Riconoscimento di volti con tecniche 3D per controlli

annuncio pubblicitario
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
Scarica
Random flashcards
geometria

2 Carte oauth2_google_01b16202-3071-4a8d-b161-089bede75cca

CRANIO

2 Carte oauth2_google_d7270607-b7ab-4128-8f55-c54db3df9ba1

blukids

2 Carte mariolucibello

CIAO

2 Carte oauth2_google_78a5e90c-1db5-4c66-ac49-80a9ce213cb9

Generatore elettrica

2 Carte oauth2_google_edd7d53d-941a-49ec-b62d-4587f202c0b5

creare flashcard