Submit Search
Upload
固有顔による生体認証
•
2 likes
•
4,250 views
H
Hiroyuki Kuromiya
Follow
授業で発表した固有顔(Eigenface)の解説です。
Read less
Read more
Data & Analytics
Report
Share
Report
Share
1 of 20
Download now
Download to read offline
Recommended
顔画像からの個人顔識別
顔画像からの個人顔識別
epcnt19
Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)
Yoshitaka Ushiku
【解説】 一般逆行列
【解説】 一般逆行列
Kenjiro Sugimoto
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII
Bayesian Neural Networks : Survey
Bayesian Neural Networks : Survey
tmtm otm
データ解析8 主成分分析の応用
データ解析8 主成分分析の応用
Hirotaka Hachiya
距離とクラスタリング
距離とクラスタリング
大貴 末廣
データサイエンス概論第一=0 まえがき
データサイエンス概論第一=0 まえがき
Seiichi Uchida
Recommended
顔画像からの個人顔識別
顔画像からの個人顔識別
epcnt19
Curriculum Learning (関東CV勉強会)
Curriculum Learning (関東CV勉強会)
Yoshitaka Ushiku
【解説】 一般逆行列
【解説】 一般逆行列
Kenjiro Sugimoto
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII2021 [OS2-01] 転移学習の基礎:異なるタスクの知識を利用するための機械学習の方法
SSII
Bayesian Neural Networks : Survey
Bayesian Neural Networks : Survey
tmtm otm
データ解析8 主成分分析の応用
データ解析8 主成分分析の応用
Hirotaka Hachiya
距離とクラスタリング
距離とクラスタリング
大貴 末廣
データサイエンス概論第一=0 まえがき
データサイエンス概論第一=0 まえがき
Seiichi Uchida
質的変数の相関・因子分析
質的変数の相関・因子分析
Mitsuo Shimohata
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Yamato OKAMOTO
ベルヌーイ分布からベータ分布までを関係づける
ベルヌーイ分布からベータ分布までを関係づける
itoyan110
Rcppのすすめ
Rcppのすすめ
Masaki Tsuda
統計的因果推論 勉強用 isseing333
統計的因果推論 勉強用 isseing333
Issei Kurahashi
深層学習の数理
深層学習の数理
Taiji Suzuki
生成モデルの Deep Learning
生成モデルの Deep Learning
Seiya Tokui
パターン認識 04 混合正規分布
パターン認識 04 混合正規分布
sleipnir002
ParaViewでCSVの点群を表示する
ParaViewでCSVの点群を表示する
RyogaSato1
第4回DARM勉強会 (構造方程式モデリング)
第4回DARM勉強会 (構造方程式モデリング)
Yoshitake Takebayashi
4 データ間の距離と類似度
4 データ間の距離と類似度
Seiichi Uchida
クラシックな機械学習の入門 2.ベイズ統計に基づく推論
クラシックな機械学習の入門 2.ベイズ統計に基づく推論
Hiroshi Nakagawa
画像認識モデルを作るための鉄板レシピ
画像認識モデルを作るための鉄板レシピ
Takahiro Kubo
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
takehikoihayashi
Semantic segmentation
Semantic segmentation
Takuya Minagawa
局所特徴量と統計学習手法による物体検出
局所特徴量と統計学習手法による物体検出
MPRG_Chubu_University
MS COCO Dataset Introduction
MS COCO Dataset Introduction
Shinagawa Seitaro
統計的学習理論チュートリアル: 基礎から応用まで (Ibis2012)
統計的学習理論チュートリアル: 基礎から応用まで (Ibis2012)
Taiji Suzuki
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
