Tìm hiểu bài toán phát hiện trạng thái mắt của mặt người trong ảnh

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC DÂN LẬP HẢI PHÒNG - ISO 9001:2008 ĐỒ ÁN TỐT NGHIỆP NGÀNH: CÔNG NGHỆ THÔNG TIN HẢI PHÒNG - 2013 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC DÂN LẬP HẢI PHÒNG TÌM HIỂU BÀI TOÁN PHÁT HIỆN TRẠNG THÁI MẮT CỦA MẶT NGƢỜI TRONG ẢNH ĐỒ ÁN TỐT NGHIỆP ĐẠI HỌC HỆ CHÍNH QUY NGÀNH: CÔNG NGHỆ THÔNG TIN Sinh viên thực : Nguyễn Thị Hiền Giáo viên hướng dẫn : PGS TS Đỗ Năng Toàn Mã số sinh viên : 1351010020 HẢI PHÒNG - 2013 Đồ án tốt nghiệp Trường DHDL Hải Phòng MỤC LỤC DANH MỤC HÌNH VẼ LỜI CẢM ƠN MỞ ĐẦU Chƣơng 1: KHÁI QUÁT VỀ XỬ LÍ ẢNH VÀ PHÁT HIỆN MẮT CỦA MẶT NGƢỜI TRONG ẢNH 1.1 Khái quát xử lý ảnh 1.1.1 Xử lý ảnh gì? 1.1.2 Các vấn đề xử lý ảnh 1.1.2.1 Một số khái niệm 1.1.2.2 Nắn chỉnh biến dạng 1.1.2.3 Khử nhiễu 1.1.2.4 Chỉnh mức xám 1.1.2.5 Trích chọn đặc điểm 1.1.2.6 Nhận dạng 1.1.2.7 Nén ảnh 11 1.2 Phát trạng thái mắt mặt người ảnh 13 1.2.1 Giới thiệu 13 1.2.2 Phát mặt người ảnh 13 1.2.3 Phát mắt người ảnh 14 1.2.4 Phát trạng thái mặt người theo số phương pháp 15 Chƣơng 2: PHÁT HIỆN MẮT CỦA MẶT NGƢỜI TRONG ẢNH 17 2.1 Phát mắt 17 2.1.1 Phát mặt người 18 2.1.2 Phát vị trí mắt ban đầu 19 2.2 Kiểm tra mắt sử dụng hỗ trợ máy vector 20 2.2.1 Những khái niệm SVM 21 2.2.1.1 Khái niệm SVM 21 2.2.1.2 Bài toán phân lớp 22 2.2.1.3 Phân lớp tuyến tính 22 2.2.1.4 SVM phân cách với khoảng cách lớn 23 2.2.1.5 Không gian đặc trưng 25 2.2.2 Cơ sở lý thuyết SVM 26 2.2.2.1 Bài toán phân lớp với SVM 26 2.2.2.2 Bài toán phân nhiều lớp với SVM 30 Nguyễn Thị Hiền- CT1301 Đồ án tốt nghiệp Trường DHDL Hải Phòng 2.2.2.3 Trường hợp liệu phân tách 31 2.2.3 Huấn luyện SVM 33 2.2.4 Phát trạng thái mắt với SVM 34 Chƣơng 3: KẾT QUẢ THỰC NGHIỆM 35 3.1 Bài toán 35 3.2 Các bước thực 36 3.3 Giao diện chương trình kết thực nghiệm 37 PHẦN KẾT LUẬN 41 TÀI LIỆU THAM KHẢO 43 Nguyễn Thị Hiền- CT1301 Đồ án tốt nghiệp Trường DHDL Hải Phòng DANH MỤC HÌNH VẼ Hình 1.1 : Mô hình trình xử lý ảnh Hình 1.2 : Mô hình việc nắn chỉnh biến dạng Hình 1.3 Sự kết hợp mắt sơ đồ theo dõi Hình 2.1 Ví dụ mắt người sang tối Hình 2.2 Phát mắt sơ đồ khối Hình 2.3 Hình ảnh khác biệt đôi mắt Hình 2.4 Hình ảnh khác biệt thresholded đánh dấu ứng cử viên học sinh Hình 2.5 Phân tách theo siêu phẳng (w,b) không gian chiều tập mẫu Hình 2.6 Siêu Phẳng tối ưu Hình 2.7 Ánh xạ Φ từ không gian liệu X sang không gian đặc trưng F Hình 2.8 Minh họa cho toán phân hai lớp Hình 2.9 Minh họa toán phân hai lớp với phương pháp SVM Hình 2.10 Bài toán SVM trường hợp liệu mẫu không phân tách tuyến tính Hình 2.11 (A)hình ảnh khác biệt thresholded chồng với ứng viên học sinh (B) hình ảnh tối đánh dấu với ứng cử viên mắt theo vị trí ứng cử viên học sinh(A) Hình 3.1 Sự di chuyển ánh mắt mặt người trước ảnh Hình 3.2 Ảnh chương trình chạy trình đầu Hình 3.3 Quá trình Hình 3.4 Trạng thái mắt nhắm Hình 3.5 Trạng thái mắt mở nhìn thẳng Hình 3.6 Trạng thái mắt mở nhìn sang bên Hình 3.7 Trạng thái mắt nhìn buồn ngủ Hình 3.8 Chương trình chạy kết Nguyễn Thị Hiền- CT1301 Đồ án tốt nghiệp Trường DHDL Hải Phòng LỜI CẢM ƠN Em xin bày tỏ lòng biết ơn thầy giáo PGS.TS Đỗ Năng Toàn giảng viên – Viện Khoa Công nghệ thông tin Trong suốt trình làm đồ án tốt nghiệp, thầy dành nhiều thời gian quý báu để hướng dẫn, bảo định hướng cho em thực đồ án Em xin cảm ơn thầy, cô giáo Trường Đại học Dân lập Hải phòng giúp em có kiến thức lí thuyết, thực hành để em hiểu thấu đáo nội dung nghiên cứu đồ án thực đồ án Em xin cảm ơn thầy, cô giáo bạn bè giúp đỡ em suốt trình học tập đồ án tốt nghiệp Hải Phòng, ngày tháng năm 2013 Sinh viên Nguyễn Thị Hiền Nguyễn Thị Hiền- CT1301 Đồ án tốt nghiệp Trường DHDL Hải Phòng MỞ ĐẦU Trong thời đại nay, phát triển CNTT kéo theo phát triển nhiều lĩnh vực khác, làm tăng số lượng giao dịch thông tin internet Thông tin ngày nhiều, tốc độ thay đổi chúng nhanh, hoạt động lĩnh vực đặt xử lý khối lượng thông tin đồ sộ Một yêu cầu lớn đặt làm để tổ chức, tìm kiếm thông tin cách hiệu phân loại thông tin giải pháp hợp lý cho yêu cầu Nếu xử lý phân loại liệu thủ công điều không tưởng với số lượng liệu khổng lồ Giải pháp đặt sử dụng máy tính để tự động phân loại thông tin Kỹ thuật SVM đánh giá công cụ mạnh tinh vi cho toán phân lớp phi tuyến Nhiều ứng dụng xây dựng kỹ thuật SVM hiệu quả, có toán lĩnh vực xử lý ảnh phát hiện, nhận dạng mặt người Trong đó, lĩnh vực xử lý ảnh, toán liên quan đến khuôn mặt đóng vai trò quan trọng, tính thực tiễn cao Trong đề tài “TÌM HIỂN BÀI TOÁN PHÁT HIỆN TRẠNG THÁI MẮT CỦA MẶT NGƯỜI TRONG ẢNH” em trình bày lý thuyết kỹ thuật SVM, kĩ thuật phân lớp đại hiệu ứng dụng lĩnh vực xử lý ảnh, cụ thể toán phát mắt mặt người ảnh Đề tài tổ chức thành chương: Chương 1: KHÁI QUÁT VỀ XỬ LÍ ẢNH VÀ PHÁT HIỆN MẮT CỦA MẶT NGƯỜI TRONG ẢNH Chương 2: PHÁT HIỆN MẮT CỦA MẶT NGƯỜI TRONG ẢNH Chương 3: KẾT QUẢ THỰC NGHIỆM Nguyễn Thị Hiền- CT1301 Đồ án tốt nghiệp Trường DHDL Hải Phòng Chƣơng KHÁI QUÁT VỀ XỬ LÍ ẢNH VÀ PHÁT HIỆN MẮT CỦA MẶT NGƢỜI TRONG ẢNH 1.1 Khái quát xử lý ảnh 1.1.1 Xử lý ảnh gì? Con người thu nhận thông tin qua giác quan, thị giác đóng vai trò quan trọng Những năm trở lại với phát triển phần cứng máy tính, xử lý ảnh đồ hoạ phát triển cách mạnh mẽ có nhiều ứng dụng sống Xử lý ảnh đồ hoạ đóng vai trò quan trọng tương tác người máy Quá trình xử lý ảnh xem trình thao tác ảnh đầu vào nhằm cho kết mong muốn Kết đầu trình xử lý ảnh ảnh sử lí kết luận Ảnh xử lí Xử lí ảnh Ảnh Kết luận Hình 1.1 : Mô hình trình xử lý ảnh Ảnh xem tập hợp điểm ảnh điểm ảnh xem đặc trưng cường độ sáng hay dấu hiệu vị trí đối tượng không gian xem hàm n biến P(c1, c2, , cn) Do đó, ảnh xử lý xem n chiều 1.1.2 Các vấn đề xử lý ảnh 1.1.2.1 Một số khái niệm Ảnh điểm ảnh : Điểm ảnh xem dấu hiệu hay