Nhận diện khuôn mặt và mô hình mẫu màu da trong nhận diện khuôn mặt

ĐẠI HỌC QUỐC GIA TH ÀNH PHỐ HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN  BÀI THU HOẠCH MÔN: CƠ SỞ TRI THỨC VÀ ỨNG DỤNG Đề tài: Nhận diện khuôn mặt và mô hình mẫu màu da trong nhận diện khuôn mặt. Nhóm học viên thực hiện: NGUYỄN THỊ DIỆU ANH MSHV 1 : CH1101064 ĐỖ VĂN LUYỆN MSHV 2 : CH1101021 Giảng viên hướng dẫn : GS. TSKH Hoàng Văn Kiếm TP HCM, ngày 18 tháng 05 năm 2012 LỜI NÓI ĐẦU BTH Cơ sở tri thức và ứng dụng - Nhận diện khuôn mặt người và mô hình hoá màu da Từ khi máy tính ra đời và con người làm việc với máy tính, một bài toán đặt ra là làm thế nào để máy giao tiếp với con người tốt hơn? Liệu máy tính chỉ có thể tính toán hay là chúng còn có khả năng suy diễn tri thức, giải quyết các bài toán một cách linh động, có tư duy như con người? Con người nỗ lực để sự giao tiếp giữa người và máy ngày càng trở nên hoàn thiện hơn, gần gũi hơn. Chúng ta cũng biết não bộ con người là bộ máy hoàn hảo để xử lý các thông tin mang lại từ thế giới quan tương tác vào con người, dựa vào đặc điểm cấu trúc của các tế bào nơ-ron thần kinh và hệ thống ngôn ngữ máy tính, hàng trăm chủ đề được khai thác. Và một trong những lĩnh vực mới mẻ đó là nhận diện. Bài toán nhận diện để giải quyết các vấn đề về bảo mật riêng tư, công nghệ, giải trí, và nhiều ứng dụng khác. Một số mảng về nhận diện như nhận diện dấu vân tay, nhận diện chữ viết, nhận diện ký tự, nhận diện giọng nói,… và trong phạm vi bài thu hoạch này, nhóm chúng em xin được trình bày một vấn đề nhỏ trong nhận diện khuôn mặt. Nhận diện khuôn mặt bắt đầu được nghiên cứu, tìm hiểu vào những năm 1960, tuy nhiên nhiều vấn đề của bài toán này đến nay vẫn chưa được giải quyết triệt để. Những năm gần đây, do có nhiều tiến bộ trong kỹ thuật phân tích và xây dựng các mô hình khuôn mặt mẫu nên lĩnh vực này đạt được một số thành quả nhất định. Vấn đề này ngày càng nhận được nhiều sự sự quan tâm bởi tính ứng dụng cao của nó trong an ninh, trong kỹ thuật số và trong các ngành công nghiệp giải trí đa phương tiện. Chúng em trân trọng cảm ơn GS.TSKH Hoàng Văn Kiếm, người Thầy đã tận tụy truyền tải các nội dung bộ môn CƠ SỞ TRI THỨC làm nền tảng cho chúng em tìm hiểu, nghiên cứu và phát triển đề tài. Đồng thời, chúng em cũng trân trọng cảm ơn các Thầy Cô phòng Sau Đại học – Trường Đại học Công nghệ thông tin – Đại học Quốc gia TP HCM đã tạo điều kiện thuận lợi nhất cho chúng em học tập. Trân trọng! Nguyễn Thị Diệu Anh - Đỗ Văn Luyện (T5 - 2012) Page 2 BTH Cơ sở tri thức và ứng dụng - Nhận diện khuôn mặt người và mô hình hoá màu da MỤC LỤC LỜI NÓI ĐẦU 2 I. TỔNG QUAN VỀ NHẬN DIỆN KHUÔN MẶT 4 1. Quy trình nhận dạng khuôn mặt 5 2. Kỹ thuật phân tích không gian con trong nhận diện khuôn mặt 9 3. Phân tích thành phần chính (Principal