Đánh giá hiệu năng máy vector hỗ trợ sử dụng hàm nhân radial basic trong hệ thống nhận dạng khuôn mặt sử dụng khối trích xuất PCA-LDA

Bài viết trình bày phương pháp hiệu quả để nhận dạng khuôn mặt được trình bày để giải quyết tốt sự biến đổi về biểu cảm khuôn mặt, tư thế mặt, và điều kiện chiếu sáng. Phương pháp này được dựa trên sự kết hợp giữa Phân tích thành phần chính (PCA), Phân tích sự khác biệt tuyến tính (LDA) và máy vector hỗ trợ (SVM) sử dụng hàm Radial Basic (RBF). Mời các bạn cùng tham khảo!

Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) Đánh Giá Hiệu Năng Máy Vector Hỗ Trợ Sử Dụng Hàm Nhân Radial Basic Hệ Thống Nhận Dạng Khn Mặt Sử Dụng Khối Trích Xuất PCA-LDA Phạm Văn Tuấn∗ , Hà Xuân Cường∗ , Hồ Đức Trung∗ ∗ Trung tâm Xuất Sắc Đại học Bách Khoa Đà Nẵng Đà Nẵng, Việt Nam Email: pvtuan@dut.udn.vn, haxuancuong187@gmail.com, trunghoduc_1992@yahoo.com.vn Tóm tắt—Trong báo này, phương pháp hiệu để nhận dạng khn mặt trình bày để giải tốt biến đổi biểu cảm khuôn mặt, tư mặt, điều kiện chiếu sáng Phương pháp dựa kết hợp Phân tích thành phần (PCA), Phân tích khác biệt tuyến tính (LDA) máy vector hỗ trợ (SVM) sử dụng hàm Radial Basic (RBF) Các thử nghiệm tiến hành tập sở liệu hình ảnh: Grimace, Sheffield, Yale B mở rộng (Extended Yale B) Hiệu phương pháp đề xuất so sánh với ba phương pháp khác, là: PCA RBF SVM, PCA Linear SVM, PCA-LDA Linear SVM Kết rằng, phương pháp sử dụng PCA-LDA RBF SVM cho kết nhận dạng cao đáng tin cậy thay đổi biểu cảm khuôn mặt, tư mặt, điều kiện chiếu sáng Từ khóa—Phân tích thành phần chính, Phân tích khác biệt tuyến tính, Máy vector hỗ trợ, Hàm Radial Basic, Máy vector hỗ trợ tuyến tính I ĐẶT VẤN ĐỀ Nhận dạng khuôn mặt lĩnh vực nghiên cứu tiên phong có nhiều ứng dụng thực tiễn, thí dụ: hệ thống tương tác người máy, cỗ máy tìm kiếm, hệ thống theo dõi, hệ thống đăng nhập, Một hệ thống nhận dạng khuôn mặt tốt phải đạt yêu cầu sau: độ xác cao, đáp ứng thời gian thực, bị ảnh hưởng điều kiện bên (biểu cảm khuôn mặt, tư mặt, điều kiện chiếu sáng, ) Trong năm gần đây, SVM lên phương pháp đầy hứa hẹn cho việc phân loại khn mặt [1], [2] Trong số thuật tốn trích xuất thuộc tính, wavelet Gabor thừa nhận phương pháp mạnh phải đối mặt với thay đổi độ sáng, tư mặt biểu cảm khuôn mặt, theo nguồn từ [3] Nghiên cứu [4] kết hợp Linear SVM lọc Gabor đáp ứng tốt cần giải nhiều mặt việc nhận dạng khuôn mặt Tuy vậy, wavelet Gabor u cầu lượng tính tốn cực lớn Do đó, hệ thống nhận dạng khn mặt sử dụng wavelet Gabor thường chậm ISBN: 978-604-67-0635-9 330 Mặt khác, PCA LDA phương pháp trích xuất thuộc tính Hai hướng tiếp cận giúp giảm bớt đáng kể khối lượng tính tốn cho hệ thống nhận dạng, từ rút ngắn thời gian hoạt động Chỉ riêng PCA LDA tạo hiệu tốt kết hợp với SVM [5], [6], [7] Hình Sơ đồ khối hệ thống nhận dạng Trong báo này, nghiên cứu đối sánh thực để đánh giá hiệu