Haar Cascade Là Gì

     

Mở bài

Sau lúc mình đọc bài này của công ty Sơn team mình về review điểm khuôn mặt, mang đến đoạn bắt xem vùng nào cất khuôn mặt trên ảnh, thì mình chợt nhận ra là mình ngần ngừ gì về cái này cả

*
sau khi search trên toptrungtamanhngu.com về Haar Cascade cũng thấy chục bài, tuy vậy các bài xích cũng lý giải không được dễ nắm bắt lắm, yêu cầu mình viết thêm một bài xích nữa cho chúng ta càng thêm cực nhọc hiểu : )

Bạn rất có thể thử chấm điểm khuôn mặt mình bên trên trang https://beauty.sun-asterisk.ai nhé!

Haar Cascade là gì?

Về cơ bản là sử dụng những đặc trưng loại Haar và sau đó sử dụng thiệt nhiều đặc thù đó trải qua không ít lượt (cascade) để sản xuất thành một máy bộ nhận diện trả chỉnh. Vẫn khó hiểu đề xuất không? Vậy chúng ta nhảy vào từng quan niệm một nhé.

Bạn đang xem: Haar cascade là gì

Đặc trưng Haar

Nếu các bạn đã thao tác với xử lý ảnh hoặc Convolutional Neural Networks rồi thì chắc bạn cũng không hề lạ gì với những bộ thanh lọc trong xử lý ảnh nữa cả — giả dụ không, bạn cũng có thể đọc phần này vào một bài của mình về CNN để hiểu thêm. Các ví dụ cỗ lọc được liệt kê làm việc dưới, trong các số ấy a) là những bộ lọc bắt những cạnh vào ảnh, cùng b) bắt những đường thẳng trong ảnh, giống như như những bộ lọc đã có mình nói tới trong bài bác trên. Ngoại trừ ra, còn có các bộ lọc Haar khác, như lấy một ví dụ c) về đặc thù 4-hình vuông bên dưới đây,

*

hoặc đặc thù nằm gọn gàng trong trung tâm một vùng như lấy ví dụ 3. trong hình ảnh dưới đây:

*

Tuy nhiên, cách áp dụng các bộ thanh lọc này khác một chút ít so với những cửa sổ bộ lọc bên CNN. Ở CNN, cỗ lọc chiếm tổng thể cửa sổ trượt, trong những khi ở đặc thù Haar, bộ lọc chỉ chiếm một trong những phần trong cửa sổ trượt thôi. Điều này được minh hoạ trên hình ảnh sau:

*

Trong hình trên, hành lang cửa số trượt được để ngay ngắn vừa gọn để nhìn được toàn cục ảnh. Các chúng ta có thể nhận ra rằng bộ lọc đầu trong các số ấy đang tra cứu một "cạnh" phân làn giữa mắt/lông ngươi với mũi, vì ở chỗ đọc bao gồm chênh lệch về màu đáng kể; và ở bộ lọc sau, mô hình đang tìm đường sống mũi, vì ở đó sẽ có được màu sáng hơn so với 2 bên (vì nó cao hơn nữa dễ bắt sáng). Với như sẽ nói trên, bộ lọc Haar chỉ nhìn rõ ràng vào một vùng trong cửa sổ để tra cứu thôi: trong khuôn mặt thì mũi lúc nào cũng ở ở chính giữa chứ không ở các góc, phải không nên nhìn những góc để làm gì cả.

Xem thêm: Những Câu Hỏi Về Ngày 8 3, Có Đáp Án, Những Câu Hỏi Hay Về Ngày Quốc Tế Phụ Nữ 8/3

Để tăng tốc giám sát và đo lường khi tính các bộ lọc trên, chúng ta thường áp dụng integral image. Mục này chúng ta có thể đọc thêm trong nội dung bài viết này của Hải Hà Chan để hiểu thêm cụ thể nhé.

Làm sao mà hiểu rằng bộ lọc Haar như thế nào tốt? Nhìn dòng nào cũng tương tự nhau...

Xem thêm: Tổng Hợp Dây Cáp Tivi Giá Bao Nhiêu, Dây Cáp Ti Vi

Đúng vậy, bọn họ có khoảng 160k+ những bộ lọc do đó cơ! tuy nhiên, chúng ta có thể sử dụng Adaboost (adaptive boosting) để phối kết hợp các bộ lọc trên như sau:

*

Ảnh bên trên là minh hoạ của quy trình boosting: khi bạn có các classifier yếu không giống nhau, phối kết hợp chúng để tạo ra thành một classifier mạnh. Việc kết hợp như các bạn thấy khá đối kháng giản, chỉ là những khối xúc tích và ngắn gọn AND/OR dựa vào vào tác dụng được gửi ra. Câu vấn đáp là một tờ perceptron 1-1 giản! một đội nhóm hợp đường tính đơn giản đã có thể tính được kết hợp các đầu ra ra quyết định trên, chúng ta có thể xem thêm ở mục kế bên lề này trong bài bác về linear classifier tôi đã viết.

Vậy sẽ là boosting rồi, còn adaptive ở đó là gì? Ở boosting hay thì các classifier yếu đuối trên có tiếng nói ngang cành bứa nhau, bình đẳng và dân chủ; nhưng sau khi qua Adaboost, nhưng mà classifier khôn hơn thế thì tiếng nói sẽ có trọng lượng cao hơn. Sau đây là một hình hình ảnh minh hoạ khác để giúp đỡ bạn dễ dàng tưởng tượng hơn chút: