Nghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắt (tt)

Nghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắt

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

-

TÔN LONG TRIỂN

NGHIÊN CỨU CÔNG NGHỆ NHẬN DIỆN KHUÔN MẶT DỰA TRÊN KỸ THUẬT PHÂN TÍCH

LỜI CAM ĐOAN

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

Người hướng dẫn khoa học: TS NGUYỄN THANH BÌNH

Vào lúc: giờ ngày tháng năm 2016

Có thể tìm hiểu luận văn tại:

- Thư viện của Học viện Công nghệ Bưu chính Viễn thông

MỞ ĐẦU

Công nghệ sinh trắc học là công nghệ sử dụng những thuộc tính vật lý, đặc điểm sinh học riêng của mỗi cá thể như vân tay, mống mắt, khuôn mặt để nhận diện Trong đề tài này

sẽ tập trung nghiên cứu công nghệ sinh trắc học và phương pháp nhận dạng các cá thể dựa vào đặc điểm riêng biệt của mống mắt, đề tài có xử nhiều thuật toán để xử lý ảnh và trích xuất những đặc trưng từ hình ảnh mống mắt và từ đó xây dựng các mô hình cụ thể để thực hiện quá trình huấn luyện các mẫu mống mắt có sẵn và lưu trữ vào cơ sở dữ liệu Trong luận văn tác giả thực hiện mô phỏng hai phương pháp nhận dạng và qua

đó kiếm tra độ chính xác của kết quả và tính tối ưu của từng thuật toán

1.1.4 Đánh giá hiệu năng và chất lượng hoạt động của hệ sinh trắc học

1.2 Các phương pháp tiền xử lý trích đặc trưng của mống mắt

1.2.1 Phân đoạn ảnh

1.2.1.1 Biến đổi Daugman

Biến đổi Daugman sử dụng một toán tử vi tích phân với

mục đích định vị vòng tròn của mống mắt và vòng tròn của con ngươi cũng như vòng cung của mí mắt trên và dưới Các toán

tử vi tích phân được định nghĩa là:

1.2.2.1 Mô hình Daugman’s Rubber Sheet

Mô hình đồng nhất được phát minh bởi Daugman [1] để thực hiện ánh xạ mỗi điểm trong mống mắt từ không gian tọa

độ Đề cát sang không gian tọa độ cực Mỗi điểm ảnh sẽ được đặc trưng bởi cặp tọa độ (r, θ) trong đó r nằm trong khoảng [0, 1] và góc θ nằm trong khoảng [0,2π] (hình 1.2)

Hình 1.2: Mô hình Daugman’s Rubber Sheet

Thực hiện ánh xạ các vùng của mống mắt từ tọa độ Đề cát sang hệ tọa độ cực chuẩn để biễu diễn ảnh mống mắt theo như mô hình:

I    I r  (1.2)

Ở đây (x, y) là tọa độ hình ảnh của mống mắt, (x, y) là tọa độ Đề cát, (r, θ) là tọa độ cực tương ứng Tọa độ của con ngươi và mống mắt được ranh giới theo hướng θ Các vùng ảnh trong mô hình Daugman’s Rubber Sheet sẽ chứa thông tin về các vùng cong của con ngươi với kích thước không đồng nhất

để cung cấp một các mẫu chuẩn với kích thước không đổi Bằng cách này, các vùng mống mắt được mô hình hóa như một tấm "cao su" linh hoạt tại ranh giới với trung tâm con ngươi là điểm tham chiếu

1.2.3 Quá trình mã hóa đặc trưng

Để quá trình nhận dạng các cá thể được thực hiện chính xác, cần thực hiện trích trọn các đặc trưng quan trọng nhất từ

các mẫu mống mắt Các đặc trưng quan trọng của mống mắt được mã hóa sao cho việc so sánh giữa các mẫu có thể thực hiện nhanh chóng và chính xác

