Boosting-метод виявлення облич на зображенні
У статті представлено boosting-метод виявлення облич фронтального вигляду на напівтонових зображеннях, який як прості класифікатори використовує ознаки з нового набору, отриманого шляхом поєднання локальних бінарних шаблонів та хаароподібних ознак. На наборі зображень облич з бази Yale B, які характ...
Збережено в:
| Опубліковано в: : | Штучний інтелект |
|---|---|
| Дата: | 2011 |
| Автори: | , |
| Формат: | Стаття |
| Мова: | Українська |
| Опубліковано: |
Інститут проблем штучного інтелекту МОН України та НАН України
2011
|
| Теми: | |
| Онлайн доступ: | https://nasplib.isofts.kiev.ua/handle/123456789/58811 |
| Теги: |
Додати тег
Немає тегів, Будьте першим, хто поставить тег для цього запису!
|
| Назва журналу: | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| Цитувати: | Boosting-метод виявлення облич на зображенні / Р.В. Маслій, А.Я. Кулик // Штучний інтелект. — 2011. — № 1. — С. 76-82. — Бібліогр.: 8 назв. — укр. |
Репозитарії
Digital Library of Periodicals of National Academy of Sciences of Ukraine| _version_ | 1860141287596883968 |
|---|---|
| author | Маслій, Р.В. Кулик, А.Я. |
| author_facet | Маслій, Р.В. Кулик, А.Я. |
| citation_txt | Boosting-метод виявлення облич на зображенні / Р.В. Маслій, А.Я. Кулик // Штучний інтелект. — 2011. — № 1. — С. 76-82. — Бібліогр.: 8 назв. — укр. |
| collection | DSpace DC |
| container_title | Штучний інтелект |
| description | У статті представлено boosting-метод виявлення облич фронтального вигляду на напівтонових зображеннях, який як прості класифікатори використовує ознаки з нового набору, отриманого шляхом поєднання локальних бінарних шаблонів та хаароподібних ознак. На наборі зображень облич з бази Yale B, які характеризуються нерівномірною освітленістю, розроблений метод демонструє на 7 – 10% вищу вірогідність виявлення облич у порівнянні з boosting-методом Віоли-Джонса.
В статье представлен boosting-метод обнаружения лиц фронтального вида на полутоновом изображении, который в качестве простых классификаторов использует новый набор признаков, полученных путём объединения локальных бинарных шаблонов и хаароподобных признаков. На наборе изображений лиц с базы Yale B, которые характеризуются неравномерной освещенностью, разработанный метод показывает на 7 – 10% более высокую вероятность обнаружения лиц в сравнении с boosting-методом Виолы-Джонса.
|
| first_indexed | 2025-12-07T17:49:38Z |
| format | Article |
| fulltext |
«Искусственный интеллект» 1’2011 76
1М
УДК 004.93
Р.В. Маслій, А.Я. Кулик
Вінницький національний технічний університет, м. Вінниця, Україна
romas@ukr.net
Boosting-метод виявлення облич
на зображенні
У статті представлено boosting-метод виявлення облич фронтального вигляду на напівтонових зображеннях,
який як прості класифікатори використовує ознаки з нового набору, отриманого шляхом поєднання локальних
бінарних шаблонів та хаароподібних ознак. На наборі зображень облич з бази Yale B, які характеризуються
нерівномірною освітленістю, розроблений метод демонструє на 7 – 10% вищу вірогідність виявлення
облич у порівнянні з boosting-методом Віоли-Джонса.
Вступ
Задача виявлення облич вирішується в багатьох застосуваннях, де є першим кро-
ком для подальшої обробки зображення, а саме: розпізнавання облич, розпізнавання
емоцій, гендерна класифікація, інтерфейс «людина-комп’ютер», відеоспостереження,
відеоконференції, контроль доступу, пошук зображень за контекстом, підрахунок від-
відувачів тощо [1].
