Nghiên cứu phương pháp nhận dạng ảnh mặt người và ứng dụng

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG  ĐỖ DUY CỐP NGHIÊN CỨU PHƯƠNG PHÁP NHẬN DẠNG ẢNH MẶT NGƯỜI VÀ ỨNG DỤNG LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Thái Nguyên – 2014 ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG  ĐỖ DUY CỐP NGHIÊN CỨU PHƯƠNG PHÁP NHẬN DẠNG ẢNH MẶT NGƯỜI VÀ ỨNG DỤNG Chuyên ngành: Khoa học máy tính Mã số: 60.48.01 LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH NGƯỜI HƯỚNG DẪN KHOA HỌC: TS Vũ Việt Vũ Thái Nguyên - 2014 i MỤC LỤC MỤC LỤC i DANH MỤC CÁC TỪ VIẾT TẮT ii DANH MỤC CÁC BẢNG ii DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ iii LỜI CẢM ƠN LỜI CAM ĐOAN CHƯƠNG TỔNG QUAN VỀ NHẬN DẠNG ẢNH MẶT NGƯỜI 1.1 Tổng quan nhận dạng ảnh mặt người 1.2 Các hướng tiếp cận nhận dạng mặt người 1.2.1 Phương pháp trích chọn đặc trưng sử dụng mặt riêng (Eigenface) 1.2.2 Phương pháp trích chọn đặc trưng sử dụng mô hình Markov ẩn 1.2.3 Phương pháp phân tích thành phần 1.3 Bố cục luận văn CHƯƠNG TRÍCH CHỌN ĐẶC TRƯNG 2.1 Phương pháp phân tích thành phần - PCA 2.1.1 Cơ sở toán học 2.1.2 Phương pháp PCA 17 2.2 Phương pháp phân tách tuyến tính - LDA 24 2.3 Phương pháp xử lý hình thái 27 2.3.1 Biến đổi trúng-trượt (hit-or-miss) 29 2.3.2 Phép dãn ảnh co ảnh tổng quát 33 2.3.3 Dãn co ảnh đa mức xám 40 CHƯƠNG MẠNG NƠRON 42 3.1 Giới thiệu mạng nơron 42 3.1.1 Nơron – đơn vị xử lý 42 3.1.2 Liên kết nơron 43 3.1.3 Hàm kích hoạt quy tắc xác định tín hiệu 44 3.1.4 Quy tắc delta 45 3.2 Thuật toán học lan truyền ngược 46 ii CHƯƠNG THIẾT KẾ VÀ ĐÁNH GIÁ 52 4.1 Thiết kế hệ thống 52 4.1.1 Cơ sở liệu ảnh 52 4.1.2 Môi trường cài đặt 53 4.1.3 Cài đặt 53 4.2 Kiểm thử đánh giá 56 KẾT LUẬN 58 HƯỚNG PHÁT TRIỂN 59 TÀI LIỆU THAM KHẢO 60 DANH MỤC CÁC TỪ VIẾT TẮT LDA (Linear Discriminant Analysis): Phương pháp phân tách tuyến tính LMS (Least Mean Square): Phương pháp bình phương trung bình tối thiểu ORL (Olivetti Research Laboratory, Surrey University): Cơ sở liệu ảnh dùng luận văn PCA (Principal Components Analysis): Phương pháp phân tích thành phần DANH MỤC CÁC BẢNG Bảng 2.1 Tính toán độ lệch chuẩn 10 Bảng 2.2 Tập liệu hai chiều tính toán hiệp phương sai 12 Bảng 4.1 Các module chương trình 53 iii DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 2.1 Ví dụ minh họa PCA Hình 2.2 Dữ liệu đồ thị biểu diễn liệu 18 Hình 2.3 Đồ thị biểu diễn liệu chuẩn hóa với vector riêng 20 Hình 2.4 Ảnh gốc sở liệu ORL 23 Hình 2.5 Ảnh sau biến đổi theo PCA 23 Hình 2.6 Ví dụ minh họa LDA 24 Hình 2.7 Ảnh sau biến đổi theo LDA 27 Hình 2.8 Sự liên thông 28 Hình 2.9 Phép dãn ảnh nhị phân 32 Hình 2.10 Phép co ảnh nhị phân 32 Hình 2.11 Các toán tử đại số ảnh mảng nhị phân 34 Hình 2.12 Lật dịch mảng nhị phân 34 Hình 2.13 Phép dãn ảnh tổng quát dựa theo phép cộng Minkowski 37 Hình 2.14 So sánh kết hai phép co ảnh 39 Hình 2.15 Phép dãn ảnh co