face detection

Phat Hiên Khuôn Măt Trong Anh

Nhóm thực hiện: Nhóm 4

Face DetectionUsing Haar – Like & AdaBoost

Xử lý ảnh

2

Nôi 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

Nôi Dung

Giới thiệu thư viện đồ họa Open CV

Bài toán phát hiện khuôn mặt

Các đặc trưng Haar - Like

Integral Image

AdaBoost

5

Bai toan phat hiên khuôn măt

• 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 MặtKhông phai

mặt

7

Dưa trên đặc trưng bât biên

Cac phương phap giải quyêtPhát hiện khuôn

mặt

Dưa trên tri thưc

Dưa trên so sánh mâu

Dưa trên diện mao

Luât

Luât

Luât

8

Hoat đông

9

Nôi Dung

Giới thiệu thư viện đồ họa Open CV

Bài toán nhân diện khuôn mặt

Đặc trưng Haar - Like

Integral Image

AdaBoost

10

Đăc trưng Haar - Like

Các đặc trưng Haar - Like• Nhóm các đặc trưng đường

• Nhóm các đặc trưng canh

• 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 thưc sau:

f(x) = Tổng vùng đen (các mức xám của Pixel) - Tổng vùng trắng (các mức xám

của Pixel)

11

Nôi Dung

Giới thiệu thư viện đồ họa Open CV

Bài toán nhân diện khuôn mặt

Đặc trưng Haar - Like

Integral Image

AdaBoost

12

Ảnh tích phân

Tính nhanh các đặc trưng thông qua anh tích phân

A B

C D

(x,y)

1 2

3 4

4 + 1- 2 - 3

Anh tích phân (Integral Image)

13

Nôi Dung

Giới thiệu thư viện đồ họa Open CV

Bài toán nhân 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

Câu truc thac loc (Cascade)Stage

Tree

Node

Feature

18

Qua trinh locStage 0

Tree 0

Root note

<_>2 7 16 4 -1.</_><_>2 9 16 2 2.</_>

Ngương

Không phải mặt Stage 1

19

20

Cac kho khănKích thước

Tư thê

Net mặt

Che khuât

Góc lệch

Hinh nên

Anh sáng

Chât lượng anh…vv..

21

Xin chân thanh cảm ơn