes biométriques Éric Granger
A.2(1) Reconnaissance de visages Système simplifié – reconnaissance de visages SYS828: Systèmes biométriques Éric Granger
A.2(1) Reconnaissance de visages SYS828: Systèmes biométriques Éric Granger
A.2(1) Reconnaissance de visages Pourquoi le visage? • Le visage est un centre de communications personnel pour l’humain, permettant: • de transporter l’identité de l’individu • de reconnaitre la parole via une lecture précise des lèves • d’indiquer les émotions à travers des expressions • Pertinence pour plusieurs domaines d’applications: • acquisition passive (non-intrusif vs. l’empreinte, l’iris, etc.) • une interface naturelle homme-machine (réalité virtuelle, etc.) • Disponibilité et maturité de plusieurs technologies SYS828: Systèmes biométriques Éric Granger
A.2(1) Reconnaissance de visages Applications typiques SYS828: Systèmes biométriques Éric Granger
A.2(1) Reconnaissance de visages Applications – contrôle d’accès • SmartGate de Cognitec:système de contrôle d’accès aux aéroports int’l en Australie et en Nouvelle Zélande • MagicGate de Samsung: système de contrôle pour verrouiller les portes avec la technologie ‘Face Verification’ SYS828: Systèmes biométriques Éric Granger
A.2(1) Reconnaissance de visages Applications – divertissement • Blanz et Vetter: modèles morphologique 3D de visages permet manipulation d’images SYS828: Systèmes biométriques Éric Granger
A.2(1) Reconnaissance de visages Applications – divertissement • Google Picasa et Microsoft Windows Live Gallery: gestion d’albums de photos numériques SYS828: Systèmes biométriques Éric Granger
A.2(1) Reconnaissance de visages Applications – vidéosurveillance • CrossMatch Technologies • L1 Identity Solutions SYS828: Systèmes biométriques Éric Granger
A.2(1) Reconnaissance de visages Taxonomie des environnements Type 0: coopératif Type 1: semi-contrait Type 2: non-contraint (free-flow, one-at-time) Type 3: non-contraint (free-flow, many-at-time) Type 4: extérieurs (non-contrainte – illimitation et structure) Type 1 Type 3 Type 2 SYS828: Systèmes biométriques Éric Granger
A.2(1) Reconnaissance de visages SYS828: Systèmes biométriques Éric Granger
A.2(1) Reconnaissance de visages SYS828: Systèmes biométriques Éric Granger
A.2(1) Reconnaissance de visages Défis techniques particuliers SYS828: Systèmes biométriques Éric Granger
A.2(1) Reconnaissance de visages Défis techniques particuliers SYS828: Systèmes biométriques Éric Granger
A.2(1) Reconnaissance de visages Défis techniques particuliers • On veut dissocier des visages semblables – selon la variance inter-classe (entre individus) • Mais accommoder la variance intra-classe (pour un individu) selon: • pose et expressions • illumination • accessoires (e.g., lunettes) • vieillissement par rapport aux modèles • occlusion SYS828: Systèmes biométriques Éric Granger
A.2(1) Reconnaissance de visages Défis techniques particuliers • Variabilité intra-classe: SYS828: Systèmes biométriques Éric Granger
A.2(1) Reconnaissance de visages Défis techniques particuliers • Impact du vieillissement et illumination: (vérification de visages statiques, FRVT2000) SYS828: Systèmes biométriques Éric Granger
A.2(1) Reconnaissance de visages Inspiration du système humain SYS828: Systèmes biométriques Éric Granger
A.2(1) Reconnaissance de visages Inspiration du système humain • Perception de visages par machines: à partir de profiles géométriques, caractéristiques complexes, etc. (Galton, 1888) • Perception des visages par humains: études en psychophysique/neuroscience (Darwin, 1872) • Conception de systèmes: pour émuler la reconnaissance humaine des visages (Bruner et Tagiuri, 1954) (Bledoe, 1964) SYS828: Systèmes biométriques Éric Granger
A.2(1) Reconnaissance de visages Inspiration du système humain • 1970s: conception de systèmes de reconnaissance de visage statiques en 2D (Kelly, 1970) • 1990s: beaucoup d’activité due aux avancements technologiques • Recherche active dans 4 disciplines connexes: • psychologie / neuroscience: études du système de perception humain • traitement image/vidéo: prétraitement, extraction de caractéristiques, transformées • reconnaissance de formes: classification • vision informatique: interprétation 2D et 3D SYS828: Systèmes biométriques Éric Granger
