Riconoscimento di volti con tecniche 3D per controlli
Transcript
Riconoscimento di volti con tecniche 3D per controlli
Riconoscimento di volti con tecniche 3D per controlli di sicurezza D.Giorgi, M.Attene, G. Patanè, S. Marini, C. Pizzi, S. Biasotti, M. Spagnuolo, B. Falcidieno Simone Marini Istituto di Matematica Applicata e Tecnologie Informatiche – CNR, Genova Lisa Usai Elsag-Datamat, Genova Riconoscimento facciale • Il controllo degli accessi ad aree riservate è fondamentale per garantire la sicurezza dei lavoratori ed in generale dei cittadini – luoghi di lavoro: lavoratori autorizzati – luoghi pubblici: incolumità degli utenti Simone Marini • Sono necessarie tecniche avanzate di identificazione biometrica Riconoscimento facciale: • Non invasivo • Non richiede contatto • È a prova di “dimenticanza” Riconoscimento facciale • Due diversi scenari applicativi: – autenticazione: accertare se la persona che chiede l’accesso è autorizzata (confronto uno-ad-uno) – identificazione: verificare se chi chiede l’accesso figura tra i membri di un gruppo noto (confronto uno-a-molti) Simone Marini • Procedimento comune: – creazione della galleria, cioè un database di volti di persone conosciute (immagini o modelli 3D) – confronto del volto da riconoscere, con i volti nella galleria Riconoscimento con tecniche 2D Simone Marini • analisi delle immagini dei volti acquisite tramite (tele)camere • prestazioni ottime in condizioni controllate • affidabilità compromessa in caso di – – – – – condizioni avverse di illuminazione scostamento del soggetto dalla posa frontale cambi di espressione occlusione dei landmarks (ad esempio le pupille) tentativi di inganno tramite foto o video …aumentare l’affidabilità con dati 3D! Riconoscimento con tecniche 3D Simone Marini • • • • Analisi di dati 3D ottenuti tramite scansioni laser Minore sensibilità alle condizioni di illuminazione Minore indipendenza dalla posa Informazione geometriche su caratteristiche fondamentali del volto (e.g. la curvatura) Riconoscimento 3D: MultiTrust Simone Marini • progetto Elsag Datamat – IMATI (CNR, Genova), 2008 – 2009 • scopo: indagare le potenzialità del 3D per il controllo degli accessi in aeroporto, in relazione agli attuali sistemi 2D creazione di un database di modelli facciali 2D e 3D sviluppare metodi di riconoscimento 3D affidabili validazione dei metodi proposti in relazione allo stato dell’arte Creazione del Database Acquisizine dei modelli facciali 2D e 3D: scanner Minolta Vivid 910 • Popolazione del datatbase: uomini, donne, diverse età, acquisizione in diversi periodi temporali • Diversi tipi di illuminazione: normale, scarsa, laterale • Differenti pose dello stesso soggetto: frontale, laterale, alto, basso • Differenti espressioni dello stesso volto: neutra, sorriso, a scelta, … • Totale: 72 modelli digitali ottenuti da 8 soggetti ognuno dei quali acquisito 9 volte Simone Marini • Generazione del modello 3D 1. Dalla nuvola di punti alla triangolazione – Completamento dell'informazione acquisita (robustezza rispetto alle occlusioni) 2. Dalla trinagolazione alla normalizzazione della posizione – Il modello viene ruotato in posizione frontale (invarianza rispetto alla posizione) 3. Smoothing e taglio geodetico Simone Marini – Rimozione del rumore (robustezza rispeto al rumore) 1 2 3 Invarianza rispetto alle espressioni • Ipotesi: la distanza geodetica tra due punti del modello rimane invariata al cambiare dell'espressione facciale Simone Marini • Idea: immersione del modello dallo spazio geodetico allo spazio euclideo • Confronto: il nuovo modello facciale mantiene le differenze geometriche tra individui diversi Confronto tra modelli facciali • Dal modello facciale ottenuto dall'immersione viene estratto un descrittore geometrico – Calcolo delle armoniche sferiche – Matrice a valori reali • La similarità tra due modelli facciali viene stimata confrontando i corrispondenti descrittori geometrici – Distanza euclidea tra matrici a valori reali • L'intero processo di costruzione del descrittore è efficiente Simone Marini – Dalla nuvola di punti al descrittore geometrico: 3.5 secondi – Confronto tra due descrittori: 0.0015 secondi 1 2 3 4 5 Risultati della sperimentazione Doc_ret = insieme di tutti i volti recuperati Doc_rel = insieme dei volti rievanti Risultati su dataset di 68 modelli Simone Marini FRGC metric VR: Verification rate @ 0.1% False Accept Rate Cognitec 2D VR: 67.6% Cognitec 2D+3D SH Embedded VR: 88.1% VR: 91.6% Simone Marini Conclusioni • Sul dataset prodotto, l’utilizzo del 3D migliora le performance di riconoscimento • Il sistema Cognitec pare non sfruttare appieno le potenzialità offerte dal 3D • L’utilizzo di MDS + armoniche sferiche produce i risultati migliori