POLITECNICO DI BARI RICONOSCIMENTO DI VOLTI MEDIANTE H.M.M. SUPPORTATO DA RETI NEURALI

Transcript

1 POLITECNICO DI BARI FACOLTÀ DI INGEGNERIA CORSO DI LAUREA IN INGEGNERIA ELETTRONICA TESI DI LAUREA IN CALCOLATORI ELETTRONICI RICONOSCIMENTO DI VOLTI MEDIANTE H.M.M. SUPPORTATO DA RETI NEURALI Relatore: Chiar.mo Prof. Giuseppe MASTRONARDI Correlatore: Dott. Domenico DALENO Laureando: Gaetano CARRO ANNO ACCADEMICO

2 DEDICHE Ai miei genitori Ai miei nonni Ai miei zii

3 RINGRAZIAMENTI Si ringrazia per la preziosa collaborazione e disponibilità il Chiar.mo Prof. Giuseppe MASTRONARDI e il Dott. Domenico DALENO

4 INDICE INTRODUZIONE... 8 CAPITOLO 1 - SISTEMI BIOMETRICI 1.1 INTRODUZIONE UN SALTO NEL PASSATO: IL SISTEMA BERTILLON ASPETTI GENERALI DEI SISTEMI BIOMETRICI PRESTAZIONI DI UN SISTEMA BIOMETRICO CLASSIFICAZIONI DEI SISTEMI BIOMETRICI ANALISI DEI SISTEMI BIOMETRICI Scansione delle impronte digitali Caratteristiche di un impronta digitale Anatomia delle impronte digitali Metodi di acquisizione delle impronte digitali Tecniche di riconoscimento di impronte digitali SCANSIONE DEL VOLTO Classificazione dei problemi di riconoscimento facciale Sistemi automatici di riconoscimento: generalità Rappresentazione Confronto Features-Based Matching e Template Matching Compressione PCA SCANSIONE DELLA VOCE Rappresentazione della voce MFCC (Mel Frequency Cepstrals Coefficients);

5 Indice Generale RASTA-PLP Confronto tra segnali vocali Vantaggi e svantaggi SCANSIONE DELLA RETINA Caratteristiche della retina Anatomia della retina Metodi di acquisizione della retina Tecniche di riconoscimento mediante retina Riconoscimento e compressione delle immagini acquisite Vantaggi e svantaggi SCANSIONE DELL IRIDE Caratteristiche dell iride e anatomia Perché usare l iride invece della retina Metodi di acquisizione dell iride ALTRI SISTEMI BIOMETRICI DI RICONOSCIMENTO CAPITOLO 2 - LE RETI NEURALI ARTIFICIALI 2.1 INTRODUZIONE STRUTTURA DI UNA RETE NEURALE FISIOLOGICA ARCHITETTURA DI UNA RETE NEURALE ARTIFICIALE Il neurone artificiale Funzioni di attivazione Tipologie di architettura La soglia e il Bias APPRENDIMENTO Regola Delta Regola Delta con funzioni continue differenziabili lineari Regola Delta con funzioni continue differenziabili non-lineari Algoritmo Back Propagation

6 Indice Generale Back Propagation con momentum e apprendimento con cicli Generalizzazione ALGORITMO GENETICO Crossover e mutazioni Funzione di Fitness Reti neurali e algoritmi genetici CAPITOLO 3 - LE CATENE DI MARKOV NASCOSTE ( HIDDEN MARKOV MODELS ) 3.1 INTRODUZIONE CONCETTI MATEMATICI DI BASE CATENE DI MARKOV La definizione di una catena di Markov L evoluzione di una catena di Markov CATENE DI MARKOV NASCOSTE La definizione di una catena di Markov nascosta L evoluzione di una catena di Markov nascosta Il problema della valutazione Il calcolo della probabilità forward Il calcolo della probabilità backward Il problema della decodifica Il problema dell apprendimento HIDDEN MARKOV MODEL (1D) PER IL RICONOSCIMENTO DEI VOLTI UMANI HTK CAPITOLO 4 - PSEUDO 2D HIDDEN MARKOV MODELS 4.1 INTRODUZIONE DEFINIZIONE DELLO PSEUDO 2D H.M.M

