Lý thuyết tập thô trong bài toán nhận diện mặt người
Trường Đại Học Công Nghiệp Hà Nội Nhóm BỘ CÔNG THƯƠNG TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP HÀ NỘI BÁO CÁO BÀI TẬP LỚN Môn : Lý thuyết tập thô và ứng dụng Đề tài : Lý thuyết tập thô bài toán nhận diện mặt người Giáo viên hướng dẫn : T/s Trần Thanh Huân Nhóm thực : Nhóm 6-KHMT1-K3 Hà Nội, Tháng 11 Năm 2011 Mục lục Đề tài 2: LTTT ứng dụng toán nhận dạng mặt người Page Trường Đại Học Công Nghiệp Hà Nội Nhóm Lời mở đầu Lý thuyết tập thô (rough set theory) lần đề xuất Z Pawlak nhanh chóng xem công cụ xử lý thông tin mơ hồ không chắn Phương pháp đóng vai trò quan trọng lĩnh vực trí tuệ nhận tạo ngành khoa học khác liên quan đến nhận thức, đặc biệt lĩnh vực máy học, thu nhận tri thức, phân tích định, phát khám phá tri thức từ sở liệu, hệ chuyên gia, hệ hỗ trợ định, lập luận dựa quy nạp nhận dạng Lý thuyết tập thô dựa giả thiết để định nghĩa tập hợp, cần bệnh nhân bị bệnh định triệu chứng bệnh tạo thành thông tin bệnh nhân Như tập thô có quan điểm hoàn toàn khác với quan điểm truyền thống tập hợp, tập hợp định nghĩa phần tử mà không cần biết thông tin phần tử tập hợp Rõ ràng, tồn số đối tượng giống số thông tin đó, ta nói chúng có quan hệ bất khả phân biệt với Đây quan hệ mấu chốt điểm xuất phát lý thuyết tập thô : biên giới tập thô không rõ ràng, để xác định phải xấp xỉ tập hợp khác nhằm mục đích cuối trả lời (tất nhiên thuyết tập thô với cách tiếp cận Đề tài 2: LTTT ứng dụng toán nhận dạng mặt người Page Trường Đại Học Công Nghiệp Hà Nội Nhóm ứng dụng nhiều lĩnh vực đời sống xã hội Nhận dạng lĩnh vực phát triển sớm ngành trí tuệ nhân tạo có nhiều ứng dụng thực tế Nó thu hút quan tâm nhiều ngành khoa học tha gia nhiều nhà khoa học Việc ứng dụng lý thuyết tập thô vào có nhiều thành công đáng kể thực tế A Mô tả toán nhận diện khuôn mặt I Giới thiệu Trong giới ngày với phát triển mạnh mẽ kỹ thuật số mạng toàn cầu, vấn đề đảm bảo an toàn thông tin vật chất trở nên ngày quan trọng khó khăn Thỉnh thoảng lại nghe nói đến vụ đánh cắp thẻ tín dụng, đột nhập trái phép vào hệ thống máy tính hay nhà quan nhà nước, phủ Hơn 100 triệu đô la số bị thất thoát Mỹ vào năm 1998 vụ gian lận xâm nhập nói (theo Reuters, 1999) [5] Trong đa số vụ phạm pháp này, bọn tội phạm lợi dụng khe hở trình truy cập vào hệ thống thông tin kiểm soát Phần lớn hệ thống không thực quyền truy cập người sử dụng dựa vào thông tin “chúng ta ai” mà dựa vào “chúng ta có gì” Nói cách khác, thông tin mà người sử dụng cung cấp cho hệ thống không đặc trưng cho thân họ, mà họ sở hữu số chứng minh nhân dân, chìa khoá, mật mã, số thẻ tín dụng họ tên Rõ ràng thông tin hay vật dụng không mang tính đặc trưng mà mang tính xác thực người sử dụng, chúng bị đánh cắp hay chép kẻ trộm hoàn toàn có quyền truy nhập, sử dụng liệu hay phương tiện lúc họ muốn Hiện nay, công nghệ đại cho phép việc xác thực dựa vào “bản chất” cá nhân Công nghệ dựa lĩnh vực gọi sinh trắc học Kiểm soát sinh trắc học phương pháp tự động cho phép xác thực hay nhận dạng cá nhân dựa vào đặc trưng sinh lý học người đặc điểm vân tay, gương mặt, gen,… dựa đặc điểm liên quan đến đặc trưng hành vi Đề tài 2: LTTT ứng dụng toán nhận dạng mặt người Page Trường Đại Học Công Nghiệp Hà Nội Nhóm dạng chữ viết, cách gõ phím, giọng nói…Vì hệ thống nhận dạng sinh trắc học sử dụng thông tin sinh học người nên kết xác đặc biệt khó bị giả mạo Các