2. Face Detection Figure 1 displays

2. Face Detection
Figure 1 displays the architecture of the automatic age
estimation system in our work. The system consists of a
face detection system localizing the facial regions in a
captured image and an age estimator for the extracted
face. Searching windows of various sizes are applied to
an image to find multi‐scale facial candidates as a result
of object distance to camera during image capture. There
are in total twelve block searching windows for mutli‐
scale purposes and the window size is increased from the
smallest (24x24) size with a scaling factor of 1.25. While a
camera is acquiring an image, the camera may produce
various illuminating intensities of image depending on
the environment. The image can be more accurately
recognized after its brightness was normalized.
2.1 Lighting normalization
The lighting normalization is based on the histogram
fitting method. The primary task of histogram fitting is to
transform the original histograms H(l) to the target
histogram G(l). The target histogram G(l) is chosen as the
histogram of the image closest to the mean of the face
database. Let the chosen target be image G(l) as shown in
Figure 2(a), the images before and after normalization are
shown in Figure 2(b)‐(c). The input images that are too
dark or too light are normalized to the target image, by
contrast, the histograms H(l) are fitted to G(l) by MHG(l)
      H G U G H U M l M M l
   

(1)
where MHU(l) and MUG(l) are the histogram mapping
and inverse mapping from H(l) and G(l) transforming
into the histograms of uniform distributions, respectively.

Figure 2. Lighting normalization. (a) Target image. (b) Input
images. (c) Lighting normalization images.
2.1 Feature selection
The intensity‐based features employed in our work were
based on Haar features. We selected four types of
rectangular features, as illustrated in Figure 3: the vertical
edge, horizontal edge, vertical line and diagonal edge, as
proposed by Papageorgiou [13]. It is feasible to use a
composition of multiple different brightness rectangles to
present the light and dark regions in the image. The
features are defined as:
  , , , ,
subtracted valve f x y w h Type 

(2)
where (x,y) indicate the origin of the relative coordinate
of rectangular features in the searching window. The
significance of w and h denote the relative width and
height of rectangular features, respectively. Type presents
the type of rectangular features and
subtracted valve is the
sum of the pixels in the white rectangle subtracted from
the dark rectangle.

Kết quả (Việt) 1:

2. Face Detection Figure 1 displays the architecture of the automatic age estimation system in our work. The system consists of a face detection system localizing the facial regions in a captured image and an age estimator for the extracted face. Searching windows of various sizes are applied to an image to find multi‐scale facial candidates as a result of object distance to camera during image capture. There are in total twelve block searching windows for mutli‐scale purposes and the window size is increased from the smallest (24x24) size with a scaling factor of 1.25. While a camera is acquiring an image, the camera may produce various illuminating intensities of image depending on the environment. The image can be more accurately recognized after its brightness was normalized. 2.1 Lighting normalization The lighting normalization is based on the histogram fitting method. The primary task of histogram fitting is to transform the original histograms H(l) to the target histogram G(l). The target histogram G(l) is chosen as the histogram of the image closest to the mean of the face database. Let the chosen target be image G(l) as shown in Figure 2(a), the images before and after normalization are shown in Figure 2(b)‐(c). The input images that are too dark or too light are normalized to the target image, by contrast, the histograms H(l) are fitted to G(l) by MHG(l)       H G U G H U M l M M l    (1) nơi MHU(l) và MUG(l) là ánh xạ biểu đồ và ánh xạ ngược từ H(l) và G(l) chuyển đổi vào histograms phân phối đồng đều, tương ứng. Hình 2. Ánh sáng bình thường. (a) mục tiêu hình ảnh. (b) đầu vào hình ảnh. (c) chiếu sáng bình thường hóa hình ảnh. 2,1 lựa chọn tính năng Tính năng intensity‐based được sử dụng trong công việc của chúng tôi Dựa trên tính năng Haar. Chúng tôi chọn bốn loại tính năng hình chữ nhật, như minh họa trong hình 3: dọc cạnh, cạnh nằm ngang, dọc đường và đường chéo, như đề xuất bởi Papageorgiou [13]. Nó là khả thi để sử dụng một Các thành phần của nhiều hình chữ nhật có độ sáng khác nhau để hiện nay các vùng ánh sáng và bóng tối trong hình ảnh. Các Các tính năng được định nghĩa là:   , , , ,trừ Van f x y w h loại  (2) nơi (x, y) cho biết nguồn gốc của tọa độ tương đối Các tính năng hình chữ nhật trong cửa sổ tìm kiếm. Các ý nghĩa của w và h biểu thị chiều rộng tương đối và chiều cao của hình chữ nhật đặc trưng, tương ứng. Kiểu trình bày Các loại hình chữ nhật các tính năng và Van trừ các Tổng số điểm ảnh trong hình chữ nhật màu trắng, trừ đi từ Các hình chữ nhật đen tối.

