HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG CƠ SỞ TẠI THÀNH PHỐ HỒ CHÍ MINH BÀI BÁO CÁO Môn Xử lý ảnh Đề tài Giảng viên Lê Thái Hoàng NHẬN DIỆN KHUÔNMẶT 1 Giới thiệu Các hệ thống nhận diện khuôn mặt mạnh[.]
HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG CƠ SỞ TẠI THÀNH PHỐ HỒ CHÍ MINH BÀI BÁO CÁO Mơn: Xử lý ảnh Đề tài NHẬN DIỆN KHUÔN MẶT Giảng viên: Lê Thái Hoàng Giới thiệu Các hệ thống nhận diện khn mặt mạnh mẽ có nhu cầu lớn để giúp chống tội phạm khủng bố Các ứng dụng khác bao gồm cung cấp xác thực người dùng để truy cập kiểm sốt khơng gian vật lý không gian ảo để giúp an ninh cao Tuy nhiên vấn đề xác định người cách lấy hình ảnh khn mặt đầu vào đối sánh với hình ảnh biết sở liệu thử thách khó khăn.Điều thay đổi khuôn mặt người hoạt động khác điều kiện chiếu sáng , xoay, biểu cảm, chế độ xem camera điểm, lão hóa, trang điểm kính mắt Thơng thường, điều kiện khác nhiều ảnh hưởng đến hiệu suất hệ thống nhận diện khuôn mặt, đặc biệt hệ thống cần khớp với sở liệu quy mô lớn Hiệu suất thấp nhận dạng khuôn mặt ngăn không cho hệ thống triển khai rộng rãi thiết bị thực(mặc dù nhiều hệ thống triển khai, việc dụng độ xác chúng giới hạn cá tính cụ thể) lỗi tỷ lệ nhận dạng sai tỷ lệ tự chối sai (FRR) xem xét nâng cao FAR xác suất hệ thống chấp nhận sai người không ủy quyền FRR xác suất hệ thống từ chối sai người ủy quyền Thuật tốn nhận diện khn mặt 2.1 PCA PCA ( principle components analysis) thuật tốn tìm khơng gian tuyến tính sai số bình phương tối thiểu ánh xạ từ không gian liệu N chiều ban đầu vào không gian đặc trưng M chiều Eigenfaces đạt giảm kích thước sử dụng ký tự riêng M ma trận hiệp phương sai tương ứng với giá trị lướn giá trị riêng Các giá trị vector sở tối đa hóa tổng phương sai liệu dự kiến ( tức tập hợp vector sở mô tả tốt liệu ) PCA thuật tốn sử dụng để tạo hình ảnh từ hình ảnh ban đầu WPCA = arg w max WT ST W = [w1 w2… wm] W: giá trị tối đa hóa hàm mục tiêu ST: biểu thi ma trận phân tán tổng chứa hiệp phương sai pixel liệu mặt PCA tốt cho việc biểu diễn liệu không thiết phải phân biệt giai cấp 2.2 Linear Discriminant Analysis (LDA) Fisherfaces Phân tích phân biệt tuyến tính(LDA) phù hợp để tìm phép chiếu phân biệt tốt tầng lớp khác Nó thực điều cách tìm kiếm vector chiếu tối ưu để tối đa hóa tỷ lệ lớp phân tán lớp phân tán lớp ( tức tối đa hóa phân tách lớp không gian đa chiều Các vector sở tối ưu LDA ký hiệu Trong SB SW ma trận phân tán lớp ma trận phân tán lớp tương ứng Thơng thường xử lý hình ảnh khn mặt(và hầu hết hình ảnh khác dựa vấn đề nhận dạng mẫu) số lượng hình ảnh tạo nhỏ số lượng pixel (hoặc kích thước tương đương liệu), ma trận phân tán bên lớp SW số it gây vấn đề cho LDA Để giải vấn đề trước tiên thực PCA để giảm kích thước giữ liệu để khác phục cố ma trận đơn sau áp dụng LDA khơng gian PCA chiều thấp Cải thiện kết công nhận hiển thị phương pháp so với PCA truyền thống Các vector chiếu từ fisherfaces người tối đa