Successfully reported this slideshow.
We use your LinkedIn profile and activity data to personalize ads and to show you more relevant ads. You can change your ad preferences anytime.

Presentation9juin2010

353 views

Published on

  • Be the first to comment

  • Be the first to like this

Presentation9juin2010

  1. 1. Plan Introduction R´gression sur un mod`le de texture e e Contributions Conclusions & Perspectives Alignement de visages par R´gression e Philippe Phothisane 8 juin 2010 Philippe Phothisane Alignement de visages par R´gression e
  2. 2. Plan Introduction R´gression sur un mod`le de texture e e Contributions Conclusions & Perspectives Introduction ISIR et Majority Report Pr´sentation de Majority-Report e Probl´matique e R´gression sur un mod`le de texture e e Principes de la r´gression e Contributions Nouvelles m´triques e Reconnaissance Adaptation morphologique Conclusions & Perspectives Philippe Phothisane Alignement de visages par R´gression e
  3. 3. Plan Introduction ISIR et Majority Report R´gression sur un mod`le de texture e e Pr´sentation de Majority-Report e Contributions Probl´matique e Conclusions & Perspectives Partenariat Philippe Phothisane Alignement de visages par R´gression e
  4. 4. Plan Introduction ISIR et Majority Report R´gression sur un mod`le de texture e e Pr´sentation de Majority-Report e Contributions Probl´matique e Conclusions & Perspectives Philippe Phothisane Alignement de visages par R´gression e
  5. 5. Plan Introduction ISIR et Majority Report R´gression sur un mod`le de texture e e Pr´sentation de Majority-Report e Contributions Probl´matique e Conclusions & Perspectives Recherche de la pose des visages Philippe Phothisane Alignement de visages par R´gression e
  6. 6. Plan Introduction R´gression sur un mod`le de texture e e Principes de la r´gression e Contributions Conclusions & Perspectives Etapes de l’alignement Alignement d’un mod`le 3D rigide e ◮ D´tection du visage et e initialisation du mod`le e ◮ alignement par r´gression e Philippe Phothisane Alignement de visages par R´gression e
  7. 7. Plan Introduction R´gression sur un mod`le de texture e e Principes de la r´gression e Contributions Conclusions & Perspectives Mod`le de forme et de texture e Texture courante Mod`le align´ e e Pixels pertinents Philippe Phothisane Alignement de visages par R´gression e
  8. 8. Plan Introduction R´gression sur un mod`le de texture e e Principes de la r´gression e Contributions Conclusions & Perspectives Principe math´matique e On souhaite minimiser l’erreur E entre une texture-r´f´rence et la ee texture courante : E (µ) = (I (F (u, µ), t + 1) − T (u, t))2 (1) u∈Ω ◮ Ω l’ensemble des pixels pertinents courant ◮ I(u,t+1) niveau de gris d’un de ces pixels ◮ T (u, t) la r´f´rence correspondante. ee ◮ F (u, µ) transformation d’un pixel u par µ qui g`re les e rotations et translations 3D du mod`le de visage. e Philippe Phothisane Alignement de visages par R´gression e
  9. 9. Plan Introduction R´gression sur un mod`le de texture e e Principes de la r´gression e Contributions Conclusions & Perspectives Principe math´matique e On s’approche it´rativement de la solution µ avec des e transformations ´l´mentaires (Lucas-Kanade) : ee ∂F (u, µ) t ∆µ = −H(u)−1 (Ie (u) ∗ (∇I (u, t + 1) ∗ )) (2) ∂µ u∈Ω ∂F (u,µ) t ∂F (u,µ) ◮ H(u) = u∈Ω (∇I (u, t + 1) ∗ ∂µ ) (∇I (u, t + 1) ∗ ∂µ ), matrice hessienne approxim´e e ◮ Ie(u) = |I (F (u, µ), t + 1) − I (u, t)|, erreur absolue en niveau de gris ∂F (u,µ) t ◮ (∇I (u, t + 1) ∗ ∂µ ) , param`tres de meilleur descente de e gradient Philippe Phothisane Alignement de visages par R´gression e
  10. 10. Plan Introduction Nouvelles m´triques e R´gression sur un mod`le de texture e e Reconnaissance Contributions Adaptation morphologique Conclusions & Perspectives Utiliser un mod`le de r´f´rence et sa variabilit´ pour r´gresser dans e ee e e un espace plus pertinent, comme par exemple le sous-espace principal de l’ACP d’une base de visages. Fig.: Variation de la texture selon un axe de l’ACP. Au centre, le visage moyen qui servait d’unique r´f´rence pr´c´demment.Les deux autres ee e e visages repr´sentent les extr´mit´s de l’axe. e e e Philippe Phothisane Alignement de visages par R´gression e
