Personenerkennung. Harald Hauptseminarpräsentation. Harald Kirschenmann. Department Informatik. Department Informatik.

Transkript

1 Harald Hauptseminarpräsentation Kirschenmann Personenerkennung 1

2 Inhaltsübersicht Motivation Grundlagen Benchmark Eigene Gesichtserkennung 2

3 Motivation Baustein einer Microservice Architektur Personenerkennung als Service Personalisierung von Anwendungen und Kommunikation Peter the smart plant Smart Object 3 [1]

4 Motivation Personalisierte Kommunikation Exemplarisches Szenario 4

5 Motivation Personalisierte Kommunikation Interdisziplinäre Anwendungen Personenerkennung und Human Computer Interaction Interaktion mit bekannten Individuen Kommunikation unterscheidet sich von Individuum zu Individuum Aufhebung von Mehrdeutigkeiten bei Gesten 5

6 Grundlagen Gesichtserkennung Biometrische Merkmale des Gesichtes ermöglichen Unterscheidung der Individuen Erkennung von Personen und Zuordnung von Identitäten Bildmaterial von Kamerasensoren Verbreitete Anwendungsfelder: Zutrittskontrolle, Sicherheit Überwachung Kontrovers diskutiertes Themengebiet 6

7 Grundlagen Gesichtserkennung - Ziel Personen zuverlässig erkennen Bild mit mehreren Personen verarbeiten Falsche Treffer vermeiden Robust gegenüber Auflösung, Belichtung, Perspektive und Bildinformationen 7

8 Grundlagen Gesichtserkennung - Klassisch [2] 8

9 Grundlagen Gesichtserkennung Steigendes Interesse an Thematik in der Wissenschaft In letzter Zeit: Machine Learning Aktuelle Arbeiten Unterstützung von blinden Individuen Störungen in Gesichtern reduzieren Brillen identifizieren Authentifizierung durch Kombination biometrischer Verfahren Gesichtserkennung und Emotionserkennung 9

10 Grundlagen Deep Learning Netze aus Künstlichen Neuronen mit Hidden Layer Verbindungen zwischen Neuronen sind gewichtet [3] Input-Layer Hidden-Layer Output-Layer 10

11 Grundlagen Deep Learning - Lernen Trainingsphase Anpassen der Gewichtungen zwischen den Neuronen Überwachtes Lernen, korrekter Output vorgegeben Verstärkendes Lernen, Output richtig/falsch Unüberwachtes Lernen, Output nicht vorgegeben Testphase Durch Nutzung der Trainingsdaten wird überprüft, ob diese verarbeitet wurden Mit neuen Daten wird die Generalisierung des Netzes überprüft 11

12 Benchmark Vergleichbarkeit zwischen Verfahren schaffen Vergleich mit neuesten Entwicklungen Messungen auf einheitlichem Datensatz Unterschiedliche Eigenschaften der Daten untersuchen Messwerte Zeit, Erkennungsrate, False positive / false negative 12

13 Benchmark - Daten Bilddaten mit Gesichtern/Personen Zu beachten: Auflösung, Belichtung, Perspektive, Bildinformationen, Alter, Emotionen, Geschlecht, Hautfarbe Trainingsdaten und Testdaten Verwendung von vorhanden Datensätzen ermöglicht Vergleichbarkeit mit anderen Benchmarks 13

14 Benchmark - Daten Vorhandene Datensätze unterscheiden sich stark Anzahl an Personen und Bilder pro Person Auflösung, Bildinformationen (Farbraum), Zuschnitte Einige Datensätze für spezielle Problemfelder Gesichtsausdrücke / Emotionen Perspektive Verdeckung (Brille, Bart) Belichtung Reale Umgebung Viele Datensätze in bestimmten Regionen erstellt 14

15 Benchmark Daten - Beispiele MS-Celeb-1M [4] AT&T Database of Faces [5] 15

16 Benchmark - Untersuchungen Verhalten der Verfahren auf verschiedene Bedingungen Gegenüberstellung und Vergleich Vorverarbeitung sinnvoll? Gesichts-Zuschnitte Farbraum 16

17 Eigene Gesichtserkennung - Ansatz Machine Learning Auf Face Detection aufsetzen und Netz erweitern Vorher Gesicht erkennen lassen? Oder Face Detection nutzen und weiter verarbeiten Mit Ursprungsbildern lernen Gesicht finden + zuordnen, automatisch lernen lassen 17

18 Eigene Gesichtserkennung - Ansatz Vorverarbeitung untersuchen Hintergrund entfernen Farbraum einschränken Frontale Ansicht rekonstruieren Ansatz: Generative Adversarial Networks (GAN) 18

19 Quellenverzeichnis [1] - Aufgerufen am [2] ZHAO, W.; CHELLAPPA, R.; PHILLIPS, P. J. & ROSENFELD, A.: Face Recognition: A Literature Survey. In: ACM Comput. Surv. 35 (2003), Nr. 4, S [3] euronmodel_deutsch.png Aufgerufen am [4] GUO, Y.; ZHANG, L.; HU, Y.; HE, X. & GAO, J.: A Dataset and Benchmark for Large Scale Face Recognition. In: European Conference on Computer Vision (2016) [5] AT&T Laboratories Cambridge - ml - Aufgerufen am