hóa chức mực tiêu sau: 2.3 Các biến thể Linear Discriminant Analysis (LDA Vairables) LDA trực tiếp tạo thiệt bị định vị cách sử dụng kỹ thuật đường chéo đồng thời Không giống phương pháp tiếp cận LDA khacsm DLDA đồng thời gạch chéo ma trận phân tán lớp trước sau chéo hóa ma trận phân tán bên lớp 2.4 Independent Component Analysis (ICA) Phân tích thần phần độc lập (ICA) tìm kiếm sở không trực giao để đối tượng chuyển đổi độc lập mặt thống kê, PCA tìm thấy sở trực giao cho hình ảnh khn mặt chuyển đổi đối tượng khơng có mối liên hệ với Các hình ảnh phát triển PCA phụ thuộc vào số liệu thống kê bậc hai ICA khái quát khái niệm PCA để mơ hình mối quan hệ thống kê bậc cao Động lực ban đầu phân hủy xuất phát từ nhu cầu tách luồng âm thành nguồn độc lập mà khơng có kiến thức trước trình trộn 2.5 Local Feature Analysis (LFA) LFA xây dựng họ phát tính tương quan cục dựa phân rã eigen-subspace Một bước lựa chọn tách biệt tọa tập hợp có tương quan lập mục theo đối tượng để định nghĩa không gian quan tâm Đại diện cha cung cấp khả chống lại thay đổi thay đổi vùng cục đổi tượng Các tính sử dụng phương pháp LFA nhạy cảm với thay đổi độ chiếu sáng đễ dàng để ước tính vịng quay Thuật toán LFA sử dụng làm thuật toán tổng hợp FaceIt, nhận dạng khuôn mặt thương mại hệ thống .2.6 Elastic Bunch Graph Matching (EBGM) EBGM xây dựng kiến trúc liên kết động cách sử dụng đồ thị hình ảnh để tái tạo khuôn mặt riêng lẻ gửi Biểu đồ hình ảnh đại diện cho hình ảnh khn mặt cấu trúc hình học bao gồm nút khác nối với cạnh Các nút nằm điểm mốc khuôn mặt đồng tử khóe miệng Một tập hợp training images biểu diễn chùm đồ thị hình ảnh tương ứng hính ảnh Một tập hợp Gabor phức tạp hệ số wavelet(hoặc phản lực Gabor) sử dụng đặc trưng cục nút Các Gabor chứa thông tin nhiều hướng tần số cho nút Khi thực nhận dạng khn mặt hình ảnh khn mặt mới, biểu đồ training khớp với hình ảnh kết phù hợp cho biết danh tính người 2.7 Neural Networks (NN) and Support Vector Machines (SVM) Neural Networks Support Vector Machines thường sử dụng không gian đặc trưng chiều thấp tính tốn phức tạp xử lý liên quan đến việc sử dụng liệu khuôn mặt nhiều chiều Các phương pháp tiếp cận mạng nơ-ron khám phá rộng rãi để biểu diễn đặc điểm nhận diện khuôn mặt Tuy nhiên, số lượng người thử nghiệm tăng lên, NN địi hỏi gánh nặng tính toán theo cấp số nhân Sự kết hợp nhiều phân loại mạng nơ-ron cải thiện hiệu suất tổng thể nhận dạng khuôn mặt Một hệ thống nhận diện khuôn mặt sử dụng phương pháp không gian thần kinh lai không gian điện tử kép Tuy nhiên, nói chung người ta khơng biết xác neural mạng học hoạt động thường lượng đáng kể liệu đào tạo cần thiết để tổng qt hóa tốt, thường địi hỏi lượng lớn đào tạo ngoại tuyến SVM áp dụng thành công để nhận dạng đối tượng, cách sử dụng hạt nhân ánh xạ liệu lên không gian đối tượng có chiều cao SVM tìm thấy siêu phẳng tối đa hóa biên độ phân tách để giảm thiểu rủi ro phân loại sai không mẫu đào tạo, mà