PháT HiệN KhuôN MặT Trong ẢNh1. Phát Hiện Khuôn Mặt Trong Ảnh Giáo viên hướng dẫn: PGS.TS. Từ Minh Phương Sinh viên thực hiện: Nguyễn Thái Thủy Chung 4. Các phương pháp giải quyết Dựa trên đặc trưng bất biến Phát hiện khuôn mặt Dựa trên tri thức Dựa trên so sánh mẫu Dựa trên diện mạo Luật Luật Luật 11. Quá trình lọc Stage 0 Tree 0 Root note <_>2 7 16 4 -1.</_> <_>2 9 16 2 2.</_> Ngưỡng Không phải mặt Stage 1 14. Thử nghiệm & Đánh giá 22.75% 43/189 0.8 5.80% 94.19% 9 146 189 NTS 30% 165/550 0.7 6.32% 93.67% 26 385 550 CMU Tỉ lệ thiếu Phát hiện thiếu Thời gian Tỉ lệ sai Độ chính xác Sai Đúng Số mặt Tập ảnh 62.96% 68/108 0.8 14.89% 85.11% 7 40 108 Khó 27.99% 117/418 0.8 3.52% 96.47% 11 301 418 Trung Bình 8.58% 14/163 0.6s 10.14% 89.85% 14 124 163 Dễ Tỉ lệ thiếu Phát hiện thiếu Thời gian Tỉ lệ sai Độ chính xác Sai Đúng Số mặt Tập ảnh Editor's Notes Bài toán phát hiện khuôn mặt là bài toán phát hiện vị trí, kích thước của khuôn mặt, đồng thời loại bỏ tất cả các thành phần không phải là khuôn mặt. Bài toán phát hiện mặt là một bước tiền xử lý và đóng vai trò quan trọng trong nhiều bài toán có ý nghĩa thực tế như bài toán nhận dạng mặt, bám mặt… PP Tri thức: mã hóa tri thức của các chuyên gia thành các luật PP Đặc trưng bất biến: Các đặc trưng bất biến của mặt được xác định = 1pp (xác định cạnh) => luật PP So mẫu: Sử dụng một mẫu chuẩn, tính giá trị tương quan PP Diện mạo: Huấn luyện một tập ảnh chứa mặt và 1 tập ảnh ko chứa mặt => luật Các đặc trưng Haar được dùng để tính độ chênh lệch giữa các giá trị điểm ảnh trong các vùng kề nhau. Có đặc trưng cạnh, đường, bao quanh Ảnh tích phân: thể hiện trung gian của ảnh. Lý do sử dụng các đặc trưng thay vì sử dụng trực tiếp các pixel: các đặc trưng có thể dùng để mã hóa một miền kiến thức của một tập dữ liệu lớn. Mặc dù trong một ảnh, số lượng các đặc trưng thậm chí còn nhiều hơn số lượng các pixel, nhưng nhờ sử dụng Adaboost, ta có thể chọn ra một số ít những đặc trưng có thể dùng để phát hiện mặt Adaboost là một thuật toán nhằm kết hợp các bộ lọc yếu để tạo thành một bộ lọc mạnh Nguyên tắc HĐ: AdaBoost sẽ tính toán lại trọng số cho tất cả các mẫu trong tập huấn luyện nhằm nhấn mạnh sự chú ý đến những bộ lọc cho kết quả ko chính xác. Các trường hợp khó sẽ được tập trung Adaboost có 2 nhiệm vụ, 1 là chọn ra một số lượng các đặc trưng (bộ lọc yếu) có thể đáp ứng được yêu cầu phát hiện mặt 2 là kết hợp các bộ lọc yếu thành một bộ lọc mạnh (thác lọc) Thác lọc sẽ cố gắng để loại bỏ càng nhiều ảnh ko chứa mặt (background) ở giai đoạn đầu càng tốt. Tức là những cửa sổ ảnh mà đi qua toàn bộ các thác lọc sẽ là những trường hợp khó nhất, có khả năng cao nhất là khuôn mặt