Wykrywanie twarzy ludzkich na kolorowych obrazach ze złożonym tłem

Podobne dokumenty
Adam Korzeniewski p Katedra Systemów Multimedialnych

Antyaliasing w 1 milisekundę. Krzysztof Kluczek

Wyższa Szkoła Informatyki Stosowanej i Zarządzania

Teoria światła i barwy

Arkadiusz Łapiński ETI V gr.9.4. Sieć neuronowa w inteligentnym pojeździe, Tribolite

Rozpoznawanie obrazów na przykładzie rozpoznawania twarzy

Ćwiczenia z grafiki komputerowej 5 FILTRY. Miłosz Michalski. Institute of Physics Nicolaus Copernicus University. Październik 2015

Parametryzacja obrazu na potrzeby algorytmów decyzyjnych

Przetwarzanie obrazów Grafika komputerowa. dr inż. Marcin Wilczewski 2016/2017

Marcin Wilczewski Politechnika Gdańska, 2013/14

Kurs grafiki komputerowej Lekcja 2. Barwa i kolor

Detekcja twarzy w obrazie

Do opisu kolorów używanych w grafice cyfrowej śluzą modele barw.

MODELE KOLORÓW. Przygotował: Robert Bednarz

i ruchów użytkownika komputera za i pozycjonujący oczy cyberagenta internetowego na oczach i akcjach użytkownika Promotor: dr Adrian Horzyk

Akademia Górniczo - Hutnicza im. Stanisława Staszica w Krakowie. Projekt. z przedmiotu Analiza i Przetwarzanie Obrazów

Miejsce na naklejkę z kodem. (Wpisuje zdający przed rozpoczęciem pracy) 21 grudzień Instrukcja dla zdającego PESEL ZDAJĄCEGO

Wykrywanie twarzy na zdjęciach przy pomocy kaskad

Photoshop. Podstawy budowy obrazu komputerowego

Grenlandia się topi badanie rozkładu kątów pomiędzy strumykami na lądolodzie na podstawie analizy obrazu

Jaki kolor widzisz? Doświadczenie pokazuje zjawisko męczenia się receptorów w oku oraz istnienie barw dopełniających. Zastosowanie/Słowa kluczowe

Podstawowa Księga Znaku wersja 2.01

Widzenie komputerowe (computer vision)

Rozpoznawanie Twarzy i Systemy Biometryczne

Podstawowa Księga Znaku wersja 1.1

Oprogramowanie Systemów Obrazowania SIECI NEURONOWE

46 Olimpiada Biologiczna

Pojęcie Barwy. Grafika Komputerowa modele kolorów. Terminologia BARWY W GRAFICE KOMPUTEROWEJ. Marek Pudełko

GRAFIKA. Rodzaje grafiki i odpowiadające im edytory

Analiza i Przetwarzanie Obrazów. Szyfrowanie Obrazów. Autor : Mateusz Nawrot

Sortowanie Shella Shell Sort

Instytut Informatyki Uniwersytet Wrocławski. Dane w sieciach. (i inne historie) Marcin Bieńkowski

Detekcja punktów zainteresowania

AUTOMATYCZNE ROZPOZNAWANIE PUNKTÓW KONTROLNYCH GŁOWY SŁUŻĄCYCH DO 3D MODELOWANIA JEJ ANATOMII I DYNAMIKI

Równoważenie obciążenia w sieci robotów internetowych. Adam Grycner, nr indeksu Łukasz Kornek, nr indeksu czerwca 2011

Klasyczne zagadnienie przydziału

księga identyfikacji wizualnej

1.2 Logo Sonel podstawowe załoŝenia

Ćwiczenia z grafiki komputerowej 4 PRACA NA WARSTWACH. Miłosz Michalski. Institute of Physics Nicolaus Copernicus University.

Strefa pokrycia radiowego wokół stacji bazowych. Zasięg stacji bazowych Zazębianie się komórek

Raytracer. Seminaria. Hotline. początkujący zaawansowani na miejscu

Systemy Informatyki Przemysłowej

Sortowanie przez wstawianie Insertion Sort

WYKŁAD 11. Kolor. fiolet, indygo, niebieski, zielony, żółty, pomarańczowy, czerwony

rozpoznawania odcisków palców

Zastosowanie kompresji w kryptografii Piotr Piotrowski

1. Pobierz i zainstaluj program w 3 krokach : 2. Wybierz produkt -> FotoAlbum (Photo Books)

MODELOWANIE RZECZYWISTOŚCI

Polska Prezydencja w Radzie Unii Europejskiej Księga identyfikacji wizualnej - 1

Przewodnik po soczewkach

ANALIZA SEMANTYCZNA OBRAZU I DŹWIĘKU

WPROWADZENIE DO SZTUCZNEJ INTELIGENCJI

NEURAL NETWORK ) FANN jest biblioteką implementującą SSN, którą moŝna wykorzystać. w C, C++, PHP, Pythonie, Delphi a nawet w środowisku. Mathematica.

