Vergleich von Gesichtserkennungsverfahren Peter Hamm Hauptseminar: Digitale Medien Thema 20:...
-
Upload
wendelin-weyland -
Category
Documents
-
view
104 -
download
0
Transcript of Vergleich von Gesichtserkennungsverfahren Peter Hamm Hauptseminar: Digitale Medien Thema 20:...
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
Hauptseminar: Digitale Medien
Thema 20: Vergleich von Gesichtserkennungsverfahren
Bearbeiter: Peter HammBetreuer: Dipl.-Ing. Peter Dunker
Betreuender Professor: Prof. Dr.- Ing. Karlheinz Brandenburg
11. Juli 2005
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
I Einführung - Gesichtserkennung
II Einführung - Gesichtserkennung mittels Hauptachsentransformation
II.0 Bildtransformation II.1 PCA / Eigenfaces II.2 LDA / Fisherfaces II.3 small sample size problem
III Erweiterte Methoden III.1 Maximum Uncertainty LDA III.2 Direct Fractional LDA
IV Klassifikationsergebnis / Zusammenfassung
Gliederung2
GLIEDERUNG
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
Gesichts-lokalisierung
NormalisierungMerkmals-extraktion
VergleichenDer
Merkmale
Einführung - Gesichterkennung
I GESICHTSERKENNUNGSVERFAHREN
3
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
„THREE APPROACHES FOR FACE RECOGNITION“ – V.V. Starovoitov, D.I Samal, D.V. Briliuk
Mögliche Unterscheidungsmerkmale
Gesichtsproportionen
Konturen (active shape model)
Einzelne Gesichtsbereiche wie Nase, Mund etc. (template matching )
Einführung - Gesichterkennung4
I GESICHTSERKENNUNGSVERFAHREN
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
Merkmalsextraktion - Hauptachsentransforamtion
- gesamtes Gesicht wird analysiert
- lineare Transformation der Bilder in _einen Unterraum
- Transformationsmatrix: Berechnung
_ über Eigenvektoren der Kovarianzmatrix
_ der Bilder
- Vergleich anhand der neuen Werte
Einführung - Gesichterkennung5
I GESICHTSERKENNUNGSVERFAHREN
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
2-Pixel-Bilder = Objekt mit 2 Merkmalen
256 x 256 px = Objekt mit 65.536 Merkmalen
HOHER RECHENAUFWAND !
II BILDTRANSFORMATIONWas soll eine Bildtransformation erreichen?
Reduktion der Objektmerkmale ____ ohne große Informationsverluste !!!
Diskriminierung der Objekte ____ durch Finden der Variationen im Bilddatensatz
Bildtransformation mittels Hauptachsentransformation6
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
My
PixelPixelN
N
yx
,...,2,1
,...,2,1
II BILDTRANSFORMATION
TWy
Bildtransformation mittels Hauptachsentransformation7
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
II EIGENFACES
Transformation des Trainingssatzes mittels
_ _ _ Principle Component Analysis – PCA
principle components:
orthogonale Vektoren ,die die Richtungen der größten Varianz beschreiben
= neue Achsenhttps://www.eng.man.ac.uk/mech/merg/Research/datafusion.org.uk/pca.html
PC 1PC 2
Sirovich / Kirby, 1987; Turk / Pentland, 1991
Eigenfaces / PCA8
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
Trainingsdatensatz:
M,...,, 321
i
M
n nM 1
1
ii
B
H
N x M
H x B = N
image mean
Abweichung
Eigenfaces / PCA9
II EIGENFACES
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
PCs = Eigenvektoren der Kovarianzmatrix der
_ _ _ _ _ _ _ _ _ gesamten Bildmatrix
- Problem: C hat die Dimension N x N !
