Analisi e valutazione di algoritmi per eye tracking operanti in - e-Lite
Transcript
Analisi e valutazione di algoritmi per eye tracking operanti in - e-Lite
POLITECNICO DI TORINO III Facoltà di Ingegneria Corso di Laurea in Ingegneria Informatica Tesi di Laurea Magistrale Analisi e valutazione di algoritmi per eye tracking operanti in luce visibile Relatore: Prof. Fulvio Corno Candidato: Alessio Moscatello Novembre 2007 Indice 1 Introduzione 1 2 Eye 2.1 2.2 2.3 2.4 tracking Storia . . . . . . . . . . . . . . . . . . . . Utilizzi . . . . . . . . . . . . . . . . . . . . Classificazione . . . . . . . . . . . . . . . . Funzionamento . . . . . . . . . . . . . . . 2.4.1 Determinazione del punto osservato 2.4.2 Calibrazione . . . . . . . . . . . . . 2.5 Sistemi commerciali . . . . . . . . . . . . . 2.6 Panoramica sugli algoritmi di eye tracking 2.6.1 Algoritmi in tempo reale . . . . . . 2.6.2 Algoritmi di analisi offline . . . . . 3 Ambiente di test 3.1 Introduzione . . . . . . . . . . . . . 3.2 Database dei filmati . . . . . . . . 3.2.1 Struttura XML . . . . . . . 3.2.2 DTD . . . . . . . . . . . . . 3.3 Tagger . . . . . . . . . . . . . . . . 3.3.1 Interfaccia dell’applicazione 3.4 Benchmark . . . . . . . . . . . . . 3.4.1 Interfaccia dell’applicazione 3.4.2 Struttura dell’applicazione . 3.4.3 Classe Algo . . . . . . . . . 3.4.4 Classe InfoFrame . . . . . . 1 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 6 7 8 10 13 15 15 18 18 20 . . . . . . . . . . . 23 23 24 24 27 28 29 30 30 31 33 37 3.4.5 3.4.6 Classe Starbust . . . . . . . . . . . . . . . . . . . . . . . . . . 39 Classe Sandra . . . . . . . . . . . . . . . . . . . . . . . . . . . 39 4 Algoritmi scelti e implementati 4.1 Starbust . . . . . . . . . . . . 4.1.1 Adattamenti . . . . . . 4.2 Active Shape Model . . . . . 4.2.1 Adattamenti . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5 Test 5.1 Introduzione . . . . . . . . . . . . . . . . . . 5.1.1 Parametri di riferimento . . . . . . . 5.2 Test effettuati su Starbust . . . . . . . . . . 5.2.1 Parametri ottimali . . . . . . . . . . 5.2.2 Prestazioni globali dell’algoritmo . . 5.3 Test effettuati su ASM . . . . . . . . . . . . 5.3.1 Effetti della variazione dei parametri 5.3.2 Effetti della variazione del modello . 5.4 Test comparativi . . . . . . . . . . . . . . . 5.4.1 Caso migliore . . . . . . . . . . . . . 5.4.2 Caso medio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6 Conclusioni 6.1 Analisi dei risultati . . . . . . . . . . . . . . . 6.2 Miglioramenti relativi a Starbust . . . . . . . 6.3 Miglioramenti relativi ad Active Shape Model 6.4 Miglioramenti degli strumenti di cattura . . . 6.5 Ulteriori analisi . . . . . . . . . . . . . . . . . A Appendici A.1 Anatomia dell’occhio . A.1.1 Termini medici A.2 Libreria Qt . . . . . . A.3 Libreria OpenCV . . . A.4 Classificatore Haar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 2 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 41 42 48 51 54 . . . . . . . . . . . 57 57 58 59 59 66 68 68 68 73 73 74 . . . . . 76 76 77 77 78 79 . . . . . 80 80 83 84 84 84 A.5 Filtri per immagini . . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 A.5.1 Filtro smooth . . . . . . . . . . . . . . . . . . . . . . . . . . . 85 A.5.2 Filtro sharpening . . . . . . . . . . . . . . . . . . . . . . . . . 86 3 Elenco delle tabelle 5.1 5.2 5.3 5.4 5.5 5.6 Prestazioni globali di Starbust . . . . . . . . . . . . . . . . Effetti della variazione dei parametri di ASM . . . . . . . . Effetti della variazio del modello utilizzato da ASM . . . . Variazione della statistica al variare del modello utilizzato Prestazioni dei due algoritmi nel caso migliore . . . . . . . Prestazioni dei due algoritmi nel caso medio . . . . . . . . 4 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 66 68 69 69 74 74 Elenco delle figure 2.1 Un esempio dell’utilizzo dell’eye tracking è l’analisi delle fissazioni che l’occhio effettua durante la lettura . . . . . . . . . . . . . . . . . . . . 7 2.2 Videooculografia con pupilla e riflesso corneale . . . . . . . . . . . . . 11 2.3 Sistema completo che utilizza la pupilla e il riflesso corneale . . . . . 12 2.4 Sistema indossabile e schema della tastiera visibile sullo schermo . . . 13 2.5 Sistema che si basa solo sulla pupilla utilizzando videocamera a basso costo e software di elaborazione immagini . . . . . . . . . . . . . . . . 13 2.6 Un sistema di elettrooculografia . . . . . . . . . . . . . . . . . . . . . 14 2.7 Esempio di calibrazione statica con un numero crescente di punti . . . 16 2.8 Esempio di calibrazione dinamica: il punto si muove sullo schermo con un percorso casuale . . . . . . . . . . . . . . . . . . . . . . . . . . 16 2.9 Immagine che rappresenta le differenze tra due fotogrammi successivi, i cerchi bianchi indicano le differenze attribuite al movimento delle palpebre . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19 2.10 Sequenza delle operazioni effettuate dall’algoritmo di Amarnag: (a) output dopo il pre-processamento (b) output dopo il classificatore Bayesiano (c) output dopo l’algoritmo di clustering (d) risultato finale 20 2.11 Schema della rete neurale competitiva proposta da Marcone et al. . . 21 2.12 Esempio di variazioni possibili di un modello deformabile dell’iride: 1 traslazione, 2 scalamento, 3-5 combinazione di trasformazioni, 6-9 trasformazioni complesse . . . . . . . . . . . . . . . . . . . . . . . . . 21 2.13 Training set utilizzato per addestrare la rete neurale utilizzata nell’algoritmo descritto da Pedersen e Spivey . . . . . . . . . . . . . . . 22 3.1 Il disegno raffigura la struttura dei tag che rappresentano occhi e pupille 26 3.2 Un fotogramma in cui sono visibili i tag relativi a pupille, occhi e naso 29 5 3.3 Anteprima dell’analisi di un filmato: si nota il riferimento della pupilla (cerchio verde) e il centro della pupilla rilevata (croce gialla) . . . . . 31 3.4 Finestra di configurazione dell’algoritmo Starbust . . . . . . . . . . . 32 4.1 Posizionamento della webcam nel sistema openEyes . . . . . . . . . . 43 4.2 Immagine dell’occhio prima dell’eliminazione del riflesso corneale . . . 44 4.3 La stessa immagine di figura 4.2 dopo l’eliminazione del riflesso corneale 44 4.4 Ricerca punti caratteristici della pupilla utilizzando l’algoritmo Starbust 46 4.5 La figura mostra l’ellisse risultante dopo aver applicato all’immagine l’algoritmo Starbust . . . . . . . . . . . . . . . . . . . . . . . . . . . . 48 4.6 Un’immagine del training set (8 picchetti) utilizzato per riconoscere l’occhio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 52 4.7 Modello dell’occhio con 16 picchetti . . . . . . . . . . . . . . . . . . . 55 4.8 Modello con 16 picchetti: si può notare che il baricentro (in giallo) non corrisponde al centro della pupilla, perchè quest’ultima è spostata verso sinistra . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 56 4.9 Modello con 8 picchetti: in questo caso il baricentro dei picchetti (in giallo) corrisponde alla pupilla anche se non si trova al centro dell’occhio 56 5.1 Andamento della precisione e del tempo di elaborazione all’aumentare del numero di raggi utilizzati per analizzare un filmato che riprende l’intero volto . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 5.2 Andamento della precisione e del tempo di elaborazione all’aumentare del numero di raggi utilizzati per analizzare un filmato che riprende solamente l’occhio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 60 5.3 Influenza della dimensione del riflesso corneale su un’immagine del volto intero . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61 5.4 Influenza della dimensione del riflesso corneale su un’immagine dell’occhio . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62 5.5 Influenza del numero di feature utilizzate per l’interpolazione dell’ellisse nel caso di un filmato che riprende solamente l’occhio . . . . . . 62 5.6 Influenza del numero di feature utilizzate per l’interpolazione dell’ellisse nel caso di un filmato del volto, in condizioni di scarsa luminosità 63 5.7 Influenza del numero di feature utilizzate per l’interpolazione dell’ellisse nel caso di un filmato del volto, in condizioni di ottima luminosità 63 6 5.8 In condizioni di buona illuminazione e alta qualità del filmato, la variazione del livello di soglia causa una variazione dell’errore medio molto ridotta . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.9 Utilizzando un filmato con illuminazione ambientale più bassa, la variazione della soglia influisce sull’errore . . . . . . . . . . . . . . . 5.10 Utilizzando un filmato di bassa qualità e luminosità (webcam) la variazione della soglia influisce molto sull’errore . . . . . . . . . . . 5.11 Funzione di probabilità stimata nel caso di un modello poco accurato, sono separati i dati relativi all’errore in direzione orizzontale e l’errore in direzione verticale . . . . . . . . . . . . . . . . . . . . . . . . . . 5.12 Funzione di probabilità stimata nel caso di un modello accurato . . 5.13 Funzione di probabilità stimata nel caso di un modello errato (il grafico è stato espanso per evidenziare i picchi secondari), in questo caso sono stati accorpati gli errori relativi all’asse delle ascisse e delle ordinate . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 5.14 Funzione di probabilità stimata nel caso di un modello accurato . . A.1 Anatomia dell’occhio . . . . . . . . . . . . . . . . . . . . . . . . . . A.2 Sezione del bulbo oculare . . . . . . . . . . . . . . . . . . . . . . . . A.3 Formazione dell’immagine sulla retina . . . . . . . . . . . . . . . . . 7 . 64 . 65 . 65 . 70 . 71 . . . . . 71 72 80 81 83 Capitolo 1 Introduzione Un sistema di eye tracking è un dispositivo che permette di tracciare la posizione della pupilla e di risalire al punto osservato dall’utente: è un sistema complesso che permette di utilizzare lo sguardo per interagire con strumenti elettronici. Gli utilizzi di un eye tracker possono essere molteplici (cap. 2.2), ma per questa tesi ci si è concentrati sui sistemi di eye tracking che si integrano con i normali personal computer: lo sguardo viene utilizzato per spostare il cursore sullo schermo senza dover utilizzare un mouse. La nascita dell’eye tracking può essere fatta risalire ai primi studi sui movimenti oculari dell’Ottocento (5), ma solamente negli ultimi vent’anni le tecnologie di eye tracking si sono sviluppate al punto da rendere disponibili sistemi commerciali molto precisi, anche se molto costosi. Con il progredire delle tecniche di Computer Vision si sono sviluppati sistemi di eye tracking a basso costo; questi sistemi, a differenza di quelli commerciali, utilizzano la luce visibile anziché l’infrarosso: utilizzando la luce visibile per riprendere l’occhio i contorni della pupilla risultano meno definiti, perciò gli eye tracker in luce visibile sono meno precisi di quelli commerciali, ma, dato il costo ridotto, sono accessibili ad un maggior numero di utenti. Lo scopo di questa tesi è creare una piattaforma di benchmarking per effettuare un’analisi oggettiva e dettagliata di algoritmi di eye tracking che utilizzino periferiche a basso costo. Il sistema di eye tracking che verrà analizzato in questa tesi è costituito da una videocamera e un personal computer: la videocamera riprende il volto dell’utente mentre il computer, analizzando i singoli fotogrammi, ricava la posizione del punto osservato. Le videocamere utilizzate non verranno in alcun 1 1 – Introduzione modo modificate e verranno posizionate in modo da non interferire con il normale utilizzo del computer: in questo modo si vuole testare un sistema che sia facilmente utilizzabile da qualsiasi utente. I motivi che hanno portato allo studio di questo sistema di valutazione sono molteplici. Innanzi tutto esistono numerosi algoritmi in letteratura, ma è difficile effettuarne un confronto utilizzando i dati presentati negli articoli che li descrivono. Ogni ricercatore, infatti, utilizza parametri di valutazione diversi e diverse sono le condizioni in cui gli algoritmi vengono testati: mancano, quindi, criteri oggettivi per effettuare una comparazione. Inoltre si deve ricordare che non sempre sono disponibili i mezzi per effettuare studi di usabilità e, qualora vi siano, è difficile trovare utenti disponibili ad effettuare lunghi e, talvolta, ripetitivi test. Il sistema di test non opererà in tempo reale, perché per stabilire la precisione di un algoritmo è necessario disporre di una serie di riferimenti con cui confrontare le misure che fornisce: tipicamente un algoritmo di eye tracking fornisce come output la posizione della pupilla, ma per calcolarne l’errore devono essere disponibili le coordinate della pupilla relative al fotogramma esaminato. Sfortunatamente non esistono database pubblici che memorizzino anche solo la posizione delle pupille, perciò si è deciso di crearne uno ex novo. Il database di filmati è stato costruito utilizzando tre tipologie di periferiche video: una webcam, una fotocamera digitale e una telecamera per videoconferenza. Sono state utilizzate queste tre tipologie, perchè possono essere considerate a basso costo: il prezzo di una normale webcam è di circa 20 e mentre la telecamera per videoconferenza ha un costo di circa 800 e. I filmati sono stati realizzati non solo in condizioni di luce ottimale, ma anche in condizioni di scarsa illuminazione: infatti in una prospettiva di utilizzo realistica non è sempre possibile intervenire sull’illuminazione ambientale. La struttura del database (cap. 3.2) è stata progettata per poter memorizzare un numero variabile di dati relativi ai fotogrammi: per ogni fotogramma si possono memorizzare dei riferimenti che permettono di stabilire l’esatta posizioni di pupille e occhi, inoltre la struttura permette di inserire riferimenti non previsti inizialmente come, ad esempio, la posizione delle sopracciglia. Nel caso specifico, oltre alla posizione di occhi e pupille, si è scelto di memorizzare la posizione del naso, perché alcuni algoritmi si basano sugli spostamenti del naso per tracciare il movimento del viso dell’utente. 2 1 – Introduzione La gestione del database viene effettuata con un’applicazione dedicata (cap. 3.3) che permette di posizionare i riferimenti (o tag) un fotogramma alla volta. L’applicazione è stata progettata per velocizzare il posizionamento dei riferimenti: infatti il numero di fotogrammi da elaborare può essere molto elevato anche se si utilizzano filmati con il modesto frame rate tipico delle fotocamere a basso costo (15 fotogrammi/s). I dati memorizzati dall’applicazione vengono descritti con il formalismo XML che li rende indipendenti dall’ambiente in cui sono stati ricavati: il database, in questo modo, potrà essere facilmente riutilizzato anche con applicazioni completamente diverse da quelle sviluppate per questa tesi. La realizzazione dell’ambiente di test (cap. 3.4) ha richiesto un notevole sforzo progettuale volto alla creazione di un’applicazione facilmente espandibile, ma che fosse abbastanza generica da poter implementare un qualunque tipo di algoritmo per eye tracker a basso costo. É stato utilizzato un approccio ad oggetti per avere un alto livello di astrazione che permetta di elaborare efficacemente i dati ricavati dai test e per facilitare l’utilizzo dell’ambiente agli altri componenti del gruppo di ricerca presso cui è stata realizzata la tesi. La ricerca degli algoritmi da implementare e testare ha richiesto un’attenta analisi degli articoli riguardanti l’eye tracking a basso costo (cap. 2.6): gli approcci possibili sono molti e spesso radicalmente differenti, perciò la scelta è stata effettuata analizzando dettagliatamente i punti di forza e le debolezze di ogni tipo di algoritmo. Le principali differenze rilevate riguardano la modalità di ricerca della pupilla e il livello di generalità dell’algoritmo. La ricerca della pupilla può essere effettuata sull’intera immagine o su una porzione limitata di essa: in questo secondo caso l’algoritmo deve essere strutturato per cercare, anche approssimativamente, la posizione dell’occhio e, successivamente, effettuare una ricerca più precisa della pupilla. Alcuni algoritmi sono abbastanza generici da poter essere utilizzati in qualsiasi situazione, altri hanno notevoli limitazioni e richiedono una fase di training. La fase di addestramento di un algoritmo può essere molto semplice, ad esempio la selezione dell’area in cui effettuare la ricerca, oppure può essere molto complessa, ad esempio nel caso in cui l’occhio venga rappresentato da un modello che deve essere ricavato per ogni utente. Si è ritenuto opportuno analizzare algoritmi di cui fosse disponibile il codice sorgente: infatti implementare un algoritmo partendo solamente dallo pseudocodice può essere causa di errori che portano a prestazioni molto differenti da quelle dichiarate dall’autore dell’algoritmo. Inoltre si è scelto di testare algoritmi 3 1 – Introduzione il cui principio di funzionamento fosse radicalmente differente, per cercare di capire quale fosse l’approccio migliore. La scelta è ricaduta sugli algoritmi Starbust e Active Shape