BẮT cử ĐỘNG KHUÔN mặt QUA VIDEO và áp lên mô HÌNH 3d

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC NHA TRANG KHOA CƠNG NGHỆ THƠNG TIN ĐỊ ÁN TỐT NGHIỆP ĐẠI HỌC BẮT CỬ ĐỘNG KHUÔN MẶT QUA VIDEO VÀ ÁP LÊN MÔ HỈNH 3D Giảng viên hướng dẫn: NGUYỄN ĐÌNH CƯỜNG Sinh viên thực hiện: NGUYỄN HỒI NAM Lớp: 51TH-2 MSSV: 51130953 Tháng 6/2013 LỜI MỞ ĐẦU Nền công nghiệp giải trí ngày phát triển, đặc biệt lĩnh vực điện ảnh game, địi hỏi cơng nghệ đồ họa phải phát triển tương ứng để đáp ứng nhu cầu ngày cao người sử dụng Ta kiểm chứng sức mạnh cơng nghệ đồ họa qua hình ảnh chân thực phim bom năm gần Và điều tác động đến thị giác người xem khả diễn hoạt cử động uyển chuyển mơ hình nhân vật 3D phim Để làm chuyển động vậy, cơng nghệ hỗ trợ cho việc xử lí chuyển động đời, cơng nghệ MoCap (Motion Capture - bắt giữ chuyển động) Qua việc thu nhận chuyển động điểm đánh dấu cảm biến gắn người diễn viên, công nghệ MoCap giúp nhà làm phim tái chuyển động thật đến đáng kinh ngạc lên mô hình nhân vật sản phẩm Với lịch sử phát triển lâu đời, công nghệ MoCap ngày hoàn thiện để phục vụ cho nhiều mục đích khác ngồi phim ảnh Tuy nhiên, trở ngại tiếp xúc với công nghệ chi phí thực đắt đỏ cho thiết bị chuyên dụng xây dựng môi trường thực kĩ thuật Đặc biệt, việc MoCap khn mặt phức tạp điểm đánh dấu nhiều Với mong muốn cung cấp giải pháp hiệu tiết kiệm chi phí cho tổ chức vừa nhỏ, em xin thực phương pháp MoCap khuôn mặt không cần sử dụng cảm biến thiết bị chuyên dụng đắt tiền Với phương pháp này, tất ta cần webcam thông dụng đủ để thực MoCap Ý tưởng phương pháp bắt điểm đánh dấu khuôn mặt cách tự động kết hợp hai thuật toán: thuật tốn phát khn mặt Viola-Jones thuật tốn chiết xuất điểm đặc trưng ASM (Active Shape Model) Vì thời gian thực có hạn, khó khăn phát sinh trình thực hiện, nên đồ án khơng tránh khỏi thiếu sót Kính mong thầy góp ý sửa chữa để đồ án ngày hoàn thiện Chân thầy thành cảm ơnkiện giáovà viên hướng dẫn Nguyễn ĐìnhCNTT Cường, Hồng Thanh, nhà Trần Minh Văn, côthầy khác trường án đãLê tạo điều giúp đỡthầy em trìnhkhoa thực đồ MỤC LỤC 3.2.2 Chương ĐÁNH GIÁ PHƯƠNG PHÁP VÀ PHƯƠNG HƯỚNG PHÁT DANH MỤC CÁC BẢNG, SƠ ĐỒ, HÌNH Hình B.1: .63 Hình B.2: 63 Hình B.3: 64 Hình B.4: 64 Hình B.5: 64 Hình B.6: 55 KÍ HIỆU CÁC CỤM TỪ VIẾT TẮT Từ viết tắt Giải thích ASM Active Shape Model MoCap Motion Capture - Bắt giữ chuyển động 2D dimension - chiều 3D dimension - chiều CHƯƠNG 1: TÔNG QUAN VỀ CÔNG NGHỆ MOCAP MoCap (Motion Capture - bắt giữ chuyển động) kĩ thuật thu lại chuyển động thật đối tượng sử dụng lĩnh vực điện ảnh, quân đội, giải trí, thể thao, y tế, robot thị giác máy tính (computer vision) Phần xin phép giới thiệu cách tổng quát công nghệ MoCap lĩnh vực sử dụng nhiều điện ảnh MoCap kĩ thuật bắt chuyển động diễn viên, sau biểu diễn hoạt họa lại chuyển động lên diễn viên số dựng máy tính mơ hình 2D 3D Ý tưởng kĩ thuật MoCap thu lại chuyển động hay nhiều diễn viên cách lấy mẫu chuyển động nhiều lần giây