Die Präsentation wird geladen. Bitte warten

Die Präsentation wird geladen. Bitte warten

Vergleich von Gesichtserkennungsverfahren Peter Hamm Hauptseminar: Digitale Medien Thema 20: Vergleich von Gesichtserkennungsverfahren Bearbeiter: Peter.

Ähnliche Präsentationen


Präsentation zum Thema: "Vergleich von Gesichtserkennungsverfahren Peter Hamm Hauptseminar: Digitale Medien Thema 20: Vergleich von Gesichtserkennungsverfahren Bearbeiter: Peter."—  Präsentation transkript:

1 Vergleich von Gesichtserkennungsverfahren Peter Hamm Hauptseminar: Digitale Medien Thema 20: Vergleich von Gesichtserkennungsverfahren Bearbeiter: Peter Hamm Betreuer: Dipl.-Ing. Peter Dunker Betreuender Professor: Prof. Dr.- Ing. Karlheinz Brandenburg 11. Juli 2005

2 Vergleich von Gesichtserkennungsverfahren Peter Hamm I Einführung - Gesichtserkennung II Einführung - Gesichtserkennung mittels Hauptachsentransformation II.0 Bildtransformation II.1 PCA / Eigenfaces II.2 LDA / Fisherfaces II.3 small sample size problem III Erweiterte Methoden III.1 Maximum Uncertainty LDA III.2 Direct Fractional LDA IV Klassifikationsergebnis / Zusammenfassung Gliederung 2 GLIEDERUNG

3 Vergleich von Gesichtserkennungsverfahren Peter Hamm Gesichts- lokalisierung Normalisierung Merkmals- extraktion Vergleichen Der Merkmale Einführung - Gesichterkennung I GESICHTSERKENNUNGSVERFAHREN 3

4 Vergleich von Gesichtserkennungsverfahren Peter Hamm „THREE APPROACHES FOR FACE RECOGNITION“ – V.V. Starovoitov, D.I Samal, D.V. Briliuk Mögliche Unterscheidungsmerkmale Gesichtsproportionen Konturen (active shape model) Einzelne Gesichtsbereiche wie Nase, Mund etc. (template matching ) Einführung - Gesichterkennung 4 I GESICHTSERKENNUNGSVERFAHREN

5 Vergleich von Gesichtserkennungsverfahren Peter Hamm Merkmalsextraktion - Hauptachsentransforamtion - gesamtes Gesicht wird analysiert - lineare Transformation der Bilder in _einen Unterraum - Transformationsmatrix: Berechnung _ über Eigenvektoren der Kovarianzmatrix _ der Bilder - Vergleich anhand der neuen Werte Einführung - Gesichterkennung 5 I GESICHTSERKENNUNGSVERFAHREN

6 Vergleich von Gesichtserkennungsverfahren Peter Hamm 2-Pixel-Bilder = Objekt mit 2 Merkmalen 256 x 256 px = Objekt mit Merkmalen HOHER RECHENAUFWAND ! II BILDTRANSFORMATION Was soll eine Bildtransformation erreichen?  Reduktion der Objektmerkmale ____ ohne große Informationsverluste !!!  Diskriminierung der Objekte ____ durch Finden der Variationen im Bilddatensatz Bildtransformation mittels Hauptachsentransformation 6

7 Vergleich von Gesichtserkennungsverfahren Peter Hamm II BILDTRANSFORMATION Bildtransformation mittels Hauptachsentransformation 7

8 Vergleich von Gesichtserkennungsverfahren Peter Hamm II EIGENFACES  Transformation des Trainingssatzes mittels _ _ _ Principle Component Analysis – PCA principle components : orthogonale Vektoren,die die Richtungen der größten Varianz beschreiben = neue Achsen https://www.eng.man.ac.uk/mech/merg/Research/datafusion.org.uk/pca.html PC 1 PC 2 Sirovich / Kirby, 1987; Turk / Pentland, 1991 Eigenfaces / PCA 8

9 Vergleich von Gesichtserkennungsverfahren Peter Hamm Trainingsdatensatz: B H N x M H x B = N image mean Abweichung Eigenfaces / PCA 9 II EIGENFACES