cường độ sáng toạ độ không gian đối tượng ảnh xem tập hợp điểm ảnh Mức xám, màu : Là số giá trị có điểm ảnh ảnh Nguyễn Thị Hiền- CT1301 Đồ án tốt nghiệp Trường DHDL Hải Phòng 1.1.2.2 Nắn chỉnh biến dạng Ảnh thu nhận thường bị biến dạng thiết bị quang học điện tử Hình 1.2 : Mô hình việc nắn chỉnh biến dạng Để khắc phục người ta sử dụng phép chiếu, phép chiếu thường xây dựng tập điểm điều khiển Giả sử (P i , P i' ) với i=1,….n có n tập điều khiển Tìm hàm f : P i  f(P i ) cho : Giả sử ảnh bị biến đổi bao gồm : Tịnh tiến, quay, tỷ lệ, biến dạng bậc tuyến tính Khi hàm f có dạng : f (x, y) = (a1x + b1y + c1, a2x + b2y + c2) Ta có : Để cho φ → Nguyễn Thị Hiền- CT1301 Đồ án tốt nghiệp Trường DHDL Hải Phòng Giải hệ phương trình tuyến tính tìm a1, b1, c1 Tương tự tìm a2, b2, c2 Xác định hàm f 1.1.2.3 Khử nhiễu Có loại nhiễu trình thu nhận ảnh - Nhiễu hệ thống : nhiễu có quy luật khử phép biến đổi - Nhiễu ngẫu nhiên : vết bẩn không rõ nguyên nhân → khắc phục phép lọc 1.1.2.4 Chỉnh mức xám Nhằm khắc phục tính không đồng hệ thống gây Thông thường có hướng tiếp cận : - Giảm số mức xám : Thực cách nhóm mức xám gần thành bó Trường hợp có hai mức xám chuyển ảnh đen trắng Ứng dụng : In ảnh màu máy in đen trắng - Tăng số mức xám : Thực nội suy mức xám trung gian kỹ thuật nội suy Kỹ thuật nhằm tăng cường độ mịn cho ảnh 1.1.2.5 Trích chọn đặc điểm Các đặc điểm đối tượng trích chọn tuỳ theo mục đích nhận dạng trình xử lý ảnh Có thể nêu số đặc điểm ảnh sau : - Đặc điểm không gian : Phân bố mức xám, phân bố xác suất, biên độ, điểm uốn - Đặc điểm biến đổi : Các đặc điểm loại trích chọn việc thực lọc vùng (zonal filtering) Các vùng gọi “mặt nạ đặc điểm” (feature Nguyễn Thị Hiền- CT1301 Đồ án tốt nghiệp Trường DHDL Hải Phòng Hình 2.9 Minh họa toán phân hai lớp với phƣơng pháp SVM Để xác định hàm phân lớp dựa phương pháp SVM, ta tiến hành tìm siêu phẳng song song (tương ứng với đường nét đứt hình 2.5 trên) cho khoảng cách chúng lớn để phân tách hai lớp làm hai phía Hàm phân tách tương ứng với phương trình siêu phẳng nằm hai siêu phẳng tìm (đường nét đậm) Hình 2.5 thể trường hợp tìm siêu phẳng phân tách, liệu trường hợp gọi phân tách tuyến tính Bây ta xét trường hợp liệu không gian phân tách tuyến tính minh họa hình 2.6 sau: Hình 2.10 Bài toán SVM trƣờng hợp liệu mẫu không phân tách tuyến tính Ta thấy hình 2.6 có mẫu có nhãn +1, lại bị “rơi” vào phía mẫu có nhãn -1 ngược lại Trong trường hợp này, phương pháp SVM sử dụng phép ánh xạ liệu mẫu vào không gian có số chiếu lớn cho tập mẫu phân tách tuyến tính không gian (ta gọi không gian không gian đặc trưng) Nguyễn Thị Hiền- CT1301 29 Đồ án tốt nghiệp Trường DHDL Hải Phòng Trong không gian đặc trưng này, ta tiến hành tìm khoảng cách cực đại hai siêu phẳng song song để phân cách liệu mẫu Các điểm mà nằm hai siêu phẳng phân cách gọi support vector Các điểm định đến hàm phân cách liệu Trong