hệ thống nhận dạng sử dụng phương pháp trích xuất thuộc tính (PCA, LDA) với SVM Sau tiến hành việc so sánh, hệ thống tốt đề xuất Hệ thống phải có hiệu cao đáng tin cậy phải đối mặt với thay đổi biểu cảm khuôn mặt, tư mặt, điều kiện chiếu sáng Sơ đồ khối tổng quát quy trình nhận dạng mơ tả hình PCA kết hợp PCA-LDA sử dụng làm phương pháp trích xuất thuộc tính Trong khối phân loại, có hai tùy chọn Linear SVM RBF SVM Cấu trúc báo sau: Phần II trình bày bước tiền xử lí ảnh, tiếp đó, Phần III mơ tả thuật tốn trích xuất thuộc tính (PCA, PCA-LDA) Phần IV trình bày kiến thức SVM cách xây dựng SVM nhiều lớp Kết thí nghiệm phân tích trình bày Phần V Cuối cùng, kết luận hướng phát triển thảo luận Phần VI II TIỀN XỬ LÍ Các bước tiền xử lí ảnh áp dụng nghiên cứu trình bày sau: • Cắt từ ảnh chụp gốc để lấy ảnh khuôn mặt 330 Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) • • • • • Thay đổi kích thước ảnh thành 64x64 Đổi ảnh màu sang ảnh xám Đổi ảnh xám sang vector ảnh Thường hóa vector ảnh cho chúng có trung bình độ lệch chuẩn Giãn cường độ sáng xji mẫu thứ i lớp thứ j, µj trung bình lớp j, c số lớp, Nj số mẫu lớp j Định nghĩa Ma trận phân tán liên-lớp, kí hiệu Sb , định nghĩa bởi: c Sb = III TRÍCH XUẤT THUỘC TÍNH Phần mơ tả cách thức hoạt động phương pháp trích xuất thuộc tính (PCA LDA) A Không gian PCA Cho trước ma trận liệu X không gian N -chiều vector cột xi , i = 1, 2, , M biểu diễn ảnh (nói cách khác, sở liệu ảnh có M ảnh, ảnh có N điểm ảnh), Phân Tích Thành Phần Chính (PCA) sử dụng để tìm khơng gian mà vector tương ứng với hướng phương sai tối đa không gian ban đầu Để giai đoạn nhận dạng theo sau giai đoạn trích xuất thuộc tính mạnh hơn, chúng tơi thực số thay đổi sau: • • Thứ nhất, vector ảnh xi chuẩn hoá cho ||xi || = để đảm bảo hệ thống không bị ảnh hưởng cường độ ánh sáng chiếu vào Thứ hai, ảnh chuẩn hoá bị trừ trung bình tất vector chuẩn hoá để đảm bảo eigenvectors ứng với eigenvalues lớn biểu diễn hướng eigenspace với phương sai tất vector tối đa phương x, ¯ x vector diện tương quan, xi := xi − ¯ ảnh trung bình Khi triển khai thuật tốn PCA, chúng tơi rút vài nhận xét sau: • • • Tập trung vào việc biểu diễn thông tin phân loại, tối ưu cho việc biểu diễn Nhạy với thay đổi tư đầu, vị trí, biểu cảm mặt Kết nhận dạng khuôn mặt tối ưu ba eigenvector không sử dụng (dường chúng dùng để biểu diễn thay đổi độ sáng) [9], xố chúng đi, kết nhìn chung giảm B Khơng gian PCA-LDA LDA tìm vector không gian mà phân chia rõ lớp (chứ mô tả liệu tốt giống PCA) Định nghĩa Với liệu X cho trước, ma trận phân tán cùng-lớp, kí hiệu Sw , định nghĩa sau: c Nj Sw = j=1 i=1 j=1 (µj − µ)(µj − µ)T µ biểu diễn trung bình tất lớp Mục tiêu LDA tìm hướng mà tối đa giá trị phân tán liên-lớp đồng thời tối thiểu giá trị phân tán cùng||W Sb W T || Cần lưu lớp Tức là, tìm W mà tối thiểu ||W Sw W T || ý rằng: • Cần N + c