Phương pháp phát hiện mặt người sử dụng đặc trưng HOG

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG ĐINH QUANG HUY PHƯƠNG PHÁP PHÁT HIỆN MẶT NGƯỜI SỬ DỤNG ĐẶC TRƯNG HOG LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Thái Nguyên, 2018 ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG ĐINH QUANG HUY PHƯƠNG PHÁP PHÁT HIỆN MẶT NGƯỜI SỬ DỤNG ĐẶC TRƯNG HOG Chuyên ngành: Khoa học máy tính Mã số: 8480101 LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Người hướng dẫn khoa học: TS NGUYỄN TOÀN THẮNG Thái Nguyên, 2018 LỜI CAM ĐOAN Tên là: Đinh Quang Huy Sinh ngày: 06/08/1981 Học viên lớp cao học CHK15A - Trường Đại học Công nghệ Thông tin Truyền thông - Đại học Thái Nguyên Hiện công tác tại: Sở Giáo dục Đào tạo tỉnh Thái Nguyên Xin cam đoan: Đề tài “Phương pháp phát mặt người sử dụng đặc trưng HOG” TS Nguyễn Tồn Thắng hướng dẫn cơng trình nghiên cứu riêng tơi Tất tài liệu tham khảo có nguồn gốc, xuất xứ rõ ràng Tác giả xin cam đoan tất nội dung luận văn nội dung đề cương yêu cầu thầy giáo hướng dẫn Nếu sai tơi hồn tồn chịu trách nhiệm trước hội đồng khoa học trước pháp luật Thái Nguyên, ngày tháng năm 2018 Tác giả luận văn Đinh Quang Huy LỜI CẢM ƠN Sau thời gian nghiên cứu làm việc nghiêm túc, động viên, giúp đỡ hướng dẫn tận tình Thầy giáo hướng dẫn TS Nguyễn Toàn Thắng, luận văn với Đề tài “Phương pháp phát mặt người sử dụng đặc trưng HOG” Tôi xin bày tỏ lòng biết ơn sâu sắc đến: Thầy giáo hướng dẫn TS Nguyễn Tồn Thắng tận tình dẫn, giúp đỡ tơi hồn thành luận văn Phịng đào tạo Sau đại học Trường Đại học Cơng nghệ Thông tin Truyền thông giúp đỡ trình học tập thực luận văn Sở Giáo dục Đào tạo tỉnh Thái nguyên nơi công tác tạo điều kiện tối đa cho tơi thực khóa học Tơi xin chân thành cảm ơn bạn bè, đồng nghiệp gia đình động viên, khích lệ, tạo điều kiện giúp đỡ tơi suốt q trình học tập, thực hoàn thành luận văn Thái Nguyên, ngày 17 tháng năm 2018 Tác giả luận văn Đinh Quang Huy MỤC LỤC LỜI CAM ĐOAN LỜI CẢM ƠN MỤC LỤC DANH MỤC CÁC TỪ VIẾT TẮT DANH MỤC HÌNH ẢNH DANH MỤC BẢNG BIỂU MỞ ĐẦU Mục tiêu đề tài Hướng nghiên cứu đề tài Ý nghĩa khoa học thực tiễn đề tài CHƯƠNG I TỔNG QUAN VỀ PHÁT HIỆN MẶT NGƯỜI TRONG ẢNH VÀ VIDEO 1.1 Phát điểm 1.2 Phép trừ 1.3 Phân vùng 1.3.1 Mean-Shift Clustering 1.3.2 Phân đoạn Hình ảnh Sử dụng Đồ thị-Cuts 1.3.3 Đường nét hoạt động 1.4 Học có giám sát 1.5 Thuật toán Viola–Johns vấn đề liên quan 1.5.1 Thuật toán Viola–Johns 1.5.2 Đánh Giá Thuật Toán Viola-Jones 1.6 Adaboost 1.7 Đặc trưng Haar wavelet CHƯƠNG ĐẶC TRƯNG HOG VÀ CÁCH SỬ DỤNG HOG KẾT HỢP VỚI SVM TRONG PHÁT H 2.1 Phương pháp phát 2.2 Rút trích đặc trưng HO 2.3 Chuẩn hóa vector đặc tr 2.4 Integral Image, cơng thứ 2.5 Chuẩn hóa ánh sáng với 2.6 Phương pháp phân lớp SVM CHƯƠNG XÂY DỰNG CHƯƠNG TRÌNH, THỬ NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ 3.1 Môi trường thử nghiệm 3.2 Dữ liệu thử nghiệm 3.2.1 Cơ sở liệu UOF 3.2.2 Cơ sở liệu FEI 3.2.3 Cơ sở liệu JAFF 3.2.4 Cơ sở liệu LFW 3.3 Kết thử nghiệm KẾT LUẬN DANH