DOCUMENTI

DOCUMENTI
3D FACE AUTHENTICATION & RECOGNITION BASED ON BILATERAL SYMMETRY ANALYSIS
Si prendono dei triangoli facciali come input per estrarre la simmetria bilaterale dei piani della superficie facciale.
L’intersezione tra questa e la superficie facciale viene detta profilo di simmetria.utilizzando le curvature significative facciali
e le curvature del profilo di simmetria vengono estratti tre punti del naso, che determinano unicamente una FICS (face
intrinsic coordinate system). Le facce vengono allineate sulle FICS e viene composto un SFC dato dal profilo di simmetria e
2 profili traversi. L’autenticazione e il riconoscimento sono effettuati confrontando le SFC.
3D FACE AUTHENTICATION BY MUTUAL COUPLED 2D AND 3D FEATURE EXTRACTION
Metodo di estrazione 2D/3D x determinare la posizione degli occhi e del naso (come linea verticale tra di essi) dopodichè
viene determinato il piano di simmetria. Il profilo centrale che è sul piano di simmetria viene usato per effettuare il
riconoscimento. Si usa una funzione pesata per determinare il comportamento del piano di simmetria. Si prendono in input
immagini 2,5D e le loro texture per confrontarle con il database. Il valore della distanza pesata tra le immagini è usata x
l’autenticazione.
3D FACE AUTHENTICATION USING THE SURFACE INTERPENETRATION MODE
Viene utilizzato un algoritmo detto Surface Interpenetration Measure (SIM) e viene comparato con altri algoritmi presenti in
letteratura
3D FACE RECOGNITION BASED ON 3D RIDGE LINES IN RANGE DATA
Riconoscimento basato sulla curvature principale (immagine binaria in 3D chiamata immagine delle creste lungo le regioni +
importanti della faccia) e distanza di Hausdorff con la quale si fanno le valutazioni ed i confronti cercando 3 punti per
triangolare le coordinate.
3D FACE RECOGNITION BASED ON GEOMETRICAL MEASUREMENT
Si ottiene un volto 3D con misurazioni geometriche ed estrazione dei punti di features. Viene creato un vettore composto da
11 features
3D FACE RECOGNITION BASED ON G-SHAPE VARIATION
Le nuvole di punti 3D vengono registrati durante la scansione e vengono generate mesh regolari. Dopodichè vengono
rappresentate le variazioni di forma con le Gaussiane-Hermite per caratterizzare un individuo
3D FACE RECOGNITION BASED ON HIGH RESOLUTION 3D FACE MODELLING FROM FRONTAL AND
PROFILE VIEWS
Si considerano le info sia dal frontale che dal profilo. I dettagli sono riconosciuti incrementando la risoluzione dell’immagine
in input e costruendo l’immagine 3D da 2 punti di vista. Vengono usate le informazioni geometriche per indicizzare il
database. Il sistema è composto da 3 moduli:
- creazione del modello del volto da 2 punti di vista del volto
- fare una sintesi del modello
- confronto della sintesi con il database
ci sono 5 componenti chiave:
- estrazione della forma del volto
- ricostruzione dettagli volto (algoritmo di hyper resolution)
- feature detection da 2 viste faccia
- adattamento del modello all’alta risoluzione
- ricostruzione delle informazioni del volto
3D FACE RECOGNITION BASED ON A NON-ITERATIVE REGISTRATION & SINGLE B-SPLINE PATCH
MODELLING TECNIQUES
Si crea una nuvola densa di punti 3D da una scansione con una tecnica fotogrammetrica stereofonica. Siccome le nuvole sono
orientate diversamente, possiamo trasformarle nelle posizioni canoniche. Si usa un algoritmo b-spline x rappresentare i volti
e compararli (vettore Knot che adatta la superficie b-spline ad un oggetto complesso rappresentato come una nuvola di punti)
3D FACE RECOGNITION BY MODELLING THE ARRANGEMENT OF CONCAVE&CONVEX REGIONS
I tratti base sono codificati estraendoli dalle superfici concave e convesse del modello. Viene creato un grafico con le misure
delle distanze tra le regioni. Le comparazioni vengono fatte trai grafici.
3D FACE RECOGNITION BASED ON FEATURE ANALYSIS AND SUPPORT VECTOR MACHINE
Si normalizzano l’altezza e gli angoli dei dati 3D x rimuovere distorsioni dovute alla posa. Poi vengono estratte features da
alcune regioni specifiche (10 features).
