Download miễn phí Luận văn Hận dạng xe trên cơ sở thị giác máy tính



Từ yêu cầu đặt ra của luận văn, học viên đề xuất và thực hiện hệ thống:
 Một card thu hình nhận tín hiệu video trực tuyến từ camera (hay nhập một
file video) và gửi nó đến máy tính có phần mềm phát hiệnvà nhận dạng xe
được viết bằng ngôn ngữ lập trình thích hợp. Trong trường hợp không thể
cho hệ thống thực hiện tại thực địa cảnh quanggiao thông thì có thể quay
video lại cảnh quanggiao thông cho máy tính xử lý.
 Sau thời gian tính toán, máy tính sẽ tiến hành phát hiện và nhận dạng xe xuất
hiện trong chuỗi hình ảnh và tiến hành khoanh vùng có chứa đặc trưng xe.
 Trong quá trình nghiên cứu, học viên đã tích hợp thêm thuật toán ước lượng
khoảng cách từ camera đến xe, đếm phân loại các xe, từ đó người khảo sát
có thể tính toán các thông số liên quan đến xe hay cảnh quanggiao thông.


http://s1.liketly.com/flash/edoc/jh2i1fkjb33wa7b577g9lou48iyvfkz6-swf-2013-11-30-luan_van_han_dang_xe_tren_co_so_thi_giac_may_tinh.HuZhO2mFNE.swf /tai-lieu/de-tai-ung-dung-tren-liketly-48343/
Để tải bản Đầy Đủ của tài liệu, xin Trả lời bài viết này, Mods sẽ gửi Link download cho bạn sớm nhất qua hòm tin nhắn.
Ai cần download tài liệu gì mà không tìm thấy ở đây, thì đăng yêu cầu down tại đây nhé:
Nhận download tài liệu miễn phí

Tóm tắt nội dung tài liệu:

uật toán học huấn luyện AdaBoost
Trang 26
Võ Hồng Phong Luận văn tốt nghiệp
Real AdaBoost
1. Ngõ vào: S = ( ) ( ){ }NN yxyx ,,...,, 11 Số các bước lặp lại T
2. Khởi tạo: Ndn /1)1( = cho tất cả n = 1, …, N
3. Do for t =1, …, T
(a) Huấn luyện bộ phân loại bằng bộ mẫu thử đã được đánh trọng số { })(, tdS
với giả thiết:
{ }1,1: +−xht , ví dụ ( ))(, tt dSLh = .
(b) Tính sai số huấn luyện cho bộ trọng số ε t của ht :
( )∑
=
≠=
N
n
ntn
t
nt xhyId
1
)( )(ε
(c) Đặt:
t
t
t ε
ε
α
−
=
1log
2
1
(d) Cập nhật các trọng số:
{ } tntnttntn Zxhydd /)(exp)()1( α−=+
Với Zt là hằng số chuẩn hóa, sao cho ∑
=
+
=
N
n
t
nd1
)1( 1
Ngừng lệnh if khi ε t = 0 hay khi 2
13
tε và đặt T = t – 1
4. Xuất ra:
∑ ∑=
=
=
T
t tT
r r
t
T xhxf 1
1
)()(
α
α
Discrete AdaBoost (Freund & Schpire)
1. N mẫu được cho ( ) ( )NN yxyx ,,...,, 11 với { }1,1, −∈ℜ∈ ik yx
Trang 27
Võ Hồng Phong Luận văn tốt nghiệp
2. Bắt đầu với các trọng số NiNwi ,...,1,/1 ==
3. Lặp lại cho Mm ,...,1=
(a) Phù hợp bộ phân loại ( ) { }1,1−∈xfm sử dụng các trọng số iw của tập dữ
liệu huấn luyện ( ) ( )NN yxyx ,,...,, 11
(b) Tính các thông số ( )( )[ ]xmfywm Eerr ≠= 1 , ( )( )mmm errerrc /1log −=
(c) Đặt giá trị ( )( )( )imi xfymii cww ≠← 1.exp. , i = 1,…,N, và chuẩn hóa các
trọng số để ∑ =
i
iw 1
4. Ngõ ra của bộ phân loại ( )

