6.1 Kết luận
Kết quả kiểm thử trên tập dữ liệu ảnh của Weber [32] cho thấy kết quả đạt
được tương đối chấp nhận được cho bài toán phát hiện khuôn mặt. Việc áp dụng cây cấp bậc cùng với quan hệ của các đặc trưng lồi lõm ở nhiều mức cho thấy khá phù hợp cho việc phân tích cấu trúc đối tượng nói chung và phân tích cấu trúc khuôn mặt nói riêng.
Qua luận văn này, chúng tôi đã đóng góp được một hướng tiếp cận mới cho bài toán phát hiện khuôn mặt. Liên quan đến luận văn này chúng tôi đã có một bài báo được nhận đăng tại hội nghị IEEE ICCS-RIVF06 (xin vui lòng xem phần danh mục công trình của tác giả).
Bên cạnh đó, hứa hẹn việc mở ra một loại đặc trưng mới có thể phát triển cho phân loại đối tượng, phát hiện đối tượng tổng quát.
Trở lại bài toán về khuôn mặt, chúng tôi cũng nhận thấy rằng việc sử dụng duy nhất đặc trưng lồi lõm thì chưa đủ hiệu quả cho bài toán nhận dạng mặt người (face identification). Chúng tôi đề xuất việc sử dụng thêm một số đặc trưng phụ trợ khác như: độ sáng, quan hệ hình học, khoảng cách giữa các vùng lồi lõm cùng mức.
6.2 Hướng phát triển
Hướng tới một mô hình tổng quát và ổn định hơn, chúng tôi đang thử nghiệm việc tìm kiếm một mô hình máy học phù hợp hơn cho cấu trúc cây.
Bên cạnh đó chúng tôi đang mở rộng tập các bộ lọc (Hình 3.4, chương 3) thành tập nhiều lọc hơn với các dạng hình học khác nhau, với nhiều góc nghiên khác nhau: 300, 450, 600, -300, -450, -600. Với việc học và rút trích đặc trưng tự động, và
cấu trúc hình học đa dạng hơn của các bộ lọc, chúng tôi tin rằng mô hình này có thể