gesichtsdetektion in digitalen einzelbilder stefan bozic
TRANSCRIPT
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