tailieunhanh - Đặc trưng Dense Sift và thuật toán Local naive bayes nearest neighbor trong nhận dạng mặt người

Trong bài báo này, chúng tôi trình bày phương pháp mới, kết hợp Haar Like Feature - Cascade of Boosted Classifiers, Dense Scale-Invariant Feature Transform (DSIFT), thuật toán Local Naive Bayes Nearest Neighbor (LNBNN) để nhận dạng mặt người. | TẠP CHÍ KHOA HỌC TRƯỜNG ĐẠI HỌC TRÀ VINH, SỐ 28, THÁNG 12 NĂM 2017 ĐẶC TRƯNG DENSE SIFT VÀ THUẬT TOÁN LOCAL NAIVE BAYES NEAREST NEIGHBOR TRONG NHẬN DẠNG MẶT NGƯỜI DENSE SIFT FEATURE AND LOCAL NAIVE BAYES NEAREST NEIGHBOR FOR FACE RECOGNITION Châu Ngân Khánh1 , Đoàn Thanh Nghị2 Tóm tắt – Công nghệ nhận dạng mặt người đã được ứng dụng rộng rãi trong đời sống. Chúng ta đã có nhiều thuật toán được nghiên cứu để giải quyết bài toán này. Trong bài báo này, chúng tôi trình bày phương pháp mới, kết hợp Haar Like Feature - Cascade of Boosted Classifiers, Dense Scale-Invariant Feature Transform (DSIFT), thuật toán Local Naive Bayes Nearest Neighbor (LNBNN) để nhận dạng mặt người. Đầu tiên, rút trích ảnh khuôn mặt bằng thuật toán AdaBoost với mô hình Cascade trên đặc trưng Haar Like, tính các DSIFT trên ảnh đã rút trích. Sau đó, sử dụng LNBNN để nhận dạng. Kết quả thử nghiệm trên các tập dữ liệu kiểm chuẩn cho thấy phương pháp này đạt kết quả tốt hơn các phương pháp khác, độ chính xác của LNBNN là Từ khóa: đặc trưng Haar Like, thuật toán AdaBoost, mô hình phân tầng Cascade, đặc trưng SIFT, nhận dạng khuôn mặt, thuật toán Local Naive Bayes Nearest Neighbor. of AdaBoost algorithm and Cascade stratified model to detect and extract the face image, the DSIFT descriptors of the image are computed only for the aligned and cropped face image. Then, we apply the LNBNN algorithms for object recognition. Numerical testing on several benchmark datasets using our proposed method for face recognition gives the better results than other methods. The accuracies obtained by LNBNN method is %. Keywords: haar Like Features, AdaBoost Algorithm, Cascade of Boosted Classifiers, DSIFT, Face recognition, Local Naive Bayes Nearest Neighbor. I. ĐẶT VẤN ĐỀ Cùng với sự phát triển công nghệ cao, nhận dạng mặt người ngày càng được ứng dụng rộng rãi, nhiều hệ thống nhận mặt người ra đời và giữ vai trò quan trọng trong đời sống con người. Hệ thống nhận dạng mặt người cơ bản gồm có các thành

• Kỹ thuật lập trình
• Đặc trưng Dense Sift
• Thuật toán Local naive bayes nearest neighbor
• Local naive bayes nearest neighbor
• Nhận dạng mặt người
• Đặc trưng Haar Like
• Thuật toán AdaBoost
• Mô hình phân tầng Cascade
• Nhận dạng logo
• Naïve Bayes Nearest Neighbor
• Đặc trưng DSIFT
• Dense Scale Invariant Feature Transform
• Đặc trưng SIFT
• Nhận dạng khuôn mặt
• Bayes thơ ngây với láng giềng
• Mô hình phân tầng cascade (CBC)
• Scale invariant feature transform SIFT
• Tự động phát hiện
• Hệ thống giám sát an ninh
• Bệ pan til
• Trích xuất đặc trưng Haar Like