ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CNTT&TT TRẦN XUÂN TỨ NHẬN DẠNG ẢNH MẶT NGƯỜI SỬ DỤNG MẠNG NƠRON LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Thái Nguyên 2011 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguy[.]
ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CNTT&TT TRẦN XUÂN TỨ NHẬN DẠNG ẢNH MẶT NGƯỜI SỬ DỤNG MẠNG NƠRON LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Thái Nguyên - 2011 Số hóa Trung tâm Học liệu – Đại học Thái Nguyên Tai ngay!!! Ban co the xoa dong chu nay!!! http://www.lrc-tnu.edu.vn ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CNTT&TT TRẦN XUÂN TỨ NHẬN DẠNG ẢNH MẶT NGƯỜI SỬ DỤNG MẠNG NƠRON Chuyên ngành: Khoa học máy tính Mã số: 60 48 01 LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH NGƯỜI HƯỚNG DẪN KHOA HỌC PGS.TS ĐỖ NĂNG TỒN Thái Ngun - 2011 Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn Lời cam đoan Tôi xin cam đoan luận văn “Nhận dạng ảnh mặt người sử dụng mạng nơron” công trình nghiên cứu riêng tơi Các số liệu sử dụng luận văn trung thực Các kết nghiên cứu trình bày luận văn chưa cơng bố cơng trình khác Trần Xuân Tứ Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn Lời cảm ơn Tôi xin chân thành cảm ơn Thầy giáo PGS.TS Đỗ Năng Tồn tận tình dạy hướng dẫn tơi suốt thời gian nghiên cứu hoàn thành luận văn Để có kết ngày hơm cơng lao Thầy, Cô giáo vô to lớn Tôi xin chân thành cảm ơn Thầy, Cô giáo Viện Công nghệ thông tin Khoa Công nghệ thông tin - Đại học Thái Nguyên tận tình giảng dạy, trang bị vốn kiến thức kinh nghiệm q báu để tơi có kết tốt học tập Tơi xin bày tỏ lịng biết ơn sâu sắc đến gia đình, bạn bè đồng nghiệp ln giúp đỡ, động viên để tơi hồn thành tốt chương trình học đề tài nghiên cứu Thái Nguyên, ngày 02 tháng10 năm 2011 Trần xuân Tứ Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn i MỤC LỤC Trang Trang phụ bìa Lời cam đoan Mục lục i Danh mục ký hiệu, chữ viết tắt ii Danh mục bảng iii Danh mục hình vẽ, đồ thị iv Phần mở đầu Chương 1: khái quát xử lý ảnh trích chọn đặc trưng 1.1 Khái quát xử lý ảnh 1.1.1 Xử lý ảnh, vấn đề xử lý ảnh 1.1.2 Thu nhận biểu diễn ảnh 1.2 Trích chọn đặc trưng 1.2.1 Phương pháp phân tích thành phần 1.2.2 Phương pháp phân tách tuyến tính 19 1.2.3 Phương pháp xử lý hình thái 22 Chương 2: Mạng nơron .35 2.1 Giới thiệu mạng nơ-ron 35 2.1.1 Lịch sử phát triển 35 2.1.2 Mơ hình mạng nơ-ron nhân tạo 37 2.2 Phạm vi ứng dụng mạng nơ-ron 47 2.2.1 Các lĩnh vực ứng dụng mạng nơ-ron 47 2.2.2 Ưu nhược điểm mạng nơ-ron 48 2.3 Thuật toán học lan truyền ngược 48 Chương 3: Nhận dạng ảnh mặt người sử dụng mạng Nơron 53 3.1 Bài toán 53 3.2 Thiết kế hệ thống 53 3.2.1 Trích chọn đặc trưng 53 3.2.2 Thiết kế mạng nơron 54 3.3 Chương trình 54 3.3.1 Cơ sở liệu ảnh 54 3.3.2 Môi trường cài đặt 56 3.3.3 Cài đặt 56 3.4 Kiểm thử đánh giá 57 Phần Kết luận 59 Tài