Nghiên cứu ứng dụng Eigenfaces và đặc trưng cục bộ LBP cho bài toán nhận dạng mặt người

Header Page of 126 B GIO DC V O TO I HC NNG DNG ANH HNG NGHIấN CU NG DNG EIGENFACES V éC TRNG CC B LBP CHO BI TON NHN DNG MT NGI Chuyờn ngnh: Khoa hc mỏy tớnh Mó s: 60.48.01 TểM TT LUN VN THC S K THUT Nng - Nm 2013 Footer Page of 126 Header Page of 126 Cụng trỡnh c hon thnh ti I HC NNG Ngi hng dn khoa hc: PGS.TS Vế TRUNG HNG MSc T.Hoang Ngan Le (PhD Candidate) Phn bin 1: TS NGUYN VN HIU Phn bin 2: PGS.TS Lấ MNH THNH Lun c bo v trc Hi ng chm Lun tt nghip thc s K thut hp ti i hc Nng vo ngy 18 thỏng nm 2013 Cú th tỡm hiu lun ti: - Trung tõm Thụng tin - Hc liu, i Hc Nng Footer Page of 126 Header Page of 126 M U Lý chn ti Trong nhng nm gn õy, cỏc nghiờn cu v ng dng ca trớ tu nhn to (Artificial Intellegence) v hc mỏy (Machine Learning) thu hỳt c s quan tõm ca rt nhiu nh khoa hc Mt nhng lnh vc liờn quan ti cụng ngh tri thc m hin c ng dng rt nhiu vo cuc sng l nhn dng mu (Pattern Recognition) Cỏc h thng nhn dng ph bin hin nh: nhn dng ch vit (ỏnh mỏy hoc vit tay), nhn dng ch ký, nhn dng võn tay, nhn dng trũng mt (iris), nhn dng mt ngi, Mt cỏc bi toỏn c khỏ nhiu ngi quan tõm cho n thi im ny l nhn dng khuụn mt (Face Recognition) Khuụn mt úng vai trũ quan trng quỏ trỡnh giao tip gia ngi vi ngi v cng mang mt lng thụng tin giu cú, chng hn nh cú th xỏc nh gii tớnh, tui tỏc, chng tc hay trng thỏi cm xỳc, Nhn dng khuụn mt khụng phi l bi toỏn mi nhng nú l mt thỏch thc ln vỡ mt bi toỏn nhn dng mt ngi cha nhiu cỏc bi toỏn khỏc nh: phỏt hin mt ngi (face detection), ỏnh du (facial landmarking), rỳt trớch c trng (feature extraction), gỏn nhón, phõn lp (classification) Ngoi ra, nh khuụn mt thc t cha ng nhiu nh: sỏng, nhũe/m, nhiu, phõn gii, gúc nh, Trong thc t, nhn dng khuụn mt ngi (Face Recognition) l mt hng nghiờn cu c rt nhiu nh khoa hc ln quan tõm cỏc trng i hc hng u v Cụng Ngh Thụng Tin nh Massachusetts Institute of Technology (MIT), Carnegie Mellon University (CMU), Standford, Berkeley v cỏc cụng ty ln nh Footer Page of 126 Header Page of 126 Microsoft, Apple, Google, Facebook u cú cỏc trung tõm v sinh trc hc (Biometrics Center) v nghiờn cu v nhn dng khuụn mt ngi l mt nhng lnh vc nghiờn cu chớnh cho n S kin gn õy nht l v n bom Boston, USA, h thng nhn dng mt ngi ca FBI ó h tr nhiu vic tỡm kim th Cựng vi s phỏt trin ca lnh vc th giỏ mỏy tớnh (computer vision) v hc mỏy (machine learning), cú rt nhiu cỏc h thng nhn dng khuụn mt khỏc ó c phỏt trin Kt qu nhn dng ca tng h thng cng rt khỏc vỡ tựy thuc vo d liu th Trong khuụn kh ca lun ny, mt phng phỏp rt ni ting v kinh in l EigenFace c nghiờn cu v tỡm hiu sõu Mc dự EigenFace khụng phi