mẫu để đảm bảo ma trận Sw không ma trận đơn Tuy nhiên N lớn (với cỡ ảnh 64×64 hệ thống chúng tơi, N = 4096) nên điều trở nên không khả thi ứng dụng thời gian thực • Một hệ thống LDA thường thể không tốt thử mẫu thử khơng có sở huấn luyện Một vài kĩ thuật đề xuất để giải vấn đề Trong [10], PCA dùng làm không gian trung gian Không gian N -chiều ban đầu trước tiên chiếu xuống không gian I-chiều PCA Kĩ thuật gọi Phân Tích Khác Biệt Thành Phần Cơ Bản nhận diện khuôn mặt Ý tưởng kết hợp PCA LDA để tận dụng tính chất lưu giữ đặc trưng liệu PCA tính chất phân biệt liệu LDA IV NHẬN DẠNG SỬ DỤNG SVM Trong đề tài này, SVM dựa hàm nhân Linear hàm nhân RBF xây dựng tiến hành thực nghiệm dựa công cụ LIBSVM [11] Trước tiên, khái lược lý thuyết SVM tốn phân loại nhị phân trình bày [12] Sau đó, kỹ thuật mở rộng để giải toán phân loại nhiều lớp áp dụng vào nhận diện khn mặt A SVM tốn phân loại nhị phân SVM giải thuật máy học dựa lý thuyết học thống kê Vapnik Chervonenkis xây dựng Bài toán SVM toán phân loại nhị phân Cho tập mẫu xi , yi , i = 1, 2, , N xi ∈ RD yi ∈ {1, −1}N , mục tiêu thuật toán SVM tìm siêu phẳng phân cách cho khoảng cách lề hai lớp đạt cực đại Tức cần tìm siêu phẳng H : w·x+b = hai siêu phẳng hỗ trợ H1 , H2 song song với H có khoảng cách đến H Với điều kiện khơng có phần tử tập mẫu nằm H1 H2 , đó: w · xi + b ≥ +1 với yi = +1 w · xi + b ≤ −1 với yi = −1 (xji − µj )(xji − µj )T 331 331 Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thơng Tin (ECIT 2015) C Tối ưu hóa tham số SVM Trong phạm vi báo này, tham số cần cho hàm nhân Linear C Đối với hàm nhân RBF, hai tham số cần tối ưu C γ Quy trình cross-validation sử dụng để tìm thơng số tối ưu ngăn cản vấn đề overfitting Trong quy trình k-fold cross-validation, tập huấn luyện chia thành k tập có kích thước Lần lượt, tập thử với máy phân loại huấn luyện dựa k − tập lại Do đó, mẫu tập huấn luyện kiểm tra lần nên độ xác cross-validation phần trăm liệu phân loại Trong thực tế, k chọn 5, cịn C γ chọn thuật tốn đơn giản tìm lưới (grid search), cụ thể log2 C ∈ {−5, −4, , 15} log2 γ ∈ {−15, −14, , 3} [16], [17], [18] Hình Minh hoạ thuật tốn SVM Khoảng cách lề hai lớp ||w|| Ta cần tìm siêu phẳng H với lề lớn nhất, tức giải tốn tối ưu tìm minw,b ||w|| với điều kiện yi (w · xi + b) ≥ Tuy nhiên cách làm (được gọi tìm lề cứng) thực tập mẫu hồn tồn phân tách tuyến tính Đối với tập liệu nhiễu, trường hợp có vài mẫu không phân lớp sử dụng lề cứng Trong trường hợp này, lề mềm nên tìm thay lề cứng Sử dụng toán tử Lagrange với vài phép biến đổi, vector pháp tuyến w biểu diễn sau: V ĐÁNH GIÁ Trong báo này, hệ thống nhận diện khuôn mặt đánh giá dựa ba tập sở liệu, với hai mơ hình huấn luyện ba kịch kiểm tra Cuối hiệu suất nhân dạng độ tin cậy hệ thống so sánh theo trường hợp sau: • Sự kết hợp PCA Linear SVM • Sự kết hợp PCA RBF SVM • Sự kết hợp PCA-LDA Linear