thực tế, để thuận tiện cho trình tính toán, liệu mẫu ánh xạ vào không gian đặc trưng cách sử dụng hàm hạt nhân, cách làm làm tăng tốc độ tính toán đảm bảo liệu gần phân tách tuyến tính Điều kiện tối ưu Karush-Kuhn-Tucker (KKT) Điều kiện KKT có vai trò quan trọng toán tối ưu ràng buộc Với toàn trên, điều kiện KKT phát biểu: (2.11) (2.12) (2.13) (2.14) Điều kiện KKT điều kiện cần đủ để w,b,α lời giải (Fletcher,1987) Do giải toán SVM tươngđương với việc tìm lới giải cho điều kiện KKT Vector w tính cách huấn luyện, b không Tuy nhiên b dễ dàng tính sử dụng điều kiền KKT bổ sung, công thức (2.14), việc chọn i có tính b (lấy giá trị trung bình b từ phương trình trên) 2.2.2.2 Bài toán phân nhiều lớp với SVM Để phân nhiều lớp kĩ thuật SVM nguyên thủy chia không gian liệu thành phần trình lặp lại nhiều lần Khi hàm định phân liệu vào lớp thứ I tập n 2-lớp là: Những phần tử x support vector thỏa điều kiện: Nguyễn Thị Hiền- CT1301 30 Đồ án tốt nghiệp Trường DHDL Hải Phòng Như vậy, toán phân nhiều lớp sử dụng phương pháp SVM hoàn toàn thực giống toán hai lớp Bằng cách sử dụng chiến lược “một đối một” (one – against – one) Giả sử toán cần phân loại có k lớp (k>1), chiến lược “một đối một” tiến hành k(k-1)/2 lần phân lớp nhị phân sử dụng phương pháp SVM Mỗi lớp tiến hành phân tách với k-1 lớp lại để xác định k-1 hàm phân tách dựa vào toán phân hai lớp phương pháp SVM Ứng dụng toán phân nhiều lớp xử lý ảnh toán nhận diện mặt người phát trạng thái mắt mặt người ảnh 2.2.2.3 Trƣờng hợp liệu phân tách đƣợc o Nhận xét:  Trên thực tế có nhiều trường hợp liệu mẫu bị nhiễu, nói chung phân tách tuyến tính không gian đặc trưng  Trong trường hợp vượt giới hạn, hệ số Lagrange lớn, không nhận lời giải khả thi  Một cách “làm sạch” liệu xếp hạng liệu mẫu nhiên lại khó cho việc phân lớp Thuật toán phù hợp cho trường hợp tập liệu học phân cách được, áp dụng cho liệu phân cách tuyến tính, không nhận lời giải khả thi hàm Lagrange lớn Để mở rộng ý tưởng cho trường hợp liệu phân cách ta đưa thêm “biến mềm” slack (slack variables) dương cho toán tối ưu: Khi có lỗi xuất hiện, tương ứng lớn 1, biên số lỗi huấn luyện Do cách để gán thêm lỗi huấn luyện, thay đổi hàm mục tiêu từ việc cực tiểu Nguyễn Thị Hiền- CT1301 sang: 31 Đồ án tốt nghiệp Trường DHDL Hải Phòng Trong C tham số người dùng chọn, C lớn tỉ lệ lỗi thấp Trường hợp ta gọi toán dạng C-SVC Tương ứng dạng Lagrange cho vấn đề tối ưu khoảng cách mềm chuẩn là: với Để xác định w,b ta dùng: Khi toán trở thành: Tìm α để cực đại hóa biểu thức: Với khác ràng buộc , , với Các điều kiện KKT bổ sung cho , dẫn đến : (2.15) Và ta có: Điều dẫn đến biến slack khác không xảy (điều nói mẫu i không phân lớp được) Các điểm với biến slack khác khoảng cách hình học nhỏ nằm chỗ có khoảng cách Nguyễn Thị Hiền- CT1301 Các điểm có tính từ siêu phẳng Do , Có 32 Đồ án tốt nghiệp Trường DHDL Hải Phòng thể tính toán hệ số