Báo cáo đề xuất phương pháp truy tìm ảnh mặt người trên video

Báo cáo đề xuất phương pháp truy tìm ảnh mặt người trên video

Lời cám ơn  Xin chân thành cám ơn thầy, cô thuộc khoa điện- điện tử trường Đại Học Tơn Đức Thắng tận tình truyền đạt cho chúng em nhiều kiến thức quý báu Chúng em xin gửi lời cám ơn sâu sắc đến Thầy Đỗ Đình Thuấn, Thầy hướng dẫn, giúp đỡ chúng em suốt thời gian thực đề tài Em xin cảm ơn! Thành phố Hồ Chí Minh, tháng 5/2012 Nhóm sinh viên thực hiện: Kiều Anh Dũng – Nguyễn Thanh Liêm- Trần Nguyễn Văn Đồi Trình bày báo cáo NCKH Nội dung NCKH tổ chức trình bày chương: Chương 0: Mở đầu: Giới thiệu đề tài Chương 1: Tổng quan toán nhận dạng mặt người cách tiệp cận Chương 2:Dị tìm khn mặt ảnh Chương 3: Trích chọn đặc trưng cho ảnh khuôn mặt Chương 4:Nhận dạng ảnh khuôn mặt Chương 5: Ứng dụng thử nghiệm Chương 6: Đánh giá hướng phát triển Mục lục Danh sách hình Hình 1.3.1 – : Mơ hình tổng qt toán nhận dạng biển số xe 14 Hình 2.2.1 – : Sơ đồ hệ dị tìm khn mặt AdaBoost – NN 19 Hình 2.2.2 – : Minh hoạ hệ dị tìm khn mặt AdaBoost-Adaboost 19 Hình 2.3.1 – : Ví dụ ảnh ngược sáng 20 Hình 2.3.1 – 4: Ví dụ ảnh bị che khuất thành phần quan trọng 20 Hình 2.3.1 – : Ví dụ ảnh có cảm xúc đặc biệt 20 Hình 3.3.2 – 2: Các ảnh với phương pháp rút trích PCA bị nhận dạng sai với liệu nước 22 Hình 3.3.2 – : Các ảnh với phương pháp rút trích ICA bị nhận dạng sai với liệu nước 23 Bảng 3.3.4 – : Kết so sánh PCA ICA liệu nước 24 Hình 3.3.4 – : Các ảnh với phương pháp rút trích PCA bị nhận dạng sai với liệu tự tạo 24 Hình 4.2.1 – :Sơ đồ hệ thống nhận dạng mặt người dùng SVM 26 Hình 4.2.2 – :Sơ đồ hệ thống nhận dạng mặt người dùng mạng Nơron .27 Bảng4.3.2 – : Thời gian huấn luyện SVM NN liệu nước .27 Bảng 4.3.2 – : Thời gian nhận dạng thư mục test nước SVM NN 28 Bảng 4.3.2 – : Kết so sánh nhận dạng SVM NN liệu nước ngồi 29 Hình 4.3.2 – : Biểu đồ kết thử nghiệm hai phương pháp nhận dạng SVM NN .29 liệu nước ngoài: thống kê test 29 Bảng 4.3.4 - 1: Thời gian huấn luyện SVM NN liệu nước 30 Bảng 4.3.4 - 2: Thời gian nhận dạng thư mục test nước SVM NN 30 Bảng 4.3.4 - 3: Kết so sánh SVM NN liệu nước 31 Hình 4.3.4 - :Biểu đồ kết thử nghiệm hai phương pháp nhận dạng SVM NN 31 liệu nước: thống kê test 31 Hình A.2.2 – : Strong classifier H(x) xây dựng AdaBoost 41 Hình A.2.2 - 2: Ví dụ minh hoạ kết hợp phân lớp tuyến tính 42 Bảng A.2.2 – : Thuật toán AdaBoost 43 Bảng A.2.2 – : Một phiên khác thuật tốn AdaBoost 46 Hình A.2.3 - : Các đặc trưng Haar-like sở 47 Hình A.2.3 - 2: Các miền hình học đặc trưng Haar – like 47 Hình A.2.3 - 3: Ý nghĩa hình học đạo hàm ảnh 48 Hình A.2.3 - 4: Cách tính giá trị ô đặc trưng 48 Hình A.2.3 - 5: Dị tìm bàn tay đặc trưng Haar – like .49 Hình A.2.3 - 6: Dị tìm khuôn mặt đặc trưng haar – like 49 50 Hình A.2.4 - 1: Cascade Classifier 50 Hình A.3.3 - Hướng véc tơ riêng 53 Hình