Detecccion de caras1 Deteccion de caras-2 A fast and accurate face detector based on neural networks, R. Feraud, O.J. Bernier, J.E. Viallet, M. Collobert,

Presentación del tema: "Detecccion de caras1 Deteccion de caras-2 A fast and accurate face detector based on neural networks, R. Feraud, O.J. Bernier, J.E. Viallet, M. Collobert,"— Transcripción de la presentación:

1 detecccion de caras1 Deteccion de caras-2 A fast and accurate face detector based on neural networks, R. Feraud, O.J. Bernier, J.E. Viallet, M. Collobert, IEEE PAMI, 23(1) (2001) pp.42

2 detecccion de caras2 Estructura Detección basada en movimiento (90% rechazo) Detección basada en color (60% rechazo) Detección basada en MLP (93% rechazo) Detección basada en Constrained Generative Model

3 detecccion de caras3 Aplicación Detección de caras en secuencias de vídeo para indexación: dar la posición y la escala. Busca ventanas de 15x20 que puedan corresponder a caras. Minimizar las falsas alarmas

4 detecccion de caras4

5 5 Filtro de movimiento: corresponde a la binarización de imágenes diferencia Filtro de color: hecho a partir de una tabla de colores obtenida manualmente a partir de imágenes de caras. Las ventanas con pocos pixeles “cara” se descartan.

6 detecccion de caras6 Los bloques detectados mediante color se examinan por una red MLP entrenado con backprop. 300 entradas, 20 hidden, 1 output (6041 pesos) Conjunto de entrenamiento 8000 caras en vistas frontales y laterales, 50000 imágenes de no caras Preproceso del input: ecualización y suavización, extracción de la cara media. Resultados: 99% aciertos, 1% falsas alarmas.

7 detecccion de caras7 Método de detección basado en PCA: la verosimilitud de cara se calcula como el producto de la distancia al subespacio principal (error de reconstrucción) y la distancia a un cluster en el subespacio de caras. Si el subespacio de las caras no es lineal, se sobreestima.

8 detecccion de caras8 Consideran la distancia al conjunto de caras Proyección en el subespacio de caras: Cara más cercana, Cara promedio de las k más cercanas Distancia al espacio de caras. Aproximación propuesta: construir una red con la misma dimensión en el input y en el output que calcula la proyeccion en el subespacio de caras. La detección se realiza en función de la distancia al espacio de caras.

9 detecccion de caras9

10 10 Entrenamiento: minimiza la función de costo Respuesta de la red Respuesta deseada de la red Clasificación de una ventana: se calcula la distancia al conjunto de caras Se aplica un umbral a esta distancia

11 detecccion de caras11 Ventajas de la aproximación Mejora la estimación de la distancia respecto de la media de los k vecinos El tiempo de cálculo no depende del número de ejemplos.

12 detecccion de caras12 Desventajas Necesita contraejemplos para modelar la proyección.

13 detecccion de caras13 Probabilidad de cara La probabilidad de que una ventana pertenezca al conjunto de caras se puede expresar:

14 detecccion de caras14 Algoritmo de selección de contraejemplos Entrenamiento Escoge umbral Evalua la falsa alarma con imágenes sin caras Se cogen imágenes de fondo correspondientes a falsas alarmas. Se incrementa la base de datos Se detiene el proceso cuando el ratio de falas alarmas no decrece.

15 detecccion de caras15

16 detecccion de caras16 Los contrajemplos escogidos se acercan rapidamente a las caras. No se necesitan un conjunto denso y uniforme de contraejemplos. No se necesitan contraejemplos en la frontera de los casos. Se consigue aislar un cluster de forma indefinida y desconocida.

17 detecccion de caras17 Algoritmo de selección de ejemplos de caras

18 detecccion de caras18 Combinación de CGM Para obtener mayor robusted y reconocimiento de diversas orientaciones. Architectura –agrupada (ensembles) –Mezcla condicional –Ensembles condicionales

19 detecccion de caras19 Arquitectura agrupada: la salida es la media de las salidas de los detectores individualizados. Las salidas de las unidades corresponden a las probabilidades de reconocimiento.

20 detecccion de caras20 Mezcla condicional: utiliza una red-puerta Particiona el conjunto de entrenamiento por una variable aleatoria que caracteriza alguna circunstancia de la imagen: i.e. pose Cada módulo evalúa la probabilidad de cara condicionada a la pose Salida de la red puerta que determina la pose Salida total del sistema. función de costo entrenamiento de la red-puerta

21 detecccion de caras21 Ensemble condicional: se entrena como la mezcla condicional para las caras y como el ensemble para las no caras. Ejemplo con dos poses de caras: Los estimadores separados nos dan combinación función de costo de entrenamiento de la red-puerta (Para que se usa?)

22 detecccion de caras22 Aceleración La respuesta de la red es suave y máxima en la localización de la cara detectada. Esto permite espaciar los puntos en los que se examina la imagen. Se aplican los detectores a los vecindarios de los vertices de una malla regular. Para puntos que superan un umbral se hace una búsqueda fina en su entorno, los resultados que superan un segundo umbral se guardan. Se examinan los solapamientos para descartar o unir detecciones.

23 detecccion de caras23 Resultados experimentales Base de datos de caras: 8000 caras, agrupadas en cuatro grupos dependiendo de la orientación de la vista (intervalos de 20˚). Cinco CGM, cuatro para cada orientación el quinto para toda la base de datos. Contra-ejemplos (2000 por cada CGM) se obtienen de 100 imágenes de background. Otras 100 sirven de test de falsas alarmas.

24 detecccion de caras24 Conjuntos de test Sussex face datbase: 10 caras, 10 orientaciones entre 0˚ y 90˚ CMU A: 42 imágenes CMU test 1:130 imágenes con 507 caras Detección de orientación, base propia de 30 individuos con 10 orientaciones Test set obtenido de la web con 13182 imágenes

25 detecccion de caras25

26 detecccion de caras26

27 detecccion de caras27

28 detecccion de caras28 Aplicación: indexación de video. Se extraen las caras y se indexan los videos con caras extraidas