Nhận dạng logo với giải thuật naïve bayes neareast neighbor (NBNN) sử dụng đặc trưng DSIFT (Tóm tắt trích đoạn)

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC CẦN THƠ VÕ THÀNH C NHẬN DẠNG LOGO VỚI GIẢI THUẬT NAIVE BAYES NEAREST NEIGHBOR SỬ DỤNG ĐẶC TRƯNG DSIFT Chuyên ngành: HỆ THỐNG THÔNG TIN Mã số: 60 48 01 04 LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN Người hướng dẫn khoa học TS Đỗ Thanh Nghị TS Phạm Nguyên Khang Cần Thơ – 2015 MỤC LỤC DANH MỤC HÌNH v DANH MỤC BẢNG vii DANH MỤC CÁC TỪ VIẾT TẮT viii TÓM TẮT ix ABSTRACT .x MỞ ĐẦU 1 Đặt vấn đề Mục tiêu đề tài Đối tượng phạm vi nghiên cứu .2 Cấu trúc luận văn Chương GIỚI THIỆU VỀ HỆ THỐNG NHẬN DẠNG LOGO VÀ CÁC NGHIÊN CỨU LIÊN QUAN 1.1 Giới thiệu hệ thống nhận dạng logo .5 1.2 Các công trình nghiên cứu liên quan Chương ĐỊNH VỊ LOGO VỚI GIẢI THUẬT CASCADE OF BOOSTED SỬ DỤNG ĐẶC TRƯNG HAAR-LIKE .10 2.1 Đặc trưng Haar-like 10 2.2 Boosting 13 2.3 AdaBoost 15 2.4 Mô hình Cascade of Boosted Classifiers 16 Chương NHẬN DẠNG LOGO VỚI GIẢI THUẬT NAIVE BAYES NEAREST NEIGHBOR SỬ DỤNG ĐẶC TRƯNG DSIFT .19 3.1 Giới thiệu SIFT 19 3.1.1 Phát điểm cực trị (Detect of scale-space extrema) .20 3.1.2 Định vị điểm hấp dẫn (Keypoint localization) 24 3.1.3 Gán hướng cho điểm đặc trưng (Orientation assignment) 26 3.1.4 Tạo mô tả cục (Keypoint descriptor) 27 3.2 Đặc trưng DSIFT .28 3.3 Giải thuật Naive Bayes Nearest Neighbor 29 Chương XÂY DỰNG HỆ THỐNG NHẬN DẠNG LOGO .34 4.1 Kiến trúc hệ thống nhận dạng logo đề xuất 34 iii 4.2 Thiết kế hệ thống .35 4.2.1 Xây dựng mô hình máy học để định vị logo 35 4.2.2 Thiết kế sở liệu .38 4.2.3 Thiết kế giao diện .39 4.3 Thực nghiệm 39 4.3.1 Chuẩn bị tập liệu 40 4.3.2 Kết thực nghiệm phát định vị logo 42 4.3.3 Kết thực nghiệm nhận dạng logo .44 Chương KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 50 5.1 Kết đạt 50 5.2 Hướng phát triển 51 TÀI LIỆU THAM KHẢO 52 PHỤ LỤC 56 iv DANH MỤC HÌNH Hình 1: Logo BMW có thay đổi chi tiết bên Hình 2: Hệ thống nhận dạng logo tổng quát Hình 1: Các đặc trưng Haar-like .10 Hình 2: Các đặc trưng Haar-like mở rộng 11 Hình 3: Mô tả cách tính giá trị điểm có tọa độ (x, y) ảnh tích phân 12 Hình 4: Tính nhanh điểm ảnh vùng D ảnh 12 Hình 5: Tính nhanh tổng điểm ảnh vùng D ảnh 13 Hình 6: Boosting 15 Hình 7: Mô hình Cascade of Boosted 17 Hình 1: Minh họa bước giải thuật SIFT 20 Hình 2: Quá trình tính không gian đo (L) hàm sai khác D 22 Hình 3: Quá trình tìm điểm cực trị hàm sai khác DoG 23 Hình 4: Mô sử dụng công thức mở rộng Taylor cho hàm DoG 24 Hình 5: Minh họa bước trình lựa chọn điểm keypoints 26 Hình 6: Đặc trưng cục SIFT tính toán từ vùng xung quanh điểm đặc biệt (vòng tròn) 27 Hình 7: Xác định điểm cần rút trích đặc trưng DSIFT 28 Hình 8: Đặc trưng cục DSIFT tính toán từ vùng xung quanh điểm lưới (vòng tròn) 29 Hình 9: Biểu đồ so sánh 1-NN, 20-NN Quant 31 Hình 10: Láng giềng gần từ mô tả ảnh truy vấn đến lớp đối tượng 32 Hình 1: Kiến trúc khung hệ thống nhận dạng logo 34 Hình 2: Xác định vị trí logo ảnh 36 Hình 3: Giao diện hệ thống 39 Hình 4: Một số logo tập liệu tự thu thập 40 Hình 5: Các lớp logo tập FlickrLogos-32 42 Hình 6: Biểu đồ so sánh độ xác phát định vị logo với tỷ lệ khác .43 Hình 7: Biểu đồ so sánh độ xác nhận dạng logo với tỷ lệ chia ảnh 45 v Hình 8: Biểu đồ so sánh độ xác nhận dạng logo với đặc trưng DSIFT SIFT 46 Hình 9: Ma trận phân lớp với NBNN + DSIFT 47 Hình 10: Ma trận phân lớp với NBNN + SIFT .48 vi DANH MỤC BẢNG Bảng 1: Các công cụ dùng thực nghiệm 40 Bảng 2: Các lớp dương tập liệu FlickrLogos-32 41 Bảng 3: Kết phát định vị logo với tỷ lệ khác 43 Bảng 4: Số lượng đặc trưng DSIFT theo tỷ lệ chia ảnh 44 Bảng 5: Kết nhận dạng ứng với kích thước vùng trích đặc trưng DSIFT 45 Bảng 6: So sánh kết nhận dạng dùng đặc trưng DSIFT SIFT .46 Bảng 7: So sánh kết nhận dạng dùng đặc trưng DSIFT SIFT .48 vii DANH MỤC CÁC TỪ VIẾT TẮT Từ viết tắt Từ đầy đủ AdaBoost Adaptive Boosting DoG Difference of Gaussian DSIFT Dense Scale Invariant Feature Transform KNN K-Nearest Neighbors MAP Maximum A Posteriori ML Maximum Likehood MSER Maximally stable extremal regions NBNN Naïve Bayes Neareast Neighbor RSAT Rotated Summed Area Table SAT Summed Area Table SIFT Scale Invariant Feature Transform SURF Speeded Up Robust Features SVM Support Vector Machine XML Extensible Mark-up Language viii TÓM TẮT Ngày nay, logo xem thương hiệu gắn liền với doanh nghiệp Vì nhận dạng logo toán nhận nhiều quan tâm Trong luận văn, trình bày phương pháp nhận dạng logo với giải thuật Naïve Bayes Neareast Neighbor (NBNN) sử dụng đặc trưng DSIFT Trước tiên, sử dụng Cascade of Boosted với tập đặc trưng Haar-like để dò tìm logo ảnh đầu vào Tiếp theo, sử dụng giải thuật NBNN với đặc trưng DSIFT để nhận dạng logo Tập liệu dùng để huấn luyện nhận dạng thu thập từ internet Kết thực nghiệm cho thấy phương pháp đề xuất cho độ xác giai đoạn phát logo gần 99% nhận dạng 97% Hơn nữa, phương pháp đề xuất đơn giản, hiệu có thời gian thực nhanh, phù hợp với hệ thống nhận dạng logo yêu cầu tính thời gian thực ix ABSTRACT Nowadays, logo is a trademark associated with company Many work related to logo detection and recognition This thesis presents a method for recognizing logo from image using Naïve Bayes Neareast Neighbor (NBNN) algorithm and Dense SIFT (DSIFT) feature This work is distinguished by two steps Firstly, a machine learning algorithm, based on AdaBoost, was applied to locate the logo over the input image Then, NBNN algorithm was employed to recognize the logo with DSIFT Dataset was downloaded from internet Experimental results show that the proposed method achieved high accuracy (99% in detection and 97% in recognition) Furthermore, proposed method is extremely simple, efficient with less processing time, suitable for real-time logo recognition applications x MỞ ĐẦU Đặt vấn đề Trong kinh tế thị trường ngày nay, xây dựng thương hiệu trình bao gồm nhiều hoạt động nhằm hướng đến mục tiêu chung tạo vị trí xác định cho doanh nghiệp thị trường Trong đó, logo xem biểu tượng quan trọng làm bật thương hiệu, tạo dấu ấn riêng cho doanh nghiệp Logo có vai trò quan trọng việc gợi nhớ cho khách hàng sản phẩm dịch vụ công ty Trong thời đại bùng nổ thông tin, người tiêu dùng không đủ thời gian để tìm kiếm thông tin cần Để tìm kiếm thông