ppt - Dipartimento di Informatica e Sistemistica
annuncio pubblicitario
Tesi di laurea in Ingegneria Informatica V.O. Tracciamento Automatico dei Movimenti del Volto Umano Relatore: Prof. Marco Schaerf Correlatore: Ing. Marco Fratarcangeli Candidato: Gabriele Fanelli Sommario Obiettivi Descrizione del metodo: Active Appearance Models Costruzione Adattamento Risultati Conclusioni Obiettivi Sistema capace di determinare: Posizione e forma di un volto generico da immagini statiche Movimenti globali e deformazioni in un volto specifico da sequenze video Immagini provenienti da telecamere di fascia bassa (webcam) Active Appearance Models Modelli generativi e parametrici del volto Forma Apparenza Costruiti statisticamente da immagini esempio (training) Apprendimento delle variazioni permesse Algoritmo di adattamento Ricerca dei parametri che rendono il modello simile ad una nuova immagine Sommario Obiettivi Active Appearance Models Costruzione Adattamento Risultati Conclusioni AAM generici - specifici Set identità Set espressivo Forma Def.: Maglia triangolata Vettore delle coordinate dei vertici Modellazione: Collezione dei vettori Allineamento Principal Component Analysis: Calcolo media Calcolo matrice di covarianza Selezione degli autovettori corrispondenti agli autovalori maggiori Modello lineare di forma Parametri di controllo Nuova forma Forma media (base) Vettori di forma Apparenza • Intensità dei pixel all’interno della forma base • Le immagini di training vanno normalizzate rispetto alla forma Modello lineare di apparenza Nuova texture Texture media Parametri di apparenza Eigenfaces Istanza completa Immagine: cortesia di Simon Baker Sommario Obiettivi Active Appearance Models Costruzione Adattamento Risultati Conclusioni Algoritmo di adattamento Minimizzare la differenza tra: Immagine in ingresso mappata sulla forma base Istanza del modello (apparenza) Utilizzato l’Inverse Compositional Algorithm Algoritmo di adattamento Immagine in ingresso Apparenza corrente Texture deformata sottrazione Forma corrente Immagin e differenz a Algoritmo di adattamento Apparenza corrente ∆λ ∆p Forma corrente Immagin e differenz a Inizializzazione Punto d’inizio adeguato per la ricerca Localizzatore di facce - OpenCV Adattamento Sommario Obiettivi Active Appearance Models Costruzione Adattamento Risultati Conclusioni Test 1: immagini “viste” Entrambi i modelli adattati a immagini presenti nel training set Oggetto: Qualità dell’algoritmo Dipendenza dalla traslazione iniziale Misura: errore RMS Disponibili le coordinate selezionate manualmente Test 1: immagini “viste” Errore RMS Distanza iniziale dal centro della faccia in % dell’altezza dell’immagine Test 1: immagini “viste” Test 2 : Immagini “non viste” Immagini non presenti nel training set Oggetto: Qualità algoritmo Capacità del modello generico di descrivere nuove facce Giudizio visivo 60% di risultati positivi Immagini “non viste” - successo Immagini “non viste” - fallimento Test 3: video Test 3: video Test 3: video Conclusioni Sistema implementato: Migliorabile per caso generico Buoni risultati nello specifico Sviluppi futuri: Ampliamento training Tempo reale 3D
