PMK is A noBAD Friend

Tài liệu

Đi ốt – Diode Toàn Tập

1 – Chất bán dẫn

1.1 –  Chất bán dẫn là gì ?

Chất bán dẫn là nguyên liệu để sản xuất ra các loại linh kiện bán dẫn như Diode, Transistor, IC mà ta đã thấy trong các thiết bị điện tử ngày nay.

Chất bán dẫn là những chất có đặc điểm trung gian giữa chất dẫn điện và chất cách điện, về phương diện hoá học thì bán dẫn là
những chất có 4 điện tử ở lớp ngoài cùng của nguyên tử. Đó là các chất Germani (Ge) và Silic(Si).

Từ các chất bán dẫn ban đầu (tinh khiết) người ta phải tạo ra hai loại bán dẫn là bán dẫn loại N và bán dẫn loại P, sau đó ghép các miếng bán dẫn loại N và P lại ta thu được Diode hay Transistor.

Si và Ge đều có hoá trị 4, tức là lớp ngoài cùng có 4 điện tử, ở thể tinh khiết các nguyên tử Si (Ge) liên kết với nhau theo liên kết cộng hoá trị như hình dưới.

Highslide JS
Chất bán dẫn tinh khiết

1.2 –  Chất bán dẫn loại N

Khi ta pha một lượng nhỏ chất có hoá trị 5 như Phospho (P) vào chất bán dẫn Si thì một nguyên tử P liên kết với 4 nguyên tử Si theo liên kết cộng hoá trị, nguyên tử Phospho chỉ có 4 điện tử tham gia liên kết và còn dư một điện tử và trở thành điện tử tự do.
=> Chất bán dẫn lúc này trở thành thừa điện tử (mang điện âm) và được gọi là bán dẫn N (Negative: âm).

Highslide JS Highslide JS
Chất bán dẫn N

1.3 –  Chất bán dẫn loại P

Ngược lại khi ta pha thêm một lượng nhỏ chất có hoá trị 3 như Indium(In) vào chất bán dẫn Si thì 1 nguyên tử Indium sẽ liên kết với 4 nguyên tử Si theo liên kết cộng hoá trị và liên kết bị thiếu một điện tử => trở thành lỗ trống (mang điện dương) và được gọi là chất bán dẫn P.

Highslide JS Highslide JS
Chất bán dẫn P

2 – Diode (Đi ốt) Bán dẫn

2.1 – Tiếp giáp P–N và Cấu tạo của Diode bán dẫn.

Khi đã có được hai chất bán dẫn là P và N, nếu ghép hai chất bán dẫn theo một tiếp giáp P–N ta được một Diode, tiếp giáp P-N  có đặc điểm:
– Tại bề mặt tiếp xúc, các điện tử dư thừa trong bán dẫn N khuyếch tán sang vùng bán dẫn P để lấp vào các lỗ trống => tạo thành một lớp ion trung hoà về điện => lớp ion này tạo thành miền cách điện giữa hai chất bán dẫn.

Highslide JS
Mối tiếp xúc P – N  => Cấu tạo của Diode.

Ở hình trên là mối tiếp xúc P – N và cũng chính là cấu tạo của Diode bán dẫn.

Highslide JS
Highslide JS
Ký hiệu và hình dáng của Diode bán dẫn

2.2 –  Phân cực thuận cho Diode.
Khi ta cấp điện áp dương (+) vào Anôt (vùng bán dẫn P) và điện áp âm (-) vào Katôt (vùng bán dẫn N), khi đó dưới tác dụng tương tác của điện áp, miền cách điện thu hẹp lại, khi điện áp chênh lệch giữ hai cực đạt 0,6V (với Diode loại Si) hoặc 0,2V (với Diode loại Ge) thì diện tích miền cách điện giảm bằng không => Diode bắt đầu dẫn điện. Nếu tiếp tục tăng điện áp nguồn thì dòng qua Diode tăng nhanh nhưng chênh lệch điện áp giữa hai cực của Diode không tăng (vẫn giữ ở mức 0,6V).

Highslide JS
Diode (Si) phân cực thuận – Khi Dode dẫn
điện áp thuận đựơc ghim ở mức 0,6V.

Highslide JS
Đường đặc tuyến của điện áp thuận qua Diode

**Kết luận: Khi Diode (loại Si) được phân cực thuận, nếu điện áp phân cực thuận < 0,6V thì chưa có dòng đi qua Diode. Nếu áp phân cực thuận đạt = 0,6V thì có dòng đi qua Diode sau đó dòng điện qua Diode tăng nhanh nhưng sụt áp thuận vẫn giữ ở giá trị 0,6V.

