Phát triển một số mô hình tính toán mềm cho bài toán truy tìm ảnh mặt người nhìn thẳng

ỦY BAN NHÂN DÂN TP.HCM SỞ KHOA HỌC VÀ CÔNG NGHỆ BÁO CÁO NGHIỆM THU PHÁT TRIỂN MỘT SỐ HÌNH TÍNH TỐN MỀM CHO BÀI TỐN TRUY TÌM ẢNH MẶT NGƯỜI NHÌN THẲNG CHỦ NHIỆM ĐỀ TÀI Lê Hồng Thái CƠ QUAN QUẢN LÝ CƠ QUAN CHỦ TRÌ THÀNH PHỐ HỒ CHÍ MINH THÁNG 06 / 2010 TĨM TẮT NỘI DUNG NGHIÊN CỨU Tìm hiểu, nghiên cứu kỹ thuật tính tốn thơng minh (NN, FL, GA, SVM,…) ứng dụng So sánh kỹ thuật thông minh: nêu ưu khuyết điểm kỹ thuật, lớp tốn mà kỹ thuật giải quyết, thể kỹ thuật lớp tốn Tìm hiểu nghiên cứu có tốn nhận dạng mặt người nhìn thẳng: mơ hình thực qua bước, kỹ thuật nghiên cứu áp dụng Phát triển kỹ thuật tính tốn thơng minh ứng dụng cho khâu mơ hình nhận dạng mặt người nhìn thẳng để có giải pháp tốt cho khâu mơ hình Trong kỹ thuật đề xuất, có so sánh đánh giá với kỹ thuật có để tính ưu việt kỹ thuật đề xuất Kỹ thuật đề xuất sử dụng một, nhiều hay phối hợp kỹ thuật thơng minh để có hiệu ứng tốt Xây dựng mơ hình thơng minh tổng qt cho tốn nhận dạng mặt người nhìn thẳng Cài đặt chương trình ứng dụng thể mơ hình thơng minh giải tốn nhận dạng mặt người nhìn thẳng So sánh đối chiếu với mơ hình, ứng dụng có thơng qua thực nghiệm để chứng minh tính ưu việt mơ hình đề xuất SUMMARY OF RESEARCH CONTENT Surveying, studying techniques of clever computing (NN, FL, GA, SVM,…) and its Applications Compare some intelligent techniques: present advantage and disadvantage of each technique, the class of problem which the techniques can solve, the performance of each technique in each problem Surveying the current research approach about frontal face recognition problem: model of processing steps, some techniques, some available techniques and applications Developing the techniques of intelligent computing in applying for each processing stage in model of frontal face recognition in order to get better solution for each stage in the model In each proposal technique, there is comparison and evaluation these techniques with available other techniques in order to point out the advantage of the proposal method The proposal method can use one or many or combination of some intelligent technique in order to have the good performance Constructing the general intelligent model for frontal face recognition Implementing the application which demonstrates the intelligent model in solving the frontal face recognition problem Comparing with the available models and applications by experimental results in order to demonstrate the feasibility of the proposal model MỤC LỤC DANH MỤC BẢNG DANH MỤC HÌNH PHẦN MỞ ĐẦU CHƢƠNG 1: TÌM HIỂU VỀ CÁC KỸ THUẬT TÍNH TỐN MỀM 1.1 Các kỹ thuật tính tốn mềm ứng dụng đề tài 1.2 Các kỹ thuật trích chọn không gian biểu diễn mẫu 1.2.1 Phương pháp phân tích thành phần : 1.2.2 Phương pháp phân tích thành phần độc lập: 11 1.2.3 Phân tích tách lớp tuyến tính: 16 1.3 Các kỹ thuật phân lớp mẫu phổ cập 19 1.3.1 Phương pháp AdaBoost 19 1.3.2 Cơ sở lý thuyết mạng nơron 28 1.3.3 Support Vector Machine (SVM) 33 1.4 Các kỹ thuật tính tốn gần hỗ trợ cho tốn nhận dạng 43 1.4.1 Tìm hiểu kiến thức GA 43 1.4.2 Lý thuyết tập mờ 46 1.5 Ví dụ mơ hình lai hai kỹ thuật tính tốn mềm 63 1.5.1 Mơ hình lai GA-FL cho điều khiển trực thăng khơng người lái 63 1.5.2 Tóm tắt mục 1.5 64 1.6 Kết luận chương 64 CHƢƠNG 2: TỔNG QUAN VỀ BÀI TỐN TRUY TÌM ẢNH MẶT NGƢỜI 2.1 66 Khảo sát chung giới hạn phạm vi nghiên cứu 66 2.1.1 Tổng quan tình hình nghiên cứu truy tìm ảnh mặt người tự động 66 2.1.2 Tính cấp thiết việc giải toán 76 2.1.3 Phạm vi nghiên cứu 78 2.2 Khảo sát nghiên cứu có cho giai đoạn tốn truy tìm ảnh mặt người nhìn thẳng 79 2.2.1 Các bước giải tốn truy tìm ảnh mặt người 79 2.2.2 Dị tìm Phát ảnh khuôn mặt 79 2.2.3 Chuẩn hóa khn mặt 88 2.2.4 Rút trích so khớp khơng gian biểu diễn ảnh khn mặt 100 2.3 Kết luận chương 104 CHƢƠNG 3: DÕ TÌM VÀ PHÁT HIỆN MẶT NGƢỜI BẰNG ADABOOST KẾT HỢP MẠNG NƠRON NHÂN TẠO 105 3.1 Đề xuất phương pháp xác định phạm vi nghiên cứu 105 3.2 Bài toán phân lớp mẫu (Pattern Classification) dị tìm mặt 105 3.3 Mơ hình phân lớp Cascade of Boosted Classifiers 107 3.4 Mơ hình phân lớp Artificial Neural Network 110 3.5 Mô hình phân lớp kết hợp Cascade of Boosted Classifiers + Artificial