MỤC TÀI LIỆU THAM KHẢO DANH MỤC CÁC TỪ VIẾT TẮT Từ cụm từ HOG HMM SVM DANH MỤC HÌNH ẢNH Hình 1.1: Các điểm quan tâm phát cách áp dụng (a) Harris, (b) toán tử KLT, (c) SIFT Hình 1.2: Hỗn hợp mơ hình Gaussian cho phép trừ Hình 1.3: Tách hình dựa phân hủy Eigenspace (khơng gian xây dựng với vật thể FOV máy ảnh Hình 1.4: Phân chia hình ảnh (a), sử dụng phân đoạn dịch chuyển trung bình (b) vết cắt bình thường (c) Hình 1.5: Đặc trưng Haar - Like Hình 1.6: Tính tích phân ảnh Hình 1.7: Cách tính P(x, y) Hình 1.8: Kiểm tra kết chương trình so với liệu test Hình 1.9: Kết phát khn mặt bị sai lệch với khn mặt đeo kính Hình 1.10: Mơ hình phân tầng kết hợp phân loại yếu để xác định khuôn mặt 27 Hình 1.11: Kết hợp phận loại yếu thành phận loại mạnh Hình 1.12: Sơ đồ khối thuật toán Adaboost Hình 1.13 Minh họa tầng phân loại Hình 2.1 Mơ hình phương pháp phát khn mặt sử dụng đặc trưng HOG Hình 2.2: Minh họa mẫu cửa sổ tìm kiếm kích thước 64x128 Hình 2.3: Minh họa kích thước 8x8 cửa sổ tìm kiếm Hình 2.4: Minh họa cho HOG Hình 2.5: Minh họa cho việc cộng thêm nhân thêm vào giá trị điểm ảnh 36 Hình 2.6: Minh họa cho thay đổi giá trị vector gradient có thay đổi ánh sáng Hình 2.7: Hình ảnh minh họa cho gộp để tạo nên khối có chồng lấp Hình 2.8: R-HOG C-HOG [7] Hình 2.9: Mỗi khối (block) gồm nhiều (cell) Trong hình ta thấy khối gồm ô Hình 2.10: Các khối xếp chồng lên Hình 2.11: Tính góc biên độ theo X-gradient Y-gradient Hình 2.12: Các bước rút trích đặc trưng HOG [10] Hình 2.13: Integral Image [11] Hình 2.14 Các bước lọc Retinal filter Hình 2.15: Kết việc tiền xử lý với lọc Retina filter Hình 2.16 Siêu phẳng tách với khoảng cách lề cực đại Hình 3.1: Cơ sở liệu mẫu UOF Hình 3.2: Cơ sở liệu mẫu FEI Hình 3.3: Cơ sở liệu mẫu JAFFE Hình 3.4: Cơ sở liệu mẫu LFW Hình 3.5: Giao diện chương trình Hình 3.6: Giao diện chương trình thực phát khn mặt DANH MỤC BẢNG BIỂU Bảng 1.1: Bảng đánh giá thuật toán Viola - Jones 25 Bảng 3.1: Đánh giá hiệu phát khuôn mặt 53 Bảng 3.2: Đánh giá độ xác phát khuôn mặt 54 Hình 2.15: Kết việc tiền xử lý với lọc Retina filter 47 2.6 Phương pháp phân lớp SVM SVM (Support Vector Machine) khái niệm thống kê khoa học máy tính cho tập hợp phương pháp học có giám sát liên quan đến để phân loại phân tích hồi quy SVM thuật toán phân loại nhị phân, SVM nhận liệu vào phân loại chúng vào hai lớp khác Với ví dụ luyện tập thuộc hai thể loại cho trước, thuật toán luyện tập SVM xây dựng mơ hình SVM để phân loại ví dụ khác vào hai thể loại Hàm mục tiêu máy phân lớp SVM nhị phân phát biểu sau: [15] ( )= ( )+ Trong đó, véc tơ đầu vào ∈ , w véc tơ chuẩn siêu phẳng phân cách không gian đặc trưng sinh từ ánh xạ Φ(x): – (F > D, Φ(x) tuyến tính phi tuyến) b độ lệch so với gốc tọa độ Ban đầu, SVM thiết kế cho toán phân lớp nhị phân, dấu g(x) cho biết véc tơ x thuộc lớp +1 hay lớp -1 Cho tập mẫu {( 1, 1,), ,( ,, ,)} xi∈ yi∈{±1}, mục tiêu phương pháp phân lớp SVM tìm siêu phẳng phân cách cho khoảng cách lề (margin) hai lớp đạt cực đại (Hình 