Thạc Sĩ Phát hiện mặt người trong ảnh dựa trên các đặc trưng haar-like và mẫu nhị phân cục bộ

Mục lục
Danh Mục Các Bảng
Bảng 1. Hiệu suất của bộ phát hiện ADABOOST trên tập dữ liệu MIT – CMU .20
Bảng 2. Hiệu suất của bộ phát hiện AB - LBP trên tập dữ liệu MIT – CMU .28
Bảng 3. Tỉ lệ phát hiện chính xác với số phát hiện sai khác nhau trên dữ liệu .29
MIT - CMU 29
Bảng 4. Tỉ lệ phát hiện chính xác với số phát hiện sai khác nhau trên dữ liệu .34
MIT - CMU 34
Bảng 5. Hiệu suất của bộ phát hiện ADABOOST trên tập dữ liệu CALTECH .36
Bảng 6. Hiệu suất của bộ phát hiện AB - LBP trên tập dữ liệu CALTECH .37
Danh Mục Các Hình
Hình 1. Cascade của các bộ phân lớp mạnh. Nơi một vùng ứng viên có thể bị loại
tại bất kì giai đoạn nào .14
Hình 2. Ví dụ sự tính toán LBP 15
Hình 3. Minh họa toán tử LBP mở rộng với các giá trị P và R khác nhau Giá trị các
pixel được nội suy cho các điểm không nằm trong tâm của một pixel 16
Hình 4. Từ trái sang phải, các mẫu vân cơ bản: điểm chấm, điểm chấm nhạt, điểm
cuối đường thẳng, biên cạnh, góc được phát hiện bởi LBPu2 17
Hình 5. Sự biễu diễn khuôn mặt: histogram đặc trưng được tạo bằng cách kết hợp
histogram LBP cục bộ và histogram LBP toàn cục. 18
Hình 6. Ví dụ của các ảnh khuôn mặt được sử dụng để huấn luyện AdaBoost .19
Hình 7. Kết quả phát hiện khuôn mặt trên tập MIT + CMU. Nếu một số lượng lớn
bộ phân lớp mạnh được sử dụng trong cascade tree thì thời gian xử lí sẽ tăng và một số
khuôn mặt bị sót. Một vài background khó bị phân lớp sai là khuôn mặt (false positive)
2
Hình 8. Vài cửa sổ kích thước 20×20 được rút trích ngẫu nhiên từ một ảnh không
chứa khuôn mặt nào để tạo các mẫu non – face cho bộ phát hiện LBP .24
Hình 9. Quá trình phát hiện khuôn mặt của bộ phát hiện AB – LBP .27
Hình 10. Kết quả của bộ phát hiện AB – LBP trên một số ảnh test trên tập dữ liệu
MIT + CMU .33
Hình 11. Một số ảnh trong tập dữ liệu CalTech .36
Hình 12. Một số kết quả phát hiện khuôn mặt của AdaBoost và AB – LBP trên tập
dữ liệu CalTech 38
Hình 13. Sử dụng nội suy để tính toán giá trị p g .51
Nội Dung
Mục lục .1
Chương 1. Bài toán phát hiện khuôn mặt – mục đích, sự cần thiết của nghiên cứu
và kết quả nghiên cứu đạt được 4
1.1 Sự cần thiết của nghiên cứu .4
1.2 Mục đích nghiên cứu .5
1.3 Kết quả đạt được của luận văn .5
Chương 2. Các công trình liên quan .7
2.1 Nhóm phương pháp dựa trên tri thức .7
2.2 Nhóm phương pháp dựa trên đặc trưng bất biến .7
2.3 Nhóm phương pháp dựa trên đối sánh mẫu .7
2.4 Nhóm phương pháp dựa trên máy học 7
2.5 Một số nghiên số nghiên cứu về bài toán phát hiện mặt người tại khoa Công
Nghệ Thông Tin, ĐH Khoa Học Tự Nhiên Tp. HCM .9
Chương 3. Áp dụng AdaBoost và LBP cho bài toán phát hiện mặt người .12
3.1 AdaBoost .12
3.1.1 Tổng quan về AdaBoost .12
3
3.1.2 Áp dụng AdaBoost cho bài toán phát hiện khuôn mặt .12
3.2 Local Binary Pattern(Mẫu nhị phân cục bộ) 14
3.2.1 Local Binary Pattern .14
3.2.2 Áp dụng LBP cho bài toán phát hiện khuôn mặt .17
3.3 Phân tích và đánh giá phát hiện mặt người sử dụng AdaBoost và LBP 18
3.3.1 Cơ sở dữ liệu cho huấn luyện phát hiện khuôn mặt với phương pháp
AdaBoost .18
3.3.2 Kết quả thực nghiệm của phương pháp AdaBoost .19
3.3.3 Cơ sở dữ liệu cho huấn luyện phát hiện khuôn mặt với phương pháp LBP 23
Chương 4. Mô hình kết hợp của AdaBoost và LBP cho bài toán phát hiện mặt
người 27
4.1 Mô hình đề xuất .27
4.2 Các kết quả thực nghiệm và thảo luận .28
4.3 Kết quả thực nghiệm của phương pháp đề xuất trên tập dữ liệu CalTech 34
Chương 5. Kết luận và hướng phát triển .39
Danh mục công trình của tác giả 40
Tài liệu tham khảo .41
Phụ lục .44
A. Cơ sở toán học của AdaBoost .44
1. AdaBoost .44
B. Nội suy song tuyến tính .51