Diapositive della presentazione in PDF. - Imagelab

Prof. Rita Cucchiara
Facoltà di Ingegneria “Enzo Ferrari”
Università di Modena e Reggio Emilia
Da Digital Forensics a Multimedia Forensics:
Digital Forensics
Computer Forensics
Computational Forensics
Multimedia Forensics
A form of digital investigation that can
be entered in a legal court [Car09]
…..Differently of physical forensic sciences, in
digital forensics the procedures are not well
assessed neither the results.
“When computers are involved criminal
activities” [Kruse01]
Computational Forensic refers to applying
computer aided techniques to digital data
understanding [Boheme09]
“Modern crime investigation shall profit from
the hybrid-intelligence of humans and
machines working on multimedia data”
[Car09]Brian D. Carrier “Digital Forensics Works” IEEE Computers April 2009
[Kruse01] Kruse, W., Heiser, J.: Computer Forensics: Incident Response Essentials. Addison Wesley, Reading (2001)
[Boheme09] Böhme, R., Freiling, F. C., Gloe, T., and Kirchner, M. 2009. Multimedia Forensics Is Not Computer
Forensics. In Proc. of the 3rd international Workshop on Computational Forensics
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Da Multimedia Forensics a «Multimedia in Forensics»
• «Multimedia in Forensics»
–
–
–
–
–
Analisi di dati multimediali, testo, immagini, audio, video…
Sorveglianza automatica e Biometria
Computer Graphics, Image processing e Computer Vision
Pattern Recognition e Machine learning
...
Una nuova attività
di ricerca nell’area del Multimedia
Analisi
• di individui
• di oggetti
• di eventi
• di concetti…
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Ingegneria Informatica in supporto all’analisi
forense
• Supporto all’attribuzione dell’identità degli autori o
sospetti autori di reati
–  tecnologie informatiche di elaborazione semiautomatica di immagini e video
• Supporto alla ricerca di sospetti autori di reati e
riconoscimento di identità di soggetti di interesse
– Tecnologie informatiche di analisi automatica di immagini
e video
Multimedia in forensics
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Multimedia in forensics: Ricerca e prospettive
• Rilevamento di folle, gruppi di persone e
persone
• Rilevamento di volti, aspetti semibiometrici, dettagli
• Riconscimento dell’identità o della
similairità
• Riconscimento di azioni ed attività
• Riconscimento di comportamenti
• Ricerca di similarità di azioni ed
interazioni
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Image Processing in Forensics
Elaborazioni di segnali ed immagini
• Noise cleaning, image enhancement, Linear non linear
filtering equalization, Image restoration, super-resolution,
Camera calibration, Camera verification, …
• Filtraggio frequenze spaziali, trasformate di Fourier, algebra
No way Out
lineare, Principal Component Analysis…
Kevin Costner 1987
• Ricerca e sviluppo dagli anni’70
• su supercomputer e mainframes..
…‘Im not satisfied with the way this is coming up. ..
The eigenvalue is off. Looks all right to me….
We're pulling away from our reference information.
Program a Fourier transform. …..
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Analisi semi-manuale
Analisi Manuale  Analisi semi-manuale
( con l’impiego di tecniche
informatiche)
Attribuzione dell’identità, diversi metodi:[Ali2011]
• “Confronto Olistico” in cui le facce sono confrontate nella loro globalità,
• l’”Analisi morfologica” in cui si confrontano specifiche caratteristiche
(visual feature) del volto, come dettagli significativi ed univoci;
• l’”Analisi foto-antropometrica” basata sulla fotogrammetria in cui si
estraggono misure di distanze e di angoli da punti di interesse sul volto
(landmarks)
• la “Superimposizione” in cui immagini digitali adeguatamente scalate (e
ruotate se possibile) sono sovrapposte l’una all’altra
[ALI2011] Tauseef Ali, Luuk Spreeuwers and Raymond Veldhuis, FORENSIC FACE RECOGNITION: A SURVEY
Nova Science Publishers, Inc 2011
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Analisi semi-manuale
Computer Graphics, Computer Vision
• Ricostruzioni di altezze, e dimensioni 3D
• Superimposizioni 2D e 3D Partial Face Recognition
technology www.faceforensics.com)
• Esperimenti di fuzzy logic per la super-imposizione
craniofacciale
Altezza cm: 177,43
Ibáñez, O., Cordón, O., Damas, S., Santamaría, J. 2009. An experimental study on the applicability of
evolutionary algorithms to craniofacial superimposition in forensic identification. Information Sciences
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Dall’analisi semi-manuale all’analisi automatica
1) La rilevazione automatica
(detection) di persone e
volti
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Dall’analisi semi-manuale all’analisi automatica
2) Il riconoscimento
automatico (identification o
recognition ) di persone o
volti.
