https://github.com/ahmetfurkandemir/face-and-eye-identification-with-viola-jones-algorithm
Face and eye identification with Viola-Jones algorithm.
https://github.com/ahmetfurkandemir/face-and-eye-identification-with-viola-jones-algorithm
Last synced: 3 months ago
JSON representation
Face and eye identification with Viola-Jones algorithm.
- Host: GitHub
- URL: https://github.com/ahmetfurkandemir/face-and-eye-identification-with-viola-jones-algorithm
- Owner: AhmetFurkanDEMIR
- Created: 2020-03-03T17:56:13.000Z (over 5 years ago)
- Default Branch: master
- Last Pushed: 2020-03-03T18:50:54.000Z (over 5 years ago)
- Last Synced: 2025-04-15T21:52:13.281Z (6 months ago)
- Language: Python
- Size: 13.3 MB
- Stars: 15
- Watchers: 2
- Forks: 1
- Open Issues: 0
-
Metadata Files:
- Readme: README.md
Awesome Lists containing this project
README
# Face and eye identification with Viola-Jones algorithm
Bu projemizde Viola-Jones algoritmasını kullanarak ressimlerde, videoda ve kamera erişimi ile yüz ve göz tespiti yapacağız.
aşamalar:
1-) Eğitim
2-) Tanıma
Biz bu uygulamada tanıma kısmını yapacağız.
* En iyi performans yüz kameraya dönükken olur.
* İşlemlerden geçirmeden önce resmi veya videoyu siyah beyaz yaparız.
* Sol üst kısımdan aramaya başlar ve kareyi sağa doğru ilerletir.
# HAAR - LİKE Özellikler
* Aydınlık ve karanlık bölgelerin ayrı ayrı ortalamaları alınır.
* Karanlık - aydınlık = ideal olarak 1 e yaklaşmalı
# İntegral resmi
Pixelleri toplarken hız kazanmak ve minimum güç harcamak amaçlı kullandığımız yöntem.
Bu örnekte 12 kareyi toplayıp işlem yapacağımıza 4 işlem ile alanı toplayabildik.
# Eğitim
Projemizde opencv2 Cascade lerini kullandık (hazır eğitilmiş veriler)
* Resim 24x24 boyutuna küçültülür
* Resimde Haar - Like özellik aranır.
* Bol veri ile beslenmiş algoritma daha iyi çalışır.
veya data augmentation ile yeni veriler üretebilirsiniz.(veri arttırma, veri setinden sentetik veriler üretiriz.)
* Verilerin içersine yüz olmayan verilerde eklenir böylece her ihtimale karşı algoritmamımızı hazırlarız.
* Büyük resimler algoritmayı yavaşlatır.
# Adaptive Boosting (Adaboost)
24x24 ressimde Haar - Like özelliklerin olma ihtimali +18.000 den fazladır. Bu kadar ihtimali hesaplamak bizi yavaşlatır
bunun için Adaboost yöntemini kullanacağız.
alfa(i) değişkenleri ağırlıklar, f(i) değişkenleri özellikler (burun, göz, ağız)
Zayıf özellikler birleşerek güçlü sınıflandırıcı oluşturur. Birlikten güç doğar.
Hata yapılan resimlere daha fazla ağırlık verilir.
Ne kadar çok özellik eklenirse başarı oranı o kadar artar.
# Cascading
Pencereyi kontrol ederiz herhangi bir özellik yoksa (burun, kaş, göz) bu pencereyi reddederiz ve pixellerimizi sağa doğru
kaydırır orada arama yaparız. en sağa gelince bir aşağı basamağa kayarız.
Bu yöntem bize hız kazandırır. En önemli özellikleri ilk adımda kontrol ederiz.
# Seneryo
Buraya kadar teorik anlatımı okuduysanız şimdi kodları inceleyebilirsiniz.
3 örnek verdim: 1. Video üzerinden yüz ve göz tespiti 2. kamera üzerinden yüz ve göz tespiti 3. ressim üzerinden yüz ve göz tespiti.
Yüzleri bulduğumuz yerlere kare çizip belirttik, bulduğumuz karelerin içinde göz aradık, gözleride tekrardan kare içine aldık.
.........