Component Analysis – PCA ) 10 4. Những ứng dụng trong nhận diện khuôn mặt 13 II. MÔ HÌNH HOÁ MÀU DA 15 1. Đặc trưng màu da và không gian màu 15 2. Mô hình màu da 19 a. Các ảnh riêng lẻ 19 b. Dãy ảnh tuần tự 21 3. Mô hình quỹ tích màu da (Skin locus model) 21 a. Tạo ra quỹ tích da 21 b. Tiếp cận dựa trên quang phổ 22 c. Tiếp cận dựa trên hình ảnh 23 4. Áp dụng quỹ tích da 24 III. DEMO CHƯƠNG TRÌNH NHẬN DIỆN KHUÔN MẶT NGƯỜI 1. Thuật toán áp dụng 25 2. Demo chương trình 26 IV. KẾT LUẬN 30 TÀI LIỆU THAM KHẢO 31 I. TỔNG QUAN VỀ NHẬN DIỆN KHUÔN MẶT Từ khi mới sinh ra, con người đã có đầy đủ các giác quan và có thể tự mình cảm nhận được những sự vật hiện tượng xung quanh. Một đứa trẻ sơ sinh có thể biết được chính xác ai là bố mẹ nó, ai là người thân của nó, quá trình này diễn ra tự nhiên, là bản Nguyễn Thị Diệu Anh - Đỗ Văn Luyện (T5 - 2012) Page 3 BTH Cơ sở tri thức và ứng dụng - Nhận diện khuôn mặt người và mô hình hoá màu da năng. Khi chúng ta lớn lên thì việc nhận diện hình ảnh cũng trở nên đa dạng, phong phú. Có những người dù chỉ gặp một lần nhưng bạn lại không bao giờ quên khuôn mặt của họ, bởi não bộ đã ghi nhận thông tin và xử lý chính xác mỗi khi bạn nhớ lại, trả về đúng hình ảnh mà bạn đã thấy từ trước đó rất lâu. Và mặc dù bạn tiếp xúc với bao nhiêu người đi nữa, thì khó mà có sự nhầm lẫn giữa khuôn mặt người này và người kia. Nhưng đối với máy tính, việc nhận ra đúng khuôn mặt của một đối tượng mà nó tiếp xúc là một thách thức lớn, bởi số lượng người trên thế giới quá nhiều và mỗi người sở hữu một khuôn mặt khác nhau. Không những thế, theo thời gian khuôn mặt của người đó sẽ thay đổi, đồng thời những tác động bên ngoài như độ sáng, góc nhìn, trạng thái trên khuôn mặt, ….làm cho việc nhận diện của máy tính trở nên phức tạp với nhiều thông số đầu vào. Chúng ta sẽ tìm hiểu về tổng quan lý thuyết nhận dạng khuôn mặt, lĩnh vực này đòi hỏi xây dựng những thuật toán chính xác và những kỹ thuật phân tích chi tiết, hiệu quả để đảm bảo độ tin cậy cao, nhất là ứng dụng nhận diện vào trong lĩnh vực an ninh. Nguyễn Thị Diệu Anh - Đỗ Văn Luyện (T5 - 2012) Page 4 Xác định khuôn mặt Liên kết khuôn mặt Khai thác các đặc trưng khuôn mặt Tìm mẫu phù hợp Cơ sở dữ liệu BTH Cơ sở tri thức và ứng dụng - Nhận diện khuôn mặt người và mô hình hoá màu da 1. Quy trình nhận diện khuôn mặt Một hệ thống nhận diện khuôn mặt về cơ bản trải qua bốn giai đoạn: - Xác định khuôn mặt - Liên kết, khai thác các đặc điểm - Cụ thể hoá - Chuẩn hoá với khuôn mặt Input vị trí, kích thước ảnh, video hướng chụp Output Vectơ đặc trưng matching Sơ đồ: Quy trình nhận diện khuôn mặt Giai đoạn “Xác định khuôn mặt” chiếm vai trò quan trọng trong quy trình nhận diện khuôn mặt. Bài toán xác định khuôn mặt được định nghĩa như sau: - Xác định khuôn mặt người là kỹ thuật