2.3 – Phân cực ngược cho Diode.

Khi phân cực ngược cho Diode tức là cấp nguồn (+)  vào Katôt (bán dẫn N), nguồn (-) vào Anôt (bán dẫn P), dưới sự tương tác của điện áp
ngược,  miền cách điện càng rộng ra và ngăn cản dòng điện đi qua mối tiếp giáp,  Diode có thể chiu được điện áp ngược rất lớn khoảng 1000V thì diode mới bị đánh thủng.

Highslide JS
Diode chỉ bị cháy khi áp phân cực ngựơc tăng >= 1000V

2.4 – Phương pháp đo kiểm tra Diode

Highslide JS
Đo kiểm tra Diode
– Đặt đồng hồ ở thang x 1Ω , đặt hai que đo vào hai đầu Diode, nếu :
– Đo chiều thuận que đen  vào Anôt, que đỏ vào Katôt => kim lên, đảo chiều đo kim không lên là => Diode tốt.
– Nếu đo cả hai chiều kim lên = 0Ω  => là Diode bị chập.
– Nếu đo thuận chiều mà kim không lên => là Diode bị đứt.
– Ở phép đo trên thì Diode  D1 tốt , Diode D2 bị chập và D3 bị đứt
– Nếu để thang 1KΩ mà đo ngược vào Diode kim vẫn lên một chút là Diode bị dò.

2.5 – Ứng dụng của Diode bán dẫn.

*Do tính chất dẫn điện một chiều nên Diode thường được sử dụng trong các mạch chỉnh lưu nguồn xoay chiều thành một chiều, các mạch tách sóng, mạch gim áp phân cực cho transistor hoạt động. Trong mạch chỉnh lưu Diode có thể được tích hợp thành Diode cầu có dạng như dưới đây:

Highslide JS
Diode cầu trong mạch chỉnh lưu điện xoay chiều.

3 – Các loại Diode

3.1 –  Diode Zener

* Cấu tạo :
Diode Zener có cấu tạo tương tự Diode thường nhưng có hai lớp bán dẫn P-N ghép với nhau, Diode Zener được ứng dụng trong chế độ phân cực ngược, khi phân cực thuận Diode zener như diode thường nhưng khi phân cực ngược Diode zener sẽ gim lại một mức điện áp cố định bằng giá trị ghi trên diode.

Highslide JS
Ký hiệu và ứng dụng của Diode zener trong mạch

Sơ đồ trên minh hoạ ứng dụng của Dz, nguồn U1 là nguồn có điện áp thay đổi, Dz là diode ổn áp, R1 là trở hạn dòng.
Ta thấy rằng khi nguồn U1 > Dz thì áp trên Dz luôn luôn cố định cho dù nguồn U1 thay đổi.
Khi nguồn U1 thay đổi thì dòng ngược qua Dz thay đổi, dòng ngược qua Dz có giá trị giới hạn khoảng 30mA.
Thông thường người ta sử dụng nguồn U1 > 1,5 => 2 lần Dz và lắp trở hạn dòng R1 sao cho dòng ngược lớn nhất qua Dz < 30mA.

Highslide JS
Nếu U1 < Dz thì khi U1 thay đổi áp trên Dz cũng thay đổi
Nếu  U1 > Dz thì khi U1 thay đổi => áp trên Dz không đổi.

3.2 –  Diode thu quang. (Photo Diode)

Diode thu quang hoạt động ở chế độ phân cực nghịch, vỏ diode có một miếng thuỷ tinh để ánh sáng chiếu vào mối P – N , dòng điện ngược qua diode tỷ lệ thuận với cường độ ánh sáng chiếu vào diode.

Highslide JS
Highslide JS
Minh hoạ sự hoạt động của Photo Diode

3.3 –  Diode Phát quang (Light Emiting Diode: LED)
Diode phát phang là Diode phát ra ánh sáng khi được phân cực thuận, điện áp làm việc của LED khoảng 1,7 => 2,2V dòng qua Led khoảng từ 5mA đến 20mA. Led được sử dụng để làm đèn báo nguồn, đèn nháy trang trí, báo trạng thái có điện . vv…

Highslide JS Highslide JS
Diode phát quang  (LED)

3.4 – Diode Varicap (Diode biến dung)
Diode biến dung là Diode có điện dung như tụ điện, và điện dung biến đổi khi ta thay đổi điện áp ngược đặt vào Diode.