- Es existieren nur M sinnvolle Eigenvektoren
Kovarianzmatrix: Abweichung eines Gesichts ______________vom Durchschnittsgesicht (image mean)
TC
T- Eigenvektoren von = Eigenvektoren von C
10
II EIGENFACES
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
Transformationsmatrix: EWPCA
- W sind die sog. Eigenfaces- Anzahl gewählten Eigenfaces = Dimension der Unterraumvektoren
Eigenfaces nach Ordnung gegliedert
1 2 3 4
15 100 200 250 300
11
II EIGENFACES
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
queryT
queryWy
TWy
Klassifizierung:
1 Transformation des Testbilddatensatzes:
2 Transformation des Query-Bildes:
3 Euklidische Distanz berechenen:
22queryi yy
i
12
II EIGENFACES
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
II FISHERFACESFisher 1936; Belhumeur, Hespanha, Kriegmann 1997
PCA lässt Klasseninformation außer Acht
Linear Discriminant Analysis - LDA
LDA: - vergrößert die Streuung zwischen den Klassen
- verkleinert die Streuung innerhalb der Klassen
WSW
WSWW
WITHIN
BETWEEN
LDA T
T
Wmaxarg
Fisher‘s criterion
- W über Lösen des Eigensystem
Fisherfaces / LDA13
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
Belhumeur: Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projektion
Fisherfaces / LDA14
II FISHERFACES
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
II SMALL SAMPLE SIZE PROBLEM
21, MM ,1
Trainingsdatensatz: N >> M
N x M
- Bilder einer Person << Pixel pro Bild (features)
- schlechte Repräsentation der gesamten Klasse
- Kovarianzmatrix kann singulär sein
Determinate = 0
WSW
WSWW
WITHIN
BETWEEN
LDA T
T
Wmaxarg
Small sample size problem15
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
III ERWEITERTE METHODEN
Belhumeur (LDA)
- Schritt vor der LDA: Dimensionsreduktion mittels PCA auf M bis minimal (M – Klassenanzahl)
TPCA
TLDA
TOPT WWW
- Klassifikation schlechter gegenüber „reiner“ LDA !
Erweiterte Mehtoden16
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
Maximum Uncertainty LDA Thomasz, Gillies 2004
- Modifizierte S - Addition mit einer gewichteten Einheitsmatrix
BETWEEN
ISSWITHINWITHIN
)1(ˆ
10 Mit:
n
iin 1
1 und:
- Löst Singularitätsproblem
Erweiterte Mehtoden17
III ERWEITERTE METHODEN
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
Maximum Uncertainty LDA
WW
WSWW
WITHIN
BETWEEN
LDA
ST
T
W ˆmaxarg
- Modifiziertes Fisher-Kriterium:
Erweiterte Mehtoden18
III ERWEITERTE METHODEN
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
Direct Fractional Linear Discriminent Analysis - DF-LDA
1 Einführung von Gewichtsfunktionen in die LDA um
Lu, Plataniotis, Venetsanopoulos, 2002
2 Direct = keine PCA vor der LDA anwenden
3 Fractional = Dimensionsreduktion durch LDA in Schritten
3 Schritte:
- Löst Singularitätsproblem und verbessert die Klassifizierung
Erweiterte Mehtoden19
III ERWEITERTE METHODEN
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
Direct Fractional Linear Discriminent Analysis - DF-LDA
1 Berechnung der Eigenwerte der gewichteten S BETWEEN
ji
K
j
p
jii
K
i
M
Mi
mit
TiiBETWEEN
S
1
2
1
:
ˆ
Gewichtsfunktion
Erweiterte Mehtoden20
III ERWEITERTE METHODEN
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
2 direct LDA:
- Maximieren des modifizierten Fisher‘s Criteriums
WSSW
WSWW
BETWEENWITHIN
BETWEEN
LDAD T
T
W ˆ
ˆmaxarg
Direct Fractional Linear Discriminent Analysis - DF-LDA
Erweiterte Mehtoden21
III ERWEITERTE METHODEN
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
3 Fractional Step zur weiteren Dimensionsreduzierung:
+ Transformationmatrix durch Maximierung der S BETWEEN