b* từ điểm tương ứng với kiện sử dụng điều , suy ra: Thêm khoảng cách tính sau: 2.2.3 Huấn luyện SVM Sử dụng SVM, liệu huấn luyện cần thiết để có tối ưu siêu máy bay Một hình ảnh mắt biểu diễn vector bao gồm giá trị pixel Dự án này, sau có vị trí ứng cử viên học sinh cách sử dụng phương pháp đề cập trên, có tiểu hình ảnh từ hình ảnh tối theo tích chức inFig hiển thị Thông thường, đôi mắt bao gồm hình ảnh cắt 20,20 điểm ảnh Các liệu hình ảnh cắt chế biến sử dụng biểu đồ cân bình thường hóa với loạt trước đào tạo [0,1] Những hình ảnh đào tạo mắt chia thành hai bộ: tích cực thiết lập tiêu cực Trong thiết lập hình ảnh tích cực, bao gồm hình ảnh mắt nhìn khác nhau, mức độ khác mở cửa, khuôn mặt khác gây ra, đối tượng khác nhau, (có / không) có kính Các hình ảnh không mắt đặt set.Figs hình ảnh tiêu cực 10 ví dụ 11contain mắt hình ảnh không mắt tương ứng Sau hoàn thành bước trên, có tập huấn luyện, có 558 hình ảnh tích cực 560 hình ảnh tiêu cực Để có độ xác tốt nhất, cần phải xác định thông số tốt cho SVM Trong bảng 1, danh sách ba hạt nhân SVM khác với thiết lập thông số khác SVM thử nghiệm 1.757 hình ảnh ứng cử viên mắt thu từ người khác Từ bảng trên, thấy xác tốt đạt 95,5037%, sử dụng hạt nhân Gaussian với arof Nguyễn Thị Hiền- CT1301 33 Đồ án tốt nghiệp Trường DHDL Hải Phòng Hình 2.11 (A)hình ảnh khác biệt thresholded chồng với ứng viên học sinh (B) hình ảnh tối đƣợc đánh dấu với ứng cử viên mắt theo vị trí ứng cử viên học sinh(A) 2.2.4 Phát trạng thái mắt với SVM Trong phát mắt, cắt khu vực hình ảnh học sinh tối theo vị trí ứng cử viên học sinh hình ảnh khác inFig hiển thị 9B Sau số tiền xử lý hình ảnh ứng cử viên mắt, họ cung cấp cho đào tạo SVM phân loại Các SVM đào tạo phân loại vector vào lớp mắt đầu vào lớp.Fig không mắt 12 cho thấy phân loại SVM mắt cách xác xác định khu vực mắt thực đánh dấu Xác minh học sinh với SVM hoạt động tốt khái quát cho người dân chủng tộc Tuy nhiên, cho người từ đua mà khác đáng kể từ hình ảnh đào tạo, SVM thất bại cần phải đào tạo lại SVM làm việc điều kiện chiếu sáng khác bình thường cường độ cho hình ảnh đào tạo thông qua cân biểu đồ Nguyễn Thị Hiền- CT1301 34 Đồ án tốt nghiệp Trường DHDL Hải Phòng Chƣơng KẾT QUẢ THỰC NGHIỆM Trong phần này, trình bày kết từ thử nghiệm rộng rãi, tiến hành để xác nhận việc thực theo dõi mắt tích hợp điều kiện khác 3.1 Bài toán Chương trình thử nghiệm sử dụng kỹ thuật SVM để thực đọc video đầu vào thực phát trạng thái mắt mặt người ảnh Đầu vào: video trạng thái mắt Đầu ra: video phát trạng thái mắt mặt người ảnh Cụ thể chương trình phát mắt mặt người ảnh viết visual C# Microsoft, sử dụng thư viện mã nguồn mở OpenCV Mắt thường phần hoàn toàn occluded mặt định hướng mặt nghiêng tay đối tượng khác Một dõi mắt tốt theo dõi mắt theo phần tắc phát tắc hoàn toàn tái phát mắt sau tắc hoàn toàn loại bỏ InFig 26, hai người di chuyển phía trước máy