16
Face Detection Hauptseminar Smart Environments Oliver Heyn Betreuer: Matthias Wimmer Lehrstuhl Informatik IX 6. November 2003

Face Detection

  • 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

Page 1: Face Detection

Face Detection

Hauptseminar Smart Environments

Oliver Heyn

Betreuer: Matthias WimmerLehrstuhl Informatik IX

6. November 2003

Page 2: Face Detection

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

Page 3: 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

Page 4: 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

Page 5: 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

Page 6: Face Detection

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

Page 7: Face Detection

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

Page 8: Face Detection

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

Page 9: Face Detection

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

Page 10: Face Detection

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

Page 11: Face Detection

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

Page 12: Face Detection

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

Page 13: Face Detection

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

Page 14: Face Detection

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

Page 15: Face Detection

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

Page 16: Face Detection

ENDE

Vielen Dank für die Aufmerksamkeit