liệu tham khảo .61 Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn ii Danh mục ký hiệu, chữ viết tắt LDA (Linear Discriminant Analysis): Phương pháp phân tách tuyến tính LMS (Least Mean Square): Phương pháp bình phương trung bình tối thiểu ORL (Olivetti Research Laboratory, Surrey University): Cơ sở liệu ảnh dùng luận văn PCA (Principal Components Analysis): Phương pháp phân tích thành phần Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn iii Danh mục bảng Bảng 3.1 Các module chương trình 56 Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn iv Danh mục hình vẽ, đồ thị Hình 1.1 Quá trình xử lý ảnh Hình 1.2 Các bước hệ thống xử lý ảnh Hình 1.3 Quá trình hiển thị chỉnh sửa, lưu trữ ảnh thơng qua DIB Hình 1.4 Sự chuyển đổi mơ hình biểu diễn ảnh Hình 1.5 Ví dụ vector thường vetor riêng 13 Hình 1.6 Ví dụ ổn định vector riêng việc lấy tỉ lệ 14 Hình 1.7 Ảnh gốc sở liệu ORL 18 Hình 1.8 Ảnh sau biến đổi theo PCA 18 Hình 1.9 Ví dụ minh họa LDA 19 Hình 1.10 Ảnh sau biến đổi theo LDA 22 Hình 1.11 Sự liên thông 23 Hình 1.12 Phép dãn ảnh nhị phân 26 Hình 1.13 Phép co ảnh nhị phân 27 Hình 1.14 Phép dãn ảnh tổng quát dựa theo phép cộng Minkowski 30 Hình 1.15 So sánh kết hai phép co ảnh 32 Hình 1.16 Ảnh sau xử lý hình thái 34 Hình 2.1 Mơ hình nơ ron sinh học 37 Hình 2.2 Một số dạng hàm kích hoạt nơron 39 Hình 2.3 Mơ hình nơ-ron 42 Hình 2.4 Các thành phần mạng nơron nhân tạo 43 Hình 2.5 Mạng truyền thẳng lớp 45 Hình 2.6 Mơ tả cấu trúc mạng nơ ron truyền thẳng nhiều lớp 46 Hình 2.7 Mạng lớp có nối ngược 46 Hình 2.8 Mạng nhiều lớp có nối ngược 47 Hình 2.9 Mạng nơron l lớp 49 Hình 3.1 Ảnh gốc bổ sung ảnh gương 53 Hình 3.2 Ảnh gốc ảnh ORL 55 Hình 3.3 Giao diện chương trình 57 Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn Phần mở đầu - Đặt vấn đề: + Giới thiệu tổng quan đề tài Trong luận văn trình bày khái quát xử lý ảnh, phương pháp trích chọn đặc trưng Mạng nơron sử dụng mạng Nơron toán nhận dạng ảnh mặt người + Lý chọn đề tài Hiện nay, với phát triển vũ bão cơng nghệ thơng tin nói chung phát triển lĩnh vực thị giác máy nói riêng, hệ thống phát nhận dạng mặt người ngày có nhiều ứng dụng thực tế vấn đề an ninh, nhận dạng người dùng hệ thống bảo mật, nhận dạng người lái xe, hộ chiếu, nhận dạng người hệ thống tương tác người-máy, lĩnh vực giải trí… Đặc biệt sau thảm họa ngày 11/9, phủ toàn giới bắt đầu ý tới mức an ninh sân bay biên giới Ngân sách năm nước tăng lên nhiều cho kỹ thuật xác định, nhận dạng lần theo đối tượng nghi vấn Nhu cầu tăng lên ứng dụng giúp nhà khoa học có thêm quỹ để phát triển dự án nghiên cứu Mặc dù việc nhận dạng mặt người khơng thể xác phương pháp nhận dạng khác nhận dạng vân tay, nhận quan tâm lớn nhà nghiên cứu lĩnh vực thị giác máy Lý chủ yếu thực tế, mặt người cách truyền thống để người nhận Trong kỷ 20 có nhiều mơ hình tính tốn mơ não người nghiên cứu có mạng nơron Mạng nơ-ron có khả Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn giải hàng loạt tốn tính tốn tối ưu, nhận dạng, điều khiển ứng dụng nhiều lĩnh vực công nghệ thông tin Một mạng nơron nhân tạo bao gồm tập đơn vị xử lý bản, gọi nơron, chúng truyền thông tin cách gửi tín hiệu cho qua kênh kết nối có trọng số Mỗi nơron thực cơng việc tương đối đơn giản: nhận tín hiệu từ nơron lân cận từ nguồn bên ngồi, tính tốn tín hiệu truyền sang cho nơron khác Ngoài việc xử lý này, nhiệm vụ thứ hai nơron điều chỉnh lại trọng số Hệ thống thực song song nhiều nơron thực tính tốn thời điểm Xuất phát hồn cảnh tơi định lựa chọn đề tài: “Nhận dạng ảnh mặt người sử dụng mạng Nơron” việc làm khơng có ý nghĩa khoa học cịn mang đận tính thực tiễn thực tế đặt yêu cầu đòi hỏi - Nội dung nghiên cứu + Mục tiêu nghiên cứu tính cấp thiết đề tài Đề tài nghiên cứu phương pháp trích chọn đặc trưng, nghiên cứu mạng nơron ứng dụng thuật toán lan truyền ngược để giải toán nhận dạng ảnh mặt người Tính cấp thiết đề tài: Hiện tình trạng bất ổn an ninh, trị nạn khủng bố giới ngày phức tạp vấn đề nhận dạng người dùng hệ thống bảo mật, nhận dạng người lái xe, hộ chiếu, nhận dạng người hệ thống tương tác người-máy, lĩnh vực giải trí… trở nên quan trọng cấp thiết Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 47 Mạng hồi quy nhiều lớp có nối ngược X1 Y1 X2 Y2 XN YM Hình 2.8 Mạng nhiều lớp có nối ngược 2.2 Phạm vi ứng dụng mạng nơ-ron 2.2.1 Các lĩnh vực ứng dụng mạng nơ-ron Khó thống kê đầy đủ ứng dụng mạng nơ-ron Tuy nhiên, nêu số ứng dụng sau: - Xử lý ảnh - Nhận dạng mẫu - Y học - Các hệ thống quân - Vấn đề lập kế hoạch, điều khiển tìm kiếm - Các hệ thống lượng - Dự đoán - Giải toán tối ưu: Vấn đề tìm thuật tốn huấn luyện mạng để góp phần tìm nghiệm cho nhiều lớp tốn tối ưu tồn cục Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 48 2.2.2 Ưu nhược điểm mạng nơ-ron Ưu điểm: - xử lý song song - Thiết kế hệ thống thích nghi - Khơng địi hỏi đặc trưng mở rộng toán (chủ yếu dựa tập học) Nhược điểm: - Khơng có quy tắc hướng dẫn thiết kế cách rõ ràng ứng dụng định - Không có cách tổng quát để đánh giá hoạt động bên mạng - Việc học mạng khó (hoặc khơng thể) thực - Khó dự đoán trước hiệu mạng tương lai (khả tổng quát hoá) 2.3 Thuật toán học lan truyền ngược Một mạng nơron truyền thẳng có cấu trúc gồm nhiều lớp Mỗi lớp chứa nơron nhận tín hiệu vào từ nơron lớp trực tiếp phía gửi tín hiệu chúng cho lớp trực tiếp phía Khơng có kết nối nơron lớp Các nơron vào Ni truyền tín hiệu đến lớp nơron ẩn Nh,1 Không xử lý thực nơron vào Hàm kích hoạt nơron ẩn hàm Fi tín hiệu vào có trọng số cộng với bias cơng thức (2.5) Tín hiệu nơron ẩn phân bổ lớp nơron ẩn Nh,2, tiếp tục đến lớp cuối nơron ẩn, tín hiệu chúng truyền đến lớp nơron No (hình 2.9) Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 