Найкращі результати на сьогоднішній день демонструють методи, які розглядають
виявлення як задачу класифікації з двома класами (обличчя/не обличчя). Серед цих
методів велику увагу привертають boosting-методи [2-5], які можуть оброблювати зоб-
раження у режимі реального часу і є ефективними за критеріями ймовірності виявлення
та кількості хибних виявлень. У цих методах використовуються алгоритми навчання
класифікації з сімейства boosting-алгоритмів. Ці алгоритми вирішують задачу класифі-
кації шляхом комбінування малоефективних простих класифікаторів в один «сильний»,
для якого властива висока класифікаційна здатність. У багатьох boosting-методах як
boosting-алгоритм використовується Adaboost, а як прості класифікатори – хааропо-
дібні ознаки, чи їх модифікації. Цим ознакам властива простота обчислення, що є пе-
ревагою, але вони вразливі до умов освітлення.
Для створення boosting-методу з високою вірогідністю виявлення необхідним є
використання набору ознак, робастних до умов освітлення. Такими ознаками можуть
виступити локальні бінарні шаблони (ЛБШ), які останнім часом активно застосовую-
ться у задачах розпізнавання [6], [7]. Для високої швидкості обчислення доцільно ство-
рити новий набір ознак, який поєднає ЛБШ та хаароподібні ознаки. Для дослідження
ефективності застосування цього набору у роботі потрібно використати напівтонові
зображення облич людей фронтального вигляду.
Метою даної роботи є розробка та дослідження ефективності boosting-методу
виявлення облич фронтального вигляду, який базується на використанні як простих
класифікаторів ознак з набору, отриманого шляхом поєднання хаароподібних ознак та
локальних бінарних шаблонів при використанні напівтонових зображень, отриманих
в умовах нерівномірної освітленості.
Boosting-метод виявлення облич на зображенні
«Штучний інтелект» 1’2011 77
1М
1 Модифіковані хаароподібні ознаки
Хаароподібні ознаки [2] визначаються на напівтоновому зображенні і значення
ознаки залежить від різниці сум інтенсивностей пікселів, обчислених у прямокутних об-
ластях ознаки (рис. 1).
Рисунок 1 – Хаароподібні ознаки
ЛБШ оператор дозволяє отримати опис околу пікселя зображення у двійковій
формі. Значення ЛБШ ознаки після застосування ЛБШ оператора до околу пікселя
зображення з координатами (x, y) можна описати [7]:
1)2/(
0
2/ 2)(),(
N
m
m
Nmm kksyxLBPCS , (1)
де N – кількість пікселів околу, k – значення інтенсивностей пікселів околу,
інакше
kkякщо
kks Nmm
Nmm ,0
,1
)( 2/
2/
, де – поріг.
Згідно з формулою (1) ЛБШ оператор, що застосовується до околу пікселя на-
півтонового зображення з координатами (x, y), використовуючи вісім пікселів околу
(k0 – k7) утворює чотирьохрозрядний бінарний код (рис. 2).
Рисунок 2 – Обчислення значення ЛБШ ознаки
Обчислюючи значення ЛБШ ознак згідно з формулою (1) у всіх точках напів-
тонового зображення крім граничних, можна отримати масив ЛБШ (рис. 3).
Доцільно новий набір ознак, який використовує ЛБШ ознаки та хаароподібні оз-
наки, назвати модифікованими хаароподібними ознаками (МХО). Для обчислення
значення МХО напівтонове зображення спочатку перетворюється у масив ЛБШ, а по-
тім у набір інтегральних масивів ЛБШ (ІЛБШ), використовуючи формули:
),()1,(),( yxyxiyxi ddd , (2)
),(),1(),( yxiyxIyxI ddd , (3)
де I – масив ІЛБШ, i – допоміжний масив, d = 1, …, 16; )y,x(d = 1, якщо комірка ма-
сиву з набору
P
LBPI з координатами (х, y) дорівнює d, і )y,x(d = 0 – в іншому випадку.
