Trình bày tổng quan về dò tìm khuôn mặt. Kỹ thuật dò tìm khuôn mặt. Tính toán song song trên các kiến trúc đa lõi nhiều lõi với OpenCL. Song song hóa giải thuật phát hiện vùng da với OpenCL. Tích hợp thử nghiệm và đánh giá
Trang Phụ Bìa BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI Đặng Minh Thái ỨNG DỤNG TÍNH TỐN ĐA DỤNG TRÊN CÁC BỘ XỬ LÝ ĐỒ HỌA TRONG NHẬN DẠNG KHUÔN MẶT Chuyên ngành : Kỹ thuật máy tính truyền thơng LUẬN VĂN THẠC SĨ KỸ THUẬT KỸ THUẬT MÁY TÍNH VÀ TRUYỀN THƠNG NGƯỜI HƯỚNG DẪN KHOA HỌC : TS NGUYỄN THỊ OANH Hà Nội – 2013 Lời cam đoan Tôi xin cam đoan : Luận văn chưa bảo vệ hội đồng bảo vệ luận văn thạc sĩ toàn quốc nước chưa cơng bố phương tiện thơng tin Những nội dung luận văn thực hướng dẫn trực tiếp TS Nguyễn Thị Oanh Mọi tham khảo dùng luận văn trích dẫn rõ ràng tên tác giả, tên cơng trình, thời gian, địa điểm cơng bố Mọi chép không hợp lệ, vi phạm quy chế đào tạo, hay gian trá, xin chịu hoàn toàn trách nhiệm Hà nội, ngày 18 tháng năm 2013 Tác giả Đặng Minh Thái MỤC LỤC Trang Phụ Bìa Lời cam đoan Danh mục thuật ngữ kí hiệu Danh mục bảng, đồ thị Danh sách hình vẽ MỞ ĐẦU Chương I Tổng quan dò tìm khn mặt 10 Giới thiệu toán xác định mặt người ảnh ứng dụng 10 Những khó khăn thách thức toán xác định mặt người 11 Các phương pháp xác định mặt người 11 Vấn đề hiệu tốn nhận dạng khn mặt 12 Cách tiếp cận luận văn việc tăng cường hiệu 13 Tổ chức luận văn 13 Chương II Kỹ thuật dò tìm khn mặt 15 Giới thiệu nghiên cứu dị tìm khn mặt người 15 1.1 Hướng tiếp cận dựa tri thức 15 1.2 Hướng tiếp cận dựa đặc trưng không thay đổi 17 1.3 Hướng tiếp cận dựa so sánh khớp mẫu 20 1.4 Hướng tiếp cận dựa diện mạo 24 Giới thiệu thư viện OpenCV 26 Dị tìm khn mặt OpenCV 28 3.1 Các đặc trưng Haar-Like 29 3.2 Sơ lược Boosting 31 3.3 Giới thiệu Adaboost 33 3.4 Thác phân loại (Cascade of classifier) 36 Chương III Tính tốn song song kiến trúc đa lõi/ nhiều lõi với OpenCL 41 Giới thiệu tính tốn khơng đồng (Heterogeneous computing) 41 1.1 Giới thiệu GPU 42 1.2 Giới thiệu tính tốn GPU (GPGPU) 43 1.3 So sánh cấu trúc CPU GPU 44 Giới thiệu OpenCL 47 2.1 Lịch sử OpenCL 49 2.2 Mơ hình OpenCL 50 2.3 Ngôn ngữ OpenCL 54 2.4 Biên dịch OpenCL 54 2.5 Tổng hợp OpenCL 55 2.6 Các hướng mở rộng OpenCL 57 Chương IV.Song song hóa giải thuật phát vùng da với OpenCL 59 Giới thiệu toán phát vùng da 59 Các phương pháp phát vùng da 62 Giải thuật phát vùng da 69 Kết dị tìm vùng da dùng OpenCL 72 Chương V Tích hợp, thử nghiệm đánh giá 75 Tích hợp ứng dụng 75 Kết 76 Đánh giá 77 Kết luận hướng phát triển 79 Tài liệu tham khảo 80 Danh mục thuật ngữ kí hiệu Thuật ngữ Giải thích Face detection Dị tìm khn mặt OpenCV Thư viện dùng giao tiếp người máy Haar-Like Đặc trưng ảnh hay dùng để dị tìm mặt Boosting siêu thuật tốn q trình học máy Adaboost loại siêu thuật toán Boosting Cascade of classifier Thác phân loại CPU Bộ xử lý trung tâm GPU