Urządzenia techniki komputerowej Identyfikacja i charakteryzowanie urządzeń zewnętrznych komputera. Budowa i zasada działania skanera

Automatyka i Robotyka, V rok. promotor: dr Adrian Horzyk. Kraków, 3 czerwca System automatycznego rozpoznawania

a) 7 b) 19 c) 21 d) 34

8. Neuron z ciągłą funkcją aktywacji.

Elementy kognitywistyki II: Sztuczna inteligencja. WYKŁAD III: Problemy agenta

Wrocławski Dom Literatury Księga znaku Wrocław Warszawa

Instrukcja obsługi aplikacji PQ-CONTROL

Sieci neuronowe w Statistica

Podstawowe moduły układów cyfrowych układy sekwencyjne cz.2 Projektowanie automatów. Rafał Walkowiak Wersja /2015

KRYPTOGRAFIA I OCHRONA DANYCH PROJEKT

Algorytmy sztucznej inteligencji

Samochodowy system detekcji i rozpoznawania znaków drogowych. Sensory w budowie maszyn i pojazdów Maciej Śmigielski

Python: JPEG. Zadanie. 1. Wczytanie obrazka

SZWAJCARIA KASZUBSKA. Podstawowa Księga Znaku. Arp Studio s.c arpstudio.pl

Spis treści. Adobe Photoshop lab. 2 Jacek Wiślicki,

Korzystanie z efektów soczewek

SPOTKANIE 2: Wprowadzenie cz. I

WYKORZYSTANIE SIECI NEURONOWEJ DO BADANIA WPŁYWU WYDOBYCIA NA SEJSMICZNOŚĆ W KOPALNIACH WĘGLA KAMIENNEGO. Stanisław Kowalik (Poland, Gliwice)

UWAGA. Wszystkie wyniki zapisywać na dysku Dane E: Program i przebieg ćwiczenia:

Uczenie sieci neuronowych i bayesowskich

PL B1. DRUKARNIA CZĘSTOCHOWSKIE ZAKŁADY GRAFICZNE SPÓŁKA Z OGRANICZONĄ ODPOWIEDZIALNOŚCIĄ, Częstochowa, PL

Komunikacja Człowiek-Komputer

Kolory - plan treningowy. Maluj, połącz i ucz się poprzez zabawę.

Zostanie przeprowadzona sekwencja uruchamiania drukarki, a następnie pojawi się opcja Menu konfiguracji.

Szczegółowy opis przedmiotu zamówienia

Algorytm do rozpoznawania człowieka na podstawie dynamiki użycia klawiatury. Paweł Kobojek, prof. dr hab. inż. Khalid Saeed

#UczymyDzieciProgramować #ZadanieWprogramie

zna wybrane modele kolorów i metody transformacji między nimi zna podstawowe techniki filtracji liniowej, nieliniowej dla obrazów cyfrowych

#UczymyDzieciProgramować #ZadanieWprogramie

Cyfrowe Przetwarzanie Obrazów. Karol Czapnik

GRAFIKA RASTROWA. WYKŁAD 1 Wprowadzenie do grafiki rastrowej. Jacek Wiślicki Katedra Informatyki Stosowanej

Optymalizacja optymalizacji

Platformy bezzałogowe jako element sieciocentrycznego systemu dowodzenia

Zbigniew Sołtys - Komputerowa Analiza Obrazu Mikroskopowego 2016 część 7

Wykład 8. Testowanie w JEE 5.0 (1) Autor: Zofia Kruczkiewicz. Zofia Kruczkiewicz

budowa i zasady użycia logo Fundacji Orange

OFERTA STOŁY Z BLATAMI TOPALIT

Kolekcja prac KOMPUTEROWE PRZETWARZANIE WIEDZY

KSIĘGA IDENTYFIKACJI WIZUALNEJ INIG-PIB EDYCJA IV XI 2013

Cel - Shading. Krzysztof Balonek, Sławomir Gozdur. 6 lipca WFiIS, Informatyka Stosowana, IV rok

OBLICZENIA ZA POMOCĄ PROTEIN

Grafika na stronie www

Identyfikacja wizualna. Sierpień 2017 r.

