Đồ án tốt nghiệp đại học nghiên cứu thuật toán biến đổi ảnh gabor wavelet và xây dựng ứng dụng nhận dạng ảnh mặt người

Kiểm soát bằng sinh trắc học là những phương pháp tự động cho phép xác thực hay nhận dạng một cá nhân dựa vào các đặc trưng sinh lý học của người đó như đặc điểm vân tay, gương mặt, gen,

MỤC LỤC.

MỞ ĐẦU 4

Chương 1 - TỔNG QUAN VỀ NHẬN DẠNG MẶT NGƯỜI 8

1.1 Nhận dạng ảnh mặt người là gì? 8

1.2 Mô hình bài toán nhận dạng mặt người: 11

1.3 Một số thuật toán nhận dạng mặt người: 15

1.4 Nhận xét: 17

Chương 2 - NHẬN DẠNG MẶT NGƯỜI DỰA TRÊN THUẬT TOÁN BIẾN ĐỔI SÓNG GABOR 19

Phần A- Các phép toán liên quan: 19

2.a.1- Phép cuộn: 19

2.a.2 Tính chất của biến đổi Fourier: 20

Phần B: Áp dụng biến đổi sóng Gabor cho bài toán nhận dạng mặt người 21

2.b.2 Trích Rút Đặc Trưng : 24

2.b.3 Qui trình so khớp : 27

Chương 3 : CÀI ĐẶT CHƯƠNG TRÌNH VÀ CÁC CẢI TIẾN 33

3.1- Sơ đồ Logic của chương trình: 33

3.2 Dò tìm khuôn mặt người : 35

3.3 Mặt Nạ lọc Gabor : 35

3.4 Thực hiện cuộn ảnh mặt nguời với ảnh Gabor : 37

3.5 Tìm điểm đặc trưng, vector đặc trưng : 39

3.6 Tìm độ giống nhau của hai khuôn mặt 41

3.7 - Tổ chức cơ sở dữ liệu: 45

3.8 - Thiết kế chương trình nhận dạng mặt người: 47

Chức năng 1: 47

Chức năng 2: 49

Chức năng 3: 52

CHƯƠNG 4 : KẾT LUẬN: 62

4.1 - Kết quả đạt được: 62

a.Phần lý thuyết: 62

b Phần chương trình: 62

4.2 - Đánh giá kết quả: 63

4.3-Điểm hạn chế : 67

4.4 - Khả năng ứng dụng thực tiễn của đề tài: 68

4.5 - Hướng phát triển của đề tài: 68

Tài liệu tham khảo : 70

MỞ ĐẦU.

Cùng với sự phát triển mạnh mẽ của truyền thông và khoa học máytính thì sự quan tâm đến vấn đề bảo mật ngày càng tăng Hiện nay, côngnghệ hiện đại đã đã cho phép việc xác thực dựa vào “bản chất” của từng cá

nhân Công nghệ này dựa trên lĩnh vực được gọi là sinh trắc học Kiểm soát

bằng sinh trắc học là những phương pháp tự động cho phép xác thực hay

nhận dạng một cá nhân dựa vào các đặc trưng sinh lý học của người đó như

đặc điểm vân tay, gương mặt, gen,…hoặc dựa trên những đặc điểm liên

quan đến đặc trưng hành vi như dạng chữ viết, cách gõ phím, giọng nói…

Vì những hệ thống nhận dạng bằng sinh trắc học sử dụng thông tin sinh trắchọc của con người nên kết quả chính xác và đặc biệt là rất khó bị giả mạo

Các đặc trưng sinh lý học là duy nhất ở mỗi người và rất hiếm khithay đổi, trong khi đó đặc trưng hành vi có thể thay đổi bất thường do cácyếu tố tâm lý như căng thẳng, mệt mỏi hay bệnh tật Chính vì lý do này, các

hệ thống nhận dạng dựa trên đặc trưng sinh lý tỏ ra ổn định hơn các hệthống dựa vào hành vi Tuy nhiên, nhận dạng bằng các đặc trưng hành vi có

ưu điểm là dễ sử dụng và thuận tiện hơn: thay vì phải đặt mắt trước mộtmáy quét điện tử hay lấy ra một giọt máu, người dùng sẽ cảm thấy thoảimái hơn khi được yêu cầu ký tên hay nói vào một micro

Nhận dạng gương mặt là một trong số ít các phương pháp nhận dạngdựa vào đặc trưng sinh lý cho kết quả chính xác cao đồng thời rất thuận tiệnkhi sử dụng Hơn nữa, trong số các đặc trưng sinh lý học, gương mặt củamỗi người là yếu tố đầu tin và quan trọng nhất cho việc nhận biết lẫn nhaucũng như biểu đạt cảm xúc Khả năng nhận dạng nói chung và khả năngnhận biết gương mặt người nói riêng của con người thật đáng kinh ngạc.Chúng ta có khả năng nhận ra hàng ngàn gương mặt của những người mình

đã gặp, đã giao tiếp trong cuộc sống chỉ bằng một cái nhìn thoáng qua, thậmchí sau nhiều năm không gặp cũng như sự thay đổi trên gương mặt do tuổitác, cảm xúc, trang phục, màu tóc,…Do đó, việc nghiên cứu các đặc tínhcủa khuôn mặt người đã thu hút được rất nhiều các nhà nghiên cứu

Chính vì những lý do trên, từ những năm 1970, nhận dạng mặt người

đã thu hút sự quan tâm của nhiều nhà nghiên cứu trong các lĩnh vực nhưbảo mật, tâm lý học, xử lý ảnh và thị giác máy tính

Các phương pháp nhận dạng mặt người từ những giai đoạn đầu đãtổng kết được những điểm quan trọng trên khuôn mặt người đó là : mắt,đỉnh mũi, miệng, cạnh cằm và mối quan hệ về khoảng cách giữa các điểmtrên để diễn tả cho mỗi khuôn mặt Tuy nhiên, những phương pháp đã đưa

ra đã không đạt được kết quả tốt trong trường hợp khuôn mặt bị xoay đimột góc và trường hợp sự chiếu sáng có sự thay đổi lớn

