Sự phân loại (cụ thể đây là việc phân loại được tăng cường từng đợt hoạt động dựa trên đặc trưng Haar-like) được huấn luyện bằng vài trăm mẫu của một đối tượng cụ thể (ví dụ như khuôn mặt, đôi mắt hay chiếc xe hơi), đối
Trang 32
tượng này được gọi là các mẫu dương, được tỉ lệ cùng kích thước với nhau (khoảng 20x20), và các mẫu âm là các ảnh bất kỳ cùng kích thước với nó. Sau khi bộ phân loại được huấn luyện, nó có thể sử dụng cho vùng đang quan tâm (có cùng kích thước như trong quá trình huấn luyện) trong ảnh đầu vào. Đầu ra của bộ phân loại là "1" nếu vùng đó giống như đối tượng đã được huấn luyện (ví dụ như khuôn mặt hoặc xe), và là "0" nếu không giống. Để tìm kiếm các đối tượng trong toàn bộ hình ảnh ta có thể di chuyển cửa sổ tìm kiếm trên ảnh và rà soát tất cả các vị trí bằng cách sử dụng bộ phân loại. Bộ phân loại được thiết kế để nó có thể dễ dàng "thay đổi kích cỡ" để có thể tìm thấy những đối tượng quan tâm với các kích thước khác nhau, việc này sẽ hiệu quả hơn là thay đổi kích thước của ảnh đầu vào. Vì vậy, để tìm một đối tượng có kích cỡ không rõ trong hình thì thủ tục quét ảnh phải được thực hiện nhiều lần theo tỷ lệ khác nhau.
Chữ "từng đợt - cascade" có nghĩa là trong đó bộ phân loại sẽ thực hiện một vài giai đoạn phân loại đơn giản hơn nối tiếp nhau áp dụng cho vùng đang quan tâm cho đến khi một giai đoạn nào đó không thực thi được hoặc tất cả các giai đoạn đều được thực thi. Chữ “tăng cường – boosting” có nghĩa là các bộ phân loại tại mỗi giai đoạn bản thân chúng là rất phức tạp và nó được dựng ra từ các bộ phân loại cơ bản bằng việc sử dụng một trong bốn kỹ thuật tăng cường khác nhau như Discrete Adaboost, Real Adaboost, Gentle Adaboost và Logitboost. Các bộ phân loại cơ bản là cây quyết định phân loại (decision-tree classifiers) với ít nhất là 2 lá. Các đặc trưng Haar- like sẽ là đầu vào cho các bộ phân loại cơ bản, Các thuật toán hiện tại sử dụng các đặc trưng Haar-like.
Trang 33