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Impiego in ambito forense
• Tecniche di
– Computer Vision,
– Pattern Recognition
– Multimedia Search
• Applicate anche alla
– Video Sorveglianza
– Biometria
– Content-based image retrieval (object search)
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Impiego in ambito forense: peculiarità
• I sistemi di sorveglianza, biometrici, di search danno risultato
certo con un errore statistico medio noto e misurabile per
inferenze induttive
• I sistemi forensi devono fornire un livello di credibilità,
affidabilità e ripetibilità per inferenze deduttive
Contributo dell’ingegneria informatica:
• conoscere i limiti, gli errori, i miglioramenti attesi [Meu06]
•  conoscerne l’errore statistico e la verosomiglianza [Ali11]
[ALI11] Tauseef Ali, Luuk Spreeuwers and Raymond Veldhuis, Veldius FORENSIC FACE RECOGNITION: A
SURVEY Nova Science Publishers, Inc 2011
[Meu06] D.Meuwly, “Forensic individualization from biometric data”, science&justice, vol. 46, no. 4, pp. 205213, 2006.
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Likelihod ratio for face analysis*
• 𝐻p l’ipotesi dell’accusa (prosecution)
• 𝐻d l’ipotesi della difesa (defence)
• E e’ l’evidenza ossia l’informazione forense estratta dal sistema automatico
• I e’ l’informazione precedente a disposizione (background information).
LR Rapporto di verosomiglianza: statistica bayesiana impiegata in ambito forense per
riconoscimento vocale e DNA
Rapporto delle probabilità di
colpevolezza e innocenza condizionate
dalle informazioni a priori
Valutabile
Giudizio a posteriori
Rapporto di verosomiglianza o
valore di evidenza
note le varianze inter-classe
le varianze intra-classe, gli
errori FAR, FDR..
* Project funded by Nederlands forensics institute 2011-2012 Twente Univ.
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Analisi automatica, perche’ ?
Impiego del calcolatore per
«Potenza computazionale»
– Capacità di eseguire calcoli complessi ( Computer Vision,
ricostruzione 2D e 3D….)
«Velocità computazionale»
– Capacità di elaborare grandi quantità di dati visuali ( Big
data analysis)
«Inferenza computazionale»
– Capacità di apprendere da esempi (machine learning)
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Quante immagini?
1 surveillance camera:
c.a. 1 immagine 1MByte 640x480
colori non compressa, 10fps x 24h
Censimento UK 2011
Circa 1.8 milioni telecamere
collegate
Luglio 2011 Youtube 6°birthday
Upload di 45 ore
di video/minuto
BIG-DATA
ANALYSIS
864.000 immagini al giorno
c.a. 800GByte /giorno
c.a. 500 Milioni TByte /anno
c.a. 64.000 ore video/giorno
c.a. 23 milioni di ore video/anno
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Quante immagini?
Quante foto
amatoriali?
Quante foto su
Facebook?
2000  85 miliardi di fotografie
2011375 miliardi di fotografie digitali
2011 : 90 miliardi di fotografie
6 miliardi upload/mese
70 miliardi /anno
30 miliardi tag/anno
70.000 immagini taggate/minuto
Analisi manuale IMPOSSIBILE!
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Rilevazione e riconoscimento automatico
Un-structured
Still Images
& Video
People
detection
People
tracking
Face
detection
Face
tracking
People &
faces
Rilevazione: Computer vision
Pattern
matching
Structured Gallery
Feature
detection
Riconscimento: Pattern Recognition
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
4 Problemi
• Rilevazione di persone e volti per
– Autenticazione (individualizzazione)
– Identificazione del singolo
– Riconoscimento sociale
– Ri-identificazione
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Confronto 1:1: Autenticazione
Still Images
& Video
People
detection
People
tracking
Face
detection
Face
tracking
Pattern
recognition
Match?
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
People
& faces
Feature
detection
Confronto 1:n Identificazione
Still Images
& Video
People
detection
People
tracking
Face
detection
Face
tracking
Pattern
recognition
Match?
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
People
& faces
Feature
detection
Confronto n:n Riconoscimento sociale
Still Images
& Video
People
detection
People
tracking
Face
detection
Face
tracking
Pattern
recognition
Match?
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
People
& faces
Feature
detection
Confronto n:n non strutturato (RI-identificazione)
Still Images
& Video
People
detection
People
tracking
Face
detection
Face
tracking
Pattern
recognition
Match?
