Sushma Jaiswal, Dr.
Neste caso de estudo e relatório, é apresentado um método de deteção facial. A deteção facial é a primeira etapa dos métodos de reconhecimento facial. A deteção de rostos é uma tarefa difícil no Pattern. Existem diferentes métodos de deteção de rostos, nomeadamente métodos de deteção de rostos baseados em conhecimento, métodos de deteção de rostos baseados em características, métodos de deteção de rostos baseados em modelos e métodos de deteção de rostos baseados em aparência. Mas aqui dividimos basicamente em dois métodos para deteção de rostos (i) métodos baseados em imagens (ii) métodos baseados em características. Desenvolvemos um sistema intermédio, utilizando um algoritmo de boosting para treinar um classificador que é capaz de processar imagens rapidamente e ao mesmo tempo ter elevadas taxas de deteção. O AdaBoost é uma espécie de classificador de grande margem e é eficiente para a aprendizagem online. De forma a adaptar o algoritmo AdaBoost ao reconhecimento facial rápido, o Adaboost original que utiliza todas as características fornecidas é comparado com o aumento ao longo das dimensões das características. Os resultados comparáveis ????garantem a utilização deste último, mais rápido para a classificação. A ideia principal na construção do detetor é um algoritmo de aprendizagem baseado em boosting: AdaBoost. O AdaBoost é um algoritmo de aprendizagem agressivo que produz um classificador forte escolhendo características visuais de uma família de classificadores simples e combinando-as linearmente. A família de classificadores simples contém wavelets retangulares simples que se assemelham à base de Haar. A sua simplicidade e uma nova representação de imagem chamada Imagem Integral permitem um cálculo muito rápido destas características do tipo Haar. Em seguida, é introduzida uma estrutura em cascata para rejeitar rapidamente as regiões de fundo fáceis de classificar e focar nas janelas mais difíceis de classificar. Para isso, os classificadores com complexidade cada vez maior são combinados sequencialmente. Isto melhora a velocidade e a eficiência da deteção. A deteção de rostos nas imagens de entrada é feita através de uma janela de digitalização em diferentes escalas que permite detetar rostos de todos os tamanhos sem reamostrar a imagem original. Por outro lado, a estrutura do classificador final permite uma implementação do detetor em tempo real. Devido a algumas limitações dos métodos baseados em redes neuronais, adoptámos o algoritmo Adaboost para a detecção de rostos. Aqui apresentamos alguns resultados em exemplos do mundo real. O nosso detetor encontrou boas taxas de deteção com faces frontais e o método pode ser facilmente adaptado a outras tarefas de deteção de objetos, alterando o conteúdo do conjunto de dados de treino.