Detekcija lica gaborovim filtrom
This presentation is the property of its rightful owner.
Sponsored Links
1 / 16

Detekcija lica Gaborovim filtrom PowerPoint PPT Presentation


  • 67 Views
  • Uploaded on
  • Presentation posted in: General

Detekcija lica Gaborovim filtrom. Sveučilište u Zagrebu - FER Napredne metode digitalne obradbe signala Tomislav Androš Ivica Dvoršćak Saša Kovačec 25.siječnja, 2008. Motivacija. Gaborov filtar je najbolja aproksimacija prostornog receptivnog polja stanice u vizualnom dijelu moždane kore

Download Presentation

Detekcija lica Gaborovim filtrom

An Image/Link below is provided (as is) to download presentation

Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author.While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server.


- - - - - - - - - - - - - - - - - - - - - - - - - - E N D - - - - - - - - - - - - - - - - - - - - - - - - - -

Presentation Transcript


Detekcija lica gaborovim filtrom

Detekcija lica Gaborovim filtrom

Sveučilište u Zagrebu - FER

Napredne metode digitalne obradbe signala

Tomislav Androš

Ivica Dvoršćak

Saša Kovačec

25.siječnja, 2008


Motivacija

Motivacija

  • Gaborov filtar je najbolja aproksimacija prostornog receptivnog polja stanice u vizualnom dijelu moždane kore

  • dobro oponaša vizualni sustav nekih sisavaca

  • jednostavan je za implementaciju

  • koristi se za mnogobrojne probleme kao što su segmentacija tekstura, analiza dokumenata, detekcija rubova, kodiranje slike...


Gaborov filtar

Gaborov filtar

  • kompleksna sinusoida karakteristične frekvencije i orijentacije modulirana Gaussovom ovojnicom

  • H(x,y) = s(x,y)*g(x,y)

    s(x,y) =

    g(x,y) =


Gaborov filtar1

Gaborov filtar

  • frekvencijski odziv filtra:

  • filtar možemo zamisliti kao Gaussovu funkciju posmaknutu u frekvenciji na poziciju od ishodišta i na orijentaciji

  • filtar sa orijentacijom Θ ima snažan odziv na regiji koja ima varijaciju na istoj orijentaciji


Gaborov filtar2

Gaborov filtar

  • Prolaskom slike kroz Gaborov filtar definiran s

    dobivamo sve komponente slike koje imaju energiju koncentriranu na


Baza ulaznih uzoraka

Baza ulaznih uzoraka

  • koriste se lica i ne-lica, a zbog većeg broja uzoraka novi uzorci se dobivaju zrcaljenjem i posmicanjem originalne slike

  • slike su veličine 27*18, a iz njih se dobiva vektor dimenzije 2160 koji je dobiven konvolucijom Gaborovog filtra i slike

  • dimenzija značajki dobivenih konvolucijom je 3x veća od navedene, ali je smanjena zbog povećanja brzine učenja


U enje

Učenje

  • učenje se izvodi neuronskom mrežom

  • neuronska mreža je dvoslojna – ima 2160 ulaza, 100 skrivenih neurona te jedan izlazni neuron; sve transfer funkcije neurona su tansig

  • mreža se uči backpropagation algoritmom koji koristi konjugirano gradijentni algoritam učenja - brži od metode najbržeg spusta

  • parametri zaustavljanja su 400 iteracija ili MSE manja od


Testiranje 1 faza

Testiranje – 1. faza

  • testiranje se izvodi na slikama proizvoljne veličine

  • na početku testiranja se ulazna slika konvoluira sa predlošcima koji su lica

  • na slici dobivamo korelacijske regije koje su nam potencijalna lica

  • one nam pomažu da smanjimo broj potencijalnih uzoraka i ubrzamo izračun


Testiranje 2 faza

Testiranje – 2. faza

  • stvaraju se vektori uzoraka iz korelacijskih regija i stavljaju se na mrežu

  • definiran je prag za odziv koji mreža mora dostići da bi regija bila klasificirana kao lice

  • stvara se mali krug oko centralnog piksela za čiji smo pravokutnik utvrdili da je lice

  • krug nam služi za treću fazu koja morfološki određuje regiju lica


Testiranje 3 faza

Testiranje – 3. faza

  • gleda se matrica odziva mreže te se filtrira s pragom da se dobije binarna slika

  • radi se dilatacija slike koristeći strukturni element krug – lice je kružnog oblika

  • nakon toga se radi connected-component labeling – identificiraju se pojedini objekti

  • traže se centroidi pojedinih objekata

  • oko centroida se izrađuje zeleni pravokutnik(lice) koji se “zalijepi” na sliku


Problemi

Problemi

  • algoritam realiziran u Matlabu je spor

  • povećanjem brzine opada detection rate

  • empirijski se određuje prag koji minimizira false detection rate

  • za veću brzinu treba smanjiti vrijednost praga

  • korištena je mala baza lica, za veću bazu je bolji detection rate


Problemi1

Problemi

  • problem je sekvencijalna obrada regija testirane slike

  • kritičan je odabir načina na koji se dolazi do regija koja su potencijalna lica


Rezultati

Rezultati


Rezultati1

Rezultati


Rezultati2

Rezultati


Detekcija lica gaborovim filtrom

HVALA NA PAŽNJI!!


  • Login