Bộ xử lý đồ họa GPGPU Tính tốn dùng GPU OpenCL Một ngơn ngữ tính tốn Skin detection Dị tìm vùng da MIMD Nhiều mã lệnh, nhiều liệu SIMD Một mã lệnh chạy nhiều liệu Danh mục bảng, đồ thị Bảng Giải thích Bảng So sánh tốc độ xử lý dị tìm vùng da Bảng So sánh kết chạy OpenCL không OpenCL Danh sách hình vẽ Tên hình giải nghĩa Hình : Ảnh có khn mặt Hình : Phương pháp Yang Huang Hình : Phương pháp chiếu Hình : Phương pháp định vị khn mặt Sinha Hình : Một ứng dụng Adaboost Hình : Cấu trúc OpenCV Hình : Sơ lược ứng dụng OpenCV Hình : Mơ hình chạy ứng dụng OpenCV Hình : đặt trưng Haar-like Hình 10 : Các đặc trưng mở rộng đặc trưng Haar-like sở Hình 11 : Cách tính ảnh tích phân ảnh Hình 12 : Ví dụ cách tính nhanh tổng điểm ảnh vùng D ảnh Hình 13 : Ví dụ cách tính nhanh tổng điểm ảnh vùng D Hình 14 : Boosting Hình 15 : Thác phân loại gồm N bước Hình 16 : Hệ thống tính tốn khơng đồng Hình 17 : Sự kết hợp CPU GPU Hình 18 : So sánh khác phần cứng CPU GPU Hình 19 : So sánh khả tính tốn CPU GPU Hình 20 : OpenCL ngơn ngữ tính tốn phân tán Hình 21 : Các hãng sản xuất phần cứng chạy OpenCL Hình 22 : Lịch sử OpenCL Hình 23 : Tổ chức Khronos Hình 24 : Dữ liệu song song Hình 25 : Cấu trúc tảng OpenCL Hình 26 : N chiều work-items Hình 27 : Mơ hình thực thi OpenCL Hình 28 : Mơ hình nhớ OpenCL Hình 29 : Quá trình biên dịch OpenCL Hình 30 : Quá trình chạy OpenCL Hình 31 : OpenCL chạy phần cứng GPU Hình 32 : OpenCL chạy phần cứng GPU Nvidia AMD Hình 33 : OpenCL chạy CPU AMD and Intel Hình 34 : Vị trí dị tìm khn mặt Hình 35 : Một ví dụ khơng gian màu da Hình 36 : Khơng gian màu RGB Hình 37 : Biên phân phối Hình 38 : Mơ hình màu da Hình 39 : Mơ hình khơng phải màu da Hình 40 : Sơ đồ giải thuật dị tìm vùng da Hình 41 : Kết thuật tốn dị tìm vùng da Hình 42: Kết chạy dị tìm vùng da với đầu vào dùng Webcam Hình 43 : Sơ đồ thuật tốn hệ thống Hình 44 : Sơ đồ thuật tốn hệ thống khơng dùng phần cứng đồ họa OpenCL Hình 45: Sơ đồ khối ứng dụng thơng thường dị tìm mặt OpenCV MỞ ĐẦU a) Lý chọn đề tài Nhận dạng khuôn mặt người kĩ thuật phát triển thời gian qua Nó kĩ thuật quan trọng giao tiếp người máy tính Có nhiều nghiên cứu phương pháp để nhận dạng mặt người vấn đề hiệu hệ thống dị tìm mặt người trở nên quan trọng ứng dụng chạy thời gian thực Ngày tính tốn đa dụng trở nên phổ biến tính hiệu việc tăng tốc ứng dụng Với phát triển phần cứng đồ họa ngày nay, phần cứng đồ họa không thiết bị trợ giúp q trình hiển thị mà cịn thiết bị mạnh mẽ tính tốn Vì áp dụng tính tốn đa dụng, tính tốn song song chạy phần cứng đồ họa vào tốn nhận dạng khn mặt làm tăng tốc đáng kể tốc độ ứng dụng dị tìm mặt người Đó lí em muốn chọn đề tài “Ứng dụng tính tốn đa dụng xử lý đồ họa nhận dạng khuôn mặt “ ( "Applying GPGPU in face detection”) b) Mục đích nghiên cứu luận văn, đối tượng, phạm vi nghiên cứu Mục đích nghiên cứu luận văn ứng dụng tính tốn song song nhằm