tin nhanh chóng hiệu quả, thực tế đa phần người ta đọc lướt qua trang web để tìm kết có sẵn Trong bối cảnh đó, logo xem "con đường tắt" làm cho khách hàng nhớ đến thông điệp mà doanh nghiệp muốn chuyển tải đến họ Đôi đứa trẻ nhỏ nhận logo quen thuộc trước chúng nói câu hoàn chỉnh Hiện thương hiệu tiếng giới tiến hành đăng ký sở hữu trí tuệ cho logo công ty Như nói logo hình ảnh hữu hiệu việc quảng bá sản phẩm, dịch vụ tới khách hàng Nó đóng vai trò quan trọng việc xây dựng, phát triển hình ảnh, thương hiệu doanh nghiệp trở thành sản phẩm sở hữu trí tuệ quan trọng doanh nghiệp kinh doanh Ngày logo xuất ngày nhiều nhãn hiệu hàng hóa, bảng tiếp thị, quảng cáo truyền hình, internet Bên cạnh đó, việc doanh nghiệp đời chép hay “nhái” logo thương hiệu tiếng vấn đề làm đau đầu nhà quản lý, trực tiếp gây hại đến thương hiệu, làm ảnh hưởng đến trình kinh doanh doanh nghiệp người tiêu dùng Do đó, thời gian qua, có nhiều nghiên cứu liên quan đến phát nhận dạng logo hệ thống tự động nhận dạng sản phẩm web để cải thiện công cụ tìm kiếm thương mại; hệ thống xác nhận việc hiển thị logo quảng cáo kiện thể thao; hệ thống phát logo gần trùng lắp sử dụng trái phép; hệ thống nhận dạng cửa hàng dành cho người khiếm thị; hệ thống phân tích video để thống kê logo công ty hiển thị bao lâu, …[1] Tuy nhiên, hệ thống nhận dạng logo phái đối mặt với thách thức thời gian nhận dạng phải đáp ứng yêu cầu thời gian thực độ xác nhận dạng phải cao Vì việc xây dựng mô hình cho toán nhận dạng logo đáp ứng hai yêu cầu cần thiết Mục tiêu đề tài Mục tiêu đề tài xây dựng mô hình cho toán nhận dạng logo với mong muốn có thời gian xử lý nhanh độ xác cao Ngoài mô hình đề xuất phải không phức tạp để ứng dụng vào việc xây dựng hệ thống nhận dạng logo thực tế Đối tượng phạm vi nghiên cứu Để xây dựng mô hình cho toán nhận dạng logo, trước tiên luận văn tập trung nghiên cứu mô hình tổng quát hệ thống nhận dạng logo Tiếp theo nghiên cứu phương pháp áp dụng giai đoạn hệ thống nhận dạng logo, phân tích đề xuất phương pháp cho toán nhận dạng logo Sau nghiên cứu cách thức thực nghiệm để đánh giá hiệu phương pháp đề xuất Cấu trúc luận văn Cấu trúc luận văn tổ chức thành chương Nội dung chương tóm tắt sau: Chương 1: Giới thiệu hệ thống nhận dạng logo nghiên cứu liên quan Chương giới thiệu tổng quát hệ thống nhận dạng logo nhằm giúp người đọc có nhìn tổng quan thành phần bên hệ thống nhận dạng logo Bên cạnh trình bày phương pháp nghiên cứu có liên quan đến nhận dạng logo ý nghĩa thực tiễn đề tài Chương 2: Định vị logo với giải thuật Cascade of Boosted sử dụng đặc trưng Haar-like Chương trình bày phương pháp định vị logo ảnh sử dụng đặc trưng Haar-like kết hợp với giải thuật AdaBoost mô hình phân tầng Cascade Chương 3: Nhận dạng logo với giải thuật Naïve Bayes Nearest Neighbor sử dụng đặc trưng DSIF Chương tập trung trình bày đặc trưng SIFT, DSIFT giải thuật Naïve Bayes Nearest Neighbor dùng để nhận dạng logo Chương 4: Xây dựng hệ thống nhận dạng logo Chương trình bày chi tiết kiến trúc khung hệ thống nhận dạng logo đề xuất, cách tiến hành thực nghiệm số kết thực nghiệm Ngoài chương tập trung phân tích yếu