A.4.2 - 1: Hai tín hiệu nguồn ( khơng quan sát trực tiếp được, tức tính hiệu ẩn s1(t) s2(t)), hai tín hiệu trộn (quan sát x1(t) x2(t) ) 58 Hình A.4.3 - 1: Các kí hiệu ICA .60 Hình A.4.6 - 1: Phân bố kết hợp hai thành phần độc lập s1, s2 có phân bố đồng (trục ngang: s1, trục đứng s2) 63 Hình A.4.6 - 2: Phân bố kết hợp trộn lẫn x1, x2 (trục ngang x1, trục đứng x2) 63 Hình A.4.6 - 3: Phân phối kết hợp hai biến Gauss 64 Hình A.4.7.2.1 - 1: Hàm mật độ phân phối Laplace, điển hình phân phối siêu Gauss, so với phân phối Gauss đường gạch nét, hai mật độ chuẩn hóa phương sai đơn vị 66 Hình A.4.10.2 - 1:Minh họa kiến trúc mơ hình ICA 75 Hình A.4.10.2 - 2: véctơ đặc trưng cho kĩ thuật Hàng đầu chứa véctơ riêng với trị riêng lớn PCA Hàng chứa vectơ đặc trưng ICA với kiến trúc I, hàng véctơ đặc trưng ICA với kiến trúc 76 Hình A.4.10.2 - 3:Mơ hình tổng hợp ảnh cho kiến trúc ICA 77 Hình A.4.10.3 - 1:minh họa kiến trúc mơ hình ICA 78 Hình A.4.10.3 - 2:Mơ hình tổng hợp ảnh cho kiến trúc ICA 79 Hình A.4.10.3 - 3:Mơ hình tổng hợp ảnh cho kiến trúc ICA pixel 79 Hình A.4.11.1- Sự phân phối liệu không gian chiều trục tương ứng PCA ICA Mỗi trục cột ma trận nghịch đảo ma trận trộn W-1 tìm thấy bới PCA ICA Các trục PCA trực giao ICA khơng, khoảng cách điểm liệu thay đổi chiếu xuống không gian 81 Hình A.5.1 - : Siêu mặt phân cách tuyến tính cho trường hợp phân cách .82 kí hiệu support véc tơr điểm bao viền trịn 82 Hình A.6.1-1: Mơ hình Nơron thần kinh 88 Hình A.6.2.1 - 1: Mơ hình Nơron nhân tạo 89 Hình A.6.2.1.1 - 1: Mơ hình tốn học tổng quát Nơron .90 Hình A.6.2.1.3 - 1: Các xử lý tương đương Nơron 91 Hình A.6.2.1.4 - 1: Hoạt động tính tốn Nơron 93 Hình A.6.2.2 - 1: Năm sơ đồ liên kết mạng Nơron: (a) mơ hình mạngtruyền thẳng lớp; (b) mơ hình mạng truyền thẳng đa lớp; (c) mơ hình: Nơron đơn với liên kết phản hồi đến nó; (d) mơ hình: mạng lặp lớp; (e) mơ hình: mạng lặp đa lớp 96 Hình A.6.2.2 - 2: Liên kết bên phản hồi 97 Hình A.6.2.3 - 1: Ma trận trọng số nối kết .98 Hình A.6.2.3 - : Học có giám sát 99 Hình A.6.2.3 - : Học tăng cường 99 Hình A.6.2.3 - 4: Học không giám sát 100 Hình A.6.2.3 - 5: Luật học phát sinh trọng số (di không cung cấp trường hợp học không giám sát) 102 Hình A.6.2.4 - 1: Một số dạng hàm dùng ánh xạ từ đầu vào -> đầu 104 Bảng A.6.2.4 – : Một số hàm truyền thông dụng mạng Nơron 105 Hình A.6.2.5 – : Các loại liên kết Nơron 106 Hình A.6.3.1 - : Cấu hình mạng RBF tiêu biểu 107 Hình A.6.3.1 - : Những tập phân lớp không gian chiều 109 HìnhA.6.3.1 - : Ánh xạ tập phân lớp lên neuron RBF 110 Hình A.6.4.1-1: Minh họa mạng lan truyền thẳng ba lớp 112 Hình B.3.1 – 1: Giao diện chương trình 121 Hình B.3.2 -1: Màn hình minh họa chức test video .122 Hình B.3.2 – : Giao diện chương trình hoạt động 123 Hình B.3.3 – : Màn hình tham số huấn luyện cho mạng nơron 124 Hình B.3.4 -1 : Màn hình đọc liệu