Sztuczne sieci neuronowe Ćwiczenia. Piotr Fulmański, Marta Grzanek

Dr inż. Krzysztof Petelczyc Optyka Widzenia

PODSTAWY TEORII BARW

AUDYT DOSTĘPNOŚCI STRONY INTERNETOWEJ

Transkrypt:

Wykrywanie ludzkich na kolorowych obrazach ze złożonym tłem Lech Baczyński www.baczynski.com Na podstawie artykułu panów: Yanjiang Wang, Baozong Yuan i in.

Do czego przydatne jest wykrywanie (detekcja)? rozpoznawanie i identyfikacja "inteligentna" interakcja z komputerami przetwarzanie sekwencji wideo rozpoznawanie przechodniów, wykrywanie terrorystów na lotniskach itp. 2

Uwagi początkowe Autorzy prowadzili badania i testy głównie na zdjęciach z twarzami azjatów Wpływ światła na wyniki 3

Model kodowania koloru w celach detekcji RGB HSV Każdy z nich można przy pomocy obliczeń przekształcić na drugi 4

RGB 0..255 dla każdego koloru ponad 16 mln. kolorów zapis np. #FFFF00 - żółty #FFFFFF - biały #000000 - czarny #808080 - szary 5

Normalizacja RGB jasność I = R + G +B Normalizacja: r = R/I g = G/I b = B/I zatem r + g + b = 1 Dzięki temu kolor można wyrazić przy pomocy dwóch wartości - r i g 6

HSV 3 liczby: H - Hue - barwa S - Saturation - jasność V - Value - wartość 7

Eksperymentalne wyznaczenie wartości dla koloru skóry - rgb 0.36 < r < 0.465 0.28 < g < 0.363 8

Eksperymentalne wyznaczenie wartości dla koloru skóry - HSV 0 < H < 50 0.20 < S < 0.68 0.35 < V < 1.0 9

podobny w artykule pp. Karin Sobotka, Ioannis Pitas w pismie Signal Processing: Image Communication 10

Podejście agentowe Agent - Inteligentna jednostka, która może działać autonomicznie lub we współpracy z innymi. 11

Przykład działania 12

Zachowanie agenta: 13

Algorytm: a) równomiernie rozłożyć agentów na obrazku b) dla każdego policzyć wartości koloru (HSV) i porównać z wartościami równań określających kolor skóry c) jeżeli punkt ma odpowiedni kolor, i nie został odwiedzony przez agenta, agent "rodzi" czterech synów w czterech kierunkach. Punkt zostaje zaznaczony. 14

Algorytm c.d. d) jeżeli punkt był odwiedzony lub nie jest koloru skóry, agent przesuwa się losowo do jednego z sąsiednich punktów, a jego wiek zwiększany jest o 1. e) Jeżeli agent jest zbyt stary, zostaje usunięty. f) Jeżeli zbiór agentów jest pusty END, jeżeli nie GOTO b) 15

Przykład działania 16

Łączenie obszarów po wykryciu regionów następuje łączenie efektywny agent - wykrył region o kolorze skóry ARM - agent relationship matrix że jeżeli przynajmniej n (w artykule n=5) punktów zostało odwiedzone przez agentów z dwóch rodzin, te rodziny łączy się a ARM. Następnie obszary o kształtach nie przypominających są usuwane. 17

Punkty charakterystyczne 18

Wykrywanie oczu przy użyciu sieci neuronowych zastosowane rozwiązanie: 3-warstwowa sieć neuronowa z back propagation 128 (16 x 8) jednostek wejściowych jedna wyjściowa trening sieci neuronowej a BP na 160 obrazkach (100 i 60 nie-) Oczekiwany wynik - 1 dla oka, 0 dla nie-oka. 19

Wykrywanie oczu przy użyciu sieci neuronowych c.d. pierwszy krok - znajdowanie "punktów" charakterystycznych drugi - podawanie punktów wraz z okolicami (16 x 8) na wejście sieci neuronowej. Wyjście z sieci neuronowej: 0-1, jeżeli mniejsze niż 0.5 to nie oko, jeżeli większe to oko. 20

Wyniki testów 21

Wyniki testów c.d. 22

Mylnie rozpoznana twarz 23

Źródła Ilustracje pochodzą z artykułów: Yanjiang Wang, Baozong Yuan w Pattern Recognition Karin Sobotka, Ioannis Pitas w Signal Processing: Image Communication Tekst dostępny na www.baczynski.com 24

Kontakt Institute of Information Science,Northern Jiaotong University Beijing 100044 People' Republic of China Tel.: #86-10-63240616 E-mail: bzyuan (at)center.njtu.edu.cn (B.Yuan). 25

Dziękuję za uwagę Czy są jakieś pytania?