Bài toán SVM trong trường hợp dữ liệu mẫu không thể phân tách tuyến tính. Hình 2.11 (A) hình ảnh chênh lệch ngưỡng được phủ lên các ứng viên sinh viên có thể. B) hình ảnh tối được gắn nhãn với các ứng cử viên mắt có thể có liên quan đến vị trí của các ứng cử viên đồng tử (A). Trong thời đại hiện nay, sự phát triển của CNTT kéo theo sự phát triển của nhiều lĩnh vực khác, làm tăng số lượng giao dịch thông tin trên Internet. Mỗi ngày có nhiều thông tin hơn, tốc độ thay đổi cũng cực kỳ nhanh, các hoạt động ở mọi lĩnh vực cũng đòi hỏi phải xử lý một lượng thông tin khổng lồ.
Yêu cầu lớn nhất là làm thế nào để tổ chức, tìm kiếm thông tin một cách hiệu quả và việc phân loại thông tin là một trong những giải pháp hợp lý cho yêu cầu này. Giải pháp là sử dụng máy tính để tự động phân loại thông tin.
KHÁI QUÁT VỀ XỬ LÍ ẢNH VÀ PHÁT HIỆN MẮT CỦA MẶT
Khái quát về xử lý ảnh
- Xử lý ảnh là gì?
- Các vấn đề cơ bản trong xử lý ảnh
- Một số khái niệm cơ bản
- Nắn chỉnh biến dạng
- Khử nhiễu
- Chỉnh mức xám
- Trích chọn đặc điểm
- Nhận dạng
- Nén ảnh
Phương pháp phát hiện mắt của chúng tôi sau đó được xác thực bằng cơ sở dữ liệu FRGC [16]. Việc theo dõi mắt có thể được thực hiện bằng cách thực hiện phát hiện đồng tử trong mỗi khung hình. Điều này có thể được thực hiện hiệu quả hơn bằng cách sử dụng các chương trình báo cáo và phát hiện.
Phương pháp này có thể được sử dụng để định vị hoặc phát hiện khuôn mặt trong ảnh. Phân loại là quá trình nhóm các đối tượng "tương tự" thành "một lớp" dựa trên đặc điểm dữ liệu của chúng. Đối với dữ liệu có thể phân tách tuyến tính, chúng ta có thể định nghĩa một siêu phẳng f(x) để chia tập dữ liệu.
Nếu có thể xác định được cách tính tích bên trong của không gian đặc trưng trên không gian dữ liệu gốc thì gọi là hàm nhân.
Phát hiện trạng thái mắt của mặt người trong ảnh
- Phát hiện mặt người trong ảnh
- Phát hiện mắt người trong ảnh
- Phát hiện trạng thái mặt người theo một số phương pháp
PHÁT HIỆN MẮT CỦA MẶT NGƢỜI TRONG ẢNH
Phát hiện mắt
- Phát hiện mặt người
- Phát hiện vị trí mắt ban đầu
Để tạo điều kiện thuận lợi cho quá trình xử lý hình ảnh hơn nữa, khuôn mặt của người đó được chiếu sáng bằng đèn chiếu hồng ngoại gần. Thông tin chi tiết về cấu trúc của đèn hồng ngoại và cấu hình của nó có thể được tìm thấy trong [40]. Trong hình ảnh mắt hồng ngoại, việc phát hiện mắt được thực hiện thông qua phát hiện nhiều người.
Cụ thể, quá trình phát hiện con người bắt đầu bằng quá trình xử lý trước để loại bỏ nhiễu độ chói của hình ảnh, sau đó là tìm kiếm con người trên toàn bộ hình ảnh về cường độ mắt và diện mạo. Một phương pháp khác biệt được sử dụng để loại bỏ nền lệch tâm bằng cách trừ hình ảnh mắt tối (trường lẻ) khỏi hình ảnh mắt sáng (trường chẵn), tạo ra một hình ảnh khác biệt, với hầu hết các nền và ngoại lệ, như trong Hình 2. Sơ đồ khối phát hiện mắt để theo dõi mắt theo thời gian thực, trừ ảnh phải được thực hiện hiệu quả trong thời gian thực.