1.2.3.1 Mã hóa Wavelet

Wavelet có thể sử dụng để phân tích những dữ liệu trong mống

mắt thành 2 phần với các mức độ phân giải khác nhau

1.2.3.2 Bộ lọc Gabor

Bộ lọc Gabor được dùng để cung cấp tối ưu các đại diện của tín hiệu trong không gian và tần số phân tập Một bộ lọc Gabor được xây dựng bằng các điều chế sóng sin với một hàm Gaussian Kết quả có thể cung cấp tối ưu định vị kết hợp trong

cả không gian và thời gian Daugman sử dụng phiên bản 2D của bộ lọc gabor theo thứ tự để mã hóa các mẫu mống mắt và

bộ lọc Gabor 2D được biểu diễn như sau [1]:

Logarithmic, đây chính là bộ lọc Log-Garbor Đặc tuyến tần số tương ứng của bộ lọc Log-Gabor được đưa ra bởi công thức sau:

2 0 2 0

(log(f/ f ))( ) exp

f đại diện cho tần số trung tâm, và σ là băng thông của bộ lọc

1.3 Các nghiên cứu liên quan

Một số đề tài, bài báo được liệt kê dưới đây để đánh giá về thực trạng nghiên cứu thực tại:

[1] Cơ sở dữ liệu ảnh đen trắng, để xác thực và đo hiệu năng của thuật toán nhận dạng

[2] Tài liệu đánh giá về phương pháp phân loại dựa vào based (kernel-based classifer)

[3] [4] Tài liệu nghiên cứu đánh giá về phương pháp nhận dạng mống mắt kết hợp với kỹ thuật máy vector (SVM) hỗ trợ và kỹ thuật chuỗi Markov ẩn

đề tài này là nhận dạng mống mắt

Chương 2 - NGHIÊN CỨU GIẢI THUẬT PHÂN LOẠI VÀ NHẬN DẠNG MỐNG MẮT

2.1 Kỹ thuật phân loại dựa vào khoảng cách Hamming

Khoảng cách Hamming là một thước đo sự giống nhau giữa hai mẫu tín hiệu số Sử dụng khoảng cách Hamming của hai mẫu bit, so sánh với ngưỡng có thể đưa ra quyết định về mức độ giống nhau giữa hai hình ảnh (mống mắt) vì thế khoảng cách Hamming có thể được sử dụng trong các hệ thống nhận dạng

Khoảng cách Hamming giữa các mẫu bit X và Y là HD, được định nghĩa như là tổng bit không hợp lệ (tổng của các XOR giữa X và Y) chia cho N (tổng số bit trong mẫu bit):

2.2 Kỹ thuật phân loại dựa vào mạng nơron

Mô hình mạng thần kinh nhân tạo nơ-ron trong não đã được chứng minh hiệu quả của nó trong một số ứng dụng như phân loại và phân loại, dự đoán, nhận dạng mẫu và kiểm soát Một mạng lưới thần kinh nhân tạo bao gồm một nhóm kết nối của các tế bào thần kinh nhân tạo

2.3 Đặc điểm của phương pháp phân loại dựa vào kernel

Kỹ thuật SVM ban đầu chỉ giải quyết được các bài toán với dữ liệu phân tách tuyến tính Nhưng trong thực tế, dữ liệu thường không phân tách tuyến tính Bằng việc sử dụng hàm kernel, dữ liệu đầu vào sẽ được ánh xạ vào một không gian đặc trưng có số chiều cao hơn mà ở đó dữ liệu có thể phân tách tuyến tính và sau đó kỹ thuật SVM được áp dụng [18]

2.3.1 Đặc điểm không gian ánh xạ

Chúng ta xem xét hàm ánh xạ không tuyến tính Φ : I =

R2 → F = R3 từ không gian đầu vào I 2 chiều và trờ thành không gian đặc trưng F với số chiều là 3

Giả sử chúng ta xem xét một kernel đa thức bậc 2 được định nghĩa như sau k x y ( , ) (x y)T 2 (2.2)

Ở đây x,y thuộc tính R2

Giả sử x = (x ,1 x ) và y = (2 y , 1 y ) Vậy hàm kernel được viết 2lại như sau:

1 1 2 2

( ) (x , 2 x x ,x )x (2.5) Biến đổi (2.5) chúng ta có được một hàm tuyến tính trong