Highslide JS
Ứng dụng của Diode biến dung Varicap (VD) trong mạch cộng hưởng

-Ở hình trên  khi ta chỉnh triết áp VR, điện áp ngược đặt vào Diode Varicap thay đổi, điện dung của diode thay đổi => làm thay đổi tần số công hưởng của mạch.
-Diode biến dung được sử dụng trong các bộ kênh Ti vi mầu, trong các mạch điều chỉnh tần số cộng hưởng bằng điện áp.

3.5 –  Diode xung

Trong các bộ nguồn xung thì ở đầu ra của biến áp xung, ta phải dùng Diode xung để chỉnh lưu. Diode xung là diode làm việc ở tần số cao khoảng vài chục KHz, diode nắn điện thông thường không thể thay thế vào vị trí diode xung được, nhưng ngựơc lại diode xung có thể thay thế cho vị trí diode thường, diode xung có giá thành cao hơn diode thường nhiều lần.

Về đặc điểm, hình dáng thì Diode xung không có gì khác biệt với Diode  thường,  tuy nhiên Diode xung thường có vòng dánh dấu đứt nét hoặc đánh dấu bằng hai vòng.

Highslide JS
Ký hiệu của Diode xung

3.6  – Diode tách sóng.

Là loại Diode nhỏ vở bằng thuỷ tinh và còn gọi là diode tiếp điểm vì mặt tiếp xúc giữa hai chất bán dẫn P – N tại một điểm để tránh điện
dung ký sinh, diode tách sóng thường dùng trong các mạch cao tần dùng để tách sóng tín hiệu.

3.7 – Diode nắn điện.

Là Diode tiếp mặt dùng để nắn điện trong các bộ chỉnh lưu nguồn AC 50Hz, Diode này thường có 3 loại là 1A, 2A và 5A.

Highslide JS
Diode nắn điện 5A


Hệ thống công thức Lý 12 – Giải nhanh các câu trắc nghiệm

PHẦN ĐẦU

I. LÝ DO CHỌN ĐỀ TÀI.

cong thuc ly

Hiện nay, khi mà hình thức thi trắc nghiệm được áp dụng trong các kì thi tốt nghiệp và tuyển sinh đại học, cao đẳng thì yêu cầu về phương pháp giải nhanh và tối ưu các câu hỏi trắc nghiệm, đặc biệt là các câu hỏi trắc nghiệm định lượng là rất cấp thiết để các em có thể đạt kết quả cao trong các kì thi đó.

Để giúp các em học sinh nắm được một cách có hệ thống các công thức trong chương trình Vật Lý 12 Cơ bản từ đó suy ra một số công thức, kiến thức khác dùng để giải nhanh các bài tập trắc nghiệm định lượng, tôi tập hợp ra đây các công thức có trong sách giáo theo từng phần, kèm theo đó là một số công thức, kiến thức rút ra được khi giải một số bài tập khó, hay và điển hình. Hy vọng rằng tập tài liệu này giúp ích được một chút gì đó cho các quí đồng nghiệp trong quá trình giảng dạy và các em học sinh trong quá trình kiểm tra, thi cử.

 II. ĐỐI TƯỢNG VÀ PHẠM VI ÁP DỤNG

 1) Đối tượng sử dụng đề tài:

Học sinh học lớp 12 ôn thi tốt nghiệp và thi tuyển sinh đại học, cao đẳng.

2) Phạm vi áp dụng:

Toàn bộ chương trình Vật Lý 12 – Ban Cơ bản.

III. PHƯƠNG PHÁP NGHIÊN CỨU

Xác định đối tượng học sinh áp dụng đề tài.

Tập hợp các công thức trong sách giáo khoa một cách có hệ thống theo từng phần.

Đưa ra một số công thức, kiến chưa ghi trong sách giáo khoa nhưng được suy ra khi giải một số bài tập điển hình.

Kiểm tra sự tiếp thu của học sinh bằng các đề ôn luyện.

Đánh giá, đưa ra sự điều chỉnh, bổ sung cho phù hợp.