cịn cho phép để đạt khả tổng quát hóa tốt cho liệu khơng nhìn thấy 2.8 Tensorfaces Hình ảnh khn mặt khác nhiều yếu tố khác người, thay đổi tư thế, điều kiện ánh sáng nét mặt Phương pháp tensorfaces đề xuất để mơ hình hóa mặt ngồi khung đa tuyến Tensor phần mở rộng bậc cao ma trận, cho phép xây dựng mơ hình đa tuyến để phân tích nhiều yếu tố biến thể khuôn mặt Lathauwer cộng đề xuất giá trị phan hủy số ít(HOSVD) để phân hủy tensor, phần mở rộng phân rã giá trị số cho ma trận phân hủy.Vasilescu cộng đưa ý tưởng phân hủy tensor thành khu vực thị giác máy tính tensorfaces đề xuất, phần mở rộng cung cấp cao phương thức eigenfaces Bằng cách phân tích tensor bao gồm hình ảnh đào tạo, sở yếu tố khuôn mặt( biểu cảm, tư thếm v.v.) hình ảnh lấy 2.9 Manifolds Tìm hiểu giống điểm liệu khài niệm cho phân tích hình ảnh khn mặt Trong cơng trình trước phân tích hình ảnh khn mặt bàng phương pháp học đa tạp, hình ảnh khn mặt nằm khn mặt đàn ơng Ngồi ra biến đổi số yếu tố khuôn mặt chẳng hàn tư biểu cảm khác tạo nên biểu cảm phụ cấu trúc đống góp Vì vậy, hữu ích phát phân tích cấu trúc đa tạp khơng việc phân bố mẫu hình ảnh khn mặt Các phương pháp truyền thống PCA LDA thường nhìn thấy cấu trúc euclid , họ phát cấu trúc liệu nằm nhiều thứ khác Việc phân tích đa tạp cho thấy đặc điểm phân bổ liệu áp dụng để giảm kích thước Trong nhiều vấn đề phân loại giới thực, địa phương cấu trúc đa tạp quan trọng cấu trúc euclid toàn cục.Do kỹ thuạt học tập đa tạp thường sử dụng thông tin kề mẫu liệu để bảo toàn cấu trúc đa tạp toàn cục 2.10 Kernel methods Do thay đổi lớn hình ảnh khn mặt người, phương pháp khơng gian tuyến tính khơng nắm bắt tuyến tính biểu diễn hình ảnh khn mặt Kết là, thuật toán PCA LDA mở rộng để biểu diễn ánh xạ phi tuyến tính khơng gian chiều cao Tính tốn lưu trữ tính không gian chiều không gian trở nên Vì vậy, Kernal method sử dụng cho hiệu tính tốn cho phép có sản phẩm bên cần thiết khơng gian đặc trưng có chiều cao mà khơng tính tốn ánh xạ đặc trưng chiều cao Databases Có số sỡ liệu khn mặt có sẵn cơng khai cho cộng đồng nghiên cứu sử dụng để phát triển thuật toán, cung cấp điểm tiêu chuẩn báo cáo kết Các sở liệu khác thu thập để giải loại thách thức biến thể khác 3.1 Face Recognition Grand Challenge (FRGC) database Face Recognition Grand Challenge NIST tiến hành nhằm mục đích đánh giá khách quan có hệ thống thuật tốn nhận dạng khuôn mặt điều kiện thử thách khác Đồng thời mục tiêu FRGC thúc đẩy nhà nghiên cứu phát triển nhịp điệu thuật tốn nhận dạng khn măt hệ giảm tỷ lệ lỗi hệ thống nhận diện khuôn mặt theo thứ tự cường độ so với kết kiểm tra nhà cung cấp nhận dạng khuôn mặt (FRVT) năm 2002 Các liệu FRGC phân vùng thành ba tập liệu: tập hợp huấn luyện chung người ta sử dụng để đào tạo hệ thống nhận dạng khuôn mặt( sử dụng PCA, sử dụng để tạo không gian PCA) tập hợp mục tiêu( hình ảnh thu điều kiện kiểm sốt) đầu dị (bộ thử nghiệm) thử nghiệm điều kiện khơng kiểm