2.16) Hình 17 Siêu phẳng tách với khoảng cách lề cực đại 48 2 Khoảng cách lề hai lớp = ‖ ‖ Để nới lỏng điều kiện phân lớp, thêm vào số yếu tố cân việc huấn luyện SVM giải tốn tối ưu có ràng buộc: Sao cho ≥ 0, ∀i, C tham số nới lỏng điều kiện phân lớp [15] Thay giải tốn (5), ta giải tốn đối ngẫu cách giải tốn qui hoạch tồn phương (QP-Quadratic programming): max( − thỏa mãn: ( ) = [ 1, ≤ , ∀ ∑ =1 0≤ =0 , ] H ma trận kích thước N×N gọi ma trận nhân (kernel matrix) với phần tử ( , ) = ( ) Giải toán QP (6) ta thu được: =1 Mỗi mẫu huấn luyện xi tương ứng với hệ số Lagrange Sau huấn luyện, mẫu có >0 gọi véc tơ hỗ trợ Thế (7) vào (4), ta có : ( )=∑ Giả sử ( ) ( ) = ( , ) Nghĩa là, tích vơ hướng không gian đặc trưng tương đương với hàm nhân K khơng gian đầu vào Vì vậy, ta khơng cần phải tính trực tiếp giá trị Φ( ), Φ( ) mà cần tính tích vơ hướng gián tiếp thông qua hàm nhân K( , ) Nếu sử dụng hàm nhân hàm tuyến tính SVM gọi SVM tuyến tính, ngược lại gọi SVM phi tuyến Như vậy, hàm mục tiêu cho toán phân lớp SVM nhị phân có dạng: ( )=∑ =1 49 Chỉ có véc tơ hỗ trợ tham gia vào việc xây dựng siêu phẳng phân cách, mẫu x phân lớp theo hàm định: ()= (∑ =1 Trong đó, NSV số véc tơ hỗ trợ  Các bước để phát mặt người với đăc trưng HOG Chuẩn bị P mẫu ảnh mặt người trích xuất vector đặc trưng HOG từ ảnh Chuẩn bị N mẫu ảnh ảnh mặt người (N lớn so với P) trích xuất vector HOG từ ảnh Sử dụng phân loại SVM tuyến tính để học với vector mẫu (Positive) mẫu sai (Negative) chuẩn bị Đối với ảnh ảnh mẫu đúng, sử dụng cửa sổ trượt di chuyển qua tất vị trí ảnh input Tại vị trí cửa sổ trượt tính vector HOG cửa sổ đưa vào phân lớp Nếu phân lớp phân lớp sai cửa sổ ảnh mặt ghi lại vector tương ứng với xác xuất phân lớp Lấy mẫu nhận dạng sai bước xắp sếp chúng theo mức nhận dạng sai cho phân lớp học lại sử dụng mẫu sai Áp dụng phân lớp học lại với ảnh cần phát mặt người Tổng kết chương Trong chương này, chúng tơi trình bày đặc trưng HOG, phương pháp phát mặt người sử dụng đặc trưng HOG, bước rút trích đặc trưng HOG ảnh, chuẩn hóa vector đặc trưng cho block, tích phân ảnh Integral Image, chuẩn hóa ánh sáng với lọc Retinal filter, phương pháp phân lớp SVM việc kết hợp với HOG phát mặt người Chương 3, luận văn trình bày xây dựng chương trình, mơi trường thử nghiệm, liệu thử nghiệm, kết thử nghiệm đánh giá kết Giao diện hoạt động chương trình 50 CHƯƠNG XÂY DỰNG CHƯƠNG TRÌNH, THỬ NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ 3.1 Môi trường thử nghiệm Chương trình cài đặt mơi trường Visual Studio, sử dụng thư viện C++ cho việc biểu diễn, lưu trữ thao tác liệu, thư viện opencv để thực thao tác xứ lý ảnh bản, thư viện Scikit-Leam cho việc thử nghiệm mơ hình học máy (mạng neural, mơ hình SVM ) Chương trình thử nghiệm hệ điều hành Windows 10, máy PC tốc độ 2.4GHz, nhớ 4GB 3.2 Dữ liệu thử nghiệm Hiệu mơ hình nhận dạng đánh giá sở liệu chuẩn (chứa khung hình thu nhận từ thiết bị camera, webcam khác nhau), công bố dùng chung cho nhóm nghiên cứu giới, cung cấp