 NỘI DUNG

giai nhanh trac nghiem

KẾT LUẬN

Thực tế giảng dạy và kết quả các kì thi trong năm học 2008 – 2009 của trường THPT Bùi Thị Xuân, Phan Thiết, Bình Thuận, nơi tôi đang công tác cho thấy việc các em học sinh sử dụng hệ thống kiến thức trên đây để giải các câu hỏi trắc nghiệm định lượng trong các đề thi tốt nghiệp và tuyển sinh môn Vật Lý cho kết quả rất tốt.

Tuy nhiên, vẫn còn một bộ phận học sinh cho rằng rất khó học thuộc hết các công thức trên. Để giải quyết vấn đề này tôi đã đưa ra cho học sinh của tôi một giải pháp là không cần học thuộc lòng các công thức này mà hãy tự giải nhiều đề ôn luyện. Trong quá trình giải nếu liên quan đến kiến thức nào thì cứ mở tài liệu ra xem phần đó, sau một thời gian sẽ tự khắc nhớ hết mà không cần sử dụng tài liệu nữa.

Do thời gian còn eo hẹp nên tài liệu trình bày chưa thật hoàn chỉnh, còn thiếu các ví dụ minh họa và chắc chắn sẽ không tránh khỏi những thiếu sót. Rất mong nhận được những nhận xét, góp ý của các quí đồng nghiệp để xây dựng được một tập tài liệu hoàn hảo hơn.

Xin chân thành cảm ơn.

Link download: http://thuvienvatly.com/home/component/option,com_remository/Itemid,215/func,fileinfo/id,7629/

Dương Văn Đổng

Trường THPT Bùi Thị Xuân, Phan Thiết, Bình Thuận


Xác định khuôn mặt người trong ảnh kỹ thuật số

1. Giới thiệu

Hơn một thập kỷ qua, có rất nhiều công trình nghiên cứu về bài toán xác định khuôn mặt người từ ảnh đen trắng, ảnh xám, đến ảnh màu như ngày nay. Các nghiên cứu đi từ bài toán đơn giản là ảnh chỉ chứa một khuôn mặt người nhìn thẳng vào thiết bị thu hình và đầu ở tư thế thẳng đứng, cho đến ảnh màu với nhiều khuôn mặt người trong cùng ảnh, khuôn mặt có quay một góc nhỏ, hay bị che khuất một phần, và với ảnh nền của ảnh phức tạp (ảnh chụp ngoài thiên nhiên) nhằm đáp ứng nhu cầu thật sự cần thiết của con người.

Bài toán xác định khuôn mặt người (Face detection) là một kỹ thuật máy tính để xác định các vị trí và các kích thước của khuôn mặt trong ảnh bất kỳ (ảnh kỹ thuật số). Kỹ thuật này nhận biết các đặt trưng khuôn mặt và bỏ qua những thứ khác như: toàn nhà, cây cối, cơ thể…

Một số ứng dụng của bài toán xác định khuôn mặt là: hệ thống tương tác giữa người và máy (điều kiển máy tính qua các cử động của khuôn mặt), hệ thống nhận dạng người (giúp cho các cơ quan an ninh quản lý con người), hệ thống quan sát theo dõi, hệ thống quản lý việc ra vào cho các cơ quan và công ty, hệ thống kiểm tra người lái xe có ngủ gật hay không, hệ thống phân tích cảm xúc trên khuôn mặt, và hệ thống nhận dạng khuôn mặt cho các máy ảnh kỹ thuật số…

Hiện nay có rất nhiều phương pháp nhận dạng khuôn mặt người, dựa vào các tính chất của các phương pháp, ta có thể chia ra làm bốn hướng tiếp cận chính như sau: Hướng tiếp cận dựa trên tri thức: mã hoá hiểu biết của con người về các loại khuôn mặt và tạo ra các tập luật để xác định khuôn mặt. Hướng tiếp cận dựa trên đặt tả không thay đổi: mục tiêu các thuật toán tìm ra các đặt trưng mô tả cấu trúc khuôn mặt người (các đặt trưng không thay đổi với tư thế, vị trí đặt thiết bị thu hình, độ sáng tối thay đối…). Hướng tiếp cận dựa trên so khớp mẫu: dùng các mẫu chuẩn hay các đặt trưng của khuôn mặt người. Hướng tiếp cận dựa trên diện mạo: phương pháp học từ một tập ảnh huấn luyện mẫu để xác định khuôn mặt người.

