Riconoscimento di volti con tecniche 3D per controlli di sicurezza

Transcript

1 Riconoscimento di volti con tecniche 3D per controlli di sicurezza D.Giorgi, M.Attene, G. Patanè, S. Marini, C. Pizzi, S. Biasotti, M. Spagnuolo, B. Falcidieno Istituto di Matematica Applicata e Tecnologie Informatiche CNR, Genova Lisa Usai Elsag-Datamat, Genova

2 Riconoscimento facciale Il controllo degli accessi ad aree riservate è fondamentale per garantire la sicurezza dei lavoratori ed in generale dei cittadini luoghi di lavoro: lavoratori autorizzati luoghi pubblici: incolumità degli utenti Sono necessarie tecniche avanzate di identificazione biometrica Riconoscimento facciale: Non invasivo Non richiede contatto È a prova di dimenticanza

3 Riconoscimento facciale Due diversi scenari applicativi: autenticazione: accertare se la persona che chiede l accesso è autorizzata (confronto uno-ad-uno) identificazione: verificare se chi chiede l accesso figura tra i membri di un gruppo noto (confronto uno-a-molti) Procedimento comune: creazione della galleria, cioè un database di volti di persone conosciute (immagini o modelli 3D) confronto del volto da riconoscere, con i volti nella galleria

4 Riconoscimento con tecniche 2D analisi delle immagini dei volti acquisite tramite (tele)camere prestazioni ottime in condizioni controllate affidabilità compromessa in caso di condizioni avverse di illuminazione scostamento del soggetto dalla posa frontale cambi di espressione occlusione dei landmarks (ad esempio le pupille) tentativi di inganno tramite foto o video aumentare l affidabilità con dati 3D!

5 Riconoscimento con tecniche 3D Analisi di dati 3D ottenuti tramite scansioni laser Minore sensibilità alle condizioni di illuminazione Minore indipendenza dalla posa Informazione geometriche su caratteristiche fondamentali del volto (e.g. la curvatura)

6 Riconoscimento 3D: MultiTrust progetto Elsag Datamat IMATI (CNR, Genova), scopo: indagare le potenzialità del 3D per il controllo degli accessi in aeroporto, in relazione agli attuali sistemi 2D creazione di un database di modelli facciali 2D e 3D sviluppare metodi di riconoscimento 3D affidabili validazione dei metodi proposti in relazione allo stato dell arte

7 Creazione del Database Acquisizine dei modelli facciali 2D e 3D: scanner Minolta Vivid 910 Popolazione del datatbase: uomini, donne, diverse età, acquisizione in diversi periodi temporali Diversi tipi di illuminazione: normale, scarsa, laterale Differenti pose dello stesso soggetto: frontale, laterale, alto, basso Differenti espressioni dello stesso volto: neutra, sorriso, a scelta, Totale: 72 modelli digitali ottenuti da 8 soggetti ognuno dei quali acquisito 9 volte

8 Generazione del modello 3D 1. Dalla nuvola di punti alla triangolazione Completamento dell'informazione acquisita (robustezza rispetto alle occlusioni) 2. Dalla trinagolazione alla normalizzazione della posizione Il modello viene ruotato in posizione frontale (invarianza rispetto alla posizione) 3. Smoothing e taglio geodetico Rimozione del rumore (robustezza rispeto al rumore) 1 2 3

9 Invarianza rispetto alle espressioni Ipotesi: la distanza geodetica tra due punti del modello rimane invariata al cambiare dell'espressione facciale Idea: immersione del modello dallo spazio geodetico allo spazio euclideo Confronto: il nuovo modello facciale mantiene le differenze geometriche tra individui diversi

10 Confronto tra modelli facciali Dal modello facciale ottenuto dall'immersione viene estratto un descrittore geometrico Calcolo delle armoniche sferiche Matrice a valori reali La similarità tra due modelli facciali viene stimata confrontando i corrispondenti descrittori geometrici Distanza euclidea tra matrici a valori reali L'intero processo di costruzione del descrittore è efficiente Dalla nuvola di punti al descrittore geometrico: 3.5 secondi Confronto tra due descrittori: secondi

11 Risultati della sperimentazione Doc_ret = insieme di tutti i volti recuperati Doc_rel = insieme dei volti rievanti Risultati su dataset di 68 modelli FRGC metric VR: Verification 0.1% False Accept Rate Cognitec 2D VR: 67.6% Cognitec 2D+3D SH Embedded VR: 88.1% VR: 91.6%

12 Conclusioni Sul dataset prodotto, l utilizzo del 3D migliora le performance di riconoscimento Il sistema Cognitec pare non sfruttare appieno le potenzialità offerte dal 3D L utilizzo di MDS + armoniche sferiche produce i risultati migliori