gesichtsdetektion in digitalen einzelbilder stefan bozic

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 Ovalex = Farbwert des Objektsy = ovalität des Objekts

Probleme der Segmentierung• Erfassen aller relevanten Merkmale eines Objektes

• festlegen der genauen Klassengrenzen

• Überschneidung der Klassengrenzen

Klassenbildung• exakt über mathematische Formeln

• angenähert über repräsentative Stichproben

Was beschreibt ein A eindeutig????

Bis zu welcher Grenze wird ein Anoch 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

Regeln über Helligkeitsinformationen:

•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

Wissensbasierte Methoden

Regeln über die Helligkeit der einzelnen Gesichtsregionen

invariante MethodenDetektion von Gesichtern anhand von invarianten Gesichtsmerkmalen

Beispiele invarianter Merkmale:

•GesichtszügeDetektion 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 MethodenEigenfaces:•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 MethodenBerechnung der Eigenfaces: D = Durchschnittsgesicht

G = Grauwertvektor

M = Trainingsmenge

C = Kovarianzmatrix

XE = Eigenvektor

= Eigenwert

Appearance-Based MethodenNeuronale Netze:

X = Eingangswertw = Gewichtnet = 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

TestSet1 = 125 Bilder mit insgesamt 483 Gesichtern

TestSet2 = 23 Bilder mit insgesamt 136 Gesichtern

Performance Bewertung der Detektionmethoden