ảnh, người tôi? Đôi mắt occluded đầu không? Khi họ băng qua Như thể inFig 26, người di chuyển phía sau từ phải sang trái, người đứng đầu người phía trước bắt đầu hâ ắt, bắt đầu với sau hai mắt nhận hoàn toàn occluded Như thể hiện, theo dõi theo dõi cách xác mắt occluded phần Khi hai mắt hoàn toàn occluded, theo dõi phát tình trạng Ngay sau xuất trở lại đôi mắt hình ảnh, theo dõi mắt nắm bắt đôi mắt người hình 26 Thí nghiệm cho thấy vững mạnh phương pháp để occlusions Nguyễn Thị Hiền- CT1301 35 Đồ án tốt nghiệp Trường DHDL Hải Phòng Hình 3.1 Sự di chuyển ánh mắt mặt ngƣời trƣớc ảnh 3.2 Cách bƣớc thực Bước 1: Đưa vào chương trình video cần phát mắt mặt người Bước 2: Thực trích chọn đặc trưng video Bước 3: SVM định mắt mặt người ảnh Nguyễn Thị Hiền- CT1301 36 Đồ án tốt nghiệp Trường DHDL Hải Phòng 3.3 Giao diện chƣơng trình kết thực nghiệm Hình 3.2 Ảnh chƣơng trình chạy trình đầu Hình 3.3 Quá trình Nguyễn Thị Hiền- CT1301 37 Đồ án tốt nghiệp Trường DHDL Hải Phòng Hình 3.4 Trạng thái mắt nhắm Hình 3.5 Trạng thái mắt mở nhìn thẳng Nguyễn Thị Hiền- CT1301 38 Đồ án tốt nghiệp Trường DHDL Hải Phòng Hình 3.6 Trạng thái mắt mở nhìn sang bên Hình 3.7 Trạng thái mắt nhìn buồn ngủ Nguyễn Thị Hiền- CT1301 39 Đồ án tốt nghiệp Trường DHDL Hải Phòng Hình 3.8 Chƣơng trình chạy kết Nguyễn Thị Hiền- CT1301 40 Đồ án tốt nghiệp Trường DHDL Hải Phòng KẾT LUẬN Bài toán phát mắt mặt người đặt từ lâu với hàng loạt đề tài khoa học xác lập, công trình nghiên cứu công bố, ứng dụng triển khai Bài toán đặt nhiều thách thức khó khăn Các khó khăn chứng tỏ phương pháp giải toán xác định mắt mặt người tránh khỏi số khiếm khuyết định Mỗi hướng tiếp cận đưa đạt thành định, hướng có thành công, hạn chế toán toán lời giải tối ưu cho trường hợp Tuy nhiên, tính cấp thiết từ yêu cầu thực tế mà đề tài hấp dẫn nhà khoa học, chuyên gia nghiên cứu ứng dụng Đặc biệt Việt Nam, nơi mà hệ thống nhận dạng, hệ thống giám sát chưa phát triển mạnh Những ứng dụng chủ yếu phần mềm kèm với thiết bị chuyên dụng đắt tiền Trong luận văn này, tác giả tập trung nghiên cứu hướng phát trạng thái mắt mặt người ảnh, cụ thể đạt kết sau : Trình bày khái quát xử lý ảnh toán phát trạng thái mắt mặt người ảnh Hệ thống hoá số kỹ thuật phát mắt mặt người ảnh Cài đặt thử nghiệm thuật toán phát mắt mặt người ảnh  Đầu tiên, việc sử dụng SVM để phát học sinh bổ sung với đôi mắt phát dựa học sinh sáng từ ánh sáng hồng ngoại, cho phép phát đôi mắt diện đối tượng tươi sáng khác,  Thứ hai, hai kênh (mắt sang học sinh hình ảnh mắt sáng học sinh) sử dụng để mô tả phân bố thống kê mắt, sở ca dõi mắt trung bình phát triển  Thứ ba, mô hình mắt cập nhật liên tục mắt phát thành công từ Kalman theo dõi cuối để tránh tuyên truyền lỗi với theo dõi thay đổi có ý nghĩa  Cuối cùng, tâm thực nghiệm kích thước cửa sổ tối ưu mức lượng tử hóa cho thay đổi có nghĩa theo dõi thêm vihances việc thực kỹ thuật