49 Hình 2.9 Mạng nơron l lớp Do nơron sử dụng với hàm kích hoạt phi tuyến, nên tổng qt hóa quy tắc delta trình bày cho hàm tuyến tính để sử dụng với hàm phi tuyến Hàm kích hoạt hàm khả vi tín hiệu vào tổng, cho bởi: = (2.19) = + (2.20) Để tổng qt hóa xác quy tắc delta ta đặt ∆ (2.21) =− Hàm lỗi Ep định nghĩa tổng lỗi bình phương mẫu p nơron ra: = − Số hóa Trung tâm Học liệu – Đại học Thái Nguyên (2.22) http://www.lrc-tnu.edu.vn 50 tín hiệu mong muốn với nơron o mẫu p đưa vào Đặt =∑ tổng lỗi bình phương Ta viết: = (2.23) Theo công thức (2.20), nhân tử thứ hai là: = (2.24) Khi có định nghĩa: =− (2.25) quy tắc nhận tương đương với quy tắc delta trên, trả kết độ dốc giảm dần mặt phẳng lỗi trọng số thay đổi theo công thức: ∆ (2.26) =− Cách làm nhằm xác định vai trò nơron k mạng Kết có tính toán hồi quy đơn giản cài đặt cách lan truyền ngược tín hiệu lỗi mạng Để tính , theo quy tắc chuỗi, đạo hàm riêng phần viết lại thành tích hai nhân tử, nhân tử phản ánh biến đổi lỗi hàm tín hiệu nơron, cịn nhân tử phản ánh biến đổi tín hiệu hàm biến đổi tín hiệu vào: =− =− (2.27) Với nhân tử thứ hai, theo công thức (2.19) ta có: Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 51 = ′ (2.28) đạo hàm hàm F với nơron thứ k, tính nơron vào đến nơron Để tính nhân tử thứ công thức (2.27), ta xét hai trường hợp Thứ nhất, giả sử nơron k nơron k = o mạng, theo định nghĩa Ep =− − (2.29) kết giống sử dụng quy tắc delta chuẩn Thay kết kết công thức (2.28) vào công thức (2.27): = ′ − (2.30) với nơron o Trường hợp thứ hai, k nơron mà nơron ẩn k = h, khơng xác định đóng góp nơron vào lỗi mạng Tuy nhiên, cơng thức tính lỗi viết hàm tín hiệu vào từ lớp ẩn đến lớp ra; = ( , , , ) ta sử dụng quy tắc chuỗi để viết: = = = =− (2.31) Thay kết vào công thức (2.27): =− =− (2.32) Công thức (2.30) (2.27) xác định thủ tục đệ quy để tính tất nơron mạng, sau sử dụng để tính thay đổi trọng số theo Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 52 công thức (2.26) Thủ tục quy tắc delta tổng quát dùng cho mạng truyền thẳng phi tuyến Các công thức nhận xác mặt tốn học, thực tế chúng có ý nghĩa gì? Liệu có cách để hiểu chất lan truyền ngược? Thực tế, toàn trình lan truyền ngược trực quan Khi mẫu học đưa vào, giá trị kích hoạt lan truyền đến nơron tín hiệu thực mạng so sánh với tín hiệu mong muốn, thơng thường kết thúc với lỗi nơron Gọi lỗi eo với nơron o Mục đích phải làm cho eo Cách đơn giản để thực việc làm theo thuật toán tham lam: thay đổi kết nối mạng để eo với mẫu học Theo quy tắc delta, để giảm lỗi, trọng số chỉnh sửa theo ∆ =( − ) (2.33) Đó bước Nhưng chưa đủ: áp dụng quy tắc này, trọng số từ nơron vào đến nơron ẩn không thay đổi khơng có khả biểu diễn đẩy đủ mạng truyền thẳng Để chỉnh sửa trọng số từ nơron vào đến nơron ẩn, cần tiếp tục áp dụng quy tắc delta Tuy nhiên, trường hợp lại