Sự thay đổi lớn về độ co giãn và mức chiếu độ chiếu sáng là nhữngvấn đề quan trọng được đặt ra đối với việc nhận dạng mặt người cần phảigiải quyết Phương pháp so khớp bằng đồ thị co giãn và các biểu đồ Topo

sử dụng biến đổi sóng nhằm miêu tả ảnh về mặt hình dáng sinh học củakhuôn mặt Trong phương pháp này thì các vector sẽ được tạo ra bằng cáchlấy mẫu qua kết quả biến đổi sóng của ảnh mặt người tại các nút của đồ thị

so khớp

Trong đề tài này em sẽ đề cập đến một phương pháp hữu hiệu đối vớitrường hợp bị xoay của ảnh và sự thay đổi trong điều kiện chiếu sáng.Phương pháp này sử dụng biến đổi sóng Gabor để xây dựng vector đặctrưng của khuôn mặt dựa trên việc chọn các “chóp” (những điểm có sự độtbiến mạnh) của ảnh kết quả sau phép biến đổi sóng Gabor Những điểm này

sẽ được chọn làm các điểm đặc trưng cho khuôn mặt thay vì sử dụng cácnút đồ thị đã được xác định trước trong phép so khớp đồ thị co giãn Nhữngđiểm đặc trưng đó thường tập trung ở: mắt, lông mày, mũi, miệng, cạnhcằm, má lúm đồng tiền, nốt ruồi, vết sẹo, v.v… Đây là những điểm có ýnghĩa rất cao trong việc nhận dạng

Vì vậy trong đồ án tốt nghiệp của mình, em đã chọn đề tài “ Nghiên

cứu thuật toán biến đổi ảnh Gabor Wavelet và xây dựng ứng dụng nhận dạng ảnh mặt người ” để có điều kiện tiếp cận với phương pháp nhận dạng

mặt người dựa trên các điểm đặc trưng sinh học của khuôn mặt như: mắt,

lông mày, mũi, miệng, cạnh cằm, má lúng đồng tiền, nốt ruồi, vết sẹo… Cụthể nhiệm vụ của đề tài bao gồm các nội dung sau :

- Tìm hiểu về biến đổi sóng Gabor dùng cho ảnh mặt người

- Tìm hiểu phương pháp tìm điểm đặc trưng, vector đặc trưng củaảnh mặt người sau khi đã biến đổi Gabor

- Tìm hiểu phương pháp so sánh sự giống nhau giữa hai ảnh mặtngười dựa trên các điểm đặc trưng, vector đặc trưng

- Cài đặt và thử nghiệm chương trình nhận dạng ảnh mặt người theothuật toán biến đổi sóng Gabor

- Đánh giá kết quả và đề xuất các cải tiến

Mục tiêu của đồ án là nghiên cứu thuật toán biến đổi ảnh mặt ngườibằng sóng Gabor và xây dựng ứng dụng nhận dạng ảnh mặt người Vì vậy

đồ án được trình bày trong 4 chương với bố cục như sau:

Chương 1: Tổng quan về nhận dạng mặt người: nêu lên tầm quan

trọng của các ứng dụng nhận dạng mặt người trong thực tế

Chương 2: Nhận dạng mặt người dựa trên thuật toán biến đổi sóng Gabor:

+ Trình bày về một số phép toán liên quan có xử dụng trong quá trìnhdùng sóng Gabor cho bài toán nhận dạng mặt người

+ Trình bày về lý về sóng Gabor được áp dụng trong bài toán nhậndạng ảnh mặt người

+ Trình bày cách trích chọn đặc trưng, vector đặc trưng và cách sokhớp hai ảnh mặt người với nhau dựa trên thuật toán biến đổi sóng Gabor

Chương 3: Cài đặt chương trình và các cải tiến:

+ Trình bày cụ thể cách cài đặt mặt nạ sóng Gabor, cách tìm điểmđặc trưng, vector đặc trưng , cách so khớp hai ảnh mặt người với nhau và

tổ chức Cơ sở dữ liệu cho bài toán nhận dạng ảnh mặt người dựa trên biếnđổi sóng Gabor

+Trình bày các chức năng của chương trình nhận dạng mặt người vàmột số cải tiến nhằm giải quyết một số trường hợp trong thực tế.

Chương 4: Kết luận: các kết quả, một số hạn chế, khả năng ứng

dụng, hướng phát triển của đề tài

Trong quá trình thực hiện đề tài em xin chân thành cảm ơn thầy giáo:

đã tận tình hướng dẫn, chỉ bảo từng nội dung của đồ án, các thầy, cô giáokhoa Công Nghệ Thông Tin đã có nhiều giúp đỡ chuyên sâu về công nghệ

xử lý ảnh, để em có thể hoàn thành nội dung đồ án tốt nghiệp của mình

Chương 1 - TỔNG QUAN VỀ NHẬN DẠNG MẶT NGƯỜI 1.1 Nhận dạng ảnh mặt người là gì?

Trong thế giới ngày nay, với sự phát triển mạnh mẽ của khoa học kỹthuật số và mạng toàn cầu, vấn đề đảm bảo an toàn về thông tin cũng nhưvật chất trở nên ngày càng quan trọng Việc làm giả ảnh, hộ chiếu, giấy tờ

về tài chính, thẻ tín dụng, tem bảo vệ, mã vạch,… để vượt biên mua vũ khí,tiến hành các nghiệp vụ ngân hàng, hợp pháp hoá thu nhập xảy ra ngày

Phần lớn các hệ thống thông tin hiện nay các thông tin xác thựcngười truy cập không đặc trưng cho bản thân họ và chỉ là những gì họ đang

sở hữu: số chứng minh thư nhân dân, chìa khoá, mật mã, thẻ tín dụng hoặc

họ tên Rõ ràng các thông tin hay vật dụng này không mang tính đặc trưng

mà chỉ mang tính xác thực với người sử dụng, nếu chúng bị đánh cắp hoặcsao chép thì kẻ trộm hoàn toàn có quyền truy cập và sử dụng hệ thống Hiệnnay các công nghệ hiện đại đã cho phép việc xác thực dựa vào bản chất củatừng cá nhân

Hình 1.1: Các ví dụ về giấy tờ, phương tiện được dùng trong việc

xác thực.

Hình 1.2: Các lĩnh vực trắc sinh học được dùng trong xác thực.

Nhận dạng gương mặt là một trong số các phương pháp nhận dạngdựa vào đặc tính sinh lý có nhiều ứng dụng quan trọng và thuận tiện khi sửdụng Ngày nay nhận dạng mặt người đã được quan tâm và được coi như làmột trong các lĩnh vực quan trọng nhất trong khoa học nhận dạng là do nhucầu ứng dụng nhận dạng mặt người trong các lĩnh vực (kinh tế, thi hành luậtpháp, điều tra tội phạm, bảo mật,…) ngày càng nhiều

Vậy nhận dạng mặt người là gì? Đó là so sánh các ảnh mặt người vớinhau, chỉ ra mức độ tương tự giữa các mặt được so sánh và đưa ra quyếtđịnh về tính đồng nhất giữa chúng.