nâng cao tốc độ dị tìm mặt người Luận văn xây dựng ứng dụng để tăng tốc dị tìm khn mặt Nghiên cứu thuật tốn dị tìm khn mặt, đưa thuật tốn cho ứng dụng Giới thiệu ngơn ngữ tính tốn song song ứng dụng Áp dụng tính tốn song song vào ứng dụng So sánh kết đạt để thấy hiệu tính tốn song song c) Tóm tắt đọng nội dung đóng góp tác giả Luận văn trình bày tổng qt kĩ thuật dị tìm mặt người sau giới thiệu ngơn ngữ OpenCL ứng dụng tính tốn song song Từ áp dụng tính tốn song song để tăng tốc q trình dị tìm khn mặt Kết phân tích đánh giá độ tăng tốc hệ thống áp dụng phương pháp Tác giả muốn giới thiệu ứng dụng tính tốn đa dụng vào tốn dị tìm khn mặt nói riêng ứng dụng nói chung d) Phương pháp nghiên cứu Lý thuyết : Dựa phân tích nghiên cứu dị tìm khn mặt trước nghiên cứu ứng dụng tính tốn đa dụng xử lý đồ họa Thực nghiệm : Xây dựng ứng dụng so sánh thông số ứng dụng dùng tính tốn đa dụng với ứng dụng khơng dùng tính tốn đa dụng Chương I Tổng quan dị tìm khn mặt Giới thiệu toán xác định mặt người ảnh ứng dụng Trong nhiều năm qua, có nhiều cơng trình nghiên cứu tốn nhận dạng mặt người Các nghiên cứu từ toán đơn giản, từ việc nhận dạng mặt người ảnh đen trắng mở rộng cho ảnh mầu có nhiều mặt người ảnh Đến toán xác định mặt người mở rộng với nhiều miền nghiên cứu nhận dạng khuôn mặt, định vị khuôn mặt, theo dõi mặt người hay nhận dạng cảm xúc mặt người… Phát mặt người ảnh phần hệ thống nhận dạng mặt người Các hệ thống nhận dạng khuôn mặt bắt đầu xây dựng từ năm 1970, nhiên hạn chế luật xác định mặt người nên áp dụng số ứng dụng nhận dạng thẻ cước Nó phát triển mạnh mẽ từ năm 1990 có tiến cơng nghệ video ngày ứng dụng xác định mặt người trở nên phổ biến sống Xác định khuôn mặt người kỹ thuật máy tính để xác định vị trí kích thước khn mặt người ảnh Kỹ thuật nhận biết đặc trưng khuôn mặt bỏ qua thứ khác như: tòa nhà, cối, thể … Dò tìm mặt người đầu vào nhiều hệ thống xử lý khuôn mặt nhận dạng khuôn mặt, dị theo khn mặt, biểu cảm khn mặt, lấy đặc trưng khn mặt, phân loại giới tính, mỹ phẩm kĩ thuật số, hệ thống sinh trắc học Thêm hầu hết thuật tốn dị tìm khn mặt mở rộng để dị tìm đối tượng khác ôtô, người bộ, dấu hiệu,… Xác định mặt người thường phần hệ thống nhận dạng mặt người (facial recognition system) Nó thường dùng giám sát video, giao tiếp người máy quản lý sở liệu ảnh… Các ứng dụng xác định mặt người kể đến là: 10 Hình 40 :Sơ đồ giải thuật dị tìm vùng da Mã : void Skin_Detection(IplImage *src,IplImage *dst) { int h= src->height; int w= src->width; int s= src->widthStep; int c= src->nChannels; float R; float G; float B; uchar *data= (uchar*) src->imageData; uchar *dst_data= (uchar*) dst->imageData; for (int i=0;i 1.0) { dst_data[i*s+j*c] = 0; } else { dst_data[i*s+j*c] = 255; } } Mã OpenCL song song : kernel void clSkinDetection( global uchar* src, global uchar* dst) { uint gid = get_global_id(0); uint src_pix_off = gid * CHANNELS; float B = (float)src[src_pix_off]; float G = (float)src[++src_pix_off]; float R = (float)src[++src_pix_off]; float rgb_min, rgb_max, H1, H, S, V; rgb_max = max(max(R,G), max(R,B)); rgb_min = min(min(R,G), min(R,B)); V = rgb_max / 255; S = (rgb_max - rgb_min) / rgb_max; H1 = acos(0.5 * ((R - G) + (R - B)) / sqrt((R - G) * (R - G) + (R - B) * (G - B))) * RAD2DEG; if (B 50 || S < 0.20 || S > 0.68 || V < 0.35 || V > 1.0) { dst[gid] = 0; } else { dst[gid] = 255; } } Từ sơ đồ thuật toán luận văn viết chương trình dị tìm vùng da có chung thuật tốn giải thuật trên, chương trình viết mã chạy CPU (dùng OpenCV + ngơn ngữ C) chương trình chạy liệu song song dùng (OpenCV OpenCL) từ đưa kết so sánh đặc biệt ý đến tốc độ xử lý tăng tốc OpenCL Kết dị tìm vùng da dùng OpenCL Luận văn chạy thuật tốn máy tính có thông số phần cứng sau CPU : Intel Core i5 760 GPU : Card đồ họa Nvidia Geforce GTX 460 Và số ảnh ngẫu nhiên đầu vào có vùng da người Sau chạy với ảnh tĩnh, thuật toán chạy ảnh lấy từ camera nối với máy tính (Webcam :640 x480 pixel) Chạy thử thuật tốn dị tìm da người với ảnh kích thước 504x756 pixel 72 Ảnh đầu vào Ảnh đầu Hình 41 : Kết thuật tốn dị tìm vùng da Kết ảnh đầu chương trình liệu xử lý song song giống nhau, đầu lọc đâu vùng da ảnh Với chương trình viết chạy dị tìm vùng da với ảnh 10 lần, sau lấy thời gian xử lý trung bình ảnh để so sánh tốc độ xử lý Luận văn chọn ảnh có kích thước khác để tiến hành đo hiệu xử lý tính tốn song song tốn dị tìm vùng da ảnh có kích thước 640x480 (Có kích thước với ảnh chụp từ camera máy tính ), ảnh có kích thước Full HD 1920x1080 pixel) Và sau bảng so sánh thời gian xử lý với ảnh 73 Bảng 1: So sánh tốc độ xử lý dị tìm vùng da Qua bảng ta có nhận xét sau thời gian xử lý dị tìm vùng da hệ thống dùng OpenCL nhanh 40 lần với ảnh 640x480 gần 100 lần với ảnh 1920 x1080 pixel so với tốc độ xử lý viết ngôn ngữ C Tốc độ tăng tốc xử lý nhanh Với ảnh có kích thước lớn khoảng cách tốc độ xử lý song song OpenCL xử lý lớn, hay nói cách khác với ảnh lớn tốc độ tăng tốc nhanh so với xử lý Kết chạy với camera webcam nối với máy tính Hình 42: Kết chạy dị tìm vùng da với đầu vào dùng Webcam Từ kết luận văn áp dụng kết tăng tốc trình dị tìm vùng da cho tốn dị tìm khn mặt người 74 Chương V Tích hợp, thử nghiệm đánh giá Tích hợp ứng dụng Hệ thống có sơ đồ khối xử lý hình Hình 43 : Sơ đồ thuật toán hệ thống Sau hoàn thành thiết kế sơ đồ khối hệ thống, luận văn viết ứng dụng dựa sơ đồ thuật tốn Ứng dụng dị tìm khn mặt chạy dị tìm vùng da mã C chạy tuần tự, Ứng dụng dị tìm khn mặt chạy dị tìm vùng da OpenCL xử lý song song phần cứng đồ họa Luận văn tiến hành đo tốc độ ứng dụng kể Luận văn dùng chương trình mẫu dị tìm khn mặt thơng thường dùng OpenCV Sau so sánh tốc độ ứng dụng so sánh với chương trình mẫu dùng OpenCV Ứng dụng chạy với ảnh đơn lẻ có khn mặt người để kiểm tra tính