thuật toán PCA.

thuật toán PCA.

Lời mở đầu Hiện nay, với phát triển xã hội, vấn đề an ninh bảo mật yêu cầu khắt khe quốc gia giới Các hệ thống nhận dạng người đời với độ tin cậy ngày cao Một toán nhận dạng người quan tâm nhận dạng khn mặt Vì nhận dạng khuôn mặt cách mà người sử dụng để phân biệt Bên cạnh đó, ngày việc thu thập, xử lý thông tin qua ảnh để nhận biết đối tượng quan tâm ứng dụng rộng rãi Với phương pháp này, thu nhận nhiều thông tin từ đối tượng mà không cần tác động nhiều đến đối tượng nghiên cứu Sự phát triển khoa học máy tính tạo mơi trường thuận lợi cho tốn nhận dạng mặt người từ ảnh số Các hệ thống nhận dạng offline đời có độ tin cậy cao, nhiên hệ thống nhận dạng online lại chưa đáp ứng nhiều Trong khuôn khổ đồ án này, chúng em tiếp tục giải toán nhận dạng offline Trong đối tượng thu thập thành file liệu chuyển trung tâm Tại đó, số liệu phân tích xử lý Trong phần đầu, chúng em giải toán nhận dạng thông thường, phần hai phần nhận dạng giới tính THCN-KSCLC-K50 Page 1) Giới thiệu chung phương pháp nhận dạng mặt người a) Các phương pháp nhận dạng mặt người: Phương pháp nhận dạng có loại:  Nhận dạng dựa đặc trưng phần tử khuôn mặt (Feature based face recognition)  Nhận dạng dựa xét tổng thể khn mặt (Appearance based face recognition) Ngồi cịn có số loại nhận dạng sử dụng mơ hình khn mặt, số phương pháp dùng cho loại này:  Nhận dạng 2D: Elastic Bunch Graph, Active Appearance Model  Nhận dạng 3D: 3D Morphable Model b) Nhận dạng dựa mối quan hệ phần tử: Đây phương pháp nhận dạng khuôn mặt dựa việc xác định đặc trưng hình học chi tiết khuôn mặt (như vị trí, diện tích, hình dạng mắt, mũi, miệng,…), mối quan hệ chúng (như khoảng cách hai mắt, khoảng cách hai lông mày,…) Ưu điểm phương pháp gần với cách mà người sử dụng để nhận biết khuôn mặt Hơn với việc xác định đặc tính mối quan hệ, phương pháp cho kết tốt trường hợp ảnh có nhiều nhiễu bị nghiêng, bị xoay ánh sáng thay đổi Nhược điểm phương pháp cài đặt thuật toán phức tạp việc xác định mối quan hệ đặc tính địi hỏi thuật tốn phức tạp Mặt khác, với ảnh kích thước bé đặc tính khó phân biệt c) Nhận dạng dựa xét tồn diện khn mặt: Nội dung hướng tiếp cận xem ảnh có kích thước RxC vector không gian RxC chiều Ta xây dựng khơng gian có chiều nhỏ cho biểu diễn khơng gian đặc điểm khn mặt khơng bị Trong khơng gian đó, ảnh người tập trung lại thành nhóm gần cách xa nhóm khác Hai phương pháp thường sử dụng PCA (Principle Components Analysis) LDA (Linear Discriminant Analysis) Trong khuôn khổ đồ án này, chúng em sử dụng thuật toán PCA 2) Thuật toán PCA a) Giới thiệu chung thuật toán: THCN-KSCLC-K50 Page PCA (Principle Components Analysis) thuật toán để sử dụng để tạo ảnh từ ảnh ban đầu Ảnh có kích thước nhỏ nhiều so với ảnh đầu vào mang đặc trưng ảnh cần nhận dạng PCA không cần quan tâm đến việc tìm đặc điểm cụ thể thực thể cần nhận dạng mối quan hệ đặc điểm Tất chi tiết thể ảnh tạo từ PCA Về chất, PCA tìm khơng gian theo hướng biến thiên mạnh tập hợp vector không gian cho trước Trong không gian mới, người ta hy vọng việc phân loại mang lại kết tốt so với không gian ban đầu 70.00 60.00 50.00 x2 40.00 30.00 20.00 10.00 0.00 0.00 50.00 100.00 150.00 200.00 250.00 x1 70.00 60.00 p2 50.00 x2 40.00 p1 30.00 20.00 10.00 0.00 0.00 THCN-KSCLC-K50 50.00 100.00 x1 150.00 200.00 250.00 Page Hình Khơng gian (p1,p2) theo hướng phân bố mạnh vector khơng gian (x1,x2) tìm theo PCA Ưu điểm phương pháp PCA:  Tìm đặc tính tiêu biểu đối tượng cần nhận dạng mà không cần phải xác định thành phần mối quan hệ thành phần  Thuật tốn thức tốt với ảnh có độ phân giải cao, PCA thu gọn ảnh thành ảnh có kích thước nhỏ  PCA kết hợp với phương pháp khác mạng Noron, Support Vector Machine … để mang lại hiệu nhận dạng cao Nhược điểm PCA:  PCA phân loại theo chiều phân bố lớn tập vector Tuy nhiên, chiều phân bố lớn lúc mang lại hiệu tốt cho toán nhận dạng Đây nhược điểm PCA  PCA nhạy với nhiễu b) Nội dung thuật tốn PCA: Khơng gian tạo PCA cấu thành từ K vector đơn vị có chiều N Mỗi vector gọi Eigenface Phép biến đổi:  a1   w  a  w   2  2     A=   → W=              aN   wK  với K