Rozpoznawanie wzorców
Dr inż. Michał Bereta
p. 144 / 10, Instytut Informatyki
mbereta@pk.edu.pl
beretam@torus.uck.pk.edu.pl
www.michalbereta.pl
Rozpoznawanie twarzy
Co znaczy “rozpoznawad”
• Detekcja
• Identyfikacja
• Weryfikacja
• Inne
– Rozpoznawanie płci
– Rozpoznawanie nastroju
– Rozpoznawanie wieku
Rozpoznawanie twarzy
• Detekcja
– Wykryd twarz / twarze jeśli istnieje na danym
zdjęciu
– Czy można oczekiwad, że zawsze jest co najmniej
jedna twarz?
Rozpoznawanie twarzy
• Identyfikacja
– Zaklasyfikowad nieznaną twarz do jednej ze
znanych klas, lub zgłosid fakt, iż jest to nieznana
twarz
– Zaprezentowad listę najbardziej
prawdopodobnych klas (znanych osób)
Rozpoznawanie twarzy
• Identyfikacja
– Zaprezentowad listę najbardziej
prawdopodobnych klas (znanych osób)
– Przykład: w celu odszukania w bazie znanych
przestępców danej osoby, użytkownik będzie
całkowicie zadowolony, jeśli prawdziwa osoba
zostanie wskazana na jednym z czołowych miejsc
na liście (niekoniecznie na pierwszym miejscu)
• rank-5 recognition rate – procent poprawnie
zidentyfikowanych twarzy, które znalazły się w
Rozpoznawanie twarzy
Identyfikacja
• Przykład
– System 1:
• rank-1 recognition rate = 85%
• rank-5 recognition rate = 87%
– System 2:
• rank-1 recognition rate = 80%
• rank-5 recognition rate = 93%
Rozpoznawanie twarzy
Weryfikacja
• Osoba deklaruje swoją tożsamośd
• System ma zwerfikowad, czy dana osoba to
rzeczywiście ta zadeklarowana
• Czułośd vs specyficznośd testu
– Jaki rodzaj błędu jest bardziej kosztowny
• Odrzucenie osoby poprawnie deklarującej swoją
tożsamośd
• Zaakceptowanie oszusta
Rozpoznawanie twarzy
Inne
– Rozpoznawanie płci
– Rozpoznawanie nastroju / uśmiechu
– Rozpoznawanie wieku
Rozpoznawanie twarzy
• “Age invariant face recognition”
• “Face recognition across the ages”
Detekcja twarzy
• System Rowley’a (1998)
Detekcja twarzy
Klasyfikator: sied neuronowa typu MLP o odpowiednio dobranej architekturze
Detekcja twarzy
Przykłady uczące z drugiej klasy (nie twarze) są dobierane na bieżąco w trakcie nauki sieci.
Co pewną liczbę iteracji sied skanuje zdjęcia, które na pewno nie zawierają twarzy.
Fragmenty, które sied błędnie klasyfikuje jako twarze, są dodawane do zbioru trenującego i proces nauki jest kontynuowany.
Detekcja twarzy
Metoda oparta na falkach Haara (Viola, Jones,
2001)
•Oparty na atrybutach “falkopodobnych” (falki Haara) •Szybkie obliczenia (tzw. Integral image)
•Szybkie skanowanie przy pomocy architektury kaskadowej •Klasyfikator: AdaBoost
Detekcja twarzy
Bardzo szybkie obliczenia na podstawie tzw.
“Integral image”
Wartości pikseli oryginalnego obrazu Wartości pikseli w
Detekcja twarzy
Problem
• Bardzo duża liczba atrybutów
• Nie wszsytkie są przydatne do klasyfikacji
twarz/nie twarz
Detekcja twarzy
Algorytm AdaBoost jednocześnie trenuje klasyfikator i wybiera przydatne atrybuty.
W każdej iteracji algorytmu
tworzony jest prosty klasyfikator operujący jedynie na jednym atrybucie (tzw. stamp classifier), który aktualnie wnosi największą poprawę.
Każdy kolejny prosty (bazowy) klasyfikator zwraca większą uwagę na przykłady, które
sprawiały trudności poprzednim klasyfikatorom.
Ostateczny klasyfikator agreguje odpowiedzi wszystkich bazowych klasyfikatorów.