Neural Network 111 3.6 Phương thức dị tìm sử dụng cửa sổ tìm kiếm 113 3.7 Dữ liệu thực nghiệm 116 3.7.1 Dữ liệu huấn luyện: 116 3.7.2 Dữ liệu thử nghiệm 116 3.8 Kết đánh giá 117 3.9 Nhận xét mơ hình đề xuất 118 3.10 Kết luận chương 118 CHƢƠNG 4: CHUẨN HÓA MẶT NGƢỜI BẰNG MẠNG PERCEPTRON ĐA LỚP 120 4.1 Giới thiệu 120 4.2 Thuật giải ASM tổng quát 122 4.2.1 Mơ hình dáng điệu thống kê 122 4.2.2 Thuật giải ASM 124 4.3 Mơ hình lấy vân ảnh cục cổ điển 125 4.4 Mạng Perceptron đa lớp cho phân loại vân ảnh địa phương 127 4.4.1 Cấu trúc mạng Perceptron đa lớp [90][95] 127 4.4.2 Áp dụng mạng Perceptron đa lớp cho tìm kiếm điểm đặc trưng 128 4.5 Các kết thử nghiệm 130 4.5.1 Độ xác 130 4.5.2 Thời gian thực 131 4.6 Kết luận chương 132 CHƢƠNG 5: RÖT TRÍCH VÀ SO KHỚP KHƠNG GIAN BIỂU DIỄN ẢNH KHN MẶT 133 5.1 Trích chọn đặc trưng ảnh mặt người phương pháp hình học kết hợp phân tích thành phần độc lập 133 5.1.1 Khảo sát đề xuất 133 5.1.2 Sự kết hợp đặc trưng thành phần quan trọng khn mặt134 5.1.3 Phương pháp phân tích thành phần độc lập rút trích đặc trưng mặt người 136 5.1.4 Sự kết hợp phương pháp dựa đặc trưng hình học ICA 139 5.1.5 Kết thực nghiệm thảo luận 139 5.1.6 Kết luận 143 5.2 Kết hợp phân tích thành phần độc lập (ICA) phân tích tách lớp tuyến tính (LDA) cho nhận dạng mặt người 144 5.2.1 Phân tích đánh giá phương pháp trích chọn đặc trưng ảnh khn mặt 144 5.2.2 Phân tích đánh giá, đề xuất mơ hình ICA+LDA cho rút trích so khớp khơng gian biểu diễn ảnh khuôn mặt 148 5.2.3 5.3 Kết luận: 154 Kết luận chương 154 CHƢƠNG 6: XÂY DỰNG MÔ HÌNH TỔNG QUÁT CHO TRUY TÌM ẢNH MẶT NGƢỜI NHÌN THẲNG TRÊN ỨNG DỤNG THỰC TẾ156 6.1 Mơ hình truy tìm ảnh mặt người nhìn thẳng cho CSDL trường ĐHKHTN HCM 156 6.1.1 Xây dựng sở liệu cho ứng dụng: 156 6.1.2 Mơ hình nhận dạng ứng dụng thử nghiệm 157 6.1.3 Sử dụng ICA LDA rút trích đặc trưng cho khuôn mặt 158 6.1.4 Sử dụng mô hình kết hợp cho trình nhận dạng: 158 6.1.5 Báo cáo kết quả: 159 6.1.6 Phân tích đề xuất mơ hình 160 6.1.7 Đánh giá kết luận 160 6.2 Mô hình truy tìm ảnh mặt người nhìn thẳng cho CSDL ảnh hộ chiếu cục quản lý xuất nhập cảnh Q1 HCM 161 6.2.1 Giới thiệu toán 161 6.2.2 Cơ sở liệu thử nghiệm 162 6.2.3 Đề xuất mơ hình truy tìm ảnh nhìn thẳng, khơng quay 164 6.2.4 Rút trích khơng gian đặc trưng sáu vùng phân chia hình học ảnh mặt người 165 6.2.5 Các phương pháp tổng hợp kết so khớp 171 6.2.6 Xác định hệ số tin cậy cho sáu vùng đặc trưng rút trích Thuật giải di truyền 175 6.2.7 Tổng hợp kết thực nghiệm 182 6.2.8 Đánh giá kết luận mơ hình đề xuất 184 6.3 Kết luận chương 186 CHƢƠNG 7: ỨNG DỤNG THỰC NGHIỆM TẠI CỤC QUẢN LÝ XUẤT NHẬP CẢNH 187 7.1 Nhu cầu ứng dụng Cục Quản lý xuất nhập cảnh Q1 HCM 187 7.2 Bài toán đề nghị tương ứng 189 7.3 Giao diện chương trình 190 7.4 Phương pháp đề xuất 191 7.5 Các kết thực nghiệm 194 7.6 Phân tích đánh giá kết thực nghiệm 195 7.7 Lời cảm ơn 196 7.8 Kết luận chương 196 KẾT LUẬN 197 PHỤ LỤC 200 TÀI LIỆU THAM KHẢO 205 DANH MỤC BẢNG SỐ TÊN BẢNG SỐ LIỆU TRANG Bảng 1-1 Thuật toán AdaBoost 22 Bảng 1-3 Bảng trị chân lý phép toán 50 Bảng 1-4 Quan hệ T S 52 Bảng 3-1 Kết thực nghiệm dị tìm khn mặt 117 Bảng 4-1 Thời gian thực trung bình lần lặp (xử lý hai giai đoạn) 132 Bảng 5-1 Phần trăm tỉ lệ nhận dạng xác CSDL CalTech 141 Bảng 5-2 Phần trăm tỉ lệ nhận dạng xác CSDL tự tạo 142 Bảng 5-3 So sánh kết PCA, ICA LDA 147 Bảng 5-4 Kết thống kê theo độ đo Euclidean 152 Bảng 5-5 Kết thống kê theo độ đo Mahattan 153 Bảng 5-6 Kết thống kê theo độ đo Cosin 153 Bảng 5-7 Kết thống kê theo độ đo 153 Bảng 5-8 Kết thống kê theo phương pháp kết hợp 153 Bảng 6-1 Kết nhận dạng 159 Bảng 6-2 Bảng cơng thức xác định vùng hình học 166 Bảng 6-3 Khoảng cách từ ảnh test đến lớp 2, 3, 174 Bảng 6-4 Mức độ tin cậy vùng thuộc lớp 2,3,4 175 Bảng 6-5 Kết thống kê theo độ đo Euclide 183 Bảng 6-6 Kết thống kê theo độ đo Mahattan 183 Bảng 6-7 Kết thống kê theo độ đo Cosin 183 Bảng 6-8 Kết thống kê theo độ đo 184 Bảng 6-9 Kết thống kê theo phương pháp kết hợp 184 Bảng 7-1 Tỷ lệ so khớp ảnh ba sở liệu (200 ảnh, 700 ảnh 1800 ảnh) 194 Bảng 7-2 Kết truy tìm ba sở liệu (200, 700 1800 ảnh) 195 -1- DANH MỤC HÌNH SỐ TÊN HÌNH ẢNH TRANG Hình 1-1 Hướng vector riêng 10 Hình 1-2 Sự phân phối liệu, trục tương ứng PCA & ICA 12 Hình 1-3 