đặc trưng sinh lý học người thay đổi, đặc trưng hành vi thay đổi bất thường yếu tố tâm lý căng thẳng, mệt mỏi hay bệnh tật Chính lý này, hệ thống nhận dạng dựa đặc trưng sinh lý tỏ ổn định hệ thống dựa vào đặc trưng hành vi Tuy nhiên, nhận dạng đặc trưng hành vi có ưu điểm dễ sử dụng thuận tiện hơn: thay phải đặt mắt trước máy quét điện tử hay lấy giọt máu, người sử dụng cảm thấy thoải mái yêu cầu ký tên hay nói vào micro Nhận dạng gương mặt số phương pháp nhận dạng dựa vào đặc trưng sinh lý cho kết xác cao đồng thời thuận tiện sử dụng Hơn nữa, số đặc trưng sinh lý học, gương mặt người yếu tố quan trọng cho việc nhận biết lẫn biểu đạt cảm xúc Khả nhận dạng nói chung khả nhận biết gương mặt người nói riêng người thật đáng kinh ngạc Chúng ta có khả nhận hàng ngàn gương mặt người gặp, giao tiếp sống nhìn thoáng qua, chí sau nhiều năm không gặp thay đổi gương mặt tuổi tác, cảm xúc, trang phục, màu tóc,…Do đó, việc nghiên cứu đặc tính gương mặt người thu hút nhiều nhà triết học, nhà khoa học qua nhiều kỷ, có Aristotle Darwin Chính lý trên, từ năm 1970, nhận dạng mặt người thu hút quan tâm nhiều nhà nghiên cứu lĩnh vực bảo mật, tâm lý học, xử lý ảnh thị giác máy tính Ngày chương trình máy tính nhận dạng mặt người tìm ứng dụng thực tế : Nhận dạng tội phạm Các hệ thống nhận dạng mặt người tích hợp vào hệ thống kiểm soát sân bay sử dụng để tìm kiếm nhận diện tên khủng bố hay bọn buôn bán ma tuý Kiểm soát truy cập vào hệ thống máy tính môi trường cộng tác Việc kiểm tra đăng nhập vào hệ thống máy PC kết hợp thông tin mật Đề tài 2: LTTT ứng dụng toán nhận dạng mặt người Page Trường Đại Học Công Nghiệp Hà Nội Nhóm mã / nhận dạng mặt người Điều giúp người làm việc không cảm thấy bị rối bời thủ tục truy cập phức tạp đồng thời đảm bảo độ tin cậy thông tin khách hàng bí mật kinh doanh Giải pháp bảo mật bổ sung cho giao dịch rút tiền tự động (ATM) Việc truy cập vào máy rút tiền tự động dịch vụ khác ngân hàng kiểm soát thông tin số tín dụng (PIN), giọng nói, tròng mắt kết hợp với nhận dạng gương mặt Đối sánh ảnh cước hoạt động ngành luật pháp Các quan luật pháp sử dụng hệ thống nhận dạng mặt người để đối sánh mô tả nhân chứng với tên tội phạm lưu trữ sở liệu Ứng dụng giao tiếp người – máy Sau xác định người sử dụng cảm xúc họ thời điểm đó, hệ thống máy tính có ứng xử thích hợp Trong chương trước tiên điểm qua số phương pháp sử dụng lĩnh vực nhận dạng mặt người Sau đưa mô hình tiêu biểu cho hệ thống nhận dạng mặt người bàn luận số khó khăn cho toàn trình nhận dạng, tập trung vào hai giai đoạn rút trích đặc trưng phân lớp với hai phương pháp : phân tích thành phần (Principle Components Analysis – PCA) mạng lượng hoá vector (Learning Vector Quantization Network – LVQ) Đây hai công cụ sử dụng luận văn nhằm đánh giá hiệu suất hệ thống nhận dạng có kết hợp với lý thuyết tập thô II Các mô hình nhận dạng mặt người tiêu biểu Mô hình Trong đa số trường hợp, hệ nhận dạng mặt người bao gồm hai phận sau đây: • Bộ dò tìm hay định vị gương mặt người (Face Image Detector) có nhiệm vụ xác định vị trí gương mặt từ ảnh bình thường • Bộ phận nhận dạng hay phân lớp gương mặt (Face Recognizer) sử dụng để xác định người có gương mặt tương ứng Đề tài 2: LTTT ứng dụng toán nhận dạng mặt người Page Trường Đại Học Công Nghiệp Hà Nội Nhóm Cả hai phận sử dụng mô hình hoạt động : chúng có chức rút trích đặc trưng (feature extractor) nhằm biến đổi điểm ảnh ảnh sang dạng biểu diễn vector có ý nghĩa, chức nhận dạng mẫu (pattern recognizer) có nhiệm vụ tìm kiếm cá nhân có ảnh lưu sở liệu trùng khớp với ảnh mặt đưa vào Tuy nhiên, hai phận khác chỗ : phận dò tìm gương mặt, chức nhận dạng mẫu phân lớp vector đặc trưng cần nhận dạng vào hai lớp : lớp ảnh mặt người lớp ảnh mặt người Trong đó, chức nhận dạng mẫu phận nhận dạng / phân lớp gương mặt phân loại vector đặc trưng (đã cho ảnh mặt người phận dò tìm gương mặt) vào lớp cá nhân xác định sở liệu (chẳng hạn mặt anh A, anh B,…) Mô hình tiêu biểu hệ nhận dạng mặt người thể Hình sau Hình 2- 1: Mô hình nhận dạng mặt người tiêu biểu Trong ảnh ban đầu có nhiều thông tin hỗn tạp nên dò tìm Đề tài 2: LTTT ứng dụng toán nhận dạng mặt người Page Trường Đại Học Công Nghiệp Hà Nội Nhóm thường cho vị trí tương đối gương mặt Nhằm xác định xác vị trí gương mặt cho trình nhận dạng, người thiết kế hệ thống nhận dạng mặt người thường sử dụng vị trí đôi mắt thông tin bổ sung cho trình định vị Chính mô hình đưa Hình 2-1 có bổ sung thêm phận gọi phân lập đôi mắt (Eye Localizer) Trong hệ thống này, ba phận dò tìm gương mặt, phân lập đôi mắt nhận dạng mặt dựa theo mô hình “rút trích đặc trưng + nhận dạng mẫu” Trích rút đặc trưng Giả sử ảnh gương mặt thể dạng ma trận số hai chiều giá trị điểm ảnh, hay ảnh viết dạng vector X = {xi ∈ S} với S lưới vuông đại diện cho lưới ảnh Đôi người ta thể X dạng vector chiều theo dòng ảnh : X = [ x x x N ]T với N tổng số điểm ảnh Như với ảnh kích thước 320x 240 , kích thước ảnh N = 76800 Một vector có số chiều lớn thường không hiệu tính toán hạn chế khả nhận dạng Chính người ta đưa nhiều phương pháp nhằm đưa vector X vector đặc trưng f ( X ) = [ f1 ( X ) f ( X ) f M ( X )]T f i , i = 1,2, , M hàm tuyến tính phi tuyến Trong đa số trường hợp, nhằm làm tăng hiệu tính toán, kích thước vector đặc trưng M thường nhỏ nhiều kích thước vector ảnh ban đầu N Nhận dạng mẫu Do nhiều biến đổi tồn ảnh mặt người góc nhìn, độ sáng ảnh hay cảm xúc thể gương mặt,… nên thành phần vector đặc trưng phần có khả tuân theo biến đổi ngẫu nhiên, vector mô hình hoá dạng vector ngẫu nhiên Nếu ta cho xác suất người đưa vào hệ thống nhận dạng thuộc lớp người sở liệu (hay xác suất tiền nghiệm – a priori probability – người sở liệu nhau) theo lý thuyết định Bayes, lỗi nhận Đề tài 2: LTTT ứng dụng toán nhận dạng mặt người Page Trường Đại Học Công Nghiệp Hà Nội Nhóm dạng đạt giá trị cực tiểu trình nhận dạng thực dựa tiêu chuẩn maximum – likelihood (ML) Nghĩa là, giả sử người đưa vào hệ thống có vector đặc trưng Y = f ( X ) giả sử có K người sở liệu người gán vào lớp người k o cho phương trình : k o = arg min{log( p(Y | k ))} l[...]... tác dụng của tập thô trong lựa chọn đặc trưng cho bài toán nhận dạng mặt người So với mô hình tổng quát của một hệ nhận dạng mặt người hoàn chỉnh nêu ra trong chương II, ở đây chúng ta chỉ cài đặt chức năng của một bộ nhận dạng với hai giai đoạn huấn luyện và kiểm tra Đề tài 2: LTTT ứng dụng trong bài toán nhận dạng mặt người Page 15 Trường Đại Học Công Nghiệp Hà Nội Nhóm 6 1 Tập dữ liệu Trong toàn bộ... Đề tài 2: LTTT ứng dụng trong bài toán nhận dạng mặt người Page 20 Trường Đại Học Công Nghiệp Hà Nội Nhóm 6 Hình 3- 5: Giai đoạn huấn luyện tạo tập vector tham chiếu Đề tài 2: LTTT ứng dụng trong bài toán nhận dạng mặt người Page 21 Trường Đại Học Công Nghiệp Hà Nội Nhóm 6 Hình 3- 6: Giai