Hình 1.3: Mô tả về nhận dạng mặt người.

1.2 Mô hình bài toán nhận dạng mặt người:

Trong an ninh hệ thống nhận dạng được dùng để nhận dạng tội phạm(đã có trong cơ sở dữ liệu) tại các sân bay, nhà ga, hay tại các khu vực cấmkhông cho người lạ xâm nhập

Trong một số công ty, nhà máy quản lý ngày công làm việc của côngnhân bằng việc quét thẻ mỗi khi công nhân tan ca Nếu số lượng công nhâncủa công ty lớn thì việc người quản lý kiểm soát rất khó khăn Trong trườnghợp này hệ thống nhận dạng mặt người sẽ trở nên rất hữu ích để chống việccông nhân không đi làm nhưng nhờ người khác quét thẻ hộ

Ngoài ra, hệ thống dò tìm vị trí khuôn mặt người và nhận dạng ảnhkhuôn mặt có thể triển khai rất nhiều ứng dụng khác trong thực tế:

- Hệ thống tương tác giữa người và máy: giúp những người dị tậthoặc khiếm khuyết có thể trao đổi Những người dùng ngôn ngữ tay có thểgiao tiếp với những người bình thường Những người bại liệt thông qua một

số ký hiệu nháy mắt có thể biểu lộ những gì họ muốn, Đó là các bài toánđiệu bộ của bàn tay, điệu bộ của khuôn mặt,

- Hệ thống quan sát, theo dõi và bảo vệ Các hệ thống camera sẽ xácđịnh đâu là con người và theo dõi con người đó xem họ có vi phạm gì haykhông, ví dụ xâm phạm khu vực không được vào,

- Kiểm tra trạng thái người lái xe có ngủ gật không, nếu ngủ gật đưa

ra thông báo cần thiết

- Hãng máy chụp hình Cannon đã ứng dụng xác định vị trí khuônmặt người vào máy chụp hình thế hệ mới để cho kết quả hình ảnh đẹp, nhất

là khuôn mặt con người

- Trong điều khiển Robot

Tuy nhiên, nhận dạng mặt người là một trong những bài toán khókhăn nhất trong lĩnh vực nhận dạng ảnh Một gương mặt người không chỉ làđối tượng ba chiều mà còn là một thực thể mang tính động rất cao Ngoài

ra, nhận dạng mặt người còn phụ thuộc vào nhiều yếu tố: chất lượng ảnhcủa thiết bị thu, nền phức tạp, sự dịch chuyển, xoay theo ba chiều, cảm xúcthể hiện trên khuôn mặt, Hiện nay chất lượng của các hệ thống dò tìm vànhận dạng ảnh khuôn mặt người chưa cao Người ta vẫn chưa tìm ra đượcphương pháp trích chọn các đặc trưng của khuôn mặt mà vẫn chỉ sử dụngcác đặc trưng của ảnh Một số phương pháp được triển khai ứng dụngnhưng tốc độ xử lý, nhận dạng ảnh còn chậm, không đáp ứng thời gianthực Do đó vẫn khó có thể triển khai các ứng dụng thực tế

Nhận dạng mặt người có thể được ứng dụng rộng rãi trong rất nhiềulĩnh vực khác nhau Ở mỗi lĩnh vực chúng ta sẽ có mô hình cụ thể để giảiquyết bài toán nhận dạng mặt người riêng Chúng ta có thể chia các loại hệthống nhận dạng mặt người thành các mô hình chính sau đây:

Nhận dạng Online:

Mô hình này sử dụng thiết bị Camera để theo rõi, giám sát Đây lànhững ứng dụng thường được triển khai ở các nhà ga, cửa khẩu, sân bay nơi có đông người qua lại Hệ thống liên tục tách các ảnh khuôn mặt từnhững ảnh chụp được, đối sánh với Cơ sở dữ liệu để xác định những đốitượng cần quan tâm Về yêu cầu :

- Đảm bảo độ chính xác.

- Đảm bảo thời gian thực

Nhận dạng trong tập cơ sở dữ liệu hữu hạn:

Xác thực một người có đúng là người mà anh ta tự nhận hay không(hệ thống cửa bảo mật tự động, kiểm tra giấy chứng minh nhân dân, thẻcăn cước, giấy phép lái xe, giấy ra vào cơ quan ).Về yêu cầu:

- Đảm bảo về độ chính xác

- Thời gian cho phép nhiều hơn so với mô hình nhận dạng Online Vídụ: Hệ thống cửa bảo mật tự động thì thời gian có thể chấp nhận đượckhoảng từ 15s đến 30s

Nhận dạng trong tập cơ sở dữ liệu lớn:

Xác nhận một người là ai trong Cơ sở dữ liệu của hệ thống như Cơ

sở dữ liệu về đối tượng hình sự, Cơ sở dữ liệu về chứng minh thư nhândân Về yêu cầu:

Cấu trúc điển hình của hệ thống nhận dạng mặt người gồm có 2 bộphận chính:

+ Bộ dò tìm (Face Image Detector): có nhiệm vụ xác định vị trí củagương mặt trong một ảnh bình thường

+ Bộ phận nhận dạng hay phân lớp gương mặt (Face Recognizer): đểxác định người có gương mặt tương ứng là ai trong cơ sở dữ liệu

Để xây dựng một hệ thống nhận dạng mặt người thường thực hiệncác bước sau:

1.2.1: Tiền xử lý (Pre-Processing):

Giai đoạn này để nâng cao chất lượng của ảnh số giúp cho việc pháthiện vị trí mặt người và quá trình nhận dạng đạt hiệu quả hơn Các công

việc trong giai đoạn này có thể là: chuẩn hoá kích cỡ ảnh (Image size

normalization), hiệu chỉnh độ sáng, tối của ảnh (Histogram equalization, illumination normalization), lọc nhiễu (median filtering).