データサイエンス概論第一=3-1 線形代数に基づくデータ解析の基礎
データサイエンス概論第一=3-1 線形代数に基づくデータ解析の基礎
Seiichi Uchida
More Related Content
What's hot
質的変数の相関・因子分析
質的変数の相関・因子分析
Mitsuo Shimohata
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Yamato OKAMOTO
ベルヌーイ分布からベータ分布までを関係づける
ベルヌーイ分布からベータ分布までを関係づける
itoyan110
Rcppのすすめ
Rcppのすすめ
Masaki Tsuda
統計的因果推論 勉強用 isseing333
統計的因果推論 勉強用 isseing333
Issei Kurahashi
深層学習の数理
深層学習の数理
Taiji Suzuki
生成モデルの Deep Learning
生成モデルの Deep Learning
Seiya Tokui
パターン認識 04 混合正規分布
パターン認識 04 混合正規分布
sleipnir002
ParaViewでCSVの点群を表示する
ParaViewでCSVの点群を表示する
RyogaSato1
第4回DARM勉強会 (構造方程式モデリング)
第4回DARM勉強会 (構造方程式モデリング)
Yoshitake Takebayashi
4 データ間の距離と類似度
4 データ間の距離と類似度
Seiichi Uchida
クラシックな機械学習の入門 2.ベイズ統計に基づく推論
クラシックな機械学習の入門 2.ベイズ統計に基づく推論
Hiroshi Nakagawa
画像認識モデルを作るための鉄板レシピ
画像認識モデルを作るための鉄板レシピ
Takahiro Kubo
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
takehikoihayashi
Semantic segmentation
Semantic segmentation
Takuya Minagawa
局所特徴量と統計学習手法による物体検出
局所特徴量と統計学習手法による物体検出
MPRG_Chubu_University
MS COCO Dataset Introduction
MS COCO Dataset Introduction
Shinagawa Seitaro
統計的学習理論チュートリアル: 基礎から応用まで (Ibis2012)
統計的学習理論チュートリアル: 基礎から応用まで (Ibis2012)
Taiji Suzuki
グラフィカルモデル入門
グラフィカルモデル入門
Kawamoto_Kazuhiko
データサイエンス概論第一=3-1 線形代数に基づくデータ解析の基礎
データサイエンス概論第一=3-1 線形代数に基づくデータ解析の基礎
Seiichi Uchida
What's hot
(20)
質的変数の相関・因子分析
質的変数の相関・因子分析
Domain Adaptation 発展と動向まとめ(サーベイ資料)
Domain Adaptation 発展と動向まとめ(サーベイ資料)
ベルヌーイ分布からベータ分布までを関係づける
ベルヌーイ分布からベータ分布までを関係づける
Rcppのすすめ
Rcppのすすめ
統計的因果推論 勉強用 isseing333
統計的因果推論 勉強用 isseing333
深層学習の数理
深層学習の数理
生成モデルの Deep Learning
生成モデルの Deep Learning
パターン認識 04 混合正規分布
パターン認識 04 混合正規分布
ParaViewでCSVの点群を表示する
ParaViewでCSVの点群を表示する
第4回DARM勉強会 (構造方程式モデリング)
第4回DARM勉強会 (構造方程式モデリング)
4 データ間の距離と類似度
4 データ間の距離と類似度
クラシックな機械学習の入門 2.ベイズ統計に基づく推論
クラシックな機械学習の入門 2.ベイズ統計に基づく推論
画像認識モデルを作るための鉄板レシピ
画像認識モデルを作るための鉄板レシピ
比例ハザードモデルはとってもtricky!
比例ハザードモデルはとってもtricky!
Semantic segmentation
Semantic segmentation
局所特徴量と統計学習手法による物体検出
局所特徴量と統計学習手法による物体検出
MS COCO Dataset Introduction
MS COCO Dataset Introduction
統計的学習理論チュートリアル: 基礎から応用まで (Ibis2012)
統計的学習理論チュートリアル: 基礎から応用まで (Ibis2012)
グラフィカルモデル入門
グラフィカルモデル入門
データサイエンス概論第一=3-1 線形代数に基づくデータ解析の基礎
データサイエンス概論第一=3-1 線形代数に基づくデータ解析の基礎
固有顔による生体認証
1.
