Object Recognition Phát hiện đối tượng trong ảnh

Object Recognition Phát hiện đối tượng trong ảnh Giáo viên hướng dẫn: Th.S Bùi Trọng Hiếu Sinh viên thực hiện: Huỳnh Ngọc Bang CN06064 Nguyễn Anh Tuấn CN06111 KhoiNguonIT.Com... Nộ

Object Recognition

Phát hiện đối tượng trong ảnh

Giáo viên hướng dẫn:

Th.S Bùi Trọng Hiếu

Sinh viên thực hiện:

Huỳnh Ngọc Bang (CN06064) Nguyễn Anh Tuấn (CN06111)

KhoiNguonIT.Com

Nội Dung

Phân tích ảnh

Bài toán phát hiện khuôn mặt

Phương pháp AdaBoost và các đặc trưng Haar

Xây dựng chương trình

Demo chương trình

Kết luận

Image Analysis

Segmentation

Representation

And Description

Object Recognition

Segmentation

based on

(1) Discontinuities

(1) Isolated points

(3) Region splitting/merging

Representation & Description

Representation & Description

Representation

Boundary Descriptor

Regional Descriptor

Object Recongnition

Patterns & Pattern class

Recongnition based on decision-theoretic methods

Nội Dung

Phân tích ảnh

Bài toán phát hiện khuôn mặt

Phương pháp AdaBoost và các đặc trưng Haar

Xây dựng chương trình

Demo chương trình

Kết luận

Bài toán phát hiện khuôn mặt

Khuôn Mặt

Không phải

mặt

Dựa trên đặc trưng bất biến

Các phương pháp giải quyết

Luật Luật

Luật

Hoạt động

Nội Dung

Bài toán phát hiện khuôn mặt

Phương pháp AdaBoost và các đặc trưng Haar

Xây dựng chương trình

Demo chương trình

Kết luận

Ti ếp cận đ ặc trưng ảnh

Pixel

Đặc trưng Haar-like

Đặc trưng Pixel

Tìm những pixel đại diện, mang đặc trưng của ảnh

để huấn luyện cho quá trình phát hiện, nhận dạng đối tuợng

Đặc trưng Haar

Các đặc trưng Haar

(a) (b) (c) (d)

(a) (b) (c) (d) (e) (f) (g) (h)

Đặc trưng Haar

Ảnh tích phân (Integral Image)

(x,y)

Đặc trưng Haar

Tính nhanh các đặc trưng thông qua ảnh tích phân

4 + 1- 2 - 3

Đặc trưng Haar

Giả sử ta cần tính tổng các giá trị mức xám của vùng D, ta có thể tính như sau:

D = A + B + C + D – (A+B) – (A+C) + A

Adaptive Boosting

(adaboost)

 Features

 Adaboost

 Features

Features – Chain code

Features – Principal

components

Features

Features – Haar like feature

Features

 Adaboost

Adaboost - Working

WEAK 1

WEAK 2

WEAK T

WEAK 1

FALSE h t(x) = 0 TRUE h t(x) = 1

Adaboost - Learning

WEAK 1

WEAK 2

WEAK T

WEAK 1

Y? Y? Y? Y?

Thanks you!