1.2.2: Tách khuôn mặt (Face Detection):

Giai đoạn tách khuôn mặt từ ảnh ban đầu là một giai đoạn quan trọng

và khó khăn góp phần quan trọng đến kết quả nhận dạng, việc phát hiệnkhuôn mặt từ ảnh ban đầu gắn với điều kiện không ổn định của dữ liệu ảnh:

độ sáng của ảnh, kích thước và hướng của khuôn mặt, góc quay,… Vì vậy,với hệ thống nhận dạng mặt người cần phải có một số tiêu chuẩn ràng buộc:

+ Ảnh với màu tự nhiên chiếu sáng và độ đậm đều (không quá tối vàkhông quá sáng)

+ Kích thước của khuôn mặt không quá lớn hoặc quá nhỏ

+Khuôn mặt phải được chụp trực diện, mắt mở tự nhiên

+ Không có vật gì che khuôn mặt: mũ, khăn, tóc 1.2.3 : Trích chọn đặc trưng:

Giai đoạn này tìm ra các đặc trưng chính của khuôn mặt, từ các đặctrưng này hình thành các véc tơ đặc trưng, các vector này được sử dụng đểđối sánh sự giống nhau giữa ảnh khuôn mặt cần tìm và ảnh trong cơ sở dữliệu

1.2.4 : So sánh (Comparison):

Thực hiện việc so sánh giữa các vector đặc trưng để chọn ra khoảngcách giữa ảnh cần tìm và ảnh trong cơ sở dữ liệu Một số khoảng cáchthường được sử dụng là khoảng cách Ơclít, Mahalanobis,…

1.3 Một số thuật toán nhận dạng mặt người:

Rất nhiều nghiên cứu tập trung vào lĩnh vực nhận dạng ảnh mặtngười điển hình mhư:

Năm 1966, Bledsoe đã xây dựng hệ nhận dạng bán tự động đầu tiên

có sự tương tác giữa người và máy Đặc trưng dùng để phân lớp là các dấuhiệu cơ bản được con người thêm vào các ảnh Các tham số sử dụng trongquá trình nhận dạng là những khoảng cách chuẩn và tỉ lệ giữa các điểm nhưgóc của đôi mắt, góc của miệng, chóp mũi và điểm cằm

Năm 1971, phòng thí nghiệm Bell đưa ra hệ nhận dạng dựa vàovector đặc trưng chiều và sử dụng các kỹ thuật phân lớp mẫu để nhận dạng.Tuy nhiên, các đặc trưng này được lựa chọn một cách rất chủ quan (nhưmàu tóc, chiều dài vành tai,…) và rất khó khăn cho quá trình tự động hoáFischer và Elschlager năm 1973 đã cố gắng đo lường các đặc trưng tương

tự nhau một cách tự động Họ đưa ra một thuật toán tuyến tính so khớp cácđặc trưng cục bộ kết hợp với các độ đo thích nghi toàn cục để tìm kiếm vàđịnh lượng các đặc trưng của gương mặt

Tiền xử lý đặc trưngRút trích

Bộ nhận dạng/ Phân lớp gương mặt

Nhận dạng/ Loại bỏ Tách khuôn mặt

CSDL mặt người Cập nhật CSDL

Hình 1.4: Mô hình hệ thống nhận dạng mặt người.

Hệ thống của Kanade năm 1973 có lẽ là hệ thống đầu tiên và là mộttrong số ít các hệ thống trong đó các bước nhận dạng được thực hiện hoàntoàn tự động, sử dụng chiến lược điều khiển từ trên xuống được định hướngbởi các đặc trưng được chọn Hệ thống này tìm tập các tham số của gươngmặt từ một ảnh đưa vào, sau đó sử dụng các kỹ thuật nhận dạng để so khớpvới tập tham số của các ảnh đã biết Đây là kỹ thuật thống kê thuần tuý chủyếu phụ thuộc vào phân tích histogram cục bộ và các giá trị độ xám tuyệtđối.

Năm 1991, M Turk và A Pentland đã sử dụng phương pháp phântích thành phần chính trong lý thuyết thông tin để đặc trưng cho các ảnhmặt người Ý tưởng chính của phương pháp này là tìm kiếm một khônggian có số chiều nhỏ hơn, thực chất là tìm kiếm một hệ vector cơ sở sao chohình chiếu của đám mây điểm trên chúng thể hiện rõ nét nhất hình dạng củađám mây điểm Đám mây điểm ở đây chính là tập các vector ảnh mặt trongkhông gian có chiều bằng kích thước của ảnh Mỗi ảnh mặt người sau đó sẽđược chiếu lên không gian con này, và bộ thông số nhận được từ phép chiếunày được xem như vector đặc trưng cho từng ảnh mặt

Năm 1998, K Okada, J Steffens, T Maurer, Hai Hong, E Elagin, H.Neven và Christoph đưa ra mô hình nhận dạng mặt người bằng sóng Gabor

và phương pháp phù hp đồ thị bó Với ý tưởng dùng đồ thị để biểu diễngương mặt, các vị trí này được gọi là các vị trí chuẩn Khi thực hiện sokhớp đồ thị với một ảnh, các điểm chuẩn sẽ được trích ra từ ảnh và được sosánh với tất cả các điểm chuẩn tương ứng trong các đồ thị khác nhau, và đồthị nào phù hợp nhất với ảnh sẽ được chọn

Năm 1998, J Huang, C Liu và H Wechsler đề xuất thuật toán căn

cứ trên tính tiến hoá và di truyền cho các tác vụ nhận dạng khuôn mặt.Trong các tiếp cận này, hai mắt sẽ được dò tìm trước tiên và thông tin nàyđược xem là vết để quan sát gương mặt, trình xử lí dò tìm mắt được tiếp tụcthực hiện bằng cách sử dụng một thuật toán lai để kết hợp thao tác học vàtiến hoá

Năm 1998, Oi Bin Sun, Chian Prong Lam và Jian Kang Wu sử dụngphương pháp tìm vùng hai chân mày, hai mắt, mũi miệng và cằm Ảnhkhuôn mặt thẳng ban đầu được chiếu theo chiều ngang để tìm các giá trịđiềm ảnh thoả ngưỡng cho trước, đồ thị biểu diễn theo trục ngang sẽ định vịbiên trên và biên dưới của hình chữ nhật bao các đặc trưng cục bộ củakhuôn mặt Tương tự với chiều đứng để tìm ra đường biên bên trái và phảicho các vùng đặc trưng.