huấn luyện .125 Hình B.3.5 – 1: Màn hình test thư mục 126 Hình B.3.6 – : Màn hình nhận dạng ảnh tĩnh .127 Danh sách bảng Hình 1.3.1 – : Mơ hình tổng qt tốn nhận dạng biển số xe 14 Hình 2.2.1 – : Sơ đồ hệ dị tìm khn mặt AdaBoost – NN 19 Hình 2.2.2 – : Minh hoạ hệ dị tìm khn mặt AdaBoost-Adaboost 19 Hình 2.3.1 – : Ví dụ ảnh ngược sáng 20 Hình 2.3.1 – 4: Ví dụ ảnh bị che khuất thành phần quan trọng 20 Hình 2.3.1 – : Ví dụ ảnh có cảm xúc đặc biệt 20 Hình 3.3.2 – 2: Các ảnh với phương pháp rút trích PCA bị nhận dạng sai với liệu nước 22 Hình 3.3.2 – : Các ảnh với phương pháp rút trích ICA bị nhận dạng sai với liệu nước 23 Bảng 3.3.4 – : Kết so sánh PCA ICA liệu nước 24 Hình 3.3.4 – : Các ảnh với phương pháp rút trích PCA bị nhận dạng sai với liệu tự tạo 24 Hình 4.2.1 – :Sơ đồ hệ thống nhận dạng mặt người dùng SVM 26 Hình 4.2.2 – :Sơ đồ hệ thống nhận dạng mặt người dùng mạng Nơron .27 Bảng4.3.2 – : Thời gian huấn luyện SVM NN liệu nước .27 Bảng 4.3.2 – : Thời gian nhận dạng thư mục test nước SVM NN 28 Bảng 4.3.2 – : Kết so sánh nhận dạng SVM NN liệu nước 29 Hình 4.3.2 – : Biểu đồ kết thử nghiệm hai phương pháp nhận dạng SVM NN .29 liệu nước ngoài: thống kê test 29 Bảng 4.3.4 - 1: Thời gian huấn luyện SVM NN liệu nước 30 Bảng 4.3.4 - 2: Thời gian nhận dạng thư mục test nước SVM NN 30 Bảng 4.3.4 - 3: Kết so sánh SVM NN liệu nước 31 Hình 4.3.4 - :Biểu đồ kết thử nghiệm hai phương pháp nhận dạng SVM NN 31 liệu nước: thống kê test 31 Hình A.2.2 – : Strong classifier H(x) xây dựng AdaBoost 41 Hình A.2.2 - 2: Ví dụ minh hoạ kết hợp phân lớp tuyến tính 42 Bảng A.2.2 – : Thuật toán AdaBoost 43 Bảng A.2.2 – : Một phiên khác thuật toán AdaBoost 46 Hình A.2.3 - : Các đặc trưng Haar-like sở 47 Hình A.2.3 - 2: Các miền hình học đặc trưng Haar – like 47 Hình A.2.3 - 3: Ý nghĩa hình học đạo hàm ảnh 48 Hình A.2.3 - 4: Cách tính giá trị đặc trưng 48 Hình A.2.3 - 5: Dị tìm bàn tay đặc trưng Haar – like .49 Hình A.2.3 - 6: Dị tìm khn mặt đặc trưng haar – like 49 50 Hình A.2.4 - 1: Cascade Classifier 50 Hình A.3.3 - Hướng véc tơ riêng 53 Hình A.4.2 - 1: Hai tín hiệu nguồn ( khơng quan sát trực tiếp được, tức tính hiệu ẩn s1(t) s2(t)), hai tín hiệu trộn (quan sát x1(t) x2(t) ) 58 Hình A.4.3 - 1: Các kí hiệu ICA .60 Hình A.4.6 - 1: Phân bố kết hợp hai thành phần độc lập s1, s2 có phân bố đồng (trục ngang: s1, trục đứng s2) 63 Hình A.4.6 - 2: Phân bố kết hợp trộn lẫn x1, x2 (trục ngang x1, trục đứng x2) 63 Hình A.4.6 - 3: Phân phối kết hợp hai biến Gauss 64 Hình A.4.7.2.1 - 1: Hàm mật độ phân phối Laplace, điển hình phân phối siêu Gauss, so với phân phối Gauss đường gạch nét, hai mật độ chuẩn hóa phương sai đơn vị 66 Hình A.4.10.2 - 1:Minh họa kiến trúc mơ hình ICA 75 Hình A.4.10.2 - 2: véctơ đặc trưng cho kĩ thuật Hàng đầu chứa véctơ riêng với trị riêng lớn PCA Hàng chứa vectơ đặc trưng ICA với kiến trúc