Tìm hiểu các đặc trưng sinh trắc học khuôn mặt, nghiên cứu ứng dụng của phép biến đổi KL và phân tích thành các thành phần chính (PCA) trong trích chọn đặc trưng khuôn mặt

Tìm hiểu các đặc trưng sinh trắc học khuôn mặt, nghiên cứu ứng dụng của phép biến đổi KL và phân tích thành các thành phần chính (PCA) trong trích chọn đặc trưng khuôn mặt.Khảo sát một ứng dụng nhận dạng khuôn mặt bằng phương pháp PCAKhảo sát một ứng dụng ứng dụng nhận dang khuôn mặt theo phương pháp PCA để thấy được ứng dụng của phép biến đổi KL, PCA trong trích chọn đặc trưng khuôn mặt. Mục tiêu của ứng dụng: nhận dạng chính xác nhất khuôn mặt thử nghiệm dựa trên những khuôn mặt đã có sẵn.

Đề bài: Tìm hiểu đặc trưng sinh trắc học khuôn mặt, nghiên cứu ứng dụng phép biến đổi KL phân tích thành thành phần (PCA) trích chọn đặc trưng khuôn mặt Khảo sát ứng dụng nhận dạng khuôn mặt phương pháp PCA Vai trò KL, PCA: Đóng vai trò xác định tổ hợp véc tơ riêng, trị riêng (khuôn mặt riêng)  Mỗi khuôn mặt tổ hợp tuyến tính khuôn mặt riêng Mục tiêu - Khảo sát ứng dụng ứng dụng nhận dang khuôn mặt theo phương pháp PCA để thấy ứng dụng phép biến đổi KL, PCA trích chọn đặc trưng khuôn mặt - Mục tiêu ứng dụng: nhận dạng xác khuôn mặt thử nghiệm dựa khuôn mặt có sẵn Môi trường triển khai ứng dụng Matlab Tập sở liệu ảnh khuôn mặt Phân tích ứng dụng Ứng dụng nhận dạng dựa phương pháp thiết lập khuôn mặt riêng – eigenface từ trị riêng, vectơ riêng tập sở liệu ảnh khuôn mặt có Ý tưởng phương pháp phân tích thành phần chủ yếu tạo nên khuôn mặt, vectơ riêng ma trận hiệp phương sai tập ảnh khuôn mặt Mỗi vectơ chưa số lượng đặc tính riêng biệt khuôn mặt từ tạo khác khuôn mặt Bên cạnh vectơ riêng biểu diễn giống với khuôn mặt, vậy, vectơ gọi khuôn mặt riêng – eigenfaces Các bước thực giải thuật: Sơ đồ thực phương pháp nhận dạng - Yêu cầu tạo khởi tạo tập liệu bao gồm khuôn mặt (tập liệu huấn luyện) Tính khuôn mặt riêng từ tập liệu huấn luyện có giữ lại M ảnh tương ứng với M trị riêng lớn Các vectơ riêng tương ứng với trị riêng tạo nên không gian mặt - Tính toán trọng số không gian nhóm khuôn mặt tương ứng sở liệu cách chiếu lên không gian mặt Tính toán tập số khuôn mặt cần nhận dạng cách chiếu lên M khuôn mặt riêng có Quyết định xem hình ảnh đưa vào có phải ảnh khuôn mặt hay không Nếu ảnh đưa vào ảnh khuôn mặt, dựa vào trọng số tính trên, xác định xem ảnh có thuộc nhóm khuôn mặt biết hay không - - - Nếu ảnh khuôn mặt tương ứng với nhóm khuôn mặt có sở liệu, tính toán cập nhật khuôn mặt riêng trọng số riêng (bước bỏ qua số ứng dụng) Nếu khuôn mặt lạ xuất nhiều lần, ta tập hợp lại thành nhóm tạo sở liệu Như vậy, KL, PCA đóng vai trò xác định tổ hợp vectơ riêng – khuôn mặt riêng, tạo nên không gian mặt - facespace biểu diễn tốt khuôn mặt Chi tiết bước thực hiện: a Tính vectơ khuôn mặt riêng: Giả sử ta có ảnh I(x,y) mảng chiều NxN giá trị cường độ (8bits), coi ảnh vector chiều N2, với ảnh có kích cỡ điển hình 256x256, vector chiều ảnh 256x256 = 65 536, hay tương ứng với điểm không gian chiều 65 536 Do đó, tập ảnh tham chiếu sang tập điểm không gian Để có chi tiết cần thiết, ảnh khuôn mặt cần biểu diễn không gian nhỏ Tương đương với việc ta cần tính vector riêng ma trận hiệp phương sai (các khuôn mặt riêng) Gọi ảnh tập huấn luyện Γ 1, Γ2, Γ3,…, ΓM Khuôn mặt trung bình tập ký hiệu: Mỗi khuôn mặt chênh lệch với khuôn mặt trung bình đại lượng vector : Tập vector phân tích để xác định M vector trực giao u n biểu diễn tốt tập liệu Vector thứ k, uk, lựa chọn cho: có giá trị cao nhất, với ràng buộc : Vector uk λk tương ứng vector riêng trị riêng ma trận hiệp phương sai: Như vậy, ma trận C có kích thước N2x N2 , việc xác định N2 vector riêng giá trị riêng khó thực với kích thước ảnh điển hình Ta cần phương pháp dễ dàng để tìm vector riêng Ta giữ lại vectơ riêng tương ứng với trị riêng lớn vectơ riêng chứa nhiều đặc trưng nhất, vectơ ứng với trị riêng nhỏ chứa số đặc trưng Nếu số điểm liệu không gian ảnh nhỏ chiều không gian (M