Thông tin chung
  English
  Đề tài NC khoa học
  Bài báo, báo cáo khoa học
  Hướng dẫn Sau đại học
  Sách và giáo trình
  Các học phần và môn giảng dạy
  Giải thưởng khoa học, Phát minh, sáng chế
  Khen thưởng
  Thông tin khác
  Tài liệu tham khảo
  Hiệu chỉnh
 
Số người truy cập: 106,972,931

 Thuật toán AdaBoost nhanh sử dụng mật độ Gauss trong nhận diện khuôn mặt
Tác giả hoặc Nhóm tác giả: TS. Phạm Minh Tuấn*
Nơi đăng: Tạp chí Khoa học Công nghệ ĐHĐN; Số: 6(127).2018;Từ->đến trang: 51;Năm: 2018
Lĩnh vực: Xã hội nhân văn; Loại: Bài báo khoa học; Thể loại: Trong nước
TÓM TẮT
Phương pháp phát hiện mặt người do Paul Viola và Michael J. Jones đã phát triển và được áp dụng rộng rãi trong nhiều hệ thống thực tế. Mặc dù tính hiệu quả và linh hoạt đã đáp ứng được yêu cầu về cả hiệu suất và độ chính xác, những vẫn còn nhiều khía cạnh có thể được cải thiện. Bài báo này kế thừa hệ thống phát hiện mặt của Viola-Jones và giới thiệu hai đóng góp quan trọng mới. Đầu tiên là thay đổi cách sử dụng ảnh tích phân để trích xuất được đặc tính có giá trị hơn cũng như tăng khả năng phát hiện mặt. Tiếp theo là phương pháp áp dụng AdaBoost mới, sử dụng phân phối Gauss để tính khoảng cách đến trọng tâm của vùng mặt và vùng không phải mặt, từ đó phân loại tốt hơn. Bằng thực nghiệm, tác giả cũng đã chứng minh rằng việc sử dụng một phần của bộ đặc tính vẫn đủ để tạo nên một lớp phân loại mạnh thay vì dùng toàn bộ bộ đặc tính. Kết quả cho thấy bộ nhớ và thời gian để học được giảm đi rất nhiều.
ABSTRACT
In the past few years, Paul Viola and Michael J. Jones have successfully developed a new face detection approach which has been widely applied to many detection systems. Even though the efficiency and robustness are proved in both performance and accuracy, there is still a number of improvements that we can apply to enhance their algorithm. This paper inherits face detection framework of Viola-Jones and introduces two key contributions. First, the modification is used to apply integral image so that features are more informative and help increase detection performance. The second contribution is the new approach to utilize AdaBoost that uses Gaussian Probability Distribution to compute how close to the mean positive and negative distributions are, then classify them more efficiently. Furthermore, by experiments, we also prove that a small fraction of a feature set is far enough to develop a good strong classifier instead of the whole feature set. As a result, the memory required as well as the time for training is minimized.
© Đại học Đà Nẵng
 
 
Địa chỉ: 41 Lê Duẩn Thành phố Đà Nẵng
Điện thoại: (84) 0236 3822 041 ; Email: dhdn@ac.udn.vn