Năm 1998, A Nefian và Monson H Hayes trình bày hướng tiếp cậntheo mô hình Marko ẩn (HMM) trong đó ảnh khuôn mặt được lượng hoáthành chuỗi quan sát trên khuôn mặt theo quan niệm dựa trên thứ tự xuấthiện các đặc trưng khuôn mặt {hai chân mày, hai lông mi, mũi, miệng,cằm} Trong chuỗi quan sát đó, mỗi quan sát là một vector nhiều chiều sẽđược sử dụng để đặc trưng cho mỗi trạng thái trong chuỗi trạng thái củaHMM Mỗi người sẽ được ước lượng bởi một mô hình của HMM

Năm 2001, Guodong Guo, Stan Z Li, Kap Luk Chan sử dụngphương pháp SVM để nhận dạng khuôn mặt, sử dụng chiến lược kết hợpnhiều bộ phận loại nhị phân để xây dựng bộ phân loại SVM đa lớp

1.4 Nhận xét:

Nhận dạng mặt người là một trong những bài toán khó khăn nhất tronglĩnh vực nhận dạng ảnh Một khuôn mặt người không chỉ là đối tuợng bachiều mà còn là một thực thể mang tính động rất cao Ngoài ra, do ảnh mặtngười thường được chụp trong điều kiện môi trường tự nhiên nên thôngthường nền ảnh rất phức tạp và độ chiếu sáng có thể rất kém là một ví dụ vềmột bức ảnh với nền phức tạp có chứa mặt người

Các yếu tố xuất hiện trên ảnh tạo nên khó khăn cho hệ thống nhận dạng

có thể được phân thành các loại sau đây:

 Sự dịch chuyển, xoay, biến đổi tỉ lệ giữa các thành phần

 Hoá trang, kiểu tóc.

Hiện nay có rất nhiều nghiên cứu về lĩnh vực nhận dạng ảnh mặtngười Nhưng nhiều phương pháp đưa ra mới chỉ dựa vào các đặc trưng củaảnh chứ chưa tiếp cận được với các đặc trưng của khuôn mặt trong ảnh (tức

những đặc trưng sinh trắc học của khuôn mặt).

Trong đề tài này, em sẽ đề cập đến một phương pháp hữu hiệu đốivới trường hợp bị xoay của ảnh và sự thay đổi trong điều kiện chiếu sáng

Đó là phương pháp sử dụng sóng Gabor Phương pháp này sử dụng nhữngđiểm có sự đột biến mạnh trong biến đổi sóng Gabor Những điểm nàythường tập trung ở: mắt, lông mày, mũi, miệng, cạnh cằm, má lúm đồngtiền, nốt ruồi, vết sẹo, v.v… (những điểm có ý nghĩa rất cao trong việc nhậndạng) Vì vậy, đề tài sẽ cố gắng tiếp cận với phương pháp nhận dạng mặt

người dựa vào các đặc trưng sinh trắc học của mặt người và thực hiện cài

đặt chương trình nhận dạng mặt người theo mô hình “Nhận dạng với tập Cơ

sở dữ liệu hữu hạn” làm cơ sở để triển khai ứng dụng trong thực tế như hệthống cửa bảo mật tự động Đồng thời đưa ra các cải tiến để giải quyết cácbài toán nhận dạng mặt người trong thực tế như nhận dạng đối với các đốitượng bịt mặt,…

Chương 2 - NHẬN DẠNG MẶT NGƯỜI DỰA TRÊN THUẬT TOÁN

BIẾN ĐỔI SÓNG GABOR.

Phần A- Các phép toán liên quan:

2.a.1- Phép cuộn:

Để phục vụ cho đề tài, ở đây tôi sẽ nêu một số điểm cơ bản về phépcuộn mà sẽ được ứng dụng vào để giải quyết các vấn đề được đề cập đếntrong đề tài

2.a.1.1 - Định nghĩa:

Phép cuộn của f và g được ký hiệu là: f*g Nó được định nghĩa như là

số nguyên của tích hai hàm sau khi nó được đảo ngược và dịch chuyển Haynói cách khác nó là một dạng đặc biệt của biến đổi nguyên:

thì phép cuộn của chúng được định nghĩa là:

g

f * )( ) ( ) ( ) ( ) ( )

(

2.a.1.2- Thuật toán cuộn nhanh:

Thuật toán cuộn nhanh phổ biến nhất là sử dụng thuật toán biến đổi

Vì vậy, nếu chúng ta thực hiện phép cuộn giữa A và B thông quaphép nhân chập ( là phép nhân các phần tử tương ứng với nhau) thì chúng taphải thực hiện như sau :

Bước 1: Chuyển A và B về kích thước (ma+mb-1, na+nb-1) bằngcách trèn thêm 0 vào xung quanh A và B đến khi đạt được kích thước nhưtrên Khi này ta sẽ được hai ma trận có kích thước (ma+mb-1, na+nb-1) làA’ và B’

Bước 2 : Biến đổi Fourier thuận cho A’ và B’ lần lượt được C và D.Bước 3 : Thực hiện nhân chập giữa C và D bằng cách nhân các phần

tử tương ứng của hai ma trận C và D với nhau ta được ma trận E có kích( ma+mb-1, na+nb-1)

Bước 4: Biến đổi Fourier ngược đối với E

Bước 5: Từ ma trận E ta loại bỏ những vị trí mà ta đã chèn thêm 0tương ứng ở trong A hoặc B Phần còn lại sau khi loại bỏ E chính là kết quảcủa phép cuộn A và B

2.a.2 Tính chất của biến đổi Fourier:

Cho một hàm f(x) liên tục Biến đổi Fourier của f(x), kí hiệu F(u), u biểu diễn tần số không gian, được định nghĩa:

dx ixu x

f u

F( )    ( ) exp(  2  )

Trong đó :

f(x) : biểu diễn biên độ tín hiệu

) 2 exp(  ixu : biểu diễn pha

Biến đổi ngược của F(u) cho f(x) được định nghĩa :

du ixu x

F u

f( )    ( ) exp(  2  )

Phần B: Áp dụng biến đổi sóng Gabor cho bài toán nhận dạng mặt người.

2.b.1 Mô tả sóng Gabor 2 chiều:

Quá trình sử lý ảnh mặt người bằng bộ lọc Gabor đó là chọn mối liên

hệ về mặt sinh học và đặc tính riêng Bộ lọc Gabor có nhiều mức co dãn và

nhiều hướng khác nhau Biến đổi Gabor đối với ảnh xám I (x) xung quanh

pixel x 0 (x,y) được định nghĩa thông qua phép cuộn:

) )[exp(

2 exp(

)

(

2 2

2 2 2

w w (3.5)

ở đây j = w + 8ν và σ = 2π là độ lệch chuẩn của hàm Gaussian Hình ảnhcủa phần thực và phần ảo của sóng Gabor được thể hiện ở hình 3.1:

Hình 2.1 : Phần thực và phần ảo của các sóng Gabor.