Các kĩ thuật sơ khai sử dụng hình ảnh từ nhiều webcam chuyển thành liệu 3D Kĩ thuật MoCap đơn bắt lại chuyển động đối tượng mà không quan tâm tới bề ngồi đối tượng [21][23] 1.1 Lịch Sử Ra Đời Của Cơng Nghệ MoCap: Ta thấy rằng, MoCap kĩ thuật ứng dụng phim game bom lĩnh vực liên quan nhằm mang đến cho người trải nghiệm thị giác chân thực Và thật khó tin rằng, kĩ thuật manh nha từ sớm, trước máy tính điện tử đời Cùng điểm qua mốc thời gian bật trình hình thành phát triển MoCap: - Năm 1830, điện ảnh giới thống trị thước phim trắng đen, Eadweard Muybridge cho đời đoạn phim MoCap Ông sử dụng máy quay cổ điển để thu lại chuyển động loại động vật (animal locomotion) ghi chúng loại đĩa đặc biêt để phát lại với thiết bị gọi Zoopraxiscope Một vài năm sau đó, thước phim MoCap trình chiếu Zoopraxiscope đời Các kĩ thuật tương tự phát triển sau ứng dụng phim hoạt hình tiếng “nàng bạch tuyết bảy lùn” Walt Disney Trong phim, kĩ thuật sử dụng để thể bước chân nàng Bạch Tuyết [22][24][25] Hình 1.2 Zoopraxỉscope [25] - Năm 1903, Harold Edgerton sử dmg máy quay tốc độ cao Stroboscope để bắt chuyển dộng đối lượng Nhờ' sử dụng Stroboscope mà thước phim ông cho chất lượng tốt nhiều [21] [22] Hình 1.3 Chuyển động bắt máy quay tốc độ cao Stroboscope [23]- Năm 1915, Max Fleischer đề xuất kĩ thuật MoCap sử dụng diễn hoạt 2D với tên gọi “rotoscoping” Trong kĩ thuật này, ông tiến hành thu lại đoạn phim chuyển động diễn viên Sau đó, ơng đánh dấu điểm bao quanh rìa đối tượng cần MoCap frame video Tiếp theo, ông ánh xạ điểm lên đối tượng hoạt hình kịch cần thể chuyển động Nói cách khác, ơng vẽ nhân vật hoạt hình theo điểm mốc đánh dấu frame đoạn phim quay từ trước Ông thực kĩ thuật thiết bị tên “rotoscope” Bộ phim sử dụng kĩ thuật “Out of Inkwell” ông làm họa sĩ Một phim tiếng khác ứng dụng kĩ thuật “Nàng bạch tuyết bảy lùn” Walt Disney năm 1937 Đây kĩ thuật cổ điển mạnh sử dụng ngày tích hợp cơng cụ làm phim Adobe Kĩ thuật khắc phục điểm yếu MoCap thời kì đầu thể chuyển động đối tượng mẫu mà không tùy biến sang nhân vật khác Ngày nay, với trợ giúp máy tính loại bỏ thiết bị rotoscope cồng kềnh, thuật tốn dị vết, việc triển khai kĩ thuật thực đơn giản hết [21][22][26] Hình 1.5 Thực kĩ thuật rotoscoping - Năm 1988, máy tính điện tử đời với xuất đồ họa 3D, deGraf Wahrman sử dụng kĩ thuật MoCap ứng dụng với tên gọi “Mike the talking head” Bằng cách sử dụng mũ đặc biệt bắt cử động nhỏ khuôn mặt, ứng dụng có chức áp cử động lên khnmặt 3D làm “nói chuyện” Đây thực bước tiến lúc Ứng dụng giúp cho nhà làm phim hoạt hình thể cử động chân thực khuôn mặt nhân vật cách thu trực tiếp thay thể tay lúc trước [21][22] Hình 1.6 Chỉếc mũ bắt cử động Mỉke the talkỉng head [22] - Năm 1989, Kleiser Walczak sản xuất đoạn phim hoạt hình 3D ngắn với tên gọi “Dơzơ ” Đoạn phim mô tả cảnh ca sĩ ảo biểu diễn trước micro Ở đoạn phim này, tác giả sử dụng kĩ thuật MoCap sử dụng hệ thống quang học (optically System motion capture) với