Luận Văn Cử Nhân Tin Học Nghiên Cứu Và Xây Dựng Hệ Thống Nhận Dạng Mặt Người Dựa Trên FSVM Và ADABOOST

NG ANH H LU BOUN VINH – HOÀNG PH K H TN I H C QU C GIA TP H CHÍ MINH TR NG I H C KHOA H C T NHIÊN KHOA CÔNG NGH THÔNG TIN B MÔN CÔNG NGH TRI TH C LU N V N C NHÂN TIN H C K H O A C N TT – NGHIÊN C U VÀ XÂY D NG H TH NG NH N D NG M T NG D A TRÊN FSVM VÀ ADABOOST TP H CHÍ MINH - 07/2004 I K H TN I H C QU C GIA TP H CHÍ MINH TR NG I H C KHOA H C T NHIÊN KHOA CÔNG NGH THÔNG TIN B MÔN CÔNG NGH TRI TH C LU N V N T T NGHI P C NHÂN TIN H C H TÀI: I K H O A C N TT – NGHIÊN C U VÀ XÂY D NG H TH NG NH N D NG M T NG D A TRÊN FSVM VÀ ADABOOST GIÁO VIÊN H NG D N TS LÊ HOÀI B C SINH VIÊN TH C HI N LU BOUN VINH 0012129 HOÀNG PH NG ANH 0012005 TP H CHÍ MINH - 07/ 2004 L ic m n w(v Xin chân thành c m n th y, cô thu c khoa Công Ngh Thông Tin, i H c Khoa H c T Nhiên t n tình d y d , truy n đ t cho ng nhi u ki n th c quý báu K H TN tr Xin t lòng bi t n sâu s c đ n th y Lê Hoài B c, ng truy n đ t nhi u kinh nghi m đ đ tài có th đ Xin chân thành c m n th y D c Hoàng H , anh Tr n Ph c th c hi n hoàn thành c, th y Tr n c Du n, th y c Long, b n Hà Giang H i b n Tr n H Nguy n ng Anh i t n tình giúp đ Công Ngh a giúp đ , đ ng viên r t nhi u trình th c hi n đ – tài C N TT L i c m n sâu s c nh t xin dành cho b m n sinh thành giáo d ng Xin c m n t t c TP H Chí Minh tháng 07 n m 2004 A Lu Boun Vinh K H O Hoàng Ph ng Anh L im đ u w(v Trong nh ng n m g n đây, ng d ng v nh n d ng m t ng ngày phát tri n đ i d a ph d a ph dù đ ã có h th ng nh n d ng m t ng pháp dò tìm n ron, SVM.v.v… nh n d ng m t ng K H TN ng c đánh giá cao i i ng pháp n ron, HMM, SVM v.v… Các ng d ng v a nêu m c c d a lý thuy t c n nh HMM, n ron nh ng ng d ng th c t ch a đ c nhi u gi i h n v t c đ H th ng nh n d ng khuôn m t ng i v n có ph m vi ng d ng l n i theo ph H nên vi c phát tri n h th ng nh n d ng khuôn m t ng ng pháp m i có ý ngh a h t s c quan tr ng n u ó lý ch n đ tài : “NGHIÊN C U VÀ XÂY D NG H TH NG NH N D NG I D A TRÊN FSVM VÀ ADABOOST” – M T NG C N TT có h th ng nh n d ng khuôn m t v i ch t l nhanh, ti p c n b ng mô hình x lý đ ng t t th i gian c đánh giá m nh x lý t c đ nhanh l nh v c trí tu nhân t o, mô hình phân cách v i thu t toán FSVM mô hình h c AdaBoost làm công c x lý cho vi c nh n d ng i d a vào thông tin khuôn m t nh K H O A dò tìm ng tài đ c t ch c thành tám ch ng v i n i dung : Ü Ch ng 1: Phát bi u toán Ü Ch ng 2: Mô t d li u Ü Ch ng 3: Dò tìm khuôn m t theo ph Ü Ch ng 4: Rút trích đ c tr ng t khuôn m t theo ph K H TN ng pháp AdaBoost toàn c c – PCA c c b Ü Ch ng 5: Ph ng pháp PCA ng pháp FSVM (Fuzzy SVM) ng d ng nh n d ng Ü Ch ng 6: Thi t k ch Ü Ch ng 7: Th c nghi m k t qu Ü Ch ng 8: Nh n xét h – ng trình h H khuôn m t ng d n s d ng K H O A C N TT ng phát tri n M cl c L i c m n .1 L i m đ u M c l c Danh sách hình Ch K H TN Danh sách b ng 10 ng .11 Phát bi u toán 11 1.1 T ng quan khái ni m liên quan đ n nh n d ng khuôn m t 11 1.1.1 H th ng sinh tr c h c .11 1.1.2 H th ng nh n d ng khuôn m t 11 H 1.1.3 H th ng xác minh 11 1.1.4 H th ng nh n d ng t nh-t nh, t nh-đ ng, đ ng-đ ng .11 1.1.4.1 H th ng nh n d ng t nh t nh 11 – 1.1.4.2 H th ng nh n d ng t nh-đ ng 12 C N TT 1.1.4.3 H th ng nh n d ng đ ng-đ ng 12 1.2 Nh ng thách th c toán nh n d ng khuôn m t 12 1.3 Các h ng ti p c n l nh v c nh n d ng khuôn m t 13 1.3.1 Các công trình nghiên c u v ph 1.3.2 H Ch ng ti p c n đ ng pháp dò tìm nh n d ng khuôn