Riconoscimento di volti con tecniche 3D
per controlli di sicurezza
D.Giorgi, M.Attene, G. Patanè, S. Marini, C. Pizzi, S. Biasotti, M.
Spagnuolo, B. Falcidieno
Simone Marini
Istituto di Matematica Applicata e Tecnologie Informatiche – CNR,
Genova
Lisa Usai
Elsag-Datamat, Genova
Riconoscimento facciale
• Il controllo degli accessi ad aree riservate è fondamentale per
garantire la sicurezza dei lavoratori ed in generale dei cittadini
– luoghi di lavoro: lavoratori autorizzati
– luoghi pubblici: incolumità degli utenti
Simone Marini
• Sono necessarie tecniche avanzate di identificazione biometrica
Riconoscimento facciale:
• Non invasivo
• Non richiede contatto
• È a prova di “dimenticanza”
Riconoscimento facciale
• Due diversi scenari applicativi:
– autenticazione: accertare se la persona che chiede l’accesso
è autorizzata (confronto uno-ad-uno)
– identificazione: verificare se chi chiede l’accesso figura tra i
membri di un gruppo noto (confronto uno-a-molti)
Simone Marini
• Procedimento comune:
– creazione della galleria, cioè un database di volti di persone
conosciute (immagini o modelli 3D)
– confronto del volto da riconoscere, con i volti nella galleria
Riconoscimento con tecniche 2D
Simone Marini
• analisi delle immagini dei volti acquisite tramite
(tele)camere
• prestazioni ottime in condizioni controllate
• affidabilità compromessa in caso di
–
–
–
–
–
condizioni avverse di illuminazione
scostamento del soggetto dalla posa frontale
cambi di espressione
occlusione dei landmarks (ad esempio le pupille)
tentativi di inganno tramite foto o video
…aumentare l’affidabilità con dati 3D!
Riconoscimento con tecniche 3D
Simone Marini
•
•
•
•
Analisi di dati 3D ottenuti tramite scansioni laser
Minore sensibilità alle condizioni di illuminazione
Minore indipendenza dalla posa
Informazione geometriche su caratteristiche fondamentali del
volto (e.g. la curvatura)
Riconoscimento 3D: MultiTrust
Simone Marini
• progetto Elsag Datamat – IMATI (CNR, Genova),
2008 – 2009
• scopo: indagare le potenzialità del 3D per il controllo
degli accessi in aeroporto, in relazione agli attuali
sistemi 2D
creazione di un database di modelli facciali 2D e 3D
sviluppare metodi di riconoscimento 3D affidabili
validazione dei metodi proposti in relazione allo stato
dell’arte
Creazione del Database
Acquisizine dei modelli facciali 2D e 3D: scanner Minolta Vivid 910
•
Popolazione del datatbase: uomini, donne, diverse età, acquisizione in diversi
periodi temporali
•
Diversi tipi di illuminazione: normale, scarsa, laterale
•
Differenti pose dello stesso soggetto: frontale, laterale, alto, basso
•
Differenti espressioni dello stesso volto: neutra, sorriso, a scelta, …
•
Totale: 72 modelli digitali ottenuti da 8 soggetti ognuno dei quali acquisito 9 volte
Simone Marini
•
Generazione del modello 3D
1. Dalla nuvola di punti alla triangolazione
– Completamento dell'informazione acquisita (robustezza rispetto alle
occlusioni)
2. Dalla trinagolazione alla normalizzazione della posizione
– Il modello viene ruotato in posizione frontale (invarianza rispetto alla
posizione)
3. Smoothing e taglio geodetico
Simone Marini
– Rimozione del rumore (robustezza rispeto al rumore)
1
2
3
Invarianza rispetto alle espressioni
• Ipotesi: la distanza geodetica tra
due punti del modello rimane
invariata al cambiare
dell'espressione facciale
Simone Marini
• Idea: immersione del modello dallo
spazio geodetico allo spazio
euclideo
• Confronto: il nuovo modello facciale
mantiene le differenze geometriche
tra individui diversi
Confronto tra modelli facciali
• Dal modello facciale ottenuto dall'immersione viene estratto un
descrittore geometrico
– Calcolo delle armoniche sferiche
– Matrice a valori reali
• La similarità tra due modelli facciali viene stimata confrontando i
corrispondenti descrittori geometrici
– Distanza euclidea tra matrici a valori reali
• L'intero processo di costruzione del descrittore è efficiente
Simone Marini
– Dalla nuvola di punti al descrittore geometrico: 3.5 secondi
– Confronto tra due descrittori: 0.0015 secondi
1
2
3
4
5
Risultati della sperimentazione
Doc_ret = insieme di tutti i volti
recuperati
Doc_rel = insieme dei volti rievanti
Risultati su dataset
di 68 modelli
Simone Marini
FRGC metric
VR: Verification rate @ 0.1% False
Accept Rate
Cognitec 2D
VR: 67.6%
Cognitec 2D+3D
SH Embedded
VR: 88.1%
VR: 91.6%
Simone Marini
Conclusioni
• Sul dataset prodotto, l’utilizzo del 3D migliora le
performance di riconoscimento
• Il sistema Cognitec pare non sfruttare appieno
le potenzialità offerte dal 3D
• L’utilizzo di MDS + armoniche sferiche produce
i risultati migliori
