2.7.5 Bài toán thử nghiệm : Ước lượng chức năng tuyến tính Ước lượng chức năng tuyến tính
30 mẫu dữ liệu được tạo ra với y = 2x + 5 và w = 0,6 với tổng sai sót để gây ra các outlier và với tiếng ồn gaussian trắng trên inliers. Outliers được tô màu đỏ, inliers là màu xanh.
Hồi quy tuyến tính
Đây là kết quả của phương pháp hồi quy tuyến tính mà khơng có RANSAC. Do khơng xem xét các mẫu có sai sót, nên mẫu phù hợp được tạo ra sẽ bị ảnh hưởng rất lớn và sai lệch bởi các outlier.
Các ví dụ về sự lặp RANSAC
Dưới đây là một số đồ thị trên tập dữ liệu từ các lần lặp lại của RANSAC. Lần lặp 1
Vì mơ hình được tạo ra bởi outlier, nó chắc chắn khơng phải là một ước tính tốt cho dịng. Do đó nó sẽ khơng vượt qua ngưỡng thỏa thuận tối thiểu như mong muốn.
Lần lặp 2
Trong lần lặp lại này, tập con mẫu ngẫu nhiên bao gồm một giá trị inlier và một giá trị outlier.
Do sự tồn tại của một outlier trong tập hợp con mẫu, mơ hình được tạo ra khơng có đủ hỗ trợ, vì vậy nó sẽ không vượt qua được ngưỡng đồng thuận tối thiểu
Lần lặp 3
Trong lần lặp lại này, tập hợp con ngẫu nhiên bao gồm hai giá trị inlier
Do tập hợp con mẫu chỉ bao gồm các giá trị inlier, với ngưỡng chịu dung sai phù hợp, tất cả các giá trị inlier có thể được thu thập như là sự đồng thuận.
Có tất cả các inlier trong sự đồng thuận, mơ hình này vượt qua ngưỡng đồng thuận tối thiểu. Sau đó, một mơ hình cuối cùng được tính bằng cách sử dụng tất cả các mẫu dữ liệu trong sự đồng thuận với một tối ưu hóa leastsquare.
Đến đây , RANSAC bỏ qua tất cả các outlier và đào tạo các mơ hình chỉ sử dụng inliers.
Ảnh hưởng của tham số Số lần lặp lại W = 0.6 ; P(success) = 0.99 ; n= 2 ( ( )) ( ) ( ) ( )
Ngưỡng dung sai lỗi
Ngưỡng dung sai lỗi nên được chọn phù hợp với cài đặt. Nếu khơng, RANSAC sẽ khơng tìm được kết quả chính xác.
Nếu t được chọn nhỏ hơn cần thiết, ngay cả RANSAC đã chọn hai giá trị inliers cho tập con mẫu, nó sẽ khơng đạt được sự đồng thuận bao gồm tất cả các inliers.
Hoặc nếu t được lựa chọn lớn, sự đồng thuận tạo ra sẽ bao gồm một số outliers ngay cả khi tập con mẫu chỉ bao gồm các giá trị inliers.
Ngưỡng đồng thuận tối thiểu
Ngưỡng đồng thuận tối thiểu cũng có một vai trị quan trọng đối với hành vi của RANSAC. Nếu d được chọn nhỏ, một số dòng ngẫu nhiên phù hợp với một phần của các mẫu sẽ được coi là một sự đồng thuận hợp lệ.
Hoặc, nếu d được chọn quá lớn, thậm chí một ước tính tốt sẽ khơng vượt qua ngưỡng đồng thuận tối thiểu và khơng có kết quả mơ hình cuối cùng nào được tìm thấy bởi RANSAC.
Tóm lại q trình thực hiện thuật tốn RANSAC được mơ tả như dưới đây: Từ tập dữ liệu đầu vào gồm có nhiễu và khơng nhiễu ta chọn dữ liệu ngẫu nhiên, tối thiểu để xây dựng mơ hình
Tiến hành xây dựng mơ hình với dữ liệu đó, sau đó đặt ra một ngưỡng dùng để kiểm chứng mơ hình.
Gọi tập dữ liệu ban đầu trừ đi tập dữ liệu để xây dựng mơ hình là tập dữ liệu kiểm chứng. Sau đó, tiến hành kiểm chứng mơ hình đã xây dựng bằng tập dữ liệu kiểm chứng. Nếu kết quả thu được từ mơ hình vượt q ngưỡng, thì điểm đó là nhiễu, cịn khơng đó sẽ là ngược lại.
Q trình này sẽ được lặp đi lặp lại trong vài lần. Với được tính theo cơng thức
trên. Tại mỗi vòng lặp giá trị của sẽ được tính lại.
Kết quả là mơ hình nào có số dữ liệu không nhiễu nhiều nhất sẽ được chọn là mơ hình tốt nhất.
CHƯƠNG 3
XÂY DỰNG CHƯƠNG TRÌNH
3.1 Q trình nhận dạng và định danh khn mặt
Hình 3.1: Sơ đồ nhận dạng khn mặt
Từ camera ta thu được một ảnh, dựa vào các đặc trưng Haar Like và mơ hình Cascade ta xác định khn mặt trong ảnh. Để tăng độ nhận danh chính xác khn mặt trong ảnh, ta cần giảm bỏ các yếu tố không cần thiết trong ảnh, trong luận văn này tôi cắt khuôn mặt ra so sánh với khuôn mặt trong cơ sở dữ liệu.
3.2 Thuật toán phát hiện đối tượng
Đối tượng trong luận văn này là khuôn mặt, tập huấn luyện “haarcascade_frontalface_default.xml” được lấy trong thư viện Emgu CV
Lưu ảnh Trích đặc trưng cục bộ bất biến Trích đặc trưng cục bộ bất biến So khớp đặc trưng Xác minh danh tính Phát hiện khn mặt
Ảnh thu được từ camera