tố có ảnh hưởng đến độ xác hệ thống nhận dạng logo đánh giá tính hiệu phương pháp đề xuất Chương 5: Kết luận hướng phát triển Chương tổng kết kết đạt luận văn đề xuất hướng nghiên cứu Chương GIỚI THIỆU VỀ HỆ THỐNG NHẬN DẠNG LOGO VÀ CÁC NGHIÊN CỨU LIÊN QUAN Mục tiêu lâu dài thị giác máy tính chắn nhận dạng đối tượng Nhiều nghiên cứu dành riêng cho nhận dạng đối tượng nói chung có nhiều toán khám phá, nhiên nhiệm vụ nhiều thách thức Việc nhận dạng đối ứng dụng nhiều toán truy vấn ảnh dựa vào nội dung, thích ảnh tự động [2] Nhận dạng logo xem tập nhận dạng đối tượng hầu hết logo xem đối tượng có bề mặt phẳng Logo đối tượng đặc biệt dùng để xác định vật Trong ngành công nghiệp thương mại, logo có vai trò quan trọng nhắc khách hàng gợi nhớ đến sản phẩm dịch vụ đặc biệt Chính điều thúc đẩy tích cực công ty việc tìm giải pháp phân tích hình ảnh thông minh để tìm chứng logo “nhái” logo họ để cảnh báo khách hàng thay đổi nhỏ logo nhái so với gốc Do đó, toán nhận dạng logo toán thu hút quan tâm nhiều nhà nghiên cứu Tuy nhiên, lớp logo cụ thể có nhiều biến đổi bên việc nhận dạng logo hình ảnh tự nhiên phải đối phó với góc nhìn nghiêng, nhiễu, che khuất phần, điều kiện chiếu sáng, … khác biệt hệ thống nhận dạng logo Hình 1: Logo BMW có thay đổi chi tiết bên 1.1 Giới thiệu hệ thống nhận dạng logo Một hệ thống nhận dạng logo tự động bao gồm phận (Hình 1.2): (1) Phát rút trích logo từ ảnh đầu vào; (2) Nhận dạng logo rút trích từ (1) trả kết nhận dạng - Bộ phát rút trích logo: để nhận dạng logo, hệ thống phải phát định vị vùng chứa logo ảnh truy vấn Sau hệ thống tự động rút trích vùng chứa logo chuyển cho nhận dạng logo để xử lý Như hệ thống nhận dạng logo tốt trước tiên phải đảm bảo phát xác vùng có chứa logo Độ xác phát định vị logo có ảnh hưởng lớn đến kết nhận dạng toàn hệ thống Nếu phát định vị logo xác định sai vùng chứa logo kéo theo kết nhận dạng sai - Bộ nhận dạng logo: có chức nhận dạng logo từ vùng chứa logo rút trích trả kết nhận dạng Ngoài yêu cầu độ xác cao, thời gian xử lý tiêu chí quan trọng hệ thống nhận dạng logo Hình 2: Hệ thống nhận dạng logo tổng quát Như vậy, hệ thống nhận dạng logo tốt thực tế phải đảm bảo hai tiêu chí: độ xác nhận dạng cao thời gian xử lý thấp (đáp ứng yêu cầu tính thời gian thực) Hiện nay, nhiều nhà nghiên cứu tập trung vào việc xây dựng giải pháp, thuật toán cho toán nhận dạng logo nhằm đáp ứng hai tiêu chí nêu Bên cạnh đó, mô hình đơn giản, dễ cài đặt mà đáp ứng yêu cầu độ xác thời gian xử lý quan tâm Tiếp theo trình bày nghiên cứu có liên quan đến toán nhận dạng logo phân tích, đánh giá phương pháp có để giúp người đọc có nhìn tổng quát điểm mạnh, điểm yếu nhóm phương pháp 1.2 Các công trình nghiên cứu liên quan Bài toán phát nhận dạng đối tượng ảnh mặt người, biển số xe, biển báo giao thông, quan tâm [12] Các nhà sản xuất máy ảnh Canon, Nikon, Samsung,… tích hợp giải thuật nhận dạng vào sản phẩm phát mặt người Những vấn đề thường gặp phải nhận dạng đối tượng đối tượng hiển thị ảnh có biến đối điều kiện chiếu sáng, biến đổi hình học thay đổi bên đối tượng Trong lĩnh vực nhận dạng logo, phương pháp nhận dạng logo dựa vào đặc