I, hàng véctơ đặc trưng ICA với kiến trúc 76 Hình A.4.10.2 - 3:Mơ hình tổng hợp ảnh cho kiến trúc ICA 77 Hình A.4.10.3 - 1:minh họa kiến trúc mơ hình ICA 78 Hình A.4.10.3 - 2:Mơ hình tổng hợp ảnh cho kiến trúc ICA 79 Hình A.4.10.3 - 3:Mơ hình tổng hợp ảnh cho kiến trúc ICA pixel 79 Hình A.4.11.1- Sự phân phối liệu khơng gian chiều trục tương ứng PCA ICA Mỗi trục cột ma trận nghịch đảo ma trận trộn W-1 tìm thấy bới PCA ICA Các trục PCA trực giao ICA khơng, khoảng cách điểm liệu thay đổi chiếu xuống không gian 81 Hình A.5.1 - : Siêu mặt phân cách tuyến tính cho trường hợp phân cách .82 kí hiệu support véc tơr điểm bao viền trịn 82 Hình A.6.1-1: Mơ hình Nơron thần kinh 88 Hình A.6.2.1 - 1: Mơ hình Nơron nhân tạo 89 Hình A.6.2.1.1 - 1: Mơ hình tốn học tổng qt Nơron .90 Hình A.6.2.1.3 - 1: Các xử lý tương đương Nơron 91 Hình A.6.2.1.4 - 1: Hoạt động tính tốn Nơron 93 Hình A.6.2.2 - 1: Năm sơ đồ liên kết mạng Nơron: (a) mơ hình mạngtruyền thẳng lớp; (b) mơ hình mạng truyền thẳng đa lớp; (c) mơ hình: Nơron đơn với liên kết phản hồi đến nó; (d) mơ hình: mạng lặp lớp; (e) mơ hình: mạng lặp đa lớp 96 Hình A.6.2.2 - 2: Liên kết bên phản hồi 97 Hình A.6.2.3 - 1: Ma trận trọng số nối kết .98 Hình A.6.2.3 - : Học có giám sát 99 Hình A.6.2.3 - : Học tăng cường 99 Hình A.6.2.3 - 4: Học khơng giám sát 100 Hình A.6.2.3 - 5: Luật học phát sinh trọng số (di không cung cấp trường hợp học không giám sát) 102 Hình A.6.2.4 - 1: Một số dạng hàm dùng ánh xạ từ đầu vào -> đầu 104 Bảng A.6.2.4 – : Một số hàm truyền thông dụng mạng Nơron 105 Hình A.6.2.5 – : Các loại liên kết Nơron 106 Hình A.6.3.1 - : Cấu hình mạng RBF tiêu biểu 107 Hình A.6.3.1 - : Những tập phân lớp không gian chiều 109 HìnhA.6.3.1 - : Ánh xạ tập phân lớp lên neuron RBF 110 Hình A.6.4.1-1: Minh họa mạng lan truyền thẳng ba lớp 112 Hình B.3.1 – 1: Giao diện chương trình 121 Hình B.3.2 -1: Màn hình minh họa chức test video .122 Hình B.3.2 – : Giao diện chương trình hoạt động 123 Hình B.3.3 – : Màn hình tham số huấn luyện cho mạng nơron 124 Hình B.3.4 -1 : Màn hình đọc liệu huấn luyện .125 Hình B.3.5 – 1: Màn hình test thư mục 126 Hình B.3.6 – : Màn hình nhận dạng ảnh tĩnh .127 Chương 0: Giới thiệu Mở đầu, chúng tơi trình bày trạng thực tế cách tiếp cận đề tài: 10 for(int j=i+1;j 0) ++vote[i]; else ++vote[j]; }  Bước 3: Duyệt mảng vote, giá trị lớn số mảng lớp mà mẫu X thuộc int vote_max_idx = 0; for(i=1;i vote[vote_max_idx]) vote_max_idx = i; B.2 Cài đặt: Chương trình thử nghiệm cài đặt ngơn ngữ C++ hệ điều hành Microsoft Windows XP, sử dụng mơi trường lập trình Microsoft Visual C++ 6.0 IDE Được thử nghiệm máy PC P4 3GHz Các lớp chương trình:  CDetect: Dùng để phát khuôn mặt, mắt, miệng  CImageProcessing: Dùng thực biến đổi xử lý ảnh  CcreateData: Dùng để tạo liệu cho PCA ICA, liệu cho ICA liệu qua PCA  CPCA: Dùng biến đổi PCA  CregICA: Dùng nhận dạng với cách rút trích đặc trưng ICA  VideoDecoder: Dùng để giải mã video  CMPEGViewer: Dùng để hiển thị Video  Cdetection: Dùng để phát đối tượng frame video 119 Các thư viện sử dụng luận văn:  Thư viện xử lý ảnh OpenCV Intel: dùng cài đặt PCA dị tìm khn mặt.