A.2(1) Reconnaissance de visages Inspiration du système humain Q1: la perception humaine des visages est-elle le résultat d’un analyse global (holistique) ou local (traits)? • global –analyse préliminaire et grossière • locale – analyse plus fine • système hybrides qui exploitent les deux niveaux Q2:la reconnaissance de visages – un processus dédié ou identique à la reconnaissance des autres objets? • on favorise plutôt l’information holistique SYS828: Systèmes biométriques Éric Granger
A.2(1) Reconnaissance de visages Inspiration du système humain • Effet d’inversion du visage: SYS828: Systèmes biométriques Éric Granger
A.2(1) Reconnaissance de visages Inspiration du système humain • Effet d’inversion du visage: SYS828: Systèmes biométriques Éric Granger
A.2(1) Reconnaissance de visages Inspiration du système humain • Effet d’inversion du visage: SYS828: Systèmes biométriques Éric Granger
A.2(1) Reconnaissance de visages Inspiration du système humain • Visages inversés: Illusion de Thatcher - indique une interaction entre les 2 niveaux de traitement (local et global) SYS828: Systèmes biométriques Éric Granger
A.2(1) Reconnaissance de visages Inspiration du système humain Q3: Existe t-il un ordre d’importance dans les caractéristiques du visage? • ranking: yeux, nez, bouche, cheveux et forme • rôle de l’esthétique • assigner différents poids aux caractéristiques? Q4: La reconnaissance est-elle dépendante de la vue du visage? • notre mémoire des individus est très dépendante des vues • gestion du problème des vues multiples? SYS828: Systèmes biométriques Éric Granger
A.2(1) Reconnaissance de visages Inspiration du système humain Q6: Quel est l’effet de la lumière? • les visages dans des photos négatifs sont plus difficiles à reconnaitre • impact du renversement de la direction de lumière • importance de dissocier la forme de l’ombrage? Q7: Quel est le rôle du mouvement dans la reconnaissance? • plus facile de reconnaitre un visage lorsqu’il y a mouvement, surtout si l’individu est connu • favoriser la reconnaissance à partir de séquences d’images? Q8: Quel est le rôle de la race, le sexe, et la familiarité? • nécessité d’un système adaptatif? SYS828: Systèmes biométriques Éric Granger
A.2(1) Reconnaissance de visages Inspiration du système humain • Photo négative: SYS828: Systèmes biométriques Éric Granger
Sommaire – Section A.2 A.2État de l’art en reconnaissance biométrique: • La reconnaissance de visages • Visages dans des images statiques • Visages dans des séquences vidéos • Performance et défis SYS828: Systèmes biométriques Éric Granger
A.2(2) Visages dans les images Segmentation de visages • Objectif – détecter et localise l’emplacement de tous les visages dans un image 2D SYS828: Systèmes biométriques Éric Granger
A.2(2) Visages dans les images Segmentation de visages • Défis techniques spécifiques: • complexité de calcul pour le traitement temps réel • taux d’erreur (FAR et FRR): • pose: frontal, profile, différents angles, etc. • présence ou absence de composantes structurels: moustache, lunettes, etc. • expressions • occlusion par autres objets • position: orientation, rotation, échelle • conditions d’acquisition: illumination et camera SYS828: Systèmes biométriques Éric Granger
A.2(2) Visages dans les images Segmentation de visages • Approches avant ~1995: segmentation d’un seul visage en environnements contrôlés simples • compare au prototype (‘template’) de visage • prototype déformable basé sur les caractéristiques • exploitation de connaissance: intensité des pixels de peau • Approches plus récentes (~ 15 ans): segmentation de n visages en environnements complexes • entrainement de classificateur à 1- ou 2-classes avec plusieurs d’échantillons + et – • méthodes à vues multiples • recherche de traits discriminants et invariantes SYS828: Systèmes biométriques Éric Granger
A.2(2) Visages dans les images Segmentation de visages • Méthodes basées sur les connaissances:(locale, top-down) • encode les connaissance de ce qui constitue un visage • décrit les relations entre traits de visages • Méthodes basées sur les prototypes: (globale, templatematching) • compare avec des prototypes de visages au complet ou de parties de visages • Méthodes basées sur les traits invariants:(locale, bottom-up) • tente d’isoler les traits structurelles invariants d’un visage, même si la pose, la vue et la lumière varient • Méthodes basées sur l’apparence: (globale, ML-PR) • compare avec des modèles appris implicitement, à partir d’un ensemble représentatif d’images SYS828: Systèmes biométriques Éric Granger
A.2(2) Visages dans les images Segmentation de visages SYS828: Systèmes biométriques Éric Granger