R3 với dữ liệu được ánh xạ từ không gian 2 chiều R2 :

2.3.2 Kernel và những loại kernel khác nhau

Một hàm kernel có thể được suy diễn như phương pháp

đo mức độ giống nhau giữa các đối tượng đầu vào Trong thực

tế các cặp biến đổi nêu trong bảng 2.1 có thể thích hợp cho hầu hết các trường hợp chung

Bảng 2.1: Các Loại hàm kernel khác nhau [18]

Loại Kernel Kernel nội suy

K x  x x  Giá trị mũ d và

 được lựa chọn bởi người

sử dụng

(Gaussian)

radial basis

function kernel

2 2

1 x2

1 1

N N

gian , '

2.4 Kỹ thuật phân loại dựa vào kernel của SVM

Việc phân loại của SVM có thể được sử dụng các hàm kernel và tùy thuộc vào mục đích

2.4.1 Optimal Hyperplane (tối ưu siêu phẳng) cho các phân



    (2.9) Hàm quyết định: g( )x T x i (2.10) b

Đối với trường hợp ( ) 0g x  sẽ được phân loại là âm vì

nó nằm bên dưới bề mặt quyết định và nó sẽ được phân loại dương nếu ( ) 0g x  vì nó nằm trên hoặc phía trên bề mặt quyết

định

Tuy nhiên, như hình 2.4 minh họa, vẫn còn tồn tại nhiều cách để tách siêu phẳng Nó cũng bắt nguồn từ thực tế là một tập huấn luyện mà ở đó phương trình (2.8) có nhiều hơn 1 nghiệm

Hình 2.4: Hình ảnh về các siêu phẳng có thể có của dữ liệu

Thuật toán biên độ tối đa chỉ đơn giản là tìm kiếm các siêu phẳng với lề phân cách lớn nhất Điều này có thể được xây dựng bởi các ràng buộc sau cho tất cả x i T

T i

2.4.2 Tối ưu hóa siêu phằng bằng phương pháp toàn phương

Để giải quyết vấn đề tối đa hóa nguồn gốc trong phần trước chúng tôi biến nó thành một vấn đề giảm thiểu các hàm giá trị bậc 2 sau đây

αi, o chúng ta có thể tính toán các vector trọng lượng tối ưu  0

sử dụng phương trình (2.15) và như vậy ta có:

i x



 (2.21) Bây giờ chúng ta có thể xây dựng siêu phẳng tối ưu như sau:

i i

1, 1 , 2 2 , , ,{( ) ( ) ( ) ,} {1, , }

Phương pháp OAA biến đổi k vấn đề đa lớp thành vấn

đề lớp nhị phân k Trong mỗi lớp phân loại nhị phân, nếu chúng

ta chọn dữ liệu thuộc về lớp thứ i là một lớp (+1), dữ liệu các

lớp còn lại được tách ra thành một lớp (-1), đây là cách hàm phân biệt f x i .được thực hiện như Đối với một mẫu mới x,

chúng ta sử dụng k hàm phân biệt để ước tính [4]:

 x ∈{ } nếu đầu vào là lớp i và đầu ra là giá trị 1 i

 x ∈{loại bỏ} nếu đầu vào các lớp còn lại

2.4.2.2 Phương pháp Một-chống-một (OAA)

Phương pháp OAA biến đổi k đa lớp thành k (k - 1) / 2 lớp nhị phân, mỗi lớp phân loại nhị phân chỉ tách từ lớp thứ i

và từ lớp thứ j (i, j ∈ 1, L k)

Chương 3 - KẾT QUẢ MÔ PHỎNG 3.1 Mô phỏng và đánh giá kết quả

3.1.1 Mô phỏng phương pháp phân loại dựa vào khoảng cánh Hamming

Trong chương này, chúng ta sẽ sử dụng chương trình

mô phỏng để khảo sát hiệu năng của của hệ thống nhận dạng mống mắt dựa trên cơ sở dữ liệu được tạo ra từ trước Những phương pháp kiểm thử được tiến hành để tìm những thông số tốt nhất, vì vậy tỷ lệ so sánh sai FMR và tỷ lệ chấp nhận sai FAR phải đạt thấp nhất