3D FACE RECOGNITION USING EIGEN-SPECTRUM ON THE FLATTENED SURFACE
La superficie viene inizialmente mappata con una triangolazione planare isomorfica in 2D x preservare la proprietà
geometriche. Lo spettro della superficie appiattita è usato x le autofacce x raggiungere l’invarianza nella rotazione planare.
3D FACE RECOGNITION WITH GEOMETRICALLY LOCALIZED SURFACE SHAPE INDEX
Controlla la posizione di occhi, naso e bocca. Si calcolano le geometrie della faccia normalizzate e le relative features. Si può
inoltre calcolare la forma di ciascun area delle feature per rappresentare la curvature caratteristica.
Il riconoscimento viene fatto con una macchina per le distanze pesate (Support Vector Machine SVM) e l’Indipendent
Component Analysis (ICA)
3D FACE STRUCTURE EXTRACTION & RECOGNITION USING 3D MORPHING AND DISTANCE MAPPING
Immagini multiple prese da pose qualunque. Con una cubica polinomiale si da la forma ad una generica faccia usando una
specifica struttura facciale. La stima del volto 3D è ottenuta usando una mappa delle distanze ( con dei classificatori basati
sulle geometrie). Gli errori residui sulle distanze e sull’intensità dell’immagine sono fuse insieme e registrate nel database.
3D FACE RECOGNITION USING A NOSE VOLUME AND A CURVATURE BASED EIGENFACE
viene valutata la curvatura delle superfici e le features orizzontali/verticali del naso (area e volume). La Principal Component
Analysis (PCA) è calcolata usando i dati sulla curvatura. Le facce sono classificate con architetture fuzzy di reti neurali in
cascata.
3D FACIAL RECOGNITION USING EIGENFACES AND CASCADE FUZZY NEURAL NETWORK NORMALIZED
FACIAL APPROACH
Le curvature delle superfici rappresentano le info + importanti. La Principal Component Analysis (PCA) usando le curvature
riduce la dimensione dei dati senza perdita di info originali e si fa ricognizione su autofacce usando la massima e minima
curvatura. Le facce sono classificate con architetture Fuzzy di reti neurali in cascata.
3D FACE RECOGNITION USING POINT SIGNATURE
Viene trattato il volto come se fosse un oggetto non rigido. Le parti rigide di una persona sono estratte dopo aver estratto da
un dataset con un range di facce aventi differenti espressioni e quindi viene creata una libreria per indicizzarle. Il
riconoscimento avviene indicizzando il modello con le librerie ed accostandolo ai modelli con similitudini maggiori. Il grado
di similitudine è il risultato finale.
A NOVEL 3D FACE RCOGNITION ALGORITHM USING TEMPLATE BASED REGISTRATION SRATEGY &
ARTIFICIAL NEURAL NETWORKS
Algoritmo resistente alle rotazioni e traslazioni basato su Iterative Closest Point Algorithm (ICP) e su normalizzazione dei
template. Si utilizzano reti neurali per effettuare i riconoscimenti.
A NOVEL FACIAL FEATURE POINT LOCALIZATION METHOD ON 3D FACES
Si localizzano le features combinando la forma globale del modello e la superficie locale del modello (utilizzando le superfici
di Beziers) la forma globale è utilizzata per velocizzare le ricerche.
A PROBABILISTIC NEURAL NETWORKS SYSTEM TO RECOGNIZE 3D FACES
Il sistema consiste in un’architettura modulare dove un set di reti neural probabilistiche coopera con I modelli grafici per
riconoscere le persone. La logica è semplice: ogni rete può discriminare tra il target ed i campioni del dataset utilizzando
colori l,u,v e coordinate polari
A REAL TIME GAZE POSITION ESTIMATION METHOD BASED ON A 3D EYE MODEL
Viene determinate la posizione degli occhi e il vettore dello sguardo delle pupille. Vengono presentati 7 sviluppi di metodi
precedenti
A SURVEY OF 3D FACE RECOGNITION METHODS
Come sono stati affrontati I problemi relativi alla posa, intensità di luce e direzione, espressioni facciali ed invecchiamento.