ảnh tổng quát với phần tử cấu trúc 55 40 Hình 2.16 Ảnh sau xử lý hình thái 41 Hình 3.1 Các thành phần mạng nơron nhân tạo 43 Hình 3.2 Một số dạng hàm kích hoạt nơron 44 Hình 3.3 Mạng nơron l lớp 47 Hình 4.1 Ảnh gốc ảnh ORL 52 Hình 4.2 Ảnh gốc bổ sung ảnh gương 54 Hình 4.3 Giao diện chương trình 56 LỜI CẢM ƠN Lời xin bày tỏ lòng biết ơn sâu sắc tới TS Vũ Việt Vũ, công tác trường Đại học Kỹ thuật Công nghiệp - Đại học Thái Nguyên, người tận tình hướng dẫn giúp hoàn thành luận văn tốt nghiệp Tôi xin gửi lời cảm ơn chân thành đến thầy cô giáo trường Đại học Công nghệ thông tin truyền thông - Đại học Thái Nguyên, thầy cô giáo Viện Công nghệ thông tin - Viện khoa học Việt Nam nhiệt tình giảng dạy, truyền đạt kiến thức cho suốt năm học qua Tôi xin cảm ơn động viên giúp đỡ tất người thân gia đình, bạn bè, đồng nghiệp trình thực luận văn Thái Nguyên, ngày 20 tháng 05 năm 2014 Học viên Đỗ Duy Cốp LỜI CAM ĐOAN Tôi là: Đỗ Duy Cốp Lớp: CK11A Khoá học: 2012 - 2014 Chuyên ngành: Khoa học máy tính Mã số chuyên ngành: 60 48 01 Cơ sở đào tạo: Trường Đại học Công nghệ thông tin Truyền thông Thái Nguyên Giáo viên hướng dẫn: TS Vũ Việt Vũ Cơ quan công tác: Trường Đại học Kỹ thuật Công nghiệp - Đại học Thái Nguyên Tôi xin cam đoan luận văn “Nghiên cứu phương pháp nhận dạng ảnh mặt người ứng dụng” công trình nghiên cứu riêng Các số liệu sử dụng luận văn trung thực Các kết nghiên cứu trình bày luận văn chưa công bố công trình khác Thái Nguyên, ngày 20 tháng 05 năm 2014 Học viên Đỗ Duy Cốp CHƯƠNG TỔNG QUAN VỀ NHẬN DẠNG ẢNH MẶT NGƯỜI 1.1 Tổng quan nhận dạng ảnh mặt người Xử lý ảnh lĩnh vực quan tâm nhiều khoảng 10 năm trở lại Bài toán nhận dạng ảnh nhằm mục đích phát nhận dạng đối tượng ảnh Bài toán nhận dạng ảnh ứng dụng nhiều lĩnh vực, đặc biệt nhận dạng mặt người ứng dụng hệ thống bảo mật, nhận dạng người lái xe, hộ chiếu, nhận dạng người hệ thống tương tác người-máy, lĩnh vực giải trí,… Đặc biệt sau thảm họa ngày 11/9, phủ toàn giới bắt đầu ý tới mức an ninh sân bay biên giới Ngân sách năm nước tăng lên nhiều cho kỹ thuật xác định, nhận dạng lần theo đối tượng nghi vấn Nhu cầu tăng lên ứng dụng giúp nhà khoa học có thêm quỹ để phát triển dự án nghiên cứu Mặc dù việc nhận dạng mặt người xác phương pháp nhận dạng khác nhận dạng vân tay, nhận quan tâm lớn nhà nghiên cứu lĩnh vực thị giác máy Lý chủ yếu thực tế, mặt người cách truyền thống để người nhận Một hệ thống nhận dạng mặt người điển hình bao gồm thành phần hình 1.1 Ảnh mặt người Trích chọn đặc trưng Nhận dạng mặt người Hình 1.1 Mô hình hệ thống nhận dạng mặt người Thông tin người nhận dạng 1.2 Các hướng tiếp cận nhận dạng mặt người Có hai hướng tiếp cận làm hạt nhân kỹ thuật phân tích đặc trưng mặt người: hướng tiếp cận hình học hướng tiếp cận hình ảnh  Hướng tiếp cận hình học sử dụng việc ánh xạ không gian đặc trưng mặt người Mặt người phân loại theo khoảng cách hình