МХО визначена певними параметрами: типом хаароподібної ознаки (рис. 1), зна-
ченням CS-LBP, розмірами та місцезнаходженням на зображенні, що відповідає розмі-
ру мінімального вікна пошуку (наприклад, 2424 або 4848 пікселів).
Маслій Р.В., Кулик А.Я.
«Искусственный интеллект» 1’2011 78
1М
Рисунок 3 – Отримання масиву ЛБШ з напівтонового зображення
Приклад отримання набору масивів ІЛБШ з масиву ЛБШ представлений на рис. 4.
Рисунок 4 – Отримання набору масивів ІЛБШ з масиву ЛБШ
Відповідно до параметрів МХО, використовуючи відповідний масив ІЛБШ I, об-
числюється кількість CS-LBP ознак у світлих та темних прямокутниках МХО.
Значення МХО обчислюється за формулою:
BW SS)I(f ,
де SW – кількість CS-LBP ознак у світлих прямокутниках МХО, SB – кількість CS-LBP
ознак у темних прямокутниках МХО, І – масив ІЛБШ.
Значення SW та SB обчислюються за формулою:
)b,a(I)b,a(I)b,a(I)b,a(IS 44113322 , (4)
де (a1, b1), (a2, b2), (a3, b3), (a4, b4) – це координати чотирьох пікселів, пов’язаних з
відповідним прямокутником у МХО (сусідній зверху з правим верхнім пікселем прямо-
кутника, правий нижній піксель прямокутника, сусідній зліва з лівим нижнім пікселем
прямокутника, сусідній по діагоналі зверху з лівим верхнім пікселем прямокутника).
2 Розробка методу
Для розробки методу доцільно використати підхід, запропонований у [2], у яко-
му сукупність простих класифікаторів, відібраних за допомогою алгоритму AdaBoost
для пришвидшення обробки зображення, представлена у вигляді каскаду сильних кла-
Boosting-метод виявлення облич на зображенні
«Штучний інтелект» 1’2011 79
1М
сифікаторів (КСК), з використанням як простих класифікаторів МХО. Розробка мето-
ду виявлення облич буде складатися з декількох етапів:
1) тренування КСК на наборах прикладів;
2) оброблення зображення КСК;
3) верифікація облич-кандидатів.
Перший етап. Для реалізації першого етапу необхідно сформувати набори пози-
тивних та негативних прикладів. Для цього формується база зображень облич фрон-
тального вигляду Bface, використовуючи зображення з баз ORL та BioID, а також база
зображень, на яких відсутні обличчя, Bnonface, використовуючи зображення, відібрані
в Інтернеті. Зображення з бази Bface нормалізуються таким чином, щоб очі на зобра-
женнях знаходилися в одних і тих же просторових координатах, та формується з них
навчальний P та верифікаційний набори Vp позитивних прикладів. З Bnonface виділяю-
ться області зображень та формуються з них навчальний N та верифікаційний Vn набо-
ри негативних прикладів. Зображення у наборах P, Vp, N, Vn приводяться до розміру
мінімального вікна пошуку.
Для формування набору МХО доцільно обмежити розмір хаароподібних ознак,
які використовуються у МХО, так як хаароподібні ознаки невеликого розміру при за-
стосуванні у МХО будуть недостатньо дискримінантними. Нехай мінімальний розмір
прямокутника у хаароподібній ознаці буде 44 пікселів.
Для КСК встановлюються значення ймовірності помилки першого роду FP_C
та ймовірності виявлення TP_C, яких при тренуванні має досягнути КСК. СК додаю-
ться до КСК до тих пір, поки не будуть досягнуті встановлені FP_C та TP_C.