10 Vergleich von Gesichtserkennungsverfahren Peter Hamm  PCs = Eigenvektoren der Kovarianzmatrix der _ _ _ _ _ _ _ _ _ gesamten Bildmatrix - Problem: C hat die Dimension N x N ! - Es existieren nur M sinnvolle Eigenvektoren Kovarianzmatrix: Abweichung eines Gesichts ______________vom Durchschnittsgesicht (image mean) - Eigenvektoren von = Eigenvektoren von C 10 II EIGENFACES

11 Vergleich von Gesichtserkennungsverfahren Peter Hamm Transformationsmatrix: - W sind die sog. Eigenfaces - Anzahl gewählten Eigenfaces = Dimension der Unterraumvektoren Eigenfaces nach Ordnung gegliedert II EIGENFACES

12 Vergleich von Gesichtserkennungsverfahren Peter Hamm Klassifizierung: 1 Transformation des Testbilddatensatzes: 2 Transformation des Query-Bildes: 3 Euklidische Distanz berechenen: 12 II EIGENFACES

13 Vergleich von Gesichtserkennungsverfahren Peter Hamm II FISHERFACES Fisher 1936; Belhumeur, Hespanha, Kriegmann 1997  PCA lässt Klasseninformation außer Acht  Linear Discriminant Analysis - LDA  LDA: - vergrößert die Streuung zwischen den Klassen - verkleinert die Streuung innerhalb der Klassen Fisher‘s criterion - W über Lösen des Eigensystem Fisherfaces / LDA 13

14 Vergleich von Gesichtserkennungsverfahren Peter Hamm Belhumeur: Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projektion Fisherfaces / LDA 14 II FISHERFACES

15 Vergleich von Gesichtserkennungsverfahren Peter Hamm II SMALL SAMPLE SIZE PROBLEM Trainingsdatensatz: N >> M N x M - Bilder einer Person << Pixel pro Bild (features) - schlechte Repräsentation der gesamten Klasse - Kovarianzmatrix kann singulär sein Determinate = 0 Small sample size problem 15

16 Vergleich von Gesichtserkennungsverfahren Peter Hamm III ERWEITERTE METHODEN Belhumeur (LDA) - Schritt vor der LDA: Dimensionsreduktion mittels PCA auf M bis minimal (M – Klassenanzahl) - Klassifikation schlechter gegenüber „reiner“ LDA ! Erweiterte Mehtoden 16

17 Vergleich von Gesichtserkennungsverfahren Peter Hamm Maximum Uncertainty LDA Thomasz, Gillies Modifizierte S - Addition mit einer gewichteten Einheitsmatrix BETWEEN Mit:und: - Löst Singularitätsproblem Erweiterte Mehtoden 17 III ERWEITERTE METHODEN

18 Vergleich von Gesichtserkennungsverfahren Peter Hamm Maximum Uncertainty LDA - Modifiziertes Fisher-Kriterium: Erweiterte Mehtoden 18 III ERWEITERTE METHODEN

19 Vergleich von Gesichtserkennungsverfahren Peter Hamm Direct Fractional Linear Discriminent Analysis - DF-LDA 1 Einführung von Gewichtsfunktionen in die LDA um Lu, Plataniotis, Venetsanopoulos, Direct = keine PCA vor der LDA anwenden 3 Fractional = Dimensionsreduktion durch LDA in Schritten 3 Schritte: - Löst Singularitätsproblem und verbessert die Klassifizierung Erweiterte Mehtoden 19 III ERWEITERTE METHODEN

20 Vergleich von Gesichtserkennungsverfahren Peter Hamm Direct Fractional Linear Discriminent Analysis - DF-LDA 1 Berechnung der Eigenwerte der gewichteten S BETWEEN Gewichtsfunktion Erweiterte Mehtoden 20 III ERWEITERTE METHODEN

21 Vergleich von Gesichtserkennungsverfahren Peter Hamm 2 direct LDA: - Maximieren des modifizierten Fisher‘s Criteriums Direct Fractional Linear Discriminent Analysis - DF-LDA Erweiterte Mehtoden 21 III ERWEITERTE METHODEN

22 Vergleich von Gesichtserkennungsverfahren Peter Hamm 3 Fractional Step zur weiteren Dimensionsreduzierung: + Transformationmatrix durch Maximierung der S BETWEEN + schrittweise Reduzierung der Dimension in r>1 Schritten + Neuberechnung der S nach jedem Schritt BETWEEN Direct Fractional Linear Discriminent Analysis - DF-LDA Erweiterte Mehtoden 22 III ERWEITERTE METHODEN