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
People
& faces
Feature
detection
Rilevazione di volti e persone
Problema non risolto
completamente
Still Images
& Video
People
detection
People
tracking
Face
detection
Face
tracking
Persone hanno aspetti
diversi, forme diverse,
posture diverse….
Moto non prevedibile
D. Coppi, S. Calderara, R. Cucchiara, "Appearance
tracking by transduction in surveillance scenarios“
Proceedings of the 8th IEEE International Conference on
Advanced Video and Signal-Based Surveillance, AVSS
Klagenfurt 2011
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
People
& faces
Rilevazione dei volti
Problema più
semplice
risolvibile
dopo adeguato
apprendimento
Si ringrazia Michele Nappi, Lezioni di e, Salerno 2011
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Rilevazione automatica di volti
Problema classico di Pattern Recognition
Metodi di apprendimento automatico da esempi
Viola & Jones 2001  Librerie OpenCV
Forti miglioramenti in 10 anni!
Haar features
Cascade of >30 weak
classifiers
Viola, Jones: Robust Real-time Object Detection, IJCV 2001 (1853 CIT)
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Rilevazione automatica di volti di profilo
• Rilevazione volti
e loro direzione
Ada Boost 2002
Neural network 1999
Henry Schneiderman and Takeo Kanade Object Detection Using the Statistics of Parts IJCV 2002
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Rilevazione dei volti
• Ottimi risultati:
• vicino al 95% in tutti i benchmark (2006)
• Dipendentemente dalla risoluzione
Ripresa frontale
Ripresa non frontale
R.Cucchiara, A. Prati, R. Vezzani,"A System for Automatic Face Obscuration for Privacy Purposes"
in Pattern Recognition Letters, vol. 27, n. 15, pp. 1809-1815, 2006
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Rilevazione automatica di Persone
• People detection dal
movimento
• Tecniche tipiche dei sistemi di
videosorveglianza (background
suppression)[CAL08]
• People detection con
apprendimento automatico
• Tecniche tipiche dei sistemi di
Pattern recognition da immagini
[CAL08]S. Calderara, R. Cucchiara, A. Prati, "Bayesian-competitive Consistent
Labeling for People Surveillance"in IEEE Transactions on Pattern Analysis and
Machine Intelligence, vol. 30, n. 2, pp. 354-360, 2008
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Rilevazione di Persone con apprendimento
Dalal
Tuzel
Felzenszwalb
Navneet Dalal and Bill Trigg Histograms of Oriented Gradients for Human Detection
CVPR2005 OPENCV
O. Tuzel, F. Porikli, and P. Meer, “Pedestrian detection via classification on riemannian manifolds,” IEEE Trans.
on PAMI, Oct. 08
P. Felzenszwalb, D. McAllester, D. Ramanan “Object Detection with Discriminatively Trained
part based Models” ,TPAMI-2009
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
29
Prestazioni :pedestrian detector 2009
• INRIA dataset
• 1000 pedestrian
1 False positive /image
15% miss rate
Piotr Doll´ar Christian Wojek Bernt Schiele Pietro Perona, Pedestrian Detection: A
Benchmark CVPR2009
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Ricerca Esuaustiva nello spazio e nella scala
Ricerca esaustiva su
decine di migliaia di
windows per
immagini
Problemi:
Falsi positivi, Imprecisione
Bassa velocità di ricerca
[TUZEL09]Covariance
matrix on
Reimannian Manifold
<0.5fps
31
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Ricerca Statistica nello spazio e nella scala
Giovanni Gualdi, Andrea Prati, Rita Cucchiara, Multi-Stage Particle Windows for Fast and Accurate Object Detection IEEE TPAMI, 2012
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Esperimenti in immagini complesse
• Rilevazione di persone in ambienti non strutturati
Progetto PRRIITT 2010
con BRIDGE129 srl
Finanziamento Regione
Emilia Romagna
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
• Risultato finale
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Rilevamento multi-stage di volti
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Rilevamento multi-stage di volti e persone
• Aumento di prestazioni in velocità e precisione
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Ricerca Esaustiva
Il volto non viene rilevato
o solo parzialmente
False
detection
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
37
Ricerca multi-stage precisa
False
detection
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
38
Rilevamento di affollamenti
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
39
Rilevamento di affollamenti
1st IEEE Workshop on Modeling, Simulation and Visual Analysis of Large Crowds
in conjunction with 13th International Conference on Computer Vision (ICCV)
6-13 November, 2011, Barcelona, Spain
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
40
Rilevamento di affollamenti con
apprendimento
• Esempi positivi e negativi[Ma2010] con matrici di cooccorrenza nella tessitura
W.Ma, L. Huang,C.Liu Crowd denisty analysis using co-occurrence texture feature Proc of 5°ICCITT 2010
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
41
Classificazione di affollamenti
Spazio delle feature
Patch di training
Casi semplici: 85% recall
Nuova patch
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
42
Rilevazione di affollamenti
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
43
Rilevazione di affollamenti e volti
Automatic
behavior analysis
through video
processing for
transportation
hubs, focused on
crowded scenarios
and abnormal
event detection
(EU project
2009 -2011)
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
44
Rilevazione di affollamenti e volti
Automatic
behavior analysis
through video
processing for
transportation
hubs, focused on
crowded scenarios
and abnormal
event detection
(EU project
2009 -2011)
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
45
Rilevazione di affollamenti e volti
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
46
Rilevazione di persone
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Anche in sistemi commerciali…
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Esperimenti ad ImageLab
Collaborazione
ImageLab Modena, IBM Italia,
LEPIDA spa
Progetto VISERAS
2011
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Riconscimento di volti e persone
People &
faces
• Problema di identificazione di similarità
• tra i volti (Identificazione 1-n o riconoscimento n-n)
• o tra l’aspetto delle persone (re-identification)
Pattern
recognition
Gallery
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Feature
detection
Riconoscimento facciale: progressi scientifici
Immagine 20x20
Spazio delle feature
2400 ≈ (1.000.000.000.000)10
Volti nel 2011
(7.000.000.000)
Prototipi di ricerca
Sistemi commerciali
T.F. Cootes, G.J. Edwards, and C.J. Taylor, “Active appearance models,” IEEE Trans.
Pattern Analysis and Machine Intelligence, vol. 23, no. 6, pp. 681–685, Jun. 2001
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Riconscimento facciale 2D e 3D
• Riconoscimento
indipendente dalla
illuminazione
• Ricostruzione 3D da
immagini 2D
Face Synthesis and Recognition under Arbitrary Unknown Lighting using a Spherical Harmonic
Basis Morphable Model, Lei Zhang, Sen Wang, Dimitris Samaras, In IEEE Proc. of CVPR, pp. II:
209-216, 2005.
Face Reconstruction across Different Poses and Arbitrary Illumination Conditions, Sen Wang, Lei Zhang, Dimitris
Samaras, In Audio- and Video-based Biometric Person Authentication, pp. 91-101, 2005
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Vendor Test: FERET
• Face Recognition Vendor Test (FRVT, http://face.nist.gov/) : una competizione
proposta ogni due o tre anni dal National Institute of Standards and
Technologies (NIST).
• Nel 2002 per immagini 2D con differenti illuminazioni
Low resolution image dataset
JPEG compressed 10K bytes
75 pixels between eyes
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Miglioramento delle prestazioni
Confronto delle
prestazioni
di False Rejection Rate
a parità di False
Acceptance Rate di 1 su
1000
80%
98%
Neven Vision
Coordinate
degli occhi
indicate
manualmente
Immagini
riprese a giorni
diversi con
dimensioni
fisse tra gli
occhi (68pix)
Immagini a bassa
risoluzione e
dimensioni fisse
tra gli occhi
(75pixels)
Immagini ad
alta risoluzione
(6Mpix Nikon)
image dataset
Dimensioni tra
occhi 400pixels
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Database
frontale
Con
illuminazione
controllata
Vendor TEST 2006
• FRVT
• Confronto uomomacchina
• 80 coppie di volti di
moderata difficoltà
presentati agli utenti
per 2 secondi
A 0.05 FAR le prestazioni
umane peggiori di 5
algoritmi!!
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Tsinghua
Univ.
Miglioramento delle prestazioni
riconoscimento 2D 2010
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Riconoscimento 2D verso gallerie 3D
• FRGC (Face Recognition grand challange) tests per
immagini e 3D scans
• 4007 3D face scans
di 466 individui
• 3D volti a risoluzione 480x640
•Poche variazioni di posa
• Miglior risultato 2006 Viisage
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Riconscimento di Volti: difficoltà
• 1) occlusioni,
• 2) camuffamenti
• 3) variabilità intra-classe (pose, espressioni..)
• 4) similarità inter-classe
• 5) modifiche per l’invecchiamento (Aging)
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Riconoscimento del volto ed invecchiamento
• Modelli GENERATIVI (che simulano l’invecchiamento)
• Modelli NON GENERATIVI (che cercano feature invarianti)
Quentin Tarantino 4
50,50,70,80 anni
N.Ramanathan, R.Chellappa, “Face verification across age progression,” in Proc. IEEE Conf. Computer Vision and
Pattern Recognition, San Diego, CA, 2005, pp. 462–469.