Như vậy chúng ta sẽ có 40 mặt phẳng sóng được dùng có hình ảnh như sau:

Hình 2.2 : Các bộ lọc Gabor tương ứng với 5 mức tần số và 8 hướng.

Một ảnh khi được thể hiện bằng biến đổi Gabor sẽ cho phép miêu tả

cả hai yếu tố là: cấu trúc tần số không gian và quan hệ không gian Phépcuộn ảnh với các bộ lọc phức Gabor với 5 mức tần số ( ν=0,…,4 ) và 8hướng ( w=0,…,7 ) nó thể hiện được đầy đủ hình ảnh tần số về cả độ lớn vàpha ( hình 2.2 ) Trong hình 2.3, một ảnh đầu vào là ảnh mặt người và kếtquả của các biến đổi dùng bộ lọc Gabor

Từ biến đổi Gabor cho ảnh mặt người chúng ta có thể mã hoá mặt ngườithông qua các lưới được xây dựng từ các điểm đặc trưng ( hình 2.4) Đây làphương pháp có thể được dùng trong việc nhận dạng mặt người

Hình 2.3 : Ví dụ về kết quả thể hiện ảnh mặt người thông qua các bộ

lọc Gabor : a) ảnh mặt người gốc , b) Kết quả qua các bộ lọc.

Hình 2.4 : Ví dụ về việc so khớp dựa trên đồ thị các điểm.

Ở đây thay vì dùng các nút đồ thị thì các điểm có sự biến đổi mạnh sẽđược dùng trong việc so sánh các mẫu với nhau Đây là phương pháp khôngchỉ giảm bớt được sự phức tạp trong tính toán mà còn có thể cải thiện đượchiệu quả trong nhận dạng.

2.b.2 Trích Rút Đặc Trưng :

Thuật toán trích rút đặc trưng cho phương pháp đã được đề xuất gồm

có hai bước chính ( hình 2.6 ) : (1) Xác định vị trí điểm đặc trưng, (2) Tínhtoán vector đặc trưng

2.b.2.1 Xác định vị trí vector đặc trưng :

Trong bước này, các vector đặc trưng sẽ được trích rút từ các điểmmang nội dung thông tin lớn trên ảnh mặt người Trong hầu hết các phươngpháp dựa trên đặc trưng thì các đặc trưng của mặt thường là mắt, mũi vàmiệng Tuy nhiên, trong phương pháp đưa ra ở đây chúng ta không cố định

vị trí và cũng như số lượng các điểm đặc trưng Số lượng các vector đặctrưng và vị trí của nó có thể thay đổi để miêu tả tốt hơn các thành phần cấutạo nên khuôn mặt của các mặt người khác nhau như má lúng đồng tiền, nốtruồi, v.v…Đây chính là các đặc trưng có giá trị rất lớn trong việc nhận dạngmặt người ( hình 2.5 )

Hình 2.5 a : Những điểm đặc trưng là những điểm thuộc vùng cạnh mặt,mặt, mắt, mũi, long mày được tìm thấy thông qua biến đổi sóng Gabor

Hình 2.5b : Các điểm đặc trưng là những điểm kỳ dị được tìm thấy thông

qua biến đổi sóng Gabor.

Hình 2.6: Sơ đồ của quá trình tìm điểm đặc trưng, vector đặc trưng thông

qua thuật toán biến đổi sóng Gabor.

Từ các ảnh sau khi dùng bộ lọc Gabor để biến đổi ảnh mặt người,

thước WxW theo sự hướng dẫn sau đây :

Một điểm đặc trưng có vị trí tại ( x0,y0) nếu như :

)) , ( ( max )

, (

0

) , ( 0

x

W y x j

(

N x

N y j

N N y

x

j=1,…,40

Ở đây Rj là ảnh mặt người sau khi đã dùng bộ lọc Gabor thứ j N1, N2

là kích thước của ảnh mặt người, trung tâm của cửa sổ W0 là tại (x0 , y0)

Kích thước của cửa sổ W là một trong những tham số quan trọng của thuậttoán Kích thước này phải được chọn sao cho đủ nhỏ để thu được các đặctrưng quan trọng và đủ lớn để tránh việc dư thừa Trong thử nghiệm nàychúng ta sẽ dùng cửa sổ có kích thước 9 x 9 để tìm các điểm đặc trưng trêncác ảnh mặt người đã qua biến đổi Gabor Một bản đồ đặc trưng sẽ đượcxây dựng cho khuôn mặt bằng cách áp dụng việc tìm kiếm điểm đặc trưngnhư trên cho 40 bộ lọc Gabor.

2.b.2.2 Vector đặc trưng:

Các vector đặc trưng được sinh ra tại các điểm đặc trưng như là tổng

hợp của các hệ số biến đổi sóng Gabor Vector đặc trưng thứ k của ảnh tham chiếu thứ i được định nghĩa như sau :

} 40 , , 1 ) , ( , ,

,k  x k y k R j x k y k j 

i

Các vector đặc trưng sẽ có 42 tham số Hai tham số đầu tin thể hiện

vị trí của điểm đặc trưng chính là toạ độ ( x, y), hai tham số này của cácvector đặc trưng rất quan trọng trong quá trình so khớp 40 tham số còn lạichính là các mẫu tại điểm (x, y) của ảnh mặt người sau khi dùng các bộ lọcGabor

Mặc dù người ta có thể sử dụng một số tiêu chuẩn cho việc chọnđiểm đặc trưng, ở đây điều quan trọng nhất để xây dựng lên các vector đặctrưng đó chính là các hệ số của biến đổi sóng Gabor Các vector đặc trưngchính là các mẫu của biến đổi sóng Gabor tại các điểm đặc trưng, cho phép

mô tả cả cấu trúc tần số không gian và mối liên hệ không gian của vùng ảnhxung quanh điểm đặc trưng tương ứng

2.b.3 Qui trình so khớp :

2.b.3.1 Tính toán sự giống nhau:

Mục đích để làm cơ sở đánh giá sự giống nhau giữa hai vector đặctrưng, hàm đánh giá sự giống nhau sau đây sẽ được sử dụng :

i l

j k i i

l l

l l j

k

S

2 ,

2 ,

, ,

) ( )

(

) ( ) ( )

Si(k,j) miêu tả sự giống nhau của vector đặc trưng thứ j là (νij) của

ảnh kiểm tra với vector đặc trưng thứ k là (νik) của ảnh tham chiếu thứ i trong cơ sở dữ liệu Và l là số lượng các phần tử của vector Sự giống nhau

giữa hai vector phải thoả mãn 0 < Si < 1 , và nếu ảnh mặt người được tham

chiếu thứ i chính là ảnh kiểm tra thì ta sẽ có Si( j,j ) = 1

Thông tin vị trí đã không được sử dụng trong việc tính toán sự giốngnhau của các vector, mà chỉ có duy nhất độ lớn của hệ số sóng được sửdụng trong công thức (3.8) Trong phần tiếp theo 3.2.2 chúng ta sẽ sử dụngthông tin vị trí của các vector đặc trưng trong việc so khớp

2.b.3.2 So sánh khuôn mặt

Sau khi các vector đặc trưng đã được xây dựng từ ảnh kiểm tra,chúng ta sẽ so sánh với các vector đặc trưng của mỗi ảnh tham chiếu trong

cơ sở dữ liệu Giai đoạn so sánh này thực hiện qua hai bước:

Bước thứ nhất, chúng ta sẽ loại bỏ các vector đặc trưng của các ảnh

tham chiếu, đó là những vector đặc trưng mà nó không đủ gần với cácvector đặc trưng của ảnh kiểm tra về mặt vị trí và độ giống nhau Chỉ nhữngvector đảm bảo được hai điều kiện này mới được tiếp tục xét đến ở bướctiếp theo

1 (x r x t) 2  (y r  y t) 2 th1,

(xr, yr) và (xt, yt) lần lượt thể hiện vị trí của một điểm đặc trưng trên ảnhtham chiếu và ảnh kiểm tra Việc so sánh khoảng cách giữa các điểm đặctrưng sẽ dễ dàng loại bỏ được việc so khớp một điểm đặc trưng có vị tríxung quanh mắt với một điểm đặc trưng có vị trí xung quanh miệng trongảnh tham chiếu Sau khi đã giới hạn được vị trí, chúng ta không cần quantâm đến thông tin vị trí trong bước thứ hai

2 Si(k,j) > th2.

Độ giống nhau giữa hai vector lớn hơn th2, ở đây th2 được chọn làm

độ lệch chuẩn của độ giống nhau cho tất cả các vector đặc trưng trong khi

so sánh và độ giống nhau của hai vector được tính bởi công thức (3.8)

Ngưỡng th2 sẽ làm giảm bớt số lượng các vector đặc trưng của ảnh

tham chiếu khi tính toán và làm tăng tốc độ của thuật toán ở các bước tiếptheo

Bằng việc thay đổi th 1 và th 2 người ta có thể điều khiển được cấu trúctopo (cấu trúc của các điểm đặc trưng đại diện cho khuôn mặt ) và chí phí

khi tính toán độ giống nhau của vector Hay nói cách khác, tăng dần th 1 thìvùng tìm kiếm điểm đặc trưng sẽ lớn hơn Điều này có thể có ích khi vị trícủa các vector đặc trưng có sự biến đổi do một số điều kiện, như biểu lộ

cảm xúc khác nhau Tuy nhiên, nếu th1 quá lớn thì thông tin topo của khuôn mặt có thể sẽ bị sai lệch Bằng cách giữa th 1 là một hằng số, tăng dần

cần thiết, từ đó sẽ làm tăng chi phí cho việc tính toán Tuy nhiên, sự biến

đổi nhỏ của th 1 và th 2 sẽ không ảnh hưởng đến việc thực thi của thuật toán.Người ta có thể chọn các giá trị trạng thái ở bước 1 và bước 2

của khuôn mặt tham chiếu và Nkj vector đặc trưng đủ giống về điều kiện vị

trí và độ giống nhau với vector đặc trưng thứ j của ảnh kiểm tra Kể từ đây,

việc so khớp có thể thực hiện được từ mỗi vector đặc trưng trên ảnh kiểmtra với các vector đặc trưng của các khuôn mặt được tham chiếu

Sau khi đã đã loại bỏ các vector đặc trưng trong ảnh tham chiếu, thì ởcuối bước đầu tin có thể sẽ không còn vector đặc trưng trong ảnh thamchiếu để so khớp với vector đặc trưng của ảnh kiểm tra Khi trường hợp nàyxảy ra, vector đặc trưng này của ảnh kiểm tra sẽ được bỏ qua và quá trình

so khớp sẽ được tiếp tục với các vector đặc trưng khác

Bước thứ hai, phương trình (3.9) được áp dụng như lần thứ hai loại

bỏ các vector đặc trưng của khuôn mặt tham chiếu, nhằm đảm bảo nhiều

nhất chỉ một vector đặc trưng của ảnh tham chiếu sẽ được so khớp với mộtvector đặc trưng của ảnh kiểm tra:

)) , ( ( max

,

N l j

j k



chiếu thứ i với ảnh kiểm tra dựa trên vector đặc trưng thứ j.

Cuối cùng, độ giống nhau tổng thể của mỗi ảnh tham chiếu được tínhqua trung bình các độ giống nhau của vector đặc trưng, đó là những vectorcòn lại sau hai bước trên

OSi thể hiện độ giống nhau của ảnh kiểm tra với ảnh tham chiếu thứ i, và

nó có giá trị biến đổi từ 0 tới 1 Nếu ảnh tham chiếu thứ i đã được sử dụng

như là ảnh kiểm tra thì OSi sẽ đạt tới 1

Mặc dù OS là một điều kiện tốt cho việc đánh giá độ giống nhau củahai khuôn mặt, nhưng có thể cải tiến hơn nữa bằng việc xét đến số lượngcác vector đặc trưng Phải lưu ý, số lượng các điểm đặc trưng cho bất kỳ haiảnh mặt người là không bằng nhau của cùng một đối tượng Lý do có sựthay đổi lớn của số lượng các vector đặc trưng giữa các khuôn mặt đó là:đeo kính / không đeo kính, điều kiện chiếu sáng khác nhau, cùng một khuônmặt nhưng dưới các điều kiện khác nhau, v.v…Từ số lượng các vector tạo

ra độ giống nhau ở (3.10) sẽ không có ý nghĩa sử dụng khi nó sử dụng đơn

lẻ Ví dụ : OS = 0.85 là trung bình độ giống nhau của 20 vector sẽ có giá trịhơn so với OS = 0.95 là trung bình độ giống nhau của 2 vector Ngoài ra, sốlượng vector đặc trưng được so khớp của mỗi khuôn mặt tham chiếu cũngthể hiện thông tin về so khớp topo Nhằm nhấn mạnh thông tin chứa trong

số lượng các điểm đặc trưng được so khớp, thì một tham số mới C sẽ đượcđưa ra và được tính bằng tổng của số lượng các vector đặc trưng của ảnhtham chiếu, những vector này là vector có độ giống nhau cao với mộtvector đặc trưng của ảnh kiểm tra:



j

j i j

l = 1,…,số khuôn mặt tham chiếu.