khơng có giá trị cho nơron ẩn Điều giải quy tắc chuỗi sau: phân tán lỗi nơron o cho tất nơron ẩn nối tới nó, theo trọng số kết nối Mỗi nơron ẩn h nhận từ nơron o nơron với trọng số trọng số kết nối nơron đó: =∑ Cần có hàm kích hoạt nơron ẩn; F’ phải sử dụng cho delta, trước việc lan truyền ngược tiếp tục Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 53 Chương 3: Nhận dạng ảnh mặt người sử dụng mạng Nơron 3.1 Bài tốn Có nhiều mơ hình khác tốn nhận dạng ảnh mặt người Với tốn luận văn, có sở liệu ảnh tập N người, người có M ảnh khác nhau, gọi tập ảnh huấn luyện Hệ thống sử dụng tập ảnh huấn luyện để học Khi đưa vào nhận dạng, đầu vào hệ thống ảnh người tập N người Đầu hệ thống xác định ảnh đầu vào người số N người ban đầu 3.2 Thiết kế hệ thống 3.2.1 Trích chọn đặc trưng Trước thực PCA LDA, ảnh gốc ma trận hai chiều kích thước 112×92 chuyển sang biểu diễn dạng vector 10304 chiều Mỗi ảnh huấn luyện bổ sung ảnh dạng ảnh gương để tăng thêm đa dạng cho tập ảnh huấn luyện (hình 3.1) Hình 3.1 Ảnh gốc bổ sung ảnh gương Trong chương trình này, thực phân tích thành phần chính, vector riêng chọn tương ứng với giá trị riêng lớn 10 3, kết có 49 vector riêng chọn Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 54 Trước thực LDA, ảnh gốc cần phải thực PCA để giảm số chiều liệu số chiều 10304 lớn để thực LDA Ở đây, vector riêng chọn tương ứng với giá trị riêng lớn 105 (số lượng vector riêng nhiều so với phương pháp PCA trên) Đối với pha xử lý hình thái ảnh, ảnh sau biến đổi thực phân tích thành phần để để giảm số chiều trước đưa vào huấn luyện mạng nơron 3.2.2 Thiết kế mạng nơron Chương trình sử dụng ba mạng nơron riêng biệt ứng với phương pháp phân tích Phương pháp huấn luyện mạng giống phần lý thuyết trình bày, nhiên giá trị tỉ lệ học không cố định Trong trình huấn luyện, lỗi mạng vượt lỗi cũ với tỉ lệ định trước, giá trị trọng số bias bỏ qua Ngoài ra, giá trị tỉ lệ học giảm xuống Trái lại, trọng số bias tính lại giá trị Nếu lỗi nhỏ lỗi cũ, tỉ lệ học tăng lên Ba mạng nơron ứng với ba phương pháp phân tích huấn luyện độc lập với Khi thực nhận dạng, ảnh nhận dạng biến đổi tính tốn theo phương pháp phân tích Ba giá trị kết so sánh với nhau, chọn kết phù hợp để làm kết nhận dạng hệ thống, việc so sánh dựa khoảng cách Euclide ảnh 3.3 Chương trình 3.3.1 Cơ sở liệu ảnh Trong luận văn này, ảnh liệu lấy từ sở liệu ORL (Olivetti Research Laboratory, Surrey University) Các ảnh tương đối Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 55 đa dạng, thích hợp cho việc kiểm thử hệ thống Bộ ảnh chụp 40 người khác nhau, người có 10 ảnh riêng, ảnh chụp thời điểm khác nhau, với góc nghiêng khác nhau, trạng thái khác cười không cười, đeo kính khơng, nheo mắt, miệng mở đóng… Hình 3.2 Ảnh gốc ảnh ORL Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 56 3.3.2 Môi trường cài đặt MATLAB