học, theo đường bao theo góc điểm  Hướng tiếp cận hình ảnh bao gồm việc xây dựng mẫu từ đặc trưng mặt người Mẫu đặc trưng bật, chí toàn khuôn mặt thiết lập, việc nhận dạng thực cách duyệt khuôn mặt tìm mặt khớp với mẫu Hiện hệ thống nhận dạng mặt người tiếp tục phát triển Dưới số phương pháp trích chọn đặc trưng: - Mặt riêng (Eigenface) - Mô hình Markov ẩn - Phân tích thành phần (PCA) 1.2.1 Phương pháp trích chọn đặc trưng sử dụng mặt riêng (Eigenface) Thuật toán Eigenface phổ biến sử dụng rộng rãi đơn giản hiệu tính toán Thuật toán sử dụng cách tiếp cận lý thuyết thông tin việc mã hóa ảnh mặt người xác định vector riêng tương ứng với giá trị riêng lớn ma trận hiệp phương sai ảnh Sau đó, nhóm ảnh người, ta tính vector trung bình, ngưỡng chọn để xác định khoảng cách chấp nhận cực đại từ ảnh đến nhóm ảnh giúp nhận dạng ảnh 1.2.2 Phương pháp trích chọn đặc trưng sử dụng mô hình Markov ẩn Mô hình Markov ẩn phân loại đặc trưng mặt người tính chất chuỗi Markov Một dãy ngẫu nhiên biến lấy giá trị điểm ảnh tương ứng tạo nên chuỗi Markov, xác suất để hệ thống đạt trạng thái xn+1 thời điểm n+1 phụ thuộc vào xác suất để hệ thống đạt trạng thái xn thời điểm n Trong chuỗi Markov, việc chuyển hệ thống từ trạng thái sang trạng thái khác tương ứng với xác suất đó, kết ký hiệu lại xác định trước Như vậy, kết phân bố xác suất tất ký hiệu trạng thái kết dùng để so sánh hai khuôn mặt 1.2.3 Phương pháp phân tích thành phần Trong phương pháp phân tích thành phần (PCA  gọi biến đổi Karhunen-Loeve), tập liệu biểu diễn lại với số đặc trưng đồng thời giữ hầu hết thông tin quan trọng liệu PCA thường sử dụng phương pháp mặt riêng Tập vector riêng dùng làm vector sở không gian con, ta so sánh với ảnh sở liệu để nhận dạng ảnh Các vector sở gọi thành phần sở liệu ảnh Mạng nơron sử dụng rộng rãi hệ thống nhận dạng mặt người Kỹ thuật mạng nơron mô hoạt động nơron não người Mạng nơron có khả điều chỉnh trọng số dựa mẫu học trình huấn luyện Kết mạng đạt hiệu cao việc phân loại lớp, dựa liệu mẫu khả tách tuyến tính phi tuyến 46 số p chạy tập mẫu vào Ep biểu diễn lỗi mẫu p Phương pháp bình phương trung bình tối thiểu (LMS – Least Mean Square) xác định giá trị tất trọng số cực tiểu hóa hàm lỗi phương pháp gọi độ dốc (gradient) giảm dần: = (3.8)  số thích ứng Giá trị đạo hàm là: = (3.9) Vì nơron tuyến tính (công thức (3.6)) = (3.10) = ( ) (3.11) nên = (3.12) p = (dpyp) sai khác đầu đích đầu thực mẫu p 3.2 Thuật toán học lan truyền ngược Một mạng nơron truyền thẳng có cấu trúc gồm nhiều lớp Mỗi lớp chứa nơron nhận tín hiệu vào từ nơron lớp trực tiếp phía gửi tín 47 hiệu củaa chúng cho m lớp trực tiếp phía Không có kếết nối nơron m lớp Các nơron vào Ni truyền tín hiệệu đến lớp nơron ẩn Nh,1 Không xử lý thực c nơron vào Hàm kích hoạt mộtt nơron ẩn hàm Fi tín hiệu u vào có trọng số cộng với bias nh công thức (3.3) Tín hiệu củaa nơron ẩn phân bổ lớp p tiếp ti theo nơron ẩn Nh,2, ti tiếp tục đến lớp cuối nơron on ẩn, tín hiệu chúng đư ược truyền đến lớp nơron No (hình 3.3) Hình 3.3 Mạng nơron l lớp Do nơron y đư sử dụng với hàm kích hoạtt phi tuyến, nên tổng quát hóa quy tắcc delta đ trình bày cho hàm tuyến tính để sử dụng vớii hàm phi tuyến Hàm kích hoạt hàm khả vi tín hiệu vào tổng, cho bởi: b = (3.13) 48 = + (3.14) Để tổng quát hóa xác quy tắc delta ta đặt = (3.15) Hàm lỗi Ep định nghĩa tổng lỗi bình phương mẫu p nơron ra: = =∑ (3.16) tín hiệu mong muốn với đơn vị o mẫu p đưa vào Đặt tổng lỗi bình phương Ta viết: = (3.17) Theo công thức (3.14), nhân tử thứ hai là: = (3.18) Khi có định nghĩa: = (3.19) quy tắc nhận tương đương với quy tắc delta trên, trả kết độ dốc giảm dần mặt phẳng lỗi trọng số thay đổi theo công thức: 49 (3.20) = Cách làm nhằm xác định vai trò đơn vị k mạng Kết có tính toán hồi quy đơn giản  cài đặt cách lan truyền ngược tín hiệu lỗi mạng Để tính , theo quy tắc chuỗi, đạo hàm riêng phần viết lại thành tích hai nhân tử, nhân tử phản ánh biến đổi lỗi hàm tín hiệu nơron, nhân tử phản ánh biến đổi tín hiệu hàm biến đổi tín hiệu vào: = = (3.21) Với nhân tử thứ hai, theo công thức (3.13) ta có: = (3.22) đạo hàm hàm F với nơron thứ k, tính nơron vào đến nơron Để tính nhân tử thứ công thức (3.21), ta xét hai trường hợp Thứ nhất, giả sử nơron k nơron k = o mạng, theo định nghĩa Ep = (3.23) kết giống sử dụng quy tắc delta chuẩn Thay kết kết công thức (3.22) vào công thức (3.21): = (3.24) 50 với nơron o Trường hợp thứ hai, k nơron mà nơron ẩn k = h, không xác định đóng góp nơron vào lỗi mạng Tuy nhiên, công thức tính lỗi viết hàm tín hiệu vào từ lớp ẩn đến lớp ra; = ( , , , ) ta sử dụng quy tắc chuỗi để viết: = = = = (3.25) Thay kết vào công thức (3.21): = = (3.26) Công thức (3.24) (3.21) xác định thủ tục đệ quy để tính  tất nơron mạng, sau sử dụng để tính thay đổi trọng số theo công thức (3.20) Thủ tục quy tắc delta tổng quát dùng cho mạng truyền thẳng phi tuyến Các công thức nhận xác mặt toán học, thực tế chúng có ý nghĩa gì? Liệu có cách để hiểu chất lan truyền ngược? Thực tế, toàn trình lan truyền ngược trực quan Khi mẫu học đưa vào, giá trị kích hoạt lan truyền đến nơron tín hiệu thực mạng so sánh với tín hiệu mong muốn, thông thường kết thúc với lỗi nơron Gọi lỗi eo với nơron o Mục đích phải làm cho eo 51 Cách đơn giản để thực việc làm theo thuật toán tham lam: thay đổi kết nối mạng để eo với mẫu học Theo quy tắc delta, để giảm lỗi, trọng số chỉnh sửa theo =( ) (3.27) Nhưng chưa đủ: áp dụng quy tắc này, trọng số từ nơron vào đến nơron ẩn không thay đổi khả biểu diễn đẩy đủ mạng truyền thẳng Để chỉnh sửa trọng số từ nơron vào đến nơron ẩn, cần tiếp tục áp dụng quy tắc delta Tuy nhiên, trường hợp lại giá trị  cho nơron ẩn Điều giải quy tắc chuỗi sau: phân tán lỗi nơron o cho tất nơron ẩn nối tới nó, theo trọng số kết nối Mỗi nơron