Model (cap. 4). Starbust utilizza tecniche peculiari di Computer Vision e non necessita di addestramento: la posizione della pupilla viene rilevata partendo dalla ricerca del riflesso corneale; successivamente, partendo dalla posizione del riflesso, vengono rilevati i pixel che presentano il più alto contrasto ovvero i pixel che corrispondono al contorno della pupilla. ASM utilizza un modello dell’occhio e necessita di addestramento: il modello dell’occhio, specifico per ogni utente, viene creato a mano e presenta alcuni parametri che consentono di deformarlo. La ricerca dell’occhio nell’immagine avverrà traslando e deformando il modello in relazione alle caratteristiche dell’immagine. La struttura di questi due algoritmi è differente, perché si è scelto di testare due approcci completamente diversi per stabilire quale dei due fosse il più adatto per tracciare i movimenti della pupilla. I test effettuati sono stati divisi in due gruppi, in quanto si è voluto dapprima analizzare gli algoritmi singolarmente e, solo successivamente, confrontarli (cap. 5). Il primo gruppo di test era volto a stabilire quali fossero le condizioni di utilizzo ottimale del singolo algoritmo: perciò si è cercato di stabilire quali fossero i parametri migliori con cui inizializzare l’algoritmo. Il numero di test effettuati in questa fase è differente per i due algoritmi: a differenza di Starbust, per cui sono stati effettuati numerosi test, ASM ha un numero di parametri molto ridotto, in quanto il comportamento è quasi completamente influenzato dal modello utilizzato. Nel secondo gruppo di test si è cercato di stabilire quale dei due algoritmi avesse prestazioni migliori rispetto ad alcuni indici di riferimento. Gli indici scelti per confrontare gli algoritmi sono: il tempo medio di elaborazione di un fotogramma e l’errore medio di rilevamento della pupilla. Il tempo medio di elaborazione permette di avere una stima della reattività del sistema; mentre l’errore medio di rilevamento della pupilla permette di stimare la precisione del sistema, in quanto incide direttamente sulla precisione con cui viene ricavato il punto osservato. Analizzando i risultati dei test effettuati si è potuto concludere che Starbust ha un tempo di elaborazione estremamente ridotto e un errore medio inferiore ad ASM, ma la misura della posizione della pupilla è soggetta ad una certa rumorosità; ASM, d’altro canto, è più lento, ma la posizione rilevata ha una variazione minore. La rumorosità delle misure è un parametro da analizzare attentamente, in quanto, se 4 1 – Introduzione troppo elevato, può rendere difficile il rilevamento delle fissazioni, ovvero le aree dello schermo in cui lo sguardo rimane fisso per un certo periodo di tempo. L’approfondita analisi dei due algoritmi ha permesso di accertare che entrambi hanno spazio per alcuni miglioramenti. Starbust può essere migliorato riducendone la rumorosità (cap. 6.2), mentre ASM può essere migliorato riducendone la complessità computazionale(cap. 6.3). I test effettuati hanno permesso di stabilire una relazione tra la qualità della periferica di acquisizione e l’errore di rilevamento della pupilla: l’errore minimo si ottiene utilizzando la telecamera per videoconferenza, che presenta un’elevata qualità dell’immagine, mentre l’errore massimo si ottiene utilizzando la webcam che presenta immagini molto degradate. Il compromesso migliore tra costo e precisione si ottiene però con la fotocamera digitale: presenta un errore medio maggiore, ma ha un costo che è circa la metà rispetto alla telecamera per videoconferenza. I risultati ottenuti testando questi algoritmi confermano che la precisione ottenibile da sistemi a luce visibile è inferiore a quella ottenibile da sistemi a luce infrarossa, ma il miglioramento delle periferiche di acquisizione e il raffinamento degli algoritmi può portare a sistemi a basso costo che potranno essere affiancati ai normali canali di input. 5 Capitolo 2 Eye tracking Inizialmente l’utilizzo di sistemi di eye tracking era confinato agli studiosi di movimenti oculari, col progresso della tecnica, però l’utilizzo di eye tracker ha subito una notevole diffusione: non solo come strumento per affiancare i normali canali di input, ma anche come strumento sostitutivo ad essi. Infatti un’eye tracker può essere utilizzato non solo per migliorare l’interazione uomo-macchina, ma anche per dare una concreta possibilità di utilizzo degli strumenti elettronici a persone diversamente abili. 2.1 Storia I primi studi sui movimenti oculari risalgono all’Ottocento ed erano eseguiti con osservazioni dirette. Nel 1898 Huey (5) costruı̀ un rudimentale eye tracker composto da una sorta di lente a contatto collegata ad un puntatore in alluminio, che si spostava in risposta ai movimenti oculari; con questo rudimentale strumento riuscı̀ a dimostrare che leggendo una frase non ci si concentra su ogni parola, ma solo su quelle che il nostro cervello ritiene più “rilevanti“. Il primo eye tracker non intrusivo venne costruito da George Buswell: una fonte di luce illuminava l’occhio e il riflesso veniva impressionato su pellicola; il movimento dell’occhio provocava un corrispondente spostamento del tracciato impresso sulla pellicola fotografica. Il progresso della tecnica ha permesso di sviluppare sistemi di eye tracking sempre più performanti sino ad utilizzare videocamere per filmare l’occhio e un computer 6 2 – Eye tracking per elaborare queste immagini: in questo modo è possibile controllare un normale computer con lo sguardo anzichè utilizzare mouse e tastiera. 2.2 Utilizzi Inizialmente l’eye tracking è stato utilizzato in ambito accademico per meglio comprendere i meccanismi alla base della percezione visiva: si è scoperto che durante la lettura non ci si concentra sulle singole lettere di una parola, ma solo su alcuni gruppi di lettere e che, per il cervello, alcune parole di una frase sono più importanti di altre: si noti ad esempio il tracciato seguito da un lettore in figura 2.1; i cerchi rappresentano i punti in cui si è fissato lo sguardo, il diametro è proporzionale al tempo di fissazione. Figura 2.1. Un esempio dell’utilizzo dell’eye tracking è l’analisi delle fissazioni che l’occhio effettua durante la lettura L’analisi delle fissazioni è stata anche utilizzata dagli psicologi per mostrare come uomini e donne si concentrino su caratteristiche diverse osservando immagini di altre persone e viene utilizzata dall’industria per localizzare gli “attrattori attenzionali” all’interno dello stimolo visivo: in questo modo si possono realizzare pubblicità che attirino di più l’attenzione, perché si posizonano i messaggi da trasmettere nei punti di massima visibilità. Oppure si possono utilizzare queste informazioni per 7 2 – Eye tracking migliorare la disposizione di avvisi, come ad esempio i cartelli stradali, o segnalazioni importanti, come le vie di fuga. In campo militare gli utilizzi sono i più disparati, in quanto gli studi sull’eye tracking effettuati dall’esercito degli Stati Uniti risalgono addirittura agli anni ’50 (17): i primi utilizzi riguardarono studi sulle aree più osservate dai piloti durante il volo; successivamente si è cercato di costruire strumentazioni che permettessero di selezionare alcuni comandi solamente osservando opportune icone, in modo dal distrarre il pilota il meno possibile. Solo ultimamente l’eye-tracking è stato utilizzato come alternativa ai classici strumenti di input (mouse e tastiera) per creare un sistema “handless” diretto ad utenti professionali (campo biomedico) o diversamente abili. In futuro si prevede un utilizzo sempre più massiccio di sistemi di eye tracking, se non per sostituire, almeno per affiancare i normali canali di input e per migliorare l’interazione con gli strumenti elettronici. Si stanno effettuando studi anche sulla sicurezza degli automobilisti: infatti un eye tracker potrebbe essere utilizzato per monitorare costantemente il livello di attenzione del guidatore e prendere provvedimenti nel caso non risulti in condizioni adatte alla guida. Secondo recenti analisi (6) gli ambiti di maggior utilizzo degli eye tracker sono i seguenti: • test sulle aree di interesse • scienze cognitive • disabilità motoria • misurazione livello di attenzione degli automobilisti • domotica • medicina 2.3 Classificazione I sistemi di eye tracking possono essere classificati in base al metodo utilizzato per rilevare i movimenti della pupilla (sensore ottico o elettrodi) e in base al fatto che siano indossabili o meno. 8 2 – Eye tracking Gli eye tracker più diffusi utilizzano la tecnica della videooculografia (VOG): una telecamera riprende l’occhio utilizzando un sensore sensibile all’infrarosso o alla luce visibile. Infrarosso E’ una soluzione costosa1 , infatti, oltre ad un illuminatore infrarosso, si deve utilizzare un sensore sensibile alla radiazione infrarossa che fa levitare il costo dell’apparato. Visibile E’ la tecnica più semplice, perché permette di tracciare i movimenti oculari con una semplice videocamera o, addirittura, con una webcam. Il costo è ridotto2 , ma la precisione di un eye tracker di questo tipo è molto inferiore ad un eye tracker infrarosso. Vi è anche un ulteriore gruppo di eye tracker, ovvero gli eye tracker basati sull’elettrooculogramma (EOG). Questa tecnica permette di rilevare i movimenti della pupilla misurando, con alcuni elettrodi, il potenziale elettrico in un’area vicina all’occhio; questo tipo di eye tracker è stato inizialmente utilizzato per rilevare i movimenti saccadici3 durante la fase REM4 del sonno, ma attualmente viene utilizzato anche da alcuni modelli commerciali. Un ulteriore distinzione dei sistemi di eye tracking si basa sul fatto che siano indossabili o meno. I sistemi non indossabili non sono invasivi, hanno, però, un grande problema: l’utente deve mantenere l’occhio all’interno del campo visivo del sensore. Naturalmente si può ovviare a questo problema utilizzando più telecamere a raggi infrarossi permettendo, cosı̀, una grande libertà di movimento, ma il costo del sistema levita ulteriormente. Un’altra soluzione soluzione al problema consiste nell’inquadrare interamente il viso dell’utente e compensare in qualche modo i movimenti del capo: si deve perciò tracciare il movimento della testa dell’utente per eliminare il movimento apparente dell’occhio. I sistemi indossabili non sono soggetti ad errori dovuti al movimento della testa, infatti il sensore, essendo montato su occhiali, non cambia posizione rispetto all’occhio; questi sistemi possono, però, intralciare i movimenti, perché normalmente vi 1 Il costo è dell’ordine di 10.000 e Al di sotto dei 1000 e 3 Vedere appendice A.1 4 Vedere appendice A.1.1 2 9 2 – Eye tracking è un cavo di collegamento con il computer. Si deve anche notare che un utilizzo prolungato potrebbe creare alcuni fastidi ad utenti che non hanno mai utilizzato occhiali. 2.4 Funzionamento Il funzionamento di un eye tracker è, in linea di principio, molto semplice: viene ripreso un soggetto e ne vengono tracciati i movimenti della pupilla. I movimenti verranno registrati (nel caso di analisi off-line) oppure verranno tradotti in spostamenti del cursore sullo schermo (nel caso l’eye tracker venga utilizzato per controllare un computer). Per spiegare il funzionamento di un eye tracker si deve innanzitutto suddividere l’analisi in base alle modalità di ricerca dello sguardo; di seguito viene riportata una panoramica dei metodi di funzionamento tratta da una ricerca effettuata dalla rete europea di eccellenza COGAIN (10): • videooculografia: utilizzando pupilla e riflesso corneale • videooculografia: utilizzando solamente la pupilla • videooculografia: utilizzando la doppia riflessione di Purkinje (se la fronte di illuminazione è frontale si hanno due riflessi da tracciare anzichè uno solo) • videooculografia: utilizzando il limbo (confine tra cornea e sclera) • elettrooculografia: utilizzando il potenziale elettrico generato dall’occhio • oculografia elettromagnetica: utilizzando una sonda posizionata sulla cornea (utilizzata per ricerche mediche, è una tecnica molto invasiva) • lenti a contatto: utilizzando lenti a contatto nell’occhio Analizzeremo in dettaglio le tecniche attualmente utilizzate dagli eye tracker commerciali, ovvero la videooculografia e l’elettrooculografia. Sono le tecniche più utilizzate in quanto danno i risultati migliori: la risoluzione media di questi sistemi è di circa 1◦ di campo visivo utilizzando la videooculografia e 2◦ utilizzando l’elettrooculografia. 10 2 – Eye tracking Videooculografia basata su pupilla e riflesso corneale Questo metodo determina la direzione dello sguardo comparando le posizioni relative della pupilla e del riflesso corneale determinato da una luce incidente. Normalmente il sistema consiste in un emettitore infrarosso e in una singola fotocamera sensibile alla radiazione infrarossa; la fotocamera è provvista di alcune lenti e di un sistema autofocus per compensare i movimenti del capo. Se l’illuminatore non è posto in direzione della pupilla, quest’ultima apparirà completamente nera (metodo dark pupil). Nell’immagine risultante (fig. 2.2) si vedrà muoversi solo la pupilla, mentre il riflesso corneale rimarrà pressochè costante e verrà utilizzato per compensare eventuali spostamenti della testa. Un sistema completo di illuminatore e fotocamera sensibile all’infrarosso è rappresentato in figura 2.3. Figura 2.2. Videooculografia con pupilla e riflesso corneale Videooculografia basata solo sulla pupilla La videooculografia che utilizza solamente la pupilla è molto simile a quella che utilizza le informazioni ricavabili da pupilla e riflesso corneale; l’utilizzo della sola pupilla rende il sistema sensibile ai movimenti della testa. Tipicamente si risolve questo inconveniente montando la telecamera su occhiali (fig. 2.4), si crea quindi un sistema indossabile; il sistema 11 2 – Eye tracking Figura 2.3. Sistema completo che utilizza la pupilla e il riflesso corneale viene integrato con un piccolo schermo dedicato che visualizza una tastiera: l’utente comporrà parole e frasi semplicemente fissando i tasti “virtuali”. Un secondo approccio nell’utilizzo della sola pupilla consiste nel riprendere l’immagine completa del volto (fig. 2.5): questa è una variante semplificata della videooculografia che utilizza la pupilla e il riflesso corneale. Viene utilizzata una videocamera a basso costo (una webcam o una videocamera USB) in concomitanza con l’utilizzo di un software avanzato di elaborazione immagini: verranno tracciati non solo i movimenti della pupilla, ma anche la posizione dell’occhio per compensare gli spostamenti della testa. Elettrooculografia L’elettrooculografia si basa sulla misurazione della differenza di potenziale tra la cornea e la retina (circa 1 mV). Questo potenziale crea un campo elettrico difronte alla testa; questo campo cambia orientamento seguendo la direzione dello sguardo e può essere rilevato ponendo degli elettrodi attorno all’occhio. Tipicamente il sistema consiste in un apparato contenente strumenti per amplificare i segnali rilevati, strumenti di controllo e un piccolo computer per convertire la 12 2 – Eye tracking Figura 2.4. Sistema indossabile e schema della tastiera visibile sullo schermo Figura 2.5. Sistema che si basa solo sulla pupilla utilizzando videocamera a basso costo e software di elaborazione immagini posizione rilevata in un segnale digitale. Un sistema di questo tipo è rappresentato in figura 2.6. 2.4.1 Determinazione del punto osservato La ricerca del punto osservato cambia a seconda del tipo di illuminazione e dalla tipologia del sistema di eye tracking. Per determinare la direzione dello sguardo nei sistemi a luce infrarossa viene 13 2 – Eye tracking Figura 2.6. Un sistema di elettrooculografia utilizzata la differenza di posizione tra il riflesso sulla cornea e il riflesso della pupilla. La rilevazione del riflesso della pupilla è effettuato con due tecniche: Bright Pupil and Dark Pupil. La differenza principale sta nella posizione della fonte di luce: se la fonte di luce è coassiale all’occhio, i raggi vengono riflessi dalla retina e la pupilla rimane illuminata (Bright Pupil), altrimenti la pupilla rimane completamente scura (Dark Pupil). La tecnica Bright Pupil crea un alto contrasto tra la pupilla e l’iride permettendo un migliore tracciamento ed evitando l’interferenza causata dalle ciglia, ma ha notevoli problemi di interferenza in un ambiente esterno in quanto il sole è una sorgente IR molto potente. Nei sistemi che si basano sulla luce visibile si adottano varie tecniche di Computer Vision per analizzare l’immagine: lo scopo è trovare la posizione della pupilla nello spazio dell’immagine dell’occhio, per poi mapparla opportunamente nello spazio dell’immagine osservata. In alcuni casi (ad esempio con webcam montata sugli occhiali) si può ricorrere alla stessa tecnica usata per l’IR (differenza tra riflesso corneale e pupilla). La tecnica di mappatura dallo spazio immagine occhio allo spazio immagine osservata sono molto varie e dipendono molto dal tipo di algoritmo utilizzato, ma nella maggioranza dei casi si adotta una semplice mappatura polinomiale. 