[31]  Thư viện SVM svmlib2.8: dùng phân lớp SVM  Thư viện toán học MKL (Math Kernel Library) intel dùng cho thuật toán ICA [30]  Thư viện itpp-3.10.9 có cài đặt sẵn ICA [29] B.3 Hướng dẫn sử dụng: B.3.1 Màn hình chính: 120 Hình B.3.1 – 1: Giao diện chương trình Màn hình gồm có khung để chạy đoạn Video đầu vào, khung để thị Frame mà frame hệ thống phát đối tượng, vùng để thị thông tin đoạn video đầu vào, khung để thị khuôn mặt đối tượng tương ứng lưu sở liệu, text box Threshold, kết nhận dạng lớn Threshold chấp nhận, tức đối tượng, text box để thông tin lưu sẵn sở liệu đối tượng này, text box để hiển thị số lượng khuôn mặt đối tượng mà hệ thống nhận dạng frame Nếu frame có lúc hai khn mặt đối tượng ta tạo hai frame copy frame này, nhiên frame ta tô đỏ biên khuôn mặt để người sử dụng biết nhận dạng frame 121 B.3.2 Chức nhận dạng video: Từ menu File chọn mục OpenAviFile để mở đoạn Video cần test, chương trình hỗ trợ với định dạng file AVI(uncompressed) Hình B.3.2 -1: Màn hình minh họa chức test video Sau chọn file AVI để test, nhấn vào nút Play hình lúc hệ thống thị Video lên hình đồng thời tiến hành nhận dạng đối tượng có đoạn video Khi frame chọn đưa vào nhận dạng có đối tượng, hệ thống tự động nhận dạng đưa thông tin đối tượng tương ứng sở liệu, đồng thời tự động cập nhật số lượng frame detect có đối tượng 122 Hình B.3.2 – : Giao diện chương trình hoạt động B.3.3 Chức huấn luyện cho mạng Nơron: 123 Từ menu Neural network, chọn chức Train, hình tham số xuất bên Hình B.3.3 – : Màn hình tham số huấn luyện cho mạng nơron • Data in đường dẫn thư mục chứa thư mục ảnh huấn luyện ( ảnh khuôn mặt sau qua detect adaboost), đối tượng lưu thư mục riêng • K face, K left eye, K right eye, K mouth số chiều véc tơ đặc trưng sau giảm ICA • FNN Error tổng lỗi mạng Nơron • Data out đường dẫn nơi lưu trọng mạng nơron sau huấn luyện B.3.4 Chức Read Data (load data trained): 124 Từ menu Neural network, chọn chức ReadData, hình Readdata xuất bên Hình B.3.4 -1 : Màn hình đọc liệu huấn luyện • Data for PCA: đường dẫn thư mục chứa file tính tốn PCA như: avgVector, eigenVector • Data for ICA: đường dẫn thư mục chứa file tính tốn ICA: in_mix_matrix (nghịch đảo ma trận trộn) • Data For FANN: đường dẫn thư mục chứa mạng nơron huấn luyện B.3.5 Chức nhận dạng ảnh thư mục: 125 Từ menu TestOnImage chọn chức TestFolder, hình giao diện hình dưới: Hình B.3.5 – 1: Màn hình test thư mục • Folder In: đường dẫn thư mục cần nhận dạng, thư mục chứa ảnh • Folder Out: đường dẫn chứa file kết quả, file kết file text, gồm nhiều dòng, dòng tên ảnh thư mục nhận