m t 13 c th nghi m lu n v n 15 ng .17 A Mô t d li u .17 O 2.1 Thu th p d li u 17 2.2 Bi u di n d li u khuôn m t máy tính 17 ng .19 H Ch K Dò tìm khuôn m t nhanh theo ph ng pháp AdaBoost .19 3.1 Gi i thi u 19 3.1.1 Các v n đ vi c dò tìm khuôn m t nhanh 19 3.1.2 Các h 3.1.3 H ng ti p c n dò tìm khuôn m t nhanh 20 ng ti p c n theo ph ng pháp AdaBoost 20 3.2 Ph ng pháp ch n đ c tr ng cho AdaBoost 21 3.3 Ph ng pháp AdaBoost 23 3.3.1 Gi i thi u 23 3.3.2 Thu t toán AdaBoost 23 3.4 B dò tìm phân t ng AdaBoost .28 3.5 Dò tìm khuôn m t v i AdaBoost 32 3.5.1 Hu n luy n b dò tìm khuôn m t .32 3.6 ánh giá h K H TN 3.5.2 Quá trình dò tìm khuôn m t .32 ng phát tri n 34 3.6.1 ánh giá 34 3.6.1.1 u m 34 3.6.1.2 Khuy t m 34 3.6.2 H ng phát tri n 34 H 3.6.2.1 V m t thu t toán h c 34 3.6.2.2 V m t thu t toán h c 34 Ch ng .35 Rút trích đ c tr ng t khuôn m t theo ph c toán đ i s n tính th ng kê 35 – 4.1 S l ng pháp PCA toàn c c– PCA c c b 35 C N TT 4.1.1 Vector riêng, tr riêng s chéo hoá c a ma tr n 35 4.1.2 Kì v ng ph ng sai th ng kê đa chi u 36 4.1.2.1 Kì v ng .36 4.1.2.2 Ma tr n hi p ph 4.2 Ph ng sai .37 ng pháp phân tích thành ph n (Principal Component Analysis hay PCA) 37 A 4.2.1 Yêu c u 37 O 4.2.2 Trích đ c tr ng b ng ph ng pháp PCA 37 4.2.3 K thu t trích đ c tr ng b ng PCA 41 K H 4.3 Ph ng pháp PCA toàn c c c c b 43 4.3.1 Ph ng pháp PCA toàn c c .43 4.3.2 Ph ng pháp PCA c c b 43 4.4 ánh giá 44 4.4.1 Các đánh giá quan tr ng v rút trích đ c tr ng b ng ph 4.4.2 So sánh ph ng pháp PCA 44 ng pháp PCA toàn c c PCA c c b 45 Ch ng .46 Ph ng pháp FSVM (Fuzzy SVM) ng d ng nh n d ng khuôn m t 46 5.1 S l c lý thuy t SVM .46 5.1.1 Gi i thi u 46 5.1.2 S l c lý thuy t SVM 46 5.1.2.1 SVM n tính 46 5.1.2.2 SVM phi n 49 K H TN 5.2 FSVM – SVM m (Fuzzy SVM) .50 5.2.1 FSVM 50 5.2.1.1 Các v n đ n y sinh c a SVM 50 5.2.1.2 M hóa t p d li u 51 5.2.1.3 FSVM 51 5.2.2 Thu t toán m hóa d li u 53 5.2.2.1.1 Xác đ nh t p m u v H 5.2.2.1 M hóa t p d li u áp d ng KNN – ODM 54 t .54 5.2.2.1.2 Hàm thành viên 58 ng pháp Kernel 59 5.2.2.3 M hóa t p d li u áp d ng ph ng pháp SVM 60 ng pháp FSVM nhi u l p 61 C N TT 5.2.3 Phân tích ph – 5.2.2.2 M hóa t p d li u áp d ng ph 5.2.3.1 Phân tích c ch đ i t t c .61 5.2.3.2 Phân tích ph ng pháp phân l p theo c p 66 5.3 Nh n d ng khuôn m t ng i v i FSVM 70 5.3.1 Nh n d ng đa l p dùng FSVM v i nh phân 70 5.3.2 Nh n d ng đa l p dùng FSVM v i ph ng pháp b u c 71 A 5.3.3 Nh n d ng khuôn m t dùng FSVM v i ph ng pháp b u c 71 O 5.3.3.1 Giai đo n hu n luy n h th ng 71 K H 5.3.3.1.1 Hu n luy n FSVM phi n cho toán nh n d ng khuôn m t .71 5.3.3.1.2 Véct hóa t p m u khuôn m t thô .72 5.3.3.1.3 Rút trích đ c tr ng khuôn m t .73 5.3.3.1.4 T o b phân lo i nh phân cho ph ng pháp b u c .76 5.3.3.1.5 Hu n luy n cho m i b phân lo i FSVM nh phân t t p m u nh phân hóa hai l p khuôn m t v i 76 5.3.3.2 Giai đo n nh n d ng khuôn m t 77 5.3.3.2.1 Nh n d ng khuôn m t dùng FSVM .78 5.3.3.2.2 Véct hoá khuôn m t thô 78 5.3.3.2.3 Rút trích đ c tr ng khuôn m t .78 5.3.3.2.4 a m u th nghi m khuôn m t x vào c u trúc nh phân th c hi n đ i sánh t ng mô hình nh phân FSVM .78 5.3.4 Nh n xét h ng phát tri n t ng lai .79 u m 79 5.3.4.1 c m 79 5.3.4.3 H ng phát tri n 80 K H TN 5.3.4.2 Nh 5.3.4.3.1 V m t thu t toán h c 80 5.3.4.3.2 V ch Ch ng trình ng d ng 81 ng .82 Thi t k ch ng trình h ng d n s d ng .82 6.2 Thi t k cài đ t ch ng trình .82 6.3 Giao di n hình h Ch H 6.1 Gi i thi u 82 ng d n s d ng 83 ng .91 – Th c nghi m k t qu 91 C N TT 7.1 Th nghi m b dò tìm khuôn m t 91 7.1.1 D li u .91 7.1.2 Th c nghi m t ng b tham s 91 7.1.3 Nh n xét 93 7.2 Th nghi m b nh n d ng khuôn m t 93 7.2.1 D li u .93 ng pháp FSVM 93 A 7.2.2 Ph K H O 7.2.2.1 Tham s Heuristic Fuzzy Kernel sau hu n luy n 94 7.2.2.2 Ph ng pháp FSVM so sánh Kernel 94 7.2.2.3 Ph ng pháp FSVM so sánh cách trích đ c tr ng .95 7.2.2.4 Ph ng pháp FSVM so sánh t p nh 44 ng 7.2.2.5 Ph ng pháp FSVM so sánh đo n videoclip .98 i t p nh 10 ng i 96 7.2.3 Nh n xét 99 Ch ng 100 Nh n xét h ng phát tri n 100 8.1 Thu n l i .100 8.2 Khó kh n .101 8.3 H ng phát tri n .102 8.4 T ng k t 103 K H O A C N TT – H K H TN TÀI LI U THAM KH O 104 Pepsiboy Khoa PhuongAnh Hong Cuong Truc 80ms 80ms 100% 85% 85% 100% 56ms 66ms 66ms 86ms 100% 100% 100% 100% 57ms 46ms 66ms 76ms 100% 100% 100% 100% 60ms 60ms 66ms 70ms 100% 100% 100% 100% 56ms 62ms 66ms 68ms 100% 80% 100% 83% 59ms 63ms 60ms 100ms 100% 100% 100% 100% 58ms 60ms 60ms 70ms 100% 93% 95% 97% 66ms 66ms 76ms 76ms C N TT Thy 56ms K H TN Khai 66ms – Vu H Th c nghi m k t qu Trung bình 88% 100% 100% 85% 56ms 56ms 66ms 86ms 100% 90% 95% 100% 59ms 59ms 67ms 79ms 98.3% 94.3% 97% 93.5% O A (*Chú ý : th i gian nh n d ng tính bao g m th i gian dò tìm khuôn m t) H B ng 8-B ng k t qu so sánh kernel khác v i FSVM K 7.2.2.3 Ph ng pháp FSVM so sánh cách trích đ c tr ng o Xét FSVM v i kernel s d ng RBF H s C = , gamma = 0.3 (D li u 10 ng i , m i ng i ch s d ng nh đ hu n luy n , s ch p t webcam t 10-20 nh, sau t t c trinh hu n luy n) , 95 nh đ nh test c bi n đ i đ nhân lên nh Th c nghi m k t qu SVM-PCA FSVM-PCA SVM-PCAcb FSVM-PCAcb Vu Khai Pepsiboy Khoa PhuongAnh Cuong Thy A Truc O Trung bình H 20 ms 15 ms 16 ms 90% 95% 90% 95% 20 ms 22 ms 15 ms 17 ms 100% 100% 100% 100% 21 ms 23 ms 16 ms 17 ms 95% 100% 95% 100% 23 ms 20 ms 18 ms 16 ms 100% 100% 100% 100% 22 ms 17 ms 19 ms 17 ms 100% 100% 100% 100% 19 ms 16 ms 20 ms 16 ms 93% 96% 95% 95% 18 ms 15 ms 15 ms 17 ms 100% 100% 100% 100% C N TT Hong 21 ms K H TN Vy H i – Ng 19 ms 21 ms 17 ms 19 ms 93% 100% 92% 100% 21 ms 19 ms 19 ms 18 ms 85% 88% 85% 90% 22 ms 21 ms 21 ms 20 ms 90% 100% 92% 98% 20.6ms 19.4ms 17.5ms 17.3ms 94.6% 98% 95% 97.8% K ( th i gian nh n d ng tính không bao g m th i gian dò tìm khuôn m t) B ng 9-B ng k t qu so sánh cách trích đ c tr ng 7.2.2.4 Ph ng ng pháp FSVM so sánh t p nh 44 ng i 96 i t p nh 10 Th c nghi m k t qu o Xét ph ng pháp trích đ c tr ng s d ng : ( th i gian nh n d ng tính bao g m dò tìm khuôn m t) H s C = , gamma = 0.3 i ch s d ng nh đ hu n luy n , v i t p 44 ng đ u có nh test, nh ng ng sau t t c i RBF - 44 K-đa th c b c - K-đa th c b c 3- 10 44 56ms 66ms 95% 95% 95% 66ms 56ms 80ms 80ms 100% 90% 85% 89% 56ms 66ms 66ms 86ms 100% 100% 100% 100% 57ms 46ms 66ms 76ms 100% 100% 100% 100% 60ms 60ms 66ms 70ms 100% 100% 100% 100% 56ms 62ms 66ms 68ms 100% 90% 100% 93% Hong 59ms 63ms 60ms 100ms 100% 100% 100% 100% 58ms 60ms 60ms 70ms 100% 95% 95% 95% 66ms 66ms 76ms 76ms 88% 90% 100% 93% 56ms 56ms 66ms 86ms 100% 100% 95% 98% Vu Pepsiboy Khoa C N TT Khai H A PhuongAnh Cuong Thy Truc H 58ms – Vy K c bi n đ i đ nhân lên nh trinh hu n luy n) RBF - 10 97 i nh test ch p t webcam t 10-20 nh , O Ng nh đ i l i s i 25 ng K H TN (m i ng 76ms 95% Th c nghi m k t qu Trung bình 59.2ms 59ms 67.2ms 78.8ms 98.3% 96% 97% 96.3% B ng 10-B ng k t qu so sánh hai t p d li u 44 ng ng pháp FSVM so sánh đo n videoclip Ng i SVM Vy FSVM 58ms 56ms 83% Vu 