14 2 – Eye tracking 2.4.2 Calibrazione La calibrazione di un sistema di eye tracking è importantissima, in quanto permette di calcolare i coefficienti da utilizzare nella mappatura della posizione della pupilla sullo spazio dello schermo; senza calibrazione il sistema potrebbe comunque funzionare, ma il comportamento varierebbe moltissimo da utente ad utente e risentirebbe del cambiamento delle condizioni di luminosità ambientale. Vi sono due metodi di calibrazione che sono gli standard di fatto dei sistemi commerciali di eye tracking: • Calibrazione statica: vengono mostrati una serie di punti fissi sullo schermo del computer (fig. 2.7) • Calibrazione dinamica: viene mostrato un punto (o un bersaglio) che si muove apparendo e scomparendo sullo schermo (fig. 2.8) I punti (o il punto in movimento) sono disposti in modo tale da coprire un’ampia area dello schermo per rendere molto efficiente la calibrazione; il numero di punti può anche essere aumentato per migliorare la precisione di calibrazione, naturalmente all’aumentare del numero di punti aumenterà anche il tempo necessario alla calibrazione. Normalmente non è possibile scegliere la posizione dei punti sullo schermo: questa può essere una limitazione per gli utenti che non sono in grado di utilizzare lo schermo completo, perciò alcuni sistemi commerciali prevedono la possibilità di scegliere manualmente non solo il numero, ma anche la posizione dei punti di calibrazione. Dall’analisi effettuata da COGAIN la maggioranza dei sistemi commerciali utilizza mediamente da 5 a 9 punti per la calibrazione (solo pochi utilizzano arrivano sino a 17 punti) che vengono disposti ordinatamente per ottenere la massima copertura dello schermo. Solo un sistema utilizza una calibrazione dinamica, ma gli utenti sembrano trovare questo metodo piuttosto scomodo. 2.5 Sistemi commerciali In commercio si trovano molti sistemi di eye tracking, quasi tutti, però, si basano su un solo illuminatore infrarosso: ciò riduce il costo dell’apparato, ma l’utilizzo 15 2 – Eye tracking Figura 2.7. Esempio di calibrazione statica con un numero crescente di punti Figura 2.8. Esempio di calibrazione dinamica: il punto si muove sullo schermo con un percorso casuale è limitato a persone che possono controllare pienamente i movimenti della testa. Infatti l’angolo visuale di questi apparati è molto ridotto e il sensore infrarosso deve essere centrato sull’occhio. Per l’utilizzo di eye tracker da parte di particolari tipologie di utenti (ad es. affetti da spasmi muscolari) si deve passare a soluzioni dotate di più illuminatori e più sensori infrarosso che permettono di compensare il movimento del capo. Riportiamo alcuni esempi di apparati commerciali tratti da un’analisi del network di eccellenza COGAIN (9): 16 2 – Eye tracking Modello VisionKey ERICA The Eyegaze Communication System VISIOBOARD Funzionamento Una serie di fotodiodi. Una combinazione di riflessione corneale e retinale. VOG Risoluzione spaziale La tastiera ha 49 posizioni, può esserne selezionata una di un sottoinsieme di 16 Costo 5.000 $ 0.5◦ (0.5-1 cm sullo schermo) Approccio basa- 0.45◦ (0.63 cm sullo to su luce visibi- schermo) le. Centro della pupilla e riflessione corneale VOG risoluzione 0.1◦ , accuratezza 0.30◦ 8.000 $ 13.500 $ 28.000 $ Di questi eye tracker è stato possibile testare ERICA, perchè è utilizzato presso i laboratori del Politecnico: è molto funzionale in quanto si integra perfettamente con Windows, permettendo di utilizzare questo sistema operativo come se si stesse utilizzando un mouse (si può emulare anche il click fissando il punto desiderato sullo schermo, oppure battendo la palpebra). Prima di essere utilizzato, deve, però, essere tarato: si effettua la taratura fissando una serie di punti sullo schermo (da 4 a 24, in base alla precisione desiderata); il sistema ha una certa tolleranza ai movimenti del capo, ma se l’occhio esce dall’area inquadrata dalla telecamera il sistema può perdere il tracciamento dell’occhio. Gli altri eye tracker presentati nella tabella sono molto simili a ERICA, ma il prezzo di questi apparati è superiore in quanto forniscono misurazioni con un errore medio più basso. 17 2 – Eye tracking 2.6 Panoramica sugli algoritmi di eye tracking Sono numerosi gli algoritmi di eye tracking proposti per l’analisi di immagini in spettro visibile o infrarosso, ma devono essere distinti sulla base del fatto che alcuni permettono un’analisi delle immagini in tempo reale, mentre altri, di solito più precisi, hanno un tempo di elaborazione molto elevato. 2.6.1 Algoritmi in tempo reale Vi sono numerosi algoritmi per l’eye tracking in tempo reale, molti di questi, per ridurre il tempo di elaborazione, si occupano di ricercare la posizione dell’occhio piuttosto che la posizione della pupilla. Uno dei problemi fondamentali che deve essere risolto in questo tipo di algoritmi è la compensazione dei movimenti della testa, che, altrimenti, causerebbero errori grossolani. Kawato e Tetsutani (13) propongono di estrarre la posizione degli occhi e tracciarla nei fotogrammi successivi utilizzando opportuni template. Il primo passo dell’algoritmo è la ricerca degli occhi: per rilevare la posizione degli occhi vengono analizzate le differenze tra fotogrammi successivi, se la testa è immobile le uniche differenze saranno quelle causate battito delle palpebre; se la testa, però, non è immobile nasce il problema di distinguere le differenze causata dal movimento delle palpebre da quelle causate dal movimento della testa. Per ovviare a questo problema Kawato e Tetsutani hanno effettuato alcune considerazioni: ad esempio nel caso di movimento rotatorio della testa le aree con le differenze maggiori saranno sicuramente vicine ai bordi del volto (se la rotazione è verso sinistra l’orecchio sinistro scomparirà), perciò le aree che presentano grandi differenze e sono vicine ai bordi del viso verranno eliminate (fig. 2.9). Dopo aver individuato gli occhi, l’algoritmo si occupa di tracciarli: una semplice ricerca per aree corrispondenti non sarebbe efficace, visto che l’orientamento potrebbe essere diverso a causa dei movimenti della testa. Perciò è stata sviluppata una tecnica che utilizza un template fisso che viene inizializzato ad ogni occlusione, e un template variabile che viene aggiornato sulla base del posizione degli occhi nel frame precedente: in questo modo si ottiene un metodo di tracciamento molto efficace. Un approccio alternativo può essere un approccio basato sull’utilizzo di classificatori binari: Amarnag et al. (15) propongono di utilizzare un classificatore binario che è basato su di un training set dinamico e un stadio di clustering (che è lasciato 18 2 – Eye tracking Figura 2.9. Immagine che rappresenta le differenze tra due fotogrammi successivi, i cerchi bianchi indicano le differenze attribuite al movimento delle palpebre libero di evolversi per tracciare efficientemente la pupilla in tempo reale). L’utilizzo di una strategia che si basa su un training set dinamico rende l’algoritmo insensibile alla variazione delle condizioni di luce ed lo rende indipendente dall’utente che sta effettivamente utilizzando il sistema. La prima fase di questo algoritmo consiste nella selezione della regione di ricerca: vengono ricercate le aree dell’immagine con alta saturazione (è noto che la regione dell’occhio ha colori con alta saturazione). I pixel selezionati vengono analizzati con un classificatore Bayesiano che determina, analizzando le componenti HSV, quali appartengano all’occhio e quali no. L’algoritmo di clustering è utilizzato per trattare il problema dal punto di vista geometrico: il classificatore Bayesiano no è preciso e può classificare come appartenenti all’occhio anche pixel appartenenti a regioni ad alta saturazione come i capelli dell’utente; con l’algoritmo di clustering si raggruppano i pixel in macroaree e vengono scartati quelli isolati. Vi è, infine, una fase di post elaborazione per raggruppare i cluster erroneamente separati e per eliminare i cluster in cui la differenza tra altezza e larghezza è troppo elevata (non possono sicuramente rappresentare un occhio). In figura 2.10 sono rappresentate le fasi dell’algoritmo proposto da Amarnag. Un esempio algoritmo per eye tracking che utilizza reti neurali si trova nell’articolo di Marcone et al. (16): nell’articolo è proposto l’utilizzo di un filtro di Gabor per l’analisi locale, che ha la proprietà di determinare efficientemente la posizione 19 2 – Eye tracking Figura 2.10. Sequenza delle operazioni effettuate dall’algoritmo di Amarnag: (a) output dopo il pre-processamento (b) output dopo il classificatore Bayesiano (c) output dopo l’algoritmo di clustering (d) risultato finale degli occhi in un’immagine; questo filtro è implementato utilizzando da una rete neurale competitiva (fig. 2.11). Viene determinata grossolanamente l’area in cui si trova l’occhio: successivamente quest’area viene divisa in 9 zone, ciascuna delle quali è legata ad un neurone della rete neurale. Inizialmente le 9 regioni sono posizionate al centro dell’area in cui si è previsto essere l’occhio; la regione che vince la competizione diventa il nuovo centro: il processo viene iterato finchè il centro rimane stabile. 2.6.2 Algoritmi di analisi offline Un esempio di algoritmo per l’analisi offline si trova nell’articolo di Ivins e Porril (12): descrive un modello deformabile dell’iride umana adatto a tracciare accuratamente i movimenti tridimensionali dell’occhio riprese con una telecamera sensibile all’infrarosso. Il modello è controllabile mediante 5 parametri che controllano la traslazione (orizzontale e verticale), la rotazione, scalamento radiale e uniforme (per modellare cambiamenti dell’ampiezza della pupilla). La misura di torsione effettuata con questo modello ha un’accuratezza di 0,1◦ , ma il carico computazionale è molto 20 2 – Eye tracking Figura 2.11. Schema della rete neurale competitiva proposta da Marcone et al. elevato. In figura 2.12 sono mostrati i primi nove modi di variazione che può avere un modello dell’iride utilizzando una trasformazione cubica. Figura 2.12. Esempio di variazioni possibili di un modello deformabile dell’iride: 1 traslazione, 2 scalamento, 3-5 combinazione di trasformazioni, 6-9 trasformazioni complesse Un’altra tecnica molto utilizzata in analisi offline consiste nel costruire un insieme 21 2 – Eye tracking di addestramento (training set) per l’algoritmo: si selezionano numerose immagini degli occhi dai primi fotogrammi del filmato da analizare (fig. 2.13); queste immagini saranno utilizzate per addestrare una rete neurale, che avrà il compito di ricercare la posizione degli occhi nei successivi fotogrammi. La fase di addestramento è, quindi, computazionalmente molto complessa, ma secondo le analisi effettuate da Pedersen e Spivey (14) automatizzando la creazione del training set e avendo computer con un’elevata potenza di calcolo questa tecnica potrebbe essere utilizzata anche in tempo reale. Figura 2.13. Training set utilizzato per addestrare la rete neurale utilizzata nell’algoritmo descritto da Pedersen e Spivey 22 Capitolo 3 Ambiente di test 3.1 Introduzione L’ambiente di test che deve analizzare le prestazioni di algoritmi di eye tracking deve essere composto da un database di filmati, un’applicazione per gestire il database e un’applicazione che permetta di implementare e analizzare gli algoritmi. Il database deve prevedere la possibilità di memorizzare numerose informazioni per ogni singolo frame, quindi deve essere strutturato per poter gestire adeguatamente una notevole mole di dati. Deve, altresı̀, essere strutturato in modo tale da poter essere facilmente riutilizzato, perché lo scopo secondario per cui è stato costruito questo database è renderlo disponibile a chi ne ha bisogno: su Internet, infatti, sono disponibili alcuni database di filmati come, ad esempio, il CUAVE. Questi database sono formati da filmati che ritraggono persone che parlano e sono riprese su sfondi neutri o in movimento; questi filmati vengono utilizzati per tracciare caratteristiche del volto (sopracciglia, naso) oppure il movimento delle labbra, ma non contengono informazioni relativamente alla posizione di queste caratteristiche, manca perciò un sistema di riferimento con cui confrontare le misure ottenute dagli algoritmi. La prima applicazione sviluppata (Tagger ) è stata strutturata per velocizzare l’operazione di posizionamento dei riferimenti (tag) sui singoli frame, mentre la seconda (Benchmark ) è stata progettata per essere facilmente espandibile. Entrambe le applicazioni utilizzano le librerie Qt (cap. A.2) e OpenCV (cap. A.3) e sono state scritte in linguaggio C++: pur essendo state scritte in ambiente Windows possono essere facilmente adattate per sistemi Linux, in quanto sia Qt che OpenCV sono 23 3 – Ambiente di test librerie portabili. La libreria Qt è stata scelta perchè permette di realizzare comode interfacce grafiche senza appesantire inutilmente l’applicazione, mentre OpenCV è stata scelta perché è una potente libreria per l’elaborazione di immagini ed è molto utilizzata da chi si occupa di Computer Vision. 3.2 Database dei filmati Per memorizzare le informazioni relative ai filmati si è scelto di utilizzare XML: è un meta linguaggio che viene utilizzato per definire nuovi linguaggi, atti a descrivere documenti strutturati. A differenza dell’HTML, non ha un insieme ben definito e ristretto di tag, ma è possibile definirne di nuovi a seconda delle proprie esigenze. Si è scelto XML proprio per la sua potenza: è infatti possibile descrivere una qualsiasi struttura dati; inoltre, se un file XML utilizza solo attributi di tipo testo, è possibile visualizzarlo ed editarlo con un semplice word processor. Un’ulteriore caratteristica che aumenta la portabilità di un documento XML è la possibilità di definire una grammatica (DTD) con cui è possibile verificare che il documento sia formalmente corretto e strutturato come previsto. Il database deve essere facilmente riutilizzabile, perciò si è scelto di non memorizzare le informazioni in un unico documento, ma viene creato un file XML per ogni filmato utilizzato: perciò chi vorrà analizzare uno specifico filmato dovrà semplicemente copiarsi il file video e il relativo file di dati, senza doversi procurare l’intero database. 3.2.1 Struttura XML Il file XML che contiene i dati relativi ad un filmato è strutturato in questo modo: • elemento “Video”; attributi: File name,LastModifiedFrame – elemento “Frame” (pari al numero di fotogrammi); attributi: Number ∗ elemento “Tag”; attributi:width,x,y,rotation,height,ishidden,type Vi è un elemento radice chiamato Video che è unico (l’unicità dell’elemento radice è richiesta per creare un documento Well Formed): questo elemento avrà una serie di nodi figli (chiamati Frame) che contengono le informazioni relative al 24 3 – Ambiente di test singolo fotogramma. Ogni elemento Frame contiene uno o più elementi Tag che rappresentano le informazioni relative ai riferimenti posizionati sul fotogramma. Questo tipo di struttura è indipendente dal numero di fotogrammi e permette di aggiungere facilmente nuovi elementi di tipo Tag, permettendo di utilizzare riferimenti non previsti inizialmente. Gli attributi fondamentali che un tag deve avere sono: larghezza, altezza, coordinate cartesiane del centro, il tipo (che permette di specificare a quale elemento del volto si riferisce il tag) e una variabile che specifica se il tag è visibile o meno. Vi è poi un attributo che specifica la rotazione, ma, per ora, è utilizzato solamente per il tag relativo al naso: si è scelto di non utilizzare la rotazione per gli altri tag per due semplici motivi: • le pupille sono sferiche e per adattare l’ellisse alla forma degli occhi si modificano semplicemente gli assi principali • lavorando al computer l’utente mantiene la testa in verticali, non la inclina, perciò gli occhi sono mantenuti orizzontali e non serve inclinare l’ellisse per adattarlo agli occhi Attualmente ogni fotogramma contiene cinque elementi di tipo “Tag”: infatti vengono memorizzati i riferimenti per il naso, per le pupille e per gli occhi. Quindi la struttura di un singolo file sarà la seguente: • elemento “Video” – elemento “Frame” (pari al numero di fotogrammi) ∗ elemento “Tag”;contenente:width,x,y,rotation,height,ishidden, type=Nose ∗ elemento “Tag”; contenente:width,x,y,height,ishidden,type=EyeSX ∗ elemento “Tag”; contenente:width,x,y,height,ishidden,type=PupilSX ∗ elemento “Tag”; contenente:width,x,y,height,ishidden,type=EyeDX ∗ elemento “Tag”; contenente:width,x,y,height,ishidden,type=PupilDX Il naso verrà rappresentato come una linea retta, perciò verranno utilizzate solo le informazioni relative a posizione e rotazione; gli altri tag verranno rappresentati da un’ellisse, come in figura 3.1. 25 3 – Ambiente di test Figura 3.1. Il disegno raffigura la struttura dei tag che rappresentano occhi e pupille Di seguito viene riportato un esempio di come si presenta il file XML associato al filmato visibile in figura 3.2: <?xml version=” 1 . 0 ” ?