background image

Σχεδιασμός και υλοποίηση ενός έξυπνου παιχνιδιού για τη συναισθηματική 

παρακολούθηση και το γονικό έλεγχο ενός παιδιού 

 

 

74 

 

Μικρό δείγμα από εικόνες -> Μείωση του αριθμού των σταδίων και του ποσοστού 

λαθεμένων θετικών αναγνωρίσεων ανά στάδιο 

Μείωση της πιθανότητας παράληψης αναγνώρισης -> Αύξηση του ποσοστού αληθινών 

θετικών αναγνωρίσεων, με το ρίσκο να μην επιτευχθεί το επιθυμητό ποσοστό λαθεμένων 

θετικών αναγνωρίσεων ανά στάδιο, κάνοντας τον ταξινομητή τελικά επιρρεπή σε 

λαθεμένες αναγνωρίσεις 

Μείωση του αριθμού λαθεμένων αναγνωρίσεων -> Αύξηση του αριθμού των σταδίων ή 

μείωση του ποσοστού λαθεμένων αναγνωρίσεων ανά στάδιο 

Η ίδια η μέθοδος υπολογίζει τον αριθμό των θετικών δειγμάτων που χρειάζεται και 

σε κάθε στάδιο εκπαίδευσης του ταξινομητή ακολουθείται διαφορετική διαδικασία. Στο 

πρώτο  στάδιο  χρησιμοποιούνται  τα  θετικά  δείγματα  που  υπολογίστηκαν  ότι  είναι 

απαραίτητα  σε  σχέση  πάντα  με  τις  υπόλοιπες  παραμέτρους  που  επιλέχτηκαν.  Τα 

δείγματα  αυτά  είναι  λιγότερα  από  εκείνα  που  εξ  αρχής  παρείχε  ο  χρήστης  για  τη 

διαδικασία.  Επίσης  χρησιμοποιούνται  και  τα  αρνητικά  δείγματα  που  παρήχθησαν  από 

τον ίδιο τον αλγόριθμο με βάση τις αρνητικές εικόνες με τις οποίες τον τροφοδότησε ο 

χρήστης.  Στα  επόμενα  στάδια  χρησιμοποιούνται  τα  αποτελέσματα  από  όλα  τα 

προηγούμενα,  ταξινομούνται  τα  θετικά  δείγματα  και  απορρίπτονται  αυτά  που 

ταξινομήθηκαν  λάθος  σαν  αρνητικά.  Από  τα  θετικά  δείγματα  που  έχουν  απομείνει 

χρησιμοποιούνται  τόσα  όσα  είχαν  χρησιμοποιηθεί  και  στο  πρώτο  στάδιο.  Τέλος, 

παράγονται αρνητικά δείγματα μέσω επεξεργασίας των αρνητικών εικόνων με τη μέθοδο 

της κύλισης παραθύρου αλλά και μέσω χρήσης των λαθεμένων θετικών ταξινομημένων 

δειγμάτων. [21] 

Έχοντας υπόψη όλα τα παραπάνω, εκπαιδεύτηκαν δύο είδη ταξινομητών για κάθε 

μία από τις επιθυμητές εκφράσεις, ταξινομητές τύπου Haar και ταξινομητές τύπου Hog. 

Η  μέθοδος  που  προσφέρει  το  εργαλείο  της  Matlab  για  το  σκοπό  αυτό  παίρνει  σαν 

ορίσματα το όνομα του ταξινομητή που θα παραχθεί με την επέκταση xml, το αρχείο που 

περιέχει τα θετικά δείγματα εικόνων με την επέκταση mat, τη διαδρομή του φακέλου που 

περιέχει  τις  αρνητικές  εικόνες,  το  ποσοστό  λάθους  και  το  πλήθος  των  σταδίων 

εκπαίδευσης. Χρησιμοποιώντας αυτά τα ορίσματα το αποτέλεσμα της μεθόδου είναι ένας 

ταξινομητής τύπου HOG. Για να προκύψουν οι Haar ταξινομητές προστέθηκε άλλον ένα