Vector đặc trưng cho kĩ thuật 13 Hình 1-4 Minh họa kiến trúc mơ hình ICA 14 Hình 1-5 Minh họa kiến trúc mơ hình ICA 14 Hình 1-6 Mơ hình tổng hợp ảnh cho kiến trúc ICA 15 Hình 1-7 Mơ hình tổng hợp ảnh cho kiến trúc ICA pixel 15 Hình 1-8 Không gian LDA 16 Hình 1-9 Minh họa trường hợp phân biệt lớp 17 Hình 1-10 Minh họa trường hợp phân biệt lớp 17 Hình 1-11 Minh họa khái niệm ―bên trong‖ (within) ―bên cạnh‖ (between) 18 Hình 1-12 Strong classifier H(x) xây dựng AdaBoost 20 Hình 1-13 Ví dụ minh hoạ kết hợp phân lớp tuyến tính 22 Hình 1-14 Các đặc trưng Haar-like sở 24 Hình 1-15 Các miền hình học đặc trưng Haar – like 24 Hình 1-16 Ý nghĩa hình học đạo hàm ảnh 25 Hình 1-17 Cách tính giá trị ô đặc trưng 25 Hình 1-18 Dị tìm bàn tay đặc trưng Haar – like 25 Hình 1-19 Dị tìm khn mặt đặc trưng haar – like 26 Hình 1-20 Cascade Classifier 27 Hình 1-21 Sơ đồ Cascade of Boosted Classifiers 27 Hình 1-22 Mơ hình Nơron thần kinh 28 Hình 1-23 Mơ hình Nơron nhân tạo 28 Hình 1-24 Mơ hình tốn học tổng quát Nơron 29 Hình 1-25 Các xử lý tương đương Nơron 30 Hình 1-26 Hoạt động tính tốn Nơron 32 Hình 1-27 Các loại liên kết Nơron 33 -2- PHỤ LỤC CÁC KẾT QUẢ NGHIÊN CỨU ĐÃ CƠNG BỐ [1] Lê Hồng Thái, Bùi Tiến Lên (2007), Mơ hình lai GA-FL tốn mơ điều khiển tự động trực thăng không người lái, Kỷ yếu hội thảo khoa học công nghệ quốc gia lần thứ ba: Nghiên cứu ứng dụng công nghệ thông tin, Nhà xuất Khoa học kỹ thuật, Hà nội, Việt nam, trang 133149, 9-10 tháng Tóm tắt : Bài báo tập trung phân tích q trình điều khiển tự động trực thăng không người lái Tiến tới, xây dựng mơ hình điều khiển tư động việc kết hợp hai kỹ thuật: Thuật giải di truyền (GA) với logic mờ (FL) Các kết thử nghiệm cho thấy tính khả thi mơ hình [2] Thai Hoang Le, Len Tien Bui (2008), A Hybrid Approach of AdaBoost and Artificial Neural Network for Detecting Human Faces, Proceedings of the 2008 IEEE International Conference on Research, Innovation and Vision for the Future in Computing & Communication Technologies(RIVF 2008), HCMC, VIETNAM, pp 79-85, July 13-17 Tóm tắt : Bài báo tập trung tìm hiểu giai đoạn Dị tìm phát khuôn mặt Tiến tới, nâng cao hiệu suất dị tìm việc kết hợp AdaBoost với mạng Nơron nhân tạo (ANN) Chỉ hiệu mô hình đề xuất (CBC+ANN) qua CSDL thực nghiêm CalTech [3] Thai Hoang Le, Len Tien Bui (2008), ―An Approach to combine Adaboost and Artificial Neural Network for detecting Human faces‖, 2008 IEEE International Conference on Systems, Man, Cybernetics (SMC 2008), Suntec Sigapore International Convention and Exhibition Centre, Sigapore, pp 34113416, 12-15 October Tóm tắt : Tiếp tục cải tiến mơ hình đề xuất (CBC+ANN) để nâng cao hiệu thực nghiệm [4] Lê Hoàng Thái, Bùi Tiến Lên (2008), ―Chuẩn hóa mặt người mạng Perceptron đa lớp‖, Tuyển tập cơng trình nghiên cứu cơng nghệ thơng tin truyền thông (ICTFIT’08), Nhà Xuất Khoa Học Kỹ Thuật, Việt nam, trang 32- 38, tháng 11 Tóm tắt : Bài báo tập trung tìm hiểu giai đoạn Chuẩn hóa khn mặt Tìm hiểu kỹ thuật chuẩn hóa có ASM, AAM, tiến tới, đề xuất việc kết hợp ASM với mạng nơron nhân tạo (ANN), tạo nên MLP ASM để nâng cao hiệu ASM truyền thống [5] Toan Thanh Do, Thai Hoang Le (2008), ―The Association of Geometric Feature Based Method and Independent Component Analysis in Facial Feature Extraction‖, Proceedings of the PKAW-08, Hanoi, Vietnam, pp 23- 34, December Tóm tắt : Bài báo tập trung tìm hiểu giai đoạn Rút trích đặc trưng Khảo sát kỹ thuật rút trich đặc trưng có Tiến tới, đề xuất mơ hình rút trích đặc trưng việc kết hợp phân tích đặc trưng hình học với phân tích thành phần độc lập(ICA), tạm gọi GICA, thử nghiệm so sánh với phương pháp truyền thống cho thấy hiệu mơ hình đề xuất (CSDL calTech) Chú ý: dùng phương pháp so khớp mạng nơron nhân tạo (FANN) [6] Toan Thanh Do, Thai Hoang Le (2008), ―The Combination of LDA and ICA for Face Recognition‖, Proceedings of the PKAW-08, Hanoi, Vietnam, pp 3547, December Tóm tắt : Tiếp tục nghiên cứu giai đoạn Rút trích đặc trưng Đề xuất mơ hình kết hợp phân tích thành phần độc lập(ICA) với phân tích tách lớp tuyến tính (LDA), tạm gọi ICA-LDA, thử nghiệm so sánh với phương pháp truyền thống CSDL khác nhau: ORL, YALE, CalTech tự tạo Từ đó, đánh giá đưa hiệu mơ hình đề xuất Chú ý: dùng phương pháp so khớp K-láng giềng gần [7] Toan Thanh Do, Khiem Ngoc Doan, Thai Hoang Le, Bac Hoai Le (2009),‖ Boosted of Haar-like Features and Local Binary Pattern Based Face Detection‖, Proceedings of the 2009 IEEE International Conference on Research, Innovation and Vision for the Future in Computing & Communication Technologies(RIVF 2009), DaNang, VIETNAM, July 13-17, pp.27-34 Tóm tắt : Tiếp tục nghiên cứu giai đoạn Phát khuôn mặt ảnh Đề xuất mơ hình kết hợp đặc trưng HAAR-LIKE mẫu nhị phân cục áp dụng cho toán Các kết thử nghiệm test MIT+CMU cho thấy tính khả thi mơ hình CÁC KẾT QUẢ ĐÀO TẠO ĐÃ ĐẠT ĐƢỢC [1] Lê Minh trí, Nguyễn Thúy Hằng, ―Phương pháp trích chọn đặc trưng cho nhận dạng mặt người ứng dụng‖, Khóa luận Cử nhân, trường ĐH KHTN HCM, 7/2006 Tóm tắt : Khóa luận áp dụng phương pháp rút trích đặc trưng kết hợp Phân tích hình học với Phân tích thành phần (PCA), tạm gọi GPCA Mơ hình GPCA thử nghiệm CSDL tự tạo với kỹ thuật so khớp SVM [2] Nguyễn Thành Thái, ―Nhận dạng mặt người dùng SVM mạng Nơron‖, Luận văn Thạc sĩ CNTT, trường ĐH CNTT- Đại học Quốc gia HCM, 11/2006 Tóm tắt : Luận văn áp dụng phương pháp rút trích đặc trưng kết hợp Phân tích hình học với Phân tích thành phần (PCA), tạm gọi GPCA Mơ hình trích chọn đặc trưng GPCA thử nghiệm CSDL tự tạo với hai kỹ thuật so khớp SVM mạng nơron nhân tạo(FANN) Các kết thử nghiệm cho thấy hiệu FANN trình so khớp [3] Trần Phúc Trị, ―Phát mặt người AdaBoost kết hợp mạng nơron‖, Luận văn Thạc sĩ CNTT, trường ĐH CNTT- Đại học Quốc gia HCM, 3/2007 Tóm tắt : Luận văn áp dụng việc kết hợp Adaboost ANN q trình dị tìm ảnh khn mặt (Tuy nhiên: AdaBoost sử dụng thừa hưởng hoàn toàn từ thư viện OpenCV, không huấn luyện lại) ANN dùng để lọc lại lần sau chạy AdaBoost từ thư viện OpenCV Các kết thử nghiệm CalTech [4] Trần Trọng Hiếu, ―Trích chọn đặc trưng mặt người phương pháp ICA PCA‖, Luận văn Thạc sĩ CNTT, trường ĐH CNTT- Đại học Quốc gia HCM, 6/2007 Tóm tắt : Thử nghiệm hai phương pháp ICA PCA q trình rút trích đặc trưng mặt người, với kỹ thuật so khớp SVM hai CSDL: CalTech tự tạo [5] Đỗ Thanh Toàn, Đoàn Ngọc Khiêm, ―Đề xuất phương pháp truy tìm ảnh mặt người Video‖, Khóa luận cử nhân, trường ĐH KHTN HCM, 7/2007 Tóm tắt : Khóa luận thử nghiệm phương pháp kết hợp phân tích đặc trưng hình học với phân tích thành phần độc lập (ICA), gọi GICA với phương pháp so khớp FANN hai CSDL: CalTech CSDL tư tạo [6] Giang Nhật Nam, Bùi Thành Trung, ―Mơ Hình lai đa kỹ thuật cho tốn nhận dạng khn mặt‖, Khóa luận cử nhân, trường ĐH KHTN HCM, 7/2008 Tóm tắt : Khóa luận thử nghiệm hai giai đoạn: (1) Áp dụng phương pháp kết hợp CBC+ANN cho dị tìm ảnh khn mặt, thử nghiệm liệu: CalTech, MIT Tự tạo (2) Áp dụng phân tích thành phần độc lập(ICA) với phân tích tách lớp tuyến tính(LDA) liệu thử nghiệm: ORL, YALE, CalTech Tự tạo Tiến tới thử nghiệm mơ hình truy tìm ảnh tổng quát với CSDL sinh viên trường ĐHKHTN tp.HCM [7] Trương Phước Hưng, Đặng Đăng Khoa, ―Phân tích vùng đặc trưng mặt người cho nhận diện ảnh đối tượng‖, Khóa luận Cử Nhân CNTT, trường ĐH KHTN tp.HCM, 7/2009 Tóm tắt : Khóa luận tập trung vào giai đoạn rút trích so khớp khơng gian biểu diễn ảnh Đề xuất kỹ thuật phân tích ảnh mặt người nhìn thẳng vùng khác nhau, đồng thời, sử dụng mơ hình kết hợp hai phương pháp: phân tích thành phần chính(PCA) phân tích tách lớp tuyến tính(LDA) để chiếu vùng không gian đặc trưng riêng Cho việc tổng hợp kết so khớp vùng, Thuật giải di truyền sử dụng để xác định hệ số tin cậy vùng Mô hình đề xuất thử nghiệm liệu: CalTech, Tự tạo 713 ảnh hộ chiếu cục quản lý xuất nhập cảnh Các kết đạt cho thấy tính khả thi mơ hình [8] Đỗ Thanh Toàn, ―Phát mặt người ảnh dựa đặc trưng HAARLIKE mẫu nhị phân cục bộ‖, Luận văn Thạc sĩ CNTT, trường ĐH KHTN HCM, 28/09/2009 Tóm tắt : Luận văn tập trung vào giai đoạn Phát khuôn mặt ảnh Phát triển mơ hình dị tìm khn mặt AdaBoost Đề xuất kỹ thuật kết hợp đặc trưng HAAR-LIKE mẫu nhị phân cục cho việc dị tìm, phát mặt người ảnh, kiểm chứng kết thử nghiệm test MIT+CMU CÁC KẾT QUẢ TRIỂN KHAI ĐÃ ĐẠT ĐƢỢC GIẤY XÁC NHẬN VIỆC THỬ NGHIỆM PHẦN MỀM ỨNG DỤNG TẠI CỤC QUẢN LÝ XUẤT NHẬP CẢNH, Q1, TP HCM TÀI LIỆU THAM KHẢO [1] Nguyễn Đình Thúc, “Trí Tuệ Nhân Tạo, Mạng NơRon Phương Pháp Ứng Dụng”, NXB Giáo Dục 2000 [2] Đỗ Thanh Tồn, Đồn Ngọc