El Detector de Caras del Portero Automático

Transcripción

1 El Detector de Caras del Portero Automático Mauricio Villegas Santamaría Instituto Tecnológico de Informática Universidad Politécnica de Valencia Febrero 8 de 2006

2 Contenido Introducción Funcionamiento del detector Resultados del detector Imágenes de ejemplo Conclusiones

3 Introducción Esta presentación es sobre el detector de caras que se usa en el portero automático del ITI El objetivo del detector es: Saber si hay caras en una imagen (detección) Conocer la posición, el tamaño y la inclinación de las caras (localización) Características importantes: Velocidad Invariante a la iluminación (normalización μ=0 σ 2 =1)

4 Funcionamiento La detección de caras se realiza haciendo una búsqueda exhaustiva (fuerza bruta) Se usa un clasificador de cara y no cara basado en el NN Se clasifican todas las posibles posiciones, inclinaciones y tamaños de cara

5 Funcionamiento

6 Funcionamiento

7 Funcionamiento

8 Funcionamiento

9 Funcionamiento

10 Funcionamiento

11 Funcionamiento

12 Funcionamiento

13 Corpus de entrenamiento - cara Caras recortadas a 33x33 pixels usando las coordenadas de los ojos Bases de datos BioID (1516x2) Recortada Normalizada Recortada Normalizada FERET (2927x2) XM2VTS (2359x2) ITI (1049x2) imágenes

14 Corpus de entrenamiento - no cara Trozos de 33x33 pixels extraídos de forma aleatoria de imágenes donde no hay caras Recortada Normalizada Recortada Normalizada

15 El Detector Imagen Escalado Computo media y varianza Clasificador usando prototipos Rotación y normalización Clasificador usando media y varianza Fusión y eliminación de candidatos Caras detectadas

16 El Detector Imagen Escalado Computo media y varianza Clasificador usando prototipos Rotación y normalización Clasificador usando media y varianza Fusión y eliminación de candidatos Caras detectadas

17 Escalado Para buscar caras de diferentes tamaños, se reescala la imagen original (En el portero se usan 10 escalas)

18 El Detector Imagen Escalado Computo media y varianza Clasificador usando prototipos Rotación y normalización Clasificador usando media y varianza Fusión y eliminación de candidatos Caras detectadas

19 Cómputo de media y varianza Imagen integral: Y X II 1 X,Y = y=1 x=1 I x, y

20 Cómputo de media y varianza Imagen integral: Y X II 1 X,Y = y=1 x=1 I x, y S 1

21 Cómputo de media y varianza Imagen integral: Y X II 1 X,Y = y=1 x=1 I x, y Y X II 2 X,Y = y=1 x=1 [I x, y ] 2 S 1 S 2 Media μ= S 1 N Varianza σ 2 = S 2 N μ2

22 El Detector Imagen Escalado Computo media y varianza CARA Clasificador usando media y varianza NO CARA

23 Clasificador usando media y varianza Se clasifica usando una matriz de valores binarios que indica si cada combinación mediavarianza es o no es cara Es muy rápido Es invariante a la rotación En promedio descarta un 85% de las no caras (depende de la imagen)

24

25 El Detector Imagen Escalado Computo media y varianza Clasificador usando prototipos Rotación y normalización Clasificador usando media y varianza Fusión y eliminación de candidatos Caras detectadas

26 Rotación y normalización La imagen se rota usando unas máscaras de rotación que están precalculadas (En el portero se usan -15 o, 0 o, +15 o ) Se asume que μ y σ no varía con las rotaciones La normalización es global, μ=0 σ2 =1 x i ' = x i μ σ

27 El Detector Imagen Escalado Computo media y varianza Clasificador usando prototipos Rotación y normalización Clasificador usando media y varianza NO CARA CARA

28 Clasificador usando prototipos Se usa NN con una distancia ponderada y una selección de prototipos, LPD [Paredes & Vidal 2006] m d W x, y i = j=1 w 2 ij x j y ij 2 Para ganar velocidad, se calculan distancias parciales con los pesos ordenados de forma descendente. Si la distancia al prototipo de cara mas cercano es mayor a un umbral, se clasifica como no cara.

29 Prototipos y pesos entrenados CARA NO CARA Prototipo Pesos Prototipo Pesos

30 El Detector Imagen Escalado Computo media y varianza Clasificador usando prototipos Rotación y normalización Clasificador usando media y varianza Fusión y eliminación de candidatos Caras detectadas

31 Fusión y eliminación de candidatos

32 Resultados de detección XM2VTS CDS001 No. total de caras 1180 Caras detectadas 97.6% (1152) Falsos positivos 2.4% (28) Falsos negativos 2.4% (28) Error de posición 4.15 (% diámetro cara) Error de ángulo 2.01 (grados) Error de escala 1.08

33 Resultados de detección ITI Portero No. total de caras 1049 Caras detectadas 87.1% (914) Falsos positivos 4.1% (43) Falsos negativos 12.9% (135) Error de posición 4.98 (% diámetro cara) Error de ángulo 3.23 (grados) Error de escala 1.06

34 Imágenes de ejemplo

35 Imágenes de ejemplo

36 Imágenes de ejemplo

37 Imágenes de ejemplo

38 Conclusiones El uso del portero automático ha demostrado que la detección de caras es bastante fiable El detector es bastante rápido, lo cual lo hace indicado para diferentes aplicaciones como por ejemplo el portero automático Trabajos futuros: propuestas de este seminario