REAL TIME FACE RECOGNITION USING ADABOOST IMPROVED FAST PCA ALGORITHM

Penelitian  ini menerangkan tentang  sebuah sistem otomatis untuk pengenalan wajah manusia secara global dengan background real time untuk dataset besar  yang dibuatan sendiri. Tugas ini sangat sulit karena real time pengurangan latar belakang dalam gambar masih belum diketahu, selain itu ada variasi besar dalam gambar wajah manusia dalam hal ukuran, pose dan ekspresi.

Robust Face Detection Using the Hausdorff Distance

Robust Face Detection Using the Hausdorff Distance atau Penegasan Deteksi Wajah dengan Mengunakan Metode Hausdorff Distance merupakan Pengelompokan (lokalisasi) wajah manusia dalam gambar digital adalah langkah mendasar dalam proses pengenalan wajah. Penelitian ini menyajikan pendekatan perbandingan bentuk untuk mendeteksi wajah yang akurat  dan kuat untuk perubahan pencahayaan serta latar belakang. Metode yang diusulkan adalah berbasis edge detection dan bekerja pada gambar grayscale(hitam putih). Metode Hausdorff Distance digunakan sebagai ukuran kesamaan antara model wajah umum yang memungkinkan contoh dari objek dalam gambar. Penelitian ini menjelaskan implementasi yang efisien sehinga membuat pendekatan ini cocok untuk aplikasi real-time. Sebuah proses dua langkah yang memungkinkan pendeteksian kasar dan lokalisasi yang tepat dari wajah disajikan. Percobaan dilakukan pada basis tes set besar dan dinilai dengan pengukuran validasi baru.

untuk jurnal lengkap dapat dilihat dan diunduh disini

Robust Real-Time Face Detection

Penelitian ini menjelaskan tentang kerangka deteksi wajah yang mampu pengolahan gambar sangat cepat sementara mencapai tingkat deteksi yang tinggi. Ada tiga kontribusi utama. Yang pertama adalah pengenalan baru representasi gambar yang disebut "Integral Image" yang memungkinkan fitur yang digunakan oleh detektor kami harus dihitung sangat cepat. Yang kedua adalah sederhana dan efisien dikelompokkan er yang dibangun menggunakan algoritma pembelajaran AdaBoost (Freund dan Schapire, 1995) untuk memilih sejumlah kecil fitur visual penting dari satu set yang sangat besar fitur potensial. Kontribusi ketiga adalah metode untuk menggabungkan ers fi klasi dalam "cascade" yang memungkinkan latar belakang wilayah gambar yang akan cepat dibuang saat menghabiskan lebih perhitungan pada menjanjikan wajah-seperti daerah. Satu set percobaan dalam domain deteksi wajah disajikan. Sistem menghasilkan menghadapi kinerja deteksi sebanding dengan yang terbaik sistem sebelumnya (Sung dan Poggio, 1998; Rowley et al, 1998;. Schneiderman dan Kanade, 2000; Roth et al., 2000). Diimplementasikan pada desktop konvensional, deteksi wajah hasil pada 15 frame perkedua.

Yuk belajar Membuat Chart di pemrograman Android

Chart adalah sebuah bagan grafik yang menampilkan sebuah data secara visual sehingga mudah untuk dibaca dan dipahami. Pada Microsoft Excel dan Powerpoint sangat mudah untuk membuat chart karena telah disediakan toolsnya oleh Microsoft. Lalu bagaimanakah cara untuk membuat grafik atau menyisipkan chart (grafik) didalam pemrograman Android ??? So Let’s Code …

Yang perlu dirubah setelah membuat file project android adalah merubah file MainActivity.java berikut isi MainActivity nya :