hiệu ứng dụng việc dị tìm khn mặt người Sau ứng dụng chạu chuỗi ảnh bắt từ camera webcam (640 x480 pixel, 30 khung hình giây) để thực đo tốc độ trung bình thời gian dị tìm khn mặt khung hình 75 Sau sơ đồ khối ứng dụng để so sánh tốc độ với chương trình tăng tốc phần cứng đồ họa OpenCL Hình 44 : Sơ đồ thuật tốn hệ thống khơng dùng phần cứng đồ họa OpenCL Hình 45: Sơ đồ khối ứng dụng thơng thường dị tìm mặt OpenCV Kết Luận văn sau chạy ứng dụng với ảnh đầu vào, kết chạy tốt ứng dụng dị tìm khuôn mặt nhanh so với ứng dụng không chạy song song OpenCL phần cứng đồ họa, ứng dụng thơng thường dị tìm khn mặt OpenCV Sau chạy đạt kết tốt với nhiều ảnh đơn lẻ luận văn thay đổi đầu vào dùng chuỗi ảnh bắt từ camera (640x480 30 frame/s) để chạy ứng dụng thời gian thực 76 Kết chạy với camera đầu vào tốt, ứng dụng xác định vị trí khn mặt nhanh khơng bị giật với ứng dụng dị tìm khn mặt dùng thư viện OpenCV Luận văn tiến hành đo thời gian ứng dụng: Ứng dụng dị tìm khn mặt người dùng thư viện OpenCV Ứng dụng dò tìm khn mặt người cách dị tìm vùng da dùng thư viện OpenCV mã C chạy Ứng dụng dị tìm khn mặt người dị tìm vùng da dùng OpenCV OpenCL chạy phần cứng đồ họa Sau bảng kết chạy trung bình với frame ảnh (ảnh có kích thước 640x480 pixel) Dị tìm da Dị tìm khn mặt qua vùng da OpenCV+ OpenCL 1.48ms 31ms OpenCV+ C 61.45ms 101ms OpenCV 220ms Bảng : So sánh kết chạy OpenCL không OpenCL Qua bảng ta thấy thời gian chạy dị tìm khn mặt ảnh 640x480 pixel 31ms nghĩa 32 khung hình giây, nhanh gấp lần ứng dụng gốc dò tìm khn mặt OpenCV (220 ms nghĩa 4.5 khung hình giây), nhanh gấp lần ứng dụng không chạy song song phần cứng đồ họa Với tăng tốc OpenCL ứng dụng khơng bỏ qua dị tìm khn mặt khung hình camera ( ứng dụng có khả dị tìm 32 khung hình giây, cịn camera chụp 30 hình giây) Đánh giá Tổng thời gian chạy skin detection face detection tăng tốc lần so với không chạy OpenCL, lần so với ứng dụng chạy OpenCV 77 Với tốc độ 31ms nghĩa 32 frame/s, tốc độ cho phép ứng dụng chạy thời gian thực Qua bảng kết phân tích ta thấy ứng dụng OpenCL vào dị tìm khn mặt làm tăng đáng kể tốc độ dị tìm khn mặt, tăng gấp lần 78 Kết luận hướng phát triển Kĩ thuật dị tìm khn mặt ngày có nhiều ứng dụng thực tế, áp dụng vào nhiều hệ thống camera giám sát, hệ thống an ninh, Và vấn đề hiệu q trình dị tìm khn mặt trở thành vấn đề quan trọng hệ thống Với kết tăng tốc dị tìm khn mặt khả quan (tăng tốc lần) luận văn hi vọng đóng góp vào phần hướng phát triển để tăng tốc ứng dụng dị tìm khn mặt, từ tăng tốc hệ thống Mở rộng ứng dụng xử lý song song phần cứng đồ họa không áp dụng cho ứng dụng dị tìm khn mặt, mà áp dụng cho hầu hết ứng dụng cần lực tính tốn lớn Phần cứng đồ họa, kiến trúc đa lõi ngơn ngữ OpenCL tăng tốc hầu hết ứng dụng Có thể viết lại thư viện (ví dụ OpenCV) ngơn ngữ OpenCL cho hàm thư viện chạy phần cứng đồ họa để tăng tốc ứng dụng Người ta viết