> < !DOCTYPE Video SYSTEM ” TagVideoEyeTracking . dtd ”> <Video F ile na me=” C: / f i l m a t i /W Ale . a v i ” LastModifiedFrame=” 528 ”> <Frame Number=” 0” > <Tag width=”3 ” x=” 341 ” y=” 145 ” r o t a t i o n=” 90 ” h e i g h t=” 201 ” i s h i d d e n=”No” type=” Nose ” /> <Tag width=” 47 ” x=” 261 ” y=” 148 ” h e i g h t=” 17 ” i s h i d d e n=”No” type=”EyeSX” /> <Tag width=” 11 ” x=” 262 ” y=” 148 ” r o t a t i o n=” 524633 ” h e i g h t=” 11 ” i s h i d d e n=”No” type=” PupilSX ” /> <Tag width=” 47 ” x=” 407 ” y=” 167 ” h e i g h t=” 17 ” i s h i d d e n=”No” type=”EyeDX” /> <Tag width=” 11 ” x=” 407 ” y=” 167 ” h e i g h t=” 11 ” i s h i d d e n=”No” type=”PupilDX” /> 26 3 – Ambiente di test </Frame> <Frame Number=” 1” > <Tag width=”3 ” x=” 340 ” y=” 145 ” r o t a t i o n=” 90 ” h e i g h t=” 201 ” i s h i d d e n=”No” type=” Nose ” /> <Tag width=” 47 ” x=” 260 ” y=” 148 ” h e i g h t=” 21 ” i s h i d d e n=”No” type=”EyeSX” /> <Tag width=” 11 ” x=” 262 ” y=” 148 ” r o t a t i o n=” 524761 ” h e i g h t=” 11 ” i s h i d d e n=”No” type=” PupilSX ” /> <Tag width=” 47 ” x=” 407 ” y=” 168 ” h e i g h t=” 21 ” i s h i d d e n=”No” type=”EyeDX” /> <Tag width=” 11 ” x=” 405 ” y=” 168 ” h e i g h t=” 11 ” i s h i d d e n=”No” type=”PupilDX” /> </Frame> </ Video> 3.2.2 DTD Il DTD (Data Type Definition) è un linguaggio che permette di specificare formalmente quali elementi e quali tipi di attributi devono essere contenuti in un determinato tipo di file XML; utilizzando il DTD è possibile verificare che il file XML sia un file ben formato, ovvero che sia scritto secondo le regole dello standard XML e che segua le specifiche fornite dal DTD. I file XML utilizzati nel database saranno di tipo TagVideoEyeTracking e seguiranno la seguente grammatica DTD: < !ELEMENT Video ( Frame+)> < !ATTLIST Video F ile na me CDATA #REQUIRED LastModifiedFrame CDATA #REQUIRED> < !ELEMENT Frame ( Tag+)> < !ATTLIST Frame Number CDATA #REQUIRED> 27 3 – Ambiente di test < !ELEMENT Tag EMPTY> < !ATTLIST Tag width CDATA #REQUIRED x CDATA #REQUIRED y CDATA #REQUIRED h e i g h t CDATA #REQUIRED i s h i d d e n ( Yes | No) #REQUIRED type CDATA #REQUIRED r o t a t i o n CDATA #IMPLIED> Come si può notare tutti gli attributi sono semplice testo, infatti sono di tipo CDATA; l’attributo rotazione non è obbligatorio (infatti è dichiarato IMPLIED), in quanto è utilizzato solo per il tag relativo al naso. 3.3 Tagger Questa applicazione è stata sviluppata per posizionare i riferimenti su un filmato in modo molto semplice e veloce, ed è stata pensata anche per utilizzi futuri: infatti è possibile aggiungere nuovi tipi di tag, come,ad esempio, la posizione delle sopracciglia. Come si può vedere nella figura 3.2 i tag che rappresentano occhi e pupille sono rappresentati da ellissi, mentre la posizione del naso è rappresentata da una retta: per migliorare l’individuazione dei tag sono stati utilizzati cinque colori con elevata saturazione; l’origine del sistema di riferimento è posta nell’angolo in alto a sinistra del fotogramma. Per elaborare il file XML vengono utilizzate le funzioni della libreria Qt. Il documento viene caricato completamente in memoria e per la navigazione viene utilizzato un modello dati DOM: si è scelto di caricare tutto il documento DOM in memoria, perchè, altrimenti, si sarebbe dovuto leggere il file ad ogni richiesta dati per un frame non ancora visualizzato. Le funzioni della libreria Qt si occupano, inoltre, di verificare che il documento sia ben formato utilizzando la grammatica DTD specificata nel file XML (o in un file esterno). Se il file XML viene generato da un’applicazione esterna può contenere elementi o attributi aggiuntivi, perciò il file XML dovrà 28 3 – Ambiente di test Figura 3.2. Un fotogramma in cui sono visibili i tag relativi a pupille, occhi e naso fare riferimento ad una nuova grammatica DTD che li specifichi; se, però, questo file manterrà gli elementi base del tipo di documento TagVideoEyeTracking potrà ancora essere utilizzato dalle applicazioni Tagger e Benchmark: infatti utilizzando la struttura DOM si naviga il documento come se fosse un albero e si estraggono solamente gli attributi previsti. 3.3.1 Interfaccia dell’applicazione L’interfaccia dell’applicazione è molto semplice: un menu permette la gestione dei file; un’area raggruppa i pulsanti dedicati alla navigazione tra i frame, mentre in un’altra sono raggruppate le regolazioni relative alla luminosità e al contrasto dell’immagine. É inoltre visibile una piccola guida che ha la funzione di promemoria per i comandi da tastiera. I tag possono essere comodamente spostati utilizzando direttamente il mouse, 29 3 – Ambiente di test ma è possibile muoverli con maggior precisione utilizzando le frecce direzionali: in questo caso il centro del tag può essere spostato di un pixel alla volta. Per nascondere velocemente i tag è possibile utilizzare i tasti numerici da 1 a 5; questa funzione è molto utile perchè in alcuni filmati può capitare che l’utente sbatta le palpebre più volte in frame successivi. Sempre utilizzando la tastiera si possono muovere i tag a coppie (ad esempio i due occhi): muovere i tag a coppie è molto comodo quando l’utente muove spesso la testa visto che la distanza tra gli occhi rimane costante. In alcuni casi il filmato può risultare poco luminoso e con un contrasto molto basso, il che rende difficile posizionare i tag relativi alle pupille: per ovviare a questa situazione, che è molto comune utilizzando una webcam in condizioni di luce non ottimale, è stata aggiunta la possibilità di regolare la luminosità del filmato. Regolare la luminosità del filmato è molto semplice utilizzando la libreria OpenCV, infatti è possibile modificare ogni singolo pixel dell’immagine modificandone i valori RGB: sommando un valore constante alle tre componenti di colore si ottiene un’aumento della luminosità. Per aumentare il contrasto dei piccoli dettagli (ad esempio le pupille) si è utilizzato un filtro di tipo Sharpening (cap. A.5.2) che è una tecnica molto semplice che permette di modificare il contrasto senza dover passare attraverso il calcolo dell’istogramma: si modificano i valori dei pixel in accordo con una determinata matrice di pesi. 3.4 Benchmark Questa seconda applicazione permette di selezionare i filmati da analizzare e gli algoritmi da utilizzare. L’interfaccia è progettata per essere molto semplice, ma nasconde una struttura complessa che permette di implementare algoritmi anche molto diversi tra loro. 3.4.1 Interfaccia dell’applicazione L’interfaccia di questa applicazione è stata progettata per essere chiara (in previsione dell’utilizzo da parte di altri componenti del gruppo di ricerca) ed esporre comodamente tutte le funzioni; la schermata principale è suddivisa in schede: • Filmati selezionati: è possibile selezionare i filmati da analizzare e gli algoritmi da utilizzare per l’elaborazione. 30 3 – Ambiente di test • Anteprima: è possibile visualizzare l’anteprima del filmato che viene elaborato; come si può vedere in fig. 3.3 vengono visualizzati il riferimento della pupilla (cerchio verde) e una croce che rappresenta l’output dell’algoritmo • Statistiche: permette di visualizzare le statistiche relative al filmato elaborato • Configurazione: è possibile accedere alle finestre di configurazione dei singoli algoritmi (fig. 3.4); inoltre è possibile selezionare il numero massimo di fotogrammi da analizzare Figura 3.3. Anteprima dell’analisi di un filmato: si nota il riferimento della pupilla (cerchio verde) e il centro della pupilla rilevata (croce gialla) 3.4.2 Struttura dell’applicazione Il programma è strutturato in un thread principale e uno secondario: il thread principale si occupa di reagire alle richieste dell’utente mentre il thread secondario viene 31 3 – Ambiente di test Figura 3.4. Finestra di configurazione dell’algoritmo Starbust avviato quando viene eseguita una simulazione. Un approccio multi thread è in questo caso obbligatorio, in quanto se fosse stato utilizzato solo un thread l’interfaccia grafica si sarebbe bloccata (o sarebbe diventata poco reattiva) nel momento in cui fosse partita l’elaborazione. Il thread secondario si occupa di caricare i fotogrammi del filmato (utilizzando le funzioni di OpenCV), estrarre le informazioni dal documento XML associato al filmato in analisi e invocare il metodo che si occupa di elaborare il fotogramma: questo metodo fa parte dalla classe astratta Algo, in questo modo per utilizzare nuovi algoritmi é necessario implementare solamente una classe derivata da Algo senza dover modificare la struttura dell’applicazione. L’applicazione presenta numerose classi, perché è basata su un approccio object oriented: l’utilizzo di programmazione ad oggetti semplifica notevolmente la realizzazione di interfacce grafiche in quanto ogni elemento di una finestra (bottoni, etichette di testo, ecc.) è di per se un oggetto. Nelle sezioni successive verranno analizzate solamente le classi e le strutture dati relative alla gestione degli algoritmi e dei dati, in quanto non si ritiene opportuno focalizzare l’analisi sui paradigmi di realizzazione di interfacce grafiche che sono 32 3 – Ambiente di test ormai consolidati. 3.4.3 Classe Algo Questa classe rappresenta un algoritmo generico, perciò deve anch’essa essere generica e flessibile in modo da potersi adattarsi ad algoritmi il cui principio di funzionamento è molto diverso. La struttura della classe è la seguente: c l a s s Algo : public QObject { Q OBJECT public : QString name ; QString d e s c r i p t i o n ; bool o u t p u t v i s i b l e ; void AnalizeFrame ( IplIma g e ∗Frame , InfoFrame ∗ info out ) ; vir t ual void AnalizeFrameImpl ( IplIma g e ∗Frame , InfoFrame ∗ i n f o o u t ) =0; vir t ual public void T r a i n i n g ( IplIma g e ∗Fotogramma , InfoFrame ∗ i n f o i n , InfoFrame ∗ i n f o o u t ) =0; 33 3 – Ambiente di test vir t ual public void I n i t ( QString f i l e n a m e , const CvCapture ∗ , int x , int y ) =0; vir t ual public QString St r ing O f Pa r a met er ( ) =0; public s l o t s : vir t ual void Co nf ig ( ) =0; }; • Init(QString file name,const CvCapture∗, int x, int y): questo metodo viene invocato ad ogni nuovo filmato da analizzare, in modo da azzerare eventuali variabili di “stato”. Il parametro CvCapture∗ è una struttura dati che rappresenta un file video e contiene numerose informazioni relative ad esso (numero colori, dimensioni fotogramma,ecc.): queste informazioni possono essere utili per inizializzare opportune variabili dell’algoritmo. Vengono inoltre fornite le coordinate della posizione della pupilla nel primo fotogramma: questa informazione può essere utile per inizializzare la ricerca in un’area vicina all’occhio, per evitare che l’algoritmo si concentri su aree errate dell’immagine. • Training(IplImage Fotogramma,InfoFrame in,InfoFrame out): attualmente non è utilizzato, ma è stato pensato per algoritmi che necessitano di una fase di addestramento prima di poter essere utilizzati. Ad esempio potrebbe essere utilizzato per creare automaticamente un training set se l’algoritmo è basato su una rete neurale (per un esempio vedere la figura 2.13): dai primi fotogrammi del filmato è possibile ritagliare un’area dell’immagine attorno all’occhio (i dati relativi alla posizione sono contenuti nella struttura in) e 34 3 – Ambiente di test utilizzarla per ricavare i pesi per la rete neurale che dovrà successivamente ricercare l’occhio. • AnalizeFrame(IplImage Frame,InfoFrame info out): è il metodo che viene invocato dal thread secondario per analizzare il fotogramma; il primo parametro è una struttura di OpenCV utilizzata per memorizzare immagini; il secondo parametro è una classe (descritta nella sezione 3.4.4) che memorizza le informazioni rilevate dall’algoritmo. Questo metodo si occupa essenzialmente di invocare il metodo AnalizeFrameImpl(IplImage Frame,InfoFrame info out) • AnalizeFrameImpl(IplImage Frame,InfoFrame info out): è il metodo in cui viene effettivamente implementato l’algoritmo • StringOfParameter(): restituisce una stringa che contiene il nome e i valori dei parametri utilizzati dall’algoritmo. Le informazioni relative ai parametri verranno poi visualizzate all’atto della creazione delle statistiche per poter associare i dati ricavati ad una determinata configurazione dell’algoritmo • Config(): se l’algoritmo presenta parametri configurabili, questo metodo si occuperà di creare una finestra di dialogo per modificarli. Un esempio di dialogo per la configurazione dei parametri può essere visto in figura 3.4) Perciò per implementare un nuovo algoritmo si dovrà creare una classe che derivi Algo, re-implementare tutti i metodi presenti nella classe base e aggiungendo tutte le variabili e i metodi necessari. c l a s s NuovoAlgoritmo : public Algo { public : NuovoAlgoritmo ( ) ; ˜ NuovoAlgoritmo ( ) ; void I n i t ( QString f i l e n a m e , const CvCapture ∗ , int x , int y ) ; void T r a i n i n g ( IplIma g e ∗Fotogramma , InfoFrame ∗ i n f o i n , InfoFrame ∗ i n f o o u t ) ; 35 3 – Ambiente di test private : void AnalizeFrameImpl ( IplIma g e ∗Frame , InfoFrame ∗ info out ) ; public s l o t s : void Co nf ig ( ) ; // metodi e v a r i a b i l i u t i l i z z a t e d a l l ’ a l g o r i t m o i m p l e m e n ta to void f o o ( int ) ; int var ; }; // i m p l e m e n t a z i o n e metodo AnalizeFrameImpl ( . . . ) void St a r Bust : : AnalizeFrameImpl ( IplIma g e ∗ frame , InfoFrame ∗ info frame ){ // c o d i c e d e l l ’ a l g o r i t m o i m p l e m e n ta to f o o ( var ) ; } 36 3 – Ambiente di test 3.4.4 Classe InfoFrame Questa classe è stata strutturata per memorizzare i dati relativi ad un fotogramma, ovvero le informazioni dei tag ad esso relativi, ma è utilizzata anche per memorizzare le informazioni ricavate dagli algoritmi di eye tracking. Per ora InfoFrame contiene solamente cinque tag, visto che nel programma Tagger è previsto il posizionamento di riferimenti relativi agli occhi, alle pupille e al naso; vi è inoltre una variabile di tipo intero che memorizza il tempo di elaborazione del fotogramma (in millisecondi). La classe è strutturata in questo modo: c l a s s InfoFrame { public : Elemento e y e s x , eye dx , p u p i l s x , p u p i l d x , no se ; int e l a b o r a t i o n t i m e ; }; I dati relativi ai tag sono memorizzati in strutture di tipo Elemento definite in questo modo: typedef struct e l { // c o o r d i n a t e d e l c e n t r o int x ; int y ; // d i m e n s i o n i int width ; int h e i g h t ; // r o t a z i o n e 37 3 – Ambiente di test int r o t a t i o n ; //è i m p o s t a t a a t r u e s e l ’ e l e m e n to non è v i s i b i l e bool i s H i d d e n ; // d i s t a n z a d a l c e n t r o su a s c i s s e e o r d i n a t e // v e r r à p o i n o r m a l i z z a t a p e r i l r a g g i o d e l l a p u p i l l a float x normalized distance ; float y normalized distance ; // d i s t a n z a e u c l i d e a d a l c e n t r o float euclidean distance , euclidean distance normalized ; // i m p o s t a t a a t r u e s e l a d i s t a n z a t r a i l c e n t r o r e a l e e q u e l l o c a l c o l a t o è minore d e l r a g g i o d e l l a pupilla bool h i t ; } Elemento ; Questa struttura ha il compito di memorizzare le informazioni relative ad un tag: vengono memorizzate le coordinate e la posizone del riferimento, la rotazione, la distanza dal centro, il fatto che il tag sia visibile o meno. La stessa struttura è utilizzata anche per memorizzare i dati ricavati dopo che un algoritmo ha elaborato il fotogramma: in questo modo il calcolo delle statistiche risulta semplificato perché tutti i dati necessari sono memorizzati nello stesso oggetto. Per i test effettuati si è utilizzata solo la posizione della pupilla, perciò nella struttura Elemento verrà memorizzata la distanza tra la posizione effettiva della pupilla e quella calcolata: la distanza viene calcolata separatamente per l’asse delle ascisse e quello delle ordinate e verrà normalizzata per il raggio della pupilla. L’ultima variabile (hit) avrà un valore true se la distanza tra il centro della pupilla calcolato e quello effettivo è minore del raggio. 38 3 – Ambiente di test 3.4.5 Classe Starbust L’algoritmo non ha necessitato di particolari modifiche, in quanto é scritto in codice C ed è diviso in blocchi logici ben distinti, ma, naturalmente, si sono dovuti fare degli adattamenti alla struttura di gestione dell’input: infatti il sistema openEyes (che implementa Starbust) è strutturato per catturare immagini da due telecamere (una che riprende l’occhio, l’altra che riprende la scena osservata). La prima modifica è stata l’eliminazione delle funzioni di cattura, in quanto all’algoritmo viene già fornita l’immagine da analizzare. Successivamente è stata introdotta la possibilità di scegliere se lavorare sull’immagine intera o solo su una parte: in pratica il blocco che effettivamente elabora l’immagine è unico, in quanto le funzioni di openEyes sono strutturate per essere indipendenti dalla risoluzione delle telecamere e, quindi, sono indipendenti dalla dimensione delle immagini fornitegli. Secondo le esigenze a monte di questo blocco principale verrò fornita l’immagine intera o quella ritagliata. Lo scopo di utilizzare l’immagine ritagliata è quello di poter utilizzare Starbust non solo con un’immagine centrata dell’occhio, ma anche con un’immagine che riprende l’intero volto dell’utente: una classe si occupa di rilevare la posizione del volto utilizzando l’algoritmo di face tracking di OpenCV e fornisce in uscita le coordinate dell’ellisse inscritto sul volto stesso. Date le coordinate dell’ellisse si calcola un’area centrata sull’occhio sinistro, quest’area verrà poi ritagliata copiandola pixel per pixel su una nuova struttura dati di tipo IplImage (che in OpenCV è la struttura atta a contenere immagini). Starbust fornisce come output i parametri che rappresentano un’ellisse centrata sulla pupilla, perciò, per renderlo omogeneo alla struttura di test, ne viene calcolato il baricentro, che rappresenta il centro della pupilla. 