90% 66ms 56ms 86% 56ms 85% C N TT PhuongAnh H O A Hong Cuong Thu Truc Trung bình 47ms 88% 57ms 46ms 90% 93% 60ms 60ms 92% 94% 56ms 62ms 83.33% 91% 59ms 48ms 93% 97% 58ms 60ms 93% 95% 66ms 56ms 78% 84% 56ms 52ms 76% 87% 59.2ms 54.3ms 86% 90% – Pepsiboy Khoa 80% H Khai K i K H TN 7.2.2.5 Ph i 10 ng 98 Th c nghi m k t qu B ng 11-B ng k t qu so sánh đo n video clip 7.2.3 Nh n xét ng pháp FSVM nh n d ng t t đ i v i Ü Ph o Kernel RBF cho k t qu t t h n đa th c b c K H TN o H s m ε= 0.3 Khi ε t 0.5 ti n đ n 1, hi u su t c a FSVM gi m gi ng nh SVM o H s Gamma o H ng s C : t t nh t v i C = v i kernel đa th c b c kernel RBF ng pháp PCA c c b đ c l p cho t c đ nhanh h n PCA toàn H o Ph c c hi u su t cao h n t 0.5 – 1% Ü So v i ph ng pháp SVM, FSVM cho k t qu nh n d ng t đ i i mà t c đ không thay ng pháp FSVM nh n d ng t t h n v i đo n video clip webcam C N TT Ü Ph nh hu n luy n cho m i ng – 98%) c v i s ng đ i t t (96 – K H O A có nhi u bi n đ i góc đ (nh ) s c thái khuôn m t 99 Nh n xét h Ch ng phát tri n ng Nh n xét h ng phát tri n K H TN 8.1 Thu n l i Khi xây d ng h th ng nh n d ng ti p c n v i nh ng ng pháp nh n d ng FSVM đ ph c coi t t hi n l nh v c trí tu nhân t o Ch ng trình nh n d ng v i đ xác trung bình 96% so v i ph H pháp SVM h n 94% C s d li u cho vi c th nghi m h th ng nh n d ng đ – nhi u ngu n khác nh ng nhìn chung ch t l v i nh ng yêu c u đ t t đ tài ( nh h ng c thu th p t ng d li u khuôn m t r t phù h p ng c a môi tr ng s bi n đ i C N TT n i t i khuôn m t không l n lên t p m u h c) Thi t b s d ng vi c cho vi c nghiên c u th c hi n đ tài r t t t: Máy Pentium IV 1.6, RAM 256M Dù FSVM m t ph ng pháp h c m i m c đích c a chuyên cho ng đ A d ng phân lo i m u hai l p b ng m t siêu m t phân tách, nh ng v i k t qu đ t c nh t FSVM ch ng t đ O v i m t s ph c kh n ng gi i quy t v n đ không so ng pháp c n nh m ng neural nhân t o hay mô hình Markov n K H r i r c mà có kh n ng phân lo i m t lúc nhi u l p r t t t Khi nghiên c u v h th ng nh n d ng không nh ng nghiên c u v thu t toán x lý mà qua bi t thêm nhi u v công trình nghiên c u v khuôn m t ng i t l nh v c khác k t qu th c s có ý ngh a vi c nâng cao hi u qu kh n ng giao ti p gi a ng tính 100 i máy Nh n xét h ng phát tri n H th ng không nh ng tr ng vào k thu t nh n d ng mà tr ng vào k thu t đ nh n th c m t m u m t khuôn m t ng xây d ng t i nh mà chúng ng đ i thành công m t h th ng nh n d ng khuôn m t t đ ng K H TN 8.2 Khó kh n H th ng nh n d ng v i cách ti p c n t ph nh ng tính ch t ch v m t toán h c ch a cao, nhi u tr ng pháp h c r t m nh, ng h p t i u hóa đòi h i ph i th nghi m nhi u l n v i nhi u b tham s khác C s d li u r t h n ch , ch m i th nghi m 44 ng i, ng nh c a m i ng i nhi u bi n đ ng l n đ c bi t u có th làm gi m ch t l ng c a h th ng nh n d ng áp d ng H đ ng th i s l i – 10 ng th gi i th c mà khuôn m t môi tr ng c a m t h th ng s d ng m t s đ đo – đánh giá ch t l ng thay đ i liên t c C N TT nh ng th c s v n ch a đ m b o đánh giá đ K H O A r t c m tính 101 c m t cách khách quan đôi lúc Nh n xét h 8.3 H ng phát tri n ng phát tri n ây m t đ tài t ng đ i ph c t p, m c dù c g ng xây d ng m t h th ng có kh n ng nh n d ng ng i d a vào thông tin khuôn m t xu t hi n K H TN nh trongth i gian th c Nh ng v i nh ng h n ch v m t trình đ c ng nh th i gian th c hi n, k t thúc đ tài v i nghiên c u v m t m ng nh l nh v c th giác máy tính nh ng đ nh h hoàn thi n kh n ng t ng tác gi a ng i s hy v ng ngày i v i máy tính qua h th ng nh n d ng khuôn m t Ü ng d H i v i d li u h c: C n ph i t ng d n s m u h c c ng nh s ng h th ng nh n d ng, th a u ki n m i có th nâng cao đ nh n d ng t ng quát cho h th ng, c ng nh đáp ng đ c nhu c u th c t t i s phân lo i có th lên đ n hàng ngàn, hàng tri u i C N TT hàng t ng c kh n ng – th gi i th c mà s ng i i v i vi c dò tìm khuôn m t, u kiên tiên quy t xây d ng m t h Ü th ng nh n d ng khuôn m t t nhi u góc đ khác nhau: C n ph i nghiên c u ph h ng pháp dò tìm khuôn m t có kh n ng ch ng ch u t t v i nh ng nh ng c a môi tr A xu t hi n nhi u góc đ khác so v i m t ph ng nh đ đ m b o không b sót nh ng ng H K i c n nh n d ng i v i vi c rút trích đ c tr ng khuôn m t: C n ph i tìm hi u nghiên c u O Ü ng đ c bi t ph i gi i quy t toán dò tìm khuôn m t nhi u ph đ ng pháp rút trích đ c tr ng khuôn m t hi u qu h n đ có th bóc c thông tin n i thu c v khuôn m t có kh n ng lo i tr t p nhi u nhi u nh t Thông tin ph i đ m b o thông tin t ng quát thu c v m t ng h Ü i nh t Trong đó, h ng phát tri n (PC)2A m t nh ng ng có kh n ng trích thông tin r t t t dù ch v i m t nh nh t i v i vi c nh n d ng: 102 Nh n xét h ng phát tri n ̇ C n tìm hi u k h n v b n ch t c a không gian nh n th c khuôn m t ng i c n trang b nh ng ki n th c v tâm lý h c, sinh lý h c, v t lý h c c ng nh khoa h c v nh n th c khuôn m t đ có đ đ nh h cm t ng t t h n cho vi c nh n d ng t ng hi u su t cho nh n d ng mà ch d a vào tri th c t khuôn m t ng K H TN ̇ C n xây d ng nh ng h th ng lai t o b ng vi c k t h p nhi u ph pháp nh n d ng khác đ t ng u m cho m c đích nh n d ng c ng gi m khuy t m c a m i ph Ch ng h n FSVMs đ ng pháp nh n d ng riêng c k t h p v i ph ng pháp khác nh AdaBoost nh m t ng t c đ nh n d ng, k t h p thu t gi i di truy n đ H tìm b tham s m ̇ Nh n d ng khuôn m t thay đ i nhi u h ng c ng nh nh ng bi n đ i bên n i t i c a m t khuôn m t – bi n đ i t môi tr ng nhìn khác nhau, có nhi u C N TT ̇ Nghiên c u c u trúc gi i ph u c a c khuôn m t tìm hi u ph ng pháp nh n d ng khuôn m t chuy n đ ng video, nh đ ng vv ̇ M t h th ng nh n d ng hoàn ch nh ph i có kh n ng phân bi t tính đ n nh t các tr ng có th có t m t ng i: gi ng nói, vân tay, vân O A tay, dáng đi, dáng đ ng vv K H 8.4 T ng k t Khoa h c phát tri n không ng ng, nh ng b ch ng Chúng hy v ng m t t c đ u tiên bao gi c ng ch p ng lai không xa mà nh ng h th ng nh n d ng c a đ t đ n m t đ tin c y nh t đ nh nh ng ng d ng v s r ng rãi Và nh ng nghiên c u ti p theo t l nh v c s đ m t c p đ cao h n, hoàn thi n h n 103 c nâng lên TÀI LI U THAM KH O [1] Wenyi Zhao, Arvindh Krishnaswamy, Rama Chellappa, Danie L.Swets, John Weng, Discriminant Analysis of Principal Components for Face Recognition, Centrer for Automation Research, University of Maryland (page 73) of Face K H TN Recognition from Theory and Applications [2] John Daugnman, Phenotypic versus Genotypic Approches to Face Recognition, University of Cambridge, the Computer laboratory Cambridge CB3 3QG England (page 108) of Face Recognition from Theory and Applications H [3] Emmanuel Viennet Francoise Fogelman Soulie, Connectionists Methods for Human face Rrocessing, University Paris 13, 93430 Villetaneuse, – France (page 124) of Face Recognition from Theory and Applications C N TT [4] Antonio J.Colmenarez Thomas S.Huang, Face Detection and Recognition, Department of Electrical and Computer Engineering, Coordinated Science Laborotory, and Beckman Institute for Advanced Science and