http://www.face-rec.org/databases, Đây CSDL dùng chung cho nhóm nghiên cứu Thơng tin CSDL mẫu mô tả cụ thể sau: 3.2.1 Cơ sở dữ liệu UOF Được cung cấp trường đại học Essex Anh (University of Essex, UK), bao gồm tập liệu: faces94, faces95, faces96 grimace Ảnh sở liệu ảnh màu 24 bít định dạng dạng JPEG Tập liệu chứa tập hợp hình ảnh khn mặt gơm 395 cá nhân (cả nam nữ) với 20 ảnh cho cá nhân, tổng cộng có 7900 hình ảnh Tất khn mặt chủ yếu thực sinh viên đại học năm có độ tuổi từ 18 đến 20 số người lớn tuổi, số cá nhân đeo kính có râu, thuộc nhiều chủng tộc khác (hình 3.1) 51 Hình 3.1: Cơ sở dữ liệu mẫu UOF 3.2.2 Cơ sở dữ liệu FEI Bao gồm tập liệu: Fei_Pl, Fei_P2 Fei_P3, với ảnh khuôn mặt chụp từ tháng năm 2005 đến tháng năm 2006 Phòng thí nghiệm Trí tuệ nhân tạo FEI Paulo, Brazil Bao gồm 200 cá nhân (100 nam, 100 nữ), với 14 ảnh cho cá nhân, tổng cộng 2800 hình ảnh Tất khuôn mặt chủ yếu thực sinh viên nhân viên FEI, có độ tuổi từ 19 đến 40, với ngoại hình, kiểu tóc đồ trang điểm khác biệt, chụp ảnh mầu trắng, vị trí đứng thẳng đứng quay vịng tới 1800 Kích thước ảnh 640x480 pixel (hình 3.2) Hình 3.2: Cơ sở dữ liệu mẫu FEI 3.2.3 Cơ sở dữ liệu JAFFE Chứa khuôn mặt nữ Nhật Bản, chụp khoa tâm lý học Đại học Kyushu, Nhật Bản, bao gồm 213 hình ảnh biểu khuôn mặt (6 biểu 52 cảm xúc khn mặt + trung tính), chụp 10 người phụ nữ Nhật Bản (Hình 3.3) Hình 3.3: Cơ sở dữ liệu mẫu JAFFE 3.2.4 Cơ sở dữ liệu LFW Bao gồm khuôn mặt gắn nhãn tự nhiên Bộ liệu gồm 13233 hình ảnh khuôn mặt 5749 người thu thập từ web Mỗi khuôn mặt gắn nhãn với tên người đó, 1680 người có từ hình ảnh khác biệt trở lên (hình 3.28) Hình 3.4: Cơ sở dữ liệu mẫu LFW 3.3 Kết thử nghiệm Quá trình đánh giá thực nghiệm chia thành cơng đoạn: Đánh giá hiệu mơ hình phát khn mặt người khung hình webcam đánh giá 53 độ xác nhận dạng Hiệu mơ hình phát khn mặt đánh giá dựa độ đo định nghĩa cụ thể phần sau đây: ■ Độ xác phát khn mặt DP (Detection Precision): DP = Số vùng khuôn mặt phát tổng số khuôn mặt cần phát ■ Khả tìm hết DR (Detection Recall): DR = Số vùng khuôn mặt phát /(Số vùng khuôn mặt phát + Số vùng không phát hiện) ■ Độ trung bình điều hịa DM (Dectection FMeasure): DM = (2xFDP*FDR)/(FDP+FDR) Bên cạnh đó, để kết thực nghiệm xác trực quan, trình thử nghiệm, chúng tơi so sánh hiệu mơ hình phát khn mặt đặc trưng HOG với mơ hình phát khn mặt sử dụng đặc trưng Haar wavelet phân lớp AdaBoost (được quy ước gọi tên phương pháp Haar wavelet AdaBoost) [2] Các kết thực nghiệm mô tà cụ thể Bảng 3.1 Dữ liệu thử Số mẫu nghiệm Faces96 FEI_P1 FEI_P2 FEI_P3 JAFFE LFW Bảng Hiệu mơ hình phát đánh giá dựa độ xác phát hiện, định nghĩa cụ thể sau: R_Precision = số khuôn mặt phát đúng/Tổng số khn mặt cần phát 54 Q trình đánh giá thực nghiệm thực tập liệu Mỗi tập liệu chia ngẫu nhiên thành tập training testing theo tỷ lệ 90/10 (90% số mẫu để huấn luyện mơ hình 10% số mẫu lại để kiểm thử) Việc huấn luyện mơ hình gồm cơng đoạn: Huấn luyện trích chọn đặc trưng (mơ hình mạng neural học sâu