l phng phỏp mi nht, tt nht nhng nh vo tớnh nng hiu qu v kh nng bn vng, c lp d liu, cho n thi im ny thỡ EigenFace c chn lm baseline so sỏnh, ỏnh giỏ mt h thng nhn dng Ngoi ra, gii phỏp dựng eigen (bao gm eigenvalue v eigenvector) tỡm subspace Principal Component Analysis (PCA) úng vi trũ rt quan trng lnh vc hc mỏy Principal Component Analysis (PCA) l nn tng ca mt loi cỏc b gỏn nhón (calssifier) sau ny nh Kernel Principal Component Analysis (KPCA), Linear Discriminant Analysis (LDA), Locality Preserving Projections (LPP), Kernel Discriminant Analysis (KDA), Suport Vector Machine (SVM), Ngoi ra, lun chn c trng Local Binary Pattern (LBP) l mt c trng rt ph bin cỏc bi toỏn liờn quan n nh khuụn mt núi chung v nhn dng khuụn mt núi riờng Nh vo kh nng bt bin vi sỏng (õy l mt nhng thỏch thc ln nht ca cỏc bi toỏn liờn Footer Page of 126 Header Page of 126 quan n nh mt ngi) nờn Local Binary Pattern (LBP) c chn h thng nhn dng khuụn mt Mc ớch ca ti Nghiờn cu cỏch thc xõy dng mt h thng nhn dng núi chung v nhn dng khuụn mt núi riờng Nghiờn cu v c trng rt thụng dng cỏc bi toỏn liờn quan n nh khuụn mt núi chung v nhn dng khuụn mt núi riờng: Local Binary Pattern (LBP) Tỡm hiu k v lý thuyt toỏn v lp lun ca bi toỏn rt ni ting, kinh in EigenFace: l h thng nhn dng mt ngi da trờn subpace Principal Component Analysis (PCA) Bờn cnh nghiờn cu sõu v c trng LBP v subspace PCA, lun cũn m rng tỡm hiu v gii thiu mt s cỏc c trng cng nh cỏc b phõn lp ph bin khỏc bi toỏn nhn dng í ngha khoa hc t c ti gúp phn gii thiu cỏc bc tin hnh xõy dng h thng nhn dng núi chung v nhn dng khuụn mt núi riờng Nghiờn cu v kim chng lý thuyt toỏn v bi toỏn eigen (eigenvalues, eigenvector) v cỏc tớnh cht toỏn hc ca PCA khuụn kh ng dng nhn dng khuụn mt Ci t th nghim v ỏnh giỏ bng thc nghim cỏc k thut rỳt trớch c trng cc b Local Binary Pattern (LBP) v phõn loi i tng da trờn subspace Principle Component Analysis (PCA) Nhng nghiờn cu ny s h tr cho vic ỏp dng PCA gii quyt nhiu bi toỏn khỏc t thc t nh: gim s chiu Footer Page of 126 Header Page of 126 (dimensionality reduction), hi phc nh (reconstruction), phõn on nh (segmentation), í ngha thc tin t c Lun nghiờn cu mt k thut rt kinh in, ni ting v quan trng lnh vc nhn dng khuụn mt l EigenFace Luõn ó xõy dng thnh cụng h thng nhn dng khuụn mt trờn c trng cc b Local Binary Pattern (LBP) v subspace Principle Component Analysis (PCA) Bờn cnh ú, ti ny gúp phn xõy dng chng trỡnh nhn dng khuụn mt ngi ỏp dng cho nhiu ng dng thc tin, nhm ỏp ng cho cỏc yờu cu nh nhn dng, bo mt ngy cng cao Ngoi ra, ti ó xõy dng c s d liu thc t trờn khuụn mt ngi Vit Nam, úng gúp thờm vo b c s d liu chung ca c nc Mc tiờu v nhim v Vi mc ớch