camera thu chuyển động thật diễn viên Dựa ghi nhận chuyển động đoạn băng dính phản quang người diễn viên Hệ thống tự động biểu diễn lại chuyển động lên mơ hình 3D Đây phưOTg pháp thay cho kĩ thuật dùng khung xương kim loại cồng kềnh để bắt chuyên dộng trước Tuy nhiên, kĩ thuật nhiều vướng mắc việc bắt đoạn băng dính phản quang tốc độ xử lí cịn chậm [22] ■ ■ ■ ■ Hình 1.7 Nhân vật đoạn phim Dozo [22] - Năm 1992, deGraf tiếp nối thành công “Mike the talking head” việc phát triển hệ thống dùng cho việc MoCap toàn thể người với tên gọi Alive! Hệ thống gồm khung khí chế tạo dành cho việc MoCap đầu, hông, bàn chân bàn tay với độ chi tiết cao Hệ thống cải tiến so với người tiền nhiệm để bắt chuyển động với độ xác cao tồn thể người [22] • • • • CHƯƠNG 4: 97 ĐÁNH GIÁ PHƯƠNG PHÁP VÀ HƯỚNG PHÁT TRIỂN TRONG TƯƠNG LAI 96 Thuật toán test hệ thống: 98 - Phần cứng: RAM 4GB, CPU core-i5 1,7GHz, Webcam HD 2.0 UVC, GPU GT635M 2GB Phần mềm: win 64-bit, Visual Studio 2010, OpenCV 2.4.2 4.1 Đánh Giá Thuật Toán Phát Hiện Khn Mặt Viola-Jones: Kết chương trình đánh giá liệu: Bao [15], AT&T [16] (Cambrigde University) JAFEE [27] (Psychology Department, Kyushu University) Trong đó, Bao liệu gồm 100 ảnh màu Mỗi ảnh chứa khuôn mặt người vị trí khác nghiêng đầu, xoay mặt trái, phải bao gồm ảnh chứa nhiễu bị mờ, nhịe, đội mũ, đeo kính, biểu cảm khác khn mặt, có ngoại cảnh người đứng phía sau Đối tượng liệu chủ yếu người Châu Á với độ tuổi khác AT&T liệu ĐH Cambrigde gồm 100 ảnh xám 10 người khác Cứ 10 ảnh khuôn mặt người góc độ, biểu cảm khác Đối tượng liệu người châu âu độ tuổi từ niên đến cao niên, có số đối tượng đeo kính Các ảnh liệu chứa khn mặt, khơng có ngoại cảnh yếu tố gây nhiễu, chụp độ sáng cố định JAFFE liệu Psychology Department, Kyushu University Gồm 100 ảnh xám khn mặt diện gái người Nhật với biểu cảm khác nhau, chụp nhiều điều kiện chiếu sáng khác Ảnh chụp với tĩnh đơn sắc 100 Bảng đánh giá xác định trạng thái kết phát khuôn mặt: Correct face (phát khuôn mặt), Miss face (không phát khuôn mặt), False face (phát vùng ảnh không chứa khuôn mặt) Việc phát trạng thái thực cách tự động qua bước: 99 101 102 103 104 105 Xác định khuôn mặt tập liệu tay Sau đó, lưu kết vào file có dạng sau: rawdataZO01.bmp 10 34 71 68 rawdata/002.bmp 11 28 72 75 rawdata/003.bmp 28 72 77 rawdata/004.bmp 30 74 72 rawdata/005.bmp 30 76 74 File có câu trúc: 106 107 - Chạy chương trình phát khn mặt, ghi kết file với dạng Sau so khớp kết với kết thực tay trước 108 - Việc so khớp thực sau: 109 110 111 112 Hình 4.1 Hình chữ nhật viền đậm hình chữ nhật có chứa khn mặt vẽ tay Hình chữ nhật viền mảnh hình chữ nhật kết chương trình vẽ Ta tính vùng giao A hình chữ nhật Sau tính tổng vùng khơng giao hai hình B + C lây tỉ lệ A/(B+C) Tỉ lệ lớn chứng tỏ kết chương trình xác Các trạng thái kết phát khuôn mặt dựa tỉ lệ sau: 113 • Nếu tỉ lệ < kết chương trình false face • Nếu tỉ lệ >= kết chương trình correct face • Miss face xác định