sốt Tập hợp đào tạo chung FRGC chứa 12,776 hình ảnh( từ 222 đối tượng) chụp ảnh sáng có kiểm sốt khơng kiểm sốt Bộ thư viện chứa 16.028 hình ảnh (từ 446 chủ đề, với số trùng lặp với đối tượng general training) điều khiển ảo có kiểm sốt tập hợp thăm dị chứa 8.014 hình ảnh( từ 466 đối tượng) chiếu sáng khơng kiểm sốt Ma trận tương đồng điểm phù hợp mục tiêu thăm dị tính tốn báo cáo cho NIST dạng ma trận tương tự 16, 028 x 8,014 3.2 FERET database Trước FRGC, NIST tổ chức sở liệu FERET đánh giá giao thức để tạo điều kiện phát triển hệ thống nhận dạng khuôn mặt thương mại Cơ sở liệu FERET thiết kế để đo lượng hiệu suất khuôn mặt thuật toán nhận dạng sở liệu lớn cài đặt thực tế.Chương trình FERET cung cấp sở liệu lớn hình ảnh khuôn mặt chụp từ 1.199 khuôn mặt riêng lẻ thu thập môt khoảng thời gian định để hỗ trợ thuật toán phát triển đánh giá Cơ sở liệu FERET bao gồm 14.126 hình ảnh tổng 1.564 bộ(1.199 gốc 365 trùng lặp) Đối vớ mục đích phát triển, 503 hình ảnh phát hành cho nhà nghiên cứu, phần lại cô lập 3.3 Pose Illumination Expression (PIE) database Cơ sở liệu PIE chứa 41.368 hình ảnh khn mặt 68 người Các hình ảnh thu thập qua tư khác nhau, ánh sáng khác biểu cảm khuôn mặt khác Đầu tiên phịng CMU 3D, hình ảnh người chụp 13 tuổi tư khác nhau, 43 điều kiện ánh sáng khác loại áp lực khuôn mặt Đặc biệt, thu 43 điều kiện chiếu sáng khác với 21 lần nhấp nháy, hình ảnh chụp có khơng bật đèn xung quanh Ngồi ra, người có bốn kiểu biểu cảm Cơ sở liệu PIE sử dụng rộng rãi để phân tích hình ảnh khuôn mặt ánh sáng khác tư để đánh giá phát triển khuôn mặt thuật toán nhận dạng để xử lý biến dạng 3.4 AR Database Cơ sở liệu khuôn mặt AR tạo trung tâm thị giác máy tính (CVC) Nó chứa 4000 hình ảnh màu tương ứng với khn mặt 126 người Những hình ảnh có tư nhìn trực diện với biểu cảm khn mặt khác nhau, ánh sáng tình trạng dấu vết cắn( chẳng hạn người đeo kính râm quàng khăn) làm cho sở liệu thành sở liệu phổ biến để thử nghiệm thuật tốn nhận dạng khn mặt có tượng khớp cắn 3.5 Yale Face Database Cơ sở liệu Yale chứa 165 hình ảnh tỷ lệ xám định dạng GIF la 15 cá nhân Có 11 hình ảnh cho chủ đềm hình ảnh cho biến thể, chẳng hạn nét mặt khác nhau, ánh sáng trung tâm, đeo kính, vui vẻ, ánh sáng trái… Cơ sở liệu khuôn mặt Yale chứa 5760 ảnh nguồn sáng 10 đối tượng nhìn thấy 576 điều kiện Đối với chủ đề cụ thể, hình ảnh có ánh sáng xung quanh chụp Tensorfaces Phương pháp Tensorfaces phương pháp để phân tích diện mạo khn mặt yếu tố thay đổi tư thế, điều kiện ánh sáng khuôn mặt Các phương pháp Tensorfaces truyền thống sử dụng địa số đa tuyến cho phép phân tách yếu tố khuôn mặt từ từ tập training cụ thể, có khó khăn phân tích yếu tố hình ảnh thử nghiệm không rõ chưa đào tạo Do đó, phương pháp phân tích nhân tử cho hình ảnh kiểm tra có đa đề xuất 4.1 Multilinear Analysis of Training Images Khi tập training có ba yếu tố khn mặt, chẳng hạn danh tính người, điều kiện ánh sáng kiểu dáng, cách chung