Báo cáo xử lý ảnh mặt người

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG TP.HCM BÁO CÁO CÁ NHÂN: Nhận dạng mặt người MÔN HỌC: Xử lý ảnh GIẢNG VIÊN HƯỚNG DẪN: Lê Hoàng Thái NGƯỜI THỰC HIỆN: Nguyễn Văn Bình MÃ SINH VIÊN: N18DCCN016 LỚP: D18CQCN01-N - - I Tên đề tài Nhận dạng mặt người II Giới thiệu Chắc hẳn người biết hệ thống nhận diện gương mặt rồi, phim hay có kiểu dùng camera tìm đám đơng để tìm tội phạm thứ Ít nhiều có vài lần bạn đặt câu hỏi: nhận mặt người để phân biệt với mặt người khác nhỉ? Trong nhìn cịn chả nhận Cùng với phát triển xã hội, vấn đề an ninh bảo mật yêu cầu khắt khe quốc gia giới Các hệ thống nhận dạng đời với độ tin cậy ngày cao Một toán nhận dạng quan tâm nhận dạng khuôn mặt Vì nhận dạng khn mặt cách mà người sử dụng để phân biệt Bên cạnh đó, ngày việc thu thập, xử lý thông tin qua ảnh để nhận biết đối tượng quan tâm ứng dụng rộng rãi Với phương pháp này, thu nhận nhiều thơng tin từ đối tượng mà không cần tác động nhiều đến đối tượng nghiên cứu Sự phát triển khoa học máy tính tạo mơi trường thuận lợi cho tốn nhận dạng mặt người từ ảnh số Trang III Các phương pháp nhận diện mặt người Phương pháp nhận dạng mặt người có loại:  Nhận dạng dựa đặc trưng phần tử khuôn mặt (Feature based face recognition) Đây phương pháp nhận dạng khuôn mặt dựa việc xác định đặc trưng hình học chi tiết khn mặt (như vị trí, diện tích, hình dạng mắt, mũi, miệng,…), mối quan hệ chúng (như khoảng cách hai mắt, khoảng cách hai lông mày,…) Ưu điểm phương pháp gần với cách mà người sử dụng để nhận biết khuôn mặt Hơn với việc xác định đặc tính mối quan hệ, phương pháp cho kết tốt trường hợp ảnh có nhiều nhiễu bị nghiêng, bị xoay ánh sáng thay đổi Nhược điểm phương pháp cài đặt thuật toán phức tạp việc xác định mối quan hệ đặc tính địi hỏi thuật tốn phức tạp Mặt khác, với ảnh kích thước bé đặc tính khó phân biệt  Nhận dạng dựa xét tổng thể khuôn mặt (Appearance based face recognition) Nội dung hướng tiếp cận xem ảnh có kích thước RxC vector không gian RxC chiều Ta xây dựng khơng gian có chiều nhỏ cho biểu diễn khơng gian đặc điểm khn mặt khơng bị Trong khơng gian đó, ảnh người tập trung lại thành nhóm gần cách xa nhóm khác Hai phương pháp thường sử dụng PCA (Principle Components Analysis) LDA (Linear Discriminant Analysis) Trong báo cáo này, em sử dụng thuật toán PCA Trang IV Thuật toán PCA Giới thiệu chung thuật toán PCA PCA (Principle Components Analysis) thuật toán để sử dụng để tạo ảnh từ ảnh ban đầu Ảnh có kích thước nhỏ nhiều so với ảnh đầu vào mang đặc trưng ảnh cần nhận dạng PCA không cần quan tâm đến việc tìm đặc điểm cụ thể thực thể cần nhận dạng mối quan hệ đặc điểm Tất chi tiết thể ảnh tạo từ PCA Về chất, PCA tìm không gian theo hướng biến thiên mạnh tập hợp vector không gian cho trước Trong không gian mới, người ta hy vọng việc phân loại mang lại kết tốt so với không gian ban đầu 70.00 60.00 50.00 x2 40.00 30.00 20.00 10.00 0.00 0.00 50.00 100.00 150.00 200.00 250.00 x1 70.00 60.00 p2 50.00 x2 40.00 p1 30.00 20.00 10.00 0.00 0.00 50.00 100.00 x1 150.00 200.00 250.00 Hình Khơng gian (p1,p2) theo hướng phân bố mạnh vector không gian (x1,x2) tìm theo PCA Trang Ưu điểm phương pháp PCA:  Tìm đặc tính tiêu biểu đối tượng cần nhận dạng mà không cần phải xác định thành phần mối quan hệ thành phần  Thuật tốn thức tốt với ảnh có độ phân giải cao, PCA thu gọn ảnh thành ảnh có kích thước nhỏ  PCA kết hợp với phương pháp khác mạng Noron, Support Vector Machine … để mang lại hiệu nhận dạng cao Nhược điểm PCA:  PCA phân loại theo chiều phân bố lớn tập vector Tuy nhiên, chiều phân bố lớn lúc mang lại hiệu tốt cho toán nhận dạng Đây nhược điểm PCA  PCA nhạy với nhiễu Nội dung thuật toán PCA Không gian tạo PCA cấu thành từ K vector đơn vị có chiều N Mỗi vector gọi Eigenface Phép biến đổi: a  w  a  w   2  2     A W      với K