độ chệnh lệch số lượng khn mặt phát chương trình với số lượng khuôn mặt xác định tay trước - Việc đánh giá thực với câu hình intel core i3 3.07 GHz, 4GB RAM, 1GB Graphic Card Sử dụngVisual Studio 2010 C++, OpenCV 2.4.2 Kết việc test liệu ghi lại bảng sau: 114 116 Databa se 115 117 l face 126 AT&T 127 132 Bao 133 138 144 JAFFE 139 Bảng 4.1 Kết đánh giá thuật toán Viola-Jones 118 Detect Status 122 C 123 Mi 124 Fals Tota 100 100 100 orrect face 128 134 140 00 129 14 130 hiệu suất = correct face/total face 131 86% 135 13 136 137 87% 141 142 143 100% ss face e face 119 Ta thấy thuật toán hoạt động ổn định liệu khác Tuy nhiên, trình test, trạng thái miss face xuất tập trung khuôn mặt nghiêng đeo kính Dễ thấy rằng, huấn luyện ta sử dụng huấn luyện chủ yếu với ảnh khn mặt diện khơng đeo kính nên ảnh hưởng tới độ xác làm việc với khn mặt loại Để khắc phục tình trạng trên, ta tăng số ảnh huấn luyện việc thêm vào ảnh khuôn mặt nghiêng đeo kính 145 146 147 148 Hình 4.2 Kết bị sai lệch với khn mặt đeo kính nghiêng Đánh Giá Thuật Tốn ASM: • Database: 4.1 149 150 - BioID: databse HumanScan AG, Switzerland gồm 100 ảnh trắng đen chứa khn mặt người chụp diện Đối tượng lấy mẫu nam, nữ người Châu Âu, độ tuổi trung niên, có người đeo kính Ảnh chụp trạng thái biểu cảm khác đối tượng môi trường sáng khác chất lượng ảnh khác với phông biến đổi - JAFE: database Psychology Department Kyushu University gồm 100 ảnh trắng đen chứa khn mặt diện người chụp Đối tượng lấy mẫu phụ nữ châu Á, độ tuổi trung niên, khơng có người đeo kính Ảnh chụp trạng thái biêu cảm khác đối tượng môi trường sáng khác nhau, với chất lượng ảnh ổn định phông tĩnh 151 152 • Đại lượng đảnh giá Me17: 156 153 154 155 Hình 4.3 ‘s’ khoảng cách trọng tâm ‘ă’ khoảng cách điểm tương ứng Là đại lượng dùng để đánh giá kết thực nghiệm Me17 gọi “độ đo sai lệch” (error measurement) kết chương trình Nói cách khác, me17 phản ánh mức độ sai sót kết chương trình xuất so với liệu kiểm tra xây dựng từ trước Me17 nhỏ, kết có sai sót, chương trình xác [19] 158 Me17 tính sau [19]: 157 - Tính trung bình khoảng cách Euclid 17 điểm search_point (thuộc shape chương trình xuất ra) với ref_point (thuộc shape người thí nghiệm đánh dấu tay) 159 160 - Chia kết thu với khoảng cách Euclid mắt (2 điểm điểm đánh dấu tay) Ta tiến hành xây dựng bảng đánh giá cho thuật toán ASM với tham số: Missing: số lượng ảnh không phát khuôn mặt Min_me17: giá trị me17 nhỏ tập ảnh kiểm tra Max_me 17: giá trị me17 lớn tập ảnh kiểm tra Mean_me17: giá trị me17 trung bình tập ảnh kiểm tra Giá trị tính tổng giá trị me17 ảnh tập kiểm tra chia cho tổng số lượng ảnh trừ số lượng Missing 161 162 167 Databas e BioID Total: 100 173 JAFE 168 Total: 100 179 174 Missing 163 169 175 20 Bảng 4.2 Kết đánh giá thuật toán ASM 164 Min_me 165 Max_m 166 17 e17 Mean_m e17 170 0.06183 171 0.30063 172 0.17096 176 0.15821 177 0.29352 178 0.22859 Ta nhận thấy, số ảnh missing tập trung vào ảnh đeo kính kết