Gesichtsdetektion in digitalen Einzelbilder Stefan Bozic

Gliederung Einleitung und Motivation Grundlagen zur Bildauswertung Grundlagen zur Gesichtsdetektion Detektionsmethoden

Definition: Gesichtsdetektion Auf einem willkürlich gewählten Bild sollen die darauf enthaltenen Gesichter erkannt und lokalisiert werden, d.h. die dazugehörigen Bildbereiche identifiziert werden.

Anwendungsgebiete Bildsuchmaschinen Biometrie Werbung Automobilindustrie

Bildaufbau und Grauwerthistogramm

Moderne Bildverarbeitungssysteme

Segmentierung Auffinden von Objekten auf einem Bild Trennung der Objekte vom Bildhintergrund Aggregation von Objekten Beschreibung des Objektes (Objektklasse) durch Merkmale -> Merkmalsvektor Bilden von eindeutigen Klassen im Merkmalsraum Bsp..: alle grünen Ovale x = Farbwert des Objekts y = ovalität des Objekts

Probleme der Segmentierung Klassenbildung exakt über mathematische Formeln angenähert über repräsentative Stichproben Probleme der Segmentierung Erfassen aller relevanten Merkmale eines Objektes festlegen der genauen Klassengrenzen Überschneidung der Klassengrenzen Was beschreibt ein A eindeutig???? Bis zu welcher Grenze wird ein A noch als solches erkannt???

Segmentierungsbeispiel IR-Bild Binärbild

Gesichtsmerkmale Kopfform Geometrie der Gesichtszüge Hautfarbe / Farbe der Gesichtszüge Textur des Gesichtes Helligkeit der einzelnen Gesichtsbereiche

Probleme bei der Segmentierung von Gesichtern Position/Haltung des Kopfes Variable Gesichtszüge Gesichtsausdruck Verdeckungen Komplexität des Hintergrunds

Wissensbasierte Methoden W. Methoden beruhen auf dem Menschliches Wissen über das Aussehen eines Gesichtes Anwendung des Wissens zur Definition von Regeln Klassifizierung des Eingangsbildes anhand dieser Regeln Regeln über Helligkeitsinformationen:

Wissensbasierte Methoden Regeln über die Helligkeit der einzelnen Gesichtsregionen

invariante Methoden Detektion von Gesichtern anhand von invarianten Gesichtsmerkmalen Beispiele invarianter Merkmale: Gesichtszüge Detektion von Gesichtszügen über deren Umrißkanten und deren geometrische Anordnung zueinander Hautfarbe Texturen

Merkmalsinvariante Methoden Klassifizierung anhand von Gesichtszügen

Template Matching Ein Template ist eine Maske die einem Bild oder Bildteil ähnlich ist Berechnung der Ähnlichkeit zwischen einer Bildregion und einem Template Klassifizierung des Eingangsbildes anhand der berechneten Ähnlichkeit

Appearance-Based Methoden Eigenfaces: Umwandlung Bildmatrix[x,y] -> Bildvektor[x*y] Bildvektorraum Dimension [x*y] mit Gesichtsraum als Unterraum Nachbildung des Gesichtraumes durch eine Trainingsmenge von Gesichtsbildern Berechnung der Basisvektoren (Eigenvektoren) des Gesichtsraumes mit Hilfe der Kovarianzmatrix der Trainingsmenge Annäherung der Originalgesichter durch Linearkombination der Eigenvektoren Detektion eines Gesichtes anhand des Abstandes des Bildvektors zum Zentrumsvektor des Gesichtraums

Appearance-Based Methoden Berechnung der Eigenfaces: D = Durchschnittsgesicht G = Grauwertvektor M = Trainingsmenge C = Kovarianzmatrix XE = Eigenvektor  = Eigenwert

Appearance-Based Methoden Neuronale Netze: X = Eingangswert w = Gewicht net = xi*wi o = Ausgangswert

Leistungsmerkmale der Detektionsverfahren Verhältnis von Detektion und Falschdetektion : falsch positiv Ergebnisse falsch negativ Ergebnisse Trainingsmenge Ausführgeschwindigkeit Lernzeit (neuronale Netze) Verwendete Testdatenbank

Performance Bewertung der Detektionmethoden TestSet1 = 125 Bilder mit insgesamt 483 Gesichtern TestSet2 = 23 Bilder mit insgesamt 136 Gesichtern