Trang nhan đề

Lời cảm ơn

Mục lục

Chương_1: Bài toán phát hiện khuôn mặt- mục đích, sự cần thiết của nghiên cứu và kết quả nghiên cứu đạt được

Chương_2: Các công trình liên quan

Chương_3: ÁP dụng AdaBoost và LBP cho bài toán phát hiện mặt người

Chương_4: Mô hình kết hợp của AdaBoost và LBP cho bài toán phát hiện mặt người

Chương_5: Kết luận và phương hướng phát triển

Danh mục công trình tác giả

Tài liệu tham khảo

Phụ lục

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 .1 4

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 .2 7

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