Occlusion Detection and Localization from Kinect Depth Images
Notice bibliographique
Résumé
Faces captured in a real-world scenario may suffer from large variations in shape and occlusions due to difference in illumination, variation in pose and orientation of a facial image. Automated face recognition or security reinforcement by surveillance techniques would be useless if the faces are occluded. Therefore, face occlusion detection has become very important not only for effective face recognition but also to prevent security threats. In this paper, for the very first time an occlusion detection method is proposed based on the depth information provided by Kinect RGB-D cameras. Uniform Local Binary Pattern (LBP) is used to effectively extract the features from the depth images and SVM binary classifier is then applied to identify the front face and the occluded face. For localizing occluded regions in the face image, a threshold based approach is proposed to identify the areas close to the camera. In the depth images, an object close to the camera has a higher pixel intensity than the object further from the camera. Thus, we assume that occluded regions have lower distance from the camera, i.e. higher intensity values. Based on this hypothesis, we extract the connected component with highest energy values as the potential occluded region from the depth image. The boundary of the detected occluded region is then corrected using the reference front face image. The occlusion detection and localization method have been evaluated on EUROKOM Kinect face database containing different types of occluded and unoccluded faces with neutral expressions. Experimental results show that the proposed method provides an average detection rate of 98.50% for front and occluded face images. We have also compared our proposed method with existing methods that use faces acquired using 3D scanners for occlusion detection.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,002 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».