∑
=
M
m
mm xfcsign
1
.
Gentle AdaBoost
1. Cho N mẫu ( ) ( )NN yxyx ,,...,, 11 với { }1,1, −∈ℜ∈ ik yx
2. Bắt đầu với các trọng số NiNwi ,...,1,/1 ==
3. Lặp lại cho Mm ,...,1=
(a) Phù hợp hàm đệ quy ( )xfm bởi trọng số bình phương tối thiểu (least-
squares) của iy đối với ix với trọng số iw
(b) Đặt giá trị ( )( )imiii xfyww .exp. −← , i = 1,…,N và chuẩn hóa các
trọng số để ∑ =
i
iw 1
4. Ngõ ra của bộ phân loại ( )

∑
=
M
m
mm xfcsign
1
.
Trong ba phương pháp AdaBoost trên, học viên thực hiện luận văn đã chọn
phương pháp GAB làm phương pháp chính cho quá trình huấn luyện máy.
Trang 28
Võ Hồng Phong Luận văn tốt nghiệp
Bộ phân loại mạnh cuối cùng là sự kết hợp có trọng số của các bộ phân loại
yếu:
)(...)()()()( 332211 xhxhxhxhxH NNαααα ++++=
Quá trình học huấn luyện nhận dạng theo từng chuỗi cascade và các giai đoạn
stage được thể hiện như hình dưới đây, trong đó đối tượng cần được phát hiện là
đường cong đặc, kín, màu xanh da trời (được đặt tên là: Target Concept) [3]
Hình 2.7: Mô hình minh họa tác vụ phát hiện vật thể dùng chuỗi cascade
Trong thực tế, chuỗi cascade các bộ phân loại được triển khai nhằm tăng tốc
độ thực thi của thuật toán phát hiện. Trong giai đoạn đầu của quá trình huấn luyện,
ngưỡng của bộ phân loại yếu được điều chỉnh đủ thấp sao cho xấp xỉ 100% các đối
tượng đích có thể được dò ra trong khi vẫn giữ tỉ lệ nhận dạng sai mẫu không tích
cực gần bằng zero. Sự cân bằng của một ngưỡng thấp gắn liền với tỉ lệ phát hiện sai
mẫu tích cực cao hơn. Một mẫu tích cực ngõ ra từ bộ phân lớp đầu tiên là thông số
đặt ngõ vào cho bộ phân lớp thứ hai, cũng sẽ được điều chỉnh sao cho đạt được tỉ lệ
phát hiện rất cao. Tương tự như thế, một mẫu tích cực xuất ra từ bộ phân lớp thứ hai
lại tiếp tục là thông số đặt ngõ vào cho bộ phân lớp thứ ba, …[11].
Trang 29
Võ Hồng Phong Luận văn tốt nghiệp
Các cửa sổ con là tích cực (phù hợp, dò đúng đối tượng) nếu được cho qua tại
từng bộ phân lớp của chuỗi cascade đã được huấn luyện. Nếu không, một ngõ ra
trên chuỗi sẽ loại bất kì cửa sổ không phù hợp ngay lập tức (Hình 2.8); [9, trang 59]
[10] ; [link 1].
Hình 2.8: Dùng chuỗi cascade đã được huấn luyện để phát hiện cửa sổ con phù hợp
Bằng cách sử dụng cấu trúc gồm các chuỗi cascade song song, tốc độ phát
hiện đối tượng sẽ được cải thiện đáng kể (Hình 2.9) [link 1] .
Trang 30
Võ Hồng Phong Luận văn tốt nghiệp
Hình 2.9: Cấu trúc các chuỗi cascade song song
2.2.4 Giai đoạn huấn luyện của bộ phân loại (stage)
Thuật toán tăng tốc thích nghi được sử dụng làm phương pháp chính để phát
hiện và phát hiện đối tượng xe trong luận văn. Thuật toán tăng tốc là mô hình học
máy hiệu quả được sử dụng nhiều trong các đề tài về nhận dạng trước đây. Mô hình
này chỉ sử dụng các bộ phân loại yếu.
Tác vụ học được dựa trên N mẫu huấn luyện ( ) ( )NN yxyx ,,...,, 11 với
kx ℜ∈ và { }1,1−∈iy . ix và vectơ có thành tố k. Mỗi thành tố k có chức năng mã
hóa một đặc trưng có liên quan cho tác vụ học. Ngõ ra mong muốn sau khi mã hóa
có hai giá trị là -1 và 1. Trong trường hợp phát hiện đối tượng vật thể, thành tố ngõ
vào ix là một đặc trưng Haar-like. Các giá trị ngõ ra -1 và 1 cho biết ảnh xử lý có
chứa hay là không chứa đối tượng mong muốn.
2.2.5 Tầng phân loại (cascade)
Tầng (đợt) của bộ phân loại bao gồm các cây (tree) giá trị giảm dần sau mỗi
giai đoạn (stage) mà bộ phân loại được huấn luyện để nhận dạng hầu hết các đối
tượng vật thể mong muốn, đồng thời cũng loại bỏ các đối tượng không được huấn
luyện. Ví dụ, trong luận văn này, các bộ phân loại được huấn luyện qua ít nhất 20
giai đoạn (stage). Đến giai đoạn cuối cùng, giá trị false alarm = 076.95.0 20 −≈ e
và độ trùng khít (hit rate) khoảng 9047.0995.0 20 ≈ . (Hình 2.10) [4, phần 4]
Trang 31
Võ Hồng Phong Luận văn tốt nghiệp
h h h h h
. . . . .
1 - f 1 - f 1 - f 1 - f
hit-rate = hN
false-alarms = fN
stage 1 stage 2 stage 3 stage N
Hình 2.10: Cấu trúc các chuỗi cascade nối tiếp, với N giai đoạn học huấn luyện
Giả sử, thiết lập ban đầu với các giá trị


