CV2011-2. Lecture 11. Face analysis.
3 likes1,271 views
Документ представляет курс по распознаванию и анализу лиц, охватывающий методы выделения лиц, их атрибутов и построения 2D и 3D моделей. В нём рассматриваются разные подходы к распознаванию, включая использование баз данных, таких как FERET и LFW, а также современные методы, такие как LBP и SVM. Кроме того, упоминаются актуальные исследования в области улучшения распознавания лиц и анализа их атрибутов.
![Amazon Mechanical Turk
500,000 меток= $5,000 + 1 месяц
See also [Deng, et al., 2009] [Vijayanarasimhan & Grauman, 2009]](https://image.slidesharecdn.com/cv201123facesweb-120411065448-phpapp02/85/CV2011-2-Lecture-11-Face-analysis-41-320.jpg)
CV2011-2. Lecture 11. Face analysis.
- 1. Распознавание и анализ лиц Антон Конушин http://courses.graphicon.ru/vision2
- 2. Этот курс подготовлен при поддержке Microsoft Research
- 3. Что предполагаем • Умеем: • Выделять лица в изображении • Находять характерные точки на изображении лица • Строить 2D и 3D сеточные модели лица человека по изображению • Этим задачам посвящены отдельные лекции
- 4. Что будем рассматривать • Тестовые базы • Распознавание лиц • Распознавание атрибутов по лицу • Фокусы с лицами
- 5. Верификация На обоих изображениях один и тот же человек, или нет? Базовая задача распознавания лиц, которую и человеку проще всего решать
- 6. Идентификация • Есть фиксированный список людей (база) и тестовое изображении • Нужно определить, кто из списка изображени на тестовой фотографии?
- 7. «Watch List» • Есть список «подозрительных людей» • Необходимо определить, входит ли человек в этот список по его фотографии • Самая сложная постановка задачи
- 8. Аттрибуты Мужчина Азиат Бородат Улыбается • Что мы можем сказать про этого человека? • Атрибуты – «типичные» характеристики объекта • Для человека - пол, возраст, раса, борода, усы, улыбка, очки и т.д.
- 9. FERET (1995-2000) • 14000 изображений, 1200 человек • 2 фронтальных фотографии с разным выражением лица (fa, fb) • Иногда одна фотография другой камерой и освещением • Несколько дупликатов (фотографий того же человека через 1-2 года после первой съёмки) P. J. Phillips, H. Moon, P. J. Rauss, and S. Rizvi, "The FERET evaluation methodology for face recognition algorithms", PAMI 2000.
- 10. FRGC • Face Recognition Grand Challenge (для Face Recognition Vendor Test) • Идея: исследовать возможность повышения качества распознавания за счёт улучшенных данных разной природы (контролируемые, неконтролируемые, 3д), высокое разрешение • 220 человек, 12К изображений в обучающих данных • 465 человек в валидационной выборке (год спустя) P. Jonathon Phillips, Patrick J. Flynn, Todd Scruggs, Kevin Bowyer, Jin Chang, Kevin Hoffman, Joe Marques, Jaesik Min, and William Worek. Overview of the Face Recognition Grand Challenge. In CVPR, 2005.
- 11. Labeled Faces in the Wild (LFW) http://vis-www.cs.umass.edu/lfw Gary B. Huang, Manu Ramesh, Tamara Berg, and Erik Learned-Miller. Labeled Faces in the Wild: A Database for Studying Face Recognition in Unconstrained Environments. University of Massachusetts, Amherst, Technical Report 07-49, 2007.
- 12. Labeled Faces in the Wild • 5749 человек, 12К изображений, 1680 человек по 2 и более фотографии, остальные – по одной • Фотографии разрешения 250*250, JPEG • Неконтролируемые условия, очень разные фоны, позы, разное время съёмки
- 13. PubFig Публичные люди: • Политики • «Звезды» Большая коллекция • 60,000 изображений • 200 человек • 300 изображений на человека Поднаборы: • Поза • Освещение • Выражение лица http://www.cs.columbia.edu/CAVE/databases/pubfig/
- 14. Верификация Изображения Признаки Верификация RGB HOG LBP SIFT … Разные RGB HOG LBP SIFT …
- 15. Нормализация изображения лица • Обычно лицо нормализуется по центрам глаз • Центры глаз должны быть на одной строке и с фиксированным расстоянием
- 16. EigenFaces M. Turk and A. Pentland (1991). "Face recognition using eigenfaces". Proc. IEEE Conference on Computer Vision and Pattern Recognition. pp. 586–591.