3.4.6 Classe Sandra L’implementazione di Active Shape Model che è stata scelta è quella che l’ing. Castellina ha utilizzato per creare un sistema di gaze tracking chiamato Sandra: è un sistema abbastanza complesso, in quanto l’algoritmo si basa su un modello da tracciare, ma per creare il modello è necessario utilizzare un training set. Il sistema è composto da due applicazioni: la prima applicazione (Locim) è utilizzata per creare 39 3 – Ambiente di test il training set e il modello; la seconda utilizza il modello per tracciare la caratteristica voluta. Possono essere tracciati il naso, le sopracciglia, l’occhio o qualsiasi altra caratteristica del volto per cui è stato creato un modello. Naturalmente, per questa tesi, è stato necessario utilizzare solo le funzioni che implementano effettivamente ASM: sono state eliminate le funzioni che utilizzano la libreria MFC per la creazione di interfacce grafiche, in quanto questa funzione viene svolta dall’applicazione Benchmark. Per la creazione dei modelli non è stato ritenuto opportuno riscrivere una nuova applicazione, in quanto Locim ha una struttura molto generica: oltre a creare nuovi training set è possibile creare nuovi modelli, scegliendo il numero e la posizione dei punti che costituiscono il modello. Il modello creato utilizzando un opportuno training set può quindi essere esportato sottoforma di file e può essere facilmente utilizzato nella classe Sandra. L’algoritmo ha come output il modello deformato che meglio si adatta all’immagine analizzata: perciò, anche in questo caso, si è reso omogeneo l’algoritmo all’ambiente di test calcolando il baricentro dei punti che costituiscono il modello. 40 Capitolo 4 Algoritmi scelti e implementati Gli algoritmi proposti per sistemi di eye tracking in luce visibile che utilizzano fotocamere a basso costo sono numerosi, alcuni sono stati analizzati nel capitolo 2.6. La realizzazione dell’ambiente di test ha richiesto molto lavoro, perciò, per effettuare i test, sono stati implementati solo due algoritmi: naturalmente l’obbiettivo di questa tesi non è testare quanti più algoritmi possibile, ma sviluppare un ambiente di test per poterne testare anche in futuro. Starbust e Active Shape Model sono i due algoritmi scelti per effettuare i test utilizzando l’ambiente sviluppato per questa tesi. La scelta degli algoritmi ha richiesto una prima analisi degli algoritmi presenti in letteratura; sfortunatamente molti di questi articoli sono troppo generici, non contengono nemmeno lo pseudocodice dell’algoritmo, perciò un’errata implementazione potrebbe portare a risultati molto diversi da quelli previsti dall’autore dell’articolo. La scelta è ricaduta su Starbust e ASM principalmente per i seguenti motivi: • è disponibile il codice sorgente • da un’attenta analisi si sono dimostrati i più promettenti • il principio di funzionamento alla base dei due algoritmi è molto diverso Ci si è concentrati su algoritmi di cui è disponibile il codice sorgente per non perdere tutte le piccole ottimizzazioni che l’autore dell’algoritmo ha sicuramente effettuato durante i test dello stesso e per non incorrere in errori implementativi che potrebbero portare a risultati molto diversi da quelli esposti nelle analisi degli autori. 41 4 – Algoritmi scelti e implementati Si sono scelti algoritmi il cui principio di funzionamento fosse molto diverso, per cercare di capire quale dei due approcci fosse il più performante; infatti ASM utilizza un modello dell’occhio, mentre Starbust utilizza tecniche peculiari della Computer Vision per ricercare la pupilla. Oltre a Starbust esiste un altro sistema di eye tracking open source: è chiamato openGazer ed è molto promettente, ma non è stato possibile provarlo, perché utilizza delle particolari librerie (VXL) che non sono supportate adeguatamente in ambiente Windows. Di seguito verrà esposta un’approfondita analisi dei due algoritmi scelti: infatti è di fondamentale importanza conoscere il funzionamento e le peculiarità di questi algoritmi per poter interpretare i risultati dei test che verranno esposti nel capitolo 5. 4.1 Starbust L’algoritmo Startbust è parte di un sistema di eye tracking low cost chiamato openEyes e sviluppato alla Iowa State University (3). Questo sistema prevede una webcam montata su occhiali a cui sono state tolte le lenti (fig. 4.1): in questo modo l’occhio occupa tutta l’immagine catturata dalla webcam e il movimento della testa non crea problemi in quanto la posizione relativa tra webcam e occhio non cambia. Vi è poi una seconda videocamera che registra la scena osservata dall’utente. Naturalmente per testarlo non si è usata questa “struttura”, ma l’algoritmo è stato leggermente modificato per funzionare anche con l’immagine completa della testa (per i dettagli implementativi vedere il paragrafo 3.4.5). L’algoritmo Starbust analizza un fotogramma per volta e ricerca la posizione della pupilla e il riflesso corneale: è, quindi, un algoritmo di tipo videooculografico che utilizza il vettore differenza (tra la posizione della pupilla e la posizione riflesso) per risalire al punto osservato. La webcam utilizzata per riprendere l’occhio ha un costo estremamente ridotto e ciò si ripercuote sulla qualità dell’immagine, perché il sensore è soggetto a rumore: infatti, prima di elaborare l’immagine, deve essere applicato un filtro gaussiano per ridurre il rumore di tipo impulsivo e viene applicata una normalizzazione per eliminare il “rumore a linee” che, probabilmente, è causato dal circuito di controllo 42 4 – Algoritmi scelti e implementati Figura 4.1. Posizionamento della webcam nel sistema openEyes del sensore che è troppo lento nel momento in cui deve scandire le linee di pixel del sensore stesso. L’algoritmo non utilizza informazioni sui colori dell’immagine, perciò le immagini vengono catturate in scala di grigi, in questo modo l’elaborazione risulta più veloce, perché si ignorano completamente due delle tre componenti cromatiche dell’immagine. Riconoscimento del riflesso corneale Il primo passo effettuato dall’algoritmo è l’individuazione del riflesso corneale: viene utilizzata una soglia adattativa basata che ricerca la zona di massima luminosità. La soglia viene inizializzata con il massimo valore possibile per produrre un’immagine binaria in cui vengono identificati come appartenenti al riflesso corneale solo i pixel con un’intensità più superiore alla soglia. Successivamente la soglia viene ridotta e viene calcolato il rapporto l’area della regione candidata più grande (che presumibilmente rappresenta il riflesso corneale) e l’area media delle altre regioni: inizialmente il rapporto crescerà, perchè l’area del riflesso corneale tenderà a crescere (perchè vengono selezionati più pixel) più velocemente delle altre aree. Una diminuzione del rapporto indica che l’area dei falsi candidati inizia a crescere, perciò verrà utilizzato il valore di soglia che genera il rapporto ottimale. Il centro del riflesso corneale verrà semplicemente calcolato come centro geometrico dell’area di estensione maggiore. Il riflesso corneale trovato verrà successivamente rimosso per migliorare la ricerca della pupilla. Per eliminare il riflesso viene utilizzata una sorta di “interpolazione 43 4 – Algoritmi scelti e implementati radiale”; per prima cosa viene calcolata l’intensità del pixel che corrisponde al centro del riflesso: il nuovo valore di intensità viene ricavato come media delle intensità dei pixel che si trovano sul bordo della regione. Successivamente le intensità di ogni pixel dal centro al bordo della regione viene calcolata tramite interpolazione lineare. In figura 4.2 è mostrato il risultato dell’eliminazione del riflesso corneale. Figura 4.2. Figura 4.3. Immagine dell’occhio prima dell’eliminazione del riflesso corneale La stessa immagine di figura 4.2 dopo l’eliminazione del riflesso corneale Localizzazione della pupilla Per localizzare la pupilla è stata sviluppata una tecnica basata sulla localizzazione di particolari caratteristiche (dette feature) che 44 4 – Algoritmi scelti e implementati permette di trovare il contorno della pupilla. La tecnica sviluppata da Dongheng Li è molto diversa dall’approccio classico per la ricerca della pupilla. Normalmente viene utilizzata una tecnica chiamata edge detection che viene applicata all’intera immagine o ad una zona centrata sulla pupilla: questo approccio, però, può portare ad uno spreco di capacità computazionale, perché la pupilla occupa, di solito, un’area molto ridotta dell’immagine e non è detto che servano tutti i punti del contorno per poterlo stimare accuratamente. L’approccio di Li è diviso in due fasi: nella prima si rilevano i bordi (ovvero le feature cercate) seguendo un limitato numero di raggi che si estendono da un punto centrale stimato come centro della pupilla (fig. 4.4 a). Nella seconda fase si aumenta l’accuratezza della stima cercando nuovamente le feature seguendo i raggi che partono dai primi punti trovati e sono diretti verso il centro stimato (fig. 4.4 b e c). La stima iniziale del centro della pupilla è il centro dell’immagine per il primo fotogramma, mentre è il centro precedentemente calcolato per i fotogrammi successivi al primo. Successivamente vengono calcolate indipendentemente le derivate lungo gli N raggi che si estendono dal punto centrale, finchè non viene superata una soglia: siccome viene utilizzata la tecnica dark-pupil vengono considerate solamente le derivate positive, ovvero la cui intensità cresce spostandosi lungo il raggio. Per ogni feature candidata viene ripetuto il processo di feature-detection appena descritto: ma questa volta si utilizza il raggio di ritorno e la ricerca viene limitata su un angolo di 50◦ per diminuire la complessità computazionale e per evitare di aggiungere feature che si trovino dalla parte esterna alla pupilla. Successivamente i punti trovati vengono interpolati per ricavare un’ellisse: però i piccoli errori compiuti nella rilevazione dei punti possono indurre un grossolano errore nell’interpolazione, perciò il processo a due stadi descritto precedentemente viene ripetuto. Per ogni iterazione viene utilizzato come punto di partenza il baricentro di tutti i punti rilevati nel passo precedente e il processo viene ripetuto finchè la posizione del centro rimane pressochè costante. Il risultato della seconda iterazione dell’algoritmo è visibile in figura 4.4 e; osservando la posizione dei punti di partenza ad ogni iterazione, si può notare come l’algoritmo converga velocemente alla posizione finale (4.4 f). 45 4 – Algoritmi scelti e implementati Figura 4.4. Ricerca punti caratteristici della pupilla utilizzando l’algoritmo Starbust Ellisse interpolante Durante la localizzazione della pupilla, come si è visto nel paragrafo precedente, i punti caratteristici vengono interpolati per ricavare un’ellisse. Per effettuare questa interpolazione si potrebbe utilizzare un metodo ai minimi quadrati, ma un errore presente nello stadio di localizzazione delle feature influenzerebbe pesantemente l’accuratezza dell’interpolazione. Per ottenere un’interpolazione più precisa viene utilizzato il metodo denominato Random Sample Consensus (RANSAC): questo metodo viene spesso utilizzato in 46 4 – Algoritmi scelti e implementati Computer Vision per adattare un modello ad una serie di dati ricavati sperimentalmente; questi dati sono rappresentati come punti e di questi punti alcuni sono corretti, mentre vi è una percentuale sconosciuta di punti errati. Nel caso in esame i punti corretti sono quelli appartenenti al contorno della pupilla, quelli errati sono quelli esterni al bordo della pupilla. Il metodo dei minimi quadrati utilizzerebbe tutti i punti disponibili, in quanto ipotizza che tutti i campioni siano corretti e siano soggetti solo ad un errore di misura. RANSAC, invece, ammette la possibilità che esistano punti errati, perciò utilizza un sottoinsieme dei dati disponibili per adattare il modello. In pratica RANSAC è una procedura iterativa che seleziona a caso molti piccoli sottoinsiemi dei dati di partenza, utilizza questi sottoinsiemi per deformare il modello e, tra questi modelli, trova il modello che si adatta meglio all’intero insieme dei dati. Dai test effettuati da Li si è ricavato che, mediamente, il 17% dei punti è errato; perciò è stato introdotto un ulteriore passaggio dell’algoritmo che cerca migliorare la corrispondenza tra l’ellisse interpolata e l’immagine, in modo da ridurre l’errore. Per migliorare la corrispondenza dell’ellisse interpolato con l’immagine analizzata viene utilizzata una ricerca basata su un modello locale (fig. 4.5): in questo caso non viene più utilizzato una ricerca basata su feature, ma viene utilizzata una ricerca non lineare chiamata Nelder-Mead. In pratica si cercano i parametri dell’ellisse minimizzando R I(a + δ,b + δ,α,x,y,θ),δθ −R I(a − δ,b − δ,α,x,y,θ),δθ dove δ = 1 e I(a,b,α,x,y,θ) è l’intensità del pixel all’angolo θ sul contorno dell’ellisse definito dai parametri a, b, x, y e α, dove a è l’asse maggiore, b è l’asse minore, il punto (x,y) è il centro e α è l’orientamento. Calibrazione Per risalire al punto osservato si deve effettuare una mappatura tra la posizione dell’occhio in coordinate relative all’immagine dell’occhio e le coordinate relative all’immagine della scena. Per definire la mappatura si può cercare la relazione tra le posizioni dell’occhio e le corrispondenti posizioni dell’immagine osservata: per fare questo occorre una procedura di calibrazione. Durante la fase di calibrazione l’utente deve osservare una griglia di punti la cui 47 4 – Algoritmi scelti e implementati Figura 4.5. La figura mostra l’ellisse risultante dopo aver applicato all’immagine l’algoritmo Starbust posizione nell’immagine della scena è nota: durante la fissazione di ogni punto della griglia viene registrata la posizione dell’occhio. Viene successivamente stabilita una corrispondenza tra i due insiemi usando una mappatura polinomiale: in questo modo, durante l’utilizzo del sistema, la posizione della pupilla viene facilmente trasformata in una posizione sullo spazio dell’immagine osservata. Risultati Secondo i test effettuati dal gruppo di ricerca di Li l’errore totale di openEyes è di circa 1◦ , ed è accettabile per applicazioni di eye tracking domestiche: questo errore aumenta di molto se il sistema non viene utilizzato nelle stesse condizioni in cui è stato calibrato (ad esempio è variata la luminosità ambientale). Il problema è dovuto al fatto che la seconda telecamera (che riprende la scena) non è nello stesso cammino ottico dell’occhio tracciato, perciò l’errore di parallasse tra la webcam che riprende l’occhio e la videocamera che riprende la scena introduce un errore di tracciamento. L’errore potrebbe essere ulteriormente ridotto semplicemente montando la telecamera di scena direttamente davanti all’occhio, ma in questo modo si avrebbe la visuale completamente occlusa. 