+ schrittweise Reduzierung der Dimension in r>1 Schritten
+ Neuberechnung der S nach jedem Schritt BETWEEN
Direct Fractional Linear Discriminent Analysis - DF-LDA
WSWWBETWEENLDADF
T
Wmaxarg
Erweiterte Mehtoden22
III ERWEITERTE METHODEN
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
III KLASSIFIKATIONSERGEBNISSE
Belhumeur: Eigenfaces vs. Fisherfaces: Recognition Using Class Specific Linear Projektion
23
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
III KLASSIFIKATIONSERGEBNISSE
Chengjun Liu; Harry Wechsler; Enhanced Fisher Linear Discriminant Models for Face Recognition
24
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
III KLASSIFIKATIONSERGEBNISSE
ORL – Olivetti-Oracle Research Lab FERET- Face Recognition Technology
Ergebnisse: MAXIMUM UNCERTAINTY LDA (NLDA)
25
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
III KLASSIFIKATIONSERGEBNISSE
Ergebnisse: Direct Fractional-LDA (DF-LDA)
Projektionen von 5 Personen:
PCA D_LDA DF_LDA
26
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
III KLASSIFIKATIONSERGEBNISSE
Ergebnisse: Direct Fractional-LDA (DF-LDA)
27
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
III KLASSIFIKATIONSERGEBNISSE- Viele verschiedene Testdatenbanken:
- Olivetti Oracle Research Lab DB (ORL)- Face Recognition Technology DB (FERET)- UMIST Database- YALE Database
YALE
FERET
28
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
IV Zusammenfassung
Gesichtserkennung mittels Hauptachsen-Transformtionen
relativ unempfindlich gegenüber schlechter Auflösung
LDA unempfindlicher gegenüber PCA bezüglich Helligkeitsschwankung, Mimik, Gesichtsposition
Fortgeschrittene LDA-Methoden können Fehlererkennungsrate senken
Anwendungerfolge bei verschiedenen Testdatenbanken fallen unterschiedlich aus
29
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
Dank an die Zuhörer für die Aufmerksamkeit und
Danke an Peter Dunker für die Unterstützung
FRAGEN ?
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
Add-on: Matrixmultiplikation
kT
kxWy
100,20001,2000
1,2
100,12,11,1
..
..
.
..
]1002000[
xx
x
xxx
Bilderpixelx
2000,201,20
1,2
2000,12,11,1
..
..
.
..
]200020[
WW
W
WWW
TW
Zusatzfolien
Bsp.: Projektion von Bildmatrix in Unterraum:
100,201,20
1,2
100,12,11,1
..
.
.
.
]10020[
yy
y
yyy
T xW
Z 1
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
Add-on: Lösung des Eigenwertsystems der Kovarianzmatrix
Zusatzfolien
XECXEXEXEXX
EXEXELET
T
Z 2
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
Add-on: Kovarianzmatrix
44
31A
5.05.45.1
5.1)( AKOV
Zusatzfolien
- Abweichung vom arithmetischen Mittelwert
- Diagonale: Varianz innerhalb der jeweiligen Klasse
- Elemente ausserhalb der Diagonale: Kovarianzen
N
n
TnnN
KOV1
1
Z 3
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
Add-on: II BILDTRANSFORMATION
Verdunklung um 40 Grauwertstufen
Facial Recognition as a Pattern Recognition Problem; Wang, ECE 407NA 2005
Z 4
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
Add-on: II Eigenfaces
PCs = Eigenvektoren der Kovarianzmatrix der
_ _ _ _ _ _ _ _ _ gesamten BildmatrixTC iii
ECE
TL- Problem: C hat die Dimension N x N !
iiiELE
- L hat die Dimension M x M !- Eigenvektoren von L = Eigenvektoren von C
Transformationsmatrix: EWPCA
Z 5
Vergleich von Gesichtserkennungsverfahren
Peter Hamm
Add-on: II Fisherfaces
„Within-Class Scatter“ = Summe der Kovarianz jeder Klasse
Tjj
M
jjpWITHIN
S
1
T
globaliglobali
K
iiNBETWEEN
S1
„Between-Class Scatter“ = Summe der Kovarianz aller Klasse
Lösung Fisher‘s criterion:
EESSBETWEENWITHIN
1
Z 6