ASM 180 phụ thuộc hoàn toàn vào kết thuật tốn phát khn mặt Viola-Jones Kết thuật toán ASM phụ thuộc vào mơi trường bên ngồi nhiều Với ánh sáng không ổn định, kết dễ bị sai lệch thay đổi cường độ mức xám ảnh Điều làm cho điểm đánh dấu khuôn mặt không thực ổn định Kết không đồng với loại hình dạng khn mặt khác nhau, đặc biệt khuôn mặt vuông sai lệch nhiều với khuôn mặt nghiêng Để khắc phục điều này, ta tăng cường số lượng ảnh huấn luyện để thuật toán làm việc tốt với nhiều hình dạng khn mặt Trong q trình thực hiện, cần bố trí camera cố định trước khn mặt môi trường ánh sáng ổn định để đạt kết tốt 181 183 182 Hình 4.4 Thuật tốn ASM không ổn định với nhiều kiểu khuôn mặt khác 4.2 Đánh Giá Chung Phương Pháp MoCap Và Phương Hướng Phát Triển Trong Tương Lai : 184 4.2.1 Kết đạt được: 185 a Thành tựu: 186 Về kiến thức tổng quát kĩ thuật MoCap, luận văn thể am hiểu phương pháp MoCap, bao gồm định nghĩa, lịch sử hình thành phát triển, nguyên lí hoạt động liệt kê phương pháp MoCap dùng phổ biến 187 Về phương pháp MoCap thực đồ án, luận văn nêu nguyên lí hoạt động phương pháp hai thuật toán chủ đạo sử dụng thuật tốn phát khn mặt Viola-Jones thuật toán phát điểm đặc trưng ASM Với thuật toán Viola-Jones, luận văn nêu cách thức phát khuôn mặtdựa đặc trưng Haar-Like kết hợp với máy phân lớp AdaBoost Đồng thời thực thành cơng cài đặt thuật tốn Viola-Jones tích hợp sẵn thư viện OpenCV Với thuật toán ASM, luận văn nêu ý tưởng thuật toán dựa kết hợp model profile model shape model Việc cài đặt thuật tốn thực thành cơng dựa sở lí thuyết tìm hiểu 188 Luận văn đánh giá hiệu suất thực hai thuật toán, nêu điểm mạnh, yếu chúng phương án khắc phục Trong nội dung trình bày trình thực hiện, luận văn chia sẻ kinh nghiệm, khó khăn hướng giải thực phương pháp 189 b Khó khăn: 190 Điểm mấu chốt phương pháp MoCap khả xử lí điểm đánh dấu Tuy nhiên, hạn chế kiến thức kĩ thuật lập trình, nên hiệu suất phương pháp không mong đợi Các điểm đánh dấu thu bất ổn định khả bắt cử động không cao Phương pháp phụ thuộc nhiều vào tác động mơi trường bên ngồi 191 Khâu áp chuyển động lên mơ hình 3D chưa thực khó khăn việc tiếp cận cấu trúc file c3d 4.2.2 Hướng phát triên tương lai: 192 Với ưu khuyết điểm trên, mục tiêu đồ án tương lai cải tiến thuật toán để việc bắt điểm đánh dấu trở nên ổn định xác Đồng thời, hướng đến việc thực online, tức bắt cử động biểu chuyển động 3D lúc xử lí thời gian thực Ngồi việc bắt khn mặt, ta cịn mở rộng cho việc thực toàn thể người phận cánh tay 193 Ta thấy, sức hấp dẫn phương pháp MoCap sử dụng hệ thống quang học không đánh dấu (Optical Markless) lớn Loại bỏ điểm đánh dấu rắc rối; khơng cần phải có thiết bị chuyên dụng đắt tiền mang lại hiệu cao Đây giải pháp cho đơn vị cá nhân nhỏ lẻ muốn ứng dụng MoCap vào sản phẩm Vì thời gian thực có hạn khó khăn gặp phải trình thực nên kết đồ án khơng ý Tuy vậy, đồ án đúc kết nhiều kinh nghiệm kết quý báu trình thực để việc phát triển phương pháp sau trở nên tốt 194 195 Hình 4.5 Triển khai kĩ thuật MoCap khơng đánh dấu PHỤ LỤC 196 197 A TÌM CÁC THAM SỐ CỦA PHÉP ALIGN: 198 việc tìm tham số phép biến đổi, ta làm sau: 199 Cho shape x x’, nhiệm vụ ta thực phép align lên x x’ Tịnh tiến x gốc tọa độ 200 201 202 203 205 t: 52 ã*'ô!