Chương trình xác định vị trí khuôn mặt người trong bài viết này sử dụng hướng tiếp cận dựa trên mạo, sử dụng bộ phân loại mạnh AdaBoost là sự kết hợp của các bộ phân loại yếu dựa trên các đặt trưng Haar-like để xác định khuôn mặt. Mã nguồn được dựa trên thư viện mã nguồn mở OpenCV của Intel để cài đặt.

2. Cơ sở lý thuyết

2.1. Đặc trưng Haar-like

Do Viola và Jones công bố, gồm 4 đặc trưng cơ bản để xác định khuôn mặt người. Mỗi đặc trưng Haar–like là sự kết hợp của hai hay ba hình chữ nhật “trắng” hay “đen” như trong hình sau:

Hình 1: 4 đặt trưng Haar-like cơ bản

Để sử dụng các đặt trưng này vào việc xác định khuôn mặt người, 4 đặc trưng Haar-like cơ bản được mở rộng ra, và được chia làm 3 tập đặc trưng như sau:

  • Đặc trưng cạnh (edge features):

  • Đặc trưng đường (line features):

  • Đặc trưng xung quanh tâm (center-surround features):

 

Hình 2: Các đặc trưng mở rộng của các đặc trưng Haar-like cơ sở

Dùng các đặc trưng trên, ta có thể tính được giá trị của đặc trưng Haar-like là sự chênh lệch giữa tổng của các pixel của các vùng đen và các vùng trắng như trong công thức sau:

f(x) = Tổng vùng đen (các mức xám của pixel) – Tổng vùng trắng (các mức xám của pixel)

Sử dụng giá trị này, so sánh với các giá trị của các giá trị pixel thô, các đặc trưng Haar-like có thể tăng/giảm sự thay đổi in-class/out-of-class (bên trong hay bên ngoài lớp khuôn mặt người), do đó sẽ làm cho bộ phân loại dễ hơn.

Như vậy ta có thể thấy rằng, để tính các giá trị của đặc trưng Haar-like, ta phải tính tổng của các vùng pixel trên ảnh. Nhưng để tính toán các giá trị của các đặc trưng Haar-like cho tất cả các vị trí trên ảnh đòi hỏi chi phí tính toán khá lớn, không đáp ứng được cho các ứng dụng đòi hỏi tính run-time. Do đó Viola và Jones đưa ra một khái niệm gọi là Integral Image, là một mảng 2 chiều với kích thước bằng với kích của ảnh cần tính các đặc trưng Haar-like, với mỗi phần tử của mảng này được tính bằng cách tính tổng của điểm ảnh phía trên (dòng-1) và bên trái (cột-1) của nó. Bắt đầu từ vị trí trên, bên trái đến vị trí dưới, phải của ảnh, việc tính toán này đơn thuần chỉ đựa trên phép cộng số nguyên đơn giản, do đó tốc độ thực hiện rất nhanh.

Hình 3: Cách tính Integral Image của ảnh

Sau khi đã tính được Integral Image, việc tính tổng các giá trị mức xám của một vùng bất kỳ nào đó trên ảnh thực hiện rất đơn giản theo cách sau:

Giả sử ta cần tính tổng các giá trị mức xám của vùng D như trong hình 4, ta có thể tính như sau:

D = A + B + C + D – (A+B) – (A+C) + A Với A + B + C + D

chính là giá trị tại điểm P4 trên Integral Image, tương tự như vậy A+B là giá trị tại điểm P2, A+C là giá trị tại điểm P3, và A là giá trị tại điểm P1. Vậy ta có thể viết lại biểu thức tính D ở trên như sau:

Hình 4: Ví dụ cách tính nhanh các giá trị mức xám của vùng D trên ảnh

Tiếp theo, để chọn các đặc trưng Haar-like dùng cho việc thiết lập ngưỡng, Viola và Jones sử dụng một phương pháp máy học được gọi là AdaBoost. AdaBoost sẽ kết hợp các bộ phân loại yếu để tạo thành một bộ phân loại mạnh. Với bộ phân loại yếu chỉ cho ra câu trả lời chính xác chỉ hơn viện đoán một cách ngẫn nhiên một chút, còn bộ phân loại mạnh có thể đưa ra câu trả lời chính xác trên 60%.

2.2. AdaBoost

AdaBoost là một bộ phân loại mạnh phi tuyến phức dựa trên hướng tiếp cận boosting được Freund và Schapire đưa ra vào năm 1995 [2]. Adaboost cũng hoạt động trên nguyên tắc kết hợp tuyến tính các weak classifiers để hình thành một strong classifier.