З набору позитивних тренувальних прикладів при застосуванні ЛБШ оператора
отримується набір масивів ЛБШ позитивних прикладів
P
LBPI . Аналогічним чином з на-
бору негативних тренувальних прикладів отримується набір масивів ЛБШ негативних
прикладів
N
LBPI . Використовуючи формули (2) та (3) з набору
P
LBPI отримується набір
масивів ІЛБШ позитивних прикладів PI , а з набору
N
LBPI набір масивів ІЛБШ негатив-
них прикладів
NI .
Використовуючи набори PI та NI обчислюється значення кожної МХО fj та ви-
значається її оптимальний поріг θj, та напрямок знаку pj.
Для кожного СК встановлюються значення ймовірності помилки першого роду
FP та ймовірності виявлення TP, яких при тренуванні має досягнути СК.
За допомогою алгоритму Adaboost тренується кожен СК до досягнення встанов-
лених FP та TP. Формується навчальна вибірка з набору
P
LBPI позитивних прикладів
та набору
N
LBPI негативних прикладів вигляду (x1, y1), ..., (xn, yn), де x – масив ЛБШ, y –
цільове значення, яке дорівнює 0 – для негативних прикладів, 1 – для позитивних при-
кладів. Ініціалізуються ваги w1,i = 1/2m, 1/2l, для yi = 0, 1 відповідно, де m – кількість
позитивних прикладів, l – кількість негативних прикладів, а поточне значення ймовір-
ності помилки першого роду – fpRate (спочатку fpRate = 1). Запускається цикл з умовою,
поки fpRate > FP, де t – це поточна ітерація, i – індекс прикладу, j – індекс МХО.
Нормалізуються ваги прикладів навчальної вибірки:
n
1k
k,t
i,t
i,t
w
w
w
.
Формується простий класифікатор hj для кожної МХО, використовуючи PI та
NI за формулою:
інакше
pxfpякщо
xh jjjj
j ,0
)(,1
)(
,
Маслій Р.В., Кулик А.Я.
«Искусственный интеллект» 1’2011 80
1М
де fj – МХО, x – масив ЛБШ, θj – поріг, pj – напрямок знаку МХО.
Помилка усіх простих класифікаторів на навчальній вибірці обчислюється за фор-
мулою:
i iijij y)x(hw .
У СК додається простий класифікатор ht з найменшою помилкою εt. Ваги прикла-
дів оновлюються за формулою:
ie1
ti,ti,1t ww
,
де ei = 0, якщо приклад xi розпізнаний правильно, ei = 1 в іншому випадку,
t
t
t 1
.
Формується СК за формулою:
інакше
xh
xh
T
t
t
,0
)(,1
)(
1
t
, (5)
де
t
t
1
log
,
T
1t
t2
1
.
Використовуючи верифікаційний набір позитивних прикладів Vp підлаштовує-
ться поріг ψ СК, для досягнення заданого значення ймовірності виявлення TP. Обчис-
люється значення ймовірності помилки першого роду fpRate СК на верифікаційному
наборі негативних прикладів Vn. Перехід на наступну ітерацію циклу здійснюється у
випадку виконання умови fpRate>FP, в іншому випадку СК додається у КСК.
Здійснюється перехід до тренування наступного СК. Для формування набору не-
гативних прикладів N наступного СК виділяється з Bnonface області зображень, які при-
водяться до розміру мінімального вікна пошуку та формуються з них негативні приклади,
здійснюється їх перетворення у масиви ІЛБШ і подаються на вхід КСК, приклади, які
КСК прийняв за позитивні, додаються у набір N.
Другий етап. Процес обробки зображення КСК для виявлення на ньому облич
здійснюється наступним чином. За допомогою оптичного пристрою, наприклад, відео-
камери, зображення, на якому присутнє одне чи більше людських облич, вводиться у
комп’ютер. Це зображення перетворюється у масив ЛБШ та з допомогою формул (2)
та (3) створюється 16 масивів ІЛБШ. За допомогою вікна пошуку, розмір якого спочат-
ку дорівнює мінімальному, а потім збільшується на коефіцієнт Ms, при зміні масштабу
пересувається по зображенню уздовж його рядків з кроком Kr пікселів, виділяється
область зображення, відповідні їй частини масивів ІЛБШ подаються на вхід КСК.
