FACIAL MOTION CAPTURE MENGGUNAKAN ALGORITMA …
Transcript of FACIAL MOTION CAPTURE MENGGUNAKAN ALGORITMA …
I WAYAN SUARDINATA, SKom NRP. 2209205027 DOSEN PEMBIMBING Moch. Hariadi, S.T., M.Sc., Ph.D. PROGRAM MAGISTER BIDANG KEAHLIAN JARINGAN CERDAS MULTIMEDIA JURUSAN TEKNIK ELEKTRO FAKULTAS TEKNOLOGI INDUSTRI INSTITUT TEKNOLOGI SEPULUH NOPEMBER SURABAYA 2010
FACIAL MOTION CAPTURE MENGGUNAKAN ALGORITMA INVERSE COMPOSITIONAL PADA AAM
» Teknologi motion capture dibutuhkan dalam berbagai aplikasi khususnya animasi yang terus berkembang dengan pesat
» Sekarang ini penelitian banyak diarahkan untuk mengembangkan teknik markerless motion capture.
» area capture difokuskan pada analisa data wajah mengingat analisa data wajah mempunyai manfaat banyak dalam kehidupan nyata
» Dalam hal animasi wajah merupakan bagian yang penting karena banyak hal yang harus dianimasikan dari wajah meliputi pergerakan, bentuk, dan ekspresi.
Latar Belakang
» penelitian ini akan lebih difokuskan pada metode penyesuaian titik-titik (fitting method) pada pergerakan wajah selanjutnya dapat dibuat mesh dua dimensi.
» Mengingat akurasi dan kecepatan metode masih perlu ditingkatkan
Latar Belakang
Perumusan Masalah
• Bagaimana cara mendapatkan titik-titik landmark dua dimensi yang bersesuaian pada wajah dalam setiap perubahan pose dan pergerakan wajah.
• Bagaimana membuat mesh 2 dimensi berdasarkan data titik-titik tersebut dan diusahakan secepat mungkin.
Tujuan & Manfaat
• Mendapatkan metode fitting dengan akurasi dan kecepatan yang maksimal
• Menjadi landasan bagi pengembangan dan penggunaan AAM berikutnya
FACE PROCESSING
Area Aplikasi
Hiburan Video game, virtual reality, training programs, human-robot interaction, human-
computer interaction, family photo albums
Smart Cards Ijin mengemudi, paspor, registrasi pemilih pada pemilu, kesejahteraan social
Informasi keamanan TV parental control, akses telepon seluler, logon desktop, database keamanan,
enkripsi file, rekam medis, akses internet, terminal perdagangan yang aman
Penegakan hukum dan pengawasan Advanced video surveillance, CCTV control, portal control, post-event analysis,
shoplifting, pencarian dan investigasi tersangka
Emerging Alat untuk pembelajaran psikologi
Tabel 2. 1 Aplikasi khusus dari pengolahan wajah, meliputi deteksi dan tracking, pengenalan identitas dan ekspresi,
dan personalized realistic rendering
SHAPE MODEL
• Gambar 2. 1 Linear shape model dari sebuah independent AAM. Model terdiri atas mesh berbasiskan triangulation s0 ditambah kombinasi linear dari n shape vector si. Base mesh ditunjukkan di sebelah kiri dan ke kiri adalah tiga shape vector s1, s2 dan s3 melapisi base mesh.
s
APPEARANCE MODEL
Gambar 2. 2 Variasi linear appearance dari sebuah independent AAM. Model terdiri atas base appearance image A0 yang mendefinisikan pixel-pixel didalam base mesh s0 ditambah kombinasi linear dari m appearance images A1 yang juga mendefiniskan himpunan pixel yang sama.
Model Instance
• Contoh AAM instantiation. Parameter bidang digunakan untuk menghitung model bidang s dan parameter appearance digunakan untuk menghitung model appearance A. Model appearance didefinisikan dalam base mesh s0. Pasangan mesh s0 dan s mendefinisikan a (piecewise affine) digabung dari s0 kepada s yang kita denotasikan W(x;p). Hasil akhir AAM model instance, didenotasikan M(W(x;p)), yang dikomputasi dengan forward warping appearance A dari s0 pada s menggunakan W(x;p).
Forward additive image allignment
• A schematic overview of the Lucas-Kanade (forwards-additive) image alignment algorithm.
• Given current estimates of the parameters p, Lucas-Kanade linearizes the problem and solves for incremental updates to the parameters p that are then added to the current estimates p ← p + p.
Inverse Compositional & Inverse Additive
• (a) A schematic overview of the forwards-compositional image alignment algorithm. Given current estimates of the parameters, the forwards compositional algorithm solves for an incremental warp W(x;p) rather than a simple update to the parameters p.
• The incremental warp is then composed with the current estimate of the warp. (b) A schematic overview of the inverse-compositional image alignment algorithm.
• The roles of I(W(x; p)) and A0(x) are reversed and the incremental warpW(x;p) is estimated in the other (inverse) direction. The incremental warp therefore has to be inverted before it is composed with the current estimate of the warp
METODOLOGI Metode pembuatan data training, Metode pencocokan gambar Metode evaluasi Tools & Hardware yang digunakan
Data training, fitting method, and evaluation
DATA yang diperlukan
Facial motion capture
gambar
annotation
Model AAM
Sumber data
training
testing
training
testing
www.fgnet.rsunit.com
Face and gesture recognition
research network
www.bioid.com
Menyediakan layanan otentifikasi
biometrik
SUMBER data yang digunakan
www.visionopen.com
Website yang didedikasikan untuk sharing para mahasiswa cina di bidang computer science
http://personalpages.manchester.ac
.uk/staff/timothy.f.cootes/data/talki
ng_face/talking_face.html
Situs dari penggagas AAM timothy f.
cootes dari manchester university
SUMBER data yang digunakan
SUMBER data yang digunakan
database FRANCK AGING BIOID JIAPEI
jumlah gambar 5000 1002 1521 67
training 5000 263 397 33
testing 300 739 354 34
jumlah subjek 1 82 23 1
jumlah titik 68 68 20 109
resolusi 720*576 variasi 384*286 640*480
RGB RGB keduanya GRAY RGB
AAM tools untuk membuat landmark secara manual
Process pembuatan Model AAM
Data points training landmark suatu gambar
Data facepart: mata, mulut dll
smbuilding
Matrik-matrik yang diperlukan sesuai dengan
metode yang dipilih
Data siap digunakan untuk proses fitting
Metode Pencocokan yang digunakan
Facial motion capture
AAM Basic_AAM
Inverse Compotitional Image Alignment
Overlap dan jarak
waktu iterasi overlap jarak
1 447.526 0 0.656383 33.0946 2 1713.2 0 0.445998 67.537
3 1273.19 0 0.883638 8.73212
Tools & Hardware yang digunakan
Facial motion capture
Platform independent • Ubuntu 10.10 Required packages
• OpenCV 2.2.0 • Boost 1.46 • boostfilesystem • boostregex
Hardware • Pentium Dual Core
2GHz • 1024Mb RAM • Harddisk 250Gb
Jumlah gambar : 5000
Training : 5000
Testing : 300
Jumlah subjek :1
Jumlah titik : 68
Resolusi :720*576
RGB/Gray :RGB
Uji Pencocokan pada database FRANCK
Contoh diambil dari salah satu gambar = franck_0000 dari 300 gambar Aam_basic E:\THESIS\experiment\9jul\fitting_result\Franck\franckbasic
Icia : E:\THESIS\experiment\9jul\fitting_result\Franck\frankicia
Hasil Pencocokan pada database FRANCK
… 8 iterasi
metode AAM_BASIC
metode AAM_ICIA
… 7 iterasi
Org
aniz
e w
ith
Se
ctio
ns
Analisa data eksperimen
0
500
1000
1500
2000
2500
3000
3500
4000
4500
5000
1
21
41
61
81
101
121
141
161
181
201
221
241
261
281
BASIC
CMUICIA
Kecepatan fitting/gambar
0
0.2
0.4
0.6
0.8
1
1.2
1
20 39 58 77 96
115
134
153
172
191
210
229
248
267
286
BASIC
CMUICIA
Overlap area
0
5
10
15
20
25
1
23 45 67 89
111
133
155
177
199
221
243
265
287
BASIC
CMUICIA
Jarak titik
waktu iterasi overlap jarak
1 2991.67 0 0.965372 4
2 3637.1 0 0.978714 2.23607
3 2463.22 0 0.95061 2.23607