dạng thứ tự đối tượng nhận dạng tương ứng B.3.6 Chức nhận dạng ảnh tĩnh: 126 Từ menu TestOnImage chọn chức TestImage Hình B.3.6 – : Màn hình nhận dạng ảnh tĩnh • Chọn open để mở ảnh cần nhận dạng • Nhận Recognize để nhận dạng đối tượng có ảnh 127 Tài liệu tham khảo: [1] Lu Buon Vinh, Hoàng Phương Anh (2004), ”Nghiên cứu xây dựng hệ thống nhận dạng mặt người dựa FSVM Adaboost”, Luận văn cử nhân tin học Khoa công nghệ thông tin, ĐH KHTN TP HCM [2] Trần Phước Long, Nguyễn Văn Lượng (2003), “Nhận dạng mặt người thông tin khuôn mặt xuất ảnh”, Luận văn cử nhân tin học Khoa công nghệ thông tin, ĐH KHTN TP HCM [3] Lê Minh Trí – Nguyễn Thúy Hằng (2006), “Đề xuất phương pháp trích chọn đặc trưng cho toán nhận dạng mặt người”, Luận văn Cử nhân CNTT Trường Đại Học KHTN TPHCM [4] Markus Weber, Frontal Face Dataset, California Institute of Technology, 1999 http://www.vision.caltech.edu/html-files/archive.html [5] CBCL Face Database, CMU and MIT http://www.ai.mit.edu/projects/cbcl.old/software-datasets/FaceData2.html [6] Nguyễn Thành Thái (12/2006) , “Nhận dạng mặt người dùng SVM mạng nơron”, Luận văn Thạcsĩ CNTT Trường Đại học KHTN, TPHCM [7] Bùi Xuân Hải, Trần Nam Dũng, “Đại Số Tuyến Tính”, NXB Đại Học Quốc Gia TPHCM 2001 [8] Đinh Văn Gắng, “Lý Thuyết Xác Suất Và Thống Kê”, NXB GiáoDục [9] Tạ Văn Hùng – Nguyễn Phi Khứ (2000), “Đại Số Tuyến Tính Lý Thuyết Và Bài Tập”, NXB Thống kê [10] Aapo Hyvarinen, Erkki Oja, (2000), “Independent Component Analysis: Algorithm and Applications”, Neural Networks Research Centre Helsinki University of Technology Neural Networks, 13(4-5): 411 – 430 [11] Lê Hoàng Thái, Lê Minh Trí, Nguyễn Thuý Hằng (6/2006), “Đề xuất phương pháp trích chọn đặc trưng cho tốn nhận dạng mặt người”, Hội thảo Công nghệ thông tin quốc gia lần thứ IX, Đà Lạt, 15-17/6/2006 128 [12] Trần Phúc Trị (2006), “Phát mặt người Adaboost kết hợp mạng Nơron”, Luận văn Thạc sĩ Công Nghệ Thông Tin, khoa công nghệ thông tin, ĐH KHTN TPHCM [13] Qing Chen (May 2, 2006), ”Hand Detection with a Cascade of Boosted Classifiers Using Haar-like Features”, Discover Lab, SITE, University of Ottawa, www.discover.ottawa.ca [14] Viola and Michael Jones(5/2004), “Robust real-time face detection”, International Journal of Computer Vision, 57(2): 137-154 [15] Pierre Comon (April,1994), ”Independent Component Analysis, Anew concept”, Vol 36, no 3, Special issue on High order statistics, Appril 1994, pp 287 – 314 [16] Aapo Hyvarinen (1999), “Fast and Robust Fixed point Algorithms for Independent Component Analysis”, Helsinki University of Technology Laboratory of Computer and Information Science [17] Bruce A Draper, Kyungim Baek, Marian Stewart Bartlett, J Ross BeveRidge, “Recognizing Face with PCA and ICA” Department of Computer Science Colorado State University, Department of Biomedical Engineering Columbia