SVM • Sự kết hợp PCA-LDA RBF SVM N yi αi xi w= i=1 A Cơ sở liệu Thuật toán SVM mở rộng cho trường hợp tập mẫu khơng thể phân tách tuyến tính cách ánh xạ tập mẫu lên khơng gian có số chiều lớn cách sử dụng hàm nhân K Một số hàm nhân hay sử dụng là: Linear K(xi , xj ) = xTi xj Polynomial K(xi , xj ) = (γxTi xj + r)d , γ > Radial Basic Function (RBF) K(xi , xj ) = exp(−γ||xi − xj ||2 ), γ > Sigmoid K(xi , xj ) = tanh(γxTi xj + r) • • • B SVM toán phân loại nhiều lớp Grimace [19]: từ 18 người, người gồm 20 ảnh với góc chụp cố định nhìn thẳng Các ảnh mô tả mức độ tăng dần cảm xúc biểu cảm khuôn mặt Các thay đổi khác khơng đáng kể Sheffield [20]: có tổng cộng 573 ảnh chụp từ 20 người (đa dạng chủng tộc/giới tính/vẻ bề ngồi) Tập ảnh người có thay đổi chủ yếu góc lệch khuôn mặt máy chụp theo phương ngang Extended YaleB (YaleB+) [21]: báo sử dụng 1538/5760 ảnh 10 đối tượng với khác biệt đáng kể điều kiện chiếu sáng, tư mặt thay đổi B Mơ hình huấn luyện kịch kiểm tra Có vài phương pháp giúp mở rộng SVM cho toán phân loại nhiều lớp Hai số One-Against-One (OAO) One-Against-All (OAA) Đối với OAA, để giải toán phân loại q-lớp với SVM, q SVM huấn luyện Mỗi SVM phân chia lớp với tất SVM lớp lại [12], [13] Đối với OAO, q(q−1) huấn luyện ta cần phân loại q lớp Mỗi SVM phân chia cặp hai lớp Trong cơng trình nghiên cứu này, OAO SVM chọn để phân loại khn mặt người phương pháp OAO dường tốn nhiều thời gian phương pháp OAA lại cho độ xác cao [14], [15] Hệ thống huấn luyện hai mơ hình gọi Clean model (CM) Noisy model (NM) CM bao gồm ảnh khn mặt nhìn thẳng khn mặt khơng có biểu cảm NM bao gồm ảnh khn mặt có thay đổi góc nhìn so với máy chụp khn mặt có biểu cảm Với mơ hình huấn luyện, hệ thống kiểm tra ba kịch bản: Well-Matched (WM), Medium-Matched (MM) and Highly-Mismatched (HM) Dữ liệu kiểm tra WM tập ảnh tương tự với ảnh huấn luyện Dữ liệu kiểm tra MM bao gồm ảnh có khác biệt phần biểu cảm tư khuôn mặt so với ảnh 332 332 Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) MA Bảng I Bảng II KẾT QUẢ RECALL (%) TRẬN PHÂN LOẠI CHO HAI LOẠI ĐỐI TƯỢNG Trạng thái Loại đối tượng Cho phép Từ chối Khơng thẩm quyền (N) False (F) True (T) Có thẩm quyền (P) True (T) False (F) Cơ sở liệu huấn luyện Với trường hợp HM, tập ảnh kiểm tra bao gồm ảnh biểu cảm tư có khác biệt lớn so với tập ảnh huấn luyện C Tiêu chí đánh giá Kịch kiểm tra PCA kết hợp RBF SVM PCA kết hợp Linear SVM PCA-LDA kết hợp RBF SVM PCA-LDA kết hợp Linear SVM CM NM CM NM CM NM CM NM Grimace WM MM 96 97 40 82 100 97 100 100 100 97 100 100 100 97 100 100 Sheffield MM HM 86 64 100 100 83 64 100 100 79 31 100 90 95 74 100 100 100 99 18 27 100 99 18 27 100 92 93 89 100 92 100 97 31 25 27 25 84 96 WM YaleBMM ext HM Để đánh giá hiệu hệ thống, ba đại lượng sử dụng : Recall, Equal Error Rate (EER) Accuracy (ACC) 1) Recall: đại lượng sử dụng phần sở liệu dùng