để phân tích tập training xây dựng hệ thống truyền ma trận Npixel x (Npeople x Nlight x Npose) hình ảnh Dtrain vector hóa dạng cột Ở Npixel định nghĩa số pixel hình ảnh, Npeople số người, Nlight số lượng điều kiện ánh sáng Npose số kiểu tư tập training Bằng cách sử dụng SVD, ma trận đại diện cho tập training phân tách thành hai sở trực giao giá trị đơn lẻ : Dtrain = UpixelSVT Upixel : sở không gian cột V : sở hàng không gian Dtrain Bởi HOSVD, tập hợp đào tạo phân tích nhiều chi tiết hơn: Dtrain = UpixelSVTZ(Upeople x Ulight x Upose)T x đại diện cho sản phẩm Kronecker.Phân tích hình ảnh khn mặt sử dụng HOSVD gọi Tensorfaces Ma trận Npeople x Npeople Upeople trải dài không gian tham số người, ma trận Nlight x N light Ulight kéo dài không gian thông số tư thế, ma trận Npose x N pose Upose kéo dài khơng gian thơng số tư HOSVD biểu diễn hai dạng; sử dụng tensor nhân tensor sử dụng ma trận sản phẩm Kroneker Bằng tương tự việc phân hủy hình ảnh đào tạo, hình ảnh phân hủy vào loại yếu tố giống nhau, nằm tập hợp đào tạo hay không phải: d = UpixelZ(xpeople ⊗ xlight ⊗ xpose)T Trong trường hợp training images người thứ i, điều kiện chiếu sáng thứ j tư thứ k, thơng số nhận dạng người x people hàng thứ i ma trận Upeople vector Npeople x 1xpeople cột thứ i Vì lý tương tự , tham số chiều sáng xlight training image hàng thứ j ma trận Ulight xpose hàng thứ k ma trận Upose Các tham số tất yếu tố cho training images dễ dáng tính tốn phân tích đa tuyến tập training Nó dễ dàng tính tốn tham số xpeople hình ảnh thử nghiệm hình ảnh có tham số khơng xác định tất tham số khácđược biết ước tính kỹ thuật khác Tuy nhiên, gặp lấy tham số xpeople xlight xpose tất tham số không xác định cho hình ảnh thử nghiệm Đặc biệt untrained image có tư điều kiện ánh sáng chưa train, việc lấy ba thơng số ba yếu tố khó Do đó, mục tiêu việc phân tích nhân tử q trình thử nghiệm giải cho tất 4.2 Multilinear Analysis of Testing Images Để phân tích liệu hình ảnh thử nghiệm có tư điều kiện ánh sáng Phương pháp thừa số hóa đề xuất dựa cơng trình trước Theo phương pháp này, tất yếu tố ước tính đồng thời mà không giả định tiên nghiệm kiến thức hình ảnh thu Hơn nữa, phương pháp đề xuất áp dụng hình ảnh thử nghiệm có ánh sáng chưa qua đào tạo điều kiện tư Trong phương pháp đề xuất, để có tham số yếu tố, để có tham số yếu tố, trước tiên, tốn thừa số hóa tensor xây dựng dạng tối thiểu tốn bình phương với ràng buộc bình đẳng bậc hai Trong dtest hình ảnh kiểm tra cho x = xpeople x xlight x xpose Mục đích tìm ^x giá trị tối ưu x để giảm thiểu khoảng cách hình ảnh thử nghiệm hình ảnh tái tạo tham số ước tính Tiếp theo, ^x thu kỹ thuật tối ưu hóa số xác định rõ cho phép có khn mặt đồng thời ^x ước lượng phương pháp chiếu, phương pháp tối ưu hóa tơt só với phương pháp newton để giải vấn đề Sau nhận ^x, sản phẩm Kronecker yếu tố trộn, phân hủy thành yếu tố xpeople, xlight, xpose theo phương pháp nguồn cao cấp Tổng hợp