1 / 16

Face Detection

Face Detection. Hauptseminar Smart Environments Oliver Heyn Betreuer: Matthias Wimmer Lehrstuhl Informatik IX 6. November 2003. Einleitung. Einleitung Verschiedene Methoden Example-based Face Detection. Was verstehen wir unter Gesichtserkennung?

gage
Télécharger la présentation

Face Detection

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript


  1. Face Detection Hauptseminar Smart Environments Oliver Heyn Betreuer: Matthias Wimmer Lehrstuhl Informatik IX 6. November 2003

  2. Einleitung • Einleitung • Verschiedene Methoden • Example-based Face Detection • Was verstehen wir unter Gesichtserkennung? • Wieso ist Gesichteserkennung wichtig für unser Seminar? • Hauptprobleme der Gesichtserkennung • 3 Dimensionalität (Posen) • Vorhanden oder Nichtvorhandensein von einzelnen Komponenten • Gesichtsausdruck • Sichtbarkeit • Bildzustand Face Detection - Hauptseminar Smart Environments

  3. Wissenbasierte Methode Gesichtslokalisierung in Bildern • Einleitung • Verschiedene Methoden • - Wissenbasierte Methode • - Template-Matching • Example-based Face Detection Face Detection - Hauptseminar Smart Environments

  4. Template Matching Methodes Gesichtslokalisierung in Bildern • Einleitung • Verschiedene Methoden • - Wissenbasierte Methode • - Template-Matching • Example-based Face Detection Face Detection - Hauptseminar Smart Environments

  5. Example-Based Face Detection • Einleitung • Verschiedene Methoden • Example-based Face Detection • - Konstruktion • + Vorberechnungen • + Positive Prototypen • + Negative Prototypen • - Vergleich mit dem Modell • - Klassifizierer • - Resultate Vorberechnungen: • Skalierung • Maskierung • Helligkeitskorrektur Face Detection - Hauptseminar Smart Environments

  6. Positive Prototypen Konstruktion des Verteilungsbasierten Modells • Einleitung • Verschiedene Methoden • Example-based Face Detection • - Konstruktion • + Vorberechnungen • + Positive Prototypen • + Negative Prototypen • - Vergleich mit dem Modell • - Klassifizierer • - Resultate Face Detection - Hauptseminar Smart Environments

  7. Positive Prototypen • Einleitung • Verschiedene Methoden • Example-based Face Detection • - Konstruktion • + Vorberechnungen • + Positive Prototypen • + Negative Prototypen • - Vergleich mit dem Modell • - Klassifizierer • - Resultate Algorithmus zum Erzeugen des Verteilungsmodells • Erzeugung der 6 Mittelpunkte und Zuteilung der Daten • Initialisierung der Kovarianzmatrizen • …Neuberechnung der Mittelpunkte • …….Neuverteilung der Daten …….(Mahalanobis-Distanz) • …Neuberechnung der Kovarianzmatrizen • …Neuverteilung der Daten (Mahalanobis-Distanz) • Ausgabe (Mittelpunkte,Cluster,Kovarianzmatrizen) Face Detection - Hauptseminar Smart Environments

  8. Negative Prototypen • Einleitung • Verschiedene Methoden • Example-based Face Detection • - Konstruktion • + Vorberechnungen • + Positive Prototypen • + Negative Prototypen • - Vergleich mit dem Modell • - Klassifizierer • - Resultate Face Detection - Hauptseminar Smart Environments

  9. Überblick: Vergleich von Bildern mit dem Modell • Einleitung • Verschiedene Methoden • Example-based Face Detection • - Konstruktion • - Vergleich mit dem Modell • + Zwei-Werte-Distanz-Metrik ~ Erste Komponente ~ Zweite Komponente • - Klassifizierer • - Resultate Face Detection - Hauptseminar Smart Environments

  10. Zwei-Werte Distanz Metrik • Einleitung • Verschiedene Methoden • Example-based Face Detection • - Konstruktion • - Vergleich mit dem Modell • + Zwei-Werte-Distanz-Metrik ~ Erste Komponente ~ Zweite Komponente • - Klassifizierer • - Resultate Face Detection - Hauptseminar Smart Environments

  11. Erste Komponente • Einleitung • Verschiedene Methoden • Example-based Face Detection • - Konstruktion • - Vergleich mit dem Modell • + Zwei-Werte-Distanz-Metrik ~ Erste Komponente ~ Zweite Komponente • - Klassifizierer • - Resultate • Das Testbild wird in einen 75 dimensionalen Sub-Raum projiziert • Der Sub-Raum wird durch die 75 größten Eigenvektoren des zu vergleichenden Clusters aufgespannt • Die Mahalanobische-Distanz zum Cluster-Mittelpunkt wird berechnet und ergibt die erste Distanz-Komponente Face Detection - Hauptseminar Smart Environments

  12. Zweite Komonente • Einleitung • Verschiedene Methoden • Example-based Face Detection • - Konstruktion • - Vergleich mit dem Modell • + Zwei-Werte-Distanz-Metrik ~ Erste Komponente ~ Zweite Komponente • - Klassifizierer • - Resultate • Das Testbild wird in einen 75 dimensionalen Sub-Raum projiziert • Es wird die Euklidische-Distanz zwischen der Projektion und dem Testbild bestimmt • Dieser Wert ergibt die zweite Distanz-Komponente • Sie ergänzt die erste Komponente um die Distanz die dort nicht berücksichtigt wurde Face Detection - Hauptseminar Smart Environments

  13. Multi-Layer-Perceptron Bewertung durch einen Klassifizierer • Einleitung • Verschiedene Methoden • Example-based Face Detection • - Konstruktion • - Vergleich mit dem Modell • - Klassifizierer • + Multi-Layer-Perceptron • - Resultate Face Detection - Hauptseminar Smart Environments

  14. Resultate • Einleitung • Verschiedene Methoden • Example-based Face Detection • - Konstruktion • - Vergleich mit dem Modell • - Klassifizierer • - Resultate • + Bilder • + Tabellen Face Detection - Hauptseminar Smart Environments

  15. Resultate • Einleitung • Verschiedene Methoden • Example-based Face Detection • - Konstruktion • - Vergleich mit dem Modell • - Klassifizierer • - Resultate • + Bilder • + Tabellen Face Detection - Hauptseminar Smart Environments

  16. ENDE Vielen Dank für die Aufmerksamkeit

More Related