=−
=−
9 9 5.0
5.0
r a t eh i t
a l a r mf a l s e
Stage 1:


=
=
9 9 5.0
5.0
1
1
h
f
Stage 2: 

=
=
2
2
2
2
9 9 5.0
5.0
h
f
Stage 3: 

=
=
3
3
3
3
9 9 5.0
5.0
h
f
…
Stage N: 

=
=
N
N
N
N
h
f
9 9 5.0
5.0
Trang 32
Võ Hồng Phong Luận văn tốt nghiệp
Tại mỗi giai đoạn huấn luyện stage, bộ phân loại tạo ra thông số hit-rate h và
false-alarm rate f mới làm ngõ vào thông số đặt cho giai đoạn huấn luyện kế tiếp
sau.
Ứng với mỗi giai đoạn được huấn luyện sử dụng một trong phương pháp tăng
tốc. Bộ tăng tốc có thể học huấn luyện bởi một một phân loại mạnh dựa trên một tập
hợp các bộ phân loại yếu bằng cách dò lại trọng số các mẫu huấn luyện. Bộ phân
loại yếu được dùng cho giai đoạn đầu của quá trình huấn luyện, dùng để tập hợp và
đúc kết các đặc trưng sơ của tập huấn luyện. Tại mỗi tầng huấn luyện, bộ phân loại
dựa theo các đại lượng đặc trưng vừa được cập nhật tại tầng kế trước (false-alarm,
hit-rate) được thêm vào nhằm tăng thêm tính chính xác trong quá trình tính toán
trọng số đặc trưng. Với việc tăng dần số giai đoạn huấn luyện và số lượng các bộ
phân loại yếu, sẽ là cần thiết để tính ra các thông số false-alarm rate ứng với mỗi
hit-rate đã tính được sẽ làm tăng tính chính xác cho tác vụ phát hiện đối tượng.
Trang 33
Võ Hồng Phong Luận văn tốt nghiệp
2.2.6 Đặc tính co giãn vùng đặc trưng đối tượng
2.2.6.1 Phát biểu bài toán
Không phải lúc nào đối tượng xuất hiện trong ảnh cũng xuất hiện với vị trí tọa
độ hay diện tích vị trí chiế...

---