AN AUTOMATIC 2D - 2,5D – 3D SCORE BASED FUSION FACE & VERIFICATION SYSTEM
Per ciascuna immagine è stata applicata una differente feature extraction (PCA & Support Vector Machine per 2-2,5D e
iterative closest point per 3D). una fusione a livello di score è stata fatta a 2 a 2 dopo normalizzazione (min-max) e
standardizzazone (z-score)
AUTOMATIC 3D FACIAL SEGMENTATION AND LANDMARK DETECTION
Metodi per il riconoscimento dei volti e loro features per migliorare il riconoscimento 3D in presenza di variazioni di
espressioni. Il metodo combina tecniche di segmentazione tradizionali con metodi per determinare le features facciali
combinando metodi 2D con curvature di superfici.
AUTOMATIC DETECTION OF FACIAL FEATURES POINT AND CONTOURS
Vengono individuate le posizioni delle features e poi vengono estratti i loro contorni tramite info sul colore e sui bordi
usando un modello di contorni attivi.
AUTOMATIC FEATURE DETECTION FOR OVERLAPPING FACE IMAGES ON THEIR 3D RANGE MODELS
Algoritmo per il riconoscimento automatic delle features in 2D che procede x raffinamenti successive delle features. Prima
individua le features, poi le processa singolarmente utilizzando diversi algoritmi specifici.
AUTOMATIC SINGLE VIEW-BASED 3D FACE SYNTHESIS FOR UNSUPERVISED MULTIMEDIA APPLICATIONS
Algoritmo che sintetizza un’immagine 3D a partire da un primo piano con sfondo complesso. Prima individua il volto con
l’algoritmo Bayesiano per i toni della pelle e poi vengono estratte alcune caratteristiche salienti (contorni occhi, bocca…). Poi
viene adattato il modello della faccia usando adattamenti globali e locali insieme alle informazioni geometriche ottenute dalle
feature extraction. Infine il modello è ottenuto utilizzando il modello 3D adattato con una mappa texture proveniente
dall’immagine input della faccia.
BIOMETRIC USER AUTHENTICATION BASED ON 3D FACE RECOGNITION UNDER UBIQUITOUS COMPUTING
ENVIRONMENTS
Algoritmo che reduce il numero di vertici ed ottimizza il tempo di computazione mantenendo un’accettabile livello di
performance di riconoscimento. Utilizzabile per il riconoscimento real-time.
SHAPE BASED RETRIEVAL AND ANALYSIS OF 3D MODELS
Concetti, metodi ed applicazioni x trovare ed analizzare modelli 3D nei database
DISCRIMANATING 3D FACES BY STATISTIC OF DEPTH DIFFERENCES
Metodo di riconoscimento volti 3D basato sulle statistiche delle differenze di profondità. Ogni valore dei pixel è normalizzato
x quanto riguarda la profondità con il corrispondente punto sulla superficie facciale. La differenza di profondità tra 2 punti
può descrivere la differenza tra due strutture facciali. Con un istogramma proporzionato sulle differenze di profondità
possiamo discriminare le differenze per il riconoscimento 3D.
ESTIMATING 3D SHAPE & TEXTURE USING PIXEL INTENSITY, EDGES, SPECULAR HIGHLICìGHTS, TEXTURE
CONSTRAINTS AND A PRIOR
Utilizza una foto e ricostruisce I parametri 3D sfruttando la posa e la direzione della luce per parametrizzare un modello 3D
EXPRESSION INVARIANT 3D FACE RECOGNITION
Approccio basato sugli invarianti geometrici introdotti da Elad&Kimmel. L’idea chiave dell’algoritmo è la rappresentazione
della supeficie faciale (invariante alle deformazioni isometriche) come quelle risultanti da differenti espressioni e posture. Gli
invarianti geometrici ottenuti permettono la mappatura delle textures 2D in immagini speciali che contengono la geometria
3D della faccia. Queste verranno successivamente scomposte nei principali componenti. Resiste ai mutamenti di espressione.
FACE RECOGNITION FROM 2D/3D IMAGES USIN HAUSDORFF DISTANCE
servono dati 3D ed un’immagine 2D in scala di grigio (su cui verrà utilizzato un filtro di Gabor e sulle immagini 3D verranno
rappresentati i point signatures). Infine le distanze verranno misurate con la structural Hausdorff distance.