固有顔による顔認証 東京大学大学院教育学研究科修士1年 黒宮寛之
2.
固有顔(Eigen faces)の基本的な考え ● 人の顔はいくつかの基本画像の足しあわせで表せる #1×0.2+#2×0.3+#3×(-0.01)+... = AT&T
Face databaseより
3.
コンピュータ上での画像の扱い [[157 154 154
..., 152 149 150] [153 156 154 ..., 150 151 150] [153 152 156 ..., 152 150 151] ..., [148 143 138 ..., 112 108 111] [135 131 151 ..., 108 112 106] [148 193 217 ..., 105 110 106]] 画像の1ピクセルごとに対応する箇所の明るさ(白: 255〜黒:0)が数値で記録されている (グレースケールの場合)
4.
画像はベクトルで表せる [157, 154, 154,
..., 105, 110, 106] [[157 154 154 ..., 152 149 150] [153 156 154 ..., 150 151 150] [153 152 156 ..., 152 150 151] ..., [148 143 138 ..., 112 108 111] [135 131 151 ..., 108 112 106] [148 193 217 ..., 105 110 106]] 一列に並び替える
5.
画像は空間上に投影できる 点[157, 154, 154,
..., 105, 110, 106] 点[145, 110, 154, ..., 175, 115, 166] *本当は3次元空間には 投影できないので、右の 図はイメージです
6.
顔の基本画像をつくろう ● 今の画像も基本画像(■)の足しあわせでできている しかし100×100ピクセルの画像を表すために■パーツは10,000個も必要 ● 人の顔はもっと少数の基本画像で表現できるのではないか
7.
基本画像の数を減らしていこう ● パーツの数を減らす つまり ● 次元削減 つまり・・・ ●
主成分分析!
8.
主成分分析 空間上にプロットされた顔の数々について全員 に共通するような軸を取り出す この軸(固有ベクトル)が、顔の基本画像である
9.
AT&T Face databaseでの結果 数字は第i成分の寄与率
10.
足しあわせをやってみる
11.
せっかくなのでパーツをふやしてやってみる
12.
次元削減の結果 ● 1人の顔を表すのに10,000パーツ必要だったところが、100~200パーツ程度で表 現できるようになった
13.
もういちど顔空間にもどって ● あたらしい軸(パーツ)で表現された顔 も空間上にプロットされる ● それぞれの座標の値は、そのパーツを どのくらいの割合使ったかを表す
14.
個人識別の方法 ● 同じ人は写真が違っていても、同じパーツを同じ割合だけ使う可能性が高いと考え られるので、空間上でも同一人物は近い場所に、別人物は遠い場所にプロットされ るはずである。 なので ● ターゲット画像の空間上での距離を調べて一番近い画像が本人の可能性が高い
15.
画像と画像の距離の計算 点[5,3,2,...] 点[2,3,4,...] ベクトルの距離の公式を使う 距離=
16.
顔認証やってみた 各画像との距離を計算して一番近いものを返す 成功!
17.
おまけ:似ている顔の探索 ● 固有顔アルゴリズムでは顔と顔の類似度が距離で出てくるので、3番めに似ている 顔、一番似ていない顔を探せるのではないか
18.
似ている顔の探索 入力画像 結果 (dist=距離=類似度) うーん、これは微妙かも
19.
固有顔と個性 ● データを平均して要約したり、一般的な法則をもとめるアプローチはデータを捨てる ことばっかりやってるので、その真逆にある個人の特性をみるアプローチをやって みようとのことだったが・・・ ● 実際に今回やったのはデータを捨てまくって(次元削減)全体の大まかな傾向をつ かむという、普遍的な法則をもとめるアプローチそのものだった ●
(少なくとも固有顔では)個性の識別というのは、一般的な法則を求めた先にあるも ののようである
20.
これから 固有顔アルゴリズムは顔認証の中でも一番古典的なものらしいので、他の顔認証シス テムも勉強してみようと思います。 今回の参考サイト: Face Recognition with
Python - bytefish.de
Download now