FACE RECOGNITION USING NEURAL NETWORK AN

Tuyển tập Báo cáo Hội nghị Sinh viên Nghiên cứu Khoa học lần thứ Đại học Đà Nẵng năm 2012 NH N D NG KHUÔN M T NG I B NG M NG N RON VÀ PH PHÁP PHÂN TÍCH THÀNH PH N CHÍNH NG FACE RECOGNITION USING NEURAL NETWORK AND PRINCIPLE COMPONENT ANALYSIS SVTH: Từ Minh Hiển – Trần Thị Khánh Hòa Lớp 07ĐT3, Khoa Điện tử Viễn thông, Trường Đại học Bách khoa, Đại học Đà Nẵng GVHD: TS Phạm Văn Tuấn Khoa Điện tử Viễn thông, Trường Đại học Bách khoa, Đại học Đà Nẵng TÓM TẮT Nhận dạng khn mặt có nhiều hướng nghiên cứu nhằm nâng cao hiệu suất nhận dạng tối ưu hóa hệ thống Bài báo nghiên cứu phát triển hai hệ thống nhận dạng khuôn mặt đơn giản theo hai phương pháp đối sánh mạng nơron dựa đặc trưng PCA Hệ thống kiểm tra sở liệu ORL AT&T Kết thực nghiệm phân tích để đánh giá hiệu suất nhận dạng tính ổn định hai hệ thống nhận dạng điều kiện kiểm thử khác Kết hiệu suất vượt trội mạng nơron so với phương pháp đối sánh ABSTRACT Face recognition nowadays has a lot of researchs to improve recognition performance and optimise system In this report,we research and develop two simple face recognition systems using template matching and neural network based on Principal Component Analysis PCA The system has been tested on the ORL database of AT&T The experimental results are analysed to evaluate recognition performance and the stability of two systems in different conditions The results have also examined that the performance of neural network is superior to that of the template matching Đ t v n đề Nhận d ng khuôn mặt người công nghệ ng dụng rộng rãi đời sống ngày c a người hệ thống giám sát, qu n lý vào ra, tìm kiếm thơng tin người tiếng,…Có nhiều phương pháp nhận d ng khuôn mặt để nâng cao hiệu suất nhiên dù hay nhiều phương pháp vấp ph i thử thách độ sáng, hướng nghiêng, kích thước nh, hay nh hưởng c a tham số mơi trường Có hai phương pháp nhận d ng phổ biến nhận d ng dựa đặc trưng c a phần tử khuôn mặt biến đổi Gabor Wavelet m ng Neural, SVM,…và nhận d ng dựa xét tổng thể tồn khn mặt phương pháp PCA, LDA, LFA [1][2] Trong đó, PCA phương pháp trích rút đặc trưng nhằm gi m số chiều c a nh đơn gi n mang l i hiệu qu tốt Nhận d ng khuôn mặt dùng PCA kết hợp với m ng nơron phương pháp mang l i hiệu qu nhận d ng cao phát huy ưu điểm c a PCA m ng nơron [3] Hệ thống ho t động ổn định có tính thích nghi cao liệu đầu vào thay đổi nhiều Trong báo này, phương pháp dựa PCA m ng nơron nghiên c u phát triển phần Kết qu thực nghiệm phân tích phần Phần cuối trình bày kết luận hướng phát triển c a đề tài Tuyển tập Báo cáo Hội nghị Sinh viên Nghiên cứu Khoa học lần thứ Đại học Đà Nẵng năm 2012 Xây dựng h thống nh n d ng khuôn m t 2.1.Hệ thống nhận khn mặt Hình mơ t bước nhận d ng khuôn mặt b n hệ thống [2] 2.1.1 Tiền xử lý Q trình tiền xử lý khn mặt nhằm nâng cao chất lượng nh, chuẩn hóa liệu, kích thước nh Các nh nghiên c u có chất lượng tương đối tốt nên ta khơng cần dùng thuật toán nâng cao chất lượng nh mà ta cần chuẩn hóa nh (normalize image) [4] Việc chuẩn hóa khiến độ lệch điểm nh gi m xuống làm trình rút đặc trưng thêm xác Hình Hệ thống nhận dạng khn mặt 2.1.2 Trích rút đặc trưng Trích rút đặc trưng kỹ thuật sử dụng thuật toán để lấy thông tin mang đặc điểm riêng biệt c a người Trong báo ta sử dụng phương pháp PCA [5] thực theo bước : HHHhh Tập nh học Chuẩn hóa ma trận nh *T o tập S gồm M nh ( nh học) Mỗi nh có kích thước RxC Mỗi nh chuyển thành vector N = Trung bình nh Khối trích chọn đặc tính Ma trận nh so với trung bình nh RxC chiều Eigenfaces nh đầu vào Chiếu lên khơng gian eigenface Vector đặc tính Hình Q trình trích rút đặc trưng C M   i 1 M (1)  M i 1 (2) i *Tính sai lệch c a nh đầu vào so với trung bình:  i  i   (3) *Tính ma trận hiệp phương sai : M i S  {1 , 2 , , M } *Tính nh trung bình :   Tính Eigenfaces T i  A AT , A = [Φ1, Φ2, Φ3,… Φm] (4) Vì ma trận C có kích thước q lớn (NxN) nên để tìm eigenvector ui c a C ta tìm eigenvector eigenvalue c a ma trận L: L = A TA với Lm,n   Tm n (5) Ma trận L có kích thước MxM