Khiêm, “Đề xuất phương pháp truy tìm ảnh mặt người video”, Luận văn Cử nhân CNTT Trường Đại Học Khoa học Tự Nhiên TP.HCM, 2007 [3] Lê Hồng Thái, giảng mơn học “Các hệ sơ tri thức”, trường đại học Khoa học Tự Nhiên thành phố Hồ Chí Minh, 2007 [4] M Turk, A Pentland, “Eigenfaces for recognition”, Journal of Cognitive, Neuroscience, 1991 [5] Kah-Kay Sung, Tomaso Poggio, “Example-based learning for view-based human face detection”, A.I Memo 1521, CBCL Paper 112, MIT, 12/1994 [6] Peter N Belhumeur, Joao P Hespanha & David J Kriegman, ―Eigenfaces vs Fisherfaces: Recognition Using Class Specific Linear Projection‖, Department of Electrical Engineering, Yale University, New Heaven, CT 06520-8267, 1996 [7] Kamran Etemad, Rama Chellappa, ―Discriminant analysis for recognition of human face images‖, Department of Electrical Engineering and Center for Automation Research, University of Maryland, College Park, Maryland 20742, 1997 [8] S Balakrishnama, A Ganapathiraju, “Linear Discriminant Analysis - A Brief Tutorial”, Institute for Signal and Information Processing, Department of Electrical and Computer Engineering, Mississippi State University, Box 9571, 216 Simrall, Hardy Rd, 1997 [9] Wenyi Zhao, Avindh Krishnaswamy & Rama Chellapa, ―Discriminant Analysis of Principal Components for Face Recognition‖, Center for Automation Research, University of Maryland, 1998 [10] Marian Stewart Bartlett, H Martin Lades, Terrence J Sejnowski, ―Independent Component representation for face recognition‖, University of California Sandiego and Salk Institute, 1998 [11] Paul Viola and Michael Jones, “Robust real-time object detection”, Mitsubishi Electric Research Labs, 7/2001 [12] Gian Luca Marcialis, Fabio Roli, “Fusion of LDA and PCA for Face Recognition”, Department of Electrical and Electronic Engineering University of Cagliari Piazza d‘Armi - 09123 Cagliari (Italy), 2002 [13] Marian Stewart Bartlet, Javier R.Movellan, Terrence J Sejnowski, ―Face Recognition by Independent Component Analysis‖, IEEE Transactions on Neural Networks, 12/2002 [14] Önsen TOYGAR & Adnan ACAN, “Face Recognition Using PCA, LDA And ICA Approaches On Colored Images”,Computer Engineering Department, Eastern Mediterranean University, Famagusta, Turkish Republic of Northern Cyprus, Mersin 10, Turkey, 2003 [15] Paul Viola and Michael Jones, “Robust real-time face detection”, International Journal of Computer Vision, 5/2004 [16] Chih-Chung Chang and Chih-Jen Lin,(2008), a Library for Support Vector Machines, URL: http://www.csie.ntu.edu.tw/~cjlin/libsvm/ [17] Pai-Hsuen Chen, Chih-Jen Lin, and Bernhard Scholkopf, (2005), A Tutorial on v-Support Vector Machines [18] Holland, J.H (1992), Adaptation in Natural and Artificial Systems Univ of Michigan press, Ann Arbor [19] Mitchell Melanie (1999), “An Introduction to Genetic Algorithms”, fifth printing [20] Michalewicz, Z (1992), Genetic Algorithms +Data Structures= Evolution Programs, Springer Verlag [21] L.A Zadeh: Fuzzy sets, inform and control, 8, 1965, 338-353 [22] D Dubois and H Prade: Fuzzy sets and systems, Academic Press, N.Y 1980 [23] H.J Zimmermann: Fuzzy Set Theory – and Its Applicatioùn, 2nd Ed., Kluwer Acad Pub., Dodrech, 1991 [24] Anca L.Ralescu, Ed.: Applied research in fuzzy technology Kluwer Acad Pub., Dordrecht, 1994 [25] Trần Phước Long, Nguyễn Văn Lượng, Luận văn cử nhân tin học, ĐH KHTN TP.HCM, 7/2003 [26] Lu Buon Vinh, Hoàng Phương Anh, Luận văn cử nhân tin học, ĐH KHTN TP.HCM, 7/2004 [27] Nguyễn Anh Tuấn, Luận văn cử nhân tin học, ĐH KHTN TP.HCM 7/2004 [28] Lê Minh Trí, Nguyễn Thúy Hằng, Luận văn cử nhân tin học, ĐH KHTN TP.HCM, 7/2006 [29] Trần Phúc Trị, Luận văn thạc sỹ công nghệ thông tin, ĐH CNTT TP.HCM, 12/2006 [30] Nguyễn Thành Thái, Luận văn thạc sỹ công nghệ thông tin, ĐH CNTT TP.HCM, 12/2006 [31] Ngô Phương Đông, Luận văn tốt nghiệp đại học, ĐH BÁCH KHOA HÀ NỘI, 5/2003 [32] Ngô Quốc Tạo, Ngô Phương Đơng, Nguyễn Thanh Hồ, Phạm Việt Bình, Hội thảo Công nghệ thông tin quốc gia lần VIII, Thái Nguyên, 29-31/8/2003 [33] T.Ahonen, A.Hadid, and M.Pietikainen ―Face recognition with local binary patterns In Proceedings of the European Conference on Computer Vision, pages 469-481, Prague, Czech, 2004 [34] M.S.Bartlett, H.M.Lades