Localização de Faces

A. Rocha, 2012 .:. Localização e Reconhecimento de Faces

Localização de Faces

‣ Qual a abordagem mais simples possível?

‣ Qual o problema dessas abordagens?

‣ Como melhorar?

2

A. Rocha, 2012 .:. Localização e Reconhecimento de Faces

Localização de Faces

3

?

A. Rocha, 2012 .:. Localização e Reconhecimento de Faces

Localização de Faces

‣ Basicamente em cada representação (sub-janela) tem-se que decidir o que é face/não-face

‣ Alternativa – PCA e sub-espaços para a representação e classificadores para a decisão

‣ Redes neurais, por exemplo

‣ Qual o problema? Localização precisa ser tempo real

4

A. Rocha, 2012 .:. Localização e Reconhecimento de Faces

Detetor de Viola-Jones

‣ Uma maneira de acelerar o processo consiste em utilizar classificadores fracos e características bem simples

‣ Viola e Jones propõem utilizar retângulos como características para localização de faces

5

A. Rocha, 2012 .:. Localização e Reconhecimento de Faces

Detetor de Viola-Jones

‣ Três tipos de características básicas

‣ O valor de uma característica de dois retângulos é a diferença

6

XR

Branco

�X

RPreto

A. Rocha, 2012 .:. Localização e Reconhecimento de Faces

Detetor de Viola-Jones

‣ A resolução do detetor proposto é de 24x24 pixels

‣ Qual o problema?

‣ Inúmeras combinações diferentes de retângulos

7

A. Rocha, 2012 .:. Localização e Reconhecimento de Faces

Detetor de Viola-Jones

‣ A solução consiste em

• encontrar as melhores características

• computar cada característica de forma mais rápida possível

‣ Como?

• Adaboosting e Imagem Integral

8

A. Rocha, 2012 .:. Localização e Reconhecimento de Faces

Detetor de Viola-Jones

‣ Uma imagem integral, ii, consiste em uma representação de uma imagem i tal que o valor na posição (x,y) de ii contém a soma dos pixels acima e à esquerda de x,y em i, inclusive

9

ii(x, y) =X

x

0x,y

0y

i(x0, y0).

A. Rocha, 2012 .:. Localização e Reconhecimento de Faces

Detetor de Viola-Jones

‣ Com uma imagem integral, a avaliação de qualquer característica de retângulo pode ser feita com 4 referências à imagem

‣ Qual o custo de uma diferença? E se houver interseção?

10

A. Rocha, 2012 .:. Localização e Reconhecimento de Faces

Detetor de Viola-Jones

‣ Como calcular a soma na região D abaixo?

11

A B

C D

L2

L4L3

L1

D =X

(L4 + L1 � (L2 + L3))

A. Rocha, 2012 .:. Localização e Reconhecimento de Faces

Detetor de Viola-Jones

‣ Para selecionar as características mais efetivas, Viola e Jones utilizam Adaboost

‣ O procedimento consiste em treinar vários classificadores fracos (resposta melhor que 50/50)

‣ Combinar os diversos classificadores em um classificador forte

12

A. Rocha, 2012 .:. Localização e Reconhecimento de Faces

Detetor de Viola-Jones

‣ Um classificador fraco hj é formado por uma característica, um limiar e uma polaridade (+/-)

‣ A cada seleção de um classificador fraco, a característica mais apropriada é selecionada

13

hj(x) =

⇢1 se pjfj(x) < pj✓j

0 caso contrario.

Janela24x24 pixels

Valor do filtroParidade

Threshold

A. Rocha, 2012 .:. Localização e Reconhecimento de Faces

Detetor de Viola-Jones

‣ Como então é feita a seleção de classificadores?

‣ Defina um conjunto exaustivo de características (filtros retângulos)

‣ O treinamento consiste em múltiplos rounds

14

A. Rocha, 2012 .:. Localização e Reconhecimento de Faces

Detetor de Viola-Jones

‣ Para cada round

• Avalie cada filtro em cada exemplo de treinamento

• Selecione o melhor threshold para cada filtro

• Selecione a melhor combinação filtro/threshold

• Aumente os pesos dos exemplos classificados erroneamente

15

A. Rocha, 2012 .:. Localização e Reconhecimento de Faces

Detetor de Viola-Jones

‣ Qual a complexidade do treinamento?

‣ M rounds, N exemplos, K características (filtros)

16

O(M ⇥N ⇥K)

A. Rocha, 2012 .:. Localização e Reconhecimento de Faces

Detetor de Viola-Jones

‣ Duas características selecionadas por boosting

17

A. Rocha, 2012 .:. Localização e Reconhecimento de Faces

Detetor de Viola-Jones

‣ Tem como melhorar?

‣ Eliminar a maior quantidade de características não efetivas possível enquanto aumentando a taxa de detecção correta

‣ Classificadores em cascata

‣ Os exemplos de treinamento (não-face) de um nível vêm dos falsos-positivos dos níveis anteriores da cascata

18

A. Rocha, 2012 .:. Localização e Reconhecimento de Faces

Sub-janelas

Detetor de Viola-Jones

19

1 + Processamento2 3 4 5

Rejeitar Sub-janela

V V V V

F F F F F

V

A. Rocha, 2012 .:. Localização e Reconhecimento de Faces

Detetor de Viola-Jones

‣ E como funciona o teste?

‣ O detetor treinado com X níveis na cascata é aplicado na imagem em diversas escalas e posições

‣ A escala é obtida fazendo o redimensionamento do detetor em si e não da imagem

‣ Por exemplo, um detetor de Viola-Jones típico tem 38 camadas e filtros de 24x24 pixels (resolução base)

20