FACE RECOGNITION USING MULTIMODAL 2D/3D LOCAL FEATURES
Le features sono estratte campionando uniformemente le regioni della faccia in coordinate base che sono invarianti alle pose.
La grande descrizione di queste feature lo rendono ideale x il riconoscimento interclasse. Nel 2D si usa il sift descriptor
(setaccio) ed i risultati vengono fusi con l’approccio 3d.
FACIAL FEATURE LOCATION WITH DELAUNAY TRIANGULATION AND VORONOI DIAGRAM
CALCULATION
Algoritmo per localizzare I punti chiave delle features della faccia. Delaunay e Voronoi sono applicate sui bordi delle
immagini binarizzate e descrivono le forme. Il metodo localizza le features nella regione ed è insensibile alle deformazioni.
GABOR FILTER BANK REPRESENTATION FOR 3D FACE RECOGNITION
Studio delle applicazioni del filtro di Gabor e della sua validità utilizzando database 2D/3D e autofacce.
KEYPOINT IDENTIFICATION AND FEATURE BASED 3D FACE RECOGNITION
Identifica i punti chiave dove ci sono variazioni di forma nelle superfici3D. Quindi le coordinate di base possono essere
definite localmente per ogni punto chiave facilitando l’estrazione di features invariantialle pose. La feature è estratta
adattando una superficie al vicino punto chiave e campionandolo su una griglia uniforme. Le features vengono proiettate sul
subspazio delle PCA e confrontate. Vengono costruiti grafici di similitudine e comparati.
LOCAL FEATURE BASED 3D FACE RECOGNITION
Algoritmo che estrae le features usando le caratteristiche geometriche della faccia. Vengono estratte 3 curvature, 8 punti
invarianti e le loro features. Gli aorimi diconoscimnvengono nuriti con ess. Uesi sibasano su analisi di profondità e support
vector machine (SVM) basate su features.
LOCAL OR GLOBAL 3D FACE AND FACIAL FEATURE TRACKER
Usa la correlazione canonica tra analisi e modello geometrico 3d (composto da 17 parametri: 6 per la posa e 11 per le
animazioni facciali…. Non molto interessante x riconoscimento
OPTIMAL LINEAR COMBINATION OF FACIAL REGIONS FOR IMPROVING IDENTIFICATION PERFORMANCE
Algoritmo che somma geometricamente le caratteristiche invarianti e le fonde con una trasformazione lineare. Gli invarianti
sono estratti da sottoregioni multiple di un’immagine 3D. i match vengono fatti nelle stesse sottoregioni. Il metodo di fusione
è basato sull’analisi di un discriminante lineare sviluppato per massimizzare la verifica con una combinazione pesata delle
similitudini.
REPRESENTATION PLURALITY & FUSION FOR 3D FACE RECOGNITION
Varietà di algoritmi per il riconoscimento volti 3D confrontati tra loro; verranno confrontati il modo di rappresentare I dati e
gli algoritmi di feature extraction.
SELECTION&EXTRACTION OF PATCH DESCRIPTORS FOR 3D FACE RECOGNITION
Nel riconoscimento 3D le informazioni sulla forma facciale giocano un ruolo importante. Normalmente vengono
rappresentate come nuvole di punti (set di coordinate 3D). prima venivano rappresentati da regioni del volto che si
supponevano uguali. Noi usiamo uno schema per la rappresentazione 3d basato sulle regioni dove le differenze sono trovate
con meccanismi di selezione. Vengono usate delle Linear Discriminant Analysis (LSA)
SOFT COMPUTING BASED RANGE FACIAL RECOGNITION USING EIGENFACES
La curvatura della superficie delle facce contiene le informazioni facciali + importanti. La curvatura delle superfici con le
autofacce (riducono le dimensioni dei dati senza degradare le info originali) collaborano x l’algoritmo di riconoscimento 3D.
le autofacce rappresentano il massimo ed il minimo della curvatura delle superfici. Le immagini faccialnormalizzate vengono
usate per l’algoritmo di riconoscimento. Per classificare le immagini si usano reti neurali fuzzy.
THREE DIMENSIONAL FACE RECOGNITION
L’idea di base è che le espressioni possono essere modellate come isometrie delle espressioni facciali. Questo permette di
costruire rappresentazioni invarianti alle espressioni usando la forma canonica invariante alle piegature.