cho việc huấn luyện, phần lại dùng cho việc kiểm tra Tập ảnh kiểm tra khơng có diện ảnh chứa khuôn mặt lần nhận diện người lạ Recall = Số Tổng số lần nhận diện 2) EER: : Với xuất người lạ, hệ thống sử dụng số gọi ngưỡng (threshold) để định người có chấp nhận hay khơng Bảng I ma trận phân loại cho hai loại đối tượng với P đại diện cho người khơng có thẩm quyền N đại diện cho người có thẩm quyền Dựa vào bảng I, số lần người khơng có thẩm quyền hệ thống cho qua FN Tương tự, ta rút định nghĩa TN, TP, FP Tỉ lệ chấp nhận sai (FAR - False Acceptance Rate) tỉ lệ người khơng có thẩm quyền bị chấp nhận sai hệ thống Tỉ lệ từ chối sai (FRR - False Rejection Rate) tỉ lệ người có thẩm quyền bị từ chối hệ thống FAR FRR tính theo cơng thức: a) Sự phụ thuộc vào thuật tốn trích xuất thuộc tính: Đối với tập sở liệu đơn giản Grimace, PCA PCA-LDA cho hiệu cao gần tương đương Đối với tập liệu có thay đổi đáng kể góc khn mặt (Sheffield), PCA cho kết cao PCALDA cho kết tốt Đối với tập sở liệu phức tạp (Extended Yale B), có thay đổi khắc nghiệt điều kiện chiếu sáng, PCA-LDA cho thấy vượt trội hoàn toàn so với PCA Kết kiểm tra PCA-LDA với NM cao kết PCA thấp b) Sự phụ thuộc vào hàm nhân: Dựa vào kết thể bảng II, rõ ràng Linear SVM cho độ xác cao so với RBF SVM hầu hết trường hợp Đặc biệt, kết hợp PCA-LDA Linear SVM tạo hệ thống tốt cho kết cao gần tất trường hợp PCA, linear, grimace, Noisy Model, WM, 1, 0, 0.98095, 0.016667 FN FP , F AR = F RR = TP + FP TN + FN FAR FRR 0.9 0.8 Với ngưỡng khác nhau, FAR FRR cho giá trị tương ứng EER định nghĩa giao điểm hai đường FAR FRR 3) ACC: ACC tỉ lệ mà hệ thống nhận diện đối tượng Nó tính theo cơng thức: ACC = Hệ thống 0.7 Error 0.6 0.5 0.4 0.3 TP + TN TP + FP + TN + FN 0.2 0.1 D Kết phân tích 1) Với mục đích nhận dạng: Đầu tiên, mức độ hiệu bốn hệ thống xem xét nhu cầu người dùng để xác định danh tính đối tượng có sở liệu (khơng có cơng người lạ) Bảng II trình bày tỉ lệ nhận dạng hệ thống thử ba tập sở liệu với độ khó tăng dần 0.1 0.2 0.3 0.4 0.5 Threshold 0.6 0.7 0.8 0.9 Hình EER PCA-Linear SVM kiểm tra với Grimace-NM-WM (số cuối cùng, EER = 0.016) c) Sự phụ thuộc vào mơ hình huấn luyện: Trong báo này, hiệu bốn hệ thống nghiên cứu 333 333 Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) Bảng III KẾT QUẢ EER PCA−LDA, linear, grimace, Noisy Model, WM, 1, 0.11667, 1, FAR FRR 0.9 Cơ sở liệu 0.8 0.7 Error 0.6 Kịch kiểm tra Hệ thống PCA kết hợp RBF SVM PCA kết hợp Linear SVM PCA-LDA kết hợp RBF SVM PCA-LDA kết hợp Linear SVM CM CM CM CM 0.5 0.4 0.3 0.2 0.1 0 0.1 0.2 0.3 0.4 0.5 Threshold 0.6 0.7 0.8 0.9 Hình EER PCA-LDA-Linear SVM kiểm tra với GrimaceNM-WM (số cuối cùng, EER = 0) dựa hai mơ hình huấn luyện CM NM Các kết thu cho thấy tỉ lệ nhận dạng NM tốt so với tỉ lệ nhận dạng CM Điều hợp lý với NM, hệ thống học với ảnh huấn luyện có thay đổi đa dạng Tuy nhiên, cần lưu