View
220
Download
5
Category
Preview:
Citation preview
Localização de Faces
A. Rocha, 2012 .:. Localização e Reconhecimento de Faces
Localização de Faces
‣ Qual a abordagem mais simples possível?
‣ Qual o problema dessas abordagens?
‣ Como melhorar?
2
A. Rocha, 2012 .:. Localização e Reconhecimento de Faces
Localização de Faces
3
?
A. Rocha, 2012 .:. Localização e Reconhecimento de Faces
Localização de Faces
‣ Basicamente em cada representação (sub-janela) tem-se que decidir o que é face/não-face
‣ Alternativa – PCA e sub-espaços para a representação e classificadores para a decisão
‣ Redes neurais, por exemplo
‣ Qual o problema? Localização precisa ser tempo real
4
A. Rocha, 2012 .:. Localização e Reconhecimento de Faces
Detetor de Viola-Jones
‣ Uma maneira de acelerar o processo consiste em utilizar classificadores fracos e características bem simples
‣ Viola e Jones propõem utilizar retângulos como características para localização de faces
5
A. Rocha, 2012 .:. Localização e Reconhecimento de Faces
Detetor de Viola-Jones
‣ Três tipos de características básicas
‣ O valor de uma característica de dois retângulos é a diferença
6
XR
Branco
�X
RPreto
A. Rocha, 2012 .:. Localização e Reconhecimento de Faces
Detetor de Viola-Jones
‣ A resolução do detetor proposto é de 24x24 pixels
‣ Qual o problema?
‣ Inúmeras combinações diferentes de retângulos
7
A. Rocha, 2012 .:. Localização e Reconhecimento de Faces
Detetor de Viola-Jones
‣ A solução consiste em
• encontrar as melhores características
• computar cada característica de forma mais rápida possível
‣ Como?
• Adaboosting e Imagem Integral
8
A. Rocha, 2012 .:. Localização e Reconhecimento de Faces
Detetor de Viola-Jones
‣ Uma imagem integral, ii, consiste em uma representação de uma imagem i tal que o valor na posição (x,y) de ii contém a soma dos pixels acima e à esquerda de x,y em i, inclusive
9
ii(x, y) =X
x
0x,y
0y
i(x0, y0).
A. Rocha, 2012 .:. Localização e Reconhecimento de Faces
Detetor de Viola-Jones
‣ Com uma imagem integral, a avaliação de qualquer característica de retângulo pode ser feita com 4 referências à imagem
‣ Qual o custo de uma diferença? E se houver interseção?
10
A. Rocha, 2012 .:. Localização e Reconhecimento de Faces
Detetor de Viola-Jones
‣ Como calcular a soma na região D abaixo?
11
A B
C D
L2
L4L3
L1
D =X
(L4 + L1 � (L2 + L3))
A. Rocha, 2012 .:. Localização e Reconhecimento de Faces
Detetor de Viola-Jones
‣ Para selecionar as características mais efetivas, Viola e Jones utilizam Adaboost
‣ O procedimento consiste em treinar vários classificadores fracos (resposta melhor que 50/50)
‣ Combinar os diversos classificadores em um classificador forte
12
A. Rocha, 2012 .:. Localização e Reconhecimento de Faces
Detetor de Viola-Jones
‣ Um classificador fraco hj é formado por uma característica, um limiar e uma polaridade (+/-)
‣ A cada seleção de um classificador fraco, a característica mais apropriada é selecionada
13
hj(x) =
⇢1 se pjfj(x) < pj✓j
0 caso contrario.
Janela24x24 pixels
Valor do filtroParidade
Threshold
A. Rocha, 2012 .:. Localização e Reconhecimento de Faces
Detetor de Viola-Jones
‣ Como então é feita a seleção de classificadores?
‣ Defina um conjunto exaustivo de características (filtros retângulos)
‣ O treinamento consiste em múltiplos rounds
14
A. Rocha, 2012 .:. Localização e Reconhecimento de Faces
Detetor de Viola-Jones
‣ Para cada round
• Avalie cada filtro em cada exemplo de treinamento
• Selecione o melhor threshold para cada filtro
• Selecione a melhor combinação filtro/threshold
• Aumente os pesos dos exemplos classificados erroneamente
15
A. Rocha, 2012 .:. Localização e Reconhecimento de Faces
Detetor de Viola-Jones
‣ Qual a complexidade do treinamento?
‣ M rounds, N exemplos, K características (filtros)
16
O(M ⇥N ⇥K)
A. Rocha, 2012 .:. Localização e Reconhecimento de Faces
Detetor de Viola-Jones
‣ Duas características selecionadas por boosting
17
A. Rocha, 2012 .:. Localização e Reconhecimento de Faces
Detetor de Viola-Jones
‣ Tem como melhorar?
‣ Eliminar a maior quantidade de características não efetivas possível enquanto aumentando a taxa de detecção correta
‣ Classificadores em cascata
‣ Os exemplos de treinamento (não-face) de um nível vêm dos falsos-positivos dos níveis anteriores da cascata
18
A. Rocha, 2012 .:. Localização e Reconhecimento de Faces
Sub-janelas
Detetor de Viola-Jones
19
1 + Processamento2 3 4 5
Rejeitar Sub-janela
V V V V
F F F F F
V
A. Rocha, 2012 .:. Localização e Reconhecimento de Faces
Detetor de Viola-Jones
‣ E como funciona o teste?
‣ O detetor treinado com X níveis na cascata é aplicado na imagem em diversas escalas e posições
‣ A escala é obtida fazendo o redimensionamento do detetor em si e não da imagem
‣ Por exemplo, um detetor de Viola-Jones típico tem 38 camadas e filtros de 24x24 pixels (resolução base)
20
Recommended