У СК, використовуючи отримані частини масивів ІЛБШ, за формулою (4) обчислюються
значення МХО у простих класифікаторах. Згідно з формулою (5) приймається рішення
про перехід до наступного СК у каскаді у випадку h(x) = 1, чи до відхилення поточної
області зображення у випадку h(x) = 0 і переходу до обробки наступної області зобра-
ження, виділеної вікном пошуку. У випадку, якщо всі СК каскаду приймуть рішення
h(x) = 1, область зображення визнається за таку, на якій присутнє обличчя.
Третій етап. Після проходження вікна пошуку по всьому зображенню у всіх
масштабах КСК виділяє на зображенні декілька виявлених областей – обличчя-канди-
дати. Для верифікації облич-кандидатів застосовується правило кластеризації, в якому
вся множина облич-кандидатів розбивається на множини, що не перетинаються. При
кластеризації два обличчя-кандидати відносяться до одного кластера, якщо вони пере-
тинаються більше ніж на відсоток φ. Кластер є кандидатом для створення об’єднаної
області, якщо множина облич-кандидатів у ньому більша порогу η. Об’єднана область
формується шляхом знаходження середнього арифметичного координат облич-кандида-
тів, що входять у кластер. Кожна з об’єднаних областей визнається за область обличчя.
Boosting-метод виявлення облич на зображенні
«Штучний інтелект» 1’2011 81
1М
3 Тестування методу
Для оцінки ефективності розробленого методу як еталонного методу виявлення
облич для порівняння результатів тестування був обраний відомий boosting-метод Віоли-
Джонса [2]. Тестування методів виявлення проводилося з використанням середовища
Microsoft Visual C++ 2008 Express Edition та бібліотеки Intel Open Computer Vision Lib-
rary. Для тестування методів була використана база облич «Yale Face Database B» [8].
З бази «Yale Face Database B» був використаний набір з 650 напівтонових зобра-
жень облич фронтального вигляду розміром 640480 пікселів (рис. 5). Кожне зобра-
ження містить фронтальний вигляд особи. Зображення бази «Yale Face Database B»
характеризуються тим, що вони отримані при 65 різних умовах освітлення.
Рисунок 5 – Приклади зображень облич з бази «Yale Face Database B»
Тренування КСК здійснювалося при таких параметрах: значення ймовірності по-
милки першого роду FP_С=10-6, ймовірність виявлення TP_С = 0,9; для кожного СК
значення ймовірності помилки першого роду FP = 0,5, ймовірність виявлення TP = 0,995.
В результаті тренування отриманий КСК, який складається з 20 СК.
Тестування розробленого методу та методу Віоли-Джонса здійснювалося при та-
ких загальних параметрах: кількість вікон η = 2, коефіцієнт масштабу Ms (1,1 та 1,2),
розмір мінімального вікна пошуку (2424 та 4848 пікселів). Для розробленого ме-
тоду додатковими параметрами були: для ЛБШ (кількість пікселів околу N = 8, поріг
λ = 0), зсув вікна пошуку Kr = 1 піксель, відсоток перетину вікон γ = 70%.
Результати тестування методів виявлення облич при зазначених параметрах пред-
ставлені у табл. 1.
Таблиця 1 – Результати тестування методів виявлення облич
Коефіцієнт
масштабу
Критерії оцінки
ефективності
виявлення
Метод Віоли-Джонса Розроблений метод
Розмір мінімального вікна пошуку, пікселів
2424 4848 2424 4848
1,1
Ймовірність
виявлення
0,797 0,789 0,871 0,873
Кількість хибних
виявлень
65 46 69 45
Швидкість
виявлення,
кадрів/с
2 – 3 5 – 7 2 4 – 5
1,2
Ймовірність
виявлення
0,735 0,737 0,827 0,84
Кількість хибних
виявлень
32 35 39 29
Швидкість
виявлення,
кадрів/с
4 – 5 7 – 10 3 – 4 6 – 8
Маслій Р.В., Кулик А.Я.