23 Vergleich von Gesichtserkennungsverfahren Peter Hamm III KLASSIFIKATIONSERGEBNISSE Belhumeur: Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projektion 23

24 Vergleich von Gesichtserkennungsverfahren Peter Hamm III KLASSIFIKATIONSERGEBNISSE Chengjun Liu; Harry Wechsler; Enhanced Fisher Linear Discriminant Models for Face Recognition 24

25 Vergleich von Gesichtserkennungsverfahren Peter Hamm III KLASSIFIKATIONSERGEBNISSE ORL – Olivetti-Oracle Research Lab FERET- Face Recognition Technology Ergebnisse: MAXIMUM UNCERTAINTY LDA (NLDA) 25

26 Vergleich von Gesichtserkennungsverfahren Peter Hamm III KLASSIFIKATIONSERGEBNISSE Ergebnisse: Direct Fractional-LDA (DF-LDA) Projektionen von 5 Personen: PCA D_LDA DF_LDA 26

27 Vergleich von Gesichtserkennungsverfahren Peter Hamm III KLASSIFIKATIONSERGEBNISSE Ergebnisse: Direct Fractional-LDA (DF-LDA) 27

28 Vergleich von Gesichtserkennungsverfahren Peter Hamm III KLASSIFIKATIONSERGEBNISSE - Viele verschiedene Testdatenbanken: - Olivetti Oracle Research Lab DB (ORL) - Face Recognition Technology DB (FERET) - UMIST Database - YALE Database YALE FERET 28

29 Vergleich von Gesichtserkennungsverfahren Peter Hamm IV Zusammenfassung Gesichtserkennung mittels Hauptachsen-Transformtionen relativ unempfindlich gegenüber schlechter Auflösung LDA unempfindlicher gegenüber PCA bezüglich Helligkeitsschwankung, Mimik, Gesichtsposition Fortgeschrittene LDA-Methoden können Fehlererkennungsrate senken Anwendungerfolge bei verschiedenen Testdatenbanken fallen unterschiedlich aus 29

30 Vergleich von Gesichtserkennungsverfahren Peter Hamm Dank an die Zuhörer für die Aufmerksamkeit und Danke an Peter Dunker für die Unterstützung FRAGEN ?

31 Vergleich von Gesichtserkennungsverfahren Peter Hamm Add-on: Matrixmultiplikation Zusatzfolien Bsp.: Projektion von Bildmatrix in Unterraum: Z 1

32 Vergleich von Gesichtserkennungsverfahren Peter Hamm Add-on: Lösung des Eigenwertsystems der Kovarianzmatrix Zusatzfolien Z 2

33 Vergleich von Gesichtserkennungsverfahren Peter Hamm Add-on: Kovarianzmatrix Zusatzfolien - Abweichung vom arithmetischen Mittelwert - Diagonale: Varianz innerhalb der jeweiligen Klasse - Elemente ausserhalb der Diagonale: Kovarianzen Z 3

34 Vergleich von Gesichtserkennungsverfahren Peter Hamm Add-on: II BILDTRANSFORMATION Verdunklung um 40 Grauwertstufen Facial Recognition as a Pattern Recognition Problem; Wang, ECE 407NA 2005 Z 4

35 Vergleich von Gesichtserkennungsverfahren Peter Hamm Add-on: II Eigenfaces  PCs = Eigenvektoren der Kovarianzmatrix der _ _ _ _ _ _ _ _ _ gesamten Bildmatrix - Problem: C hat die Dimension N x N ! - L hat die Dimension M x M ! - Eigenvektoren von L = Eigenvektoren von C Transformationsmatrix: Z 5

36 Vergleich von Gesichtserkennungsverfahren Peter Hamm Add-on: II Fisherfaces „Within-Class Scatter“ = Summe der Kovarianz jeder Klasse „Between-Class Scatter“ = Summe der Kovarianz aller Klasse Lösung Fisher‘s criterion: Z 6


Herunterladen ppt "Vergleich von Gesichtserkennungsverfahren Peter Hamm Hauptseminar: Digitale Medien Thema 20: Vergleich von Gesichtserkennungsverfahren Bearbeiter: Peter."

Ähnliche Präsentationen


Google-Anzeigen