Báo cáo đề tài môn đồ án xử lí tín hiệu số đề tài đếm số người trong một bức ảnh

Học viện Cơng nghệ Bưu Viễn thơng Báo cáo đề tài Mơn Đồ án Xử lí tín hiệu số Đề tài: Đếm số người ảnh Giảng viên: N/A Nhóm: 14 Sinh viên thực hiện: Nguyễn Quang Quân B17DCDT146 Nguyễn Văn Toàn B17DCDT182 Phạm Xuân Trường B17DCDT162 Phạm Hồng Sơn B17DCDT194 Hà Nội, 2021 Lời nói đầu Công nghệ thông tin ngày phát triển có vai trị quan trọng khơng thể thiếu sống đại Con người ngày tạo cố máy thông minh cà khả tự nhận biết xử lý đươc công việc cách tự động, phục vụ cho lợi ích người Trong năm gần đây, toàn nhận nhiều quan tâm tốn nhiều công sức lĩnh vực công nghệ thông tin, tốn nhận dạng Tuy xuất chưa lâu quan tâm tính ứng dụng thực tế tồn phức tạp Đề tài đếm số lượng người ảnh nhờ phương pháp phát khuôn mặt để tài hay phổ biến đời sống, chọn đề tài phần lớn thiết bị điện tử dần phát triển theo xu hướng tự động hóa, thơng minh, hiểu ý người, chúng giao tiếp với người mà không cần đến thiết bị trung gian nào, thiết bị sử dụng thuật toán xử lý ảnh sử dụng ngày rộng rãi với nhiều mục đích khác Dùng cho hệ thống bảo mật tay, giọng nói … Mục lục Chương 1: Giới thiệu chung đề phát khuôn mặt 1.1 Giới thiệu chung: 1.2 Tầm quan trọng hệ thống phát khuôn mặt Chương 2: Giới thiệu kỹ thuật Haar Cascade 2.1 Haar Cascade gì? .5 2.2 Đặc trưng Haar 2.3 Cách thức nhận dạng khuôn mặt 2.4 Sơ đồ nhận diện Chương 3: Code ảnh demo Chương 1: Giới thiệu chung đề phát khuôn mặt 1.1 Giới thiệu chung: Trong chương em trình bày tầm quan trọng hệ thống phát khuôn mặt đời sống người, khó khắn hệ thông gặp phải thực tế khái quát quy trình phát khn mặt 1.2 Tầm quan trọng hệ thống phát khuôn mặt Phát khuôn mặt cần thiết nhiều hệ thống đời sống người, Chúng ta sử dụng phát khuôn mặt vấn đề an ninh nhận biết tên tuổi hành gây tội phạm để đề phịng, sử dụng phát khuôn mặt vấn đề quản lý nhân tổ chức sử dụng khuôn mặt đẻ bảo mật đồ dùng nhân máy tính điện thoại tơ hay văn phịng làm việc Vì việc phát khn mặt làm giảm thời gian đảm bảo tính an ninh bảo mật tốt Phát khn mặt cịn ứng dụng vào phần mềm chụp ảnh hay quay video smartphone Chương 2: Giới thiệu kỹ thuật Haar Cascade 2.1 Haar Cascade gì? Về sử dụng đặc trưng loại Haar và sau sử dụng thật nhiều đặc trưng qua nhiều lượt (cascade) để tạo thành cỗ máy nhận diện hoàn chỉnh 2.2 Đặc trưng Haar  a) là lọc bắt cạnh ảnh,  b) bắt đường thẳng ảnh Ngồi ra, cịn có lọc Haar khác, ví dụ c) về đặc trưng 4-hình vng đây: đặc trưng nằm gọn trung tâm vùng ví dụ 3. trong ảnh đây: Tuy nhiên, cách áp dụng lọc khác chút so với cửa sổ lọc bên CNN Ở CNN, lọc chiếm toàn cửa sổ trượt, đặc trưng Haar, lọc chiếm phần cửa sổ trượt thơi Điều minh hoạ ảnh sau: Trong hình trên, cửa sổ trượt đặt ngắn vừa gọn để nhìn tồn ảnh Có thể nhận lọc đầu tìm "cạnh" phân cách mắt/lơng mày với mũi, đoạn đọc có chênh lệch màu đáng kể; lọc sau, mơ hình tìm đường sống mũi, có màu sáng so với bên (vì cao dễ bắt sáng) Và nói trên, lọc Haar nhìn cụ thể vào vùng cửa sổ để tìm thơi: khn mặt mũi lúc khơng góc, nên khơng cần nhìn góc để làm 2.3 Cách thức nhận dạng khuôn mặt Các lọc Haar bắt đặc trưng bản, để nhận khuôn mặt cần tầm 6000 đặc trưng vậy! Vậy cần có cách để vote xem cửa sổ có chứa mặt khơng, mà phải xử lý đủ nhanh cho 6000 đặc trưng đó: câu trả lời là Cascade of Classifiers, đề xuất bởi Paul Viola Michael Jones vào năm 2001 Việc cascade đó thiết kế sau: 6000+ đặc trưng đó, chia chúng thành nhiều bước Trong đó, lần cửa sổ trượt qua vùng bước ảnh, bước xử lý: bước nhận mặt, chuyển qua bước 2; khơng bỏ qua vùng trượt cửa sổ chỗ khác Nếu vùng pass toàn bước test mặt cửa sổ có chứa mặt người Các vùng khơng chứa mặt bị vứt vào hộp đỏ không nhớ tới nữa, vùng có mặt đưa vào hộp xanh để xử lý tiếp Chúng ta chia kết làm loại: Tên Đáp án Đáp án True positive True True True negative False False False positive False True False negative True False Trong đó, dự đốn khơng cần bàn cãi, dự đốn sai bước khơng qua bước cịn lại Vì vậy, q trình train, mơ hình lựa chọn classifier tốt với độ tự tin hợp lý để ưu tiên việc false negative không phép tồn — gặp false positive, bước sau loại ví dụ cho sau Trong mơ hình nhận mặt người, bước có lọc trên, với tỉ lệ false negative gần 0, tỉ lệ false positive 40% Sau cửa sổ nằm xanh trả lại làm ô chứa mặt: có đè lên chứa mặt, toạ độ góc cộng vào lấy trung bình 2.4 Sơ đồ nhận diện Chương 3: Code ảnh demo import cv2 import numpy as np img = cv2.imread('img1.jpg') face_cascade = cv2.CascadeClassifier('./haar-cascade-filesmaster/haarcascade_frontalface_alt.xml') faces = face_cascade.detectMultiScale(img, scaleFactor=1.3, minNeighbors=6) print('Tim duoc {0} khuon mat'.format(len(faces))) for (x,y,w,h) in faces: cv2.rectangle(img,(x,y),(x+w,y+h),(0,255,0),3) cv2.imshow('anh moi',img) c = cv2.waitKey(1) cv2.imwrite('img2.png',img) cv2.waitKey() cv2.destroyAllWindows() 10 11 ... dụ 3.? ?trong ảnh đây: Tuy nhiên, cách áp dụng lọc khác chút so với cửa sổ lọc bên CNN Ở CNN, lọc chiếm toàn cửa sổ trượt, đặc trưng Haar, lọc chiếm phần cửa sổ trượt thơi Điều minh hoạ ảnh sau: Trong. .. Chương 3: Code ảnh demo Chương 1: Giới thiệu chung đề phát khuôn mặt 1.1 Giới thiệu chung: Trong chương em trình bày tầm quan trọng hệ thống phát khn mặt đời sống người, khó khắn hệ thông... máy thông minh cà khả tự nhận biết xử lý đươc công việc cách tự động, phục vụ cho lợi ích người Trong năm gần đây, toàn nhận nhiều quan tâm tốn nhiều công sức lĩnh vực công nghệ thơng tin, tốn