máy tính để xác định các vị trí và các kích thước của các khuôn mặt người trong các ảnh bất kỳ (ảnh kỹ thuật số). Kỹ thuật này nhận biết các đặc trưng của khuôn mặt và bỏ qua những hình ảnh khác như toà nhà, cây cối, cơ thể, … Nguyễn Thị Diệu Anh - Đỗ Văn Luyện (T5 - 2012) Page 5 BTH Cơ sở tri thức và ứng dụng - Nhận diện khuôn mặt người và mô hình hoá màu da Dựa vào đặc điểm tính chất của bài toán, các nhà nghiên cứu đã đưa ra bốn hướng tiếp cận chính để giải quyết bài toán xác định khuôn mặt người: - Hướng tiếp cận dựa trên tri thức: Xây dựng tập luật dựa trên tri thức con người về các khuôn mặt người. Đây là hướng tiếp cận dạng top – down. Người nghiên cứu sẽ trích đặc trưng của khuôn mặt trước tiên để có các ứng viên, sau đó các ứng viên này sẽ được xác định thông qua các luật để biết ứng viên nào là khuôn mặt, ứng viên nào không phải là khuôn mặt.[3] Các đặc trưng cơ bản của khuôn mặt sử dụng trong tập luật như: Khuôn mặt là một hình gồm có hai mắt, hai chân mày đối xứng qua một trục thẳng đứng, có mũi, miệng … Những mô tả này sẽ là cơ sở để xây dựng các luật một cách hiệu quả. Tuy nhiên, việc xây dựng tập luật này thật sự không đơn giản, nếu mô tả quá chi tiết sẽ dẫn đến việc có thể bỏ qua mất một số đối tượng là khuôn mặt nhưng không được nhận dạng, bởi khi hình ảnh ghi nhận khuôn mặt còn tuỳ thuộc nhiều vào góc chụp hình, khuyết tật, dị tật trên khuôn mặt, ….Còn ngược lại nếu mô tả quá thô sơ thì một số đối tượng có thể được nhận dạng nhầm là khuôn mặt (VD: biển báo giao thông, logo, ….) - Hướng tiếp cận dựa trên đặc trưng không thay đổi: Hướng tiếp cận này dựa trên nguyên tắc cơ bản là cho dù khuôn mặt bị thay đổi trong các tư thế khác nhau, điều kiện ánh sáng khác nhau, …vv… nhưng vẫn luôn tồn tại những đặc trưng riêng không bị thay đổi. Dựa trên các đặc trưng này người nghiên cứu sẽ lập trình cho hệ thống nhận diện khuôn mặt. Thuật toán thường áp dụng trong hướng tiếp cận này là: Cân bằng sáng, khử nhiễu, các bộ lọc hoặc sử dụng mô hình xác suất. Các đặc trưng như: lông mày, mắt, mũi, miệng, đường viền của tóc thường được thực hiện bằng phương pháp xác định cạnh, phương pháp này không hiệu quả khi có bóng của khuôn mặt do có thể cạnh của bóng hiển thị rõ hơn cạnh của khuôn mặt. Thông thường, các phương pháp xác định khuôn mặt được thực hiện sau khi biến đổi ảnh sang ảnh xám hoặc ảnh nhị phân và xử lý nhận diện trên các điểm ảnh dạng bit-map. Nguyễn Thị Diệu Anh - Đỗ Văn Luyện (T5 - 2012) Page 6 BTH Cơ sở tri thức và ứng dụng - Nhận diện khuôn mặt người và mô hình hoá màu da - Hướng tiếp cận dựa trên so khớp mẫu: Các mẫu chuẩn sẽ được xây dựng trước hoặc xác định các tham số thông qua hàm. Từ một ảnh đầu vào, các giá trị tương quan với ảnh mẫu chuẩn sẽ được so sánh theo đường viền của mắt, mũi, miệng, … Thông qua các