trưng toàn cục đặc trưng cục [10] Hướng tiếp cận dựa đặc trưng toàn cục đặc trưng hình dáng, lược đồ màu, kết cấu logo đòi hỏi tập ảnh dùng để huấn luyện lớn, chi phí tính toán cao [9] Những đặc trưng toàn cục giúp cho việc phát logo nhanh việc nhận dạng không thích hợp giới thực không đầy đủ thông tin để phân biệt logo thuộc lớp khác Ngoài ra, đặc trưng toàn cục thường không bất biến với phép biến đổi hình học Những năm gần đây, hướng tiếp cận dựa đặc trưng cục Harris, SIFT, SURF nhiều tác giả nghiên cứu vận dụng thành công vào toán phát nhận dạng logo giới thực [4, 13, 18, 28] Do đặc trưng cục bất biến với phép biến đổi hình học mạnh thay đổi điều kiện chiếu sáng, nhiễu, che khuất nên thích hợp toán phân lớp nhận dạng đối tượng Ngoài ra, việc biểu diễn ảnh theo đặc trưng cục cô đọng giảm kích thước không gian tìm kiếm so sánh Tuy nhiên, việc sử dụng đặc trưng cục làm thông tin bố trí không gian ảnh nên thiếu khả mô tả ảnh Trong nghiên cứu trước nhận dạng đối tượng, có nhiều cách tiếp cận để giải quyết, nhiên với loại đối tượng có phương pháp cụ thể để thực Trong lĩnh vực nhận dạng logo, phương pháp chia thành nhóm sau: phương pháp so khớp mẫu, phương pháp máy học Trong phương pháp so khớp mẫu, cách đơn giản ta so sánh điểm ảnh với đối tượng cần nhận dạng Tuy nhiên việc so sánh thường tốn nhiều thời gian không đạt kết mong muốn Một phương pháp sử dụng đạt hiệu tốt trích chọn đặc trưng cục từ điểm đặc biệt ảnh so khớp dựa đặc trưng cục [4, 7, 24, 27] Điểm đặc biệt ảnh điểm mà chứa nhiều thông tin điểm ảnh lân cận Tuy nhiên điểm đặc biệt không tối giản để việc biểu diễn ảnh không bị thông tin Những nghiên cứu trước tập trung vào đặc trưng góc, đặc trưng cạnh [30] Gần đây, có nhiều nghiên cứu liên quan đến việc sử dụng đặc trưng SIFT giới thiệu Lowe so khớp mẫu [6] Lowe phát điểm cực đại cực tiểu không gian ba chiều (x, y, scale) Laplacian gọi điểm đặc trưng SIFT (Scale-Invariant Feature Transform) Trong đặc trưng SIFT đánh giá cao giới chuyên môn việc biểu diễn vùng xung quanh điểm đặc biệt không đổi biến đổi tỉ lệ, tịnh tiến, phép quay, không đổi phần thay đổi góc nhìn, đồng thời mạnh với thay đổi độ sáng, che khuất, nhiễu Do việc nhận dạng ảnh hay tìm vùng ảnh giống hai ảnh sử dụng đặc trưng SIFT cho độ xác cao chí nhận dạng ảnh bị che khuất phần Ngoài việc tích hợp thêm ngữ cảnh [11] kết hợp đặc trưng SIFT đặc trưng cạnh [25] nghiên cứu để nhận dạng logo Với phương pháp máy học, có nhiều nghiên cứu đến nhận dạng logo sử dụng mô hình máy học nhận dạng logo với mạng nơron [15], mạng bayesian [9], sử dụng SVM [17, 31] mô hình “Bag of Words” [26], nhận dạng logo sử dụng Radial Tchebichef Moment [29] Việc sử dụng mô hình máy học thường phức tạp, tốn thời gian huấn luyện phải huấn luyện lại có thay đổi tập liệu huấn luyện Có nhiều công trình liên quan đến truy vấn hình ảnh nhận dạng đối tượng Arash Asef Nejad, Karim Faez [5] đề xuất phương pháp xác định vị trí logo việc phân tích chiều ngang, chiều dọc kết hợp với cấu trúc phân tầng Sau xác định vị trí logo, thuật toán mở rộng đường biên hình chữ nhật đặc trưng dùng để rút trích logo Tiếp theo chuẩn hóa kích