Apprentissage du filtre de Kalman couple avec application à la poursuite de l iris

Dimension: px

Commencer à balayer dès la page:

Download "Apprentissage du filtre de Kalman couple avec application à la poursuite de l iris"

Heloïse Bouffard
il y a 10 ans
Total affichages :

1 Apprentissage du filtre de Kalman couple avec application à la poursuite de l iris Valérian Némesin, Stéphane Derrode, Institut Fresnel (UMR 7249) Ecole Centrale Marseille,

2 Vidéo de l oeil 2

3 Sommaire 1. Détection de la pupille 2. Sélection des images 1. Pupil detection 5./6. Poursuite 3. Segmentation de l iris 4. Fusion des iris-codes 5. Poursuite (Kalman) 6. Apprentissage des paramètres 2. Image selection 3. Iris segmentation 4. Iris code computation and fusion 3

Fusion des iris-codes 5. Poursuite (Kalman) 6.

4 1. Détection de la pupille 1. Pupil detection 5/6. Kalman tracking 2. Image selection A. Seuillage de l histogramme B. Sélection des candidats 3. Iris segmentation 4. Iris code computation and fusion Original frame and ROI Segmented pupil 4

5 2. Sélection des images Filtrage passe-haut (noyau de Park [1]): 1. Pupil detection 2. Image selection 5./6. Kalman tracking 3. Iris segmentation 4. Iris code computation and fusion Score de focus: Image de faible qualité (rejetée) Image de bonne qualité [1] B.J. Kang and K.R. Park, Lecture Notes in Computer Science 3546, pp ,

Iris code computation and fusion Score de focus: Image de faible qualité (rejetée)

6 3. Segmentation de l iris 1. Pupil detection 5./6. Kalman tracking A. Opérateur de Daugman's B. Détecteur de paupières 2. Image selection 3. Iris segmentation 4. Iris code computation and fusion Original image Segmented iris 6

7 3. Segmentation de l iris 1. Pupil detection 5./6. Kalman tracking A. Opérateur intégro-différentiel de J. Daugman [2] 2. Image selection 3. Iris segmentation 4. Iris code computation and fusion Détection de l iris selon l opérateur de Daugman [2] J. Daugman, IEEE Trans. on Circuits and Systems for Video Technology,

8 3. Segmentation de l iris 1. Pupil detection 5./6. Kalman tracking B. Détecteur de paupières - Algorithme développé dans [3] utilisé comme détecteur de paupières 2. Image selection 3. Iris segmentation 4. Iris code computation and fusion [3] Haddouche, A., et al: Detection of the foveal avascular zone on retinal angiograms using Markov random fields. Digital Signal Processing 20, (2010) 8

Image selection 3. Iris segmentation 4. Iris code computation and fusion [3] Haddouche, A.

9 4. Fusion des iris-codes 1. Pupil detection 5./6. Kalman tracking 2. Image selection 3. Iris segmentation 4. Iris code computation and fusion 9

10 4. Fusion des iris-codes 1. Pupil detection 5./6. Kalman tracking 2. Image selection 3. Iris segmentation 4. Iris code computation and fusion 10

11 5. Poursuite (Kalman) Filtre de «Kalman couple» [3] avec Paramètres: [4] W. Pieczynski and F. Desbouvries, ICASSP 03, Apr

12 5. Poursuite (Kalman) Les équations du filtre Constantes Prédiction 12

13 5. Poursuite (Kalman) Filtrage Lissage 13

14 5. Poursuite (Kalman) Pb numériques important concernant l estimation des matrices de covariance (P). -> Propriété : P = S T S avec S matrice triangulaire supérieure. S peut être calculée efficacement avec un algorithme QR. ->Idée : Calculer les racines des matrices de covariance et non les matrices elles-mêmes. Pour cela, on va étendre la technique développée dans [5] pour le filtre de Kalman au cas du filtre de Kalman couple. [5] P. Kaminski, A. Bryson, and S. Schmidt, IEEE Trans. Autom. Control, Dec

->Idée : Calculer les racines des matrices de covariance et non les matrices elles-mêmes.

15 5. Poursuite (Kalman) Exemple pour le filtrage filtrage Racines carrées «triviales» prédiction Les deux matrices sont liées par une matrice orthogonale Q*. La décomposition QR de donne. Nous obtenons et. On répète la même stratégie pour toutes les autres matrices définies positives : 15

orthogonale Q*. La décomposition QR de donne. Nous obtenons et.

16 6. Estimation des paramètres Algorithme EM [4] Requiert filtrage et lissage à chaque itération avec Mise en œuvre d algorithmes robustes pour l estimation de Q et F, à chaque itération i. [4] B. Ait-el-Fquih and F. Desbouvries, ICASSP 06, May

algorithmes robustes pour l estimation de Q et F, à chaque

17 6. Estimation des paramètres Evolution de la plus petite valeur propre de Q en fonction des itérations. 17

18 Résultats de poursuite 18

19 Conclusion Conclusion Construction d un iris-code à partir d un flux vidéo par sélection des iris de «meilleure qualité» dans le flux vidéo. Poursuite réalisée par un filtre de Kalman dont les paramètres sont appris automatiquement Réduit le nombre de trames perdues Réduit les temps de calcul (~30%) 19

Poursuite réalisée par un filtre de Kalman dont les paramètres sont appris

20 Travaux en cours 1/2 Travaux en cours «Temps réel» : 20 trames par seconde 20

21 Travaux en cours 2/2 Travaux en cours Evaluation systématique (MBGC) 137 individus soit 274 classes d'iris 8589 images 986 vidéos 21

Documents pareils

Utilisation d informations visuelles dynamiques en asservissement visuel Armel Crétual IRISA, projet TEMIS puis VISTA L asservissement visuel géométrique Principe : Réalisation d une tâche robotique par