giá trị này mà một ảnh được xác định là có khuôn mặt hay không. Ưu điểm của phương pháp này là dễ cài đặt, tuy nhiên hiệu quả lại không cao. Thông thường, có hai tập mẫu cần xây dựng. Đó là tập mẫu chuẩn cho trước và tập mẫu biến dạng. Các phương pháp phổ biến để xây dựng tập mẫu chuẩn là sử dụng đường viền (Craw), chia ảnh mẫu thành nhiều khối con (Tsukamoto), phân tích hình chiếu (phân tích thành phần chính - PCA), phổ màu da (Dowdall), …. Đối với mẫu biến dạng thì có phương pháp sử dụng đường gấp khúc (Lam và Yan), phương pháp dùng lý thuyết dòng chảy để xác định đường viền khuôn mặt dựa trên đặc tính hình học (Huang và Su), còn Lanitis đã biểu diễn khuôn mặt người với cả hai thông tin: hình dáng và cường độ bằng các vector các điểm mẫu. - Hướng tiếp cận dựa trên diện mạo: Áp dụng các phương pháp xác suất thống kê và máy học để tìm các đặc tính liên quan của khuôn mặt và không phải khuôn mặt. Theo phương pháp xác suất thống kê, một ảnh hay một vector đặc trưng xuất phát từ một ảnh được xem là biến ngẫu nhiên x (khuôn mặt hoặc không phải khuôn mặt). Khi đó ta thiết lập các hàm mật độ: P(x| x là khuôn mặt) hoặc P(x|x không là khuôn mặt) Có thể dùng phân loại Bayers hoặc khả năng cực đại để phân loại đối tượng, tuy nhiên đối với Bayers thì khó có thể cài đặt trực tiếp bởi số chiều của x khá cao, các hàm mật độ là đa phương thức. Vì vậy, người ta thường áp dụng các kỹ thuật làm giảm chiều của x trước khi sử dụng Bayers. Nguyễn Thị Diệu Anh - Đỗ Văn Luyện (T5 - 2012) Page 7 BTH Cơ sở tri thức và ứng dụng - Nhận diện khuôn mặt người và mô hình hoá màu da Hướng tiếp cận dựa trên diện mạo là tìm một hàm biệt số để phân tách thành hai lớp dữ liệu: khuôn mặt và không phải khuôn mặt. Đầu vào là các mẫu ảnh được chiếu vào không gian có chiều thấp hơn, rồi sau đó dùng hàm biệt số để phân loại (dựa vào các độ đo khoảng cách), hoặc xây dựng mặt quyết định phi tuyến mạng neural đa tầng, hoặc dùng SVM – support vector machine và các phương thức kernel chiếu hoàn toàn các mẫu vào không gian có chiều cao hơn để rời rạc hoá dữ liệu. Sau đó dùng mặt phẳng quyết định phân loại mẫu khuôn mặt và không phải khuôn mặt. Sau khi có các đối tượng được xác định với kết quả là khuôn mặt, có thể cần phải theo dõi các thành phần của đối tượng để cụ thể hoá, chuẩn hoá xem đó có phải thật sự là khuôn mặt hay không? Quá trình này liên kết từ đối tượng so sánh với các tập mẫu, các đặc trưng được xây dựng sẵn, hoặc phân tích theo khối hình học. Các thành phần của khuôn mặt như mắt, mũi, miệng, chân mày, và phác thảo khuôn mặt được đặt dựa trên đặc điểm vị trí, khoảng cách và chuẩn hoá bằng cách biến đổi hình học hoặc so mẫu biến dạng. Sau cùng, kỹ thuật bình thường hoá khuôn mặt dựa trên sự chiếu sáng và gam màu xám. Khi thu được mẫu chuẩn hoá của khuôn