docDiapositive della presentazione in PDF. - Imagelab
download 
Reclamo Transcript
Diapositive della presentazione in PDF. - Imagelab
Prof. Rita Cucchiara Facoltà di Ingegneria “Enzo Ferrari” Università di Modena e Reggio Emilia Da Digital Forensics a Multimedia Forensics: Digital Forensics Computer Forensics Computational Forensics Multimedia Forensics A form of digital investigation that can be entered in a legal court [Car09] …..Differently of physical forensic sciences, in digital forensics the procedures are not well assessed neither the results. “When computers are involved criminal activities” [Kruse01] Computational Forensic refers to applying computer aided techniques to digital data understanding [Boheme09] “Modern crime investigation shall profit from the hybrid-intelligence of humans and machines working on multimedia data” [Car09]Brian D. Carrier “Digital Forensics Works” IEEE Computers April 2009 [Kruse01] Kruse, W., Heiser, J.: Computer Forensics: Incident Response Essentials. Addison Wesley, Reading (2001) [Boheme09] Böhme, R., Freiling, F. C., Gloe, T., and Kirchner, M. 2009. Multimedia Forensics Is Not Computer Forensics. In Proc. of the 3rd international Workshop on Computational Forensics Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Da Multimedia Forensics a «Multimedia in Forensics» • «Multimedia in Forensics» – – – – – Analisi di dati multimediali, testo, immagini, audio, video… Sorveglianza automatica e Biometria Computer Graphics, Image processing e Computer Vision Pattern Recognition e Machine learning ... Una nuova attività di ricerca nell’area del Multimedia Analisi • di individui • di oggetti • di eventi • di concetti… Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Ingegneria Informatica in supporto all’analisi forense • Supporto all’attribuzione dell’identità degli autori o sospetti autori di reati – tecnologie informatiche di elaborazione semiautomatica di immagini e video • Supporto alla ricerca di sospetti autori di reati e riconoscimento di identità di soggetti di interesse – Tecnologie informatiche di analisi automatica di immagini e video Multimedia in forensics Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Multimedia in forensics: Ricerca e prospettive • Rilevamento di folle, gruppi di persone e persone • Rilevamento di volti, aspetti semibiometrici, dettagli • Riconscimento dell’identità o della similairità • Riconscimento di azioni ed attività • Riconscimento di comportamenti • Ricerca di similarità di azioni ed interazioni Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Image Processing in Forensics Elaborazioni di segnali ed immagini • Noise cleaning, image enhancement, Linear non linear filtering equalization, Image restoration, super-resolution, Camera calibration, Camera verification, … • Filtraggio frequenze spaziali, trasformate di Fourier, algebra No way Out lineare, Principal Component Analysis… Kevin Costner 1987 • Ricerca e sviluppo dagli anni’70 • su supercomputer e mainframes.. …‘Im not satisfied with the way this is coming up. .. The eigenvalue is off. Looks all right to me…. We're pulling away from our reference information. Program a Fourier transform. ….. Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Analisi semi-manuale Analisi Manuale Analisi semi-manuale ( con l’impiego di tecniche informatiche) Attribuzione dell’identità, diversi metodi:[Ali2011] • “Confronto Olistico” in cui le facce sono confrontate nella loro globalità, • l’”Analisi morfologica” in cui si confrontano specifiche caratteristiche (visual feature) del volto, come dettagli significativi ed univoci; • l’”Analisi foto-antropometrica” basata sulla fotogrammetria in cui si estraggono misure di distanze e di angoli da punti di interesse sul volto (landmarks) • la “Superimposizione” in cui immagini digitali adeguatamente scalate (e ruotate se possibile) sono sovrapposte l’una all’altra [ALI2011] Tauseef Ali, Luuk Spreeuwers and Raymond Veldhuis, FORENSIC FACE RECOGNITION: A SURVEY Nova Science Publishers, Inc 2011 Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Analisi semi-manuale Computer Graphics, Computer Vision • Ricostruzioni di altezze, e dimensioni 3D • Superimposizioni 2D e 3D Partial Face Recognition technology www.faceforensics.com) • Esperimenti di fuzzy logic per la super-imposizione craniofacciale Altezza cm: 177,43 Ibáñez, O., Cordón, O., Damas, S., Santamaría, J. 2009. An experimental study on the applicability of evolutionary algorithms to craniofacial superimposition in forensic identification. Information Sciences Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Dall’analisi semi-manuale all’analisi automatica 1) La rilevazione automatica (detection) di persone e volti Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Dall’analisi semi-manuale all’analisi automatica 2) Il riconoscimento automatico (identification o recognition ) di persone o volti. Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Impiego in ambito forense • Tecniche di – Computer Vision, – Pattern Recognition – Multimedia Search • Applicate anche alla – Video Sorveglianza – Biometria – Content-based image retrieval (object search) Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Impiego in ambito forense: peculiarità • I sistemi di sorveglianza, biometrici, di search danno risultato certo con un errore statistico medio noto e misurabile per inferenze induttive • I sistemi forensi devono fornire un livello di credibilità, affidabilità e ripetibilità per inferenze deduttive Contributo dell’ingegneria informatica: • conoscere i limiti, gli errori, i miglioramenti attesi [Meu06] • conoscerne l’errore statistico e la verosomiglianza [Ali11] [ALI11] Tauseef Ali, Luuk Spreeuwers and Raymond Veldhuis, Veldius FORENSIC FACE RECOGNITION: A SURVEY Nova Science Publishers, Inc 2011 [Meu06] D.Meuwly, “Forensic individualization from biometric data”, science&justice, vol. 46, no. 4, pp. 205213, 2006. Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Likelihod ratio for face analysis* • 𝐻p l’ipotesi dell’accusa (prosecution) • 𝐻d l’ipotesi della difesa (defence) • E e’ l’evidenza ossia l’informazione forense estratta dal sistema automatico • I e’ l’informazione precedente a disposizione (background information). LR Rapporto di verosomiglianza: statistica bayesiana impiegata in ambito forense per riconoscimento vocale e DNA Rapporto delle probabilità di colpevolezza e innocenza condizionate dalle informazioni a priori Valutabile Giudizio a posteriori Rapporto di verosomiglianza o valore di evidenza note le varianze inter-classe le varianze intra-classe, gli errori FAR, FDR.. * Project funded by Nederlands forensics institute 2011-2012 Twente Univ. Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Analisi automatica, perche’ ? Impiego del calcolatore per «Potenza computazionale» – Capacità di eseguire calcoli complessi ( Computer Vision, ricostruzione 2D e 3D….) «Velocità computazionale» – Capacità di elaborare grandi quantità di dati visuali ( Big data analysis) «Inferenza computazionale» – Capacità di apprendere da esempi (machine learning) Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Quante immagini? 1 surveillance camera: c.a. 1 immagine 1MByte 640x480 colori non compressa, 10fps x 24h Censimento UK 2011 Circa 1.8 milioni telecamere collegate Luglio 2011 Youtube 6°birthday Upload di 45 ore di video/minuto BIG-DATA ANALYSIS 864.000 immagini al giorno c.a. 800GByte /giorno c.a. 500 Milioni TByte /anno c.a. 64.000 ore video/giorno c.a. 23 milioni di ore video/anno Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Quante immagini? Quante foto amatoriali? Quante foto su Facebook? 2000 85 miliardi di fotografie 2011375 miliardi di fotografie digitali 2011 : 90 miliardi di fotografie 6 miliardi upload/mese 70 miliardi /anno 30 miliardi tag/anno 70.000 immagini taggate/minuto Analisi manuale IMPOSSIBILE! Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Rilevazione e riconoscimento automatico Un-structured Still Images & Video People detection People tracking Face detection Face tracking People & faces Rilevazione: Computer vision Pattern matching Structured Gallery Feature detection Riconscimento: Pattern Recognition Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it 4 Problemi • Rilevazione di persone e volti per – Autenticazione (individualizzazione) – Identificazione del singolo – Riconoscimento sociale – Ri-identificazione Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Confronto 1:1: Autenticazione Still Images & Video People detection People tracking Face detection Face tracking Pattern recognition Match? Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it People & faces Feature detection Confronto 1:n Identificazione Still Images & Video People detection People tracking Face detection Face tracking Pattern recognition Match? Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it People & faces Feature detection Confronto n:n Riconoscimento sociale Still Images & Video People detection People tracking Face detection Face tracking Pattern recognition Match? Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it People & faces Feature detection Confronto n:n non strutturato (RI-identificazione) Still Images & Video People detection People tracking Face detection Face tracking Pattern recognition Match? Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it People & faces Feature detection Rilevazione di volti e persone Problema non risolto completamente Still Images & Video People detection People tracking Face detection Face tracking Persone hanno aspetti diversi, forme diverse, posture diverse…. Moto non prevedibile D. Coppi, S. Calderara, R. Cucchiara, "Appearance tracking by transduction in surveillance scenarios“ Proceedings of the 8th IEEE International Conference on Advanced Video and Signal-Based Surveillance, AVSS Klagenfurt 2011 Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it People & faces Rilevazione dei volti Problema più semplice risolvibile dopo adeguato apprendimento Si ringrazia Michele Nappi, Lezioni di e, Salerno 2011 Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Rilevazione automatica di volti Problema classico di Pattern Recognition Metodi di apprendimento automatico da esempi Viola & Jones 2001 Librerie OpenCV Forti miglioramenti in 10 anni! Haar features Cascade of >30 weak classifiers Viola, Jones: Robust Real-time Object Detection, IJCV 2001 (1853 CIT) Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Rilevazione automatica di volti di profilo • Rilevazione volti e loro direzione Ada Boost 2002 Neural network 1999 Henry Schneiderman and Takeo Kanade Object Detection Using the Statistics of Parts IJCV 2002 Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Rilevazione dei volti • Ottimi risultati: • vicino al 95% in tutti i benchmark (2006) • Dipendentemente dalla risoluzione Ripresa frontale Ripresa non frontale R.Cucchiara, A. Prati, R. Vezzani,"A System for Automatic Face Obscuration for Privacy Purposes" in Pattern Recognition Letters, vol. 27, n. 15, pp. 1809-1815, 2006 Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Rilevazione automatica di Persone • People detection dal movimento • Tecniche tipiche dei sistemi di videosorveglianza (background suppression)[CAL08] • People detection con apprendimento automatico • Tecniche tipiche dei sistemi di Pattern recognition da immagini [CAL08]S. Calderara, R. Cucchiara, A. Prati, "Bayesian-competitive Consistent Labeling for People Surveillance"in IEEE Transactions on Pattern Analysis and Machine Intelligence, vol. 30, n. 2, pp. 354-360, 2008 Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Rilevazione di Persone con apprendimento Dalal Tuzel Felzenszwalb Navneet Dalal and Bill Trigg Histograms of Oriented Gradients for Human Detection CVPR2005 OPENCV O. Tuzel, F. Porikli, and P. Meer, “Pedestrian detection via classification on riemannian manifolds,” IEEE Trans. on PAMI, Oct. 08 P. Felzenszwalb, D. McAllester, D. Ramanan “Object Detection with Discriminatively Trained part based Models” ,TPAMI-2009 Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it 29 Prestazioni :pedestrian detector 2009 • INRIA dataset • 1000 pedestrian 1 False positive /image 15% miss rate Piotr Doll´ar Christian Wojek Bernt Schiele Pietro Perona, Pedestrian Detection: A Benchmark CVPR2009 Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Ricerca Esuaustiva nello spazio e nella scala Ricerca esaustiva su decine di migliaia di windows per immagini Problemi: Falsi positivi, Imprecisione Bassa velocità di ricerca [TUZEL09]Covariance matrix on Reimannian Manifold <0.5fps 31 Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Ricerca Statistica nello spazio e nella scala Giovanni Gualdi, Andrea Prati, Rita Cucchiara, Multi-Stage Particle Windows for Fast and Accurate Object Detection IEEE TPAMI, 2012 Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Esperimenti in immagini complesse • Rilevazione di persone in ambienti non strutturati Progetto PRRIITT 2010 con BRIDGE129 srl Finanziamento Regione Emilia Romagna Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it • Risultato finale Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Rilevamento multi-stage di volti Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Rilevamento multi-stage di volti e persone • Aumento di prestazioni in velocità e precisione Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Ricerca Esaustiva Il volto non viene rilevato o solo parzialmente False detection Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it 37 Ricerca multi-stage precisa False detection Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it 38 Rilevamento di affollamenti Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it 39 Rilevamento di affollamenti 1st IEEE Workshop on Modeling, Simulation and Visual Analysis of Large Crowds in conjunction with 13th International Conference on Computer Vision (ICCV) 6-13 November, 2011, Barcelona, Spain Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it 40 Rilevamento di