Happytime Face Detection 2.0
Sie können in 5 Sekunden herunterladen.
Über Happytime Face Detection
Happytime Gesichtserkennung kann menschliche Gesichter genau erkennen, mit weniger Falscherkennung, hoher Genauigkeit. Es kann für Standbilder und Videos verwendet werden, um Gesichter zu erkennen. Es kann gleichzeitig mehrere Gesichter erkennen, verschiedene Farbflächen erkennen, Gesichter in einem komplexen Hintergrund erkennen. Der Algorithmus-Code verlassen sich nicht oepncv Bibliothek (Die Anwendung verwenden nur opencv read image-Datei), geschrieben in C, kann leicht portiert werden. Hauptmerkmale: Geringe Fehlerkennung, hohe Genauigkeit Kann mehrere Flächen gleichzeitig erkennen Kann verschiedene Farbflächen erkennen Kann Gesichter in einem komplexen Hintergrund erkennen Geschrieben in C, kann leicht portiert werden Algorithmusprinzip: Basierend auf MB-LBP (Multi Block local binary pattern) Features Lookup-Tabelle Typ schwache Klassifikatoren Real AdaBoost Gesichtserkennungsalgorithmus. LBP (Local Binary Pattern) Features, die 1994 von der Ojala vorgeschlagen und auf das Problem der Texturklassifizierung angewendet wurden. MB-LBP-Funktion ist eine Erweiterung von LBP, verwendet Bildblöcke anstelle der ursprünglichen LBP-Features, die ein einzelnes Pixel als Basiseinheit. MB-LBP kann das Bildrauschen reduzieren, wenn LBP-Features zu berechnen, wenn integrale Bildtechnik zu nehmen, ist es möglich, MBLBP-Funktionen in konstanter Berechnungszeit erhalten zu erhalten. AdaBoost ist eine Steigerung der Lernmethoden, AdaBoost Trainingsprozess mit dem Schwellenwert als Merkmal der schwachen Klassifikatoren Ausgabe, hat diese schwache Klassifikatoren begrenzte Fähigkeit, Probenraum zu teilen. Basierend auf dem Real AdaBoost-Algorithmus schlug Wu einen Nachschlagetabellentyp schwachklassifikatoren kontinuierlichen AdaBoost Gesichtserkennungsalgorithmus vor, um eine gute Gesichtserkennung simonieren zu können. Algorithmusauswertung: MB-LBP Suchtabelle Typ schwache Klassifikatoren Real AdaBoost Gesichtserkennungsalgorithmus und andere veröffentlichte Methoden wurden verglichen, die Ergebnisse in Abbildung gezeigt, kann es aus der Abbildung, MB-LBP Suchtabelle Typ schwache Klassifikatoren Real AdaBoost Gesichtserkennungsalgorithmus übertreffen andere Methoden gesehen werden.