Tìm hiểu chất lượng của những thuật toán nhận biết khuôn mặt
from web site
hiện giờ, nhận biết khuôn mặt luôn là một chủ đề thú vị, cốt yếu là vì kết quả rất trực quan - và ko đòi hỏi phổ biến trí nghĩ đến để hiểu phương pháp dùng tính năng nhận biết khuôn mặt trong những vận dụng thực tế. từ hệ thống an ninh gia đình đến giám sát, hoặc chỉ điều khiển TV, nhận dạng khuôn mặt là 1 phần quan yếu của thị giác máy tính. hôm nay, chúng ta mang thể khám phá cách nó hoạt động trong OpenCV.
Thuật toán Viola-Jones
Thuật toán Viola-Jones được Paul Viola và Michael Jones xuất bản lần trước hết vào năm 2001 trong bài báo năm 2001 của họ "Phát hiện đối tượng nhanh chóng bằng cách dùng một tầng nâng cao cường những tính năng đơn giản", đã trở nên 1 trong những bài báo được trích dẫn phổ thông nhất trong tài liệu thị giác máy tính. Trong bài báo này, Viola và Jones đã buộc phải 1 thuật toán mang thể phát hiện những đối tượng trong ảnh bất kể vị trí và tỷ lệ của chúng trong ảnh. tuy nhiên, thuật toán sở hữu thể chạy chỉ mất khoảng thực, giúp phát hiện những đối tượng trong luồng video.
Cụ thể, Viola và Jones tập trung vào việc phát hiện khuôn mặt trong hình ảnh, nhưng thuật toán cũng có thể được dùng để tập huấn các máy dò mua những đối tượng tùy ý, chả hạn như ô tô, tòa nhà, thiết bị nhà bếp và thậm chí là chuối.
Ưu điểm và nhược điểm máy chấm công thẻ giấy
mặc dù khung Viola-Jones mở ra cánh cửa cho việc phát hiện đối tượng, nhưng giờ đây nó đã vượt qua những cách khác, chẳng hạn như việc sử dụng biểu đồ của gradient có định hướng (HOG) + SVM tuyến tính và học sâu, nhưng tôi vẫn nghĩ rằng điều quan yếu là chúng ta phải rất quan tâm đến nó Thuật toán này ít nhất cũng có hiểu biết cấp cao về những gì đang xảy ra ở phía dưới.
Hãy nhớ hình ảnh hạt nhân và phương pháp chúng ta trượt 1 ma trận nhỏ trong khoảng trái sang phải và từ trên xuống dưới trên hình ảnh của chúng ta để tính toán trị giá đầu ra cho mỗi pixel trung tâm của hạt nhân? Chà, hóa ra cách thức cửa sổ trượt này cũng rất bổ ích trong bối cảnh phát hiện những đối tượng trong hình ảnh:
Rõ ràng, điều này đòi hỏi 1 số máy học. Chúng tôi cần một bộ phân mẫu được đào tạo sở hữu những mẫu mặt tích cực và thụ động. Điểm dữ liệu dương sẽ là một ví dụ về một khu vực sở hữu đựng 1 khuôn mặt người. những điểm dữ liệu âm sẽ là tỉ dụ về các khu vực ko chứa khuôn mặt người. Dựa trên những điểm dữ liệu này, chúng tôi sở hữu thể tập huấn một bộ phân dòng để trông thấy liệu 1 khu vực một mực của hình ảnh sở hữu đựng khuôn mặt người hay ko.
May mắn thay, OpenCV mang thể dùng tầng Haar được đào tạo trước để nhận biết khuôn mặt:
Hướng dẫn sử dụng máy chấm công thẻ giấy tránh các lỗi thường gặp
Điều này đảm bảo rằng chúng tôi ko cần phải cung ứng những loại âm và dương của riêng mình, huấn luyện bộ phân chiếc của riêng chúng tôi hoặc lo âu về việc điều chỉnh những tham số 1 cách chuẩn xác. Thay vào đấy, chúng tôi chỉ cần chuyên chở lên bộ phân mẫu được đào tạo trước và phát hiện những khuôn mặt trong hình ảnh.
