Für eine korrekte Darstellung dieser Seite benötigen Sie einen XHTML-standardkonformen Browser, der die Darstellung von CSS-Dateien zulässt.

DAAD Deutscher Akademischer Austausch Dienst

D1 Multimodale Gesichtserkennung in der zeitlichen Domäne

Projektleiter

Prof. Dr. Volker Blanz, Prof. Dr.-Ing. Andreas Kolb

Ausgangslage

In einem kombinierten 2D/3D-Ansatz steht in diesem Vorhaben mit Hilfe eines 3D-Morphable Models der Einfluss der Zeit auf die Gesichtserkennung als neuer Freiheitsgrad im Mittelpunkt. Es geht dabei erstens um Veränderungen, denen Gesichter im Laufe von Tagen und Jahren unterliegen und die derzeit eine der größten Herausforderungen der Gesichtserkennung darstellen. Auch sollen im Morphable Model zum ersten Mal Falten und andere altersbedingte Veränderungen in Gesichtern von Erwachsenen modelliert werden. Zweitens geht es um den Einfluss der Zeit im Zusammenhang mit der Beobachtung, dass sich bei menschlichen Versuchspersonen die Erkennungsrate zwischen bekannten Gesichtern (Verwandte, Freunde, berühmte Personen) und unbekannten Gesichtern erheblich unterscheidet. Ziel ist es, durch Training mit einer Vielzahl von Bildern jedes Individuums die Erkennungsrate der Algorithmen zu verbessern. In einem dritten Arbeitspaket geht es um den Einfluss von Zeit auf der Skala von Sekunden, in Form von Bewegungen, Gesichtsausdrücken und Augenbewegungen, die in die Erkennung einbezogen werden sollen.
 

Ziele und Arbeitsprogramm

Aktuelle Verfahren der Gesichtserkennung liefern bereits zufriedenstellende Ergebnisse unter kontrollierten Bedingungen (Pose, Beleuchtung, Gesichtsausdruck), sind aber unter realen Bedingungen wenig robust. In der AG Blanz wurde in den letzten Jahren der Einfluss von Pose, Beleuchtung, Verdeckung und Auflösung untersucht und eine Reihe von Lösungsansätzen vorgestellt, die im Graduiertenkolleg bearbeitet werden. Eine weitere zentrale Herausforderung ist jedoch die Veränderung von Gesichtern über Tage, Wochen und Monate. Vor einigen Jahren wurde hierzu bereits ein erstes Verfahren zum Erkennen von Kindergesichtern und zur Simulation des Wachstums über den Zeitraum von Jahren vorgestellt. Dieses Verfahren kann auf die Alterung von Erwachsenen übertragen werden, wobei sich einige völlig neue Probleme, z.B. bei der Modellierung von Falten stellen, die den Rahmen des linearen Gesichtsmodells sprengen.
Die Unterschiede zwischen der menschlichen Gesichtserkennung bei bekannten gegenüber unbekannten Gesichtern, sind in der Psychologie ein gut erforschtes Phänomen, auch wenn die zu Grunde liegenden Mechanismen bislang unbekannt sind. Während das maschinelle Sehen sich heute mit der menschlichen Gesichtserkennung bei unbekannten Gesichtern messen kann, bestehen bei bekannten Gesichtern erhebliche Unterschiede. Eine Nachbildung des Trainings auf vielen Bilddaten durch ein Computer Vision System, kann einerseits dessen Erkennungsleistung erhöhen und andererseits unser Verständnis der menschlichen Wahrnehmung verbessern. Grundlagen zu einer solchen Technik bestehen in der AG Blanz in Form der simultanen Anpassung des Morphable Model an mehrere Bilder.
Die Einbeziehung von Haaren in die Erkennung von Personen über kurze Zeiträume (Stunden bis wenige Tage) birgt ein hohes, bislang ungenutztes Potential, wie ein Vergleich mit der menschlichen Wahrnehmung zeigt. Das Morphable Model umfasst bislang keinerlei Information über die Frisur. Mit verschiedenen Messtechniken, vor allem unter Ausnutzung von multispektralen Aufnahmen und von aktiver Beleuchtung zur Segmentierung, soll aus Beispieldaten ein Modell menschlicher Frisuren entwickelt und dann neben dem Gesicht zur Identifikation eingesetzt werden.

Face reconstruction from a single image. Processing steps to generate age progressed images of a face.