Bilgin Esme & Bulent Sankur Effects of Aging over Facial Feature Analysis and Face Recognition 2010
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
59
Modelli Non generativi
• Energy Coeherency
Alcune feature (solo con
ottime riprese frontali e
con la stessa espressione)
sono invarianti
• Test su 1000 passaporti
H.Ling, S.Soatto, N.Ramanathanan, D.Jacobs, “A
study of
face recognition as people age,” in IEEE
International Conf. on
Computer Vision, Rio De Janeiro, Brazil, October
2007
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
60
Modelli Generativi
• Modelli geometrici di crescita,
• a cui aggiungere modelli di cambi di
tessitura e di muscolatura
S. Biswas, G. Aggarwal, N. Ramanathan, and R. Chellappa,
“A nongenerative approach for face recognition across
aging,” Biometrics: Theory, Applications and Systems, 2nd
IEEE Intl.
Conf. on, pp. 1–6, 29 2008-Oct. 1 2008
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
61
Ri-identificazione di persone
•
•
•
•
•
Problema molto complesso
Punti di vista diversi
Posture ed andature diverse
Basse risoluzioni
Supporto analisi forense
Grandi variabilità
Ho gia’ visto questo individuo?
Dove e’ andato?
E’ comparso piu’ volte?
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Ri-identificazione
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Re-identificazione : risultati molto recenti
Modelli 2D
Davide Baltieri, Roberto Vezzani, Rita Cucchiara, 3DPeS: 3D People Dataset for Surveillance and Forensics
Workshop MA3CHO, ACM Multimedia 2011
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Possibili Collaborazioni
Centri di Ricerca Internazionali
• University of Amsterdam NL (forensics Inst. of Rotterdam)
– multimedia search, scene reconstruction
• University of South Florida USA
– Crowd and people detection
• University of Maryland,USA
– Face recognition and action analysis
• University of Sidney AU
– People behavior, biometry
Attività di standardizzazione:
–
–
–
–
FBI‟s Forensic Audio, Video and Image Analysis Unit (FAVIAU)
Facial Identification Scientific Working Group (FISWG)
European network of forensic science institutes (ENFSI)
Netherland Forensics Institute (NFI)
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Impieghi nell’ambito della sicurezza (web 2011)
National instute
of justitice USA
2010
Binocules for
Los Angeles
Sheriff’s
Department
A small camera fitted to the glasses can capture 400 facial
images per second and send them to a central computer
database storing up to 13 million faces.
The system can compare biometric data at 46,000 points on a
face and will immediately signal any matches to known
criminals or people wanted by police
http://www.youtube.com/watch?v=8WHdETteDak
MORIS, Mobile
Offender
Recognition and
Information System
Bid technologies
Uffici della polizia di
Brockton nel
Massachussets
Applicazione iphone
FBI Next Generation
Identification, Jan 2012
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Osservazioni
• Il rilevamento di persone ha molti falsi positivi e imprecisioni,
miglioramenti in precisione e velocità manca analisi di altre posture
• Il rilevamento di volti e’ molto robusto anche di profilo e con occlusioni a
buone risoluzioni
• Il riconoscimento di volti ha errori di FAR e FDR MOLTO BASSI in riprese
ottimali; forte attività di miglioramento per variabilità, I volti non hanno la
caratteristica di unicità
• Il riconscimento di persone e’ ancora all’infanzia..
• pero’ si puo’ conoscerne l’errore statistico e calcolarne la
verosomiglianza
• valido aiuto durante le indagini
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Multimedia in forensics: conclusioni
• Tecnologie informatiche e dati multimediali al
servizio dell’analisi forense
– Nuove opportunità di analisi massiva di dati
– Nuove opportunità di misurazioni statistiche certe
– Nuove opportunità di standardizzazione di procedure di
indagini
– Nuove opportunità di collaborazioni
Master Universitario di II livello in
Sicurezza Informatica e Disciplina Giuridica
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
Grazie
..
• Grazie ad ImageLab
http://Imagelab.ing.unimore.it
Andrea Prati, Roberto Vezzani,
Costantino Grana, Simone Calderara,
Giovanni Gualdi, Paolo Piccinini,,
Daniele Borghesani, Paolo Santinelli ,
Amid Rashid,
Davide Baltieri,, Michele Fornaciari,
Dalia Coppi, Marco Manfredi,
Rudy Melli, Emanuele Perini, Giuliano
Pistoni..
Visione, Pattern Recognition e Multimedia
Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it