4 3725.7 0 0.988635 0.5
5 3625.02 0 0.989796 1.5
6 3287.7 0 0.985318 1
7 3955.88 0 0.963112 3.60555
8 3301.1 0 0.973599 2.69258
9 3709.27 0 0.978638 2.23607
10 2871.37 0 0.978612 1.41421
Jumlah gambar : 1002
Training : 263
Testing : 739
Jumlah subjek :82
Jumlah titik : 68
Resolusi :variasi
RGB/Gray :keduanya
Uji Pencocokan pada database AGING
Contoh diambil dari salah satu gambar = 022a20 dari 739 uji E:\THESIS\experiment\9jul\fitting_result\aging\agingicia\022a20
Hasil Pencocokan pada database AGING
… 3 iterasi
metode AAM_BASIC
metode AAM_ICIA
… 3 iterasi
Org
aniz
e w
ith
Se
ctio
ns
Analisa data eksperimen
0
500
1000
1500
2000
2500
3000
35001
54
107
160
213
266
319
372
425
478
531
584
637
690
AAM_BASIC
AAM_CMUICIA
Kecepatan fitting/gambar
Overlap area
Jarak titik
0
0.2
0.4
0.6
0.8
1
1.2
1
43
85
127
169
211
253
295
337
379
421
463
505
547
589
631
673
715
BASIC
CMUICIA
0
50
100
150
200
250
148 95
142
189
236
283
330
377
424
471
518
565
612
659
706
Series1
Series2
waktu iterasi overlap jarak
1 447.526 0 0.656383 33.0946
2 1713.2 0 0.445998 67.537
3 1273.19 0 0.883638 8.73212
4
5
6 558.008 0 0.797631 4.52769
7 276.949 0 0.809034 16.9779
8 1228.68 0 0.858872 7.90569
9 642.522 0 0.772647 19.4551
10 1733.71 0 0.665671 6.10328
11 545.436 0 0.748772 6.94622
Jumlah gambar : 1521
Training : 397
Testing : 354
Jumlah subjek : 23
Jumlah titik : 20
Resolusi : 384*286
RGB/Gray : Gray
Uji Pencocokan pada database BIOID
Org
aniz
e w
ith
Se
ctio
ns
Analisa data eksperimen
Kecepatan fitting/gambar
Overlap area
Jarak titik
0
100
200
300
400
500
600
121 41 61 81
101
121
141
161
181
201
221
241
261
281
301
321
341
AAM_BASIC
CMUICIA
0
0.2
0.4
0.6
0.8
1
1.2
1
24
47
70
93
116
139
162
185
208
231
254
277
300
323
346
AAM_BASIC
CMUICIA
0
10
20
30
40
50
60
70
1
27 53 79
105
131
157
183
209
235
261
287
313
339
AAM_BASIC
AAM_CMUICIA
waktu iterasi overlap jarak
1 355.021 0 0.919714 4.03113
2 136.216 0 0.850575 6.5192
3 127.84 0 0.818446 8.06226
4 143.755 0 0.820134 6.80074
5 140.661 0 0.786497 8.32166
6 139.826 0 0.824034 6.0208
7 224.406 0 0.874609 3.53553
8 145.826 0 0.796935 7.61577
9 147.992 0 0.82923 5.40833
10 138.812 0 0.80332 2
Jumlah gambar : 67
Training : 33
Testing : 34
Jumlah subjek :1
Jumlah titik : 109
Resolusi :640*480
RGB/Gray :RGB
Uji Pencocokan pada database JIAPEI
Contoh diambil dari salah satu gambar = 00 dari 34 gambar E:\THESIS\experiment\9jul\fitting_result\jiapei\jiapei_cmuicia\00
Hasil Pencocokan pada database FRANCK
… 9 iterasi
metode AAM_BASIC
metode AAM_ICIA
… 11 iterasi
Org
aniz
e w
ith
Se
ctio
ns
Analisa data eksperimen
Kecepatan fitting/gambar
Overlap area
Jarak titik
0
500
1000
1500
2000
2500
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33
BASIC
ICIA
0.8
0.82
0.84
0.86
0.88
0.9
0.92
0.94
0.96
0.98
1
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33
BASIC
CMUICIA
0
1
2
3
4
5
6
7
8
1 3 5 7 9 11 13 15 17 19 21 23 25 27 29 31 33
Series1
Series2
waktu iterasi overlap jarak
1 1517.16 0 0.965087 2.5
2 997.635 0 0.960006 1.58114
3 999.513 0 0.950295 2
4 1886.75 0 0.960006 1.58114
5 1888.5 0 0.950047 2.23607
6 1490.83 0 0.955182 0.5
7 1493.96 0 0.955182 0.5
8 1535.98 0 0.969963 1.58114
9 1301.28 0 0.974994 0.5
10 725.347 0 0.959954 2
! KESIMPULAN… 1. Terdapat perbedaan yang signikan antara ICIA dengan AAM BASIC 2. Jumlah iterasi tidak terlalu mempengaruhi performance, tetapi proses/metode dalam setiap iterasi.