- 17. EigenFaces Большая собственная выборка изображений лиц
- 18. Метод главных компонент • Идея – аппроксимация данных векторами меньшей размерности • Изначально прямыми и плоскостями (Пирсон, 1901) • Ортогональное преобразование векторов в новый базис • Базисные вектора – собственные вектора матрицы ковариации
- 19. EigenFaces PCA: x x Pb
- 20. EigenFaces
- 21. EigenFaces • Первые коэффициенты разложения лица используются как признаки в задачах идентификации личности • Самые первые 3 компоненты в PCA считаем, отмечают за свет, поэтому при сравнении их отбрасываем
- 22. FisherFaces vs EigenFaces P. Belhumeur, J. Hespanha, and D. Kriegman, “Eigenfaces vs. Fisherfaces: Recognition using class specific linear projection,” ECCV, pp. 45–58, 1996.
- 23. Эксперименты • 5 человек, 330 изображений. Набор 1 – освещение в основном спереди, в следующих набора источник света всё больше удаляется от исходного положения
- 24. Эксперименты
- 25. Сопоставление графов • Руками создаем модельный граф: • Вершины – интересные точки лица. • Ребра – расстояния между точками • На фотографию лица накладывается модельный граф так, чтобы ошибка наложения была минимальной. • Потом для каждой точки графа ищется позиция в ее окрестности, где ошибка сопоставления минимальная. • Признаки считаются с помощью Вейвлет преобразования с фильтром Габора. Wiskott, L., Fellous, J.M., Krьger, N., and von der Malsburg, C. Face recognition by elastic bunch graph matching. 1997
- 26. Local Binary Patterns Ahonen, T., Hadid, A. and Pietikäinen, M. (2006), Face Description with Local Binary Patterns: Application to Face Recognition. IEEE PAMI 28(12):2037-2041.
- 27. Применение LBP • Изображение разбивается на области. В каждой области применяются LBP операторы к каждому пикселю. Строится гистограмма. • Объединение гистограмм – LBP дескриптор для изображения. • Для пары изображений считается разность дескрипторов по какой-нибудь метрике (например, Хи-квадрат)
- 28. Развитие LBP • Придумали два новых признаковых дескриптора: Three-Patch LBP и Four-Patch LBP - усовершенствованные LBP. • Будем сравнивать не пиксели, а фрагменты изображения между собой (попиксельно по L2 и т.д.) • f(x) =1 если x>T, и 0, если наоборот • Затем всё переводим Lior Wolf, Tal Hassner and Yaniv Taigman, "Descriptor Based Methods in the Wild," Faces in Real-Life Images workshop at the European Conference on Computer Vision (ECCV), 2008.
- 29. Four-Patch LBP Сравнение двух пар фрагментов
- 30. BIF • Биологически- обусловленные признаки • Фильтры Габора в 4х ориентациях и 16 масштабах • Соседние масштабы объединяются через max-оператор • Затем разбивается на пересекающиеся блоки и для каждого считается стандартное отклонение • Всего ~3700 параметров
- 31. Аттрибуты Мужчина Азиат Бородат Улыбается • Самый сложный атрибут – возраст, ключевая проблема – данные
- 32. Аттрибуты определяют категорию Female Eyeglasses Middle-aged Dark hair
- 33. Google: “smiling asian men with glasses” 7/08
- 34. ECCV 2008, FaceTracer: “smiling asian men with glasses”
- 35. SVM-подход • Уменьшенные изображения до 12*21 пикселей (thumbnails) • SVM-RBF классификатор • 300 опорных векторов • FERET база • Точность – 96.6% B. Moghaddam and M.-H. Yang, “Learning gender with support faces,” TPAMI, vol. 24, no. 5, pp. 707–711, 2002
- 36. «Boosting Sex» • Применим “boosting” подход для классификации пола лиц • Опираемся на классификатор «позы лица», использующий сравнение интенсивности двух пикселей в изображении S. Baluja and H. Rowley, “Boosting sex identification performance,” IJCV, 2007
- 37. Результаты • Обучали и тестировали на FERET • 10 сравнений – точность 80% • 20 cравнений – точность 90% • 1000 признаков – точность 96% • Сравнение с SVM по скорости • В 25-50 раз быстрее
- 38. Аттрибуты для верификации Neeraj Kumar, Alexander C. Berg, Peter N. Belhumeur, and Shree K. Nayar. Attribute and Simile Classifiers for Face Verification. ICCV, 2009.
