each window candidate will be passe

each window candidate will be passed through feature extraction module then the computed
descriptor will be passed into the corresponding binary classifier as shown Fig. 12. For details
of each method, the readers are invited to read the original papers.
In this work, we are interested to detect and recognize four classes of obstacles: {Potted
plant, Trash, Extinguisher, and Human}. For training and testing detection and recognition
methods, we have built a dataset containing 2104 images. The resolution of images is 600x400
pixels. Each object class has 526 images under daylight condition in a corridor of a build. This
dataset is very challenge because objects are taken under different views point and distances.
Some examples are presented in the Fig. 13. All images in the database are annotated manually
and organized in the directory. We divide the database into 2 parts: 504 images for training
and 1600 images for testing.
To evaluate detection and recognition algorithms, there are many measures such as Recall,
Precision, and Accuracy [8]. In our context, as we know the distribution of positive and
negative examples (the ratio between positive and negative is 1/4) so we propose to evaluate
our system by Precision criterion, which is defined as follows:

Kết quả (Việt) 2:

mỗi ứng cử viên cửa sổ sẽ được chuyển qua mô-đun tính năng khai thác thì các tính toán
mô tả sẽ được chuyển vào phân lớp nhị phân tương ứng như hình. 12. Để biết chi
tiết. Của mỗi phương pháp, các độc giả được mời đọc báo ban đầu
Trong công trình này, chúng tôi đang quan tâm để phát hiện và nhận ra bốn lớp của những trở ngại: {chậu
cây, Thùng rác, chữa cháy và Nhân}. Đối với đào tạo và kiểm tra phát hiện và nhận dạng
các phương pháp, chúng tôi đã xây dựng được một tập dữ liệu chứa 2.104 hình ảnh. Độ phân giải của hình ảnh là 600x400
pixel. Mỗi lớp đối tượng có 526 hình ảnh trong điều kiện ánh sáng ban ngày trong một hành lang của một xây dựng. Đây
bộ dữ liệu là rất thách thức vì các đối tượng được lấy theo điểm nhìn khác nhau và khoảng cách.
Một số ví dụ được thể hiện trong hình. 13. Tất cả các hình ảnh trong cơ sở dữ liệu được chú thích bằng tay
và tổ chức trong các thư mục. Chúng tôi chia các cơ sở dữ liệu thành 2 phần: 504 hình ảnh cho đào tạo. Và 1600 hình ảnh để thử nghiệm để đánh giá phát hiện và nhận dạng các thuật toán, có rất nhiều biện pháp như Recall, chính xác, và chính xác [8]. Trong bối cảnh của chúng tôi, như chúng ta biết sự phân bố tích cực và những ví dụ tiêu cực (tỷ lệ giữa tích cực và tiêu cực là 1/4) vì vậy chúng tôi đề xuất để đánh giá hệ thống của chúng tôi bằng chính xác tiêu chuẩn, được định nghĩa như sau: