Nhận dạng mặt người sử dụng đặc trưng PCA

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG VŨ MẠNH HÙNG NHẬN DẠNG MẶT NGƯỜI SỬ DỤNG ĐẶC TRƯNG PCA Chuyên ngành : Khoa học máy tính Mã số: 60.48.01.01 TÓM TẮT LUẬN VĂN THẠC SĨ HÀ NỘI-NĂM 2013 Luận văn được hoàn thành tại: HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG Người hướng dẫn khoa học: PGS.TS. Đỗ Năng Toàn Phản biện 1: ……….……………………………………………………………… Phản biện 2:………………….…………………………………………………… Luận văn sẽ được bảo vệ trước Hội đồng chấm luận văn thạc sĩ tại Học viện Công nghệ Bưu chính Viễn thông Vào lúc: giờ ngày tháng năm Có thể tìm hiểu luận văn tại: - Thư viện của Học viện Công nghệ Bưu chính Viễn thông -1- MỞ ĐẦU Nhận dạng khuôn mặt là một trong những lĩnh vực mới của xử lý ảnh. Và ngày nay nhận dạng được ứng dụng rộng rãi trong nhiều lĩnh vực của đời sống như nhận dạng trong lĩnh vực thương mại, hay phát hiện tội phạm trong lĩnh vực an ninh, hay trong lĩnh vực xử lý video, hình ảnh. Hiện nay có rất nhiều các các phương pháp nhận dạng khác nhau được xây dựng để nhận dạng một người cụ thể trong thế giới thực. Tuy nhiên việc nhận dạng được một người trong thế giới thực là vô cùng khó khăn, bởi vì để nhận dạng được ta phải xây dựng được tập cơ sở dữ liệu đủ lớn và việc xử lý dữ liệu lớn này đòi hỏi phải nhanh và chính xác. Nhiệm vụ đặt ra là nghiên cứu và xây dựng một chương trình sử dụng phương pháp nhận dạng có độ chính xác cao mà khối lượng và thời gian tính toán lại ít. Để giải quết vấn đề trên có một phương pháp cho phép phân tích các thành phần chính của khuôn mặt, giảm bớt số thành phần không cần thiết tạo ra hiệu quả tính toán nhanh mà vẫn đảm bảo được độ chính xác. Đó là phương pháp Principal Components Analysis (PCA) hay còn gọi là: “phân tích các thành phần chính”. Và luận văn tập trung nghiên cứu phương pháp PCA để nhận dạng mặt người. Nội dung luận văn gồm 3 chương: Chương 1: Khái quát về nhận dạng mặt người và đặc trưng PCA Chương 2: Kĩ thuật PCA trong nhận dạng khuôn mặt Chương 3: Chương trình thử nghiệm -2- Chƣơng 1: KHÁI QUÁT VỀ NHẬN DẠNG MẶT NGƢỜI VÀ ĐẶC TRƢNG PCA 1.1. Khái quát về nhận dạng mặt ngƣời 1.1.1. Phân tích các đặc tính sinh trắc học của người Đặc tính sinh trắc của người là đặc tính đo được các nét hành vi riêng của con người. Nhận diện người được thực hiện trong quá trình kiểm tra tính đồng nhất của đặc tính sinh trắc giữa người cần kiểm tra với đặc tính tương tự của người đã được lưu sẵn trong CSDL. Có thể nhận diện người dựa trên các đặc điểm sinh trắc tĩnh trên người như khuôn mặt, mắt, vân tay, bàn tay, gen…hay các đặc trưng hành vi như dáng đi, chữ viết, giọng nói… Hình 1.1: Các nguồn gốc đặc tính sinh trắc của ngƣời Dữ liệu sinh trắc lý tưởng của người cần phải có những đặc tính cơ bản như: - Tính tổng quát: Mỗi người đều được thể hiện bởi đặc tính này. - Tính duy nhất: Không thể tồn tại hai người có đặc tính giống nhau. - Tính thường xuyên: Là sự độc lập của đặc tính đối với thời gian. - Tính thu thập được: Là đặc tính được thu thập một cách tương đối đơn giản và nhanh chóng từ mỗi cá nhân và có thể được chi tiết hóa. 1.1.2. Hệ thống nhận dạng tổng quát Nhiệm vụ của hệ thống nhận dạng mặt người là xử lý tự động thông tin từ các ảnh để tìm ra độ tương tự giữa các khuôn mặt và đưa -3- ra quyết định về tính đồng nhất giữa chúng. Câu trúc của hệ thống nhận dạng mặt người được thể hiện như hình sau: Hình 1.3: Cấu trúc tổng quát của hệ thống nhận dạng mặt - Tiền xử lý (Pre-Processing): Chức năng này để chuẩn hóa ảnh cần tìm giúp cho việc tìm kiếm được hiệu quả hơn. Các công việc trong bước tiền xử lý có thể là: Chuẩn hóa kích cỡ giữa ảnh trong CSDL và ảnh cầm tìm, hiệu chỉnh độ sáng, tối của ảnh; lọc nhiễu, chuẩn hóa về vị trí, tư thế ảnh mặt. - Tách khuôn mặt (FD): Chức năng này làm nhiệm vụ xác định vị trí, kích cỡ của một hoặc nhiều khuôn mặt trên ảnh chụp từ đó tách ra phần mặt. Phần ảnh mặt đươc tách ra thường nhỏ hơn nhiều so với ảnh chụp ban đầu, nó sẽ là các khuôn mặt cần tìm và chức năng trích chọn đặc trưng sẽ sử dụng các ảnh được tách ra này. - Trích chọn đặc trưng (FE): Tìm ra các đặc trưng chính của ảnh mặt, từ các đặc trưng này hình thành các vector đặc trưng, các vector này sẽ được sử dụng để đối sánh sự giống nhau giữa ảnh mặt cần tìm và ảnh mặt trong CSDL. - Đối sánh (Comparison): Thực hiện việc so sánh giữa các vector đặc trưng để chọn ra độ tương tự giữa ảnh cần tìm và ảnh trong CSDL. Ảnh chân dung mặt người cho giấy tờ xuất nhập cảnh và đi đường thỏa mãn các yêu cầu của tiêu chuẩn quốc tế ISO/IEC JTC 1/SC 37 N 506- Part 5: Face Image Data Hệ thống nhận dạng mặt người cần đảm bảo các yêu cầu: - Độ chính xác nhận dạng có thể chấp nhận được đối với yêu cầu của bài toán nhận dạng; -4- - Tốc độ vận hành cao đối với các CSDL lớn và số lượng các yêu cầu có thể giải quyết được; - Đơn giản trong việc cài đặt, lựa chọn thiết bị và vận hành. An toàn với người sử dụng. 1.1.3. Nhận dạng khuôn mặt người và ứng dụng 1.2. Đặc trƣng PCA và bài toán nhận dạng mặt ngƣời 1.2.1. Giới thiệu Phương pháp này được phát minh năm 1901 bởi Karl Pearson[12] và hiện nay nó được sử dụng như công cụ để phân tích dữ liệu nghiên cứu và thực hiện các mô hình dự đoán. PCA còn bao gồm cả việc tính toán phân tích các giá trị đặc trưng của một ma trận tuơng quan dữ liệu hay phân tính các giá trị đơn của ma trận dữ liệu thường sau khi tính trung bình dữ liệu của mỗi thuộc tính. PCA là phương pháp đơn giản nhất phân tích đa biến dựa trên các vector đặc trưng. Thông thường hoạt động của nó có thể được hiểu nhằm khám phá ra cấu trúc bên trong của dữ liệu. Nếu một tập dữ liệu đa biến được xem xét như tập các tọa độ trong một không gian dữ liệu nhiều chiều (mỗi trục biểu diễn một biến) thì phương pháp PCA cung cấp cho chúng ta một bức ảnh ít chiều, một cái bóng của vật thể khi quan sát từ chính những đặc trưng cơ bản nhất của vật thể đó. 1.2.2. Đặc trưng PCA Mục tiêu của phương pháp PCA là “giảm số chiều” của 1 tập vector sao cho vẫn đảm bảo được “tối đa thông tin quan trọng nhất” . Phương pháp PCA sẽ giữ lại K thuộc tính “mới” từ M các thuộc tính ban đầu (K<M) 1.2.3. Một số kỹ thuật cơ bản trong nhận dạng 1.2.3.1. Chuyển ảnh màu thành ảnh xám 1.2.3.2. Các bộ lọc không gian 1.2.3.3. Tách biên đối tượng -5- Chƣơng 2: KĨ THUẬT PCA TRONG NHẬN DẠNG KHUÔN MẶT 2.1. Trích chọn đặc trƣng PCA và huấn luyện 2.1.1. Nhận các khuôn mặt từ cơ sở dữ liệu – tập luyện Đầu tiên chúng ta sẽ đọc cơ sở dữ liệu và nhận vào các ảnh luyện I i . Các ảnh luyện ở đây đều là ảnh mặt, điều kiện quan trọng là chúng có mặt ở tâm ảnh và có cùng kích thước với nhau. Giả sử có M ảnh, khi đó i=1 M. Hình 2.1: Các ảnh luyện có cùng kích thƣớc và mặt ở tâm ảnh Sau đó ta tương ứng mỗi ảnh I i với một vector Γ i I i (ảnh N×N) → Γ i (vector N 2 ×1) 2.1.2. Tính toán giá trị trung bình Giá trị vector trung bình: = 1    i  =1 (2.2) Với M là số ảnh trong tập luyện, Γ i là vector 1 chiều (N 2 ×1) đại diện cho mỗi ảnh. Ψ là vector trung bình (kích thước N 2 ×1)của tập tất cả các Γ i trên; Ψ còn được gọi là vector trung bình mặt của tập luyện. 2.1.3. Trừ đi giá trị trung bình Sai số của các ảnh so với giá trị vector mặt trung bình được tính toán theo công thức (2.3) Φ i = Γ i – Ψ (2.3) Trong đó:  i là vector sai số ứng với mỗi ảnh,  i là vectot 1 chiều của các ảnh,  là vector trung bình mặt. 2.1.4. Tính ma trận hiệp biến Ma trận hiệp biến được tính theo công thức sau: = 1        =    =1 (2.4) -6- Trong đó C là ma trận hiệp biến (kích thước N 2 ×N 2 ) = 1   [ 1  2 . . .   ] (2.5) A là ma trận N 2 ×M,  n là giá trị sai số được tính ở công thức (2.3). 2.1.5. Tính các trị riêng và vector đặc trưng của ma trận hiệp biến Để tính các trị riêng và vector đặc trưng của ma trận hiệp biến ta phải tính với ma trận C hay chính là tính cho ma trận AA T . Tuy nhiên điều này là không khả thi, do C là ma trận N 2 ×N 2 nên số chiều là quá lớn, khối lượng tính toán là vô cùng nhiều (đặc biệt khi kích thước ảnh luyện lớn thì N lớn, N 2 và N 2 ×N 2 là cực kì lớn) Ta nhận thấy 2 ma trận AA T và A T A luôn có chung trị riêng và vector đặc trưng thì có liên hệ với nhau bởi biểu thức u i = Av i mà ma trận A T A lại có số chiều ít hơn hẳn (ma trận M×M) nên ta sẽ chuyển đổi về ma trận A T A. Sau khi tính toán ta được M vector đặc trưng của AA T (u i = Av i ) tương ứng với M giá trị riêng. Chuẩn hóa các vector đặc trưng u i về vector đơn vị: ||u i || =1 (2.12) 2.1.6. Lựa chọn các thành phần và xây dựng vector đặc trưng Để giảm thiểu tối đa số chiều cũng như giảm độ phức tạp tính toán, ta chỉ giữ lại K vector đặc trưng (tương ứng K giá trị riêng lớn nhất). Khi đó mỗi khuôn mặt sau khi trừ đi giá trị trung bình sẽ được đại diện bởi K vector đặc trưng:     =       =1 , (  =      ) (2.13) Mỗi khuôn mặt training  i sẽ được biểu diễn bởi một vector:   =      1   2          , = 1,2, ,  (2.14) Trong đó    (j=1 K) là các trọng số tương ứng với K vector đặc trưng,   là vector đại diện cho khuôn mặt thứ i trong tập luyện. 2.2. Nhận dạng dựa trên đặc trƣng PCA (Face Recoginition) Đưa một bức ảnh có một khuôn mặt trong đó (khuôn mặt đã được chuẩn hóa), nhận dạng đưa ra thông tin về người đó. -7- 2.2.1. Trích rút đặc trưng PCA Mỗi ảnh đưa vào nhận dạng (đã được chuẩn hóa về ánh sáng, góc chụp) có kích thước N×N tương đương với N 2 vector đặc trưng mặt, như vậy các đặc trưng mặt này là rất lớn, để giảm số đặc trưng mặt ta đưa ảnh cần nhận dạng vào không gian mặt đặc trưng đã giảm số chiều (chỉ còn K vector đặc trưng được giữ lại) Như vậy ảnh lúc này chỉ còn K vector đặc trưng Hình 2.2: Trích rút đặc trƣng 2.2.2. Chuẩn hóa, trừ đi vector trung bình Cũng giống như bước xử lý đầu ở trên, trước tiên ta đọc ảnh I vào từ tập thử nghiệm rồi chuyển ảnh về mức xám và vector 1 chiều . Sau đó tiến hành chuẩn hóa cho bức ảnh, tức là trừ đi giá trị vector trung bình mặt (đã tính ở trên công thức 2.2) hay nói cách khác là tính sai số của ảnh so với vector mặt trung bình. Chuẩn hóa  : Φ = Γ  Ψ (2.15) 2.2.3. Đưa vào không gian đặc trưng Sau khi đã chuẩn hóa, chúng ta đưa ảnh thử nghiệm vào không gian trị riêng bằng cách thực hiện phép nhân sau:   =       =1 , (  =    ) (2.16) Trong đó K là số vector đặc trưng của không gian ảnh u i (i=1 K) là K vector đặc trưng lớn nhất w i là các trọng số tương ứng với các vector đặc trưng 2.2.4. Tương ứng với Ảnh sau khi được đưa vào không gian trị riêng thì nó sẽ được tương đương với một vector  mà mỗi phần tử của  là hệ số tương ứng của ảnh thử nghiệm so với các vector đặc trưng tương ứng trong không gian trị riêng. -8- =   1  2     (2.17) 2.2.5. Tính khoảng cách e r Bước này chúng ta sẽ tính khoảng cách Euclide của ma trận  so với không gian mặt. Tức là ta sẽ đi tính khoảng cách tới từng bức ảnh trong tập ảnh luyện và tìm ra khoảng cách tới bức ảnh luyện gần nhất trong không gian mặt. Khoảng cách này được gọi là khoảng cách trong không gian mặt (distance within the face space –difs). (2.18) 2.2.6. So sánh khoảng cách ngưỡng và rút ra kết luận Sau khi tính được khoảng cách Euclide, ta so sánh với khoảng cách ngưỡng T r (khoảng cách ngưỡng này được xác định thực nghiệm tùy thuộc vào từng tập ảnh luyện và tùy thuộc vào số vector đặc trưng được giữ lại). Nếu e r < T r thì  được nhận diện là khuôn mặt thứ l trong tập training còn không thì  không là khuôn mặt nào trong tập luyện đã cho. [...]... đƣa vào nhận dạng 3.3.2.3 Nhận dạng khuôn mặt Chọn nút Recognition để nhận dạng -19- Hình 3.19: Thực hiện chức năng nhận dạng khuôn mặt Chương trình đối sánh ảnh đưa vào với các ảnh trong cơ sở dữ liệu Nếu nhận dạng được sẽ đưa ra ảnh và thông tin về người đó Hình 3.20: Kết quả nhận dạng Nếu không nhận dạng được, chương trình sẽ đưa thông báo như Hình 3.21 -20- Hình 3.21: Kết quả không nhận dạng đƣợc... vector đặc trưng trong số các vector đặc trưng vừa tìm được Ta có thể biểu diễn như sau: Hình 3.8: Ảnh ban đầu đƣợc biểu diễn theo các trọng số wi và eigenface Hình 3.8 cho thấy, hình ảnh ban đầu sẽ bằng ảnh trung bình cộng với tổng tất cả các đặc trưng mặt nhân với trọng số tương ứng 3.2.3 Nhận dạng khuôn mặt Đưa ảnh có một khuôn mặt của người nào đó đã được chuẩn hóa Ta có lưu đồ thuật toán nhận dạng. .. cách khi số lượng vector đặc trưng thay đổi Tính toán khoảng cách đến ảnh và đến không gian ảnh, khi số lượng đặc trưng mặt K (eigenface) thay đổi Điều này sẽ dẫn tới sự thay đổi về mặt thời gian cũng như độ chính xác của chương trình Để đánh giá được điều này, chia ảnh thử nghiệm làm ba loại: + Ảnh mặt của người mà mặt người đó có trong tập ảnh luyện + Ảnh mặt của người mới mà người đó không xuất hiện... the Test Image: Đưa ảnh cần nhận dạng (xác thực) vào từ tập thử nghiệm (testing) + Recognition: Nhận dạng ảnh đưa vào là ai trong tập cơ sở dữ liệu, đưa ra thông tin về người đó + Quality factor: Lựa chọn số vector đặc trưng trong k được giữ lại để tạo không gian mặt  Thẻ Webcam: Hình 3.12: Giao diện của thẻ Webcam Thẻ tab này được xây dựng nhằm mục đích nhận dạng mặt người từ một đoạn video có sẵn... trình đọc dữ liệu Chương trình đưa ra số K đặc trưng mặt được giữ lại Hình 3.15: Số đặc trƣng mặt đƣợc giữ lại trong tập luyện 3.3.2.2 Đưa ảnh vào nhận dạng Nhấn nút Open the Test Image -18- Hình 3.16: Đƣa ảnh thử nghiệm vào chƣơng trình Cửa sổ Select the test image xuất hiện chọn ảnh cần nhận dạng từ tập thử nghiệm (file có định dạng “*.jpg”) Chọn OK Ảnh nhận dạng đưa vào phải có cùng kích thước với... Không gian đặc trưng cho ảnh mặt sẽ không biểu diễn đúng cho ảnh bất kì và vì thế khoảng cách là lớn hơn rất nhiều 3.4.2 Đánh giá độ chính xác của chương trình Ảnh thử nghiệm được chia làm bốn loại: ảnh trong chính tập luyện, ảnh mặt chưa luyện nhưng có trong tập luyện, gương mặt mới và cuối cùng là ảnh bất kỳ không phải là mặt Kết quả trả ra là số lượng các ảnh được nhận dạng, không nhận dạng ra mặt và... càng lớn thì khả năng nhận dạng của chương trình càng cao Qua đây ta có thể rút ra kết luận rằng để tăng độ chính xác của phương pháp nhận dạng, ta cần phải tiến hành tiền xử lý ảnh: chuẩn hóa ảnh mặt theo góc nghiêng, hướng nhìn, điều kiện ánh sáng cũng như ảnh nền -23- KẾT LUẬN Luận văn tốt nghiệp đã trình bày chi tiết, cụ thể về nhận dạng khuôn mặt người dựa trên kỹ thuật PCA Và xây dựng chương... mặt người dựa trên kỹ thuật PCA Và xây dựng chương trình thử nghiệm để đánh giá kết quả của việc sử dụng kỹ thuật PCA để nhận dạng, từ thực nghiệm ta cũng thu được một số kết quả cũng như đánh giá về thuật toán sử dụng Các kết quả đạt được cho thấy độ chính xác của chương trình tương đối cao khoảng 97% nhận dạng đúng Tuy nhiên, do thời gian có hạn cộng thêm khối lượng công việc lớn nên vẫn còn một số... đưa ảnh nhận dạng về kích thức phù hợp khi ta thực hiện thao tác quét ảnh đưa vào chương trình + Nhận dạng mặt người qua đoạn video hoặc webcam Ý tưởng đưa ra là nhập vào một đoạn video hay hình ảnh trực tiếp từ webcam Đoạn video hay hình ảnh webcam này có thể mô tả một người với khung nền biến đổi hoặc là một người giữa đám đông Sau đó chương trình sẽ phát hiện và khoanh vùng vị trí của khuôn mặt trong... So sánh ảnh có khuôn mặt thuộc tập luyện và ảnh khuôn mặt mới Khoảng cách tới không gian mặt thì không có sự khác nhau nhiều Tuy nhiên khoảng cách tới ảnh gần nhất thì có sự chênh lệch nhất định giữa hai loại ảnh: khuôn mặt mới luôn có khoảng cách lớn hơn khuôn mặt nằm trong tập luyện + So sánh ảnh mặt và ảnh bất kì Chúng ta có thể thấy sự khác biệt khoảng cách đến không gian mặt của hai loại ảnh là . N 2 vector đặc trưng mặt, như vậy các đặc trưng mặt này là rất lớn, để giảm số đặc trưng mặt ta đưa ảnh cần nhận dạng vào không gian mặt đặc trưng đã giảm. và vận hành. An toàn với người sử dụng. 1.1.3. Nhận dạng khuôn mặt người và ứng dụng 1.2. Đặc trƣng PCA và bài toán nhận dạng mặt ngƣời 1.2.1. Giới thiệu