4.1.1 Adattamenti L’algoritmo non è concepito per lavorare sull’immagine del volto, ma solo sull’immagine ravvicinata dell’occhio. L’algoritmo è però molto veloce, perciò si è pensato 48 4 – Algoritmi scelti e implementati di adattarlo per lavorare su con l’immagine completa del volto dell’utente. La libreria openCV (app. A.3) è corredata di una funzione (8) molto performante 1 per il tracciamento del volto attraverso un classificatore Haar (vedi appendice A.4): perciò l’immagine catturata dalla webcam non viene passata direttamente all’algoritmo Starbust, ma viene prima analizzata dalla funzione di face tracking. La funzione di face tracking ha come output un’ellisse inscritta sul volto dell’utente; le coordinate di questa ellisse vengono utilizzate per ritagliare un’area dell’immagine centrata sull’occhio sinistro2 . L’immagine cosı̀ ritagliata viene poi analizzata utilizzando le funzioni scritte in linguaggio C del progetto openEyes: è stato eliminato il filtro che si occupava di ridurre il “rumore a linee” in quanto le webcam di recente fabbricazione non presentano più questo problema; è stata inoltre introdotta un’interfaccia di configurazione che permette di modificare agevolmente i seguenti parametri: • canale utilizzato: le webcam forniscono in output un’immagine a colori; questa immagine può essere convertita in scala di grigi utilizzando uno dei tre canali RGB. Dalle prove effettuate il canale rosso è risultato il migliore (i sensori CCD utilizzati dalle fotocamere, per come sono costruiti, risultano molto più sensibili alle frequenze vicine all’infrarosso): utilizzando il canale rosso, infatti, l’immagine risultante ha un contrasto più elevato rispetto all’immagine ottenuta utilizzando il canale verde o blu. Il canale blu è risultato il più sensibile al rumore, perciò non verrà utilizzato per i test • numero di raggi: è un parametro molto importante, perchè influenza la precisione dell’algoritmo; è utilizzato durante la ricerca della pupilla per stabilire quanti raggi seguire per calcolare la derivata e ricercare le feature volute • numero punti caratteristici: indica il numero di punti caratteristici, ovvero il numero di feature, da utilizzare per interpolare l’ellisse che rappresenta la pupilla cercata • dimensione massima del riflesso corneale: la dimensione del riflesso presente sulla cornea è in relazione alla luminosità ambientale e alla distanza 1 Qualche decina di millisecondi per elaborare un’immagine con risoluzione 640x480 Viene ritagliato solo un occhio perchè Starbust è pensato per lavorare sull’immagine di un occhio solo 2 49 4 – Algoritmi scelti e implementati dell’utente dalla webcam, è quindi molto importante stabilire la dimensione massima per non incorrere in grossolani errori • livello della soglia: anche questo parametro è molto importante, perchè permette di alterare il livello di luminosità che deve avere un pixel per essere considerato parte del riflesso corneale • filtro smooth: utilizzato se l’immagine è troppo rumorosa, appiattisce il contrasto mediando il valore di intensità dei pixel adiacenti (cap. A.5.1) • filtro sharpening: utilizzato quando l’immagine presenta un contrasto troppo basso, in questo modo si rende più visibile il riflesso corneale (cap. A.5.2) L’algoritmo può comunque essere utilizzato su tutta l’immagine (senza utilizzare il tracciamento del volto), perchè avendo a disposizione una telecamera per videoconferenza dotata di zoom 12x si è ritenuto opportuno testare l’algoritmo anche con un’immagine ravvicinata dell’occhio, ovvero nelle condizioni per cui è stato progettato. 50 4 – Algoritmi scelti e implementati 4.2 Active Shape Model Active Shape Model è un generico algoritmo di ricerca forme descritto per la prima volta nel 1992 da Cootes et al. (2): pur non essendo un algoritmo pensato specificatamente per tracciare gli occhi, è abbastanza generico da poter essere adattato a questo utilizzo. Per testare questo algoritmo verrà utilizzata la versione implementata dall’ing. Castellina (1). L’algoritmo L’obiettivo di ASM è ricercare forme conosciute all’interno di un’immagine: utilizza modelli flessibili e deformabili, perciò è adatto a cercare oggetti il cui aspetto può variare, come, ad esempio, gli occhi. Infatti la forma degli non è mai constante da un fotogramma al successivo, perchè è influenzata da molti parametri: l’apertura delle palpebre, la posizione della pupilla, la rotazione della testa; anche le espressioni del volto possono influenzare molto la forma degli occhi. ASM si basa su un modello parametrico, che viene deformato e traslato sul fotogramma in esame in modo da renderlo più affine all’immagine in esame. Il modello deve però essere costruito, viene perciò utilizzato un training set con il quale è possibile ricavare i parametri del modello adatto al filmato che si vuole analizzare. Per creare il modello di un oggetto si dispongono una serie di punti sull’immagine dell’oggetto stesso: di questi punti verrà analizzata la statistica e verranno determinati i parametri propri del modello. Training set Per determinare i parametri del modello è opportuno utilizzare una serie di immagini: se si creasse il modello basandosi su un solo fotogramma non si avrebbe un modello abbastanza generico per potersi adattare ai cambiamenti di forma dell’oggetto. Perciò viene creato per prima cosa un training set composto da alcune immagini catturate dal filmato in esame: su ognuna di queste immagini verranno posizionati dei punti, chiamati picchetti, che sono in numero variabile e dipendono dal modello che si sta utilizzando. I picchetti possono possono appartenere al contorno dell’oggetto (ad esempio le palpebre) o a caratteristiche interne dell’oggetto (come la pupilla, vedere per un esempio la figura 4.6); il posizionamento dei punti avviene manualmente e viene effettuato allo stesso modo per ogni immagine. Successivamente si passa al calcolo della statistica dei punti, ma, prima, l’insieme 51 4 – Algoritmi scelti e implementati dei punti deve essere allineato per minimizzare la varianza della distanza tra i punti corrispondenti di immagini diverse. L’allineamento del training set avviene analizzando le statistiche relative alle coordinate dei picchetti: i picchetti vengono allineati rispetto ad un insieme di assi attraverso scalamenti, rotazioni e traslazioni delle forme presenti nel training set che hanno lo scopo di minimizzare la somma pesata dei quadrati delle distanze fra punti equivalenti di forme differenti. Per allineare N forme si procede in questo modo: • Si ruota, trasla, scala ogni forma per allinearla con la prima • Finchè il processo non converge: – Si calcola la forma media delle forme allineate – Si normalizza l’orientamento, la scala e l’origine della forma media calcolata precedentemente per riportarla a caratteristiche predefinite e per garantire la convergenza dell’algoritmo – Si riallinea ogni forma dell’insieme con la forma media corrente Figura 4.6. Un’immagine del training set (8 picchetti) utilizzato per riconoscere l’occhio Costruzione del modello Analizzando la statistica della posizione dei punti viene ricavato un modello della distribuzione dei punti che fornisce la posizione media dei punti e comprende alcuni parametri che controllano le modalità di variazione riscontrate nel training set. 52 4 – Algoritmi scelti e implementati Se si sovrappongono le coordinate delle forme allineate alla forma media si può notare che alcuni vertici hanno una bassa variabilità nel training set, mentre altri formano “nuvole” piuttosto diffuse. Per analizzare questa statistica si può rappresentare ogni campione del training set (una volta allineato) come un singolo punto in uno spazio 2n dimensionale; perciò un’insieme di N punti forma una nuvola di N punti in uno spazio 2n dimensionale. Supponiamo che questi punti si trovino in una regione dello spazio denominata “dominio delle forme possibile” e che diano un’indicazione sulla forma e dimensione di questa regione. Muovendosi nel “dominio delle forme possibile” si possono generare sistematicamente nuove forme. Successivamente si cerca di modellare la forma della nuvola di distribuzione dei punti in uno spazio ad elevata dimensione, si cerca, perciò, di stabilire la relazione tra le posizioni dei singoli picchetti. Si assume che la nuvola sia di forma ellissoidale, se ne calcola il centro e i suoi assi maggiori, che danno un modo per muoversi all’interno di essa. Ogni asse dell’elissoide controlla una modalità di variazione, cioè un modo con cui i picchetti tendono a muoversi assieme al variare della forma. Questo approccio permette di generare nuove forme, ma molto simili a quelle del training set. Analisi dell’immagine Dato il modello e l’immagine da analizzare vengono ricercati i valori dei parametri tali da massimizzare la corrispondenza del modello con l’oggetto presente nell’immagine. ASM, quindi, parte da un modello non molto preciso per ciò che riguarda posizione, orientamento, scala e forma; questo modello viene poi raffinato iterativamente confrontandolo con l’immagine in cui si cerca l’oggetto. Per ricercare la corrispondenza viene utilizzato un metodo iterativo che permette di trovare una forma adeguata partendo da un’approssimazione iniziale molto poco accurata. In pratica si ripetono i seguenti passaggi di deformazione finchè non si ottengono più cambiamenti significativi nella disposizione dei punti: • calcolo dello spostamento indicato per ogni punto del modello: data una stima iniziale delle posizioni dei punti del modello che si sta cercando di adattare all’immagine, si vuole trovare un insieme di aggiustamenti che spostino ogni punto in una posizione migliore; se, per esempio, il modello rappresenta i contorni dell’oggetto, questa procedura comporterà lo spostamento dei punti lungo i bordi dell’immagine 53 4 – Algoritmi scelti e implementati • calcolo dei cambiamenti nella posizione e nei parametri della forma: si modificano la posizione e i parametri della forma del modello per avvicinare, quanto più possibile, i punti del modello alle nuove posizioni indicate • aggiornamento della posizione e dei parametri della forma: il modello viene modificando e deformato applicando le variazioni appena calcolate ai parametri che controllano il posizionamento e la forma dello stesso L’articolo di Cootes (2) non spiega come implementare lo spostamento e la deformazione della forma del modello, in quanto l’articolo tratta l’algoritmo dal punto di vista generale e lascia libero chi implementerà l’algoritmo di adattarlo ad un caso specifico. In questo caso si ha ha disposizione in ingresso un’immagine a colori, quindi è possibile utilizzare non solo le informazioni relative alla luminosità e al contrasto, ma anche le informazioni che si possono ricavare dall’analisi dei colori o di pattern di colori presenti nell’immagine. La soluzione adottata dall’Ing. Castellina è la seguente consiste proprio nell’associare al modello le informazioni sui colori: per ogni punto di ogni forma presente nel training set viene memorizzata una matrice di gradienti di colori W ×H riempita considerando un rettangolo centrato nel picchetto e con orientamento normale alla direzione del contorno dell’oggetto. Viene in seguito calcolata una “matrice associativa” che contiene tutte le matrici dei gradienti di ogni picchetto di ogni forma relazionata al valore dei pesi dei parametri che deformano il modello. L’aggiornamento dei parametri che determinano la posizione e la deformazione avviene in questo modo: si considera l’intorno dei punti dell’immagine su cui è applicato il modello e si cerca di minimizzare la differenza tra questi punti e le matrici dei gradienti di colore (memorizzate all’interno della “matrice associativa”). Questa procedura di aggiornamento parametri verrà iterata finchè non verrà raggiunta la soglia di precisione desiderata. 4.2.1 Adattamenti Gli adattamente all’algoritmo sono stati minimi in quanto l’implementazione dell’algoritmo è abbastanza generica da poter essere utilizzata per tracciare qualsiasi tipo di forma e non vi sono parametri configurabili direttamente, in quanto l’algoritmo è 54 4 – Algoritmi scelti e implementati controllato completamente dal modello utilizzato; naturalmente sono state effettuate delle modifiche per integrare il codice esistente con l’ambiente di test sviluppato per questa tesi (cap. 3.4.6). Il cambiamento principale è stato l’utilizzo di un nuovo modello: infatti per l’ambiente Sandra era stato creato un modello dell’occhio con 16 picchetti posizionati come in figura 4.7. Questa disposizione permette di avere una grande accuratezza nel tracciamento dell’occhio, ma l’elevato numero di punti causa un’elevato tempo di elaborazione. Inoltre, essendo i punti disposti sul contorno dell’occhio, il modello non tiene conto dei movimenti della pupilla (fig. 4.8). Perciò si è pensato di utilizzare un modello (fig. 4.6) che abbia quattro punti sull’occhio, per facilitare la ricerca nell’immagine, e quattro punti posizionati sul limbo, ovvero il bordo dell’iride (fig. 4.9); in questo modo si ha una certa accuratezza nel tracciare la pupilla, ma si aumenta anche la velocità di elaborazione utilizzando un modello con la metà dei punti. L’algoritmo, di per sé, non fornisce come output una posizione relativa all’immagine, ma fornisce il modello deformato che meglio si adatta al fotogramma in analisi. Il modello, però, è formato da un insieme di punti che hanno coordinate relative all’immagine, perciò calcolando il baricentro di questi punti si può avere una posizione stimata della pupilla. Figura 4.7. Modello dell’occhio con 16 picchetti 55 4 – Algoritmi scelti e implementati Figura 4.8. Modello con 16 picchetti: si può notare che il baricentro (in giallo) non corrisponde al centro della pupilla, perchè quest’ultima è spostata verso sinistra Figura 4.9. Modello con 8 picchetti: in questo caso il baricentro dei picchetti (in giallo) corrisponde alla pupilla anche se non si trova al centro dell’occhio 56 Capitolo 5 Test 5.1 Introduzione Per effettuare i test sono stati realizzati numerosi filmati ripresi in condizioni di luce ambientale differente. Le fotocamere utilizzate sono state posizionate sulla parte inferiore del monitor per avere la miglior visuale possibile sull’occhio e non interferire con il normale utilizzo del computer. I filmati sono stati realizzati sia riprendendo l’intero viso, sia riprendendo solo l’occhio: con la videocamera e la fotocamera, dotate di zoom, non c’è stato problema; mentre la webcam è stata posizionata su un piedistallo: naturalmente non può corrispondere ad un reale utilizzo, in quanto occludeva parzialmente la vista del monitor. Si è comunque ritenuto opportuno realizzare filmati dell’occhio anche con la webcam, per valutare se eventuali miglioramenti potessero giustificare il posizionamento della webcam sugli occhiali. Il modello di webcam scelto è un modello con caratteristiche medie e ha un costo estremamente ridotto, circa 20 e; un’attenta analisi dei modelli sul mercato ha permesso di stabilire che le prestazioni sono molto simili a modelli che costano sino a 80 e, ma la cui risoluzione è sempre di 640x480 pixel ovvero 0.3 Mpixel. Anche la fotocamera ha una risoluzione massima (per i filmati) di 640x480 pixel, ma il sensore è molto più raffinato (6 Mpixel) e, in combinazione all’utilizzo di un’ottica superiore a quella di una webcam, permette di avere una qualità più elevata dell’immagine. Inoltre è disponibile uno zoom ottico di 4x. Naturalmente il costo è maggiore rispetto alla webcam, in quanto è di circa 300 e. 57 5 – Test La telecamera per videoconferenza è una telecamera analogica con zoom 12x, è stata perciò collegata ad una periferica di acquisizione video con risoluzione massima di 640x480 pixel, la qualità dell’immagine è superiore alla fotocamera in quanto l’obbiettivo (di dimensioni maggiori rispetto alla fotocamera) permette di convogliare sul sensore una maggiore di quantità di luce. Il costo è di circa 800 e. I test effettuati hanno lo scopo di testare gli algoritmi per poter valutarne oggettivamente le prestazioni; entrambi gli algoritmi sono pensati per tracciare un solo occhio, perciò per valutare la precisione si è considerata solamente la posizione della pupilla (per semplicità si è utilizzata sempre la pupilla sinistra). 5.1.1 Parametri di riferimento Per effettuare dei test oggettivi è necessario utilizzare due parametri di riferimento definiti a priori; in questo caso verranno utilizzate come riferimento le seguenti grandezze: • il tempo medio di elaborazione dei fotogrammi • la distanza media dal centro normalizzata • la percentuale di hit Il tempo medio di elaborazione è di notevole importanza, infatti influenza direttamente la reattività di un sistema di eye tracking. Se il sistema di eye tracking si basa sulla fissazione di alcune aree sullo schermo è tollerabile anche un piccolo ritardo di tracciamento, ma se il sistema viene utilizzato per controllare direttamente il cursore presente sullo schermo è imporante che l’utente abbia un riscontro immediato dal sistema. La distanza media dal centro è una grandezza che può dare una stima della varianza dell’errore di tracciamento della pupilla. Inoltre, considerando separatamente gli errori sull’asse orizzontale e verticale, può essere utilizzata per notare un’eventuale polarizzazione dell’algoritmo di eye tracking. La distanza viene normalizzata per il raggio della pupilla, in modo da avere una grandezza confrontabile tra filmati diversi: infatti l’apertura della pupilla (quindi la sua dimensione) varia al variare della luminosità ambientale e dall’attività visiva svolta. 58 5 – Test La percentuale di hit rappresenta il numero di volte che il centro calcolato è interno alla pupilla; ciò permette di avere un ulteriore metro di paragone tra gli algoritmi, in quanto una distanza media alta può essere causata da alcuni errori grossolani, mentre nei restanti fotogrammi l’errore effettivo è più basso. 5.2 Test effettuati su Starbust Vi sono numerosi parametri configurabili in Starbust, perciò sono stati condotti dapprima alcuni test per stabilire il valore ottimale dei parametri e, successivamente, dei test per analizzare in generale l’algoritmo. 