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
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
Galerie de 320 visages
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
Multiples
Synthèse d’une vue faciale
Stéréo (1) Exemple de lignes épipolaires et de pixels homologues
Triangulation Point dans l’espace Plan image Centre optique Point de l’image 6/21
Localisation: un problème très difficile Choix du cadrage, de la forme, problème des visages multiples
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
suite Détection de l’ovale du visage par Transformation de Hough
Transformée de Hough Ellipse Vote d’un pixel de contour (pour un rayon optimal) Résultat de des votes accumulés
suite
Cadrage
Fusion
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
Problèmes d’illumination
Solution SFS: « shape from shading »
Mesures 1=3-5 2=1-3 3=1-2 4=1-4 5=4-6 6=6-7 7=3-7 1.0000 0.3448 0.4705 0.3184 0.0931 0.2538 0.6033
suite 1.0000 0.3284 0.4735 0.3112 0.0895 0.2589 0.6016 1.0000 0.3448 0.4705 0.3184 0.0931 0.2538 0.6033
suite 1.0000 0.4705 0.4311 0.2594 0.1417 0.2880 0.5410 1.0000 0.4957 0.4282 0.3113 0.1322 0.3006 0.5716
suite 72.5194 27.5622 35.1704 27.5772 8.3445 18.7361 45.7867 78.9081 27.0276 36.1940 24.4949 8.8473 17.2576 47.1886 1.0000 0.3425 0.4587 0.3104 0.1121 0.2187 0.5980 1.0000 0.3801 0.4850 0.3803 0.1151 0.2584 0.6314
couleur MoyCb,MoyCr,StdCb,StdCr 112.5482 158.9421 1.6436 2.3160 112.5482 158.9421 1.6436 2.3160 111.5658 163.2018 1.6122 3.4773 112.8235 154.0980 1.5746 6.0394 109.8647 165.9903 1.4718 4.7837 MoyCb,MoyCr,StdCb,StdCr
suite 113.8812 143.1937 2.2329 4.0492 120.9939 138.0364 1.5594 2.2675 101.0819 159.5731 1.7571 4.9987
Portrait robot Match avec base d’yeux Match avec base de bouches
Modèle mpeg4
Appearance Shape Model S = Vecteur des coordonnées des sommets On ne conserve que la forme et pas la texture
Exemples de vecteurs de déformation pour la forme
Alignement (ASM)
Alignement des points de références
Modèle 3d Candide 3d Autre modèle 3d
Modèles moyens Modèles moyen (F/H)
Transfert de texture Remise à l’identique (forme) de visages
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
Visage moyen
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
Capteur 3D
Exemples de données 3d
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, …)