mặt, ta tiếp tục khai thác các đặc trưng, các tính năng để thu được các thông tin hữu ích phân biệt các khuôn mặt người khác nhau và xét tính ổn định với các biến thể hình học. Để tìm sự phù hợp với khuôn mặt, ta sử dụng đầu vào các vector đặc trưng của khuôn mặt và số lần xuất hiện mẫu khuôn mặt trong cơ sơ dữ liệu để so sánh. Kết quả đầu ra là sự trùng hợp tương đối giữa khuôn mặt mẫu và đối tượng phân tích, hoặc nếu không tìm thấy sự tương ứng với các đặc trưng mẫu thì kết luận đối tượng đang xem xét không phải là khuôn mặt. Kết quả của sự nhận diện khuôn mặt phụ thuộc rất nhiều vào các đặc trưng được phân tích trong tập mẫu và phương pháp phân loại sử dụng để nhận biết khuôn mặt trong quá trình cụ thể hoá và chuẩn hoá. Bởi vậy việc lựa chọn đặc trưng và phương pháp nhận diện chiếm vai trò quan trọng, thể hiện hiệu quả của cả quá trình. 2. Kỹ thuật phân tích không gian con trong nhận diện khuôn mặt Nguyễn Thị Diệu Anh - Đỗ Văn Luyện (T5 - 2012) Page 8 BTH Cơ sở tri thức và ứng dụng - Nhận diện khuôn mặt người và mô hình hoá màu da Trên thực tế, các hình ảnh và video đầu vào chứa nhiều đối tượng, chẳng hạn một tấm hình bao giờ cũng chứa các hình ảnh như nhà cửa, cây cối,…còn khuôn mặt chỉ chiếm một không gian nhỏ. Vì vậy, hình ảnh ban đầu đưa vào là dư thừa, số chiều của ảnh này có thể giảm xuống, ta chỉ xét đến những không gian mà ở đó có đối tượng được nghi vấn là có phải mô hình khuôn mặt hay không? Hình 1: Ảnh đầu vào với số điểm ảnh lớn, trong đó không gian con chứa đối tượng là khuôn mặt chiếm phần nhỏ Hình 2: Mô tả tỉ lệ không gian khuôn mặt trong hình ảnh đầu vào Để tách không gian con cho nhận diện khuôn mặt, phương pháp tiếp cận là phân tích các thành phần chính (PCA). Các tính năng trong không gian con như cung cấp thông tin nổi bật, gần với mẫu nhận diện, đầu vào các vector tính năng làm cho mô hình hoá không gian con tăng hiệu quả đáng kể trong việc nhận diện khuôn mặt. Nếu để nguyên bản ảnh đầu vào ta nhận thấy sự phi tuyến và không nổi bật lên các đặc trưng của mẫu mô hình khuôn mặt. Nguyễn Thị Diệu Anh - Đỗ Văn Luyện (T5 - 2012) Page 9 BTH Cơ sở tri thức và ứng dụng - Nhận diện khuôn mặt người và mô hình hoá màu da Vậy, bài toán nhận diện khuôn mặt trước hết là giải quyết việc xác định thành phần là khuôn mặt và không phải là khuôn mặt trong hình ảnh đầu vào. 3. Phân tích thành phần chính (Principal Component Analysis – PCA )[2] PCA là một phương pháp phân tích dữ liệu nhiều biến đầu vào đơn giản nhất và được ứng dụng chủ yếu vào bài toán nhận diện khuôn mặt. Như ta đã biết, số chiều trong hình ảnh đầu vào tương đối lớn, khó hình dung trong không gian 2 chiều hoặc 3 chiều, bởi vậy chúng ta cần tìm cách đưa dữ liệu về không gian có số chiều nhỏ hơn. PCA như là một công cụ hữu ích giúp biến đổi với các ưu điểm