5.2.1 Parametri ottimali La ricerca dei valori ottimali dei parametri non è facile in quanto i parametri sono correlati tra loro; inoltre alcuni parametri dipendono strettamente dal filmato in esame, perché sono influenzati dalla luminosità e dal contrasto dell’immagine. Nei paragrafi seguenti verranno analizzati in dettaglio i risultati dei test effettuati per ogni parametro. Numero di raggi Questo parametro controlla il numero di raggi da utilizzare per l’interpolazione radiale: in pratica pesa molto sulla precisione e la velocità dell’algoritmo, perché influisce direttamente sul numero di volte che deve essere calcolata la derivata che esprime il gradiente di intensità del colore. Come si può notare dai grafici in figura 5.1 e 5.2 le prestazioni migliori si ottengo con un numero di raggi pari a 60, infatti la distanza media è la minore e il tempo di elaborazione non è troppo elevato. Si può anche notare che all’aumentare del numero dei raggi, il tempo di elaborazione aumenta quasi esponenzialmente, ma la precisione rimane pressochè costante: la causa è da ricercarsi nel fatto che le direzioni in cui si può calcolare la derivata sono teoricamente infinite, ma l’immagine è discreta, in quanto formata da pixel, perciò se si utilizza un numero troppo elevato di step, in molti di questi verrà calcolata la derivata dello stesso pixel e, quindi, non si avrà un aumento dalle prestazioni. 59 5 – Test Figura 5.1. Andamento della precisione e del tempo di elaborazione all’aumentare del numero di raggi utilizzati per analizzare un filmato che riprende l’intero volto Figura 5.2. Andamento della precisione e del tempo di elaborazione all’aumentare del numero di raggi utilizzati per analizzare un filmato che riprende solamente l’occhio 60 5 – Test Dimensione riflesso corneale Dai test effettuati risulta che la dimensione massima del riflesso corneale non influenza la ricerca della pupilla se la telecamera riprende l’intero volto (fig. 5.3); se, invece, viene ripreso l’occhio la dimensione massima deve essere adeguatamente calibrata sul filmato in esame: come si nota in fig. 5.4 l’escursione dell’errore è più marcata. Figura 5.3. Influenza della dimensione del riflesso corneale su un’immagine del volto intero Numero di punti caratteristici Questo parametro controlla qual’è il numero di punti da utilizzare per interpolare l’ellisse. Dai test effettuati si è dedotto che per la maggior parte dei filmati il numero di punti caratteristici che minimizza l’errore è 5 (fig. 5.5 e 5.6), ma in alcuni casi (come in figura 5.7) le prestazioni migliori si raggiungono con 15 punti. Perciò, per avere buone prestazioni nella maggior parte dei casi, si è scelto di utilizzare 10 punti caratteristici. 61 5 – Test Figura 5.4. Influenza della dimensione del riflesso corneale su un’immagine dell’occhio Figura 5.5. Influenza del numero di feature utilizzate per l’interpolazione dell’ellisse nel caso di un filmato che riprende solamente l’occhio 62 5 – Test Figura 5.6. Influenza del numero di feature utilizzate per l’interpolazione dell’ellisse nel caso di un filmato del volto, in condizioni di scarsa luminosità Figura 5.7. Influenza del numero di feature utilizzate per l’interpolazione dell’ellisse nel caso di un filmato del volto, in condizioni di ottima luminosità 63 5 – Test Livello della soglia Questo parametro presenta la più alta variazione tra tutti i parametri di Starbust, in quanto è strettamente correlato al filmato analizzato: infatti l’intensità dei pixel che fanno parte del riflesso corneale è molto variabile, in quanto è influenzata non solo dalla luce ambientale, ma anche dalla variazione della posizione dell’utente rispetto alle fonti di luce. Nel caso di un filmato di alta qualità e con buona illuminazione (fig. 5.8) si può notare come la variazione della soglia praticamente non influisca sull’errore. Mentre nel caso di filmati con illuminazione più scarsa (fig. 5.9 e 5.10) la variazione della soglia causa una grande variazione all’errore. Si è perciò scelto di utilizzare un livello di soglia pari a 10, che corrisponde ad un errore minimo nella maggior parte dei casi, anche se non è il valore ottimo per tutti i filmati. Figura 5.8. In condizioni di buona illuminazione e alta qualità del filmato, la variazione del livello di soglia causa una variazione dell’errore medio molto ridotta 64 5 – Test Figura 5.9. Utilizzando un filmato con illuminazione ambientale più bassa, la variazione della soglia influisce sull’errore Figura 5.10. Utilizzando un filmato di bassa qualità e luminosità (webcam) la variazione della soglia influisce molto sull’errore 65 5 – Test Canale Dei tre canali RGB di cui è composta un’immagine si è subito scartato il canale blu, in quanto presenta un rumore molto elevato, specialmente utilizzando una webcam: infatti le modalità di costruzione dei sensori CCD portano il sensore ad avere una risposta migliore a frequenze vicine all’infrarosso e, visto il costo ridotto delle webcam, vengono utilizzati sensori molto rumorosi; perciò la risposta del sensore a frequenze vicine al blu viene coperta dal disturbo. Analizzando l’istogramma dei tre canali RGB della stessa immagine si può avere una conferma quantitativa del fatto che il contrasto più elevato si ha utilizzando il canale rosso. Si è misurata la risposta di Starbust al variare del canale: i dati sperimentali hanno confermato l’ipotesi che l’algoritmo ha prestazioni migliori col canale rosso, perché il contrasto è più elevato; infatti analizzando filmati utilizzando il canale rosso si ha un errore medio di 1,54 contro un errore medio di 1,79 che si ottiene utilizzando il canale verde. 5.2.2 Prestazioni globali dell’algoritmo Per misurare le prestazioni globali dell’algoritmo sono stati utilizzati numerosi filmati e si è effettuata un’analisi separata per cioè che riguarda il tipo di telecamera utilizzata. Un’analisi preliminare porta a concludere che i risultati migliori si ottengono con la telecamera per videoconferenza, in quanto la qualità dell’immagine è superiore perchè vengono utilizzate un’ottica e un sensore d’immagini migliori. L’ipotesi è stata confermata dai risultati dei test che sono riassunti nella tabella 5.1. Tipologia fotocamera webcam fotocamera videoconferenza Distanza media normalizzata 1,83 1,39 1,20 Tabella 5.1. Tempo medio elaborazione (ms) 22,43 30,6 36 Percentuale di hit 34,75 41,33 43,5 Prestazioni globali di Starbust Analizzando la tabella si può notare come i risultati peggiori siano ottenuti utilizzando la webcam, mentre utilizzando la telecamera per videconferenza si minimizza 66 5 – Test l’errore medio e si massimizza la percentuale di hit. Utilizzando la fotocamera, invece, si hanno risultati paragonabili alla telecamera per videoconferenza: infatti la distanza media è di poco superiore (rispetto alla distanza media ottenuta con la webcam) e la percentuale di hit è solo del 2% più bassa; inoltre il tempo medio di elaborazione è inferiore di 6 ms, ciò permette di elaborare un filmato alla velocità (teorica) di 32 fotogrammi/s anzichè 27 fotogrammi/s. 67 5 – Test 5.3 Test effettuati su ASM Gli unici parametri modificabili direttamente di ASM controllano la dimensione della matrice dei colori relativa ad ogni picchetto: la matrice è centrata sul picchetto e se ne può controllare la lunghezza della base, il limite superiore e quello inferiore. L’influenza di questi parametri è comunque limitata, in quanto il comportamento globale dell’algoritmo è influenzato pesantemente dal modello: un errore, anche minimo, nella creazione del modello può portare ad un errore molto elevato nel rilevamento della pupilla. 5.3.1 Effetti della variazione dei parametri Aumentare la precisione di ASM modificando i parametri preimpostati può portare ad un incremento della precisione a scapito della velocità di elaborazione. Alcuni test hanno permesso di appurare che l’errore può essere ridotto di molto (sino a quattro volte), ma il tempo di elaborazione aumenta notevolmente. Vedremo in seguito come la modifica dei parametri può essere evitata ricreando il modello utilizzato: in questo modo si ottengo prestazioni migliori senza aumentare di molto il tempo di elaborazione. In tabella 5.2 è stato effettuato il confronto tra le prestazioni utilizzando i parametri di default e i parametri modificati (*). Tipologia occhio occhio (*) occhio (*) figura intera figura intera (*) Tabella 5.2. 5.3.2 Distanza media normalizzata 2,82 0,86 0,50 2,06 0,95 Tempo medio elaborazione (ms) 53 74 98 52 75 Effetti della variazione dei parametri di ASM Effetti della variazione del modello Il modello utilizzato influenza pesantemente la precisione dell’algoritmo; per avere un’idea di quanto ampia sia questa influenza si osservi la tabella 5.3 in cui vi sono 68 5 – Test confrontati la distanza media e il tempo di elaborazione per un modello preciso e uno impreciso (*). Tipologia Distanza media normalizzata 0,51 2,66 0,70 1,90 occhio occhio (*) figura intera figura intera (*) Tabella 5.3. Tempo medio elaborazione (ms) 49 54 50 50 Effetti della variazio del modello utilizzato da ASM Nel caso di un filmato dell’occhio l’errore che si ottiene utilizzando un modello errato è circa cinque volte l’errore di un modello corretto. Per modello errato, però, non si intende un modello completamente incompatibile con il filmato (in questo caso si avrebbe anche un peggioramento del tempo medio di elaborazione), ma un modello non molto accurato: se, ad esempio, i picchetti sono stati disposti male, il baricentro degli 8 picchetti del modello non sarà mai vicino al centro della pupilla, anche se l’algoritmo riconoscesse adeguatamente la posizione dell’occhio. Una misura di quanto un modello errato può influire sulla precisione può essere effettuata tenendo conto della varianza e del valor medio dell’errore. Nella tabella 5.4 si possono osservare le variazioni nelle statistiche tra il modello errato e quello più accurato. Distanza media normalizzata 2,8 0,86 Tabella 5.4. Varianza Varianza Valor X Y medio X Valor medio Y 8,56 0,63 2,22 0,48 14,27 0,92 1,26 -0,7 Variazione della statistica al variare del modello utilizzato In effetti ci si può rendere conto che il secondo modello è migliore semplicemente osservando le figure 5.11 e 5.12 che rappresentano la stima della funzione di probabilità dell’errore medio. I grafici in figura 5.13 e 5.14 mostrano la distribuzione dell’errore in uno spazio bidimensionale: si nota come i valori di massima probabilità siano centrati nell’origine degli assi; nel caso del modello poco accurato, vi sono però dei picchi secondari: 69 5 – Test la presenza di questi picchi è spiegata dal fatto che l’algoritmo tende a fissarsi su zone esterne all’occhio che presentano un alto contrasto (come le sopracciglia). 0.8 1.0 0.9 0.7 0.8 0.6 0.7 0.5 0.6 0.4 0.5 0.4 0.3 0.3 0.2 0.2 0.1 0.0 −20 0.1 −15 −10 −5 0 Errore X 5 10 0.0 −20 15 −15 −10 −5 0 Errore Y 5 10 15 Figura 5.11. Funzione di probabilità stimata nel caso di un modello poco accurato, sono separati i dati relativi all’errore in direzione orizzontale e l’errore in direzione verticale 70 5 – Test 0.8 1.0 0.9 0.7 0.8 0.6 0.7 0.5 0.6 0.4 0.5 0.4 0.3 0.3 0.2 0.2 0.1 0.1 0.0 −16 −14 −12 −10 Figura 5.12. −8 −6 Errore X −4 −2 0 0.0 −16 −14 −12 −10 2 −8 −6 Errore Y −4 −2 0 2 Funzione di probabilità stimata nel caso di un modello accurato 0.08 0.07 0.06 Z 0.05 0.04 0.03 0.02 0.01 −20 0.00 −20 −15 −10 −15 −10 −5 −5 Y 0 0 5 5 10 10 15 X 15 Figura 5.13. Funzione di probabilità stimata nel caso di un modello errato (il grafico è stato espanso per evidenziare i picchi secondari), in questo caso sono stati accorpati gli errori relativi all’asse delle ascisse e delle ordinate 71 5 – Test 0.8 0.7 0.6 Z 0.5 0.4 0.3 0.2 0.1 0.0 −16 −14 −12 −10 −8 Y Figura 5.14. −6 −4 −2 0 2 2 0 −2 −4 −6 −8 −10 −12 −14 −16 X Funzione di probabilità stimata nel caso di un modello accurato 72 5 – Test Osservando i grafici si può pensare che l’algoritmo sia “polarizzato” ad esempio in figura 5.12 il valore medio è spostato verso -2; si potrebbe pensare di migliorare le prestazioni dell’algoritmo con un opportuno offset, in realtà se si analizzano i dati medi di molti filmati si nota che, se il modello non presenta errori, il valor medio è circa zero. 5.4 Test comparativi I test comparativi hanno lo scopo di cercare di capire, se possibile, in quali occasioni sia più performante Starbust e in quali ASM e hanno lo scopo di definire quale dei due sia in assoluto il “migliore”. Eseguendo i test si è notato, come era lecito aspettarsi, che l’errore medio è molto più alto nella direzione orizzontale che in quella verticale, in effetti i movimenti dell’occhio, quando si osserva il monitor di un pc o si legge, sono molto più frequenti e più ampi in direzione orizzontale. I test sono stati suddivisi in due gruppi: nel primo si sono confrontati i due algoritmi presi nelle condizioni migliori, ovvero, per ogni modello, si sono utilizzati i parametri e il modello che minimizzano l’errore. Nel secondo gruppo si sono effettuati test utilizzando i parametri di default e senza ricercare il modello migliore, per avere una stima delle prestazioni in condizioni realistiche. 5.4.1 Caso migliore Per capire quale dei due algoritmi fosse il più efficiente in condizioni ottimali sono state effettuate numerose prove, utilizzando per ogni filmato i parametri e il modello migliori. Starbust, in generale, si è dimostrato il migliore, in quanto ha un tempo di elaborazione molto minore rispetto ad ASM e un errore medio quasi sempre minore di ASM. I risultati ottenuti sono sintetizzati nella tabella 5.5. Osservando però le percentuali di hit i risultati cambiano, perchè ASM ha percentuali più alte. Questo permette di concludere che mentre Starbust ha un’escursione limita, ASM si allontana anche molto dal centro della pupilla, ma nella totalità dei casi ASM è più vicino al centro della pupilla. 73 5 – Test Algoritmo Starbust ASM Tipologia Distanza media normalizzata webcam 1,83 fotocamera 1,39 videoconferenza 1,20 webcam 2,12 fotocamera 1,48 videoconferenza 1,13 Tabella 5.5. 5.4.2 Tempo medio elaborazione (ms) 22 30 36 58 56 50 % hit 34,7 41,3 43,5 55 59 61,5 Prestazioni dei due algoritmi nel caso migliore Caso medio I test effettuati nel caso migliore sono importanti per stimare l’apice delle prestazioni di un algoritmo, ma in caso di utilizzo reale le prestazioni possono essere molto diverse. In questo caso, quindi, per Starbust si sono mantenuti i parametri di default, mentre per ASM si sono costruiti modelli, senza, però, porre particolare cura nella realizzazione. Nella tabella 5.6 vengono riportati i risultati medi per i due algoritmi: in questo caso non si sono distinti i dati in base alla tipologia della fotocamera, né in base alla tipologia di filmato (viso intero oppure occhio). Algoritmo Starbust ASM Tabella 5.6. Distanza media normalizzata 1,51 1,96 Tempo medio elaborazione (ms) 29 56 % hit 39,3 58 Prestazioni dei due algoritmi nel caso medio Come si può facilmente notare i risultati sono abbastanza scadenti rispetto ai risultati ottenuti nel caso migliore. Per quanto riguarda ASM è facile capire che la causa dell’elevato errore medio è da ricercarsi nella scarsa accuratezza dei modelli utilizzati. Per quello che riguarda Starbust si deve notare che l’elevato errore medio (rispetto ai casi migliori) è causato soprattutto dalle prove effettuate con la webcam, 74 5 – Test piuttosto che ad un errore sistematicamente più elevato; infatti la scelta di parametri giusti influenza molto l’analisi di filmati di scarsa qualità piuttosto che quelli ottenuti con fotocamera e telecamera per videoconferenza. 75 Capitolo 6 Conclusioni 6.1 Analisi dei risultati Dai test effettuati si è dedotto che l’algoritmo Starbust ha una carico computazionale ridotto, il che permette di elaborare un fotogramma molto velocemente, ed è più preciso rispetto a ASM, ma è soggetto ad una certa rumorosità nelle misure. Active Shape Model ha un tempo di elaborazione molto più elevato rispetto a Starbust, in quanto ha un carico computazionale molto elevato, le misure hanno un errore medio più elevato, ma sono meno soggette a rumore. Si potrebbe pensare, da questi risultati, che Starbust sia migliore di ASM sotto tutti gli aspetti, in realtà il fatto di avere misure che presentano un’elevata rumorosità potrebbe portare ad alcuni problemi: ad esempio potrebbe essere più difficile, rispetto ad ASM, la rilevazione di una fissazione, proprio perché la misura relativa alla posizione della pupilla non è stabile. ASM, d’altro canto, ha un errore più elevato, ma questo errore potrebbe essere limitato da un’opportuna calibrazione nei primi minuti di utilizzo del sistema, infatti non si deve dimenticare che lo scopo di un sistema di eye tracking non è rilevare la pupilla, ma utilizzare questa misura per ricavare, anche in modo grossolano, la posizione osservata sullo schermo. Entrambi gli algoritmi, perciò, hanno ancora spazi di miglioramento: per migliorare Starbust ci si dovrebbe concentrare nella riduzione della rumorosità, mentre per ASM ci si dovrebbe concentrare sulla riduzione del tempo di elaboraazione e modificare l’algoritmo in modo tale da evitare di fissarsi su zone ad alto contrasto come le sopracciglia. 