Đối mang mỗi điểm dừng trên phố cửa sổ trượt, năm đặc điểm hình chữ nhật được tính toán:
ví như bạn đã thân thuộc có các wavelet, bạn sẽ thấy rằng chúng với 1 số điểm tương đồng có những hàm cơ bản của Wavelet Haar.
Để sở hữu được các đặc điểm của từng trong số năm hình chữ nhật này, chúng ta chỉ cần lấy tổng số pixel trong vùng đen trừ đi tổng số pixel trong vùng trắng. Điều thú vị là những tính năng này rất quan yếu trong môi trường nhận dạng khuôn mặt:
Vùng mắt với khuynh hướng đậm hơn vùng má.
-Vùng mũi sáng hơn vùng mắt.
cho nên, ưng chuẩn năm khu vực hình chữ nhật này, chúng ta có thể hình thành các đặc điểm mang thể phân loại những phòng ban trên khuôn mặt. Sau đó, đối mang đa số tụ họp tính năng, chúng tôi sẽ dùng thuật toán AdaBoost để chọn các tính năng đó tương ứng có vùng khuôn mặt của ảnh.
tuy nhiên, như bạn với thể hình dong, hãy sử dụng một cửa sổ trượt nhất định và trượt nó trên mỗi (x, y) của hình ảnh, sau đó tính toán những đặc điểm giống Haar, và rốt cục thực hành phân chiếc thực. Nó mang thể tốn kém về mặt tính toán.
Để giải quyết vấn đề này, Viola và Jones đã đưa ra định nghĩa về tầng hoặc sân khấu. Tại mỗi điểm giới hạn trên đường dẫn cửa sổ trượt, cửa sổ phải vượt qua 1 loạt những bài rà soát, trong đấy mỗi bài kiểm tra tiếp theo sẽ đắt hơn về mặt tính toán so mang bài kiểm tra trước đó. ví như bất kỳ 1 trong các bài kiểm tra ko thành công, cửa sổ sẽ tự động đóng lại.
Do việc sử dụng những hình ảnh dựng sẵn (còn được gọi là bảng tổng hợp), 1 số lợi ích của thác Haar là chúng rất nhanh trong việc tính toán những tính năng giống như Haar. Bằng cách tiêu dùng thuật toán AdaBoost, chúng cũng rất hiệu quả để lựa chọn tính năng. có nhẽ quan trọng nhất là họ có thể phát hiện khuôn mặt trong ảnh bất nói vị trí hoặc tỷ lệ khuôn mặt. rút cục, thuật toán Viola-Jones để phát hiện đối tượng sở hữu thể chạy chỉ cần khoảng thực.