FaceNet) huấn luyện phân lớp SVM Quy trình huấn luyện tiến hành cụ thể sau: Từ tập mẫu huấn luyện đầu vào, trước tiên phát khn mặt tiến hành tìm kiếm, định vị crop vùng ảnh khuôn mặt khung hình Tồn tập ảnh khn mặt crop sau sử dụng làm đầu vào để huấn luyện mơ hình trích chọn đặc trưng Tập đặc trưng đầu mơ hình trích chọn đặc trưng sử dụng làm đầu vào để huấn luyện mơ hình phân lớp SVM Các kết thực nghiệm mô tả cụ thể Bảng hiệu phương pháp sử dụng đăc trưng HOG Bảng 3.2: Đánh giá độ xác phát mặt người Từ kết thực nghiệm cho thấy phương pháp sử dụng HOG đạt độ xác cao (trên 95%) tất tập liệu thử nghiệm  Giao diện hoạt động chương trình Chương trình thực nghiệm cài đặt môi trường Visual Studio, sử dụng thư viện C++ cho việc biểu diễn, lưu trữ thao tác liệu, thư viện opencv để thực thao tác xứ lý ảnh 55 - Giao diện chương trình bắt đầu: Hình 3.5: Giao diện chương trình - Giao diện thực chạy chương trình phát khn mặt: Hình 3.6: Giao diện chương trình thực phát khuôn mặt 56 KẾT LUẬN Luận văn đề xuất sử dụng đặc trưng HOG kết hợp với SVM việc phát mặt người từ ảnh video Trong tập trung vào cơng đoạn phát mặt người video Hiệu đặc trưng đánh giá tập liệu chuẩn, dùng chung cho cộng đồng nghiên cứu phát nhận dạng khuôn mặt người giới bao gồm sở liệu UOF, FEI, JAFFE LFW Quá trình đánh giá thực nghiệm chia thành bước, hiệu phương pháp phát khuôn mặt đánh giá dựa độ đo độ xác (Precision), khả tìm hết (recall) độ đo F-measure, hiệu mơ hình phát khn mặt đánh giá dựa độ xác phát Sau thời gian tìm hiểu nghiên cứu, luận văn trình bày vấn đề: - Nghiên cứu Haar wavelet Adaboost; - Nghiên cứu thuật toán Viola - Johns; - Nghiên cứu đặc trưng HOG; - Nghiên cứu cách sử dụng đặc trưng HOG với SVM phát mặt người - Xây dựng liệu khuôn mặt để thử nghiệm; - Thực huấn luyện test; - Phân tích, đánh giá kết thu được; so sánh kết thu với kết số phương pháp nhận diện công bố Hướng phát triển đề tài: Các kết thực nghiệm cho thấy mơ hình đạt độ xác cao ổn định mơi trường thực tế, ứng dụng mơ hình để giải tốn ứng dụng điển hệ thống camera giám sát cho phép phát hiện, nhận dạng cảnh báo đối tượng lạ mặt đột nhập khu vực an ninh, nhà ga, sân bay, quan phủ, tịa nhà, chung cư, tra cứu thơng tin tội phạm, chấm công, điểm danh tự động khu công nghiệp, nhà máy, công trường, lớp học… cải thiện chất lượng thuật toán giao tiếp người-máy… 57 Một lần học viên xin cảm ơn Thầy giáo TS Nguyễn Tồn Thắng tận tình giúp đỡ, hướng dẫn thời gian thực đề tài, cảm ơn giúp đỡ gia đình, bạn bè đồng nghiệp thời gian qua Thái Nguyên ngày tháng năm 2018 Người thực Đinh Quang Huy 58 DANH MỤC TÀI LIỆU THAM KHẢO I Tài liệu Tiếng Anh [1] A Yilmaz and M Shah, "Object Tracking: A Survey," ACM Computing Surveys , pp 7-15, December 2006 [2] P Viola and M Jones, "Rapid object detection using a boosted cascade of simple features," International Journal of Computer Vision 57, p 137–154, 2004 [3] Y Freund and R Shapire, "A decisiontheoretic generalization of online learning and an application to