- Dữ liệu vào: Cho một tập huấn luyện X gồm nm ẫu
2. Hướng phát triển
- Qua kết quả thực nghiệm thu được đã cho thấy việc nhận dạng đối tượng
đòi hỏi một quá trình lâu dài vì thế trước mắt tiếp tục tiến hành huấn luyện với những bộ dữ liệu khác với số lượng ảnh lớn hơn để nhận dạng đạt kết quả tốt hơn.
- Nhận dạng đối tượng là một đề tài rất thú vị và có nhiều ứng dụng trong khoa học kỹ thuật và đời sống. Trong luận văn này, chỉ nghiên cứu thuật toán AdaBoost trong việc nhận dạng và kết quả còn hạn chế nên việc cải thiện các thuật toán cũng như xây dựng hoàn thiện một hệ thống tìm kiếm và nhận dạng với độ
chính xác tin cậy để có thể ứng dụng trong đời sống xã hội cũng là một hướng nghiên cứu thú vị và phức tạp đòi hỏi nhiều công sức lao động và nghiên cứu. Để
hướng tới mục tiêu này, cần nghiên cứu nhiều mô hình nhận dạng khác đang rất
được các nhà nghiên cứu quan tâm như sử dụng mô hình Markov nhiều chiều, thực hiện lấy mẫu ảnh với độ chính xác cao hơn.
- Một hướng phát triển khác là áp dụng thuật toán AdaBoost nhưng với các
đặc trưng khác như: đặc trưng local, garbor,…. Tuy nhiên, một vấn đề cần phải thừa nhận rằng rất khó có thể tồn tại một giải pháp tổng thể cho tất cả các bài toán đặc biệt khi áp dụng vào thực tiễn cuộc sống. Do đó cần phải có những hạn chế cần thiết cho phù hợp với miền ứng dụng ví dụ: có thể chỉ tìm kiếm một khuôn mặt duy nhất hoặc yêu cầu hạn chế vùng tìm kiếm khi xây dựng các ứng dụng dựa trên mặt người…
TÀI LIỆU THAM KHẢO Tiếng Anh Tiếng Anh
1. A. Lanitis., C.J. Taylor and T.F. Cootes (1995), A Unified Approach to Coding and Interpreting Face Images, Int'l Conf. Computer Vision, pp. 368-373.
2. Agarwal S and Roth D (2002), Learning a sparse representation for object detection, In ECCV-2002.
3. Carbonetto, S.T., M.M. Gruver., D.C. Turner (1982), Nerve fiber growth on defined hydrogel substrates, Science 21,pp. 897-899
4. Eng-Jon Ong and Bowden R (2004), A Boosted Bộ phân loại Tree for Hand Shape Detection, In Proc. IEEE Intl. Conference on Automatic Face and Gesture Recognition.
5. G. Dorko and C. Schmid (2004), Object class recognition using discriminative local features, IEEE Transactions on Pattern Analysis and Machine Intelligence.
6. I. Craw and P. Cameron (1992), Face Recognition by Computer, British Machine Vision Conf., pp. 498–507.
7. Johan Thureson and Stefan Carlsson (2004), Appearance Based Qualitative Image Description for Object Class Recognition, ECCV (2) 2004, pp. 518-529.
8. K.C.Yow, R.Cipolla (1997), Feature-based Human Face Detection, Image and Vision Computing, 15(9), pp. 713-735.
9. K. Sung and T. Poggio (1998), Example-Based Learning for View-Based Human Face Detection, Journal of Artificial Intelligence Research, v.9 n.1, pp.167-217.
10. M. Turk and A. Pentland (1991), Face recognition using eigenfaces, IEEE Conference on Computer Vision and Pattern Recognition, pp. 586– 591.
11. Ming-Hsuan Yang., David J. Kriegman., Narendra Ahuja (2002),
Detecting Faces in Images: A Survey, IEEE Transaction on Pattern Analysis and Machine Intelligence (PAMI),vol 1, pp. 34-47.
12. E.Osuna., R.Freund and F.Girosi (1997), An improved huấn luyện algorithm for support vector machines, IEEE CVPR.
13. Paul Viola and Michael J. Jones (2001), Rapid Object Detection using a Boosted Cascade of Simple feature , IEEE CVPR.
14. P. Viola and M. J. Jones (2004), Robust real-time face detection, International Journal of Computer Vision, 57(2), pp.137-154.
15. Robert E. Schapire and Yoram Singer (1999), Improved boosting algorithms using confidence-rated predictions, Machine Learning, 37(3), pp.297–336.
16. Rajagopal and A. Kahn (1998), Molecular Level Alignment at Organic Semiconductor-metal Interfaces, Appl. Phys. Lett, pp.73- 662.
17. Rowley H., Baluja S., and Kanade T (1998), Neural network-based face detection, IEEE Patt, Anal, Mach Intell, pp.22–38.
18. R Bowden and M Sarhadi (2000), Building temporal models for gesture recognition, In Proc, BMVC volume 1, pages 32–41.
19. Schneiderman H and Kanade T (2000), A statistical method for 3D object detection applied to faces and car, In International Conference on Computer Vision.
20. Stan Z. Li, Zhen Qiu Zhang (2004), FloatBoost Learning and Statistical Face Detection, IEEE Transaction on Pattern Analysis and Machine Intelligence PAMI), Vol. 26, pp.1-12.
21. Stan Z. Li., Juwei Lu (2004), Face Detection, Alignment and Recognition, Book Chapter 9, pp. 385-455.
22. T.K. Leung., M.C. Burl., and P. Perona (1995), Finding faces in cluttered scenes using random labelled graph matching, In Int. Conf. on Computer Vision.
23. Yoav Freund and Robert E. Schapire (1995), A decision-theoretic generalization of on-line learning and an applicationto boosting, In Computational Learning Theory: Eurocolt ’95, pp.23–37.
24. Yoav Freund and Robert E. Schapire (1996), Experiments with a new boosting algorithm, In Machine Learning:Proceedings of the Thirteenth International Conference, pp.148–156.
25. Yoav Freund and R. Schapire (1997), A decision-theoretic generalization of on-line learning and an application to boosting, Journal of Computer and System Sciences, 55(1), pp.119–139.
26. William T. Freeman., Michal Roth (1995), Orientation Histograms for Hand Gesture Recognition, In Proc, IEEE Intl, Wkshp, on Automatic Face and Gesture Recognition, Zurich.