and T.J.Sejnowski Independent component representations for face recognition Proceedings of the SPIE, Conference on Human Vision and Electronic Imaging III, 3299:528-539, 1998 [35] P.N.Belhumeur, J.P.Hespanha, and D.J.Kriegman, Eigenfaces vs Fisherfaces: Recognition using class specific linear projection IEEE Transactions on Pattern Analysis and Machine Intelligence, 19(7):711-720, July 1997 [36] M.Bichsel and A.P.Pentland Human face recognition and the face image‘s set topology CVGIP: Image Understanding, 59:254-261, 1994 [37] R.Brunelli and T.Poggio Face recognition: Features versus templates IEEE Transactions on Pattern Analysis and Machine Intelligence, 15(10):1042-1052, 1993 [38] R.Chellappa, C.Wilson and S.Sirohey Human and machine recognition of faces: A survey Proceedings of IEEE, 83:705-740, 1995 [39] I.J.Cox, J.Ghosn, and P.Yianilos Feature-based face recognition using mixture-distance In Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition, pages 209-216, 1996 [40] Face Recognition Vendor Tests (FRVT) http://www.frvt.org [41] K.Fukugana Introduction to statistical pattern recognition Academic Press, Boston, edition, 1990 [42] A.J.Goldstein, L.D.Harmon, and A.B.Lesk Identification of human faces Proceedings of the IEEE, 59(5):748-760, 1971 [43] G.D.Guo, S.Z.Li, and K.L.Chan Face recognition by support vector machines In Proc.Fourth IEEE Int Conf of Automatic Face and Gesture Recognition, pages 196-201, Grenoble, 2000 [44] R Hietmeyer Biometric identification promises fast and secure processing of airline passengers The International Civil Aviation Organization Journal, 55(9):10-11, 2000 [45] R.L.Hsu Face Detection and Modeling for Recognition Ph.D thesis, Michigan State University, 2000 [46] T.Kanade Picture Processing by Computer Complex and Recognition of Human Faces Ph.D thesis, Kyoto University, 1973 [47] M.Lades, J.Vorbruggen, J.Buhmann, J.Lange, C.von der Malsburg, R.P.Wurtz, and W.Konen Distortion invariant object recognition in the dynamic link architecture, IEEE Transactions on Computers, 42:300-311, 1993 [48] Y.Li, S.Gong, and H.Lidell Recognising trajectories of facial identities using kernel discriminant analysis, In Pro British Machine Vision Conference, pages 613-622, 2001 [49] C.Liu and H.Wechsler Gabor feature based classification using the enhanced fisher linear discriminant model for face recognition IEEE Transactions on Image Processing, 11(4):467-476, 2002 [50] Machine Readable Travel Documents (MRTD), http://www.icao.int/mrtd/overview/overview.cfm [51] S Mika, G.Ratsch, J.Weston, B.Scholkopf, andK.R.Mller Fisher discriminant analysis with kernels, Neural Networks for Signal Processing IX, pages 41-48, 1999 [52] B.Moghaddam, Principal manifolds and bayesian subspaces for visual recognition In International Conference on Computer Vision (ICCV‘99), pages 1131-1136, 1999 [53] Y.Moses, Y.Adini, and S.Ullman Face recognition: The problem of compensating for changes in illumination direction In Proceedings of the European Conference on Computer Vision, volume A, pages 286-296, 1994 [54] P.Penev and J.Atick Local feature analysis: A general statistical theory for object representation Neural Systems, 7(3):477-500, 1996 [55] P.J.Phillips, H.Moon, S.A.Rizvi, and P.J.Rauss The FERET evaluation methodology for face recognition algorithms IEEE Transactions on Pattern Analysis and Machine Intelligence, 22(10):1090-1104, 2000 [56] A.Samal and P.A.Iyengar Automatic recognition and analysis of human faces and facial expressions: A survey Pattern recognition, 25:65-77, 1992 [57] B.Scholkopf, A.Smola, and K.R.Muller Nonlinear component analysis as a kernel eigenvalue problem Neural Computation, 10:1299-1319, 1999 [58] L.Sirovich and M.Kirby Low dimensional procedure for the characterization of human faces, Journal of the Optical Society of America A, 4(3):519-524, 1987 [59] M.Turk A random walk through eigenspace IEICE Trans Inf & Syst., E84D(12):1586-1695, 2001 [60] M.A.Turk and A.P.Pentland Eigenfaces for recognition Journal of Cognitive Neuroscience, 3(1):71-86, 1991 [61] D.Valentin, H.Abdi, A.J.O‘Toole, and G.W.Cottrell Connectionist models of face processing: A survey, Pattern Recognition, 27(9):1209-1230, 