boosting," Proceedings of the Second European Conference on Computational Learning Theory, pp 23-37, 1995 [4] P Viola and M Jones, "Robust real-time face detection," International Journal of Computer Vision 57, 2004 [5] N Dalal and B Triggs, "Histogram of Oriented Gradients for Human Detection," in Computer Vision and Pattern Recognition CVPR 2005 IEEE Computer Society Conference on, vol 1, pp 886-893, 2005 [6] C Rasmussen and G D Hager, "Probabilistic data associationmethod for tracking multiple and compound visual objects," pp 7-9, August 2000 [7] V Janbandhu, "Human Detection with Non Linear Classification Using Linear SVM," International Journal of Science and Research (IJSR); Volume Issue 12, pp 1347-1354, 12 2014 [9] V Kazcmi and J Sullivan., "One millisecond face alignment with an ensemble of regression trees," In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp 1867-1874, 2014 [10] N Kumar, A C Berg, P N Belhumeur and S K Nayar, "Attribute and simile classifiers for face verification," In Computer Vision, IEEE 12th International Conference oti, pp 365-372, 2009 [11] W Jiang, "Human Feature Extraction in VS image Using HOG Algorithm" [12] A Blake and M Isard, "Active Contours" [13] N S Vu and A Caplier, "Illumination-robust face recognition using retina modeling," In Image Processing (ICIP), 2009 16th IEEE International Conference on, p 3289–3292, 2009 [14] K I Naka and W A H Rushton, "S-potentials from luminosity units in the 59 retina of fish (Cyprinidae)," J Physiol, vol 185, no 3, p 587–599, 1966 [16] J Plat, "Fast Training of Support Vector Machines Using Sequential Minimal Optimization," In Advences in Kernel Methods - Support Vector Learning, Cambridge, M.A, MIT Press, pp 185-208, 1999 II Tài liệu tiếng Việt [8] Nguyễn Thị Thanh Tân, Huỳnh Văn Huy Ngô Quốc Tạo, "Phương pháp nhận dạng khuôn mặt người từ webcam," Hội thảo quốc gia lần thứ XX: Một số vấn đề chọn lọc công nghệ thông tin truyền thông, trang 285-291, năm 2017 [15] Phạm Anh Phương, Ngơ Quốc Tạo Lương Chi Mai, “Trích chọn đặc trưng wavelet Haar kết hợp với SVM cho việc nhận dạng chữ viết tay tiếng Việt,” năm 2008 Trương Quốc Bảo, Trương Hùng Chen Trương Quốc Định, “Phát nhận dạng biển báo giao thông đường sử dụng đặc trung HOG mạng nơrron nhân tạo,” Tạp chí khoa học trường Đại học Cần Thơ - Số chuyên đề Công nghệ thông tin, trang 47-54, năm 2015 [17] ... sử dụng SVM việc kết hợp với HOG phát mặt người 33 CHƯƠNG ĐẶC TRƯNG HOG VÀ CÁCH SỬ DỤNG HOG KẾT HỢP VỚI SVM TRONG PHÁT HIỆN MẶT NGƯỜI 2.1 Phương pháp phát mặt người sử dụng HOG Phương pháp phát. .. Adaboost, đặc trưng Haar wavelet phát mặt người Chương 2, đề tài trình bày đặc trưng HOG, phương pháp phát mặt người sử dụng đặc trưng HOG, bước rút trích đặc trưng HOG ảnh, chuẩn hóa vector đặc trưng, ... phát mặt người sử dụng HOG cách tiếp cận SVM phương pháp phát mặt người phổ biến thành công Các đặc trưng HOG [5] ban đầu thiết kế để phát người (human detection) liệu ảnh sau mở rộng sử dụng