ý PCA dường hoạt động tốt với CM Khi kiểm tra với tập sở liệu khó Extended Yale B, PCA mang lại hiệu suất nhận dạng cao trường hợp sử dụng CM Trong vài trường hợp, cụ thể ảnh kiểm tra thuộc tập WM MM sử dụng để kiểm tra CM tập sở liệu Extended Yale B, PCA chí vượt trội so với PCA-LDA Sau xem xét phân tích trên, đề xuất nêu PCA thích hợp cho tập sở liệu đơn giản: khơng có thay đổi khắc nghiệt điều kiện chiếu sáng có số lượng ảnh đối tượng Cơng trình nghiên cứu [22] phần chứng minh đề xuất 2) Với mục đích bảo mật: Mức độ hiệu mà hệ thống mang lại xem xét có diện đối tượng lạ khơng có sở liệu EER ACC dùng để đánh giá độ tin cậy hệ thống a) Sự phụ thuộc vào thuật tốn trích xuất thuộc tính: Các hệ thống sử dụng PCA hoạt động tốt với tập Grimace Sheffield Chúng cho kết EER thấp hiệu suất nhận dạng cao thử với NM Với sở liệu lớn có thay đổi khắc nghiệt điều kiện chiếu sáng (Extended YaleB), PCA tỏ không đáng tin cậy Các hệ thống sử dụng PCA cho kết EER thấp hiệu suất nhận dạng cao tập ảnh kiểm tra WM MM thử với CM Kết bảng III bảng IV lần củng cố đề xuất PCA nên sử dụng cho tập liệu khơng có thay đổi lớn tập liệu có số lượng ảnh nhỏ Ngược lại, hệ thống sử dụng PCA-LDA ổn định đáng tin cậy Chúng hoạt động tốt với ba tập sở liệu Trong 334 NM NM NM NM Grimace WM MM 0.13 0.51 0.10 0.26 0.02 0.02 0.05 0.03 0.00 0.00 0.04 0.00 0.05 0.00 0.17 0.01 Sheffield MM HM 0.27 0.16 0.36 0.16 0.25 0.11 0.40 0.16 0.28 0.00 0.50 0.08 0.25 0.22 0.55 0.25 WM YaleBMM ext HM 0.02 0.57 0.12 0.66 0.00 0.55 0.13 0.66 0.00 0.09 0.33 0.12 0.02 0.05 0.23 0.16 0.58 0.60 0.59 0.60 0.55 0.18 0.33 0.18 Bảng IV KẾT QUẢ ACC (%) Cơ sở liệu Kịch kiểm tra Hệ thống PCA kết hợp RBF SVM PCA kết hợp Linear SVM PCA-LDA kết hợp RBF SVM PCA-LDA kết hợp Linear SVM CM NM CM NM CM NM CM NM Grimace WM MM 88 91 37 82 98 95 98 95 100 97 100 100 96 83 100 99 Sheffield MM HM 74 63 85 84 74 59 88 86 83 53 100 95 77 42 80 76 WM YaleBMM ext HM 98 88 42 34 100 87 46 32 100 73 94 88 98 78 95 84 42 41 42 40 37 82 71 82 hầu hết trường hợp, PCA-LDA cho kết EER độ xác tốt so với PCA Hình hình minh họa cho kết b) Sự phụ thuộc vào hàm nhân: Linear SVM cho thấy hiệu tốt so với RBF SVM chúng kết hợp với PCA Tuy nhiên, RBF SVM lại cho kết EER độ xác tốt so với Linear SVM chúng kết hợp với PCA-LDA Hệ thống sử dụng PCA-LDA RBF SVM hệ thống đáng tin cậy tất bốn hệ thống Với yêu cầu tính bảo mật, PCA-LDA RBF SVM vượt trội so với hệ thống sử dụng PCALDA Linear SVM c) Sự phụ thuộc vào mơ hình huấn luyện: Tương tự, kết bảng III bảng IV lần cho thấy NM trội so với CM độ tin cậy hệ thống xét đến 334 Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) Hội Thảo Quốc Gia 2015 Điện Tử, Truyền Thông Công Nghệ Thông Tin (ECIT 2015) VI KẾT LUẬN [4] Một vài hệ thống nhận dạng khuôn mặt xây dựng việc kết hợp phương pháp trích xuất thuộc tính hàm nhân khối nhận dạng Các hệ thống kiểm tra với nhiều sở liệu ảnh nhiều mức độ khác yêu cầu an ninh Khi hiệu suất nhận dạng ưu tiên, kết hợp PCA-LDA Linear SVM hệ thống tốt nhất, theo sau PCA-LDA RBF SVM Tuy nhiên, tin cậy hệ thống ưu tiên, hệ thống sử dụng PCA-LDA RBF SVM vượt trội hệ thống sử dụng PCA-LDA Linear SVM Trong ứng dụng thời gian thực, mục đích mơi trường sử dụng hệ thống nhận dạng khuôn mặt cần xem xét kĩ lưỡng Tuy nhiên, thí nghiệm này, hệ thống sử dụng PCA-LDA RBF SVM đề xuất, với điều kiện sở liệu yêu cầu cho trước Về mặt tính chất hình ảnh, hệ thống nêu xử lí thay đổi điều kiện chiếu sáng, tư mặt, biểu cảm khuôn mặt Thời gian kiểm tra ngắn máy tính cá nhân, hệ thống đáp ứng yêu cầu ứng dụng thời gian thực Mục tiêu cuối báo xây dựng hệ thống nhận dạng khuôn mặt hiệu đáng tin cậy với thành phần cốt lõi SVM Một vài khó khăn cần phải vượt qua là: a) nghiên cứu thêm phương pháp trích xuất thuộc tính khác: PCA-LDA hoạt động có hiệu quả, phương pháp b) nghiên cứu chất SVM: báo này, SVM dùng công cụ với tham số Trong tương lai, cần xem xét việc sử dụng hàm nhân TÀI LIỆU [5] [6] [7] [8] [9] [10] [11] [12] [13] [14] [15] [16] THAM KHẢO [1] Juneja, Komal, An improvement on face recognition rate using local tetra patterns with support vector machine under varying illumination conditions, IEEE Computing, 2015 International Conference on Communication & Automation (ICCCA), India, pp 1079 – 1084, May 2015 [2] Jia Jun Zhang, Yu Ting Shi, Face recognition systems based on independent component analysis and support vector machine, IEEE 2014 International Conference on Audio, Language and Image Processing (ICALIP), Shanghai, pp 296 – 300, July 2014 [3] F.Ahmad Bhat, M Arif Wani, Gabor wavelet based face recognition under varying lighting, pose and expression conditions, IEEE 2015 2nd International Conference on Computing for Sustainable Global Development (INDIACom), New Delhi, pp 1314 – 1318, March 2015 335 [17] [18] [19] [20] [21] [22] 335 G Majumder, M K Bhowmik, Gabor-Fast ICA Feature Extraction for Thermal Face Recognition Using Linear Kernel Support Vector Machine, IEEE 2015 International Conference on Computational Intelligence and Networks (CINE), Bhubaneshwar, pp 21 – 25, Jan 2015 Chengliang Wang, Libin Lan, Yuwei Zhang, and Minjie Gu, Face Recognition Based on Principal Component Analysis and Support Vector Machine, IEEE 2011 3rd International Workshop on Intelligent Systems and Applications (ISA), Wuhan, pp – 4, May 2011 S L Happy, A Routray, Robust facial expression classification using shape and appearance features, IEEE 2015 Eighth International Conference on Advances in Pattern Recognition (ICAPR), Kolkata, pp – 5, Jan 2015 Abdulrahman, Muzammil, Eleyan, and Alaa, Facial expression recognition using Support Vector Machines, IEEE Signal Processing and Communications Applications Conference (SIU), 2015 