affollamenti con apprendimento • Esempi positivi e negativi[Ma2010] con matrici di cooccorrenza nella tessitura W.Ma, L. Huang,C.Liu Crowd denisty analysis using co-occurrence texture feature Proc of 5°ICCITT 2010 Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it 41 Classificazione di affollamenti Spazio delle feature Patch di training Casi semplici: 85% recall Nuova patch Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it 42 Rilevazione di affollamenti Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it 43 Rilevazione di affollamenti e volti Automatic behavior analysis through video processing for transportation hubs, focused on crowded scenarios and abnormal event detection (EU project 2009 -2011) Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it 44 Rilevazione di affollamenti e volti Automatic behavior analysis through video processing for transportation hubs, focused on crowded scenarios and abnormal event detection (EU project 2009 -2011) Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it 45 Rilevazione di affollamenti e volti Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it 46 Rilevazione di persone Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Anche in sistemi commerciali… Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Esperimenti ad ImageLab Collaborazione ImageLab Modena, IBM Italia, LEPIDA spa Progetto VISERAS 2011 Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Riconscimento di volti e persone People & faces • Problema di identificazione di similarità • tra i volti (Identificazione 1-n o riconoscimento n-n) • o tra l’aspetto delle persone (re-identification) Pattern recognition Gallery Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Feature detection Riconoscimento facciale: progressi scientifici Immagine 20x20 Spazio delle feature 2400 ≈ (1.000.000.000.000)10 Volti nel 2011 (7.000.000.000) Prototipi di ricerca Sistemi commerciali T.F. Cootes, G.J. Edwards, and C.J. Taylor, “Active appearance models,” IEEE Trans. Pattern Analysis and Machine Intelligence, vol. 23, no. 6, pp. 681–685, Jun. 2001 Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Riconscimento facciale 2D e 3D • Riconoscimento indipendente dalla illuminazione • Ricostruzione 3D da immagini 2D Face Synthesis and Recognition under Arbitrary Unknown Lighting using a Spherical Harmonic Basis Morphable Model, Lei Zhang, Sen Wang, Dimitris Samaras, In IEEE Proc. of CVPR, pp. II: 209-216, 2005. Face Reconstruction across Different Poses and Arbitrary Illumination Conditions, Sen Wang, Lei Zhang, Dimitris Samaras, In Audio- and Video-based Biometric Person Authentication, pp. 91-101, 2005 Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Vendor Test: FERET • Face Recognition Vendor Test (FRVT, http://face.nist.gov/) : una competizione proposta ogni due o tre anni dal National Institute of Standards and Technologies (NIST). • Nel 2002 per immagini 2D con differenti illuminazioni Low resolution image dataset JPEG compressed 10K bytes 75 pixels between eyes Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Miglioramento delle prestazioni Confronto delle prestazioni di False Rejection Rate a parità di False Acceptance Rate di 1 su 1000 80% 98% Neven Vision Coordinate degli occhi indicate manualmente Immagini riprese a giorni diversi con dimensioni fisse tra gli occhi (68pix) Immagini a bassa risoluzione e dimensioni fisse tra gli occhi (75pixels) Immagini ad alta risoluzione (6Mpix Nikon) image dataset Dimensioni tra occhi 400pixels Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Database frontale Con illuminazione controllata Vendor TEST 2006 • FRVT • Confronto uomomacchina • 80 coppie di volti di moderata difficoltà presentati agli utenti per 2 secondi A 0.05 FAR le prestazioni umane peggiori di 5 algoritmi!! Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Tsinghua Univ. Miglioramento delle prestazioni riconoscimento 2D 2010 Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Riconoscimento 2D verso gallerie 3D • FRGC (Face Recognition grand challange) tests per immagini e 3D scans • 4007 3D face scans di 466 individui • 3D volti a risoluzione 480x640 •Poche variazioni di posa • Miglior risultato 2006 Viisage Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Riconscimento di Volti: difficoltà • 1) occlusioni, • 2) camuffamenti • 3) variabilità intra-classe (pose, espressioni..) • 4) similarità inter-classe • 5) modifiche per l’invecchiamento (Aging) Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Riconoscimento del volto ed invecchiamento • Modelli GENERATIVI (che simulano l’invecchiamento) • Modelli NON GENERATIVI (che cercano feature invarianti) Quentin Tarantino 4 