nh trờn, mc tiờu v nhim v ca lun c xỏc nh nh sau: Tỡm hiu mụ hỡnh bi toỏn v cỏc bc thc hin xõy dng mt h thng nhn dng khuụn mt ngi Tỡm hiu, nm cỏc cụng ngh ó v ang c ỏp dng cho tng bc cú h thng Hiu rừ lý thuyt toỏn hc v tớnh cht c trng ca nhng k thut s c s dng gii quyt bi toỏn khuụn kh lun Footer Page of 126 Header Page of 126 Tỡm hiu v s dng cỏc cụng c hu ớch nhm phc v cho bi toỏn nhn dng mt ngi cng nh quỏ trỡnh xõy dng h thng: MASM, OpenCV, Matlab Ngoi c s d liu chun MBGC cụng b ti a ch trang web http://www.nist.gov/itl/iad/ig/mbgc.cfm, tụi s tin hnh xõy dng d liu thc t trờn khuụn mt ngi Vit Nam nhm phc v cho chng trỡnh thc nghim i tng v phm vi nghiờn cu Cỏc phng phỏp, gii thut phc v cho vic phỏt hin v nhn dng khuụn mt ngi trờn nh Phn mm Matlab, c bit l nhng th vin phc v cho vic x lý nh, phỏt hin v nhn dng mt ngi B c s d liu chun Multiple Biometric Grand Challenge (MBGC) v b c s d liu sinh viờn t thu thp Phm vi nghiờn cu: Vic x lý v nhn dng nh khuụn mt tha cỏc iu kin sau: nh sỏng u, khụng cú chiu sỏng (no illumination), khụng cú ỏnh sỏng mnh (no strong lighting); Gúc nh: trc din (frontal) hoc gn nh trc din; Khụng b che khut (no occlusion); nh cht lng cao (high quality images) Kt qu d kin Chng trỡnh ( mc th nghim) nhn dng mt ngi trờn d liu chun Multiple Biometric Grand Challenge Database (MBGC) t trờn 90%.Th nghim chng trỡnh trờn d liu thc t (Vietnamese database) v kh nng nhn dng t c 70% - 80% Footer Page of 126 Header Page of 126 B cc lun B cc lun gm cú chng chớnh: Chng 1: C s lý thuyt Chng ny gii thiu tng quỏt cỏc bc cn thc hin bi toỏn nhn dng Bờn cnh vic gii thiu cỏc k thut liờn quan ph bin, i tng v phm vi nghiờn cu cng c nh ngha, trỡnh by chi tit chng ny Chng 2: La chn gii phỏp v k thut Tp trung trỡnh by v c trng cc b Local Binary Pattern (LBP) v Principal Component Analysis (PCA) Cỏc lý thuyt toỏn, lp lun c phõn tớch v trỡnh by rừ tng bc thc hin c im v tớnh cht ca hai k thut cng c phõn tớch k chng ny Chng 3: H thng nhn dng khuụn mt da trờn LBP v PCA Xõy dng c demo chng trỡnh nhn dng khuụn mt, phm vi ca lun thỡ b d liu chun Multiple Biometric Grand Challenge Database (MBGC) v b d liu chớnh sinh viờn t thu thp c s dng Ngoi thỡ kh nng v hiu qu ca h thng cng c so sỏnh, ỏnh giỏ vi cỏc phng phỏp khỏc Footer Page of 126 Header Page of 126 CHNG C S Lí THUYT 1.1 X Lí NH 1.1.1 Gii thiu Cỏc bc c bn x lý nh Hỡnh 1.1 Cỏc bc c bn x lý nh Phn thu nhn nh: nh cú th nhn qua camera Cú th l mu hoc en trng vi phõn gii khỏc Tin x lý: lc nhiu, nõng cao cht lng nh Phõn vựng nh hay phõn on: tỏch nh thnh cỏc vựng hoc i tng quan tõm Biu din nh: Vic chn cỏc tớnh cht th hin nh gi l trớch chn c trng (feature extraction) Nhn dng v ni suy nh: Nhn dng nh l quỏ trỡnh xỏc nh nh Quỏ trỡnh ny thng thu c bng cỏch so sỏnh vi mu chun ó c hc (hoc lu) t trc Ni suy l phỏn oỏn theo ý ngha trờn c s nhn dng C s tri thc: Nhm giỳp quỏ trỡnh x lý v phõn tớch nh theo cỏch lm ca ngi Footer Page of 126 Header Page 10 of 126 1.1.2 Mt s k thut x lý nh liờn quan n bi toỏn nhn dng khuụn mt 1.2 BI TON NHN DNG MU 1.2.1 Gii thiu v nh ngha bi toỏn 1.2.2 Cỏc liờn quan n nhn dng 1.2.3 Mt s lnh vc ng dng Tree Tree Building Building Person Person Person Grass Hỡnh 1.1 nh nhn dng i tng t nhiờn 1.3 Dề TèM KHUễN MT 1.3.1 Gii thiu v nh ngha bi toỏn 1.3.2 Mt s hng tip cn dũ tỡm khuụn mt 1.3.3 Phng phỏp dũ tỡm dựng khuụn kh lun Trong khuụn kh ca lun vn, quỏ trỡnh dũ tỡm khuụn mt v cỏc im mc khuụn mt c thc hin bng cụng c Modified Active Shape Model (MASM) Cụng c ny giỏo viờn hng dn, hin ang cụng tỏc Biometrics Lab, Carnegie Mellon University (CMU), Pittsburgh, PA, USA cung cp B cụng c MASM l mt Footer Page 10 of 126 Header Page 12 of 126 10 Hỡnh 1.3 Mt s hỡnh nh database MBGC (dũng 1) v nh sinh viờn t thu thp(dũng 2) 1.4.3 c trng thụng dng nhn dng khuụn mt Mt s c trng thụng dng nhn dng (tng quỏt) c nghiờn cu v trỡnh by nh sau: c trng Gaussian vi cỏc tr sigma () v t l khỏc Hỡnh 1.4 nh minh sau lc vi Gaussian c trng Local Binary Pattern (LBP) v cỏc bin th Mu ng dng LBP nguyờn th LBP ng dng bt LBP bt bin quay LBP bin quay Hỡnh 1.5 Vớ d v bin th ca LBP Footer Page 12 of 126 Header Page 13 of 126 11 Histogram of Oriented Gradients (HOG) Thay vỡ tớnh toỏn gradient (tớch vụ hng) trờn chiu l x v y, HOG c s dng tớnh gradient cho tn s cao (high frequency) trờn cỏc chiu khỏc nh gc bins 18 bins 9x9 = 81 bins histogram 9x18 = 162 bins histogram Hỡnh 1.6 c trng HOG tng ng vi kớch thc nh 3x3 vi hng (ct 2) hoc 18 hng (ct 3) 1.4.4 B phõn lp B phõn lp dựng bi toỏn nhn dng cng rt a dng, tựy thuc vo d liu Mt s b phõn lp ph bin nhúm phõn lp tuyn tớnh c trỡnh by nh sau: Principal Component Analysis (PCA): Mc tiờu ca PCA l tỡm mt khụng gian c trng mi vi s chiu gim hn nhiu so vi s chiu ban u nhng m bo c tớnh ca d liu Biu mụ t cỏc im khỏc trờn trc ta Gúc ny mụ t giỏ tr ln nhtca cỏc im trờn trc mi c v li Hỡnh 1.7 Minh cho phng phỏp tỡm trc chiu ca PCA Footer Page 13 of 126 Header Page 14 of 126 12 Linear Discriminant Analysis (LDA): cú th a im d liu trờn cựng lp nm gn v vi Cỏc im d liu khụng cựng nm v lp thỡ chỳng s cỏch xa hn Hỡnh 1.8 Phng phỏp biu din d liu LDA Support Vector Machine(SVM): tỡm v la chn ranh gii gia hai th loi cho khong cỏch t cỏc vớ d hun luyn (support samples) ti ranh gii l xa nht cú th Hỡnh 1.9 Vớ d v phõn lp d liu bng phng phỏp thụng thng NN (2 ct u) v bng SVM (ct cui) Footer Page 14 of 126 Header Page 15 of 126 13 CHNG LA CHN GII PHP V K THUT 2.1 GII THIU HNG TIP CN 2.1.1 Gii thiu 2.1.2 Hng tip cn lun H thng nhn dng xut khuụn kh lun bao gm bc v c túm tt nh hỡnh v sau: Hỡnh 2.1 Hng tip cn nhn dng ca lun Bc 1: To PCA subspace da trờn bi toỏn eigen Bc 2: u vo ca bc ny l nh cú cha mt ngi cn nhn dng u ca bc ny l c trng dựng quỏ trỡnh nhn dng Bc ny c thc hin thụng qua nhiu giai on nh sau: Tin x lý, phỏt hin khuụn mt, landmarking, ct vựng khuụn mt, rỳt trớch c trng Bc 3: Trong bc ny, c trng ca nh cn nhn dng v c trng ca d liu hc mu c chiu lờn PCA subspace Da vo h s chiu, ta s cú c kt qu nhn dng Footer Page 15 of 126 Header Page 16 of 126 14 2.2 C TRNG LBP 2.2.1 Gii thiu 2.2.2 LBP c bn Thụng tin LBP ca pixel ti trung tõm ca mi nh s c tớnh da trờn thụng tin ca cỏc pixel ln cn Cú th túm tt cỏc bc tin hnh nh sau: Bc 1: Xỏc nh bỏn kớnh lm vic Bc 2: Tớnh giỏ tr LBP cho pixel trung tõm (xc, yc) nh da trờn thụng tin ca cỏc pixel lõn P LBPP , R ( xc , yc ) s( g p gc )2 p p cn: Trong ú, (gp) l giỏ tr grayscale ca cỏc pixel lõn cn, (gc) l giỏ tr grayscale ca cỏc trung tõm v (s) l hm nh phõn c xỏc nh nh sau: s(z) = nu giỏ tr z Vớ d: 1*20 + 1*21 + 1*22 + 1*23 + 0*24 + 0*25 + 0*26 + 0*27 = 15 2.2.3 Cỏc bin th ca LBP LBP ng dng Mt mu nh phõn c gi l ng dng xột chui bit xoay vũng thỡ cú nhiu nht l ln thay i (transitions) t giỏ tr bit sang hoc t giỏ tr bit sang Vớ d: 00000000 cú transitions, 01110000 cú transitions, 11001111 cú transitions nờn õy l uniform LBP 11001001 cú transitions, 01010011 cú transitions nờn khụng phi l uniform LBP Footer Page 16 of 126 Header Page 17 of 126 15 Da trờn nh ngha ny, bng ỏnh x cho bỏn kớnh lm vic P -neighbours s cú P(P-1) + nhón Cú ngha l cú 59 nhón trng hp lm vic vi 8-neighbour Hỡnh v sau õy th hin 59 nhón (mu) v minh v histogram ca c trng LBP ng dng Bng 1.1 Bng thng kờ cỏc mu ca uniform LBP LBP bt bin vi phộp quay Gi s I(x, y) l nh quay gúc () ca nh I(x, y) Vi phộp quay ny im nh (x, y) s nm ti v trớ (x', y') nh hỡnh v sau õy (hỡnh trỏi) Trong vớ d ny (hỡnh phi): tt c mu LBP bờn di c ỏnh x v mu LBP u tiờn vỡ mu u tiờn cho giỏ tr nh nht Hỡnh 2.8 Minh v cỏc trng hp ca LBP sau quay vi gúc 15 Kh nng bt bin vi phộp quay ca c trng ny c minh qua vớ d sau (hỡnh 2.3 trỏi) Rỳt trớch c trng ny trờn nh khuụn mt c th hin hỡnh 2.3 phi Footer Page 17 of 126 Header Page 18 of 126 16 Hỡnh 2.2 Minh c trng LBP bt bin vi phộp quay trờn khuụn mt LBP ng dng cú kh nng bt bin vi phộp quay Kt hp ca mu LBP ng dng v LBP bt bin vi phộp quay cú th to nờn mt dng bin th khỏc ca LBP (uniform rotation invariant LBP) Da trờn nh ngha ny, bng ỏnh x cho bỏn kớnh lm vic