0

Phương pháp nhận dạng khuôn mặt trong điều kiện đơn mẫu dựa trên độ đo lt mhd

178 1 0
  • Phương pháp nhận dạng khuôn mặt trong điều kiện đơn mẫu dựa trên độ đo lt mhd

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

Tài liệu liên quan

Thông tin tài liệu

Ngày đăng: 12/05/2022, 10:51

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẶNG NGUYÊN CHÂU PHƯƠNG PHÁP NHẬN DẠNG KHUÔN MẶT TRONG ĐIỀU KIỆN ĐƠN MẪU DỰA TRÊN ĐỘ ĐO LT-MHD LUẬN ÁN TIẾN SĨ TP HỒ CHÍ MINH - NĂM 2022 ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẶNG NGUYÊN CHÂU PHƯƠNG PHÁP NHẬN DẠNG KHUÔN MẶT TRONG ĐIỀU KIỆN ĐƠN MẪU DỰA TRÊN ĐỘ ĐO LT-MHD Chuyên ngành: Kỹ thuật Viễn Thông Mã số chuyên ngành: 62520208 Phản biện độc lập: PGS TS Phan Văn Ca Phản biện độc lập: PGS TS Trần Công Hùng Phản biện: PGS TS Phạm Hồng Liên Phản biện: TS Lê Xuân Vinh Phản biện: TS Trần Trung Duy NGƯỜI HƯỚNG DẪN: PGS TS ĐỖ HỒNG TUẤN LỜI CAM ĐOAN Tác giả xin cam đoan cơng trình nghiên cứu thân tác giả Các kết nghiên cứu kết luận luận án trung thực, không chép từ nguồn hình thức Việc tham khảo nguồn tài liệu thực trích dẫn ghi nguồn tài liệu tham khảo quy định Tác giả luận án ĐẶNG NGUYÊN CHÂU i ABSTRACT Face recognition with only one image or single sample for each person (SSPP) in database is an important problem in face recognition field because the recognition rates of all face recognition methods seriously drop in the case of SSPP problem In recent decades, various face recognition methods have been proposed for solving the SSPP problem In comparing with other face recognition methods, the local feature based face recognition methods are simple and easy to deploy in real face recognition applications Edge pixel is a local feature widely used in face recognition methods because edge pixel is the reflecting of the face structure Edge pixel is also a variant feature with non-ideal conditions of face image, especially with different lighting conditions of face image The Modified Hausdorff Distance (MHD) is an efficient and widely used distance in face recognition field A lot of SSPP face recognition methods, that use edge pixel as local feature of face image, use the MHD for measuring the dissimilarity between two sets of feature of face images In this study, a novel Hausdorff distance-based distance is proposed, the Least Trimmed Modified Hausdorff Distance (LT-MHD) Based on the proposed distance, two face recognition in SSPP condition methods are proposed, the Least Trimmed Line Hausdorff Distance (LT-LHD) method and the Least Trimmed New Modified Hausdorff Distance (LT-NMHD) method The experimental results of recognition rates of the LT-NMHD method and the LT-LHD method prove the efficiency of using the LT-MHD for measuring the distance between two sets of face image feature By using the LT-MHD, the recognition rate of face recognition methods increase 2-10% in comparing with the case using the MHD for measuring the distance between two sets of face image feature Moreover, the recognition rates of the LT-LHD method and the LT-NMHD method are compared with various face recognition methods, which are proposed in recent years, in SSPP situation In the same condition of experiment, both proposed face recognition methods give very high recognition rate in comparing with other face recognition methods Especially, the recognition rate of the LT-LHD method is 2-11% higher than the recognition rates of state-of-art SSPP face recognition methods over the past five years The computational complexity is a disadvantage