thước logo loại bỏ góc nghiêng thực trước sử dụng giải thuật KNN để nhận dạng logo C Constantinopoulos, E Meinhardt-Llopis, Y Liu, and V.Caselles (2011) đề xuất phương pháp phát xuất logo video có độ phân giải thấp Phương pháp dựa kỹ thuật so khớp đặc trưng SIFT cộng với heuristics Phương pháp đáng tin cậy hạn chế thời gian xử lý [15] C H V (2009) đề xuất phương pháp kết hợp đặc trưng toàn cục đặc trưng cục để nhận dạng logo Tiếp cận phương pháp sử dụng dò tìm cạnh sử dụng việc rút trích cạnh, sau thực chuẩn hóa hình dạng logo Phương pháp sử dụng đặc trưng hình dáng đặc trưng cục mô tả cấu trúc bên logo để so khớp ảnh truy vấn với sở liệu [15] P Piccinini, A Prati and R Cucchiara (2012) sử dụng đặc trưng SIFT giải thuật gom cụm để phân chia đối tượng Sau sử dụng giả thuyết hình dạng để phát đối tượng [18] Nhìn chung, nghiên cứu thành công nhận dạng logo dựa đặc trưng cục bất biến SIFT giải thuật máy học huấn luyện trước để nhận dạng logo [1, 4, 11, 25, 28] Hướng tiếp cận dựa đặc trưng SIFT đánh giá cao bất biến phép biến đổi tỉ lệ, tịnh tiến, phép quay, không đổi phần thay đổi góc nhìn, đồng thời mạnh với thay đổi độ sáng, che khuất, nhiễu Tuy nhiên sử dụng đặc trưng SIFT có số hạn chế sau: (1) Hạn chế thứ SIFT tốn nhiều thời gian xử lý để dò tìm điểm đặc trưng cần tính toán mô tả xung quanh [27]; (2) Hạn chế thứ hai việc biễn diễn logo đặc trưng SIFT dẫn đến thông tin mô tả logo không đầy đủ, điều làm giảm kết nhận dạng Để khắc phục hạn chế SIFT, đề xuất sử dụng đặc trưng DSIFT [3] thay cho SIFT để nhận dạng logo Ý tưởng DSIFT chia ảnh ban đầu thành phần có kích thước rút trích đặc trưng SIFT từ phần ảnh Kết thời gian rút trích đặc trưng nhanh số đặc trưng rút trích nhiều hơn, thông tin mô tả logo phong phú Ngoài ra, đề xuất sử dụng giải thuật NBNN với đặc trưng DSIFT để nhận dạng logo Giải thuật NBNN giải thuật đơn giản, không cần trình học nên thích hợp với ứng dụng nhận dạng logo huấn luyện lại mô hình máy học thay đổi tập liệu huấn luyện mà cập nhật trực tiếp vào sở liệu đối tượng có đối tượng nhận dạng thành công Tóm lại, chương tập trung trình bày thành phần hệ thống nhận dạng logo hướng tiếp cận có liên quan Dựa phân tích phương pháp nghiên cứu trước đó, để xuất sử dụng giải thuật NBNN với đặc trưng DSIFT cho giai đoạn nhận dạng logo nhằm khắc phục hạn chế phân tích Bên cạnh đó, sử dụng giải thuật Cascade of Boosted với tập đặc trưng Haar-like cho giai đoạn phát định vị logo Nội dung chi tiết đặc trưng Haar-like giải thuật Cascade of Boosted trình bày chương ... Neareast Neighbor (NBNN) sử dụng đặc trưng DSIFT Trước tiên, sử dụng Cascade of Boosted với tập đặc trưng Haar-like để dò tìm logo ảnh đầu vào Tiếp theo, sử dụng giải thuật NBNN với đặc trưng DSIFT. .. hợp với giải thuật AdaBoost mô hình phân tầng Cascade Chương 3: Nhận dạng logo với giải thuật Naïve Bayes Nearest Neighbor sử dụng đặc trưng DSIF Chương tập trung trình bày đặc trưng SIFT, DSIFT. .. trưng nhanh số đặc trưng rút trích nhiều hơn, thông tin mô tả logo phong phú Ngoài ra, đề xuất sử dụng giải thuật NBNN với đặc trưng DSIFT để nhận dạng logo Giải thuật NBNN giải thuật đơn giản,