biométrie «visage » avantages sans contact voire distante, naturelle, bien acceptée nimplique...
TRANSCRIPT
Biométrie «visage »avantages
• Sans contact voire distante, naturelle, bien acceptée
• N’implique pas de coopération de l’usager• Peut exploiter des bases de données
existantes et un enrôlement distant• Très liée à d’autres applications (indexation,
IHM, cadrage automatique, localisation)• Capteurs très peu chers
Inconvénients
• Sensible à l’environnement d’acquisition (segmentation du fond, illumination)
• Sensible aux expressions faciales et aux altérations de l’aspect (âge, pilosité)
• Potentiellement intrusif du point de vue éthique (vie privée) du fait de la non coopération
Galerie de 320 visages
Acquisition
• Capteurs: caméra (fixe/ PTZ)
• Caméras multiples
• Spectre: Visible / IR
• Neutralisation du fond (mise au point)
• Capteurs 3D (stéréo active / passive, « range finder »)
• Image fixe vs vidéo
Multiples
Synthèse d’une vue faciale
Stéréo (1)
Exemple de lignes épipolaires et de pixels homologues
Triangulation
Centre optique
Point dans l’espace
Plan image
P2P1
Point de l’image6/21
Localisation: un problème très difficile
Choix du cadrage, de la forme, problème des visages multiples
Outils pour la localisationAntonio1
006.bmp
50 100 150
20
40
60
80
100
120
apres lissage + seuillage
50 100 150
20
40
60
80
100
120
Teinte chair obtenue par Un modèle statistique (GMM)
85 90 95 100 105 110 115 120 125 130120
130
140
150
160
170
180
190
Diagramme des pixels de peau dans l’espace YCbCr
RGB YCbCr
Y=(R+G+B)/3
Cb = bleu Cr= rouge
suite
Détection de l’ovale du visage par Transformation de Hough
Transformée de Hough Ellipse
Vote d’un pixel de contour (pour un rayon optimal)
Résultat de des votes accumulés
suite
Cadrage
Fusion
Matching de visages
• Normalisations radiométriques (illumination)• Vecteur de mesures (après corrections
géométriques))• Portrait robot• Modèles déformables (morphing)• « Eigenface » (Analyse en Composantes
Principales)• Réseaux de neurones
Problèmes d’illumination
Solution SFS: « shape from shading »
Mesures
1.0000 0.3448 0.4705 0.3184 0.0931 0.2538 0.6033
1=3-5
2=1-3
3=1-2
4=1-4
5=4-6
6=6-7
7=3-7
suite
1.0000 0.3284 0.4735 0.3112 0.0895 0.2589 0.6016
1.0000 0.3448 0.4705 0.3184 0.0931 0.2538 0.6033
suite
1.0000 0.4705 0.4311 0.2594 0.1417 0.2880 0.5410
1.0000 0.4957 0.4282 0.3113 0.1322 0.3006 0.5716
suite
1.0000 0.3425 0.4587 0.3104 0.1121 0.2187 0.5980
1.0000 0.3801 0.4850 0.3803 0.1151 0.2584 0.6314
78.9081 27.0276 36.1940 24.4949 8.8473 17.2576 47.188672.5194 27.5622 35.1704 27.5772 8.3445 18.7361 45.7867
couleur
112.5482 158.9421 1.6436 2.3160
112.8235 154.0980 1.5746 6.0394
111.5658 163.2018 1.6122 3.4773
109.8647 165.9903 1.4718 4.7837
MoyCb,MoyCr,StdCb,StdCr
suite
113.8812 143.1937 2.2329 4.0492
120.9939 138.0364 1.5594 2.2675
101.0819 159.5731 1.7571 4.9987
Portrait robot
Match avec base d’yeux
Match avec base de bouches
Modèle mpeg4
Appearance Shape Model
S = Vecteur des coordonnées des sommets
On ne conserve que la forme et pas la texture
Exemples de vecteurs de déformation pour la forme
Alignement (ASM)
Alignement des points de références
Modèle 3d
Candide 3d Autre modèle 3d
Modèles moyens
Modèles moyen (F/H)
Transfert de texture
Remise à l’identique (forme) de visages
Eigenfaces
• Un visage 16x16 = un point de R16
• Un ensemble de visages = nuage E de points
• Calcul du centre de E et de ses « axes principaux »
mE
a
a =m + u1V1+…..+ unVn
Visage moyen
Approche 3D et vidéo
• Utiliser la forme 3D du visage (plus d’infos, pas de problèmes d’orientations, permet de tenir compte des illuminations)
• Capteur= Stéréo passive ou active / Vidéo
• Problème de l’appariement des pixels
• Enrôlement plus complexe
Capteur 3D
Exemples de données 3d
Conclusion
• Une technologie encore peu robuste (en reconnaissance) en conditions quelconques (« images volées »)
• Applicable avec des contraintes (expression, illumination, fond, pose) pour l’authentification
• Impose un enrôlement périodique• Applications embarquées (voiture, téléphone,
portable, …)