Σχεδιασμός και υλοποίηση ενός έξυπνου παιχνιδιού για τη συναισθηματική
παρακολούθηση και το γονικό έλεγχο ενός παιδιού
73
Εικόνα 14: Παράδειγμα της δομής του τελικού αρχείου που περιέχει το σύνολο των οριοθετημένων
περιοχών ενδιαφέροντος από τις θετικές εικόνες.
Για τις αρνητικές εικόνες η διαδικασία δεν ήταν τόσο πολύπλοκη. Αρκούσε μόνο
να υπάρχουν συγκεντρωμένες σε έναν φάκελο ώστε να μπορεί να προσδιοριστεί η
τοποθεσία τους στον υπολογιστή και να αποθηκευτούν, για τις ανάγκες της εκπαίδευσης,
σε μία συλλογή δεδομένων εικόνας.
Εστιάζοντας στην εκπαίδευση των ταξινομητών, αυτή έγινε χρησιμοποιώντας την
trainCascadeObjectDetector μέθοδο που προσφέρει η Matlab. Για να επιτευχθεί
αποδεκτή ακρίβεια του ταξινομητή θα πρέπει να γίνει προσεκτική επιλογή διάφορων
παραμέτρων της μεθόδου όπως ο αριθμός των σταδίων στα οποία θα γίνει η εκπαίδευση,
το πλήθος των δειγμάτων που θα χρησιμοποιηθούν, θετικά και αρνητικά, και το μοντέλο
που ταιριάζει περισσότερο στο αντικείμενο που στοχεύεται να αναγνωριστεί (Πίνακας 3).
Κατά την επιλογή των παραπάνω παραμέτρων λήφθηκαν υπόψη κάποια
αντισταθμίσματα που αφορούν και επηρεάζουν το ποσοστό των αληθινά και λανθασμένα
θετικών αναγνωρίσεων και την ποσότητα των σταδίων από τα οποία θα περάσει η
αναγνώριση. Πιο συγκεκριμένα ισχύουν οι παρακάτω συνεπαγωγές:
Μεγάλο δείγμα από εικόνες (σε κλίμακα των χιλιάδων) -> Αύξηση του αριθμού των
σταδίων και του ποσοστού λαθεμένων θετικών αναγνωρίσεων ανά στάδιο