Thông tin liên hệ Thiết Bị Máy Chấm Công ThietBiMayChamCong TBMCC
Huong dan su dung may cham cong the giay tranh cac loi thuong gap
Địa chỉ: 32 Đào Tấn, Phường Ngọc Khánh, Quận Ba Đình, Hà Nội
Hotline: 0934590833
Email: thietbimaychamcongcom@gmail.com
Website: https://bit.ly/3vHm4Uv
Fanpage: https://www.facebook.com/thietbimaychamcong/
Google Business: https://thiet-bi-may-cham-cong.business.site/
hashtag: #ThietBiMayChamCong #TBMCC #Thiết_Bị_Máy_Chấm_Công #Thiet_Bi_May_Cham_Cong #máy_chấm_công #may_cham_cong #maychamcong #máy_chấm_công_vân_tay #may_cham_cong_van_tay #maychamcongvantay #may_cham_cong_khuon_mat #máy_chấm_công_khuôn_mặt #maychamcongkhuonmat #máy_chấm_công_thẻ_từ #may_cham_cong_the_tu #maychamcongthetu #máy_chấm_công_thẻ_giấy #may_cham_cong_the_giay #maychamcongthegiay #thietbimaychamcongcom #thiết_bị_máy_chấm_công_com #thiet_bi_may_cham_cong_com
Thuật toán Viola-Jones
Thuật toán Viola-Jones được Paul Viola và Michael Jones xuất bản lần trước hết vào năm 2001 trong bài báo năm 2001 của họ "Phát hiện đối tượng nhanh chóng bằng cách dùng một tầng nâng cao cường những tính năng đơn giản", đã trở nên 1 trong những bài báo được trích dẫn phổ thông nhất trong tài liệu thị giác máy tính. Trong bài báo này, Viola và Jones đã buộc phải 1 thuật toán mang thể phát hiện những đối tượng trong ảnh bất kể vị trí và tỷ lệ của chúng trong ảnh. tuy nhiên, thuật toán sở hữu thể chạy chỉ mất khoảng thực, giúp phát hiện những đối tượng trong luồng video.
Cụ thể, Viola và Jones tập trung vào việc phát hiện khuôn mặt trong hình ảnh, nhưng thuật toán cũng có thể được dùng để tập huấn các máy dò mua những đối tượng tùy ý, chả hạn như ô tô, tòa nhà, thiết bị nhà bếp và thậm chí là chuối.
Ưu điểm và nhược điểm máy chấm công thẻ giấy
mặc dù khung Viola-Jones mở ra cánh cửa cho việc phát hiện đối tượng, nhưng giờ đây nó đã vượt qua những cách khác, chẳng hạn như việc sử dụng biểu đồ của gradient có định hướng (HOG) + SVM tuyến tính và học sâu, nhưng tôi vẫn nghĩ rằng điều quan yếu là chúng ta phải rất quan tâm đến nó Thuật toán này ít nhất cũng có hiểu biết cấp cao về những gì đang xảy ra ở phía dưới.
Hãy nhớ hình ảnh hạt nhân và phương pháp chúng ta trượt 1 ma trận nhỏ trong khoảng trái sang phải và từ trên xuống dưới trên hình ảnh của chúng ta để tính toán trị giá đầu ra cho mỗi pixel trung tâm của hạt nhân? Chà, hóa ra cách thức cửa sổ trượt này cũng rất bổ ích trong bối cảnh phát hiện những đối tượng trong hình ảnh:
Rõ ràng, điều này đòi hỏi 1 số máy học. Chúng tôi cần một bộ phân mẫu được đào tạo sở hữu những mẫu mặt tích cực và thụ động. Điểm dữ liệu dương sẽ là một ví dụ về một khu vực sở hữu đựng 1 khuôn mặt người. những điểm dữ liệu âm sẽ là tỉ dụ về các khu vực ko chứa khuôn mặt người. Dựa trên những điểm dữ liệu này, chúng tôi sở hữu thể tập huấn một bộ phân dòng để trông thấy liệu 1 khu vực một mực của hình ảnh sở hữu đựng khuôn mặt người hay ko.
May mắn thay, OpenCV mang thể dùng tầng Haar được đào tạo trước để nhận biết khuôn mặt:
Hướng dẫn sử dụng máy chấm công thẻ giấy tránh các lỗi thường gặp
Điều này đảm bảo rằng chúng tôi ko cần phải cung ứng những loại âm và dương của riêng mình, huấn luyện bộ phân chiếc của riêng chúng tôi hoặc lo âu về việc điều chỉnh những tham số 1 cách chuẩn xác. Thay vào đấy, chúng tôi chỉ cần chuyên chở lên bộ phân mẫu được đào tạo trước và phát hiện những khuôn mặt trong hình ảnh.