Để đạt được điều này, chúng tôi đang phát triển các mạch để đồng bộ hóa vòng ngoài của đèn LED và vòng trong của đèn LED với các trường và thậm chí cả những điểm kỳ lạ của hình ảnh đan xen để chúng có thể được bật và tắt luân phiên. Sau đó, các hình ảnh đầu vào xen kẽ phải được xen kẽ thông qua bộ giải mã video, tạo ra hình ảnh của các trường chẵn và lẻ như trong Hình 2. Thông tin thêm về mạch trừ ảnh của chúng tôi có thể được tìm thấy trong [40].
Sau đó, các hình ảnh khác biệt sẽ được tự động xác định ngưỡng dựa trên hình ảnh nhị phân, tạo ra hình ảnh nhị phân. Phân tích thành phần kết nối sau đó được áp dụng cho các ảnh nhị phân để xác định các ảnh nhị phân. Đèn nền giúp loại bỏ nhiễu (A) Các trường hình ảnh chẵn thu được bằng cả ánh sáng xung quanh và ánh sáng hồng ngoại, (B) Các trường hình ảnh lẻ thu được với ánh sáng xung quanh xung quanh dây; (C) Ảnh thu được của phép trừ (B) khỏi (A).
Kiểm tra mắt sử dụng hỗ trợ máy vector
- Những khái niệm cơ bản về SVM
- Khái niệm cơ bản về SVM
- Bài toán phân lớp
- Phân lớp tuyến tính
- SVM và phân cách với khoảng cách lớn nhất
- Không gian đặc trưng
- Cơ sở lý thuyết SVM
- Bài toán phân 2 lớp với SVM
- Bài toán phân nhiều lớp với SVM
- Trường hợp dữ liệu không thể phân tách được
- Huấn luyện SVM
- Phát hiện trạng thái mắt với SVM
Như vậy, giải quyết bài toán phân loại chính là quá trình xây dựng một mô hình (tính năng, quy tắc...) để xác định mỗi đối tượng thuộc lớp nào dựa trên đặc điểm dữ liệu của chúng. Trong kỹ thuật SVM, không gian dữ liệu đầu vào ban đầu sẽ được ánh xạ vào không gian đặc trưng và trong không gian đặc trưng này, siêu phẳng phân chia tối ưu sẽ được xác định. Siêu phẳng có khoảng cách lớn nhất đến dữ liệu gần nhất (tức là có ranh giới lớn nhất) được gọi là siêu phẳng tối ưu.
SVM là một công cụ phân vùng phi tuyến dựa trên hàm kernel, giúp chuyển đổi dữ liệu được phân vùng thành một không gian mới, trong đó các mẫu dữ liệu này có thể phân tách tuyến tính. Vấn đề đặt ra là: Xác định hàm phân loại để phân loại các mẫu sau này, tức là với một dữ liệu xt mới cần xác định xem xt được xếp vào lớp +1 hay lớp -1?. Nếu số lượng thuộc tính của mẫu dữ liệu lớn, chúng ta có thể đơn giản hóa việc tính toán bằng cách biến đổi bài toán với điều kiện Kuhn-Tucker tương đương với phương trình Lagrange kép.
Giả sử chúng ta tìm được cặp giải pháp tối ưu bằng số lượng mẫu trong tập dữ liệu huấn luyện. Trong trường hợp này, phương pháp SVM sẽ sử dụng ánh xạ dữ liệu mẫu vào một không gian mới có số chiếu lớn hơn để tập mẫu này có thể chia tuyến tính trong không gian đó (chúng tôi gọi đây là không gian đặc trưng mới). Trong không gian đặc trưng này, chúng ta tiếp tục tìm khoảng cách lớn nhất giữa hai siêu phẳng song song để phân tách dữ liệu mẫu.