1994 [62] L.Wiskott, J.Fellous, N.Kruger, and C.v.d.malsburg Face recognition by elastic bunch graph matching IEEE Transactions on Pattern Analysis and Machine Intelligence, 19(7):775-779, 1997 [63] M.H.Yang, N.Ahuja, and D.Kriegman Face recognition using kernel eigenfaces In Proceedings of the IEEE International Conference on Image Processing, volume 1, pages 37-40, 2000 [64] P.Yang, S.Shan, W.Gao, S.Z.Li and D.Zhang Face recognition using adaboosted gabor features In Proceedings of International Conference on Automatic Face and Gesture Recognition, Vancouver, 2004 [65] G.Zhang, X.Huang, S.Z.Li and Y.Wang Boosting local binary pattern (LBP) based face recognition, In S.Z.Li, J.Lai, T.Tan, G.Feng, and Y.Wang, editors, Advances in Biometric Personal Authentication, volume 3338 of Lecture Notes in Computer Science, pages 180-187, Springer, 2004 [66] L.Zhang, S.Z.Li, Z.Qu, and X.Huang Boosting local feature based classifiers for face recognition In Proceedings of First IEEE Workshop on Face Processing in Video, Washington D.C., 2004 [67] W.Zhao, R.Chellappa, P.Phillips and A.Rosenfeld Face recognition: A literature survey ACM Computing Surveys, pages 399-458, 2000 [68] Stan Z Li and Anil K Jain (2005) - Handbook of face recognition – Springer Press [69] Ming-Hsuan Yang, David J Kriegman, Narendra Ahuja (2002) - Detecting Faces in Images: A Survey - IEEE Transaction on Pattern Analysis and Machine Intelligence (PAMI), Vol 24, No 1, pp 34-47 [70] Gian Luca Marcialis, Fabio Roli, “Fusion of LDA and PCA for Face Recognition”, Department of Electrical and Electronic Engineering - University of Cagliari Piazza d‘Armi - 09123 Cagliari (Italy), 2002 [71] Kawaguchi,T.; Hidaka,D and Rizon,M, ―Detection of eyes from human faces by Hough transform and separability filter‖, International Conference Image Processing, 2000, Proceedings 2000, International Conference on Volume 1, Issue, 2000 pp 49 - 52 vol.1 [72] Viola and Michael Jones, ―Robust real-time face detection‖, International Journal of Computer Vision, 57, pp 137-154, May 2004 [73] M Jones and P Viola ―Face Recognition Using Boosted Local Features‖ In Proceedings of International Conference on Computer Vision, 2003 [74] Shu Liao, Wei Fan, Albert C S Chung and Dit-Yan Yeung, ―Facial Expression Recognition Using Advanced Local Binary Patterns, Tsallis Entropies And Global Appearance Features‖, Image Processing, 2006 IEEE International Conference, Publication Date: 8-11 Oct 2006, page(s): 665-668 [75] C Liu and H Wechsler, ―Gabor Feature Based Classification Using the Enhanced Fisher Linear Discriminant Model for Face Recognition‖, IEEE Trans Image Processing, vol 11, no 4, pp 467- 476, 2002 [76] Yuille, A.L.; Cohen, D.S.; Hallinan, P.W., ―Feature Extraction From Faces Using Deformable Templates‖, Computer Vision and Pattern Recognition, 1989 IEEE Computer Society Conference onVolume , Issue, 4-8 Jun 1989 pp.104 – 109 [77] Liang Zhang, ―Estimation Of The Mouth Features Using Deformable Templates‖, Image Processing, 1997 Proceedings., International Conference on Volume 3, Issue, 26-29 Oct 1997 Page(s): 328 - 331 vol.3 [78] Paul Kuo, John Hannah, ―An Improved Eye Feature Extraction Algorithm Based On Deformable Templates‖, Image Processing, 2005 ICIP 2005 IEEE International Conference on Volume 2, Issue , 11-14 Sept 2005 pp 1206-1209 [79] Son Lam Phung, Abdesselam Bouzerdoum, and Douglas Chai ,―Skin Segmentation Using Color And Edge Information‖, Signal Processing and Its Applications, 2003 Proceedings Seventh International Symposium on Volume: 1, pp 525- 528 vol.1, 1-4 July 2003 [80] Teerayoot Sawangsri, Vorapoj Patanavijit, and Somchai Jitapunkul, ―Face Segmentation Using Novel Skin-Color Map And Morphological Technique‖, Proceedings of World Academy of Science, Engineering and Technology volume jan 2005 ISSN 1307-6884 [81] M Turk and A Pentland (1991) "Face recognition using eigenfaces" Proc IEEE Conference on Computer Vision and Pattern Recognition: pp 586–591, 1991 [82] Bruce A Draper, Kyungim Baek, Marian Stewart Bartlett, J Ross BeveRidge, “Recognizing Face with PCA and ICA”, Computer Vision and Image Understanding 91, pp 115–137, 2003 [83] P Comon, ―Independent component analysis—A new