Face detection

Phát Hiện Khuôn Mặt Trong Ảnh Nhóm thực hiện: Nhóm 4 Face DetectionUsing Haar – Like & AdaBoost Xử lý ảnh... Nội Dung Giới thiệu thư viện đồ họa Open CV Bài toán phát hiện khuôn m

Phát Hiện Khuôn Mặt

Trong Ảnh

Nhóm thực hiện: Nhóm 4

Face DetectionUsing Haar – Like & AdaBoost

Xử lý ảnh

Nội Dung

Giới thiệu thư viện đồ họa Open CV

Bài toán phát hiện khuôn mặt

Các đặc trưng Haar - Like

Integral Image

AdaBoost

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

Nội Dung

Giới thiệu thư viện đồ họa Open CV

Bài toán phát hiện khuôn mặt

Các đặc trưng Haar - Like

Integral Image

AdaBoost

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…

Khuôn Mặt

Không phải

mặt

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

Hoạt động

Nội Dung

Giới thiệu thư viện đồ họa Open CV

Bài toán nhận diện khuôn mặt

Đặc trưng Haar - Like

Integral Image

AdaBoost

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)

Nội Dung

Giới thiệu thư viện đồ họa Open CV

Bài toán nhận diện khuôn mặt

Đặc trưng Haar - Like

Integral Image

AdaBoost

Nội Dung

Giới thiệu thư viện đồ họa Open CV

Bài toán nhận diện khuôn mặt

Đặc trưng Haar - Like

Integral Image

AdaBoost

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

• 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

• 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:

Cấu trúc thác lọc (Cascade)

Stage

Tree Node

Feature

Quá trình lọc

Stage 0 Tree 0 Root note

<_>2 7 16 4 -1.</_>

<_>2 9 16 2 2.</_>

Ngưỡn g Không phải mặt Stage 1

Các khó khăn

Xin chân thành cảm ơn