University, University of California of Sandiego Institute for Neural Computatation [18] Marian Stewart Bartlet, Javier R.Movellan, Terrence J Sejnowski, “Face Recognition by Independent Component Analysis”, IEEE Transactions on Neural Networks, Vol 13, No 6, November 2002 [19] Marian Stewart Bartlet, H Martin Lades, Terrence J Sejnowski, “Independent Component representation for face recognition”, University of California Sandiego and Salk Institute [20] Võ Minh Sơn (2006), “Tách ảnh dùng biến đổi Wavelet phân tích thành phần độc lập”, Luận văn Thạc sĩ khoa học vật lý, khoa điện tử trường Đại Học KHTN TPHCM 129 [21] Phan Duy Tuấn (2006), ”Ứng dụng phân tích thành phần độc lập ICA lọc nhiễu ảnh”, Luận văn Thạc sĩ khoa học vật lý, khoa điện tử trường Đại Học KHTN TPHCM [22] Trương Tấn Quang, Nguyễn Hữu Phương (23/2/2006), “Tách âm dùng phương pháp phân tích thành phần độc lập”, Tạp chí phát triển KhoaHọc Công Nghệ, tập số năm 2006 [23] Paul Cristea (2001) “Independent Component Analysis (ICA) for Genetic signals”, University of Bucharest, Romania [24] C J C Burges and A J Smola, editors (1999), “Advances in Kernel Methods: Support Vector Learning”, The MIT Press, Cambridge, MA, 1999, pp 255-268 [25] Lê Hoàng Thái (2004) “Xây dựng, phát triển, ứng dụng số mơ hình kết hợp mạng nơron (NN), logic mờ (FL) thuật giải di truyền (GA)”, Luận án tiến sĩ toán học, ĐH KHTN TPHCM Phụ lục C,D trang 1-17 [26] Hoàng Xuân Huấn, Đặng Thị Thu Hiền “An Efficient Algorithm for Training Interpolation Radial Basis Function Networks”, College of Technologies, Vietnam National University [27] Hoàng Xuân Huấn, Nguyễn Xuân Vũ, Lê Hoàng Thái “Developing An Interpolation Radial Basis Function Networks for Verifying Human Face”, College of Technologies, Vietnam National University [28] Nguyễn Đình Thúc[2000], “Trí Tuệ Nhân Tạo, Mạng NơRon Phương Pháp Ứng Dụng”, NXB Giáo Dục 2000 [29] Thư viện itpp http://itpp.sourceforge.net/latest/ [30] Thư viện intel MKL http://www.intel.com/cd/software/products/asmona/eng/307757.htm [31] Intel Open Source Computer Vision Library – OpenCV http://www.intel.com/technology/computing/opencv/ [32] Fast Artificial Neural Network Library – FANN 130 http://leenissen.dk/fann/ [33] www.codeproject.com 131 ... khuôn mặt xuất ảnh Sử dụng phương pháp SVM HMM [2] • Nhận dạng mặt người dựa FSVM AdaBoost [1] • Đề xuất phương pháp rút trích đặc trưng hình học (phát mắt, miệng) cho tốn nhận dạng mặt người. .. ảnh mặt người đối tượng cần truy tìm đoạn video quay lại khu vực cần kiểm soát Vấn đề đặt là: xây dựng hệ thống truy tìm tự động trả lời câu hỏi: ảnh mặt nguời đối tượng cần truy tìm có xuất. .. thu tính khả thi phương pháp chọn lựa ứng với giai đoạn giải tốn Hệ thống truy tìm ảnh mặt người video thực với đoạn video quay ngẫu nhiên cho thấy tính khả quan phương pháp đề xuất Chúng hi vọng