sau: - Giảm số chiều của dữ liệu - PCA xây dựng một không gian mới với số chiều ít hơn, nhưng lại biểu diễn dữ liệu tương đương với không gian cũ, không làm mất đi tính biến thiên của dữ liệu trên chiều mới - Các trục toạ độ trong không gian mới là tổ hợp tuyến tính của không gian cũ, do đó PCA xây dựng các đặc trưng mới dựa trên các đặc trưng đã quan sát được, và những đặc trưng này vẫn biểu diễn tốt dữ liệu ban đầu. - Trong không gian mới, những liên kết tiềm ẩn được phát hiện mà ở không gian cũ nó bị che khuất hoặc khó phân tích Như vậy, PCA tuy làm giảm số chiều không gian của dữ liệu đầu vào nhưng nó cho đảm bảo tính toàn vẹn của dữ liệu, đồng thời cho phép phân tích những đặc trưng khó tìm thấy ở không gian cũ. Ví dụ sau đây minh hoạ sự thay đổi hệ quy chiếu làm thay đổi hình ảnh trong không gian: Nguyễn Thị Diệu Anh - Đỗ Văn Luyện (T5 - 2012) Page 10 [...]... với khuôn mặt được nhận diện Multimedia: Ứng dụng trong việc phát triển các tính năng của điện thoại di động (video call, nhận diện người dùng…), hay máy chụp hình nhận diện khuôn mặt, căn chỉnh theo trạng thái của khuôn mặt (cười, khóc, …) Nguyễn Thị Diệu Anh - Đỗ Văn Luyện (T5 - 2012) Page 13 BTH Cơ sở tri thức và ứng dụng - Nhận diện khuôn mặt người và mô hình hoá màu da Hính 5: Nhận diện khuôn mặt. .. mặt người và mô hình hoá màu da (1) Chọn ảnh đầu vào Nguyễn Thị Diệu Anh - Đỗ Văn Luyện (T5 - 2012) Page 26 BTH Cơ sở tri thức và ứng dụng - Nhận diện khuôn mặt người và mô hình hoá màu da (2) Buton Load Image: Load ảnh lên form (3) Detect: Xác định khuôn mặt Nguyễn Thị Diệu Anh - Đỗ Văn Luyện (T5 - 2012) Page 27 BTH Cơ sở tri thức và ứng dụng - Nhận diện khuôn mặt người và mô hình hoá màu da (4) Segment:... sở tri thức và ứng dụng - Nhận diện khuôn mặt người và mô hình hoá màu da r (6) (7) Region: Khử nhiễu Kết quả chương trình Nguyễn Thị Diệu Anh - Đỗ Văn Luyện (T5 - 2012) Page 29 BTH Cơ sở tri thức và ứng dụng - Nhận diện khuôn mặt người và mô hình hoá màu da IV KẾT LUẬN Trong phạm vi bài thu hoạch này, chúng em đã cố gắng hết sức để tiếp cận các phương pháp nhận diện khuôn mặt nói chung và cụ thể là... Cơ sở tri thức và ứng dụng - Nhận diện khuôn mặt người và mô hình hoá màu da Mô hình màu da Mô hình màu da được xây dựng trên hai tập ảnh: ảnh riêng lẻ và ảnh tuần tự Giờ chúng ta sẽ xem xét lần lượt từng loại mô hình đối với tập ảnh a Các ảnh riêng lẻ Đối với các ảnh riêng lẻ, việc phân loại các điểm ảnh thuộc thành phần nào: khuôn mặt, quần áo, cây cối, bàn tay, … sẽ dựa vào xác suất màu sắc trên những... khuôn mặt trong ảnh Nguyễn Thị Diệu Anh - Đỗ Văn Luyện (T5 - 2012) Page 14 BTH Cơ sở tri thức và ứng dụng - Nhận diện khuôn mặt người và mô hình hoá màu da II MÔ HÌNH HOÁ MÀU DA 1 Đặc trưng màu da và không gian màu Màu sắc là một đặc trưng cấp thấp nhưng lại