23th, Malatya, Turkey, pp 276 – 279, May 2015 M Turk and A Pentland, Eigenface for Recognition, Journal of Cognitive Neuroscience, vol 3, no 1, pp 71-86, 1991 A Pentland, T Starner, N Etcoff, N Masoiu, O Oliyide, and M Turk, Experiments with Eigenfaces, Proc Looking at People Workshop Int’l Joint Conf Artificial Intelligence, Aug 1993 P N Belhumeror, J.P Hespanha, and D.J Kriegman, Eigenfaces vs Fisherfaces: Recognition Using Class Specific Linear Projection, IEEE Trans Pattern Analysis and Machine Intelligence, vol 19, no 7, pp 711-720, 1997 LIBSVM – A Library for Support Vector Machines, [online] Available: http://www.csie.ntu.edu.tw/~cjlin/libsvm/ C Cortes and V Vapnik, “Support vector networks,” Machine Learning, 1995 B Scholkopf, C Burges, and V Vapnik Extracting support data for a given task in U Fayyad and R Uthurusamy, editors, Proceedings of the First International Conference on Knowledge Discovery and Data Mining, Menlo Park, CA, 1995 AAAI Press Ben Aisen, A Comparison of Multiclass SVM Methods, December 15, 2006 R Kyle Eichelberger, Victor S Sheng, Does One-Against-All or OneAgainst-One Improve the Performance of Multiclass Classifications?, Proceedings of the Twenty-Seventh AAAI Conference on Artificial Intelligence Carl Staelin, Parameter selection for support vector machines, HP Laboratories Israel, November 2003 Chih-Wei Hsu, Chih-Chung Chang, and Chih-Jen Lin, A practical guide to support vector classification, April 2010 Zhigang Yan, Yuanxuan Yang and Yunjing Ding, An experimental study of the hyper-parameters distribution region and its optimization method for support vector machine with Gaussian Kernel, International Journal of Signal Processing, Image Processing and Pattern Recognition, Vol.6, No.5 (2013), pp.437-446, 2013 Essex Grimace Database, [Online] Available: http://cswww.essex.ac uk/mv/allfaces/grimace.html Sheffield Face Database, [Online] Available:http://www.sheffield.ac uk/eee/research/iel/research/face Extended Yale B Database, [Online] Available: http://www.vision ucsd.edu/~leekc/ExtYaleDatabase/ExtYaleB.html Aleix M MartoAnez and Avinash C Kak, PCA versus LDA, IEEE Transactions on Pattern Analysis and Machine Intelligence, vol 23, no 2, pp 228-233, February 2001  ... Khi hiệu suất nhận dạng ưu tiên, kết hợp PCA-LDA Linear SVM hệ thống tốt nhất, theo sau PCA-LDA RBF SVM Tuy nhiên, tin cậy hệ thống ưu tiên, hệ thống sử dụng PCA-LDA RBF SVM vượt trội hệ thống sử. .. thống sử dụng PCA-LDA Linear SVM Trong ứng dụng thời gian thực, mục đích mơi trường sử dụng hệ thống nhận dạng khuôn mặt cần xem xét kĩ lưỡng Tuy nhiên, thí nghiệm này, hệ thống sử dụng PCA-LDA. .. SVM chúng kết hợp với PCA-LDA Hệ thống sử dụng PCA-LDA RBF SVM hệ thống đáng tin cậy tất bốn hệ thống Với yêu cầu tính bảo mật, PCA-LDA RBF SVM vượt trội so với hệ thống sử dụng PCALDA Linear SVM