3.1.1.1 Tổng quan về tập dữ liệu và các đặc tính để thực

nghiệm

Tập dữ liệu CASIA Iris (Casia-IrisV1) bao gồm 756 mống mắt hình ảnh từ 108 mắt

Mô hình nghiên cứu tổng quan: được miêu tả trong Hình 3.1

Hình 3.1: Mô hình nghiên cứu tổng quan

3.1.1.2 Quá trình Tiền xử lý ảnh

Thuật toán Daugman

Hình 3.3: Hình ảnh của mắt sau khi xác định các thành phần

nhiễu

Chuẩn hóa và Mã hóa các đặc Trưng:

Đề tài sử dụng các bộ lọc 1D Log-Gabor để chuyển đổi

và chuẩn hóa các dữ liệu Sau đó thực hiện tiếp quá trình mã hóa các dữ liệu đã được chuẩn hóa và lưu thành các mẫu bít gồm 9600 bit mã nhị phân, những mẫu bít này lưu những đặc tính sinh trắc học của mắt được minh họa như trong hình 3.4 Ngoài ra quá trình chuẩn hóa ảnh và mã hóa ảnh cũng thực hiện lưu các mẫu bít mặt nạ gồm 9600 bit nhị phân đại diện cho những mẫu mống mắt sau khi xác định và loại ra những thành phần nhiễu trong ảnh như hình 3.5

Hình 3.4: Hình ảnh của mẫu mắt sau khi chuẩn hóa sang tọa độ

cực

Hình 3 5: Hình ảnh sau khi loại bỏ thành phần nhiễu và chuẩn

hóa sang tọa đô cực

3.1.1.3 Quá trình so sánh dựa vào khoảng cách Hamming

Cơ sở dữ liệu hình ảnh CASIA Tổng cộng 756 * 755/2

= 285390 cặp so sánh cho thuật toán và chỉa ra 2268 cặp để so sánh các nội lớp hay các mẫu cùng đối tượng, 283122 cặp để so sánh giữa các ngoại lớp hay các mẫu không cùng một đối tượng

3.1.1.4 Mô phỏng và đánh giá kết quả

Mô tả quá trình mô phỏng đánh giá dựa vào phương pháp khoảng cách Hamming

Hình 3.7: Lưu đồ giải thuật của quá trình nhận dạng dựa vào

khoảng cách hamming

Kết quả: quá trình nhận dạng bằng phương pháp Hamming dựa vào vùng giá trị của FAR và FRR được mô tả bên dưới (hình

Hình 3 8 So sánh tỷ lệ FMR và FAR Bảng 3.1: Đánh giá kết quả của quá trình nhận dạng

Độ chính xác

Bảng 3.2: Thời gian thực hiện nhận dạng

Các Giai đoạn xử lý ảnh Ước lượng thời gian thực hiện Giai đoạn tiền xử lý 3120 giây

Giai đoạn chuẩn hóa và trích

xuất lỗi

Hình 3.9: Mật độ phân bộ của Khoảng các Hamming

Các khoảng cách Hamming đại diện cho hai cấp độ so sánh giữa các mẫu mắt thuộc cùng đối tượng và giữa các mẫu

không thuộc cùng một đối tượng được thể hiện trong hình 3.9

3.1.2 Mô phỏng phương pháp phân loại dựa vào SVM

Trong đề tài nay, chúng ta sử dụng Matlab để mô phỏng

và đánh giá các kết quả theo hình vẽ 3.10 bên dưới

Hình 3.10: Sơ Đồ Khối của quá trình phân loại dựa vào SVM

3.1.2.1 Quá Trình tiền xử lý

Mục đích chính của quá trình tiền xử lý là nâng cao chất lượng ảnh đầu vào, quá trình cũng bao gồm các bước sử dụng thuật toán Daugman, chuẩn hóa và mã hóa ảnh tương tự như phương pháp dựa vào khoảng cách Hamming ở mục 3.1.1 trên