of the LT-MHD This makes ii the computational complexities of the face recognition methods that use LTMHD, i.e the LT-LHD method and the LT-NMHD method, become very high In CAD/CAM/CAE field, a lot of methods were proposed with the purposed reducing the computational complexity of Hausdorff computing, in recent decade The EARLYBREAK method and the Local Start Search (LSS) method are two state-of-art methods for reducing the complexity of Hausdorff distance computing In this study, the EARLYBREAK method is used for reducing the computational complexity the LT-LHD method and the LSS method is used for reducing the computational complexity of the LT-NMHD method The experimental results show that computational complexities of the LT-LHD method and the LT-NMHD method decrease 67% and 17%, respectively These results demonstrate the efficiency of using the EARLYBREAK method and the LSS method for reducing the face recognition methods using the LT-MHD Moreover, in this research, a model, that is a combination of a convolutional neural network (CNN) model with the LT-MHD distance, for face image feature extraction is proposed The LT-MHD distance is used as the loss function of the CNN model instead of the cross-entropy loss function The experimental result shows that by using the LT-MHD distance as the loss function makes an improvement of recognition rate of the model up to 43% iii TĨM TẮT LUẬN ÁN Nhận dạng khn mặt điều kiện có ảnh cho người sở liệu, single sample per person (SSPP), tốn quan trọng lĩnh vực nhận dạng khn mặt tỷ lệ nhận dạng phương pháp bị ảnh hưởng nghiêm trọng điều kiện SSPP Trong năm qua, có nhiều phương pháp nhận dạng khuôn mặt đề xuất nhằm giải tốn SSPP Trong đó, so sánh với phương pháp nhận dạng khuôn mặt khác, nhóm phương pháp nhận dạng khn mặt dựa đặc trưng cục đánh giá đơn giản dễ dàng triển khai ứng dụng thực tế Các pixel cạnh đặc trưng cục sử dụng rộng rãi lĩnh vực nhận dạng khn mặt đặc trưng phản ánh tốt cấu trúc khn mặt Bên cạnh đó, đặc trưng bền vững với điều kiện không lý tưởng ảnh đầu vào, điều kiện chiếu sáng khác ảnh đầu vào Khoảng cách Hausdorff trung bình, phép đo hiệu sử dụng rộng rãi lĩnh vực nhận dạng khuôn mặt Các phương pháp nhận dạng khuôn mặt điều kiện SSPP sử dụng đặc trưng cục pixel cạnh thường sử dụng khoảng cách Hausdorff trung bình để đo giống hai tập hợp đặc trưng ảnh khuôn mặt Trong nghiên cứu này, đề xuất phép đo dựa khoảng cách Hausdorff, khoảng cách Hausdorff trung bình giá trị lớn nhất, Least Trimmed Modified Hausdorff Distance (LT-MHD) Dựa khoảng cách đề xuất, đề xuất hai phương pháp nhận dạng khuôn mặt điều kiện SSPP, phương pháp Least Trimmed Line Hausdorff Distance (LT-LHD) phương pháp Least Trimmed New Modified Hausdorff Distance (LT-NMHD) Các kết mô tỷ nhận dạng khuôn mặt hai phương pháp LT-NMHD LT-LHD chứng minh hiệu việc dùng khoảng cách LT-MHD thay khoảng cách Hausdorff trung bình Việc sử dụng khoảng cách LT-MHD giúp làm tăng tỷ lệ nhận dạng khuôn mặt khoảng 2-10% so với việc sử dụng khoảng cách Hausdorff trung bình tùy vào điều kiện khác ảnh đầu vào Bên cạnh đó, tỷ lệ nhận dạng hai phương pháp LT-NMHD LT-LHD so sánh với số phương pháp nhận dạng khuôn mặt điều kiện SSPP khác đề xuất năm gần Các kết nhận dạng điều kiện mô cho thấy hai phương pháp LT-LHD iv LT-NMHD cho kết nhận dạng tốt Đặc biệt, phương pháp LT-LHD cho tỷ lệ nhận dạng khuôn mặt cao khoảng 2-11% so với phương pháp nhận dạng khuôn mặt đề xuất năm gần Độ phức tạp tính tốn cao nhược điểm khoảng cách Hausdorff trung bình LT-MHD Điều làm