ẩn h nhận  từ nơron o  nơron với trọng số trọng số kết nối nơron đó: =∑ Cần có hàm kích hoạt nơron ẩn; F’ phải sử dụng cho delta, trước việc lan truyền ngược tiếp tục 52 CHƯƠNG THỰC NGHIỆM 4.1 Thiết kế hệ thống 4.1.1 Cơ sở liệu ảnh Trong luận văn này, ảnh liệu lấy từ sở liệu ORL (Olivetti Research Laboratory, Surrey University) Các ảnh tương đối đa dạng, thích hợp cho việc kiểm thử hệ thống Bộ ảnh chụp 40 người khác nhau, người có 10 ảnh riêng, ảnh chụp thời điểm khác nhau, với góc nghiêng khác nhau, trạng thái khác cười không cười, đeo kính không, miệng mở đóng Hình 4.1 Ảnh gốc ảnh ORL 53 4.1.2 Môi trường cài đặt MATLAB sử dụng để cài đặt hệ thống tích hợp môi trường tính toán kỹ thuật phù hợp cho thuật toán thiết kế MATLAB ngôn ngữ lập trình bậc cao gồm nhiều hàm phục vụ cho việc phân tích hiển thị liệu cách trực quan; thực tính toán toán kỹ thuật; xây dựng mô hình tính toán; lập trình ứng dụng với giao diện đồ họa người dùng 4.1.3 Cài đặt Mã nguồn chương trình bao gồm số module mô tả bảng 4.1 Bảng 4.1 Các module chương trình Module Giải thích PCA_based.m Module nhận dạng mặt người theo phương pháp PCA LDA_based.m Module nhận dạng mặt người theo phương pháp LDA Morpho_based.m Globalvar.m Recognize.m GUI.m Module nhận dạng mặt người theo phương pháp xử lý hình thái Chứa biến toàn cục Module nhận dạng mặt người cách kết hợp ba phương pháp Cài đặt giao diện người dùng Trước thực PCA LDA, ảnh gốc ma trận hai chiều kích thước 112×92 chuyển sang biểu diễn dạng vector 10304 chiều Bộ ảnh ORL gồm 10 ảnh cho người, chương trình sử dụng ảnh cho việc huấn luyện mạng ảnh lại để kiểm thử Mỗi ảnh 54 huấn luyện bổ sung ảnh dạng ảnh gương để tăng thêm đa dạng cho tập ảnh huấn luyện (hình 4.2) Hình 4.2 Ảnh gốc bổ sung ảnh gương Trong chương trình này, thực phân tích thành phần chính, vector riêng chọn tương ứng với giá trị riêng lớn 103, kết có 49 vector riêng chọn Trước thực LDA, ảnh gốc cần phải thực PCA để giảm số chiều liệu số chiều 10304 lớn để thực LDA Ở đây, vector riêng chọn tương ứng với giá trị riêng lớn 105 (số lượng vector riêng nhiều so với phương pháp PCA trên) Đối với pha xử lý hình thái ảnh, ảnh sau biến đổi thực phân tích thành phần để để giảm số chiều trước đưa vào huấn luyện mạng nơron Chương trình sử dụng ba mạng nơron riêng biệt ứng với phương pháp phân tích Phương pháp huấn luyện mạng giống phần lý thuyết trình bày, nhiên giá trị tỉ lệ học không cố định Trong trình huấn luyện, lỗi mạng vượt lỗi cũ với tỉ lệ định trước, giá trị trọng số bias bỏ qua Ngoài ra, giá trị 55 tỉ lệ học giảm xuống Trái lại, trọng số bias tính lại giá trị Nếu lỗi nhỏ lỗi cũ, tỉ lệ học tăng lên Ba mạng nơron ứng với ba phương pháp phân tích huấn luyện độc lập với Khi thực nhận dạng, ảnh nhận dạng biến đổi tính toán theo phương pháp phân tích Ba giá trị kết so sánh với nhau, chọn kết phù hợp để làm kết nhận dạng hệ thống, việc