Biomtrie visage avantages Sans contact voire distante naturelle

Biométrie «visage » avantages • Sans contact voire distante, naturelle, bien acceptée • N’implique pas de coopération de l’usager • Peut exploiter des bases de données existantes et un enrôlement distant • Très liée à d’autres applications (indexation, IHM, cadrage automatique, localisation) • Capteurs très peu chers

Inconvénients • Sensible à l’environnement d’acquisition (segmentation du fond, illumination) • Sensible aux expressions faciales et aux altérations de l’aspect (âge, pilosité) • Potentiellement intrusif du point de vue éthique (vie privée) du fait de la non coopération

Galerie de 320 visages

Acquisition • • • Capteurs: caméra (fixe/ PTZ) Caméras multiples Spectre: Visible / IR Neutralisation du fond (mise au point) Capteurs 3 D (stéréo active / passive, « range finder » ) • Image fixe vs vidéo

Multiples

Synthèse d’une vue faciale

Stéréo (1) Exemple de lignes épipolaires et de pixels homologues

Triangulation Point dans l’espace Plan image P 2 P 1 Centre optique Point de l’image 6/21

Localisation: un problème très difficile Choix du cadrage, de la forme, problème des visages multiples

Outils pour la localisation Teinte chair obtenue par Un modèle statistique (GMM) Diagramme des pixels de peau dans l’espace YCb. Cr RGB YCb. Cr Y=(R+G+B)/3 Cb = bleu Cr= rouge

suite Détection de l’ovale du visage par Transformation de Hough

Transformée de Hough Ellipse Vote d’un pixel de contour (pour un rayon optimal) Résultat de des votes accumulés

suite

Cadrage

Fusion

Matching de visages • Normalisations radiométriques (illumination) • Vecteur de mesures (après corrections géométriques)) • Portrait robot • Modèles déformables (morphing) • « Eigenface » (Analyse en Composantes Principales) • Réseaux de neurones

Problèmes d’illumination

Solution SFS: « shape from shading »

Mesures 1=3 -5 2=1 -3 3=1 -2 4=1 -4 5=4 -6 6=6 -7 7=3 -7 1. 0000 0. 3448 0. 4705 0. 3184 0. 0931 0. 2538 0. 6033

suite 1. 0000 0. 3284 0. 4735 0. 3112 0. 0895 0. 2589 0. 6016 1. 0000 0. 3448 0. 4705 0. 3184 0. 0931 0. 2538 0. 6033

suite 1. 0000 0. 4705 0. 4311 0. 2594 0. 1417 0. 2880 0. 5410 1. 0000 0. 4957 0. 4282 0. 3113 0. 1322 0. 3006 0. 5716

suite 72. 5194 27. 5622 35. 1704 27. 5772 8. 3445 18. 7361 45. 7867 78. 9081 27. 0276 36. 1940 24. 4949 8. 8473 17. 2576 47. 1886 1. 0000 0. 3425 0. 4587 0. 3104 0. 1121 0. 2187 0. 5980 1. 0000 0. 3801 0. 4850 0. 3803 0. 1151 0. 2584 0. 6314

couleur 112. 5482 158. 9421 1. 6436 2. 3160 112. 8235 154. 0980 1. 5746 6. 0394 111. 5658 163. 2018 1. 6122 3. 4773 109. 8647 165. 9903 1. 4718 4. 7837 Moy. Cb, Moy. Cr, Std. Cb, Std. Cr

suite 113. 8812 143. 1937 2. 2329 4. 0492 120. 9939 138. 0364 1. 5594 2. 2675 101. 0819 159. 5731 1. 7571 4. 9987

Portrait robot Match avec base d’yeux Match avec base de bouches

Modèle mpeg 4

Appearance Shape Model S = Vecteur des coordonnées des sommets On ne conserve que la forme et pas la texture

Exemples de vecteurs de déformation pour la forme

Alignement (ASM)

Alignement des points de références

Modèle 3 d Candide 3 d Autre modèle 3 d

Modèles moyens Modèles moyen (F/H)

Transfert de texture Remise à l’identique (forme) de visages

Eigenfaces • Un visage 16 x 16 = un point de R 16 • Un ensemble de visages = nuage E de points • Calcul du centre de E et de ses « axes principaux » a m E a =m + u 1 V 1+…. . + un. Vn

Visage moyen

Approche 3 D et vidéo • Utiliser la forme 3 D du visage (plus d’infos, pas de problèmes d’orientations, permet de tenir compte des illuminations) • Capteur= Stéréo passive ou active / Vidéo • Problème de l’appariement des pixels • Enrôlement plus complexe

Capteur 3 D

Exemples de données 3 d

Conclusion • Une technologie encore peu robuste (en reconnaissance) en conditions quelconques ( « images volées » ) • Applicable avec des contraintes (expression, illumination, fond, pose) pour l’authentification • Impose un enrôlement périodique • Applications embarquées (voiture, téléphone, portable, …)