Face detection

Chia sẻ bởi Nguyễn Minh Hiếu | Ngày 29/04/2019 | 54

Chia sẻ tài liệu: Face detection thuộc Bài giảng khác

Nội dung tài liệu:

Phát Hiện Khuôn Mặt Trong Ảnh
Nhóm thực hiện: Nhóm 4
Face Detection
Using Haar – Like & AdaBoost
Xử lý ảnh
2
Nội Dung
Giới thiệu thư viện đồ họa Open CV
Bài toán phát hiện khuôn mặt
Các đặc trưng Haar - Like
Integral Image
AdaBoost
3
Sơ lược về OpenCV
OpenCV là một thư viện xử lý ảnh mã nguồn mở của Intel.
Có nhiều tác dụng : dò tìm, theo dõi và phát hiện khuôn mặt, lọc Kalman...
Chứa các hàm cơ bản để xử lý ảnh và thị giác máy.
4
Nội Dung
Giới thiệu thư viện đồ họa Open CV
Bài toán phát hiện khuôn mặt
Các đặc trưng Haar - Like
Integral Image
AdaBoost
5
Bài toán phát hiện khuôn mặt
Face detection là 1 kĩ thuật để máy tính xác định vị trí, kích thước của khuôn mặt trong ảnh bất kì.
Face detection có nhiều ứng dụng trong thực tế: tương tác giữa người và máy tính, trong các hệ thống giám sát an ninh, phân tích cảm xúc…
6
Khuôn Mặt
Không phải mặt
7
Dựa trên đặc trưng bất biến
Các phương pháp giải quyết
Phát hiện khuôn mặt
Dựa trên tri thức
Dựa trên so sánh mẫu
Dựa trên diện mạo
Luật
Luật
Luật
8
Hoạt động
9
Nội Dung
Giới thiệu thư viện đồ họa Open CV
Bài toán nhận diện khuôn mặt
Đặc trưng Haar - Like
Integral Image
AdaBoost
10
Đặc trưng Haar - Like
Các đặc trưng Haar - Like
Nhóm các đặc trưng đường
Nhóm các đặc trưng cạnh
Nhóm các đặc trưng xung quanh tâm
Dùng các đặc trưng trên, ta có thể tính được giá trị của đặc trưng Haar – Like bằng công thức sau:
f(x) = Tổng vùng đen (các mức xám của Pixel) - Tổng vùng trắng (các mức xám của Pixel)
11
Nội Dung
Giới thiệu thư viện đồ họa Open CV
Bài toán nhận diện khuôn mặt
Đặc trưng Haar - Like
Integral Image
AdaBoost
12
Ảnh tích phân
Tính nhanh các đặc trưng thông qua ảnh tích phân

A B


C D
1
2
3
4
4
+ 1
- 2
- 3
Ảnh tích phân (Integral Image)

13
Nội Dung
Giới thiệu thư viện đồ họa Open CV
Bài toán nhận diện khuôn mặt
Đặc trưng Haar - Like
Integral Image
AdaBoost
14
AdaBoost
AdaBoost là một bộ phân loại mạnh phi tuyến phức dựa trên hướng tiếp cận boosting được Freund và Schapire đưa ra vào năm 1995
Adaboost cũng hoạt động trên nguyên tắc kết hợp tuyến tính các bộ phân loại yếu để hình thành một bộ phân loại mạnh.
AdaBoost sử dụng thêm khái niệm trọng số (weight) để đánh dấu các mẫu khó nhận dạng
Các bộ phân loại yếu sẽ được kết hợp tùy theo mức độ tốt của chúng để tạo nên các bộ phân loại mạnh



15
AdaBoost sẽ kết hợp các bộ phân loại yếu thành bộ phân loại mạnh như sau:
H(x) = sign(a1h1(x) +a2h2(x) + ... + anhn(x)) (a = alpha)
Với: at >= 0 là hệ số chuẩn hoá cho các bộ phân loại yếu
AdaBoost
16
Viola và Jones dùng AdaBoost kết hợp các bộ phân loại yếu sử dụng các đặc trưng Haar-like theo mô hình phân tầng (cascade) như sau:

17
Cấu trúc thác lọc (Cascade)
Stage
Tree
Node
Feature
18
Quá trình lọc
Stage 0
Tree 0
Root note
<_>2 7 16 4 -1.
<_>2 9 16 2 2.
Ngưỡng
Không phải mặt
Stage 1
19
20
Các khó khăn
Kích thước
Tư thế
Nét mặt
Che khuất
Góc lệch
Hình nền
Ánh sáng
Chất lượng ảnh…vv..
21
Xin chân thành cảm ơn
* Một số tài liệu cũ có thể bị lỗi font khi hiển thị do dùng bộ mã không phải Unikey ...

Người chia sẻ: Nguyễn Minh Hiếu
Dung lượng: | Lượt tài: 1
Loại file:
Nguồn : Chưa rõ
(Tài liệu chưa được thẩm định)