«Искусственный интеллект» 1’2011 82
1М
Висновки
Розроблений метод виявлення облич фронтального вигляду на напівтонових зоб-
раженнях з використанням алгоритму навчання Adaboost та набору модифікованих
хаароподібних ознак як простих класифікаторів дозволив збільшити вірогідність вияв-
лення облич в наборі фронтального вигляду з бази Yale B, зображення у якому харак-
теризуються нерівномірним освітленням, у порівнянні з методом Віоли-Джонса. При
збільшенні вірогідності виявлення на 7 – 10%, в залежності від параметрів, при цьому
кількість хибних виявлень залишилася на тому самому рівні та незначно зменшилася
швидкість виявлення. Тестування здійснювалося на комп’ютері AMD 3000+ з часто-
тою процесора 1,81 ГГц.
Для збільшення швидкості виявлення облич розробленим методом планується
застосувати етап попередньої обробки зображення, який дозволить зменшити кількість
вікон, оброблюваних каскадом сильних класифікаторів. Також планується удоскона-
лити етап верифікації облич-кандидатів, який дозволить зменшити кількість хибних
виявлень.
Література
1. Yang M. Detecting Faces in Images: A Survey / M. Yang, D. Kriegman, N. Ahuja // IEEE Transactions on
Pattern Analysis and Machine Intelligence (PAMI). – 2002. – Vol. 24, № 1. – P. 34-58.
2. Viola P. Robust Real-Time Face Detection / P. Viola, M. Jones // International Journal of Computer Visi-
on. – 2004. – Vol. 57, № 2. – P. 137-154.
3. Li S. FloatBoost Learning and Statistical Face Detection / S. Li, Z. Zhang // IEEE Transactions on Pattern
Analysis and Machine Intelligence. – 2004. – Vol. 26, № 9. – P. 1112-1123.
4. Кудряшов П.П. Гибридный алгоритм обнаружения человеческих лиц / П.П. Кудряшов, С.А. Фомен-
ков // Информационные технологии. – 2007. – № 10. – С. 20-23.
5. Мурыгин К.В. Особенности реализации алгоритма Adaboost для обнаружения обьектов на изобра-
жениях / К.В. Мурыгин // Штучний інтелект. – 2009. – № 3. – С. 573-581.
6. Hadid A. A Discriminative Feature Space for Detecting and Recognizing Faces / A. Hadid, M. Pietikäinen,
T. Ahonen // IEEE Conference on Computer Vision and Pattern Recognition. – 2004. – P. 797-804.
7. Marko Heikkila. Description of Interest Regions with Local Binary Patterns / Marko Heikkila, Matti Pietikai-
nen, Cordelia Schmid // Computer Vision, Graphics and Image Processing, 5th Indian Conference. – 2006. –
P. 58-69.
8. Georghiades A.S. From Few to Many: Illumination Cone Models for Face Recognition under Variable Ligh-
ting and Pose / A.S. Georghiades, P.N. Belhumeur, D.J. Kriegman // IEEE Trans. Pattern Anal. Mach. In-
telligence. – 2001. – Vol. 23, № 6. – P. 643-660.
Р.В. Маслий, А.Я. Кулик
Boosting-метод обнаружения лиц на изображении
В статье представлен boosting-метод обнаружения лиц фронтального вида на полутоновом изображении,
который в качестве простых классификаторов использует новый набор признаков, полученных путём
объединения локальных бинарных шаблонов и хаароподобных признаков. На наборе изображений
лиц с базы Yale B, которые характеризуются неравномерной освещенностью, разработанный метод показывает
на 7 – 10% более высокую вероятность обнаружения лиц в сравнении с boosting-методом Виолы-Джонса.