Nt là tổng số các vector đặc trưng của ảnh kiểm tra và σ (.) làhàm Delta Dirac

Với mỗi vector đặc trưng của ảnh kiểm tra chúng ta sẽ sắp xếp cácảnh tham chiếu theo trung bình về độ giống nhau và tổng số các vectorđược so khớp của mỗi ảnh tham chiếu (3.11)

Mục đích tìm ra sự so khớp tốt nhất, thì tổng trọng số của hai kết quả

có thể được sử dụng Đây là một cải tiến trong việc thực thi, trong trường

hợp các phép so khớp có sự sai khác do sử dụng các kết quả đơn lẻ của OS

và C Tuy nhiên, so khớp liên tiếp có thể thực hiện được nhờ nếu khuôn mặt tham chiếu thứ i là chính xác thì nó sẽ đưa ra giá trị lớn đối với cả C i và OS i

Do đó, sự so khớp tốt nhất là giá trị lớn nhất của hàm sau đây:

) (

i

i i

C OS

Ở đây C i số lượng các vector đặc trưng của ảnh tham chiếu thứ i, đó

là những vector có độ giống lớn nhất với một vector của ảnh kiểm tra N i là

số lượng các vector đặc trưng của ảnh tham chiếu thứ i Nếu ảnh tham chiếu thứ i được sử dụng như là ảnh kiểm tra thì FSFi sẽ đạt đến 1

Mặc dù với cơ sở dữ liệu tương ứng thì kết quả nhận dạng là 100%được thể hiện ở hình (2.7 - c), nó cho thấy đối với cơ sở dữ liệu lớn thì chỉmình giá trị tổng các vector có độ giống nhau lớn nhất của các ảnh thamchiếu trong (3.12) sẽ trở nên không có tác dụng Thay vì thế, công thức(3.12) có thể mở rộng để áp dụng cho cơ sở dữ liệu lớn bằng cách tính tổng

số các vector đặc trưng của mỗi ảnh tham chiếu, đó là các vector nhằmtrong 10% giống nhau đầu tin:



j

j j

Hình 2.7 : Số lượng ảnh test (1-624), số ảnh tham chiếu (1-48) thông

qua các cách so khớp: a) Chỉ xét về độ giống nhau , b) Chỉ xét về số lượng các vector đặc trưng có độ giống nhau lớn nhất , c) Xét đồng thời độ giống nhau và số lượng các vector đặc trưng có độ giống nhau lớn nhất.

Chương 3 : CÀI ĐẶT CHƯƠNG TRÌNH VÀ CÁC CẢI TIẾN.

3.1- Sơ đồ Logic của chương trình:

Hàm Cuộn

Trích rút đặc trưng

So Khớp Đặc trưngCSDL

ThôngTin CáNhân

128 x 128

Ảnh xám

Ảnh đại diện

Hàm

Gabor

Ảnh cuộn

Hình 3.1 : Sơ đồ Logic của chương trình nhận dạng mặt người dựa trên

biến đổi sóng Gabor.

Cụ thể của sơ đồ như sau :

chuyển về biểu diễn trên không gian ảnh thì có hình dạng như trong

sơ đồ (Sóng Gabor)

khuôn mặt về dạng ảnh xám

cho ra 40 ảnh cuộn của khuôn mặt

 Từ 40 ảnh cuộn chúng ta sẽ thực hiện tìm kiếm điểm đặc trưng vàvector đặc trưng của khuôn mặt Khi đó ta sẽ được tập các vector đặctrưng của khuôn mặt cần nhận dạng Tập vector đặc trưng này sẽđược dùng để đại diện cho ảnh cần nhận dạng trong việc so khớp với

Cơ sở dữ liệu

mỗi cá nhân ( chính là ký hiệu P1, ,Pn trong sơ đồ ) chúng ta sẽ cóđược tập Cơ sở dữ liệu vector đặc trưng

ảnh cần nhận dạng với các tập vector đặc trưng trong Cơ sở dữ liệu.Sau khi so khớp song thì chúng ta sẽ tìm được một tập vector đặctrưng ( tập vector đặc trưng này là đại diện cho một ảnh được dùnglàm mẫu của một đối tượng nào đó đã được lưu trong Cơ sở dữ liệu)giống với tập của các vector đặc trưng của ảnh cần nhận dạng nhất

Từ kết quả này chúng ta sẽ lấy được Mã của đối tượng trong Cơ sở

dữ liệu giống với đối tượng cần nhận dạng nhất

thông tin cá nhân chúng ta sẽ biết được thông tin đầy đủ về đối tượnggiống với đối tượng cần nhận dạng nhất Khi đó chúng ta sẽ lấy ảnhđại diện của đối tượng này để thể hiện trực quan cho kết quả của qúatrình nhận dạng

3.2 Dò tìm khuôn mặt người :

Để phục vụ cho việc tìm hiểu bài toán nhận dạng mặt người dựa trênthuật toán biến đổi sóng Gabor thì đề tài đã kế thừa Module dò tìm vùngkhuôn mặt người trong đề tài nghiêm cứu khoa học năm 2007-2008 “Nhận

dạng mặt người trên tập ảnh hữu hạn” của tác giả Phan Việt Anh và Phạm

Văn Lai Lớp Tin học K38- Học Viện Kỹ Thuật Quân Sự Module này sẽ

được dùng trong tiền xử lý ảnh đầu vào nhằm tách khuôn mặt người ra khỏiảnh lớn để làm ảnh đầu vào cho quá trình nhận dạng

3.3 Mặt Nạ lọc Gabor :