/ô 204 = E*i*ớSyy' bry1 = n 52 ^iỉ/ibyX' Szy ~ = = ẶEĨWỈ rĩ 52 yi^i 206 Với 207 Xị giá trị tọa độ X shape X 208 j/;: giá trị tọa độ Y shape X 209 X giá trị tọa độ X shape x’ 210 y’i' giá trị tọa độ Y shape x’ 211 Phép biến đổi tương tự viết lại sau: 212 a -b ba 213 214 Vì X nằm gốc tọa độ nên: tx = ty = Sy 215 Ta được: 216 217 a = (Sxx> + Syy>)/(SXX + Syy) = x.x'/|x|2 = (Sxy> — Syx>)/(Sxx + Syy) = (Sxy' — SyT')/|x|* 218 Suy được: 219 s2 = a2 + ố2 220 = tan-l(fr/a) 221 Thế a, b, tx, ty vào công thức [], s, &, tx, ty vào công thức [] ta phép biến đổi tương tự cho điểm landmark Làm tương tự với toàn điểm landmark, ta phép align x lên x’ B TẠO DỮ LIỆU HUẤN LUYỆN BẰNG TAY: 222 Phần phụ lục giúp sử dụng công cụ tạo huấn luyện từ file ảnh sẵn có Ta làm bước sau: 223 - Đầu tiên, mở project TestingDescrible 224 Open MSạ) ) ' « bin ► Debug ► test Organize ▼ Newfolder ► JAF E1 ► pic Search pĩc _ -01 a-a»1 T Favorites ■ Desktop Downloads Recent Places Libraries Documents Music s Pictures s Videos KA.FE2.46.tiff b Computer Item type: ACDSeelí Rating: Unrated Local Disk (C:) Dimensions: 256 X 25« Local Disk (D:) Size 64.1 KB Hình B.2 225 227 228 229 226 Hình B - Sau đó, ta chọn điểm đánh dấu cần huấn luyện cách nhấp chuột trực tiếp lên ảnh nhập tọa độ vào textbox X Y ấn bút MARK Lưu ý rằng, thứ tự ấn điểm đá^ dấu quan trọng Neu làm sai, ta ấn nút CLEAR để làm lại từ đầu 230 ' Fonml 231 I Open I [~^n KA AN139.tiff r»~| X: [ q I IK) Y: I MARK I ICLEARI X: 246Y: 226 232 233 234 Hình B.4 Sau hoàn thành việc đánh dấu cho ảnh, ta ấn nút >> để chuyển sang ảnh 235 236 237 Hình B.5 - Làm tương tự hết tồn ảnh cần huấn luyện Thơng tin điểm đánh dấu dành cho việc huấn luyện đuợc luu thu mục pos 238 239 240 Hình B.6 241 TÀI LIỆU THAM KHẢO [1] Paul Viola, Michael Jones, Rapid Object Detection using a Boosted Cascade of Simple Features, 2001 [2] Florian Adolf, How-to build a cascade of boosted classifiers based on Haar243 like features, 2003 [3] Ana Huamán, Bernát Gábor, Vsevolod Glumov, Artem Myagkov, 244 Eduard Feicho, The OpenCV Tutorials Release 2.4.3, 2012 [4] Rhondasw, FAQ: OpenCVHaar Training, 2009, http://www.computer245 vision-software.com/blog/2009/11/faq-opencv-haartraining/ [5] Naotoshi Seo, Tutorial: OpenCVhaartraining (Rapid Object Detection With A Cascade of Boosted Classifiers Based on Haar-like Features) , http://note.sonots.com/SciSoftware/haartraining.html [6] @mit, How to make your own haar trained ".xml" files, 2011, 246 http://nayakamitarup.blogspot.com/2011/07/how-to-make-your-own-haartrainedxml.html [7] Object Detection, 2009, 247 http://opencv.willowgarage.com/documentation/object_detection.html [8] Rapid