Trong thực tế có nhiều trường hợp dữ liệu mẫu bị nhiễu, nhìn chung không có sự phân tách tuyến tính trong không gian đặc trưng. Một cách để “làm sạch” dữ liệu là xếp hạng dữ liệu mẫu nhưng rất khó để xếp hạng chúng. Để mở rộng ý tưởng này sang ví dụ về dữ liệu không thể tách rời, chúng tôi thêm các "biến lỏng lẻo" dương. cho vấn đề tối ưu hóa:.
Sử dụng SVM, cần có dữ liệu huấn luyện để có được siêu máy bay tối ưu. Dữ liệu hình ảnh được cắt lát được xử lý bằng cách sử dụng cân bằng biểu đồ và được chuẩn hóa với phạm vi đào tạo trước [0,1].
KẾT QUẢ THỰC NGHIỆM
Bài toán
Vấn đề phát hiện mắt của khuôn mặt con người đã được đặt ra từ lâu, bên cạnh đó, hàng loạt đề tài khoa học đã được xác định, các công trình nghiên cứu được công bố và triển khai ứng dụng. Vấn đề này luôn mang lại nhiều thách thức do tính khó khăn của nó. Những khó khăn đó cho thấy bất kỳ phương pháp giải bài toán nhận dạng mắt nào trên khuôn mặt người cũng không tránh khỏi những bất cập nhất định.
Trong luận án này, tác giả tập trung nghiên cứu theo hướng phát hiện trạng thái mắt của khuôn mặt người trong ảnh và cụ thể đạt được các kết quả sau. Cung cấp cái nhìn tổng quan về xử lý ảnh và bài toán phát hiện trạng thái mắt của khuôn mặt người trong ảnh. Hệ thống hóa một số kỹ thuật phát hiện mắt người trong ảnh. Thiết kế bài kiểm tra phát hiện mắt người từ khuôn mặt người trong ảnh.
Đầu tiên, việc sử dụng SVM để phát hiện đồng tử sẽ bổ sung cho mắt khả năng phát hiện dựa trên đồng tử sáng từ ánh sáng hồng ngoại, cho phép phát hiện mắt khi có các vật thể sáng khác. Thứ ba, mô hình mắt được cập nhật liên tục với các mắt được phát hiện thành công trong lần theo dõi Kalman cuối cùng để tránh lan truyền lỗi với những thay đổi đáng kể về theo dõi. SVM là thuật toán có khả năng phân loại chính xác với tốc độ cao, phù hợp với các bài toán phức tạp như nhận diện khuôn mặt người trong ảnh.
Bài toán SVM và quá trình xử lý nó chủ yếu dựa trên các mẫu dữ liệu được gọi là vectơ hỗ trợ được tìm thấy trước khi thực hiện tìm kiếm siêu bề mặt. Nếu số lượng vectơ hỗ trợ quá lớn sẽ dẫn đến tốn thời gian tìm kiếm siêu bề mặt, cũng như chi phí do giai đoạn nhận dạng là rất lớn. Vì vậy, SVM thường ít thành công hơn trong việc giải quyết các vấn đề với lượng lớn dữ liệu học tập. Phát hiện trạng thái mắt của khuôn mặt người trong ảnh là một bước trong quy trình nhận dạng trạng thái mắt, một bài toán rất thực tế, xuất phát từ nguyên lý thuật toán của quá trình phát hiện trạng thái mắt của khuôn mặt người bằng SVM. , chúng ta hoàn toàn có thể xây dựng được nguyên lý phát triển hệ thống nhận dạng trạng thái mắt người bằng cách sử dụng SVM trong bài toán phân loại đa lớp.
Các bước thực hiện
Giao diện chương trình và kết quả thực nghiệm