rfid 应用停车场监控管理系统.ppt

* 膚色分群 臉部最佳化的區域範圍 * Y 是亮度，Cb 與Cr 都是彩色分量的資訊 YCbCr模式轉換JPEG與MPEG影像，因為此模式可以容易地將Y亮度成份給替換掉，大大降低偵測時對光線成份的困難度 分類的運算是使用多個分類器採用不同的分類演算法 * 系統中的每個分類器各自產生不同的分群結果，當不同的分類器中的群聚包含相同的膚色像素且數量逹到門檻值(75%)，則我們將這之合併成新的群聚，這個階段稱為標定群程序 離整個群集大部分特徵點集結的群中心距離相當遠，我們稱之為異常點 Y分量標準差σy以及平均數uy 條件為框架的Y分量平均數， uyb必須介於Fa框架Y分量的平均數uya ± ?1 ? σya，?1設0.5 膚色像素的平均值 公式計算出來的閥值為5.67 框架區域長寛比例1:2.3 PCA SVM 5個K-均值分類器 相對於相似性群聚法(Similarity Cluster Method：SCM)的分群效率而言，在速度上有顯著的提升。 融合不同次數K-均值分群 由於K-均值分群特性，初始群中心的標定採取隨機選定 5x5的遮罩(mask)對一張影像，逐一由左至右，由上至下掃描 我們將一張影像分割成36塊區塊，每個區塊為5x5的區域範圍，對照膚色密度表從這36個區塊內找出膚色密度最高的像素，逐一選定當做初始群中心  具適應性與快速人臉偵測方法之研究 論文報告 指導教授：張財榮 報告者：沈珀楷 摘要 膚色像素特徵 K-均值聚類融合 框架整合（Frame Integration） 框架切割（Frame Segmentation） 主成分分析（Principal Component Analysis） 支援向量機（Support Vector Machine） 人臉偵測 邊緣偵測(Edge etection) 膚色偵測(Skin Color Detection) 移動偵測(Motion Detection) 主要分量分析(Principal Component Analysis：PCA) 因素分析(Factor Analysis：FA) 支援向量機(Support Vector Machine：SVM) 類神經網路(Neural Network) RGB 色彩空間模式 YCbCr色彩空間模式 YCbCr的膚色區域值 YCbCr色彩空間模式 YCbCr色彩空間模式 HSV色彩空間模式 HSV色彩空間模式 HSV轉換至RGB空間定義： 膚色像素擷取 膚色像素擷取 分類演算法 階層式分群法 分割式分群法 Forgy‘s Cluster K-均值分群(K-Means Clustering) 聚類融合演算法(K-Means Clustering Ensemble) 階層式分群法 Forgy‘s Cluster K-均值分群(K-Means Clustering) 具有線上即時更新群中心的特性 分類演算法 聚類融合演算法 1.膚色像素特徵擷取（K-均值聚類融合演算法） 2.特徵點的分群演算法 (Feature Classified A-lgorithm) 3.框架的整合演算法 (Frame Integration Algorithm) 4.框架的切割演算法 (Frame Segmentation Algorithm) 臉部區域偵測 聚類融合分群投票程序 標定群程序 異常點刪除程序 膚色像素群聚 K-均值分群 標定群程序 異常點刪除程序 框架整合 條件 1： 必須存在著交互重疊的框架。 條件 2： 每個框架的總膚色必須大於你所設定的閥值。 條件 3： 交互重疊的框架，最長的邊長必須大於你所設定的閥值。 條件 4： 比較二個框架的膚色像素的相似性，若有二個框架Fa以及Fb要進行合併，合併的基礎則是去判斷二個框架內的膚色像素特徵向量{Y}，{Cb}，{Cr}， {SxcosH }， {SxsinH}， 五個分量是否有達到整合的條件。 條件 5： 若前面的條件都符合，則將要結合的框架記錄下來。 條件 6： 進行框架的整合。 階層式分群法 框架切割演算法 Unlikely Face Regions演算法 實驗 實驗 效能探討 K-均值聚類融合方法 效能探討 膚色密度值 * 膚色分群 臉部最佳化的區域範圍 * Y 是亮度，Cb 與Cr 都是彩色分量的資訊 YCbCr模式轉換JPEG與MPEG影像，因為此模式可以容易地將Y亮度成份給替換掉，大大降低偵測時對光線成份的困難度 分類的運算是使用多個分類器採用不同的分類演算法 * 系統中的每個分類器各自產生不同的分群結果，當不同的分類器中的群聚包含相同的膚色像素且數量逹到門檻值(75%)，則我們將這之合併成新的群聚，這個階段稱為