Può distinguere 2 gemelli.
Con questo metodo non serve esplicitare tuta la superficie, ma bastano i gradienti o la metrica della superficie.
ULTRA FAST GPU ASSISTED FACE RECOGNITION BASED ON 3D GEOMETRY AND TEXTURE DATA
Viene presentato un metodo Graphic Processing Unit (GPU) per il riconoscimento che opera su dati 4D (texture+geometry).
Il descrittore è una mappa a 32 bit a profondità di colore che permette una comparazione veloce attraverso HW specializzato
(pixel shaders). Non soffre i mutamenti d’espressione e la barba utilizzando maschere.
USING GEODESIC DISTANCES FOR 2D-3D & 3D-3D FACE RECOGNITION
Metodo per rappresentare le info 2D-3D usando le distanze geodesiche per poter comparare immagini 2D con modelli 3D.
nei 3D la distanza geodesica è la minor distanza tra 2 punti, in 2D è data dalla minor distanza tra 2 pixel con differenti scale
di grigio.
FACE RECOGNITION WITH SUPPORT VECTOR MACHINES AND 3D HEAD MODELS
Nuovo approccio invariante alla posa che combina due tecnologie all’avanguardia: riconoscimento component-based e
modelli 3d morphable. Inizialmente i modelli morphable vengono utilizzati per generare modelli 3D del volto a partire da due
immagini in input da ogni persona nel database di training. Per interpretare il modello sotto diverse pose e sotto diverse
illuminazioni sintetizziamo un grande numero di facce per allenare il riconoscitore (component based).
3D FACE RECOGNITION WITHOUT FACIAL SURFACE RECONSTRUCTION
È un approccio basato sugli invarianti geometrici. L’idea chiave è la rappresentazione della superficie facciale invariante alle
deformazioni isometriche (come ad esempio quelle dovute alle espressioni facciali). Un passo cruciale nella costruzione degli
invarianti geometrici è la misurazione delle distanze geodesiche sulle superfici triangolarizzate ottenute con FMTD. Il
metodo proposto utilizza solo il “tensore metrico” delle superfici per la misura delle distanze. Per l’acquisizione si utilizza un
acquisitore di immagini in stereo per ottenere una rappresentazione con contorni invarianti e questo permette di non
ricostruire il volto in un modello 3D.
REPRESENTATION PLURALITY AND FUSION FOR 3D FACE RECOGNITION (2008)
presentiamo uno studio estensivo degli algortimi 3D per il riconoscimento del volto ed esaminiamo i loro benefici.
esaminiamo i riconoscitori da 2 prospettive: la tecnica di rappresentazione dei dati usata e l'algoritmo di feature extraction.
consideriamo inoltre nuove applicazioni di varie tecniche di feature extraction come la trasformata di Fourier, la trasformata
di Cosine, fattorizzazione matriciale non negativa, e le princiapali direzioni delle curvature. compareremo inoltre vari metodi
di classificazione (regole fisse e basate sul rank). presenteremo anche un algoritmo per la stima dinamica della confidenza per
migliorare le performances di fusione.
A REGION ENSEMBLE FOR 3-D FACE RECOGNITION (2008)
Introduciamo un nuovo sistema per il riconoscimento 3D basato sulla fusione dei risultati provenienti cda un "comitato" di
regioni confrontate in maniera indipendente. risultati sperimentali hanno dimostrato che usare 28 oiccole regioni indipendenti
da elevati risultati per il riconoscimento.
la soglia viene confrontata per ogni singola regione e da risultati migliori rispetto alla somma, prodotto,... i risultati sono stati
eccellenti anche in presenza di grosse zone mancanti.
MULTIMODAL 2D, 2.5D & 3D FACE VERIFICATION
viene presentato un processo multimodale per il riconoscimento del volto che utilizza immagini 2D - 2,5D e 3D. innanzitutto
vengono normalizzate in orientamento e posizione le immagini 2,5D e 3D per ottenere un'immagine frontale. questo è
ottenuto ruotando le immagini in base alla punta del naso e alla posizione di entrambi gli occhi.
un PCA seguito da un classificatore SVM sono applicati alle immagini 2d e 2,5D. successivamente viene utilizzato un
algoritmo Iterative Closest Point per confrontare i risultati con il reticolato 3D.
L'EER dipende dalle fasi di train e test.