Technology, University of Illinois at Urbana-Champaign, 405 N Mathews Ave, USA (page 174) A of Face Recognition from Theory and Applications [5] Kazunori Okada, Johannes Steffens, Thomas Maurer, Hai Hong, Egor O Elagin, Hartmut Neven, and Christoph, Computer Science Department and Center H for Neural Engineering, University of Southrn California Los Angeles, USA (page K 286) of Face Recognition from Theory and Applications [6] Baback Moghaddam Alex Pentland, Beyond Linear Eigenspaces: Bayesian Matching for Face Recognition, MIT Media Laboratory, 20 Ames St Cambridge, MA 02139, USA (page 230) of Face Recognition from Theory and Applications 104 [7] Massimo Tistaelli Enrico Grosso, Active Vision-base Face Recognition: Issues, Application and Techniques, University of Genoa, Department of Communication, Computer and System Science (DIST), Computer Vision Laboratory, Via Opera Pia 13-16145 Genoa, Italy (page 262) of Face Recognition K H TN from Theory and Applications [8] Jeffrey Huang, Chengjun Liu, Harry Wechsler, Eye Detection and Face Recognition Using Evolutionary Computation, Department of Computer Science, George Mason University, http://www.chagall.gmu.edu/ (page 348) of H Face Recognition from Theory and Applications [9] Daniel Bgraham Nigel M Allinson, Characterising Virtual Eigensignatures for General Purpose Face Recognition, Image Engineering and – Neural Computing Group, Department of Electrical Engineering and Electronics, University of Manchester Institute of Science and Technology Manchester M60 C N TT 1QD, UK (page 446) of Face Recognition from Theory and Applications [10] Jason M.Kinser, Pulse Images for Face Recognition, Institute for Biosciences, Bioinformatics, and Biotechnology, George Masson, University, Fairfax, VA 22030-4444 (page 503) of Face Recognition from Theory and O A Applications H [11] Oi Bin Sun, Chian Prong Lam Jian Kang Wu, Using Differential K Constraints to Generate a 3D Face Model from Stereo, Computer Graphics Laboratory (LIG), EPEL, CH-1015, Lausanne, SWITZER-LAND (page 556) of Face Recognition from Theory and Applications 105 [12] Fabien Cardinaux, Automatic Face Recognition in Weakly Constrained Environment, Phd Student – Vision Group, Dalle Molle Institute for Perceptual Artificial Intelligence, 21/05/2003 [13] Sanjiy K.Bhatia, Vasudevan Lakshininarayanan, Ashok Samal, Grant K H TN V.Welland, Parameters for Human Face Recognition, Department of Mathematics & Computer Science, School of Optometry and Department of Physics & Astronomy University of Missouri-St Lonis St Lonis.MO 63121 Department of Computer Science & Engineering University of Nebraska – Lincoln Lincoln NE H 63588-0115, May 18, 1994 [14] Hichem Sahbi, Coarse to fine support vector machines for hierarchical face detection, University of Versailles ST Quentin en Yvelines, Doctor thesis, – 2003 C N TT [15] ZhenQiu Zhang, Long Zhu, Stan Z.Li, and HongJiang Zhang, Realtime Multi-View face Detection, Chinese Academy of Science and Beijing Sigma Center, Beijing, China [16] T Inoue and S Abe, Fuzzy support vector machines for pattern A classification, Proceedings of International Joint Conference on Neural Networks K H O (IJCNN ’01), volume 2, July 2001,pp 1449–1454 [17] U H.