P-neighbors s cú P + nhón (label) Cú ngha l cú 10 nhón trng hp lm vic vi 8-neighbour Hỡnh 2.3 Minh c trng LBP ng dng v bt bin vi phộp quay 2.2.4 Tớnh cht ca LBP nhn dng 2.3 PHNG PHP PCA 2.3.1 Gii thiu v PCA Footer Page 18 of 126 Header Page 19 of 126 17 Phng phỏp phõn tớch thnh phn chớnh (PCA) l mt cụng c rt ph bin vic nhn dng, c bit n nh l Eigenfaces ng dng nhn dng mt ngi s dng PCA Cm t Eigenfaces c hỡnh thnh da trờn ng dng nhn dng mt ngi v bi toỏn PCA gii bi phng phỏp phõn tớch eigenvalue PCA c xem nh l phng phỏp chun dựng ỏnh giỏ mc hiu qu ca cỏc phng phỏp khỏc (baseline benchmark) Cú hai phng phỏp c bn dựng gii quyt bi toỏn PCA l: phõn tớch eigenvalue v Singular Value Decomposition (SVD) Trong SVD gii quyt bi toỏn PCA da trờn ma trn d liu (data matrix) thỡ phng phỏp phõn tớch eigenvalue lm vic trờn hip phng sai ca d liu Trong khuụn kh lun vn, bi toỏn PCA c gii quyt da trờn phng phỏp phõn tớch eigenvalue 2.3.2 Cỏc khỏi nim PCA Tr trung bỡnh (mean) ca vector l mt giỏ tr n (scalar) v c tớnh theo cụng thc: X N N X i i lch chun (standard deviation): cho bit khỏc bit hay lch ca cỏc phn t d liu so vi tr trung bỡnh Cho trc d liu X v tr trung bỡnh ca X l , lch chun ca X c tớnh nh sau: E[ X ]2 Ma trn hip phng sai (covariance matrix): Gi s cho trc mt ma trn X [ X1 X X N ] , ú Xi l vector Ma trn hip phng sai, ký hiu l , c nh ngha nh sau: cov( X i , X j ) E[( X i i )( X j j )] 2.3.3 Bi toỏn Eigen Footer Page 19 of 126 Header Page 20 of 126 18 Trong ng cnh ca bi toỏn eigen, nu tn ti vector x tha iu kin song song vi Ax thỡ x c gi l eigenvectors ca ma trn A Tớnh song song c biu din nh sau: Ax = l x , ú l tr n (scalar) v c xem l eigenvalue ca ma trn A Cỏc tớnh eigenvectors v eigenvalues c tng quỏt nh sau: Tớnh nh thc (determinant) ca A - l I Tỡm eigenvalues bng cỏch gii quyt det( A I ) , ú l nghim Tng ng vi mi giỏ tr eigenvalue i , ta tớnh c eigenvector bng cỏch gii phng trỡnh Ax = l x 2.3.4 t v gii phỏp ca PCA t Mt nhng cõu hi c bn bi toỏn PCA l: cho trc d liu, tỡm trc chiu m cú th phõn bit c d liu tt nht, tc l bin th (variation) ln nht Xem xột vớ d sau õy: Mc ớch ca bi toỏn PCA l i tỡm trc chiu tt nht hỡnh v bờn phi Hỡnh 2.4 Vớ d v phộp chiu t khụng gian 2D xung 1D Gii quyt : Gi l trc chiu cn tỡm Phộp chiu ca d liu x trờn trc chiu ny l Tx Mc ớch ca PCA l tỡm cho bin thiờn ca Tx ln nht Bi toỏn c biu din nh sau: arg max{var(wT x)} (w) Footer Page 20 of 126 Header Page 21 of 126 19 Giỏ tr bin thiờn ca phộp chiu d liu x lờn trc c th hin nh sau: Var (wT x) = E(wT x - E (wT x))2 = wT E ( x - E ( x)) ( x - E ( x))T w (**) Trong ú E[x] l = E( x - E ( x)) ( x - E ( x)) T tr trung bỡnh ca x t l ma trn hip phng sai (covariance