Abstract
Recently, a powerful face detection method based on AdaBoost algorithm is drawing attention to various applications. This method provides face detection systems with a good detection rate, although a considerable number of weak classifiers are needed. This paper introduces weak classifiers which can not be or can be less influenced by gradual brightness changes in face regions or changes in lighting condition. Using a simple mathematical model for these changes, we have found that a second-order differentiation, e.g. Laplacian Operator, is very useful to cope with these changes. In order to show the effectiveness, we have compared the classification results for original and differential images with and without normalization. As a result, the second-order differentiation is found to be very effective, regardless of normalization of images. This result suggests the number of weak classifiers may be reduced to a great extent, while preserving equal detection capability
چکیده
اخیراً، یک روش تشخیص چهره قدرتمند مبتنی بر الگوریتم آدابوست با توجه به برنامه های کاربردی مختلف ارائه شده است. این روش، سیستم های تشخیص چهره را با یک نرخ تشخیص خوب ارائه می کند، اگرچه تعداد قابل توجهی از طبقه های ضعیف موردنیاز هستند. این مقاله، طبقه بندی های ضعیف را معرفی می کند که نمی توانند یا کمتر می توانند توسط تغییرات روشنایی تدریجی در ناحیه های صورت یا تغییرات در شرایط روشنایی، تحت تاثیر قرار گیرند. با استفاده از یک مدل ریاضی ساده برای این تغییرات، ما دریافتیم که مشتق گیری مرتبه ی دوم، به عنوان مثال، عملگر لاپلاس، برای مقابله با این تغییرات بسیار مفید است. به منظور نشان دادن اثربخشی، ما نتایج طبقه بندی تصویر اصلی و تصاویر دیفرانسیل را با و بدون نرمال سازی مقایسه می کنیم. درنتیجه، مشتق مرتبه ی دوم، صرف نظر از نرمال سازی تصاویر بسیار موثر است. این نتیجه، نشان می دهد تعداد طبقه های ضعیف ممکن است تا حد زیادی کاهش یابد، در حالی که قابلیت تشخیص برابر را حفظ می کند.
1-مقدمه
تشخیص چهره، یک فناوری اساسی و مهم در سیستم های نظارتی به عنوان رابط بین انسان و کامپیوتر است. چنین روشی موردنظر است، که در برابر تغییرات در شرایط روشنایی مقاوم است و همچنین می تواند حتی در سیستمی با توانایی محاسباتی کمتر مانند تلفن همراه، استفاده شود.
روش ارائه شده توسط Viola و Jones، یک روش کاندی خوبی است، زیرا آن یک قابلیت تشخیص خوبی را ارائه می کند. علاوه براین، آن می تواند چهره را در زمان واقعی تشخیص دهد و همچنین بسیار انعطاف پذیر است که می تواند برای سطوح مختلف از پیچیدگی محاسباتی، سرعت و نرخ تشخیص، آموزش دیده شود. این الگوریتم می تواند با تغییرات جزئی برای تشخیص سایر اشیا (اهداف) به خوبی پیاده سازی شود، و یک روش برای تشخیص عابرپیاده توسط Viola و Jonesارائه شده است....