Đang chuẩn bị liên kết để tải về tài liệu:
Nhận dạng mặt người với giải thuật haar Like feature – Cascade of boosted classifiers và đặc trưng sift

Trong bài này các tác giả trình bày một phương pháp mới, kết hợp Haar Like Feature - Cascade of Boosted Classifiers (CBC) và các đặc trưng cục bộ không đổi (Scale-Invariant Feature Transform - SIFT) cho nhận dạng mặt người. . | Tạp chí Khoa học – 2014, Quyển 3 (2), 15 - 24 Trường Đại học An Giang NHẬN DẠNG MẶT NGƯỜI VỚI GIẢI THUẬT HAAR LIKE FEATURE – CASCADE OF BOOSTED CLASSIFIERS VÀ ĐẶC TRƯNG SIFT Châu Ngân Khánh1 và Đoàn Thanh Nghị2 1 ThS. Khoa Kỹ thuật-Công nghệ và Môi trường, Trường Đại học An Giang TS. Khoa Kỹ thuật-Công nghệ và Môi trường, Trường Đại học An Giang 2 Thông tin chung: Ngày nhận bài: 03/03/14 Ngày nhận kết quả bình duyệt: 06/05/14 Ngày chấp nhận đăng: 30/07/14 Title: Human face recognition by Haar Like Feature – Cascade of Boosted Classifiers Algorithm and SIFT Features Từ khóa: Biểu diễn đặc trưng không đổi SIFT, nhận dạng khuôn mặt, Bayes thơ ngây với láng giềng, đặc trưng Haar-like, k láng giềng (kNN), mô hình phân tầng cascade (CBC) Keywords: Scale-invariant feature transform - SIFT, face recognition, naive Bayes nearest neighbor, Haar-like features, k nearest neighbor (kNN), cascade of boosted classifiers (CBC) ABSTRACT Human face recognition is one of the very challenging problems in computer vision and machine learning. Recent studies have significantly increased the accuracy of recognition systems. In this paper, however, we present a new methodology that combines Haar Like Feature - Cascade of Boosted Classifiers and Scale-Invariant Feature Transform (SIFT) for the recognition of human face. Haar Like Features combine with the AdaBoost algorithm and the Cascade stratified model for fast and accurate detection and extraction of facial images. Reflection of the images is expressed by Scale-Invariant Feature Transform method, which is invariant to image scale, translational movement, rotation, partly to affine distortion, and strongly to illumination, addition of noise and obscuration. For object recognition, we propose the k nearest neighbors (kNN), the reversibility of kNN and Naive Bayes Nearest Neighbor (NBNN). Numerical testing on several benchmark datasets such as AT&T, Face94, Face95, Face96, Grimace, Jaffe using our proposed method for face .