cho phương pháp nhận dạng khn mặt LT-LHD LT-NMHD có độ phức tạp tính tốn cao Các nhà nghiên cứu lĩnh vực CAD/CAM/CAE đưa nhiều phương pháp khác nhằm làm giảm độ phức tạp phép tính khoảng cách Hausdorff tiếng hai phương pháp EARLYBREAK Local Start Search (LSS) Trong nghiên cứu này, áp dụng phương pháp EARLYBREAK để làm giảm độ phức tạp tính tốn cho phương pháp LT-LHD Đồng thời, áp dụng phương pháp LSS để làm giảm độ phức tạp tính tốn cho phương pháp LT-NMHD Các kết mơ cho thấy độ phức tạp tính tốn phương pháp LT-LHD phương pháp LT-NMHD giảm 67% 17% Điều cho thấy hiệu áp dụng phương pháp EARLYBREAK hay LSS để làm giảm độ phức tạp tính tốn cho phương pháp nhận dạng khuôn mặt dựa khoảng cách Hausdorff trung bình Trong nghiên cứu này, mơ hình trích đặc trưng ảnh khn mặt cách kết hợp mạng CNN khoảng cách LT-MHD đề xuất Khoảng cách LT-MHD sử dụng hàm mát ngõ mạng CNN thay hàm cross-entropy Các kết mơ cho thấy việc thay đổi giúp làm tăng tỷ lệ nhận dạng mơ hình lên đến 43% v LỜI CÁM ƠN "Khơng thành cơng mình" câu nói mà tơi ln tâm đắc ghi nhớ Hồn thành Luận án Tiến sĩ xem thành công riêng cá nhân Bên cạnh nỗ lực không ngừng nghỉ thân thành cơng khơng thể đến với thiếu giúp đỡ, động viên chia sẻ người thầy, người bạn, đồng nghiệp người thân gia đình tơi Đầu tiên, xin gửi lời cảm ơn sâu sắc đến người thầy tôi, PGS TS Đỗ Hồng Tuấn Thầy Tuấn người thầy dẫn dắt đường học thuật từ tơi cịn sinh viên năm cuối trường Đại học Bách Khoa tơi hồn thành luận án Trong suốt q trình làm luận án, tơi nhận nhiều nhận xét, góp ý từ thầy để từ tơi làm tốt nghiên cứu Tiếp theo tơi xin gửi lời cảm ơn đến thầy GS TS Lê Tiến Thường, thầy PGS TS Đặng Thành Tín, TS Trương Quang Vinh PGS TS Hà Hồng Kha, người có nhiều ý kiến đóng góp cho luận án tơi thơng qua chuyên đề Tiến sĩ mà thực Tôi xin gửi lời cảm ơn chân thành đến người bạn, người anh tôi, TS Chế Viết Nhật Anh, người động viên giúp đỡ nhiều suốt q trình làm nghiên cứu để tơi cảm thấy tự tin thân Bên cạnh đó, tơi xin gửi lời cảm ơn đến Ban chủ nhiệm khoa Điện - Điện tử, quý thầy cô Bộ môn Viễn Thông, người chia sẻ, giúp đỡ nhiều công tác để tơi hồn thành tốt nhiệm vụ giảng viên nhiệm vụ nghiên cứu sinh Và cuối cùng, quan trọng nhất, muốn gửi lời cảm ơn sâu sắc đến ba mẹ tôi, vợ hai nhỏ người thân gia đình bên cạnh hỗ trợ động viên mặt tinh thần chia sẻ công việc gia đình để tơi có thêm thời gian hồn thành nghiên cứu Tơi xin chân thành cảm ơn Tp Hồ Chí Minh, tháng 12 năm 2020 ĐẶNG NGUYÊN CHÂU vi MỤC LỤC DANH MỤC HÌNH VẼ xii DANH MỤC BẢNG BIỂU xiii DANH MỤC TỪ VIẾT TẮT xv GIỚI THIỆU 1.1 Giới thiệu nhận dạng khuôn mặt tốn SSPP nhận khn mặt 1.2 Lý chọn đề tài 1.3 Mục tiêu đề tài 1.4 Các đóng góp nghiên cứu 1.5 Bố cục luận án dạng CƠ SỞ LÝ THUYẾT 2.1 Các phương pháp nhận dạng khuôn mặt điều kiện SSPP 2.1.1 Các phương pháp nhận dạng khuôn mặt sử dụng đặc trưng toàn cục 2.1.2 Các phương pháp nhận dạng khuôn mặt sử dụng đặc trưng cục 2.1.3 Các phương pháp nhận dạng khuôn mặt dựa việc tạo thêm ảnh ảo 2.1.4 Các phương pháp nhận dạng khuôn mặt dựa việc sử dụng thêm tập liệu chung 2.1.5 Kết luận 2.2 Các phương pháp giảm độ phức tạp phép tính khoảng cách Hausdorff 2.2.1 Khoảng cách Hausdorff 2.2.2 Các phương pháp dựa cấu trúc R-Tree 2.2.3 Phương pháp EARLYBREAK 2.2.4 Phương pháp Local Start Search - LSS 2.2.5 Kết luận vii 9 12 17 21 24 25 25 26 35 38 42 KHOẢNG CÁCH LT-MHD VÀ PHƯƠNG PHÁP LT-NMHD CHO NHẬN DẠNG KHUÔN MẶT 3.1 Khoảng cách đề xuất - Least trimmed Modified Hausdorff distance (LT-MHD) 3.2 Phương pháp NMHD cho nhận dạng khuôn mặt 3.2.1 Phương