76 6 – Conclusioni Una precisazione molto importante da fare è che mentre Starbust, in pratica, non necessita di essere calibrato, ASM deve essere calibrato per ogni utente e, alcune volte, deve essere ricalibrato (utilizzando un nuovo training set) al solo variare delle condizioni di luce ambientale. 6.2 Miglioramenti relativi a Starbust Starbust è soggetto ad una certa rumorosità, dovuta alla struttura stessa dell’algoritmo, ma causata anche dall’errore introdotto dalla funzione di face tracking. La funzione di face tracking, infatti, si basa su un classificatore e applicando la funzione ad uno stesso fotogramma la posizione rilevata non sarà costante, ma sarà soggetta ad una rumorosità di alcuni pixel: la causa di questa variabilità, probabilmente, è da ricercarsi nella struttura stessa del classificatore, infatti un buon classificatore non parte mai dalle stesse condizioni iniziali (ad esempio sceglie a caso il punto di partenza da cui iniziare l’analisi dell’immagine) e, questo, può portare a risultati leggermente differenti anche se si sta analizzando lo stesso fotogramma. Si potrebbe quindi utilizzare un altro tipo di classificatore, più stabile, oppure cambiare radicalmente struttura: una soluzione potrebbe essere l’utilizzo di una rete neurale, che sia strutturata per essere molto veloce e che venga addestrata per seguire l’occhio; la posizione dell’occhio rilevata verrebbe poi utilizzata come punto di partenza per applicare Starbust. 6.3 Miglioramenti relativi ad Active Shape Model Analizzando il funzionamento di ASM, cosı̀ com’è stato implementato, si sono evidenziate due possibilità di miglioramento: evitare le “fissazioni” in punti sbagliati e ridurre il carico computazionale. Le fissazioni errate avvengono perchè l’algoritmo si concentra su zone ad alto contrasto (come le sopracciglia): per evitare il problema si potrebbe aggiungere un controllo basato su una soglia relativa al colore in modo da evitare di focalizzarsi su zone molto scure concentrandosi su zone chiare, oppure si potrebbe semplicemente calcolare la luminosità media dell’area rilevata: se la luminosità risulta troppo bassa, sicuramente non si è centrata l’area attorno all’occhio che è molto luminosa. 77 6 – Conclusioni Per ridurre il carico computazionale si potrebbe adottare la soluzione utilizzata con Starbust: ricavare la posizione dell’occhio utilizzando una funzione di tracciamento del volto e modificando ASM per lavorare solo sull’immagine ritagliata; in questo modo si avrebbe certamente una diminuzione del tempo di elaborazione, in quanto, l’immagine ritagliata sarebbe sicuramente più piccola di 640x480 pixel, ovvero la dimensione dell’immagine utilizzata attualmente da ASM. 6.4 Miglioramenti degli strumenti di cattura Oltre a migliorare i singoli algoritmi, ci si può concentrare sul miglioramento di aspetti generali come: • l’aumento della risoluzione di cattura • miglioramento delle ottiche e del sensore video • miglioramento dello zoom L’aumento della risoluzione delle immagini utilizzate può sicuramente portare ad un miglioramento delle prestazioni di entrambi gli algoritmi, in quanto è facile capire che, se la risoluzione aumenta, la pupilla sarà descritta da un maggior numero di pixel: occuperà quindi un’area maggiore e le informazioni che si potranno estrarre dall’immagine saranno maggiori. Il miglioramento delle ottiche e del sensore video è un fattore certo, in quanto è confermato dai test effettuati: infatti le prestazioni che si ottengono utilizzando una webcam sono inferiori (a parità di risoluzione) agli altri due tipi di fotocamere, perché le ottiche sono peggiori e il sensore è soggetto ad un rumore molto elevato. Per miglioramento dello zoom si intende non solo un aumento degli ingrandimenti, ma anche un’integrazione di zoom nelle webcam e, possibilmente, l’utilizzo di un obiettivo macro: utilizzando la fotocamera e la videocamera per videoconferenza ci si è resi conto che non si poteva sfruttarne tutti gli ingrandimenti, infatti aumentando il fattore di zoom viene variata anche la distanza focale, perciò un soggetto troppo vicino alla fotocamera risulta sfocato (eliminando i vantaggi offerti dall’immagine ingrandita dallo zoom). Un aumento delle capacità di elaborazione potrebbe portare ad un miglioramento degli algoritmi, nel senso che si potrebbe ridurre il tempo di elaborazione oppure si 78 6 – Conclusioni potrebbe aumentare la precisione (aumentando il carico computazionale) senza dover aumentare il tempo di elaborazione: naturalmente questa è un’analisi puramente teorica, che dovrebbe essere confermata da dati sperimentali. 6.5 Ulteriori analisi I test effettuati per questa tesi si sono concentrati sull’analisi delle prestazioni degli algoritmi nella fase di riconoscimento della posizione della pupilla, ma un sistema di eye tracking è composto anche di una fase che calcola il punto osservato: una estensione ai test fin qui effettuati, quindi, sarebbe la possibilità di misurare la precisione con cui gli algoritmi calcolano il punto osservato. Dovendo sviluppare anche l’ambiente di test ci si è fermati all’analisi di due soli algoritmi, naturalmente lo scopo di questa tesi non era testare quanti più algoritmi possibile, ma costruire un ambiente di test e dimostrare che questo ambiente può essere utilizzato per analizzare le prestazioni di algoritmi di eye tracking. Questo ambiente rimarrà a disposizione del gruppo di ricerca e-lite, per permettere in futuro di testare e, migliorare, altri algoritmi. 79 Appendice A Appendici A.1 Anatomia dell’occhio Figura A.1. Anatomia dell’occhio L’occhio umano è costituito da: • il bulbo oculare o occhio propriamente detto • una serie di organi accessori – gli annessi – l’apparato muscolare estrinseco 80 A – Appendici L’apparato muscolare estrinseco ha il compito principale di coordinare il movimento dei due bulbi oculari, che deve essere sincrono nei due occhi. Collegato all’occhio si riconosce un apparato lacrimale, che svolge attività meccaniche e attività protettive. Occhio esterno Rovesciando le palpebre, si potrà vedere uno spazio delimitato dalla congiuntiva, al punto di riflessione di questa membrana si trova il fornice congiuntivale. A livello della commessura mediale si potranno rilevare i condotti lacrimali. Figura A.2. Sezione del bulbo oculare Il bulbo oculare Il bulbo o globo oculare (visibilie in figura A.1) ha una forma sferoidale, nella quale si riconosce un polo anteriore ed uno posteriore. A livello del polo posteriore si diparte il nervo ottico da un’area molto limitata da una fitta 81 A – Appendici corona di altre emergenze nervose, che costituiscono i fasci più esterni di questo nervo. Sezionando il bulbo lungo l’asse antero posteriore (A.2), si potrà vedere come esso sia suddiviso in due camere, una anteriore e una posteriore, seguite dal corpo vitreo e nel fondo da una serie di membrane, presenti anche ai lati. La camera anteriore è delimitata verso l’esterno dalla cornea, caratteristicamente trasparente, mentre posteriormente è limitata dal cristallino (lente biconvessa) e dalle estroflessioni della corona ciliare. La camera posteriore è di dimensioni più piccole, ed è compresa tra l’iride e le formazioni che vincolano il cristallino alla corona ciliare. Posteriormente si trova il corpo vitreo (o umor vitreo) del bulbo, che costituisce il più vasto mezzo diottrico del bulbo, senza alcuna importanza in relazione alla convergenza. Le membrane che avvolgono il bulbo sono: • la retina o superficie altamente differenziata, che contiene le cellule primarie della sensibilità alla luce, i coni (responsabili della visione diurna e sensibili ai colori) e i bastoncelli (responsabili della visione notturna) • la coroide o uvea, superficie devoluta essenzialmente all’irrigazione vasale del bulbo • la sclera o sclerotica, che compare anche all’esame esterno dell’occhio, di colore biancastro costante su tutta la superficie dell’occhio, nei suoi 5/6 di superficie disponibile; è di natura fibrosa. Fisiologia Ciascuna parte dell’occhio ha una sua caratteristica fisiologica. Nello svolgere la sua funzione, l’occhio si comporta come la camera di una macchina fotografica, originando la formazione dell’immagine posteriormente (fig. A.3), a livello della retina, eccitando la sensibilità delle cellule presenti che, attraverso il nervo ottico, raggiungono i centri gnistici e mnemonici a livello corticale: mediante associazione diretta si giunge a dare un nome a quanto si vede. Prendendo in esame un bastoncello e la sua peculiare struttura, cerchiamo di spiegare il funzionamento fisiologico dell’occhio. In una situazione di oscurità (al buio) troviamo la rodopsina (pigmento visivo del bastoncello) collegata ad una proteina, la trasducina, collegata a sua volta ad un enzima; all’interno della cellula i canali per il Na sono aperti grazie alla presenza del GMP c, e il potenziale di membrana si aggira intorno ai -50mv, determinando a livello del terminale sinapsico, 82 A – Appendici Figura A.3. Formazione dell’immagine sulla retina data la presenza di un potenziale elettrotonico, il rilascio del neurotrasmettitore. Quando però la rodopsina si collega con un fotone (alla luce), si generano dei fenomeni a cascata: si attiva la trasdudina che attiva l’enzima, che scinde il GMP, la cui diminuzione massimale chiude i canali del Na. Con la chiusura dei canali del Na e con l’iperpolarizzazione della cellulla cessa anche il rilascio del neurotrasmettitore. Nell’occhio, l’iperpolarizzazione della cellula corrisponde alla creazione di potenziale d’azione che viene propagato nelle cellule accessorie bipolari e gangliari i cui assoni costituiscono il nervo ottico A.1.1 Termini medici Movimenti saccadici La saccade è un movimento brusco dell’occhio, che permette di spostare la fissazione da un punto all’altro (19). La velocità dei movimenti saccadici è molto elevata, sino a 400◦ /s con latenza di 0,2s; maggiore è l’entità della saccade, minore è la precisione nel movimento. Fase REM del sonno La sigla REM (Rapid Eye Movement) si riferisce al “movimento rapido degli occhi” che avviene durante una fase delle fasi in cui è diviso il sonno (18); la fase REM è accompagnata da altre alterazioni corporali fisiologiche come irregolarità cardiaca, respiratoria e variazioni della pressione arteriosa. Durante lo studio di questa caratteristica fisiologica del sonno, si è notato che la fase REM del sonno è accompagnata dai sogni. 83 A – Appendici A.2 Libreria Qt La libreria Qt è un toolkit C++, ovvero un’insieme di classi per velocizzare la scrittura di un applicativo. È nata per creare interfacce grafiche che fossero flessibili, perciò implementa anche un meccanismo basato su segnali e su slot (funzioni che i segnali possono attivare). Nel tempo è stata sviluppata sempre di più accorpando le più svariate funzioni: gestione della rete, elaborazione di immagini, gestione database SQL e XML, gestione thread. È multipiattaforma, perciò un’applicazione sviluppata utilizzando funzioni standard (quindi portabili), può essere utilizzata senza problemi su sistemi Windows, Linux, Mac (e molti altri). Per lo sviluppo dei programmi descritti nel capitolo 3 è stata utilizzata la versione con licenza GPL del toolkit Qt: questa versione è completamente gratuita se viene utilizzata per creare applicazioni a loro volta rilasciate con licenza GPL. È disponibile presso il sito Internet: http://trolltech.com/developer/downloads/ qt/index A.3 Libreria OpenCV La libreria OpenCV è una libreria molto utilizzata in Computer Vision in quanto permette di elaborare le immagini a livello dei singoli pixel con estrema facilità ed è provvista di moltissime funzioni che aiutano nell’elaborazione di immagini. È molto potente, ma è anche molto performante, infatti è stata ottimizzata per la piattaforma Intel. Anche questa libreria è stata rilasciata con licenza GPL, ed è disponibile presso il sito internet: http://sourceforge.net/projects/opencvlibrary/ A.4 Classificatore Haar Per il riconoscimento di oggetti presenti in un immagine l’approccio classico utilizzato in Computer Vision è l’elaborazione a livello pixel dell’immagine; in una pubblicazione Papageorgiou (et al.) ha proposto di lavorare a livello di caratteristiche distintive. L’immagine viene divisa in regioni rettangolari, per ognuna di queste 84 A – Appendici regioni si somma il valore dei pixel e l’insieme di tutte queste regioni è utilizzato per classificare l’immagine. Un classificatore Haar deve poi essere addestrato, per poter associare un’immagine che presenta determinate caratteristiche ad una determinata categoria. Nel caso della libreria OpenCV la funzione che si occupa di face tracking utilizza una sequenza di classificatori di tipo Haar che sono stati addestrati con un set di un centinaio di esempi positivi (volti) e un centinaio di esempi negativi (immagini arbitrarie della stessa dimensione). Il classificatore cosı̀ ottenuto può essere anche riscalato (per riconoscere volti che hanno una dimensione diversa da quelli del set di addestramento) e viene applicato ad una finestra di ricerca che viene fatta scorrere su tutta l’immagine, perciò per ricercare un oggetto di dimensioni arbitrarie la procedura deve essere ripetuta varie volte. Per evitare di rallentare troppo la ricerca, i classificatori in cascata sono stati progettati per essere molto efficaci: una regione di ricerca, prima di essere accettata, deve passare tutti i classificatori, ma al primo esito negativo viene abbandonata. Questi classificatori sono a loro volta divisi in altri classificatori (alberi di decisione) più semplici che ne aumentano l’efficienza. A.5 Filtri per immagini Filtrare un’immagine significa applicare alla stessa un filtro spaziale: l’operazione consiste nella modifica del valore di ogni pixel in accordo al valore dei pixel vicini. In alcuni casi i pixel vengono pesati in accordo ad una determinata maschera, ovvero si effettua la correlazione tra l’immagine di partenza e la maschera, ovvero: g(m,n) = f (m,n) ∗ h(m,n) dove f(m,n) rappresenta l’immagine di partenza, h(m,n) la maschera e g(m,n) l’immagine di filtrata (11). A.5.1 Filtro smooth Per rimuovere disturbi impulsivi da un’immagine è possibile effettuare semplicemente la media tra gruppi di pixel adiacenti; i pesi utilizzati nella maschera saranno 85 A – Appendici quindi del tipo: 1 1 1 1 1 1 1 9 1 1 1 Se, invece, il rumore è di tipo gaussiano si ottengono risultati migliori con un filtro gaussiano che avrà una matrice dei pesi di questo tipo: 1 2 1 1 2 4 2 16 1 2 1 A.5.2 Filtro sharpening Un filtro di tipo sharpening è utilizzato per evidenziare piccoli dettagli o evidenziare dettagli che sono confusi, sfocati; un’immagine può risultare sfocata sia per un movimento della fotocamera, sia perchè il sensore della fotocamera è di qualità scadente (come può essere il CCD di una webcam). In questo caso la matrice dei pesi sarà di questo tipo: −1 −1 −1 1 −1 8 −1 9 −1 −1 −1 86 Bibliografia [1] Emiliano Castellina, Tesi di Laurea Magistrale: Progetto e ottimizzazione di algoritmi di riconoscimento di forme per il gaze tracking, http://elite.polito. it/tesi/castellina.pdf,(Luglio 2005) [2] T.F. Cootes , C. J. Taylor , D.H. Cooper, J, Graham: Active Shape Models Their training and application,(1992) [3] Dongheng Li, Jason Babcock, and Derrick J. Parkhurst: openEyes: a low-cost head-mounted eye-tracking solution, http://hcvl.hci.iastate.edu/files/ li_etal06.pdf,(2005) [4] Dongheng Li: Low-cost eye-tracking for human computer interaction, http: //thirtysixthspan.com/openEyes/MS-Dongheng-Li-2006.pdf,(2006) [5] Wikipedia: (2007) Eye tracking, http://en.wikipedia.org/wiki/Eye_tracking, [6] Srlabs: La tecnologia eye-tracking, i prodotti, i campi applicativi, http://www. srlabs.it, (2007) [7] Chabane Djeraba: State of art of Eye tracking, (2005) [8] Opencv library: Face Detection, http://opencvlibrary.sourceforge.net/ FaceDetection, (2007) [9] COGAIN: Catalogue of currently available eye trackers for interactive applications within AAC, http://www.cogain.org/eyetrackers/, (2007) [10] COGAIN: Survey of De-Facto Standards in Eye Tracking, http://www. cogain.org, (2007) 87 BIBLIOGRAFIA [11] Aldo Laurentini:Digital image processing and Computer vision, Lecture 11 Spatial Filtering, (2004) [12] James P. Ivins, John Porrill: A deformable model of the human iris for measuring small three-dimensional eye movements, (1998) [13] Shinjiro Kawato and Nobuji Tetsutani: Detection and Tracking of Eyes for Gaze-camera Control, (2002) [14] Bo Pedersen, Michael Spivey: Offline tracking of eyes and more with a simple webcam, (2006) [15] Subramanya Amarnag, Raghunandan S. Kumaran and John N. Gowdy: Real time eye tracking for human computer interfaces, (2003) [16] Giuseppe Marcone, Giuseppe Martinelli, Lamberto Lancetti: Eye Tracking in Image Sequences by Competitive Neural Networks, (1998) [17] Robert J.K. Jacob, Keith S. Karn: Eye tracking in human-computer interaction and usability research: Ready to deliver the promises., (2003) [18] Wikipedia: Rapid eye movement, http://it.wikipedia.org/wiki/Rapid_ Eye_Movement, (2007) [19] Wikipedia: Saccade, http://it.wikipedia.org/wiki/Saccade, (2007) 88