lại hết hàm xử lý ảnh OpenCV mã OpenCL chạy phần cứng đồ họa, từ tất ứng dụng dùng thư viện OpenCV tăng tốc đáng kể Với phát triển vũ bão phần cứng đồ họa phần cứng đa lõi hãng Nvidia, AMD, Intel, ngày ứng dụng ngày tối ưu tăng tốc Luận văn hi vọng giới thiệu phần sức mạnh tính tốn phần cứng đồ họa nói riêng phần cứng đa lõi nói chung, giới thiệu ứng dụng ngơn ngữ tính tốn song song phổ biến phát triển thời gian gần OpenCL Em xin chân thành cảm ơn TS Nguyễn Thị Oanh TS.Nguyễn Hữu Đức giúp đỡ em hoàn thành luận văn 79 Tài liệu tham khảo [1] A Lanitis, C.J Taylor, and T.F Cootes (1995), “An Automatic Face Identification System Using lexible Appearance Models”, Image and Vision Computing, vol 13, no 5, pp 393-401 [2] A Yuille, P Hallinan, and D Cohen (1992), “Feature Extraction from Faces Using eformable Templates”, Int’l J Computer Vision, vol 8, no 2, pp 99-111 [3] B Menser, and M Wien (2000) “Segmentation and tracking of facial regions in color image sequences ” In Proc SPIE Visual Communications and Image Processing, 731–740 [4] B Zarit, B Super, and F Quek (1999) “Comparison offive color models in skin pixel classification ” In ICCV’99 Int’l Workshop on recognition, analysis and tracking of faces and gestures in Real-Time systems, 58–63 [5] Bernhard Froba and Walter Zink (2001), “On the Combination of Different Template Matching Stategies for Fast Face Detection”, MCS 2001, LNCS 2096, pp 418-428, Springer-Verlag Berlin Heidelberg [6] Craw (1992), ”Face recognition by computer ”, Department of Mathematical Sciences, University of Aberdeen AB9 2UB, Scotland [7] D Brown, I Craw, and J Lewthwaite (2001) “A som based approach to skin detection with application in real time systems ” In Proc of the British Machine Vision Conference [8] D Chai, and A Bouzerdoum (2000) ”A bayesian approach to skin color classification in ycbcr color space” In Proceedings IEEE Region Ten Conference (TENCON’2000), vol 2, 421–424 [9] D.G Kendall (1984), “Shape Manifolds, Procrustean Metrics, and Complex Projective Shapes”, Bull London Math Soc., vol 16, pp 81-121 [10] Drucker, H., Schapire, R and Simard, P.Y (1993) “Boosting performance in neural networks” International Journal of Pattern Recognition and Artificial Intelligence, 7: 705-719 80 [11] E Osuna, R Freund, and F Girosi (1997), “Training Support Vector Machines: An Application to Face Detection” Proc IEEE Conf Computer Vision and Pattern Recognition, pp 130-136 [12] Fuzhen Huang and Jianbo Su (2004), “Multiple Face Contour Detection Using adaptive Flows”, Sinobiometrics 2004, LNCS 3338, pp 137-143, SpringerVerlag Berlin eidelberg [13] G Gomez, and E Morales (2002) “Automatic feature construction and a simple rule induction algorithm for skin detection ” In Proc of the ICML Workshop on Machine Learning in Computer Vision, 31–38 [14] G Yang and T S Huang (1994), “Human