Là một cải tiến của tiếp cận boosting, AdaBoost sử dụng thêm khái niệm trọng số (weight) để đánh dấu các mẫu khó nhận dạng. Trong quá trình huấn luyện, cứ mỗi weak classifiers được xây dựng, thuật toán sẽ tiến hành cập nhật lại trọng số để chuẩn bị cho việc xây dựng weak classifier kế tiếp: tăng trọng số của các mẫu bị nhận dạng sai và giảm trọng số của các mẫu được nhận dạng đúng bởi weak classifier vừa xây dựng. Bằng cách này weak classifer sau có thể tập trung vào các mẫu mà các weak classifiers trước nó làm chưa tốt. Sau cùng, các weak classifers sẽ được kết hợp tùy theo mức độ tốt của chúng để tạo nên strong classifier.

Viola và Jones dùng AdaBoost kết hợp các bộ phân loại yếu sử dụng các đặc trưng Haar-like theo mô hình phân tầng (cascade) như sau:

Hình 5: Mô hình phân tần kết hợp các bộ phân loại yếu để xác định khôn mặt

Trong đó, hk là các bộ phân loại yếu, được biểu diễn như sau:

x: cửa sổ con cần xét

Ok: ngưỡng (O = teta)

fk: giá trị của đặc trưng Haar-like

pk: hệ số quyết định chiều của phương trình

AdaBoost sẽ kết hợp các bộ phân loại yếu thành bộ phân loại mạnh như sau:

H(x) = sign(a1h1(x) +a2h2(x) + … + anhn(x)) (a = alpha)

Với: at >= 0 là hệ số chuẩn hoá cho các bộ phân loại yếu

Hình 6: Kết hợp các bộ phân loại yếu thành bộ phân loại mạnh

3. Hệ thống xác định vị trí khuôn mặt người

Hình 7: Hệ thống xác định vị trí khuôn mặt người (Face detection system)

Như trong hình trên, từ ảnh gốc ban đầu, ta sẽ được tính Integral Image, là mảng 2 chiều với phần tử (x, y) sẽ được tính bằng tổng của các phần tử (x’, y’) với x’ < x và y’ < y, mục đích là để tính nhanh tổng của các giá trị mức xám của một vùng hình chữ nhật bất kỳ trên ảnh gốc. Các vùng ảnh con này sẽ được đưa qua các hàm Haar cơ bản để ước lượng đặc trưng, kết quả ước lượng sẽ được đưa qua bộ điều chỉnh AdaBoost để loại bỏ nhanh các đặc trưng không có khả năng là đặc trưng của khuôn mặt người.Chỉ có một tập nhỏ các đặc trưng mà bộ điều chỉnh AdaBoost cho là có khả năng là đặc trưng của khuôn mặt người mới được chuyển sang cho bộ quyết định kết quả (là tập các bộ phân loại yếu có cấu trúc như trong hình 5). Bộ quyết định sẽ tổng hợp kết quả là khuôn mặt người nếu kết quả của các bộ phân loại yếu trả về là khuôn mặt người.

Mỗi bộ phân loại yếu sẽ quyết định kết quả cho một đặc trưng Haar-like, được xác định ngưỡng đủ nhỏ sao cho có thể vượt được tất cả các bộ dữ liệu mẫu trong tập dữ liệu huấn luyện (số lượng ảnh khuôn mặt trong tập huấn luyện có thể rất lớn). Trong quá trình xác định khuôn mặt người, mỗi vùng ảnh con sẽ được kiểm tra với các đặc trưng trong chuỗi các đặc trưng Haar-like, nếu có một đặc trưng Haar-like nào cho ra kết quả là khuôn mặt người thì các đặc trưng khác không cần xét nữa. Thứ tự xét các đặc trưng trong chuỗi các đặc trưng Haar-like sẽ được dựa vào trọng số (weight) của đặc trưng đó do AdaBoost quyết định dựa vào số lần và thứ tự xuất hiện của các đặc trưng Haar-like.

4. Tài liệu tham khảo
[1] Tổng quan các phương pháp xác định khuôn mặt người – Phạm Thế Bảo, Nguyễn Thành Nhựt, Cao Minh Thịnh, Trần Anh Tuấn, Phan Phúc Doãn.
[2] Seeing with OpenCV – Robin Hewitt.
[3] Rapid Object Detection using a boosted Cascade of Simple Features.

Hoàng Đăng Quang
Download: Source code