sử dụng để cài đặt hệ thống tích hợp mơi trường tính tốn kỹ thuật phù hợp cho thuật toán thiết kế MATLAB ngơn ngữ lập trình bậc cao gồm nhiều hàm phục vụ cho việc phân tích hiển thị liệu cách trực quan; thực tính toán toán kỹ thuật; xây dựng mơ hình tính tốn; lập trình ứng dụng với giao diện đồ họa người dùng 3.3.3 Cài đặt Mã nguồn chương trình bao gồm số module mơ tả bảng 3.1 Bảng 3.1 Các module chương trình Module Giải thích PCA_based.m Module nhận dạng mặt người theo phương pháp PCA LDA_based.m Module nhận dạng mặt người theo phương pháp LDA Morpho_based.m Globalvar.m Recognize.m GUI.m Module nhận dạng mặt người theo phương pháp xử lý hình thái Chứa biến tồn cục Module nhận dạng mặt người cách kết hợp ba phương pháp Cài đặt giao diện người dùng Hình 3.3 giao diện chương trình Chương trình gồm ba chức Chức Training thực huấn luyện mạng nơron Chức Recognize thực việc nhận dạng, nhấn nút Recognize, người dùng có Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 57 thể chọn ảnh cửa sổ mở ra, chương trình in ảnh lên vùng Input Image Sau nhận dạng người tương ứng, chương trình in ảnh người lên vùng Recognize Person Chức Exit chương trình Hình 3.3 Giao diện chương trình 3.4 Kiểm thử đánh giá Trong trình xây dựng hệ thống, chương trình thực nhiều lần thử nghiệm đánh giá để chọn giá trị phù hợp tham số Những tham số quan trọng hệ thống số lượng đặc trưng trích chọn, tỉ lệ học mạng nơron số lượng nơron ẩn mạng, tham số ảnh hưởng lớn đến thời gian thực độ xác hệ thống Đối với phương pháp phân tích, việc trích chọn đặc trưng, đặc trưng có giá trị ý nghĩa khác nhau, đặc trưng chọn theo giá trị ý nghĩa giảm dần đến ngưỡng Nếu ngưỡng lớn, Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 58 đặc trưng có giá trị nhỏ ngưỡng bị bỏ qua, đặc trưng quan trọng Nếu ngưỡng nhỏ, lấy hầu hết đặc trưng quan trọng, lại khiến cho thời gian thực hệ thống tăng lên, đồng thời lấy đặc trưng không quan trọng Qua nhiều thử nghiệm, giá trị ngưỡng chọn phương pháp PCA 10-3, phương pháp LDA phương pháp biến đổi hình thái 10-5 Đối với mạng nơron, tỉ lệ học tham số ảnh hưởng lớn đến hội tụ mạng Nếu tỉ lệ học lớn, mạng có độ dao động lớn trở nên không ổn định Nếu tỉ lệ học nhỏ, mạng nhiều thời gian để hội tụ Ở đây, mạng nơron, phương pháp huấn luyện mạng sử dụng với giá trị tỉ lệ học khơng cố định Trong q trình huấn luyện, lỗi mạng vượt lỗi cũ với tỉ lệ định trước (1.04) giá trị trọng số bias bỏ qua Ngoài ra, giá trị tỉ lệ học bị giảm xuống (nhân với 0.7) Trái lại, trọng số bias tính lại giá trị Nếu lỗi nhỏ lỗi cũ, tỉ lệ học tăng lên (nhân với 1.05) Số lượng nơron ẩn đối mạng nơron ảnh hưởng đến thời gian độ xác mạng Nếu số nơron ẩn ít, mạng thực nhanh với độ xác thấp Nếu số nơron ẩn nhiều, mạng thực lâu độ xác cao Tuy nhiên, số nơron ẩn nhiều, mạng lại trở nên thiếu xác Giá trị tối ưu số lượng