Đối mang mỗi điểm dừng trên phố cửa sổ trượt, năm đặc điểm hình chữ nhật được tính toán:
ví như bạn đã thân thuộc có các wavelet, bạn sẽ thấy rằng chúng với 1 số điểm tương đồng có những hàm cơ bản của Wavelet Haar.
Để sở hữu được các đặc điểm của từng trong số năm hình chữ nhật này, chúng ta chỉ cần lấy tổng số pixel trong vùng đen trừ đi tổng số pixel trong vùng trắng. Điều thú vị là những tính năng này rất quan yếu trong môi trường nhận dạng khuôn mặt:
Vùng mắt với khuynh hướng đậm hơn vùng má.
-Vùng mũi sáng hơn vùng mắt.
cho nên, ưng chuẩn năm khu vực hình chữ nhật này, chúng ta có thể hình thành các đặc điểm mang thể phân loại những phòng ban trên khuôn mặt. Sau đó, đối mang đa số tụ họp tính năng, chúng tôi sẽ dùng thuật toán AdaBoost để chọn các tính năng đó tương ứng có vùng khuôn mặt của ảnh.
tuy nhiên, như bạn với thể hình dong, hãy sử dụng một cửa sổ trượt nhất định và trượt nó trên mỗi (x, y) của hình ảnh, sau đó tính toán những đặc điểm giống Haar, và rốt cục thực hành phân chiếc thực. Nó mang thể tốn kém về mặt tính toán.
Để giải quyết vấn đề này, Viola và Jones đã đưa ra định nghĩa về tầng hoặc sân khấu. Tại mỗi điểm giới hạn trên đường dẫn cửa sổ trượt, cửa sổ phải vượt qua 1 loạt những bài rà soát, trong đấy mỗi bài kiểm tra tiếp theo sẽ đắt hơn về mặt tính toán so mang bài kiểm tra trước đó. ví như bất kỳ 1 trong các bài kiểm tra ko thành công, cửa sổ sẽ tự động đóng lại.
Do việc sử dụng những hình ảnh dựng sẵn (còn được gọi là bảng tổng hợp), 1 số lợi ích của thác Haar là chúng rất nhanh trong việc tính toán những tính năng giống như Haar. Bằng cách tiêu dùng thuật toán AdaBoost, chúng cũng rất hiệu quả để lựa chọn tính năng. có nhẽ quan trọng nhất là họ có thể phát hiện khuôn mặt trong ảnh bất nói vị trí hoặc tỷ lệ khuôn mặt. rút cục, thuật toán Viola-Jones để phát hiện đối tượng sở hữu thể chạy chỉ cần khoảng thực.
Thông tin liên hệ Thiết Bị Máy Chấm Công ThietBiMayChamCong TBMCC
Huong dan su dung may cham cong the giay tranh cac loi thuong gap
Địa chỉ: 32 Đào Tấn, Phường Ngọc Khánh, Quận Ba Đình, Hà Nội
Hotline: 0934590833
Email: thietbimaychamcongcom@gmail.com
Website: https://bit.ly/3vHm4Uv
Fanpage: https://www.facebook.com/thietbimaychamcong/
Google Business: https://thiet-bi-may-cham-cong.business.site/
hashtag: #ThietBiMayChamCong #TBMCC #Thiết_Bị_Máy_Chấm_Công #Thiet_Bi_May_Cham_Cong #máy_chấm_công #may_cham_cong #maychamcong #máy_chấm_công_vân_tay #may_cham_cong_van_tay #maychamcongvantay #may_cham_cong_khuon_mat #máy_chấm_công_khuôn_mặt #maychamcongkhuonmat #máy_chấm_công_thẻ_từ #may_cham_cong_the_tu #maychamcongthetu #máy_chấm_công_thẻ_giấy #may_cham_cong_the_giay #maychamcongthegiay #thietbimaychamcongcom #thiết_bị_máy_chấm_công_com #thiet_bi_may_cham_cong_com