so sánh dựa khoảng cách Euclide ảnh Hình 4.3 giao diện chương trình Chương trình gồm ba chức Chức Training thực huấn luyện mạng nơron Chức Recognize thực việc nhận dạng, nhấn nút Recognize, người dùng chọn ảnh cửa sổ mở ra, chương trình in ảnh lên vùng Input Image Sau nhận dạng người tương ứng, chương trình in ảnh người lên vùng Recognize Person Chức Exit thoát chương trình 56 Hình 4.3 Giao diện chương trình 4.2 Kiểm thử đánh giá Trong trình xây dựng hệ thống, chương trình thực nhiều lần thử nghiệm đánh giá để chọn giá trị phù hợp tham số Những tham số quan trọng hệ thống số lượng đặc trưng trích chọn, tỉ lệ học mạng nơron số lượng nơron ẩn mạng, tham số ảnh hưởng lớn đến thời gian thực độ xác hệ thống Đối với phương pháp phân tích, việc trích chọn đặc trưng, đặc trưng có giá trị ý nghĩa khác nhau, đặc trưng chọn theo giá trị ý nghĩa giảm dần đến ngưỡng Nếu ngưỡng lớn, đặc trưng có giá trị nhỏ ngưỡng bị bỏ qua, đặc trưng quan trọng Nếu ngưỡng nhỏ, lấy hầu hết đặc trưng quan trọng, lại khiến cho thời gian thực hệ thống tăng lên, đồng thời lấy đặc trưng không quan trọng Qua nhiều thử nghiệm, giá trị ngưỡng chọn phương pháp PCA 10-3, phương pháp LDA phương pháp biến đổi hình thái 10-5 Đối với mạng nơron, tỉ lệ học tham số ảnh hưởng lớn đến hội tụ mạng Nếu tỉ lệ học lớn, mạng có độ dao động lớn trở nên không ổn định Nếu tỉ lệ học nhỏ, mạng nhiều thời gian để hội tụ Ở đây, mạng nơron, phương pháp huấn luyện mạng sử dụng với giá trị tỉ lệ học không cố định Trong trình huấn luyện, lỗi mạng vượt lỗi cũ với tỉ lệ định trước (1.04) giá trị trọng số bias bỏ qua Ngoài ra, giá trị tỉ lệ học bị giảm 57 xuống (nhân với 0.7) Trái lại, trọng số bias tính lại giá trị Nếu lỗi nhỏ lỗi cũ, tỉ lệ học tăng lên (nhân với 1.05) Số lượng nơron ẩn đối mạng nơron ảnh hưởng đến thời gian độ xác mạng Nếu số nơron ẩn ít, mạng thực nhanh với độ xác thấp Nếu số đơn vị ẩn nhiều, mạng thực lâu độ xác cao Tuy nhiên, số đơn vị ẩn nhiều, mạng lại trở nên thiếu xác Giá trị tối ưu số lượng nơron ẩn cho mạng nơron chọn 24 58 KẾT LUẬN Những kết luận văn đạt được: - Tìm hiểu cách tổng quan mô hình nhận dạng mặt người Có cách nhìn có hệ thống phương pháp trích trọn đặc trưng phục vụ cho trình nhận dạng mặt người - Bằng cách kết hợp phương pháp phân tích thống kê phương pháp biến đổi hình thái luận văn đạt phương pháp hiệu toán nhận dạng mặt người Phương pháp PCA LDA trích chọn đặc trưng mang tính thống kê, kết hợp với phương pháp biến đổi hình thái ảnh cung cấp đặc trưng mang tính hình học khuôn mặt giúp hệ thống có thông tin đặc trưng tương đối đầy đủ người - Đối với phương pháp phân tích, sau trích chọn, đặc trưng chuyển tới mạng nơron lan truyền ngược để huấn luyện, phương pháp có mạng riêng Các tham số trình huấn luyện số đặc trưng trích chọn, số nơron ẩn mạng, dạng hàm kích hoạt mạng lựa chọn sau nhiều thử nghiệm để có giá trị phù hợp hệ thống thời gian tính toán độ xác - Khi thực nhận dạng, ảnh đầu vào trích chọn đặc trưng, đặc trưng đưa vào mạng nơron tương ứng với phương pháp phân tích Đầu mạng người tương ứng với kết phương pháp Các kết riêng lẻ khác nhau, chúng so sánh với dựa vào khoảng cách Euclide với ảnh đầu vào, kết hệ thống kết có khoảng cách ngắn Bằng việc kết hợp vậy, hệ thống tận dụng tối 59 đa ưu điểm phương pháp phân tích, đồng thời ưu điểm phương pháp bổ khuyết cho nhược điểm phương pháp kia, giúp hệ thống đạt hiệu tốt Mặc dù hệ thống đạt độ xác cao, nhiên tỉ lệ nhỏ chưa xác hệ thống chưa đánh giá toàn đặc trưng mặt người Hướng phát triển: Trong nghiên cứu nhằm phát triển hoàn thiện hệ thống hơn, việc nhận dạng kết hợp thêm phương pháp phân tích khác nhận dạng mắt, nhận dạng miệng hay nhận dạng mũi đặc trưng quan trọng khuôn mặt Hệ thống áp dụng cho việc nhận dạng sinh viên phòng thi với danh sách cho trước, giúp phòng tra khảo thí nhanh chóng xác định sinh viên nghi ngờ thi hộ Đầu vào cho hệ thống ảnh mặt người lấy từ modul nhận dạng vùng mặt người (sử dụng thư viện Open CV kết hợp matlab), chuẩn hoá tiền xử lý ảnh mặt người cần nhận dạng để đưa vào hệ thống với mạng noron luyện theo danh sách thư viện ảnh cho trước Hệ thống nhanh chóng đưa kết luận ảnh mặt người đầu vào có thuộc danh sách hay không 60 TÀI LIỆU THAM KHẢO [1] Phạm Việt Bình, Đỗ Năng Toàn, Xử lý ảnh Nhà xuất Khoa học Kỹ thuật, Hà Nội, 2008 [2] Lương Mạnh Bá, Nguyễn Thanh Thuỷ, Nhập môn xử lý ảnh số, Nhà xuất Khoa học Kỹ thuật, 2002 [3] Ben Kröse, Patrick van der Smagt (1996), An introduction to Neural Networks, The University of Amsterdam [4] Kresimir Delac, Mislav Grgic (2007), “PCA and LDA based Neural Networks for Human Face Recognition”, Face Recognition, ISBN 9783-902613-03-5, I-Tech, Vienna, Austria [5] Ethan Png (2004), Morphological Shared-Weight Neural Network for Face Recognition, University of Manchester Institute of Science and Technology [6] Lindsay I Smith (2002), A Tutorial on Principal Components Analysis, Cornell University, USA [7] William K Pratt (2007), Digital Image Processing, John Wiley & Sons, Inc., Publication [8] W Zhao, R Chellappa, P J Phillips, A Rosenfeld (2003), “Face Recognition - A Literature Survey”, ACM Computing Surveys, Vol 35 (No 4) ... CHƯƠNG TỔNG QUAN VỀ NHẬN DẠNG ẢNH MẶT NGƯỜI 1.1 Tổng quan nhận dạng ảnh mặt người 1.2 Các hướng tiếp cận nhận dạng mặt người 1.2.1 Phương pháp trích chọn đặc trưng sử dụng mặt riêng (Eigenface)... ảnh Bài toán nhận dạng ảnh ứng dụng nhiều lĩnh vực, đặc biệt nhận dạng mặt người ứng dụng hệ thống bảo mật, nhận dạng người lái xe, hộ chiếu, nhận dạng người hệ thống tương tác người- máy, lĩnh... phần hình 1.1 Ảnh mặt người Trích chọn đặc trưng Nhận dạng mặt người Hình 1.1 Mô hình hệ thống nhận dạng mặt người Thông tin người nhận dạng 1.2 Các hướng tiếp cận nhận dạng mặt người Có hai hướng