pháp trích đặc trưng ảnh khuôn mặt 3.2.2 Phương pháp NMHD 3.3 Phương pháp LT-NMHD cho nhận dạng khuôn mặt 3.4 Giảm độ phức tạp cho phương pháp LT-NMHD 3.4.1 Áp dụng phương pháp Local Start Search để giảm độ phức tạp cho phép tính khoảng cách trực tiếp LT-NMHD 3.4.2 Tính tốn độ phức tạp phương pháp LT-NMHD 3.5 Ảnh hưởng tỷ số f đến phương pháp LT-NMHD 3.6 Kết luận PHƯƠNG PHÁP LT-LHD CHO NHẬN DẠNG KHUÔN MẶT 4.1 Phương pháp LHD cho nhận khuôn mặt 4.2 Các cải tiến cho phương pháp LHD 4.2.1 Phương pháp đề xuất MLHD 4.2.2 Phương pháp đề xuất RLHD 4.3 Phương pháp LT-LHD cho nhận dạng khuôn mặt 4.4 Giảm độ phức tạp tính tốn cho phương pháp LT-LHD 4.4.1 Áp dụng phương pháp EARLYBREAK để giảm độ phức tạp cho phép tính khoảng cách trực tiếp LT-LHD 4.4.2 Tính tốn độ phức tạp phương pháp LT-LHD 4.5 Ảnh hưởng tỷ số f đến phương pháp LT-LHD 4.6 Kết luận KẾT QUẢ MƠ PHỎNG 5.1 Mơ tả sở liệu 5.2 Khảo sát ảnh hưởng hệ số k lên chất lượng phương pháp RLHD phương pháp LT-LHD 5.3 Khảo sát ảnh hưởng tỷ số f lên chất lượng phương pháp LT-LHD LT-NMHD 5.4 Chứng minh giảm độ phức tạp tính toán phương pháp LT-NMHD phương pháp LT-LHD 5.5 Nhận dạng khn mặt điều kiện bình thường 5.6 Nhận dạng khuôn mặt điều kiện khác ảnh đầu vào 5.6.1 Nhận dạng khuôn mặt điều kiện ánh sáng khác viii 44 44 46 46 46 47 49 49 51 55 56 58 58 62 63 64 67 70 70 72 73 74 76 76 78 80 85 87 90 90 giam d9 phirc tap cua phep tinh khoang each Hausdorff, K~t qua diroc cong bE>trong bai baa cong trinh [CT2], [CT4], [CT6] chuang cua tac gia U'u nhuec di~m v~ nQidung, k~t eiu va hinh tlnrc ella lu,n an: - K~t c~u 1$ an hop 1)' Cac cong trinh da cong b6 eo lien quan d~n lu,n an: Tac gia vi~t diroc 06 bai baa duoc cong bE>lien quan d~n d€ tai 1l$1 an Trong c6 01 bai tai hoi nghi khoa h9C chuyen nganh quoc t~, 02 bai baa diroc dang tai tren tap chi khoa h9C cong nghe chuyen nganh quoc t~ (Scopus Q4), 03 bai baa duoc dang tai tren tap chi khoa h9C cong nghe chuyen nganh mroc Cac bai baa d€u nam pham vi nghien CUucua luan an va phan anh dung cac k~t qua dff neu 1l$1 an Tom tit lu,n an eo phan anh trung th1!e nQidung co ban ella lu,n an: T6m t~t lu~ an phin anh trung thl,ICnQi dung co bin Clla 1$ an K~t lu,n v~ vi~e lu,n an eo dap u-ng yeu eiu ella mQt LATS va eo th~ dtra bao v~ truO'e llQid.ang ellim l ,n an eip TruOng hay khong? L$ an dap lIng yeu d.u Clla m9t LATS va c6 th€ dua bao v~ tru6c hQi d6ng chb an c~p TruOng Xae nh,n ella eO'quan Ngay 19 thang 11 nam 2021 ho~e eO'sir dao t~o NguOi nh,n xet TLPHO GlAM DOC HOC VItN CONG NGHt BCVT PHl' TRAcH Cd TAJ TP.HCM sa PGS TS.Trin Cong Hung 1u~ CONG HOA xA HOI CHU NGHlA VI~T NAM DQc l~p - Tl! - H?ob phuc DAI HOC QUOC GlA THANH PHO HO CHi MINH TRUONG DAI HOC BACH KHOA xET LU~N AN TIEN sl NH~ Cua nghien ciru sinh: DANG NGUYEN CHAU Ten d~ tai: Phuong phap nhan dang khuon mat dieu kien dan m~u dua tren dQ LT-MHD Ma so: Chuyen nganh: Ky thuat Vi~n Thong H9 ten nguoi nhan xet: PHANVANCA Nam bao ve: 2010 Nam b6 nhiern: 2018 H9C vi: IS Chirc danh: PGS Ky thuat vo tuyen -Dien ill Chuyen nganh: Co quan cong tic: Truong D~i H9C Sir Pham Ky Thuat TP.HCM y KIEN S" dn thi~t va tinh thoi su, y nghia NH~ XET khoa hoc va thuc ti~n cua o~tai: Nhan dien khuon mat diroc img dung mot each rong rai nhieu linh Vl,ICkhac nhu giam sat an ninh, bao mat, giao thong, giao due, ban hang, dien thoai thong minh, quan ly nha mroc, Trong mot s6 tinh huong khong th~ kiem soat diroc, nhan dien khuon mat vk t6n t
- Xem thêm -

Xem thêm: Phương pháp nhận dạng khuôn mặt trong điều kiện đơn mẫu dựa trên độ đo lt mhd ,