Search

Ovaj rad bavi se detekcijom karakterističnih točaka lica i deidentifikacijom snimljenih osoba pomoću konvolucijskih neuronskih mreža. Rad opisuje osnovne pojmove i principe dubokih i konvolucijskih neuronskih mreža te programsko ostvarenje sustava za detekciju i deidentifikaciju lica koji je temeljen na arhitekturi konvolucijske neuronske mreže. Točke pronađenog lica uspoređuju se s točkama lica u bazi za zamjenu lica iz koje se zatim izvlači lice koje ima najsličniju pozu i izraz kako bi se ostvarila što veća prirodnost deidentificirane slike. Delaunayovom triangulacijom lice se podijeli na trokute te se odgovarajući trokuti slike iz baze preslikavaju na trokute slike koja se želi deidentificirati. This work is about facial keypoints detection and de-identification of recorded people using convolutional neural networks. The work describes basic terms and principles of deep and convolutional neural networks and the program implementation of a detection and de-identification system based on convolutional neural network architecture. Once a face is detected, its facial keypoints are compared to facial keypoints of faces in the face replacement database from which a face with the most similar position and expression is chosen. Using Delaunay’s triangulation, the face is divided into triangles which are then pasted onto the corresponding triangles of the face we want to replace.

U radu se bavim deidentifikacijom osoba na slici rekonstrukcijom 3D modela lica. Prvo se detektorom za lice pronađe lice na slici, tada se pronalaze karakteristične točke na licu kojeg je pronašao detektor za lice. Kada su pronađene karakteristične točke, rekonstruira se 3D model lica na temelju karakterističnih točaka lica. Nakon rekonstrukcije gradi se posteriorna distribucija iz rekonstruiranog lica i distribucije Baselovog modela lica. Kreira se deidentificirano lice uzokovano slučajnim brojevima iz posteriorne distribucije. Afinom transformacijom se kopira tekstura lica podijeljena u Delaunayeve trokute na deidentificirano lice. Tada se tekstura sa rekonstruiranog lica ponovno kopira na izvornu sliku da bi se postigla deidentifikacija. The primary focus of the thesis is de-identifying person on pictures using reconstructed 3D face model. First, using face detector face is located in the image, then facial landmarks are found on located faces in the image. When facial landmarks are found, the 3D face model is reconstructed based on them. After reconstruction, the posterior distribution is built based on reconstructed face model and \textit{a prori} Basel face model. De-identified face is then created using random coefficients from the posterior distribution. Using affine transformation, face texture is copied using Delaunay triangulation on de-identified face. Texture of reconstructed face is then copied back to the original image so that de-identification is achieved.

Ovaj završni rad prolazi kroz bitne teoretske osnove nekih od metoda steganografije. Detaljno je objašnjena i praktičnim primjerom pokazana LSB metoda. Ovaj završni rad usko je vezan za jednu od danas bitnih tema, deidentifikacija ljudi na javno dostupnim slikovnim i video zapisima, te je zato i primijenjen u svrhu skrivanja informacija o osobama na video zapisu. This bachelor thesis shows important fundaments of a few steganography methods. It explains into detail and shows practical example of LSB method. This thesis is connected to one of the most important problems in computing today, de-identification of people in public pictures and video file. That is why I decided to show the use of this method on hiding information about people on video file.

U ovom radu opisan je postupak de-identifikacije ljudi u video zapisima korištenjem uređaja Kinect za pribavljanje testnih video zapisa, te koristeći biblioteke poput OpenGL-a, Open Asset Import Library-a i Simple OpenGL Image Library-a za prikaz izmijenjene video sekvence. Postupak se svodi na generiranje virtualnog lika pomoću alata MakeHuman, učitavanje napravljenog 3D modela u video sekvencu, te primijenjujući transformacije na model kako bi njegov položaj odgovarao položaju snimljenog i detektiranog čovjeka čiju privatnost želimo očuvati. This paper describes the process of de-identification of people in video sequences in order to preserve their privacy. The Kinect device is used to obtain video sequences for testing purposes and libraries like OpenGL, Open Asset Import Library and Simple OpenGL Image Library are then used to load the generated model into the video sequence and change it's position to correspond to position of human whose privacy we are protecting. Model is generated using the MakeHuman tool which is designed to generate human-like virtual characters.