Biométrie «visage » avantages

Présentation au sujet: "Biométrie «visage » avantages"— Transcription de la présentation:

1 Biométrie «visage » avantages
Sans contact voire distante, naturelle, bien acceptée N’implique pas de coopération de l’usager Peut exploiter des bases de données existantes et un enrôlement distant Très liée à d’autres applications (indexation, IHM, cadrage automatique, localisation) Capteurs très peu chers

2 Inconvénients Sensible à l’environnement d’acquisition (segmentation du fond, illumination) Sensible aux expressions faciales et aux altérations de l’aspect (âge, pilosité) Potentiellement intrusif du point de vue éthique (vie privée) du fait de la non coopération

3 Galerie de 320 visages

4 Acquisition Capteurs: caméra (fixe/ PTZ) Caméras multiples
Spectre: Visible / IR Neutralisation du fond (mise au point) Capteurs 3D (stéréo active / passive, « range finder ») Image fixe vs vidéo

5 Multiples

6 Synthèse d’une vue faciale

7 Stéréo (1) Exemple de lignes épipolaires et de pixels homologues

8 Triangulation Point dans l’espace Plan image Centre optique
Point de l’image 6/21

9 Localisation: un problème très difficile
Choix du cadrage, de la forme, problème des visages multiples

10 Outils pour la localisation
Teinte chair obtenue par Un modèle statistique (GMM) Diagramme des pixels de peau dans l’espace YCbCr RGB  YCbCr Y=(R+G+B)/3 Cb = bleu Cr= rouge

11 suite Détection de l’ovale du visage par Transformation de Hough

12 Transformée de Hough Ellipse
Vote d’un pixel de contour (pour un rayon optimal) Résultat de des votes accumulés

13 suite

14 Cadrage

15 Fusion

16 Matching de visages Normalisations radiométriques (illumination)
Vecteur de mesures (après corrections géométriques)) Portrait robot Modèles déformables (morphing) « Eigenface » (Analyse en Composantes Principales) Réseaux de neurones

17 Problèmes d’illumination

18 Solution SFS: « shape from shading »

19 Mesures 1=3-5 2=1-3 3=1-2 4=1-4 5=4-6 6=6-7 7=3-7

20 suite

21 suite

22 suite

23 couleur MoyCb,MoyCr,StdCb,StdCr 112.5482 158.9421 1.6436 2.3160
MoyCb,MoyCr,StdCb,StdCr

24 suite

25 Portrait robot Match avec base d’yeux Match avec base de bouches

26 Modèle mpeg4

27 Appearance Shape Model
S = Vecteur des coordonnées des sommets On ne conserve que la forme et pas la texture

28 Exemples de vecteurs de déformation pour la forme

29 Alignement (ASM)

30 Alignement des points de références

31 Modèle 3d Candide 3d Autre modèle 3d

32 Modèles moyens Modèles moyen (F/H)

33 Transfert de texture Remise à l’identique (forme) de visages

34 Eigenfaces Un visage 16x16 = un point de R16
Un ensemble de visages = nuage E de points Calcul du centre de E et de ses « axes principaux » a m E a =m + u1V1+…..+ unVn

35 Visage moyen

36

37 Approche 3D et vidéo Utiliser la forme 3D du visage (plus d’infos, pas de problèmes d’orientations, permet de tenir compte des illuminations) Capteur= Stéréo passive ou active / Vidéo Problème de l’appariement des pixels Enrôlement plus complexe

38 Capteur 3D

39 Exemples de données 3d

40 Conclusion Une technologie encore peu robuste (en reconnaissance) en conditions quelconques  (« images volées ») Applicable avec des contraintes (expression, illumination, fond, pose) pour l’authentification Impose un enrôlement périodique Applications embarquées (voiture, téléphone, portable, …)