matrix) Cụng thc (**) tng T T ng Var (w x) = w w , vi = E ( x - E ( x)) ( x - E ( x))T v wT w = Lu ý l ng cnh ca bi toỏn, w c chun húa v vector n v (unit norm), cú ngha l wT w = Mc tiờu ca bi toỏn PCA l i tỡm tỡm trc chiu w cho giỏ tr bin thiờn ca phộp chiu Tx ln nht (tc l i tỡm max(Var (wT x)) Nh vy ta cú th phỏt biu bi toỏn nh sau: arg max{var(wT x)}, s.t wT w = (***) (w) Gii phỏp n gin nht gii quyt (***) l s dng phng phỏp ti u Lagrangian (Lagrangian optimization) (***) T T ta T a L (w, l ) = w w - l (w w - 1) v dng hm s Lagrangian: , ú l h s Lagrangian Ly o hm theo w , t nú cú giỏ tr bng khụng (0), ta cú cụng thc sau: ả L(w, l ) = ảw õy chớnh l bi toỏn eigen, ú l l eigenvalues, PCA subspace w l eigenvector ca ma trn hip phng sai = E( x - E ( x)) ( x - E ( x))T 2.3.5 Dựng PCA xõy dng subspace Footer Page 21 of 126 Header Page 22 of 126 20 Cho trc hun luyn (training data) gm N nh (x1, x2, xN) mi nh c biu din di dng vector ct cú M chiu ( xi ẻ M ) Sp xp cỏc nh li ta c ma trn X PCA subspace c xõy dng qua cỏc bc nh sau: N xi v N i =1 X = ( X - X ) = ộởx1 - X x2 - X xN - X ự ỷ, Bc 2: Tớnh ma trn hip phng sai ca X: = X T X Bc 3: Tỡm nghim ca phng trỡnh w = l w v c gii bng phng phỏp eigen Ma trn hip phng sai kớch thc Bc 1: Chun húa d liu: X = NxN nờn s cú N nghim tỡm li gii cho bi toỏn eigen Tp hp ca cỏc eigenvector s hỡnh thnh PCA subspace 2.3.6 ng dng PCA bi toỏn nhn dng mt ngi Bc 1: Thc hin xõy dng khụng gian PCA (PCA subspace): w = ww wm ẻ [ ] M m t nh hun luyn X Bc 2: Thc hin nhn dng u vo: D liu hun luyn Y (khỏc vi d liu hun luyn X) v nh cn kin chng y Tin hnh: Chiu hun luyn Y lờn PCA subspace , ta s cú S T h s T 1, 2, S, ú T a1 = w Y1 , a = w Y2 , , a n1 = w Yn1 v S l tng s cỏc mu cú hun luyn Y Chiu d liu c kim tra y lờn PCA subspace : T ay =w y Thc hin so sỏnh h s (coefficients) gia a y v a1a a s Footer Page 22 of 126 Header Page 23 of 126 21 CHNG H THNG NHN DNG MT NGI DA TRấN LBP V PCA 3.1 Mễ T NG DNG 3.1.1 Cụng c v ngụn ng phỏt trin Cụng c: MASM dũ tỡm khuụn mt v xỏc nh im khuụn mt L mt cụng c h tr c lc cho th thng nhn dng c FBI u t (do giỏo viờn hng dn cung cp) Ngụn ng: Matlab 2012b (32 bit) chy trờn h iu hnh Windows Hỡnh 3.1 MASM cho vic phỏt hin cỏc c im trờn khuụn mt 3.1.2 Minh cho chng trỡnh th nghim Hỡnh 3.2 Giao din ca chng trỡnh th nghim (rỳt trớch c trng v nhn dng) Footer Page 23 of 126 Header Page 24 of 126 22 Hỡnh 3.3 Minh cho PCA subpsace dựng chng trỡnh 3.2 D LIU V O 3.2.1 D liu chun MGBC D liu: D liu to PCA Subpace: 10.000 nh t MBGC D liu hc mu (train) v th nghim (test) c tin hnh trờn hai b: MBGC: 860 nh hc mu v 213 nh th nghim ca 43 i tng khỏc 3.2.2 D liu thc t Do sinh viờn thu thp: 150 nh hc mu v 53 nh th nghim ca 13 i tng khỏc 3.2.3 o: chớnh xỏc (Accuracy): c xỏc nh da trờn s lng nh nhn dng ỳng so vi tng s lng nh cú database Thụng thng núi n chớnh xỏc, ta thng núi kt qu nhn dng u tiờn RANK-1 Footer Page 24 of 126 Header Page 25 of 126 23 ROC curve - Reciver Operating Characteristic: l mt bng tng quan (mapping) gia t l dng tớnh gi (false positive rate FPR) v t l dng tớnh tht (true positive rate - TPR) 3.3 KT QU THC HIN 3.3.1 Kt qu trờn d liu chun 3.3.2 Kt qu trờn d liu thc t 3.3.3 Mt s sai sút quỏ trỡnh nhn dng 3.3.4 So sỏnh ỏnh giỏ Nh ó phõn tớch v trỡnh by t Chng 1, PCA l tht toỏn tt, chy n nh trờn mi kiu d liu, chớnh l vỡ PCA c chn lm baseline chớnh xỏc (%) Footer Page 25 of 126 Thi gian hc mu Thi gian nhn dng Header Page 26 of 126 24 KT LUN Mc ớch ca ti l tỡm hiu v ỏnh giỏ mt s thut toỏn v x lý nh, nhn dng t ú xõy dng mt h thng nhn dng khuụn mt hon chnh nhm phc v cho ng dng thc t Ni dung ti ó thc hin y vic tỡm hiu v nghiờn cu mt s thut toỏn tiờu biu ti tng giai on x lý ca quỏ trỡnh nhn dng khuụn mt Trng tõm nghiờn cu l cỏc thut toỏn cú kh nng thc hin mt cỏch chớnh xỏc nht cho quỏ trỡnh nhn dng C th l tỡm hiu v trỡnh by hai thut toỏn quan trng nht l nh phõn cc b LBP nhm rỳt trớch c trng cho khuụn mt v b phõn lp PCA cho quỏ trỡnh nhn dng V thc t thỡ lun ó xõy dng c mt cụng c nhn dng khuụn mt hon chnh xỏc, cú th em ng dng trc tip vo thc t H thng nhn dng ó hot ng khỏ chớnh, cho kt qu t c l hn 90% vi b th vin chun MBGC v t yờu cu l t 70-80% cho b d liu m sinh viờn t mỡnh thu thp c Mc dự ó cú nhiu c gng, nhng thi gian nghiờn cu cha , kinh nghim nghiờn cu cha cú nhiu, vỡ vy lun ny khụng trỏnh mt s sai sút, hn ch nht nh nh: vic thu thp d liu cũn ớt, nh chp cha c tt, demo chng trỡnh cũn mang tớnh minh Tuy nhiờn, x lý nh hay nhn dng khuụn mt cũn l mt hng nghiờn cu khỏ mi m.Vỡ vy, tng li, ti ny hn cú th c phỏt tin thờm v trin khai rng rói nhiu ng dng nhn dng cỏc cỏ nhõn, gng mt khỏc nhau, phc v cho cỏc nhu cu mi phỏt sinh, ỏp ng c yờu cu ngy cng tng v tớnh bo mt Footer Page 26 of 126 ... vi Gaussian c trng Local Binary Pattern (LBP) v cỏc bin th Mu ng dng LBP nguyờn th LBP ng dng bt LBP bt bin quay LBP bin quay Hỡnh 1.5 Vớ d v bin th ca LBP Footer Page 12 of 126 Header Page 13... 2.2 Minh c trng LBP bt bin vi phộp quay trờn khuụn mt LBP ng dng cú kh nng bt bin vi phộp quay Kt hp ca mu LBP ng dng v LBP bt bin vi phộp quay cú th to nờn mt dng bin th khỏc ca LBP (uniform rotation... õy (hỡnh trỏi) Trong vớ d ny (hỡnh phi): tt c mu LBP bờn di c ỏnh x v mu LBP u tiờn vỡ mu u tiờn cho giỏ tr nh nht Hỡnh 2.8 Minh v cỏc trng hp ca LBP sau quay vi gúc 15 Kh nng bt bin vi phộp quay