-G Kreßel, Pairwise classification and support vector machines, B Sch¨olkopf [18] C J C Burges and A J Smola, editors, Advances in Kernel Methods: Support Vector Learning, The MIT Press, Cambridge, MA, 1999, pp 255–268 106 [19] S Abe and T Inoue, Fuzzy support vector machines for multi-class problems, Proceedings of 10th European Symposium on Artificial Neural Networks (ESANN”2002), Bruges, Belgium, April 2002, pp 113–118 Comparison, Springer- Verlag, London, UK, 2001 K H TN [20] S Abe, Pattern Classification: Neuron-fuzzy Methods and Their [21] G D Guo, S Z Li, and K L Chan, Face recognition by support vector machines, Proc Int Conf Automatic Face and Gesture Recognition, 2000, pp 196– H 201 [22] H P Huang and Y H Liu, Fuzzy support vector machines for pattern recognition and data mining, International Journal of Fuzzy Systems, vol 4, no 3, C N TT – 2002, pp 826-835 [23] G D Guo, S Z Li, and K L Chan, Face recognition by support vector machines, Proc Int Conf Automatic Face and Gesture Recognition, 2000, pp 196– 201 [24] J C Burges, A tutorial on support vector machines for pattern O A recognition, Data Mining and Knowledge Discovery, vol 2, 1998, pp 121-167 H [25] Wenyi Zhao, Arvindh Krishnaswamy, Rama Chellappa, Danie L.Swets, K John Weng, Discriminant Analysis of Principal Components for Face Recognition, Center for Automation Research, University of Maryland of Face Recognition from Theory and Applications, pp 73 107 [26] Võ Th M Ng c, SVM - ng d ng l c email, Lu n v n cao h c, Chuyên ngành: Công ngh thông tin, Tr ng đ i h c khoa h c t nhiên TP.H Chí Minh, 2002 c Long, Nguy n V n L tin khuôn m t xu t hi n nh, Lu n v n c thông tin, ng, Nh n d ng ng i d a vào thông nhân, Chuyên ngành: Công ngh i h c KHTN TP H Chí Minh, 07/ 2003 K H TN [27] Tr n Ph [28] Lindsay I Smith, A tutorial on Principal Components Analysis, February H 26, 2002 [29] Paul Viola Michael J Jones, Robust Real-time Object Detection, Cambridge research laboratory, technical report series, CRL 2001/01, February C N TT – 2001 [30] Andrew Webb, Statistical Pattern Recognition, Oxford University Press, New York, 1999 [31] J.Weston and C.Watkins, Support vector machines for multi-class pattern recognition, Proceeding of 7th European Symposium on Artificial Neural O A Network (ESANN ‘99), 1999, pp 219-224 H [32] Han-Pang Huang and I-Hung Liu, Using Fuzzy support vector K machines to learn Small training sets: its application to PCA-based Face Recognition, Robotics Laboratory, Department of Mechanical Engineering, National Taiwan University, Taipei, Taiwan [33] Shigeo Abe, Analysis of Multi-class support vector machines, Graduate School of Science and Technology, Kobe University, Kobe, Japan 108 [34] Rodrigo Fernández and Emmanuel Viennet, Face Identification using Support vector machines, Proceeding European Symposium on Artificial Neural Network (ESANN “1999), D-Facto public, Bruges, Belgium, 21-23 April 1999, pp K H O A C N TT – H K H TN 195-200 109 [...]... khuôn m t trên nh màu d a trên s phân tích màu s c c a x lý trên nh màu và th làm các b ng nh y c m v i ánh sáng, th c ti n x lý cho các h ng khác ng dò tìm khuôn m t d a trên đ c tr ng ch y u d a vào các đ c tr ng c a khuôn m t ng dò tìm khuôn m t ng iđ c quy đ nh tr c Thành công nh t trong i trong th i gian th c là ph (Active shape Models) ng pháp ASM ng dò tìm khuôn m t d a trên thông tin hình nh... ng pháp AdaBoost ng 3 Dò tìm khuôn m t nhanh theo ph ng pháp K H TN AdaBoost 3.1 Gi i thi u Dò tìm đ i t ng là bài toán c b n và quan tr ng trong l nh v c th giác máy tính Các k thu t đã đ c áp d ng có th chia thành m t trong hai ti