Transcript KNN 802 Anwendung KNN Biometrische Identifikation mit MATLAB

CIC Lab
Biometrische ID von Gesichtern
unter MATLAB/Simulink
Computational Intelligence
and Control Laboratory
Jan Wilbring, Andre König
2
SS2006
Biometrische Identifikation
1
10
Inhalt
CIC Lab
Computational Intelligence
and Control Laboratory
• Inputdaten: Bilder
• Datenaufbereitung
• Die Neuronalen Netze
• Lernkurve
• Ergebnisse und Auswertung
• Das Simulink-Modell
• Bewertung
• Ausblick
• Quellen
• Fragen
SS2006
2
Biometrische Identifikation
2
10
Inputdaten: Bilder
CIC Lab
Computational Intelligence
and Control Laboratory
• Olivetti Research Laboratory
• Grauwertbilder mit 92 x 112 Pixel
2
SS2006
Biometrische Identifikation
3
10
Datenaufbereitung
CIC Lab
Computational Intelligence
and Control Laboratory
• Reduzierung der Bildgröße auf 25 x 31 Pixel
• Kontrastverbesserung
• Umwandeln der Bilddateien in Textdateien
• Normieren der Grauwerte
• Erstellen eines Vektors aus den Textdateien
• Aufbau der Datensätze in Excel
• Aufteilung in Trainings-und Validierungsdaten
• Mischen der Datensätze
2
SS2006
Biometrische Identifikation
4
10
Reduzierung der Bildgröße und
Umwandlung in eine Textdatei
CIC Lab
Computational Intelligence
and Control Laboratory
• Ohne Reduzierung der Bilder 10304
Eingangsneuronen
• Erste Reduzierung auf 1665 Eingangsneuronen
• Letzte Reduzierung auf 775 Neuronen
• Umwandlung und Normierung mit den Programm
BMP2Matrix
2
SS2006
Biometrische Identifikation
5
10
Erstellen eines Vektors
CIC Lab
Computational Intelligence
and Control Laboratory
Prinzip:
• Die Textdatei stellt eine Grauwertmatrix des Bildes dar
1
2
3
• Die Spalten der Matrix werden untereinander angeordnet
5
6
4
Problem:
7 Von8Hand9kaum zu realisieren
Lösung: Erstellen eins Excel Makros
2
SS2006
Biometrische Identifikation
6
10
Aufbau der Datensätze
CIC Lab
Computational Intelligence
and Control Laboratory
•Jedes Bild hat 10 bzw. 12 Ausgangsneuronen
•84 Trainings- und 36 Validierungsdaten
•Mischung der Datensätze um die Struktur aufzubrechen
•Anschließend Kontrastverbesserung der Bilder und neue
Erstellung der Datensätze
2
SS2006
Biometrische Identifikation
7
10
Die Testnetze
CIC Lab
Computational Intelligence
and Control Laboratory
25 x31 Pixel
Mischen der
Datensätze
Kontrast
verbessert
SS2006
Biometrische Identifikation
2
8
10
Das künstliche Neuronale Netz
CIC Lab
Computational Intelligence
and Control Laboratory
• Netzwerktyp: Feedforward Backpropagation Network
• Trainingsverfahren: traingdx
• adaptive Lernrate
• langsames Trainingsverfahren
• Transferfunktion: tansig
• Epochen: 1 Mio.
Input-Layer
Hidden-Layer
Output-Layer
2
SS2006
Biometrische Identifikation
9
10
Ergebnisse und Auswertung
CIC Lab
Computational Intelligence
and Control Laboratory
• Auswertung der Daten mit Microsoft Excel
– Vorbereitung eines Arbeitsblattes zur Ergebnisdarstellung
• Simulation mit MATLAB / SIMULINK
– Aufbau eines Simulink – Modells
– Test des neuronalen Netzes mit Hilfe des Simulink Modells
2
SS2006
Biometrische Identifikation
11
10
Ergebnisse und Auswertung
CIC Lab
Computational Intelligence
and Control Laboratory
• Vergleich mit dem Target der Validierungsdaten
2
SS2006
Biometrische Identifikation
12
10
Outputs Validierungsdaten
CIC Lab
Computational Intelligence
and Control Laboratory
2
SS2006
Biometrische Identifikation
13
10
Simulink – Das Modell
CIC Lab
Computational Intelligence
and Control Laboratory
Inputdaten
Neuronales Netz
Outputdaten
2
SS2006
Biometrische Identifikation
14
10
Simulink –
Test Person 10
CIC Lab
Computational Intelligence
and Control Laboratory
Inputdaten
Neuronales Netz
Outputdaten
Person 10
(Bild 1)
2
SS2006
Biometrische Identifikation
15
10
CIC Lab
Simulink –
Test mit eigenen Bildern
Computational Intelligence
and Control Laboratory
2
SS2006
Biometrische Identifikation
16
10
Simulink –
Problemfälle
CIC Lab
Computational Intelligence
and Control Laboratory
Person
Person16
(Bild
(Bild6)3)
Θ Schwellwert von 0.6 wird nicht erreicht
 Person gilt damit als „nicht erkannt“
 Person wird nicht mit einer anderen verwechselt
2
SS2006
Biometrische Identifikation
17
10
CIC Lab
Simulink –
Ergebnisdarstellung
Computational Intelligence
and Control Laboratory
Ergebnis:
97.5 % der Bilder
wurden erkannt
Falsch
erkannte
Bilder
2
SS2006
Biometrische Identifikation
18
10
Bewertung
CIC Lab
Computational Intelligence
and Control Laboratory
• Datenaufbereitung ist aufwendig und zeitintensiv
• Qualitätsverlust durch komprimierte Bilder
• Neuronales Netz arbeitet überzeugend
• Auch „problematische“ Gesichter wurden erkannt
• Bilder von Personen mit einer besonders von der Norm
abweichenden Mimik
• Das Tragen einer Brille macht dem Netz keine Probleme
2
SS2006
Biometrische Identifikation
19
10
Ausblick
CIC Lab
Computational Intelligence
and Control Laboratory
• Problematik:
• Beschreibung eines dreidimensionalen Körpers mit Hilfe
eines zweidimensionalen Bildes
• Lösungsansatz:
• 3D – Gesichtserkennung mittels spezieller Kameras und
Aufnahmetechniken
2
SS2006
Biometrische Identifikation
20
10
Quellen
CIC Lab
Computational Intelligence
and Control Laboratory
Daniel Andree: Gesichtserkennung mit Hilfe eines neuronalen
Netzes (SNNS), Fachhochschule Südwestfalen, 2005
AT&T Laboratories Cambridge, Olivetti Research Laboratory:
Database of faces
Markus Hofmann: Grundsätzliche Untersuchung von
Bildverarbeitungsalgorithmen zur Gesichtserkennung, FH
Regensburg, 2002
Andreas Zell: Simulation neuronaler Netze, R.Oldenbourg
Verlag München Wien, Universität Tübingen, 2000
Ulrich Lehmann: Vorlesungsskript und Downloads CI2. FH
SWF, Iserlohn 2006
2
SS2006
Biometrische Identifikation
21
10
Fragen
CIC Lab
Computational Intelligence
and Control Laboratory
Fragen Sie bitte!
2
SS2006
Biometrische Identifikation
22
10