Face Detection in Complex Background”, Pattern Recognition, vol 27, no 1, pp 53-63 [15] H Rowley, Baluja, S:, Kanade, T (1996), “Neural Network-Based face Detection” Computer Vision and Pattern Recognition, Proceedings CVPR96, IEEE Computer Society Conference , pages 203-208 [16] Hongliang Jin; Qingshan Liu; Xiaoou Tang; Hanqing Lu (July 2005); “Learning Local Descriptors for Face Detection” Multimedia and Expo, 2005 ICME 2005 IEEE International Conference on 06-06 Page(s):928 – 931 [17] J Ahlberg (1999) “A system for face localization and facial feature extraction” Tech Rep LiTH-ISY-R-2172, Linkoping University [18] J Sobottka and I Pitas (1996), “Segmentation and Tracking of Faces in Color Images”, Proc Second Int’l Conf Automatic Face and Gesture Recognition, pp 236-241 [19] J Yang, W Lu , and A Waibel (1998) “Skin-color modeling and adaptation” In Proceedings of ACCV, 687–694 [20] Juan and Narciso (2003) , “Face detection based in a new color space YCgCr, ICP” [21] Kotropoulos, C Pitas, I (1997), “Rule-based face detection in frontal views”Acoustics, Speech, and Signal Processing, 1997 ICASSP-97., IEEE International Conference on Volume 4, 21-24 Page(s):2537 - 2540 vol.4 81 [22] L Jordao, M Perrone, J Costeira, and J Santos-Victor (1999) “Active face and feature tracking ” In Proceedings of the 10th International Conference on Image Analysis and Processing, 572–577 [23] L Signal, S Sclaroff, and V Athitos (2000) “Estimation and prediction of evolving color distributions for skin segmentation under varying illumination ” In Proc IEEE Conf on Computer Vision and Pattern Recognition, vol 2, 152–159 [24] M Fleck, D.Forsysth, and C.Bregler (1996) “Finding naked people” In Proc of the ECCV, vol 2, 592–602 [25] M Kirby and L Sirovich (1990), “Application of the Karhunen- LoeveProcedure for the Characterization of Human Faces”, IEEE Trans Pattern Analysis and Machine Intelligence, vol 12, no 1, pp 103-108, Jan [26] M Soriano, S Huovinen, B.Martinkauppi, and M Laaksonen (2000) “Skin detection in video under changing illumination conditions ” In Proc 15th International Conference on Pattern Recognition,vol 1, 839–842 [27] M Yang, and N Ahuaja 1998 “Detecting human faces in color images” In International Conference on Image Processing (ICIP), vol 1, 127–130 [28] M Yang, and N Ahuja (1999) “Gaussian mixture model for human skin color and its application in image and video databases “ In Proc of the SPIE: Conf on Storage and Retrieval for Image and Video Databases (SPIE 99), vol 3656, 458–466 [29] N Oliver, A Pentland, and F.Berard (1997) Lafter: “Lips and face real time tracker “ In Proc Computer Vision and Pattern Recognition, 123–129 [30] P Sinha (1994), “Object Recognition via Image Invariants: A Case Study”, Investigative Ophthalmology and Visual Science, vol 35, no 4, pp 1735-1740 [31] P Sinha (1995), “Processing and Recognizing 3D Forms,” PhD thesis, Massachusetts Inst of Technology [32] P Viola and M J Jones (2004), “Robust Real-Time Face Detection”, International Journal of Computer Vision 57(2), 137-154, Kluwer Academic Publishers, Netherlands 82 [33] Park (2002) , Proceeding BMCV '02 Proceedings of the Second International Workshop on Biologically Motivated Computer Vision Pages 368-376 [34] Q Chen, H Wu, and M Yachida (1995) “Face detection by fuzzy pattern matching “ In Proc of the Fifth International Conference on Computer Vision, 591–597 [35] R Hsu, M Abdel-Mottaleb, and A Jain (2002) “Face detection in color images “ IEEE Trans Pattern Analysis and Machine Intelligence 24, 5, 696–706 [36] R Schumeyer, and K Barner (1998) “A color-based classifier for region identification in video” In Visual Communications and Image Processing, SPIE, vol 3309, 189–200 [37] Rainer Lienhart and Jochen Maydt, Intel Labs, Intel Corporation, Santa Clara, CA 95052, USA, “An Extended Set of Haar-like Features for Rapid Object Detection” [38] Robert E Schapire, Yoav Freund, Peter Bartlett, and Wee Sun Lee (1997) “Boosting the margin: A new explanation forthe effectiveness of voting methods” In Proceedings of the Fourteenth International Conference on Machine Learning [39] S A Sirohey (1993), “Human Face Segmentation and Identification,” Technical Report, CS-TR-3176, Univ of Maryland, pp.25-29 [40] S Birchfield (1998) “ Elliptical head tracking using intensity gradients and color histograms “ In Proceedings of CVPR ’98, 232–237 [41] S Phung, A Bouzerdoum, and D Chai (2002) “A novel skin color model in ycbcr color space and its application to human face detection “ In IEEE International Conference on Image Processing , vol 1, 289–292 [42] T Sakai, M Nagao, and S Fujibayashi (1969), “Line Extraction and Pattern etection in a Photograph”, Pattern Recognition, vol 1, pp 233-248 [43] T.K Leung, M.C Burl, and P Perona (1995), “Finding Faces in Cluttered Scenes Using Random Labeled Graph Matching”, Proc Fifth IEEE Int’l Conf Computer Vision, pp 637-644 83 [44] http://www.khronos.org/ [45] http://www.khronos.org/opencl/ [46] http://opencv.willowgarage.com/wiki/ [47] http://opencv.willowgarage.com/wiki/FaceDetection 84 ... chạy phần cứng đồ họa vào tốn nhận dạng khn mặt làm tăng tốc đáng kể tốc độ ứng dụng dị tìm mặt người Đó lí em muốn chọn đề tài ? ?Ứng dụng tính tốn đa dụng xử lý đồ họa nhận dạng khuôn mặt “ ( "Applying... tính tốn đa dụng xử lý đồ họa Thực nghiệm : Xây dựng ứng dụng so sánh thơng số ứng dụng dùng tính tốn đa dụng với ứng dụng khơng dùng tính tốn đa dụng Chương I Tổng quan dị tìm khn mặt Giới thiệu... trọng GPU, đa xử lý GPU lõi SIMD (một lệnh, đa liệu) Vì thực lệnh đồng thời Các đa xử lý chuyên xử lý thuật toán liên quan đến đồ họa chương trình tính tốn khoa học Có thể tăng số lần thực cách đơn