A.2(2) Visages dans les images Segmentation de visages • Méthodes basées sur les connaissances: • approche heuristique ‘top-down’: • on représente un visage selon un ensemble de règles qui est codé manuellement par un expert • règle ≡ la description de traits d’un visage, et des relation entre ceux-ci • ces règles guident le processus de recherche • Exemples de règle: • le centre d’un visage a des valeurs d’intensité uniformes • le visage a deux yeux qui sont symétriques entre eux, un nez et une bouche • la distance et la position relative des traits SYS828: Systèmes biométriques Éric Granger
A.2(2) Visages dans les images Segmentation de visages • Exemple – Approche hiérarchique à base de règles: [Yang et Huang, 1994] • niveau 1: (résolution grossière) applique la règle ‘le centre d’un visage a 4x4 cellules avec un intensité uniforme’ pour trouver les candidats • niveau 2: normalisation local par histogramme suivi d’une détection de contours pour les candidats • niveau 3: (résolution fine) recherche les caractéristiques de bouche et yeux pour validation SYS828: Systèmes biométriques Éric Granger
A.2(2) Visages dans les images Segmentation de visages • Exemple – Approche hiérarchique à base de règles: [Yang et Huang, 1994] • on détecte un visage en cherchant des pics d’intensité dans les profiles horizontaux et verticaux SYS828: Systèmes biométriques Éric Granger
A.2(2) Visages dans les images Segmentation de visages SYS828: Systèmes biométriques Éric Granger
A.2(2) Visages dans les images Segmentation de visages • Méthodes basées sur les prototypes: • on compare I avec un {prototypes} qui est: • prédéfini: basés sur les contours ou régions • déformable: selon les contours faciales • chaque prototype est paramétrisé manuellement ou par fonctions (aucun entrainement) • exploite des mesures de corrélation pour localiser les visages SYS828: Systèmes biométriques Éric Granger
A.2(2) Visages dans les images Segmentation de visages • Exemple – Point Distribution Model: [Lantis et al., 1995] • prototype: forme moyenne dérivée des 68 pts d’encrages pour un {échantillons} SYS828: Systèmes biométriques Éric Granger
A.2(2) Visages dans les images Segmentation de visages SYS828: Systèmes biométriques Éric Granger
A.2(2) Visages dans les images Segmentation de visages • Approches à traits invariants: • approche ‘bottom-up’ basée sur caractéristiques: • détecter les traits de visages à bas niveau en premier (yeux, bouche, nez, etc.) • explorer le contour, l’intensité, la forme, etc... • mesurer des traits qui sont discriminants et invariants à la pose, lumière, etc. • construire un modèle statistique du visage pour décrire la relation entre ces traits • vérification de l’existence d’un visage dans ce modèle SYS828: Systèmes biométriques Éric Granger
A.2(2) Visages dans les images Segmentation de visages • Exemple – Regroupement de caractéristiques: [Yow et Cipolla, 1990] [Amitet al., 1997] • appliquer un filtre Gaussien pour chercher les points d’intérêt • regrouper en régions les contours près de points d’intérêt • évaluer les traits et régions avec un réseau Bayesien modèle de visage et composants SYS828: Systèmes biométriques Éric Granger
A.2(2) Visages dans les images Segmentation de visages • Regroupement de caractéristiques: • Modèles: chaque trait de visage est représenté comme paires contours orientés • Traitement: on cherche de points d’intérêt, et un détecteur de contours trouve des traits • pour détecter un visage, on combine les preuves avec un réseau Bayesien SYS828: Systèmes biométriques Éric Granger
A.2(2) Visages dans les images Segmentation de visages SYS828: Systèmes biométriques Éric Granger
A.2(2) Visages dans les images Segmentation de visages • Méthodes basées sur l’apparence: • entrainer un classificateur à 1- ou 2-classes avec les échantillons positifs (et négatifs) • classificateurs populaires: • réseau de neurones (MLP-BP) • Support Vector Machine (SVM) • Naïve Bayes • modèle de Markov caché (HMM) • mélange de Gaussiennes (GMM) SYS828: Systèmes biométriques Éric Granger
A.2(2) Visages dans les images Segmentation de visages • Exemple – Système neuronique: [Rowley and Kanade, 1998] • détection: on entraine plusieurs réseaux MLP-BP avec différentes résolutions d’échantillons + et – • fusion: on entraine un réseau d’arbitration pour combiner les résultats de plusieurs réseaux • les détections qui chevauchent sont fusionnées dans un autre réseau • défi: doit optimiser l’architecture de réseau (nombre de neurones cachées, de réseaux, etc.) et les paramètres SYS828: Systèmes biométriques Éric Granger