- 39. 3,000,000 face images MIT+CMU Yale A Yale B FERET CMU PIE FRGC v2.0
- 40. Nose Type Race Age Gender Eye Wear Eyebrow Type Hair Color Lip Type Blurry Mustache Eye Type Lighting Smiling Indoor/Outdoor Hair Type
- 41. Amazon Mechanical Turk 500,000 меток= $5,000 + 1 месяц See also [Deng, et al., 2009] [Vijayanarasimhan & Grauman, 2009]
- 43. Human Face Verification Task
- 44. Построение классификатора • Есть набор областей изображения • Есть набор признаков • Есть SVM + RBF • Процедура • Обучим классификаторы на всех комбинациях (область, признак) • Выбираем наилучшую комбинацию (область, признак) • Выберем вторую наилучшую комбинацию, добавим в набор, обучим классификатор на наборе • Будем добавлять новые наилучшие комбинации в набор, пока не прекратиться рост качества (или до 6 комбинаций)
- 45. Области лица
- 46. Виды особенностей Pixel Value Type Normalizations Aggregation RGB None None HSV Mean-Norm Histogram Image Intensity Energy-Norm Statistics Edge Magnitude Edge Orientation
- 47. «Similes» / «Подобия» Penelope Cruz Angelina Jolie «Подобия» - классификатор, похожа ли данная часть лица на тестовом изображении и у другого конкретного человека
- 48. «Эталонные люди» Эталонный человек R1 Эталонный человек R2
- 49. Обучение «подобий» Изображения Пенелопы Круз (её глаз) Изображения других людей (их глаз) 60 человек, 8 регионов, 6 типов особенностей (без выбора), для каждого обучаем классификатор
- 50. Алгоритм верификации • Выходы всех классификаторов аттрибутов и similes объединяются в один вектор признаков. • Этот вектор подается на вход новому SVM + RBF классификатору.
- 51. Learning-based (LE) Посчитали частоты появления кодов для LBP и HOG, и увидели, что коды встречаются очень неравномерно Идея – обучить такие коды, которые встречались бы с одинаковой частотой Zhimin Cao, Qi Yin, Xiaoou Tang, and Jian Sun. Face Recognition with Learning- based Descriptor. Computer Vision and Pattern Recognition (CVPR), 2010.
- 52. Cхема метода
- 53. Признаки фрагмента • Для каждого пиксла фрагмента считаем свой вектор-признаков • Для этого записываем интенсивности пикселов по одному из указанных шаблонов (Выбрали №2) • Эти вектора-признаков будет затем квантова
- 54. Построение дескриптора • Квантуем вектора-признаки с помощью рандомизированных проекций, чтобы частоты появления каждого кластера были одинаковы • Этого можно добиться рандомизированными проекциям • Фрагмента изображения разбиваем на блоки 5*7 пикселов • В каждом блоке считаем гистограммы частот и объединяем их • Применяем PCA для сжатия дескрипторов
- 56. Распознавание человеком Original 99.20% Cropped 97.53% Inverse Cropped 94.27%
- 57. Текущее состояние (весна 2011)
- 58. «Метод Тюбика» • Эксперименты показали, что можно обучить классификатор SVM так, чтобы его результаты хорошо кореллировали с оценками людей (по шкале от 1 до 7 баллов) • Попробуем чуть-чуть поправить все пропорции лица так, чтобы оно казалось красивее EISENTHAL, Y DROR, G., AND RUPPIN, E. 2006. Facial attractiveness: ., Beauty and the machine. Neural Computation 18, 1, 119–142. Tommer Leyvand, Daniel Cohen-Or, Gideon Dror and Dani Lischinski Data-Driven Enhancement of Facial Attractiveness ACM SIGGRAPH 2008
- 59. Схема • Вычисление черт на основе ASM моделей
- 60. Улучшение лица • Из изображения извлекаем вектор v, описывающий геометрию модели. • Нужно найти v’, близкий к исходному, но с более высокой оценкой красоты • Подходы: • K-NN – Ранжируем все изоражения в базе по – Затем усредняем k ближайших – Только выпуклые комбинации примеров из базы • SVR – Оптимизация оценки красоты – Проекция v через PCA (234 в 35) – Регуляризация вероятностью модели (как в Active Shape)
- 61. Зависимость от K в K-NN
- 63. Результаты
- 64. Результаты
- 65. Результаты
- 66. Видео
- 67. Синтез анимации • Идея – для текущего изображения лица найдём в базе изоражений / видео изображения с наиболее похожими выражениями Ira Kemelmacher-Shlizerman, Aditya Sankar, Eli Shechtman, and Steven M. Seitz. Being John Malkovich, ECCV 2010
- 68. Выделение черт лица • Любые методы подойдут • Морфируемые модели дадут наиболее точный результат
- 69. Канонические лица • Лицо отображется на каноническую позу. Таким образом, мы убираем разницу в позе и можем сравнивать выражение лица напрямую
- 70. Расстояние между выражениями • Все изображение разбивается на блоки • В каждом блоке считаем LBP • Сравнивается область лица и область глаз • Расстояние между блоками: • Для каждой области суммируем расстояние между всеми блоками • Суммарное расстояние в выражении лиц – взвешенная сумма расстояний по области рта и области глаз:
- 71. Расстояние между изображениями • Расстояние между позами: где L(d) – логистическая функция T отображается в 0.5, T+/- σ в 0.01 и 0.99 • Суммарное расстояние: • Учитывается сходство выражения между соседними кадрами
- 73. Видео
- 74. Резюме лекции • Все методы анализа лица опираются на выделение лиц и черт лица, а также на построение сеточных моделей лиц • Текстурный признак LBP и его варианты сейчас один из самых часто применяемых для распознавания лиц • Вычисление атрибутов и сравнение лиц с «примерами» - очень мощный инструмент, и сейчас активно исследуется