p c n: so Dyer, 1986, Besl và Jain, 1985], hay ph H kh p các mô hình hình h c hai, ba chi u vào nh [Seutens at al., 1992, Chin và ng pháp so kh p các mô hình khung vào nh... pháp AdaBoost d a trên ý t ng k t h p tuy n tính các b phân lo i, trong đó m i b phân lo i bao g m các đ c tr ng trên V n đ còn l i là hu n luy n t ng b phân lo i A 3.3.2 Thu t toán AdaBoost O Xét bài toán hai l p, m u hu n luy n bao g m M b (xi,yi) đã đ c gán nhãn, K H v i i∈ {1,2, ,M} trong đó yi ∈ {+1,-1} là nhãn và xi ∈Rn là các m u hu n luy n Trong AdaBoost, m t b phân lo i m nh h n đ c xây d... p nh t ωi (M ) ä exp[-yiHM(xi)] và chu n hóa ωi (M ) đ ∑ω i H K =1 A u ra O 3 (M ) i H ( x) = sign[∑m=1 hm ( x)] M B ng 1-Thu t toán Adaboost Sau đây là ví d minh h a cho thu t toán AdaBoost: 27 ng pháp AdaBoost H K H TN Dò tìm khuôn m t nhanh theo ph Hình 5-Hình v minh ho thu t toán AdaBoost C N TT – 3.4 B dò tìm phân t ng AdaBoost V i m t b dò tìm c do ph ng pháp AdaBoost hu n luy n đ c, ta có th... s nh và so sánh các đi m chu n này v i t t c các đi m chu n trích ra t ng ng trong các đ th khác nhau, và đ th nào phù h p nh t v i nh s đ c ch n K H TN t Ü Jeffrey Huang, Chengjun Liu, và Harry Wechsler (1998)[8], đ xu t thu t toán c n c trên tính ti n hóa (Evolutionary computation) và di truy n (Genetic) cho các tác v nh n d ng khuôn m t hai m t s đ c dò tìm tr i v i cách ti p c n này, c tiên và thông... và HongJiang Zhang (2001) [15] s d ng ph ng pháp AdaBoost đ dò tìm khuôn m t trong th i gian th c v i nhi u góc nhìn khác nhau Ü Tr n Ph c Long – Nguy n V n L ng (2003)[27], nh n d ng khuôn m t 1.3.2 H ng ti p c n đ c th nghi m trong lu n v n Trong đ tài này chúng tôi th nghi m ph ng pháp nh n d ng FSVM ng pháp PCA (phân tích thành ph n chính) đ – (Fuzzy SVM) Ph ng pháp SVM và HMM H d a vào thông tin. .. pháp SVM và HMM H d a vào thông tin xu t hi n trên nh b ng ph c s d ng C N TT d ng PCA-toàn c c (Global PCA) và d ng c i ti n c i ti n PCA-c c b (Local PCA) đ rút ra các vector đ c tr ng làm đ u vào cho b nh n d ng trên nh m t ng t c đ x lý Vi c cô l p khuôn m t trong nh đ u vào ( nh ch a khuôn m t) đ hi n v i ph ng pháp dò tìm khuôn m t trong nh dùng AdaBoost K H O A S đ h th ng nh n d ng khuôn m... ng đ i d a vào nh ng đ c tr ng sinh h c duy nh t c a ng H d ng m t ng c thi t k đ xác minh và nh n i đó 1.1.2 H th ng nh n d ng khuôn m t c thi t k đ tìm thông – H th ng nh n d ng khuôn m t là m t h th ng đ i K thu t nh n d ng là ki m tra s phù h p d a trên phép so sánh C N TT tin c a m t ng m t-nhi u c th là tìm ra m t ng i là ai trong s nh ng ng i đã đ c l u tr trong h th ng d a vào thông tin khuôn... m t 1.1.3 H th ng xác minh H th ng xác minh/xác th c khuôn m t là m t h th ng đ A minh thông tin c a m t ng i K thu t xác minh là ki m tra s phù h p trên phép O so sánh m t-m t c th là đ i chi u thông tin m i nh n v m t ng đã l u tr v ng c thi t k đ xác i v i thông tin i này có kh p hay không d a trên thông tin khuôn m t K H 1.1.4 H th ng nh n d ng t nh-t nh, t nh-đ ng, đ ng-đ ng 1.1.4.1 H th ng nh... giây 3.1.3 H ng ti p c n theo ph ng pháp AdaBoost A Chúng tôi ti n hành dò tìm khuôn m t ng i theo ph ng pháp AdaBoost O v i các lý do nh sau: K H Ü Ph ng pháp dò tìm AdaBoost d a trên ý t ng xây d ng các b dò tìm y u m c dù đ chính xác không cao nh ng có th i gian x lý r t nhanh Tuy nhiên khi k t h p các b dò tìm l i có th đ t đ chính xác cao Ü Ph ng pháp AdaBoost s d ng k t h p các đ c tr ng v n