có khả năng phân biệt tốt và dễ tính toán, ít bị ảnh hưởng bởi những tính chất hình học Trong cùng một điều kiện ánh sáng đồng nhất thì màu da không... - Nhận diện khuôn mặt người và mô hình hoá màu da Ở hình trên ta thấy xét quang phổ của 3 nhóm màu da: màu tối, màu nhợt nhạt, và màu vàng: các hệ số phản xạ của da đều mượt và tương tự nhau Sở dĩ có sự tương tự này do các màu da của các dân tộc trên thế giới đều được hình thành từ 3 yếu tố màu da: melanin, carotene và hemoglobin Đối với phân loại màu da dựa trên biểu đồ do Zarit và một số người khác... 2012) Page 24 BTH Cơ sở tri thức và ứng dụng - Nhận diện khuôn mặt người và mô hình hoá màu da Hình 11: Các pixel thu thập được sau khi chuyển đổi không gian màu 2 Bước 2: Nhận diện khuôn mặt - Chuyển ảnh đầu vào từ RGB → YCrCb - Một pixel được xem là màu da nếu nó thuộc về vùng không gian mẫu - Các pixel là màu da chuyển sang màu trắng, các pixel khác chuyển thành màu đen - Khử nhiễu: với mỗi pixel,... trắng và màu da Kết quả được dùng mô phỏng phần da mờ, da nổi bật hoặc kết hợp cả hai trong không gian RGB hoặc không gian chuẩn hoá RG Nguyễn Thị Diệu Anh - Đỗ Văn Luyện (T5 - 2012) Page 22 BTH Cơ sở tri thức và ứng dụng - Nhận diện khuôn mặt người và mô hình hoá màu da Một cách tiếp cận khác để tính quỹ tích da là sử dụng các hàm cơ sở của tín hiệu màu da Các tín hiệu màu da là quang phổ phản xạ từ da, ... 2012) Page 15 BTH Cơ sở tri thức và ứng dụng - Nhận diện khuôn mặt người và mô hình hoá màu da Ở hình trên ta thấy màu da chuyển sang màu từ xanh dương nếu được chiếu sáng ở nhiệt độ cao, ngược lại thì chuyển sang màu đỏ Như vậy, khi xây dựng mô hình màu da ta cần xem xét yếu tố ánh sáng Mô hình màu sắc có thể được thay đổi nếu ta biết trước những điều kiện ánh sáng và cân bằng trắng có thể xảy ra Có... nhất phân đoạn da vì sắc độ da chiếm diện tích nhỏ và hiệu quả để nhận diện khuôn mặt, trong đó NCC rgb có tỉ lệ nhận diện chính xác cao hơn Caetano và một số người khác đã so sánh mô hình Gaussion đơn và phức trong sự chuẩn hoá độ RG bằng cách sử dụng các điểm ảnh lấy ra từ các vùng khác nhau của khuôn mặt, cánh tay và chân của nhóm dân tộc khác nhau Theo nghiên cứu, mô hình Gaussian phức từ 2 đến . tri thức và ứng dụng - Nhận diện khuôn mặt người và mô hình hoá màu da 1. Quy trình nhận diện khuôn mặt Một hệ thống nhận diện khuôn mặt về cơ bản trải qua bốn giai đoạn: - Xác định khuôn mặt -. của mẫu mô hình khuôn mặt. Nguyễn Thị Diệu Anh - Đỗ Văn Luyện (T5 - 2012) Page 9 BTH Cơ sở tri thức và ứng dụng - Nhận diện khuôn mặt người và mô hình hoá màu da Vậy, bài toán nhận diện khuôn mặt. Page 18 BTH Cơ sở tri thức và ứng dụng - Nhận diện khuôn mặt người và mô hình hoá màu da 2. Mô hình màu da Mô hình màu da được xây dựng trên hai tập ảnh: ảnh riêng lẻ và ảnh tuần tự. Giờ chúng