3 1.2.2 Lựa chọn mô hình

Trong đề tài này, mô hình để mô phỏng là sử dụng RBF kernel

3.1.2.3 Thuật toán kiểm thử các giá trị hợp lệ chéo

Cho mỗi kernel chúng ta có 1 hoặc 2 thông số chưa biết, theo thứ tự chúng ta cần phải tìm ra được thông số tốt nhất

được đưa ra bởi dự liệu đầu vào, và chúng ta có vài thông số để tìm thuật toán Mục đích là nhận ra được thông số tốt nhất vì vậy để phân loại có thể chính xác và dự đoán đúng các dữ liệu test chưa biết chúng ta sử dụng phương pháp kiểm thử các giá trị hợp lệ chéo

3.1.2.4 Đánh giá ảnh hưởng của dữ liệu huấn luyện

Để tìm ra sự ảnh hưởng của dữ liệu huấn luyện, chương trình mô phỏng sẽ thưc hiện nhiều lần quá trình kiểm thử để đánh giá độ chính xác với nhiều loại dữ liệu khác nhau được thay đổi ở đầu vào Bảng 3.3 bên dưới cho ta thấy sự chính xác của từng tham số đầu vào và qua đó quá trình đánh giá chọn tham số

Bảng 3.3: Đánh giá các thông số của quá trình SVM

Dữ liệu đầu vào Thông tin Kernel Thời gian và kết

quả Kiểm thử lần 1:

Bias: 419.6976 KernelFunction:

+Kết quả chính xác : 95%

+ Thời gian thực hiệ 100.850024 s

@rbf_kernel KernelFunctionArgs:

Bias: 0.7925 KernelFunction:

@rbf_kernel KernelFunctionArgs:

+ Thời gian thực hiện là:

106.877285 s

[140x1 double]

ScaleData: [1x1 struct] FigureHandles:

[]

Nhận xét:

+ Giữ giá trị sigma và tăng giá trị của alpha thì độ chính xác cao hơn, nhưng thời gian để phân loại và nhận dạng đúng các mắt tăng lên

+ Số các mẫu thử nhỏ được sử dụng để lựa chọn đánh giá những thông số tốt nhất cho phân sau là phần thực hiện kiểm thử với mẫu số lượng lớn và thời gian lâu hơn

3.1.2.4 Đánh giá quá trình nhận dạng với số lượng lớn

Dữ liệu đầu vào của 756 mẫu được thực hiện đánh giá, kết quả được mô tả ở Bảng 3.4 bên dưới

Bảng 3.4: Đánh giá kết quả quá trình nhận dạng dựa vào SVM

Các giai đoạn xử lý ảnh Thời gian thực thi

Giai đoạn tiền xử lý 3120 giây

Giai đoạn chuẩn hóa và trích

đặc trưng

3200 giây

Giai đoạn tính toán các xác

từ cơ sở dữ liệu Casia đã được áp dụng để nghiên cứu thực nghiệm và tính hiệu quả của hệ thống đề xuất này đã được đánh giá Các kết quả thu được đã chứng minh rằng phương pháp sử dụng hạt nhân SVM cho độ chính xác cao (99,07%) Vì vậy các phương pháp nghiên cứu trong luận văn phù hợp cho các hệ thống tự động nhận dạng và xác minh

3.3 Hướng phát triển của đề tài

Đề tài có thể được mở rộng với nhiều phương pháp khác nhau ở nhiều giai đoạn khác nhau của quá trình thực hiện

xử lý và nhận dạng ảnh nhằm đánh giá và tìm ra những phương pháp tối ưu và phù hợp, chẳng hạn như quá trình tiền xử lý ảnh

thuật toán Hough, quá trình phân loại dựa vào SVM có thể cải tiến bằng những hàm kernel khác nhau như: hàm kernel đa thức, hàm sigma… Ngoài ra quá trình nhận dạng có thể kết hợp với mô hình Markov ẩn HMM Một trong các hướng phát triển của quá trình máy học sau này là deep leanrning có sự kết hợp của nhiều thuật toán khác nhau và nhiều mô hình khác nhau như convolutional neural network (CNN)