R.V. Masliy, A.Y. Kulyk
Boosting-Based Face Detection Method
The article proposed boosting-based frontal view faces detection method in grayscale image, which uses a
new set of features obtained by combining local binary patterns and Haar-like features. as simple classifiers
On the set of images from the base of Yale B, which are characterized by nonuniform illumination the developed
method shows a 7 – 10% higher probability of face detection in comparison with the Viola-Jones boosting-
based method.
Стаття надійшла до редакції 01.09.2010.
|
| id | nasplib_isofts_kiev_ua-123456789-58811 |
| institution | Digital Library of Periodicals of National Academy of Sciences of Ukraine |
| issn | 1561-5359 |
| language | Ukrainian |
| last_indexed | 2025-12-07T17:49:38Z |
| publishDate | 2011 |
| publisher | Інститут проблем штучного інтелекту МОН України та НАН України |
| record_format | dspace |
| spelling | Маслій, Р.В. Кулик, А.Я. 2014-03-31T11:22:08Z 2014-03-31T11:22:08Z 2011 Boosting-метод виявлення облич на зображенні / Р.В. Маслій, А.Я. Кулик // Штучний інтелект. — 2011. — № 1. — С. 76-82. — Бібліогр.: 8 назв. — укр. 1561-5359 https://nasplib.isofts.kiev.ua/handle/123456789/58811 004.93 У статті представлено boosting-метод виявлення облич фронтального вигляду на напівтонових зображеннях, який як прості класифікатори використовує ознаки з нового набору, отриманого шляхом поєднання локальних бінарних шаблонів та хаароподібних ознак. На наборі зображень облич з бази Yale B, які характеризуються нерівномірною освітленістю, розроблений метод демонструє на 7 – 10% вищу вірогідність виявлення облич у порівнянні з boosting-методом Віоли-Джонса. В статье представлен boosting-метод обнаружения лиц фронтального вида на полутоновом изображении, который в качестве простых классификаторов использует новый набор признаков, полученных путём объединения локальных бинарных шаблонов и хаароподобных признаков. На наборе изображений лиц с базы Yale B, которые характеризуются неравномерной освещенностью, разработанный метод показывает на 7 – 10% более высокую вероятность обнаружения лиц в сравнении с boosting-методом Виолы-Джонса. uk Інститут проблем штучного інтелекту МОН України та НАН України Штучний інтелект Системы и методы искусственного интеллекта Boosting-метод виявлення облич на зображенні Boosting-метод обнаружения лиц на изображении Boosting-Based Face Detection Method Article published earlier |
| spellingShingle | Boosting-метод виявлення облич на зображенні Маслій, Р.В. Кулик, А.Я. Системы и методы искусственного интеллекта |
| title | Boosting-метод виявлення облич на зображенні |
| title_alt | Boosting-метод обнаружения лиц на изображении Boosting-Based Face Detection Method |
| title_full | Boosting-метод виявлення облич на зображенні |
| title_fullStr | Boosting-метод виявлення облич на зображенні |
| title_full_unstemmed | Boosting-метод виявлення облич на зображенні |
| title_short | Boosting-метод виявлення облич на зображенні |
| title_sort | boosting-метод виявлення облич на зображенні |
| topic | Системы и методы искусственного интеллекта |
| topic_facet | Системы и методы искусственного интеллекта |
| url | https://nasplib.isofts.kiev.ua/handle/123456789/58811 |
| work_keys_str_mv | AT maslíirv boostingmetodviâvlennâobličnazobraženní AT kulikaâ boostingmetodviâvlennâobličnazobraženní AT maslíirv boostingmetodobnaruženiâlicnaizobraženii AT kulikaâ boostingmetodobnaruženiâlicnaizobraženii AT maslíirv boostingbasedfacedetectionmethod AT kulikaâ boostingbasedfacedetectionmethod |