Object Detection With A Cascade of Boosted Classifiers Based on 248 Haar-like Features, ~opencv/doc/haartraining.htm http://note.sonots.com/SciSoftware/haartraining/document.html [9] Jianguo Li, Tao Wang, Yimin Zhang, Face Detection using SURF 249 Cascade, Intel Labs China, 2011, https://sites.google.com/site/leeplus/publications/facedetectionusingsurfcascade [10] Face Detection Techniques, http://www.facedetection.com/facedetection/techniques.htm [11] Face Detection Wikipedia, http://en.wikipedia.org/wiki/Face_detection [12] Sang Tat Man, Image-Base Face Detection System, Oxford University [13] Viola-Jones object detection framework Wikipedia, http://en.wikipedia.org/wiki/Viola-Jones object detection_framework [14] Bioz, Adaboost - Haar Features - Face detection, 250 http://www.ieev.org/2010/03/adaboost-haar-features-face-detection.html [15] Bao Dataset, http://www.facedetection.com/facedetection/datasets.htm [16] AT&TDataset, http://www.facedetection.com/facedetection/datasets.htm [17] Phát mặt người dựa đặc trưng Haar-like, 251 Ihttp://www.comvisap.com/2012/01/phat-hien-mat-nguoi-dua-tren-cacac.html [18] Abraham Ranardo Sumarsono, Iping Supriana Suwardi, Facial 252 Expression Control of 3-Dimensional Face Model Using Facial Feature 242 Extraction, Informatics Department, Bandung Institute of Technology, 2011 [19] Stephen Milborrow, Locating Facial Features with Active Shape Models, Faculty of Engineering, University of Cape Town, 2007 [20] T.F Cootes, C.J.Taylor, Statistical Models of Appearance for Computer Vision, Imaging Science and Biomedical Engineering, University of Manchester,2004 [21] Jehee Lee,Motion Capture, Seoul National University [22] David J Sturman, A Brief History of Motion Capture for Computer Character Animation, MEDIALAB, 1999, 253 http://www.siggraph.org/education/materials/HyperGraph/animation/character _ani mation/motion_capture/history1.htm [23] Motion Capture Wikipedia, https://en.wikipedia.org/wiki/Motion_capture [24] Animal Locomotion Wikipedia, 254 http://en.wikipedia.org/wiki/Animal_locomotion [25] Zoopraxiscope Wikipedia, http://en.wikipedia.org/wiki/Zoopraxiscope [26] Rotoscoping Wikiedia, en.wikipedia.org/wiki/Rotoscoping [27] Datasets, http://www.facedetection.com/facedetection/datasets.htm [28] Group Motion Lab System, The C3D File Format User Manual, 2002 ... mềm xử lí chuyển động để áp lên mơ hình 3D Cuối cùng, ta mơ hình khn mặt 3D với chuyển động giống chuyển động khuôn mặt video Vì cơng việc bắt chuyển động thực online thơng qua webcam, nên ta... đặc biệt bắt cử động nhỏ khn mặt, ứng dụng có chức áp cử động lên khnmặt 3D làm “nói chuyện” Đây thực bước tiến lúc Ứng dụng giúp cho nhà làm phim hoạt hình thể cử động chân thực khuôn mặt nhân... chuyển động lên mơ hình 3D Ý tưởng phương pháp sử dụng webcam thu lại khuôn mặt người Sau đó, sử dụng thuật tốn để chiết xuất điểm mốc đánh dấu khuôn mặt Thu lại chuyển động khn mặt áp lên mơ hình