concept?,‖ Signal Processing, vol 36, pp 287–314, 1994 [84] Marian Stewart Bartlet, Javier R.Movellan, Terrence J Sejnowski, ―Face Recognition by Independent Component Analysis‖, IEEE Transactions on Neural Networks, Vol 13, No 6, Nov 2002 [85] Qing Chen, ”Hand Detection with a Cascade of Boosted Classifiers Using Haar-like Features”, Discover Lab, SITE, University of Ottawa, 5/2006 http://www.discover.ottawa.ca [86] Henry A Rowley, Shumeet Baluja, Takeo Kanade, “Neural Network-Based Face Detection”, School of Computer Science, Carnegie Mellon University, 5000 Forbes Avenue, Pittsburgh, PA 15213, USA, 1/1998 [87] Paul Viola and Michael Jones, “Robust real-time object detection”, Mitsubishi Electric Research Labs, 7/2001 [88] Paul Viola and Michael Jones, “Robust real-time face detection”, International Journal of Computer Vision, 5/2004 [89] Markus Weber, Frontal Face Dataset, California Institute of Technology, 1999,http://www.vision.caltech.edu/html-files/archive.html [90] Bishop, C.: Pattern Recognition and Machine Learning Springer Press (2006) [91] Bradski, G., Kaehler, A., Pisarevsky, V.: Learning-Based Computer Vision with Intel‘s Open Source Computer Vision Library Intel® Technology Journal 9, pp 119 130 (2005) [92] Cootes, T.F.: Statistical models of appearance for computer vision, http://www.isbe.man.ac.uk/˜bim/refs.html (2001) [93] Jiao, F., Li, S., Shum, H.-Y., Schuurmans, D.: Face alignment using statistical models and wavelet features Proceedings of IEEE Conference on CVPR, pp 321 327 (2003) [94] Li, S.Z., Jain, A.K.: Handbook of face recognition Springer Press (2005) [95] Marcel, S.: Artificial neural networks for pattern recognition: applications to face detection and recognition, http://www.idiap.ch/˜marcel (2004) [96] Thai, L.H., Len, B.T.: A Hybrid Approach of AdaBoost and Artificial Neural Network for Detecting Human Faces IEEE International Conference on Research, Innovation and Vision for the Future in Computing & Communication Technologies (HCMC) (2008) [97] Tu, J., Zhang, Z., Zeng, Z., Huang, T.: Face localization via hierarchical CONDENSATION with Fisher Boosting feature selection Proceedings of IEEE Conference on CVPR, pp 719 724 (2004) [98] Yan, S., Li, M., Zhang, H., Cheng, Q.: Ranking prior likelihood distributions for Bayesian shape localization framework Proceedings of IEEE Conference on ICCV, pp 51 58 (2003) [99] Zuo, F., With, P.H.N.d.: Fast facial feature extraction using a deformable shape model with Haar-wavelet based local texture attributes Proceedings of IEEE Conference on ICIP, pp 1425 1428 (2004) [100] Lê Hồng Thái, Nguyễn Minh Trí, Nguyễn Thúy Hằng, ―Đề xuất phương pháp cho rút trích đặc trưng mặt người”, Hội thảo quốc gia CNTT, Đà Lạt, 15-17/6/2006 [101] Marian Stewart Bartlet, Javier R.Movellan, Terrence J Sejnowski, ―Face Recognition by Independent Component Analysis‖, IEEE Transactions on Neural Networks, Vol 13, No 6, Nov 2002 [102] A Hyvärinen and E Oja ―Independent Component Analysis: Algorithms and Applications‖ Neural Networks, 13(4-5):411-430, 2000 [103] P Jonathon Phillips, Hyeonjoon Moon, Syed A Rizvi, and Patrick J Rauss, ―The feret evaluation methodology for facerecognition algorithms,‖ IEEE Trans Pattern Analysis and Machine Intelligence, vol 22, no 10, pp 1090– 1104, 2000 [104] The Yale Face Database (1997) http://cvc.yale.edu/projects/yalefaces/yalefaces.html [105] The ORL Database of Faces (2002), AT&T Laboratories Cambridge, http://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html [106] International Civil Air Organization (ICAO), http://www2.icao.int/en/mrtd/Pages/default.aspx [107] Thai Hoang Le, Len Tien Bui: An Approach to combine AdaBoost and Artifical Neural Network for detecting Human Faces, 2008 IEEE International Conference on System, Man, Cybernetics (SMC 2008), Suntec Singapore International Convention and Exhibition Centre, Singapore, pp 3411-3416, 1215, October [108] Wenyi Zhao, Avindh Krishnaswamy & Rama Chellapa: Discriminant Analysis of Principal Components for Face Recognition, Center for Automation Research, University of Maryland, 1998 [109] William E Green, Autonomous System Lab, http://www.pages.drexel.edu/~weg22/can_tut.html, Drexel University