Kết quả (Việt) 2:

2. Nhận diện khuôn mặt
Hình 1 hiển thị các kiến trúc của thời đại tự động
hệ thống ước tính trong công việc của chúng tôi. Hệ thống này bao gồm một
hệ thống phát hiện khuôn mặt địa hóa các vùng trên khuôn mặt trong một
ảnh chụp và một ước lượng độ tuổi cho các chiết xuất
mặt. Tìm kiếm các cửa sổ của các kích cỡ khác nhau được áp dụng cho
một hình ảnh để tìm kiếm ứng viên trên khuôn mặt đa quy mô như là kết quả
của khoảng cách đối tượng để máy ảnh trong khi chụp ảnh. Có
được trong tổng số mười hai khối cửa sổ tìm kiếm mutli-
mục đích quy mô và kích thước cửa sổ được tăng từ
(24x24) có kích thước nhỏ nhất với một yếu tố rộng 1,25. Trong khi một
máy ảnh là có được một hình ảnh, máy ảnh có thể sản xuất
cường độ chiếu sáng khác nhau của hình ảnh phụ thuộc vào
môi trường. Các hình ảnh có thể được chính xác hơn
công nhận sau khi độ sáng của nó đã được bình thường hóa.
2.1 chiếu sáng bình thường
Quá trình chuẩn hóa ánh sáng được dựa trên biểu đồ
phương pháp phù hợp. Các nhiệm vụ chính của biểu đồ phù hợp là để
chuyển đổi các biểu đồ H ban đầu (l) với mục tiêu
G histogram (l). Các biểu đồ mục tiêu G (l) được chọn là
biểu đồ của hình ảnh gần nhất với trung bình của mặt
cơ sở dữ liệu. Hãy để các mục tiêu được chọn là hình ảnh G (l) như thể hiện trong
hình 2 (a), những hình ảnh trước và sau khi bình thường hóa được
thể hiện trong hình 2 (b) - (c). Những hình ảnh đầu vào đó là quá
tối hoặc quá sáng là bình thường với hình ảnh mục tiêu, bởi
Ngược lại, các biểu đồ H (l) được trang bị cho G (l) bằng MHG (l)
      HGUGHUM l MM l
   

(1)
nơi MHU (l) và MUG (l) là các bản đồ histogram
và lập bản đồ nghịch đảo từ H (l) và G (l) chuyển
thành các biểu đồ của các bản phân phối thống nhất, tương ứng.

Hình 2 . chiếu sáng bình thường. (a) hình ảnh mục tiêu. (b) Đầu vào
hình ảnh. (c) các hình ảnh chiếu sáng bình thường.
2.1 lựa chọn tính năng
Các tính năng cường độ dựa trên sử dụng trong công việc của chúng tôi được
dựa trên tính năng Haar. Chúng tôi chọn bốn loại
tính năng hình chữ nhật, như minh họa trong hình 3: đứng
cạnh, cạnh ngang, đường thẳng đứng và cạnh chéo, như
đề xuất của Papageorgiou [13]. Nó là khả thi để sử dụng một
thành phần của nhiều hình chữ nhật sáng khác nhau để
trình bày các vùng ánh sáng và bóng tối trong hình ảnh. Các
tính năng được định nghĩa là:
 ,,,,
trừ Loại van fxywh 

(2)
nơi (x, y) cho biết nguồn gốc của tương đối phối hợp
của các tính năng hình chữ nhật trong cửa sổ tìm kiếm. Các
ý nghĩa của h w và biểu thị chiều rộng tương đối và
chiều cao của hình chữ nhật tính năng, tương ứng. Kiểu trình bày
các loại tính năng hình chữ nhật và
trừ van là
tổng của các điểm ảnh trong hình chữ nhật màu trắng trừ
hình chữ nhật đen tối.