Upload
gage
View
35
Download
0
Embed Size (px)
DESCRIPTION
Face Detection. Hauptseminar Smart Environments Oliver Heyn Betreuer: Matthias Wimmer Lehrstuhl Informatik IX 6. November 2003. Einleitung. Einleitung Verschiedene Methoden Example-based Face Detection. Was verstehen wir unter Gesichtserkennung? - PowerPoint PPT Presentation
Citation preview
Face Detection
Hauptseminar Smart Environments
Oliver Heyn
Betreuer: Matthias WimmerLehrstuhl Informatik IX
6. November 2003
Face Detection - Hauptseminar Smart Environments 2
Einleitung
Was verstehen wir unter Gesichtserkennung?
Wieso ist Gesichteserkennung wichtig für unser Seminar?
Hauptprobleme der Gesichtserkennung1. 3 Dimensionalität (Posen)2. Vorhanden oder Nichtvorhandensein von
einzelnen Komponenten3. Gesichtsausdruck4. Sichtbarkeit5. Bildzustand
1.Einleitung
2.Verschiedene Methoden
3.Example-based Face Detection
Face Detection - Hauptseminar Smart Environments 3
Gesichtslokalisierung in Bildern
Wissenbasierte Methode1.Einleitung
2.Verschiedene Methoden
- Wissenbasierte Methode
- Template-Matching
3.Example-based Face Detection
Face Detection - Hauptseminar Smart Environments 4
Gesichtslokalisierung in Bildern
Template Matching Methodes1.Einleitung
2.Verschiedene Methoden
- Wissenbasierte Methode
- Template-Matching
3.Example-based Face Detection
Face Detection - Hauptseminar Smart Environments 5
Example-Based Face Detection
Vorberechnungen: Skalierung Maskierung Helligkeitskorrektur
1.Einleitung
2.Verschiedene Methoden
3.Example-based Face Detection
- Konstruktion
+ Vorberechnungen
+ Positive Prototypen
+ Negative Prototypen
- Vergleich mit dem Modell
- Klassifizierer
- Resultate
Face Detection - Hauptseminar Smart Environments 6
Konstruktion des Verteilungsbasierten Modells
Positive Prototypen1.Einleitung
2.Verschiedene Methoden
3.Example-based Face Detection
- Konstruktion
+ Vorberechnungen
+ Positive Prototypen
+ Negative Prototypen
- Vergleich mit dem Modell
- Klassifizierer
- Resultate
Face Detection - Hauptseminar Smart Environments 7
Positive Prototypen
Algorithmus zum Erzeugen des Verteilungsmodells
1. Erzeugung der 6 Mittelpunkte und Zuteilung der Daten
2. Initialisierung der Kovarianzmatrizen3. …Neuberechnung der Mittelpunkte4. …….Neuverteilung der Daten …….
(Mahalanobis-Distanz)5. …Neuberechnung der Kovarianzmatrizen6. …Neuverteilung der Daten (Mahalanobis-Distanz)7. Ausgabe (Mittelpunkte,Cluster,Kovarianzmatrizen)
1.Einleitung
2.Verschiedene Methoden
3.Example-based Face Detection
- Konstruktion
+ Vorberechnungen
+ Positive Prototypen
+ Negative Prototypen
- Vergleich mit dem Modell
- Klassifizierer
- Resultate
Face Detection - Hauptseminar Smart Environments 8
Negative Prototypen1.Einleitung
2.Verschiedene Methoden
3.Example-based Face Detection
- Konstruktion
+ Vorberechnungen
+ Positive Prototypen
+ Negative Prototypen
- Vergleich mit dem Modell
- Klassifizierer
- Resultate
Face Detection - Hauptseminar Smart Environments 9
Vergleich von Bildern mit dem Modell
Überblick:1.Einleitung
2.Verschiedene Methoden
3.Example-based Face Detection
- Konstruktion
- Vergleich mit dem Modell
+ Zwei-Werte-Distanz-Metrik
~ Erste Komponente
~ Zweite Komponente
- Klassifizierer
- Resultate
Face Detection - Hauptseminar Smart Environments 10
Zwei-Werte Distanz Metrik1.Einleitung
2.Verschiedene Methoden
3.Example-based Face Detection
- Konstruktion
- Vergleich mit dem Modell
+ Zwei-Werte-Distanz-
Metrik
~ Erste Komponente
~ Zweite Komponente
- Klassifizierer
- Resultate
Face Detection - Hauptseminar Smart Environments 11
Erste Komponente
Das Testbild wird in einen 75 dimensionalen Sub-Raum projiziert
Der Sub-Raum wird durch die 75 größten Eigenvektoren des zu vergleichenden Clusters aufgespannt
Die Mahalanobische-Distanz zum Cluster-Mittelpunkt wird berechnet und ergibt die erste Distanz-Komponente
1.Einleitung
2.Verschiedene Methoden
3.Example-based Face Detection
- Konstruktion
- Vergleich mit dem Modell
+ Zwei-Werte-Distanz-Metrik
~ Erste Komponente
~ Zweite Komponente
- Klassifizierer
- Resultate
Face Detection - Hauptseminar Smart Environments 12
Zweite Komonente
Das Testbild wird in einen 75 dimensionalen Sub-Raum projiziert
Es wird die Euklidische-Distanz zwischen der Projektion und dem Testbild bestimmt
Dieser Wert ergibt die zweite Distanz-Komponente
Sie ergänzt die erste Komponente um die Distanz die dort nicht berücksichtigt wurde
1.Einleitung
2.Verschiedene Methoden
3.Example-based Face Detection
- Konstruktion
- Vergleich mit dem Modell
+ Zwei-Werte-Distanz-Metrik
~ Erste Komponente
~ Zweite Komponente
- Klassifizierer
- Resultate
Face Detection - Hauptseminar Smart Environments 13
Bewertung durch einen Klassifizierer
Multi-Layer-Perceptron1.Einleitung
2.Verschiedene Methoden
3.Example-based Face Detection
- Konstruktion
- Vergleich mit dem Modell
- Klassifizierer
+ Multi-Layer-Perceptron
- Resultate
Face Detection - Hauptseminar Smart Environments 14
Resultate1.Einleitung
2.Verschiedene Methoden
3.Example-based Face Detection
- Konstruktion
- Vergleich mit dem Modell
- Klassifizierer
- Resultate
+ Bilder
+ Tabellen
Face Detection - Hauptseminar Smart Environments 15
Resultate1.Einleitung
2.Verschiedene Methoden
3.Example-based Face Detection
- Konstruktion
- Vergleich mit dem Modell
- Klassifizierer
- Resultate
+ Bilder
+ Tabellen
Distanz-Metrik
2-Werte96.3% 3
79.9% 5
D1(Erste Komponente)
91.6% 21
85.1% 114
D2(Zweite Komponente)
91.4% 4
65.1% 5
Mn
(Mahalanobis)
84.1% 9
42.6% 5
Zusammensetzung der Prototypen
6 Face &
6 Non-Face
96.3% 3
79.9% 5
12 Face85.3% 21
69.6% 74
6 Face59.7% 17
60.9% 41
ENDE
Vielen Dank für die Aufmerksamkeit