Università degli studi “La Sapienza” CLS Ingegneria Informatica a.a. 2007/2008

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? - UN APPROCCIO PROBABILISTICO • Lo spazio dei colori cromatici e la luminescenza • La normalizzazione della luminescenza r= R/(R+B+G)‏ b= B/(R+B+G)‏

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 • Realizzazione dell’approccio probabilistico 1/2 • Applicazione della distribuzione cromatica della pelle • Modello Probabilistico

5. Università degli studi “La Sapienza” CLS Ingegneria Informatica a.a. 2007/2008 • Realizzazione dell’approccio probabilistico 2/2 • L’immagine segmentata • Scelta del bounding box contenente la faccia

6. Università degli studi “La Sapienza” CLS Ingegneria Informatica a.a. 2007/2008 • Features Detector Primo LIvello • 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. Area1 Area2 Area3 Secondo Livello nose leftEye rightEye

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. Università degli studi “La Sapienza” CLS Ingegneria Informatica a.a. 2007/2008 • I risultati • Test orientati al riconoscimento della singola immagine • Percentuale riconoscimento 46% • Problema: Sensibilità alta della PCA