  11. 11. Plan Introduction Nouvelles m´triques e R´gression sur un mod`le de texture e e Reconnaissance Contributions Adaptation morphologique Conclusions & Perspectives Diff´rentes m´triques e e ◮ SSD : Sum of Squared Difference ◮ DIFS : Distance In Feature Space ◮ DFFS : Distance From Feature Space ◮ LDA : Linear Discriminant Analysis Philippe Phothisane Alignement de visages par R´gression e
  12. 12. Plan Introduction Nouvelles m´triques e R´gression sur un mod`le de texture e e Reconnaissance Contributions Adaptation morphologique Conclusions & Perspectives DIFS & DFFS Projection dans l’espace propre ◮ y= ΦT (x − x) ¯ S´paration des espaces e N yi2 M yi2 N yi2 ◮ d(x) = i =1 λi = i =1 λi + i =M+1 λi M yi2 ◮ DIFS : i =1 λi N yi2 M yi2 ◮ DFFS : i =M+1 λi = d(x) − i =1 λi Philippe Phothisane Alignement de visages par R´gression e
  13. 13. Plan Introduction Nouvelles m´triques e R´gression sur un mod`le de texture e e Reconnaissance Contributions Adaptation morphologique Conclusions & Perspectives L’erreur ` minimiser : a E (µ) = (I (F (u, µ), t +1)−T (u, t))T ∗(I (F (u, µ), t +1)−T (u, t))T (3) devient : E (µ) = (I (F (u, µ), t+1)−T (u, t))T ∗A∗(I (F (u, µ), t+1)−T (u, t))T (4) DFFS : A = Id − ρ ∗ UU T DIFS : A = U ∗ Λ−1 ∗ U T Philippe Phothisane Alignement de visages par R´gression e
  14. 14. Plan Introduction Nouvelles m´triques e R´gression sur un mod`le de texture e e Reconnaissance Contributions Adaptation morphologique Conclusions & Perspectives Utiliser un algorithme de reconnaissance pour assurer la continuit´ e du suivi malgr´ les d´crochages. e e alignement apr`s e visage ”traqu´” e d´crochage e nouvelle d´tection e de visage Philippe Phothisane Alignement de visages par R´gression e
  15. 15. Plan Introduction Nouvelles m´triques e R´gression sur un mod`le de texture e e Reconnaissance Contributions Adaptation morphologique Conclusions & Perspectives Taux de reconnaissance taux de reconnaissance selon le nombre de modes de la SVD utilises 1 SSD DIFS SVD sans poids 0.9 DFFS DIFFS subLDA 0.8 LDA 0.7 taux de reconnaissance 0.6 0.5 0.4 0.3 0.2 0.1 0 0 50 100 150 200 250 300 350 400 450 500 nombre de modes Fig.: tests effectu´s sur une base de 84 personnes (474 images) e Philippe Phothisane Alignement de visages par R´gression e
  16. 16. Plan Introduction Nouvelles m´triques e R´gression sur un mod`le de texture e e Reconnaissance Contributions Adaptation morphologique Conclusions & Perspectives Ratio de distances interclasses et intraclasses Medianes des rapports (distance interclasse / distance intraclasse)] 3.5 SSD DIFS SVD sans poids 3 DFFS DIFFS subLDA LDA 2.5 ratio (distance interclasse / distance intraclasse) 2 1.5 1 0.5 0 −0.5 −1 0 50 100 150 200 250 300 350 400 450 500 nombre de modes de la SVD utilises Fig.: tests effectu´s sur une base de 84 personnes (474 images) e Philippe Phothisane Alignement de visages par R´gression e
  17. 17. Plan Introduction Nouvelles m´triques e R´gression sur un mod`le de texture e e Reconnaissance Contributions Adaptation morphologique Conclusions & Perspectives Ne plus se contenter d’un mod`le rigide mais de r´gresser aussi sur e e des param`tres de forme du visage. e Philippe Phothisane Alignement de visages par R´gression e
  18. 18. Plan Introduction Nouvelles m´triques e R´gression sur un mod`le de texture e e Reconnaissance Contributions Adaptation morphologique Conclusions & Perspectives Pose : µ = (ωx , ωy , ωz , tx , ty , tz )T (5) Morphologie : µ = Φ ∗ (x − x ) ¯ (6) Philippe Phothisane Alignement de visages par R´gression e
  19. 19. Plan Introduction R´gression sur un mod`le de texture e e Contributions Conclusions & Perspectives ◮ Mesurer la qualit´ des poses mesur´es avec une v´rit´ terrain e e e e pr´cise au degr´ e e ◮ Suivi du regard ◮ Analyse comportementale Philippe Phothisane Alignement de visages par R´gression e

×