Thí nghiệm cho thấy cải tiến dẫn đến cải thiện đáng kể mắt Nguyễn Thị Hiền- CT1301 41 Đồ án tốt nghiệp Trường DHDL Hải Phòng mạnh mẽ theo dõi xác trackers mắt có, đặc biệt điều kiện khác xác định Nhận xét hướng phát triển tương lai: o Ưu điểm:  Xét độ tin cậy xử lý, SVM thuật toán mà thân có khả xử lý tổng quát cao  Về thuật toán SVM dễ hiểu có tính thực tiễn cao nhiều lĩnh vực  SVM thuật toán có khả phân loại xác với tỉ lệ cao, thích hợp cho toán phức tạp nhận dạng măt mặt người ảnh o Nhược điểm:  Khiếm khuyết lớn thuật toán SVM có khả phân biệt tập học nhị phân, lẽ nhiều ứng dụng thực tế sử dụng SVM không hợp lý Để đáp ứng cho phân loại nhiều lớp ta phải có nhiều cách tổ chức phức tạp dẫn đến chi phí tính toán cao  Bài toán SVM việc xử lý chủ yếu dựa tảng mẫu liệu gọi vector hỗ trợ tìm trước thực tìm siêu mặt, số vector hỗ trợ lớn dẫn đến chi phí cho thời gian tìm siêu mặt chi phí giai đoạn nhận dạng lớn Vì SVM thường thành công việc xử lý toán với khối lượng liệu tập học lớn o Hướng phát triển: Dò tìm trạng thái mắt mặt người ảnh bước trình nhận dạng trạng thái mắt, toán có tính thực tiễn cao, từ nguyên lý thuật toán trình phát trạng thái mắt mặt người SVM, hoàn toàn xây dựng nguyên lý cho việc phát triển hệ thống nhận dạng trạng thái mắt người cách sử dụng SVM toán phân nhiều lớp Nguyễn Thị Hiền- CT1301 42 Đồ án tốt nghiệp Trường DHDL Hải Phòng TÀI LIỆU THAM KHẢO [1] Đỗ Năng Toàn, Phạm Việt Bình (2007), Giáo trình xử lý ảnh, Nhà xuất Đại học Thái Nguyên [2] Lương Mạnh Bá, Nguyễn Thanh Thủy (2007), Nhập môn xử lý ảnh số, Nhà xuất KHKT [3] Trần Phước Long, Nguyễn Văn Lượng (2003), Nhận dạng người dựa vào thông tin khuôn mặt xuất ảnh, Luận văn tốt nghiệp cử nhân tin học Luận văn tốt nghiệp cử nhân tin học khoa CNTT, ĐH KHTN TP HCM [4] Nguyễn Hải Châu(2009), Phát mặt người ảnh ứng dụng, Luận văn tốt nghiệp cử nhân công nghệ thông tin khoa CNTT, ĐH Công nghệ ĐH Quốc Gia Hà Nội [5] Phạm Anh Phương, Ngô Quốc Tạo, Lương Chi Mai, Trích chọn đặc trưng wavelet Haar kết hợp với SVM cho việc nhận dạng chữ viết tay tiếng việt, Bài báo khoa học, Viện Công Nghệ Thông Tin Hà Nội [6] Phạm Anh Phương, Ngô Quốc Tạo, Lương Chi Mai, Trích chọn đặc trưng wavelet Haar kết hợp với SVM cho việc nhận dạng chữ viết tay tiếng việt, Bài báo khoa học, Viện Công Nghệ Thông Tin Hà Nội [7] Ignas Kukenys, Brendan McCane (2008), Support Vector Machines for Human Face Detection, Christchurch New Zealand [8] [4] X Xie, R Sudhakar, H Zhuang, On improving eye feature extraction using deformable templates, Pattern Recognit 27 (1994) 791–799 [9] K.M Lam, H Yan, Locating and extracting the eye in human face images, Pattern Recognit 29 (1996) 771–779 [10] Computer Vision and Image Understanding 98 (2005) 124–154, Robust realtime eye detection and tracking under variable lighting conditions and various face orientations Nguyễn Thị Hiền- CT1301 43