nhận dạng khuôn mặt ứng dụng q trình ion hóa hệ số tensor, kết sử dụng sở liệu khuôn mặt Yale B tìm thấy [52] Cơ sở liệu chứa 10 người người có 65 điều kiện ánh sáng khác tư Hai loại mơ hình đa tuyến xây dựng thử nghiệm: mơ hình song tuyến với hai yếu tố bao gồm người điều kiện ánh sáng, mơ hình mơ đình ba tuyến với yếu tố bao gồm người, điều kiện ánh sáng tư khác Chọn thay đổi ánh sáng bị loại bỏ hình ảnh điều kiện ánh sáng tối nên khó khai thác thơng tin từ chúng Tiếp theo, mẫu thứ năm thêm vào tập traning Đối với mơ hình song tuyến, 11 điều kiện ánh sáng 10 điểm phụ sử dụng để training, 44 điều kiện ánh sáng khác sử dụng để thử nghiệm khơng có chồng chéo hai tập Đối với mơ hình ba tuyến, điều kiện ánh sáng giống với mơ hình song tuyến cho hai training test Ngoài ra, ba tư sử dụng để training tư khác dùng để test Ở đây, ba tử để đào tạo tư 0,6 sở liệu khuôn mặt Yale; tư tư trực diện tư chụp từ hai độ lớn máy ảnh quang học trục Active Appearance Models for Face Recognition An Active Appearance Models for Face Recognition (AAM) mơt mơ hình thống kê để giải thích (trong trường hợp này) hình ảnh khn mặt với thơng số biết Nó bao gồm mơ hình hình dạng mơ hình ngoại hình ( cường độ pixel) sử dụng PCA Các quy trình chung thuật tốn AAM giải thích sau: Các nhãn gián thủ cơng(chỉ q trình training) thơng tin hình dạng ( đỉnh 2D ) chuẩn hóa để xử lý biến đổi hình học tồn cục tỷ lệ xoay vòng cách sử dụng phân tích vỏ, kỹ thuật tiếng để phân tích phân bố thống kê hình dạng Sau đó, hình dạn chuẩn hóa cho mơ hình AAM biểu diễn bàng hình dạng trung bình (s) kết hợp tuyến tính vector sở với số lượng vector hệ số chiếu (ps) 3.12 Trong Vs ma trận vector riêng hình dạng Sau làm cong hình ảnh gốc dựa hình dạng trung bình, mơ hình xuất (shape free) biểu diễn xuất trung bình (¯A (¯s)) quốc gia tuyến tính vectơ sở xuất Điều thể bằng: A (¯s) cho biết hình ảnh xuất vector hóa sau cong vênh dựa hình dạng trung bình, VA cho biết ma trận vector riêng lần xuất pA véc tơ hệ số chiếu Để chèn AAM vào hình ảnh mới, cần giảm thiểu khoảng cách hình ảnh mơ hình biết tham số Khi đó, hàm mục tiêu ký hiệu là: cho biết hình ảnh đầu vào có hình dạng s bị cong vênh dựa hình dạng trung bình (¯s) Việc giảm thiểu thực cách giả định mối quan hệ tuyến tính sai số dư (δI) vectơ dịch chuyển (δc) Bằng cách sử dụng sai số dư tại, quy trình tinh chỉnh mơ hình lặp lại áp dụng để tìm hướng đưa sai số dư tối thiểu Để tăng tốc q trình phù hợp này, thuật tốn thành phần nghịch đảo đề xuất Họ sử dụng cập nhật sợi dọc thành phần nghịch đảo thay cập nhật c ← c + δc, dẫn đến hội tụ phù hợp nhanh chóng chi phí tổng hợp thấp Thông thường, AAM dựa video, khung hình chọn cho hình dạng gần Sau đó, hình dạng ước tính khung khởi tạo hình dạng khung giả sử hình dạng khơng thay đổi từ khung sang khung khác (quay video tốc độ khung hình cao (> khung hình / giây)) Nếu khung hình video khơng ước tính hình dạng khn mặt xác hình ảnh, sau