50,50,70,80 anni N.Ramanathan, R.Chellappa, “Face verification across age progression,” in Proc. IEEE Conf. Computer Vision and Pattern Recognition, San Diego, CA, 2005, pp. 462–469. Bilgin Esme & Bulent Sankur Effects of Aging over Facial Feature Analysis and Face Recognition 2010 Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it 59 Modelli Non generativi • Energy Coeherency Alcune feature (solo con ottime riprese frontali e con la stessa espressione) sono invarianti • Test su 1000 passaporti H.Ling, S.Soatto, N.Ramanathanan, D.Jacobs, “A study of face recognition as people age,” in IEEE International Conf. on Computer Vision, Rio De Janeiro, Brazil, October 2007 Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it 60 Modelli Generativi • Modelli geometrici di crescita, • a cui aggiungere modelli di cambi di tessitura e di muscolatura S. Biswas, G. Aggarwal, N. Ramanathan, and R. Chellappa, “A nongenerative approach for face recognition across aging,” Biometrics: Theory, Applications and Systems, 2nd IEEE Intl. Conf. on, pp. 1–6, 29 2008-Oct. 1 2008 Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it 61 Ri-identificazione di persone • • • • • Problema molto complesso Punti di vista diversi Posture ed andature diverse Basse risoluzioni Supporto analisi forense Grandi variabilità Ho gia’ visto questo individuo? Dove e’ andato? E’ comparso piu’ volte? Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Ri-identificazione Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Re-identificazione : risultati molto recenti Modelli 2D Davide Baltieri, Roberto Vezzani, Rita Cucchiara, 3DPeS: 3D People Dataset for Surveillance and Forensics Workshop MA3CHO, ACM Multimedia 2011 Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Possibili Collaborazioni Centri di Ricerca Internazionali • University of Amsterdam NL (forensics Inst. of Rotterdam) – multimedia search, scene reconstruction • University of South Florida USA – Crowd and people detection • University of Maryland,USA – Face recognition and action analysis • University of Sidney AU – People behavior, biometry Attività di standardizzazione: – – – – FBI‟s Forensic Audio, Video and Image Analysis Unit (FAVIAU) Facial Identification Scientific Working Group (FISWG) European network of forensic science institutes (ENFSI) Netherland Forensics Institute (NFI) Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Impieghi nell’ambito della sicurezza (web 2011) National instute of justitice USA 2010 Binocules for Los Angeles Sheriff’s Department A small camera fitted to the glasses can capture 400 facial images per second and send them to a central computer database storing up to 13 million faces. The system can compare biometric data at 46,000 points on a face and will immediately signal any matches to known criminals or people wanted by police http://www.youtube.com/watch?v=8WHdETteDak MORIS, Mobile Offender Recognition and Information System Bid technologies Uffici della polizia di Brockton nel Massachussets Applicazione iphone FBI Next Generation Identification, Jan 2012 Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Osservazioni • Il rilevamento di persone ha molti falsi positivi e imprecisioni, miglioramenti in precisione e velocità manca analisi di altre posture • Il rilevamento di volti e’ molto robusto anche di profilo e con occlusioni a buone risoluzioni • Il riconoscimento di volti ha errori di FAR e FDR MOLTO BASSI in riprese ottimali; forte attività di miglioramento per variabilità, I volti non hanno la caratteristica di unicità • Il riconscimento di persone e’ ancora all’infanzia.. • pero’ si puo’ conoscerne l’errore statistico e calcolarne la verosomiglianza • valido aiuto durante le indagini Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Multimedia in forensics: conclusioni • Tecnologie informatiche e dati multimediali al servizio dell’analisi forense – Nuove opportunità di analisi massiva di dati – Nuove opportunità di misurazioni statistiche certe – Nuove opportunità di standardizzazione di procedure di indagini – Nuove opportunità di collaborazioni Master Universitario di II livello in Sicurezza Informatica e Disciplina Giuridica Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it Grazie .. • Grazie ad ImageLab http://Imagelab.ing.unimore.it Andrea Prati, Roberto Vezzani, Costantino Grana, Simone Calderara, Giovanni Gualdi, Paolo Piccinini,, Daniele Borghesani, Paolo Santinelli , Amid Rashid, Davide Baltieri,, Michele Fornaciari, Dalia Coppi, Marco Manfredi, Rudy Melli, Emanuele Perini, Giuliano Pistoni.. Visione, Pattern Recognition e Multimedia Imagelab – University of Modena and Reggio Emilia – http://imagelab.ing.unimore.it