đoạn phân lớp tập ảnh kiểm tra Đề tài 2: LTTT ứng dụng trong bài toán nhận dạng mặt người Page 22 Trường Đại... LTTT ứng dụng trong bài toán nhận dạng mặt người Page 17 Trường Đại Học Công Nghiệp Hà Nội Nhóm 6 Hình 3- 3: Giai đoạn huấn luyện tạo tập vector tham chiếu Đề tài 2: LTTT ứng dụng trong bài toán nhận dạng mặt người Page 18 Trường Đại Học Công Nghiệp Hà Nội Nhóm 6 Hình 3- 4: Giai đoạn phân lớp tập ảnh kiểm tra 3 Mô hình 2 Mô hình này là mở rộng của mô hình 1 bằng cách sử dụng lý thuyết tập thô để tìm... tài 2: LTTT ứng dụng trong bài toán nhận dạng mặt người Page 24 Trường Đại Học Công Nghiệp Hà Nội Nhóm 6 III Minh họa chương trình 1 Giao diện chương trình: Hình 4-1: giao diện chương trình 1: Label hiển thị số khuôn mặt xuất hiện trong Khung nhìn 2: khung nhìn của Webcam: nhận hình ảnh từ Webcam 3: hình ảnh chụp lại từ webcam Đề tài 2: LTTT ứng dụng trong bài toán nhận dạng mặt người Page 25 Trường... định Trong khuôn khổ bài báo cáo này chúng em chỉ đưa ra một phần nhỏ của các phương pháp phát hiện mặt người đó là “ứng dụng tập thô vào bài toán nhận diện khuôn mặt người Do thời gian làm bài là không nhiều nên có thể chưa đầy đủ mong thầy và các bạn góp ý để chúng em bổ xung và hoàn thiện phần báo cáo của mình Trân thành cảm ơn thầy giáo và các bạn!!! Đề tài 2: LTTT ứng dụng trong bài toán nhận. .. rồi so sánh với tập mẫu Khi phát hiện ra khuôn mặt chương trình sẽ vẽ lại một khung hình vuông chứa vị trí mà khuôn mặt xuất hiện Trong một thời điểm nếu xuất hiện nhiều khuôn mặt trong khung nhìn của webcam thì chương trình cũng có thể nhận ra được Đề tài 2: LTTT ứng dụng trong bài toán nhận dạng mặt người Page 26 Trường Đại Học Công Nghiệp Hà Nội Nhóm 6 D Kết luận Nhận diện khuôn mặt là lĩnh vực... làm cho tập dữ liệu phong phú hơn, các ảnh mặt sẽ được biến đổi bởi các thao tác thêm nhiễu, co dãn, làm mờ, Tập dữ liệu dùng huấn luyện sẽ có 24 ảnh / người, kiểm tra có 20 ảnh / người Hình 3- 1 : Phân chia tập dữ liệu huấn luyện và kiểm tra Đề tài 2: LTTT ứng dụng trong bài toán nhận dạng mặt người Page 16 Trường Đại Học Công Nghiệp Hà Nội Nhóm 6 Hình 3- 2 : Ảnh của 10 người đầu tiên trong tập dữ... (2 hoặc 3) phần tử dẫn đến kết quả nhận dạng thấp Trong chương trình thử nghiệm, với tập dữ liệu huấn luyện 24 ảnh / người, ta có thể chọn số khoảng rời rạc là 10 Đề tài 2: LTTT ứng dụng trong bài toán nhận dạng mặt người Page 23 Trường Đại Học Công Nghiệp Hà Nội Nhóm 6 C Chương trình Demo I Giới thiệu Nhận dạng mặt người là một lĩnh vực thu hút được rất nhiều các tập thể cũng như cá nhân nghiên cứu... quả nhận được là tập các vector đặc trưng có giá trị thực Gọi tập các thuộc tính của các vector này là c,q=|M Áp dụng thuật toán rời rạc hoá cho tập các vector đặc trưng này, kết quả nhận được là tập các vector đặc trưng nhận giá trị rời rạc gồm C thành phần Ta sử dụng thuật toán rời rạc : chia miền giá trị của mỗi thuộc tính thành k Đề tài 2: LTTT ứng dụng trong bài toán nhận dạng mặt người Page 19 Trường... minh họa Trong phần này chúng ta sẽ minh hoạ thuật toán trên bằng một ví dụ cụ thể Bảng quyết định được cho trong Bảng 3-1, trong đó U = {x1 , x2 , , x7 } , C = {a, b, c, d } và Đề tài 2: LTTT ứng dụng trong bài toán nhận dạng mặt người Page 11 Trường Đại Học Công Nghiệp Hà Nội Nhóm 6 Bảng 2- 1: Bảng quyết định cho ví dụ minh hoạ Ma trận phân biệt tương đối của hệ thông tin trên được thể hiện trong Hình