Đối với ảnh trong bộ dữ liệu, ở mỗi phần sẽ cĩ một kiến trúc CNN để huấn luyện, cịn ảnh kiểm tra, ở mỗi phần tơi sẽ đưa vào kiến trúc CNN đã dùng khi huấn luyện ở phần tương ứng để thu được vector xác suất cĩ số chiều bằng với số đối tượng dùng trong huấn luyện, mỗi giá trị ở vị trí i thứ trong vector tương ứng với xác suất ở thành phần đĩ thuộc về đối tượng i. Sau đĩ, tơi sẽ cĩ một hàm tính độ đo khoảng cách
43
với giá trị vào là vector xác suất, từ đĩ kết luận đối tượng của ảnh kiểm tra sẽ cĩ giá trị đo lớn nhất trong tất cả đối tượng.
2.1.1 Tiền xử lý ảnh đầu vào
Phần này tơi đã áp dụng một số phương pháp tiền xử lý trên hình ảnh đầu vào, bao gồm phát hiện và cắt xén để lấy vùng ảnh chứa khuơn mặt, cải thiện chất lượng ảnh. Trong thực tế ứng dụng, ảnh đầu vào thường được trích xuất từ camera nên bao gồm cả khơng gian nền, do đĩ, chúng ta phải thực hiện giai đoạn tìm kiếm và phát hiện khuơn mặt (gọi là face detection) nhằm xác định vùng ảnh chứa đúng khuơn mặt cần xử lý và cắt bỏ khơng gian nền của ảnh. Để thực hiện điều này, chúng tơi sử dụng phương pháp phát hiện vùng ảnh cĩ chứa khuơn mặt dựa trên kỹ thuật Haar-cascade. Độ nhiễu và độ rọi được giảm xuống bằng cách chuyển đổi hình ảnh đầu vào thành hình ảnh đa cấp độ xám và áp dụng phép cân bằng mức xám nhằm giúp nâng cao chất lượng của hệ thống nhận diện khuơn mặt. Kỹ thuật Haar-cascade sử dụng cửa sổ trượt trên ảnh (từ trái sang phải, từ trên xuống dưới), trích rút các đặc trưng Haar-like (Hình 2.2) trên cửa sổ đang xét dựa trên biểu đồ mức xám HOG (Histogram of Oriented Gradients), đưa vào mơ hình phân lớp AdabBoost theo cơ chế phân tầng