7 Indice Generale 4.3 P2DHMM PARAMETRI E VALUTAZIONE DEL MODELLO procedura di Baum-Welch procedura di Viterbi CAPITOLO 5 - RETE NEURALE B.P. + PSEUDO 2D H.M.M. 5.1 INTRODUZIONE ADDESTRAMENTO E SALVATAGGIO DELLA RETE NEURALE ARTIFICIALE CONVERSIONE DELLE FOTO IN UN FILE DAL FORMATO HTK ADDESTRAMENTO DELLE DIVERSE TIPOLOGIE DI PSEUDO 2D H.M.M IDENTIFICAZIONE DEI SOGGETTI DEL VALIDATION SET ASSEMBLAGGIO DELLE QUATTRO FASI DEL SISTEMA IBRIDO METODO ALTERNATIVO PER L ADDESTRAMENTO E L IDENTIFICAZIONE CONCLUSIONI LAVORI FUTURI BIBLIOGRAFIA APPENDICE APPENDICE

8 CAPITOLO 5 RETE NEURALE B.P. + PSEUDO 2D H. M. M.

9 Capitolo 5 Rete Neurale B.P. + Pseudo 2D H.M.M. 5.1 Introduzione Il sistema ibrido per la verifica d identità, proposto in questa tesi è costituito dal collegamento in cascata (in serie) di due sistemi distinti, che sono la rete neurale e la catena di markov nascosta pseudo 2d: Figura 5.1: schema ibrido di riconoscimento. In ingresso é fornito la foto del soggetto da riconoscere, mentre in uscita si ottiene l identificazione del soggetto stesso con la relativa probabilità d identificazione. I soggetti da riconoscere formano un database di immagini detto Validation Set costituito da 51 soggetti e per ogni soggetto sono disponibili 10 foto, quindi per un totale di 510 foto (vedi Appendice 1). Le foto che rappresentano i soggetti con immagini prevalenti di tipo frontale sono state prese dal database AT&T Olivetti [8] mentre quelle in cui i soggetti sono rappresentati anche da foto di profilo oltre che frontali sono state aggiunte successivamente ed in particolare sono stati aggiunti due soggetti il cui volto e camuffato da occhiali scuri o bende. Queste foto sono dei comuni file con estensione.bmp di dimensione pixel e in scala di grigi. Nella Figura 5.2 è riportato un esempio, in cui sono evidenziate le sue proprietà:

10 Capitolo 5 Rete Neurale B.P. + Pseudo 2D H.M.M. Figura 5.2: Proprietà di una foto del Validation Set. Chiaramente prima di poter utilizzare questo sistema ibrido è necessario completare l addestramento della rete neurale artificiale e della catena di markov nascosta. Per cui vediamo nel dettaglio le seguenti fasi: 1. Addestramento e salvataggio della Rete Neurale Artificiale. 2. Conversione delle foto in file dal formato HTK. 3. Addestramento delle diverse tipologie di Pseudo 2D H.M.M. 4. Identificazione dei soggetti del Validation Set

11 Bibliografia [1] L.R. Rabiner: A Tutorial on Hidden Markov Models and Selected Applications in Speech Recognition, Proceedings of IEEE, vol.77, n.2, Febbraio [2] Dario Floreano e Claudio Mattiussi. Manuale sulle Reti Neurali. Il Mulino, second edition, [3] S. Serpico G. Vernazza, Teoria e tecniche del riconoscimento, Seconda Edizione, CUSL Il Gabbiano, 1995 [4] A. V. Nefian and M. H. Hayes III, Face Detection and Recognition Using Hidden Markov Models, Proc. IEEE Int l Conf. Image Processing, vol. 1, pp , [5] A. V. Nefian and M. H. Hayes, Hidden Markov Models for face recognition, in ICASSP98, pp , [6] S. Young, G. Everman T. Hain, The HTK book (for HTK 3.3), Cambridge University [7] S. Young, ATK An Application Toolkit for HTK, Version 1.2 Cambridge University Laboratori. [8] AT&T Olivetti Database (