khung liên tiếp khơng xác định hình dạng khn mặt xác hình ảnh Trong trình khởi tạo tìm kiếm điểm này, chúng tơi tự động chạy máy dị khn mặt thể Hình 3.12 (a) (b) để cung cấp khu vực quan tâm ban đầu tốt khơng gian tìm kiếm Khi AAM phù hợp với điểm thần kinh khuôn mặt phát bắt đầu theo dõi, khn mặt sau biến đổi thành khn mặt tư trực diện trung tính Cuối cùng, chúng chuyển qua bước tiền xử lý chiếu sáng trước vào hệ thống đối sánh nhận dạng khuôn mặt Hình 3.12 (e) (f).Bằng cách chuyển đổi hình ảnh khơng diện thành tư diện áp dụng ánh sáng bồi thường, biến thể nội cá nhân giống giảm đáng kể Do đó, phù hợp để nhập chúng vào hệ thống nhận dạng khuôn mặt cho phù hợp mạnh mẽ điều kiện ánh sáng tư khác Conclusion Hệ thống nhận dạng khuôn mặt mạnh mẽ xử lý biến thể xảy tình hoạt động thực tế Điều có nghĩa có khả xử lý tất biến thể khuôn mặt ánh sáng, tư thế, biểu cảm khác yếu tố biến thể khác thu nhận khuôn mặt có độ phân giải thấp từ khoảng cách Để cải thiện hiệu suất giải biến thể, nhiều thuật toán đề xuất nhằm mục đích tổng qt hóa cho người khơng nhìn thấy, phân tích nhiều nhân tố cấu trúc ẩn mặt Trong trường hợp khn mặt có độ phân giải thấp, phương pháp xử lý trước nâng cao độ phân giải khn mặt hình ảnh chi tiết Các biến thể tư nhỏ xử lý huấn luyện phân loại khác nhau; nhiên biến thể tư lớn mơ hình hóa phương pháp Tensorfaces phần mở rộng đề xuất Hơn cho thấy cách sử dụng phương pháp tiếp cận thị giác máy tính, chẳng hạn Active Appearance Mơ hình (AAM) sử dụng để lập mơ hình, theo dõi đặc điểm khuôn mặt để làm cong lại tư khuôn mặt trực diện làm đầu vào cho phân loại truyền thống Chúng chứng minh cách sử dụng điều cách tiếp cận AAM nhiều chế độ xem, chúng tơi xử lý gần hoàn toàn xem hồ sơ giả định đối xứng khuôn mặt Ở cấp độ phân loại cốt lõi, nhiều thuật toán tồn để nhà nghiên cứu lựa chọn từ Cơ sở liệu FRGC sở liệu lớn với nhiều thách thức biến thể thực tế thách thức thuật toán đơn giản PCA mang lại xác minh 12% mức FAR 0,1% Phương pháp tiếp cận thuật toán KCFA đầy hứa hẹn, thực giảm kích thước hiệu Hiệu suất chứng minh cách sử dụng 222 tính đạt tỷ lệ xác minh tối đa 82,4% mức FAR 0,1% Việc có độ nhạy sáng thấp cho phép tìm kiếm sở liệu nhanh hơn, với khả tìm kiếm số hàng triệu vài giây Hơn nữa, liệu nhỏ gọn dễ dàng phù hợp với thẻ thông minh hộ chiếu điện tử để xác minh ... SỞ TẠI THÀNH PHỐ HỒ CHÍ MINH BÀI BÁO CÁO Mơn: Xử lý ảnh Đề tài NHẬN DIỆN KHUÔN MẶT Giảng viên: Lê Thái Hoàng Giới thiệu Các hệ thống nhận diện khn mặt mạnh mẽ có nhu cầu lớn để giúp chống tội... dạng khuôn mặt cho phù hợp mạnh mẽ điều kiện ánh sáng tư khác Conclusion Hệ thống nhận dạng khuôn mặt mạnh mẽ xử lý biến thể xảy tình hoạt động thực tế Điều có nghĩa có khả xử lý tất biến thể khuôn. .. kinh khuôn mặt phát bắt đầu theo dõi, khn mặt sau biến đổi thành khn mặt tư trực diện trung tính Cuối cùng, chúng chuyển qua bước tiền xử lý chiếu sáng trước vào hệ thống đối sánh nhận dạng khuôn