nơron ẩn cho mạng nơron chọn 24 Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 59 Phần Kết luận Bằng cách kết hợp phương pháp phân tích thống kê phương pháp biến đổi hình thái luận văn đạt phương pháp hiệu toán nhận dạng mặt người Phương pháp PCA LDA trích chọn đặc trưng mang tính thống kê, kết hợp với phương pháp biến đổi hình thái ảnh cung cấp đặc trưng mang tính hình học khn mặt giúp hệ thống có thơng tin đặc trưng tương đối đầy đủ người Đối với phương pháp phân tích, sau trích chọn, đặc trưng chuyển tới mạng nơron lan truyền ngược để huấn luyện, phương pháp có mạng riêng Các tham số q trình huấn luyện số đặc trưng trích chọn, số nơron ẩn mạng, dạng hàm kích hoạt mạng lựa chọn sau nhiều thử nghiệm để có giá trị phù hợp hệ thống thời gian tính tốn độ xác Khi thực nhận dạng, ảnh đầu vào trích chọn đặc trưng, đặc trưng đưa vào mạng nơron tương ứng với phương pháp phân tích Đầu mạng người tương ứng với kết phương pháp Các kết riêng lẻ khác nhau, chúng so sánh với dựa vào khoảng cách Euclide với ảnh đầu vào, kết hệ thống kết có khoảng cách ngắn Bằng việc kết hợp vậy, hệ thống tận dụng tối đa ưu điểm phương pháp phân tích, đồng thời ưu điểm phương pháp bổ khuyết cho nhược điểm phương pháp kia, giúp hệ thống đạt hiệu tốt Mặc dù hệ thống đạt độ xác cao, nhiên cịn tỉ lệ nhỏ chưa xác hệ thống chưa đánh giá toàn đặc trưng mặt người Trong nghiên cứu nhằm phát triển hồn Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 60 thiện hệ thống hơn, việc nhận dạng kết hợp thêm phương pháp phân tích khác nhận dạng mắt, nhận dạng miệng hay nhận dạng mũi đặc trưng quan trọng khn mặt Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn 61 Tài liệu tham khảo Tiếng Việt [1] Đỗ Năng Toàn, Phạm Việt Bình (2007), “Giáo trình mơn Xử lý ảnh” Tiếng Anh [1] Ben Kröse, Patrick van der Smagt (1996), An introduction to Neural Networks, The University of Amsterdam [2] Kresimir Delac, Mislav Grgic (2007), “PCA and LDA based Neural Networks for Human Face Recognition”, Face Recognition, ISBN 9783-902613-03-5, I-Tech, Vienna, Austria [3] Lindsay I Smith (2002), A Tutorial on Principal Components Analysis, Cornell University, USA [4] Ethan Png (2004), Morphological Shared-Weight Neural Network for Face Recognition, University of Manchester Institute of Science and Technology [5] William K Pratt (2007), Digital Image Processing, John Wiley & Sons, Inc., Publication [6] W Zhao, R Chellappa, P J Phillips, A Rosenfeld (2003), “Face Recognition - A Literature Survey”, ACM Computing Surveys, Vol 35 (No 4) [7] http://en.wikipedia.org/wiki/Linear_discriminant_analysis [8] http://en.wikipedia.org/wiki/Moore-Penrose_pseudoinverse [9] http://en.wikipedia.org/wiki/Singular_value_decomposition [10] http://people.revoledu.com/kardi/index.html Số hóa Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn