Nhận dạng khuôn mặt sử dụng PCA – SVM

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI *** NGÔ THANH TÂN NHẬN DẠNG KHUÔN MẶT SỬ DỤNG PCA – SVM LUẬN VĂN THẠC SĨ KỸ THUẬT HÀ NỘI - 2016 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI *** NGÔ THANH TÂN NHẬN DẠNG KHUÔN MẶT SỬ DỤNG PCA – SVM Chuyên ngành: CÔNG NGHỆ THÔNG TIN LUẬN VĂN THẠC SĨ KỸ THUẬT GIÁO VIÊN HƢỚNG DẪN TS NGUYỄN THỊ OANH HÀ NỘI - 2016 LỜI CAM ĐOAN Luận văn thạc sỹ “Nhận dạng khuôn mặt sử dụng PCA – SVM”, chuyên ngành Công nghệ thông tin công trình cá nhân Các nội dung nghiên cứu kết trình bày luận văn trung thực, rõ rang Các tài liệu tham khảo đƣợc trích dẫn đầy đủ ghi rõ nguồn gốc Hà Nội, ngày 18/01/2016 TÁC GIẢ Ngô Thanh Tân MỤC LỤC LỜI CAM ĐOAN .1 MỤC LỤC DANH MỤC CÁC TỪ VIẾT TẮT DANH MỤC HÌNH VẼ, ĐỒ THỊ Lý chọn đề tài Lịch sử nghiên cứu Mục đích nghiên cứu luận văn, đối tƣợng, phạm vi nghiên cứu .8 Tóm tắt cô đọng luận điểm đóng góp tác giả Phƣơng pháp nghiên cứu Nội dung luận văn .9 CHƢƠNG PHÁT BIỂU BÀI TOÁN 11 1.1 Hệ thống sinh trắc học 11 1.2 Nhận dạng ngƣời qua khuôn mặt 12 1.3 Ứng dụng hệ thống nhận dạng mặt ngƣời 12 CHƢƠNG CÁC PHƢƠNG PHÁP NHẬN DẠNG KHUÔN MẶT 17 2.1 Phƣơng pháp trích chọn đặc trƣng Principal Components Analysis – PCA 17 2.1.1 Giới thiệu phƣơng pháp trích chọn đặc trƣng PCA 17 2.1.2 Các bƣớc thực trích chọn đặc trƣng PCA .22 2.2 Máy vector hỗ trợ SVM 26 2.2.1 SVM tuyến tính [4],[6],[9] 26 2.2.2 SVM phi tuyến 34 2.2.3 SVM cho vấn đề nhận dạng đa lớp 35 CHƢƠNG ĐỀ XUẤT PHƢỚNG ÁN NHẬN DẠNG MẶT NGƢỜI 38 3.1 Phát khuôn mặt (face detection) .38 3.2 Tiền xử lý ảnh (preprocessing) .39 3.3 Trích rút đặc trƣng (feature extraction) 40 3.4 Nhận dạng/Phân lớp (recognition/classification) 40 3.5 Dữ liệu hệ thống nhận dạng 40 CHƢƠNG ĐÁNH GIÁ THỬ NGHIỆM 42 4.1 Độ đo đánh giá hiệu .42 4.2 Bộ liệu thử nghiệm 42 4.2.1 Bộ liệu AT&T 42 4.2.2 Bộ liệu ảnh YaleB 43 4.3 Kết thử nghiệm 43 4.3.1 Thử nghiệm với ảnh AT&T 43 4.3.2 Thử nghiệm với ảnh YaleB 44 KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN 47 TÀI LIỆU THAM KHẢO 48 DANH MỤC CÁC TỪ VIẾT TẮT PCA Principal Component Analysis SVM Support Vector Machine US visits United States Visitors and Immigrant Status Indicator Technology FBI Federal Bereau of Investigation NGI Next Generation Identification KKT Karush Kuhn Tucker DANH MỤC HÌNH VẼ, ĐỒ THỊ Hình 1.1 Các đặc tính sinh trắc học ngƣời 11 Hình 1.2 Hệ thống xác minh nhân thân công dân nhập cảnh [19] .14 Hình 2.1 Lựa chọn trục tọa độ để biểu diễn liệu [11] 18 Hình 2.2 Phân cách theo siêu phẳng (w,b) không gian hai chiều tập mẫu [4] 27 Hình 2.3 Siêu mặt phân cách tuyến tính cho trƣờng hợp phân cách đƣợc [4] 28 Hình 2.4 Không thể phân hoạch tập mẫu siêu phẳng [6] 31 Bảng 2.5 Một số hàm nhân thƣờng dùng 35 Hình 2.6 Mẫu cần nhận dạng SVM 2-vs-rest có giá trị bé [10] 36 Hình 2.7 Cấu trúc nhị phân cho nhận dạng khuôn mặt lớp [10] 37 Hình 3.1 Mô hình hệ thống nhận dạng khuôn mặt 38 Hình 3.2 Phát khuôn mặt ảnh 39 Hình 4.1 Một số ảnh liệu AT&T 42 Hình 4.2 Một số ảnh liệu YaleB 43 Biểu đồ 4.3 Kết thử nghiệm với liệu AT&T 44 Biểu đồ 4.4 Kết thử nghiệm liệu YaleB 45 PHẦN MỞ ĐẦU Lý chọn đề tài Ngày nay, khoa học kỹ thuật ngày phát triển, lƣợng thông tin ngày lớn nhu cầu bảo vệ thông tin lại đƣợc trọng Nó đòi hỏi lúc, nơi thông tin phải đƣợc đảm bảo an ninh, an toàn Một phƣơng pháp bảo vệ an ninh xác thực ngƣời sử dụng hệ thống thông tin Có nhiều phƣơng pháp để xác thực ngƣời sử dụng Nhận dạng mặt ngƣời phƣơng pháp để xác nhận quyền truy nhập ngƣời có hợp pháp hay không Vì nhận dạng mặt ngƣời cách mà ngƣời sử dụng để nhận biết Ngày nay, việc thu thập xử lý thông tin qua ảnh đƣợc quan tâm ứng dụng rộng rãi Với phƣơng pháp thu thập đƣợc nhiều thông tin mà tác động đến đối tƣợng, đối tƣợng đƣợc nhận dạng cách thụ động Lịch sử nghiên cứu Nhận dạng mặt ngƣời vấn đề đầy thách thức hứa hẹn lĩnh vực phân tích hình ảnh thị giác máy tính, nhận đƣợc nhiều ý thời gian gần có nhiều ứng dụng lĩnh vực khác Kỹ thuật nhận dạng mặt ngƣời đƣợc phân chia thành ba loại dựa phƣơng pháp thu thập liệu mặt: phƣơng pháp hoạt động dựa cƣờng độ hình ảnh; xử lý với chuỗi video; yêu cầu liệu giác quan khác nhƣ thông tin 3D hình ảnh hồng ngoại Có lẽ ví dụ tiếng hệ thống nhận dạng khuôn mặt T.Kohonen (1989) [21], ngƣời chứng minh mạng neural đơn giản thực nhận dạng khuôn mặt cho hình ảnh khuôn mặt đƣợc xếp chuẩn hóa Hệ thống T.Kohonen mô tả khuôn mặt vector riêng ma trận tƣơng quan hình ảnh khuôn mặt, eigenfaces Hệ thống T.Kohonen thành công thực tế, nhiên, thực cần thiết cho mối liên hệ độ xác chuẩn hóa Trong năm sau nhiều nhà nghiên cứu thử chƣơng trình nhận dạng khuôn mặt dựa cạnh, khoảng cách thuộc tính, cách tiếp cận mạng neural khác Trong nhà nghiên cứu khác thành công với sở liệu ảnh có quy mô nhỏ, chƣa giải thành công vấn đề thực tế với sở liệu ảnh quy mô lớn, hay vị trí khuôn mặt không rõ ràng M.Turk A.Pentland (1991) [17] sau chứng minh lỗi sót lại mã hóa cách sử dụng eigenfaces đƣợc sử dụng để phát khuôn mặt hình ảnh tự nhiên lộn xộn, nhƣ để xác định vị trí xác khuôn mặt ảnh Sau đó, họ chứng minh cách kết hợp phƣơng pháp để phát khoanh vùng khuôn mặt với phƣơng pháp nhận dạng eigenface, ngƣời ta đạt đƣợc độ tin cậy cao,thời gian xác thực khuôn mặt môi trƣờng bị hạn chế nhanh Wenyi Zhao, Arvindh Krishnaswamy, Rama Chellappa, Danie L.Swets, John Weng (1998) [22] sử dụng phƣơng pháp PCA (phân tích thành phần chính) kết hợp LDA (phân tích độc lập tuyến tính) Bƣớc 1, ánh xạ khuôn mặt từ không gian ảnh thô sang không gian ảnh khuôn mặt (mỗi lớp khuôn mặt đƣợc nhận dạng đƣợc mô hình hóa không gian khuôn mặt) dùng PCA Bƣớc 2, sử dụng phƣơng pháp LDA để tạo phân loại tuyến tính có khả phân lớp lớp khuôn mặt Emmanuel Viennet Francoise Fogelman Soulie (1998) [8], sử dụng phƣơng pháp mạng neural nhân tạo để xử lý nhận dạng khuôn mặt Antonio J.Colmenarez Thomas S.Huang (1998) [1], sử dụng kỹ thuật học thị giác phù hợp mẫu 2-D Ông quan niệm toán dò tìm khuôn mặt thao tác phân loại khuôn mặt khuôn mặt thuộc lớp đối tƣợng khác thuộc lớp lại cách ƣớc lƣợng mô hình xác suất cho lớp, việc dò tìm sử dụng luật định Maximum-likelihood Kazunori Okada, Johannes Steffens, Thomas Maurer, Hai Hong, Egor Elagin, Hartmut Neven, and Christoph (1998) [13], nhận dạng khuôn mặt dựa vào sóng Gabor phƣơng pháp phù hợp đồ thị bó Với ý tƣởng dùng đồ thị để biểu diễn khuôn mặt, ảnh khuôn mặt đƣợc đánh dấu vị trí đƣợc xác định trƣớc khuôn mặt, gọi vị trí vị trí chuẩn Khi thực thao tác so khớp đồ thị với ảnh, điểm chuẩn (Jets) trích từ ảnh so sánh điểm chuẩn với tất điểm chuẩn tƣơng ứng đồ thị khác nhau, đồ thị phù hợp với ảnh đƣợc chọn Jeffrey Huang, Chengjun Liu, Harry Wechsler (1998) [12], đề xuất thuật toán tính tiến hóa (Evolutionary computation) di truyền (Genetic) cho tác vụ nhận dạng khuôn mặt Đối với cách tiếp cận này, hai mắt đƣợc dò tìm trƣớc tiên thông tin đƣợc xem vết để quan sát khuôn mặt, trình xử lý dò tiếp mắt cách sử dụng thuật toán lai để kết hợp thao tác học tiến hóa trình học Daniel Bgraham Nigel M Allinson (1998) [7], sử dụng phƣơng pháp đƣợc gọi tạo không gian đặc trƣng để biểu diễn nhận dạng hƣớng di chuyển khuôn mặt Guodong Guo, Stan Z.Li, Kap Luk Chan (17/1/2001) [9], dùng phƣơng pháp SVM để nhận dạng khuôn mặt Sử dụng chiến lƣợc kết hợp nhiều phân loại nhị phân để xây dựng phân loại SVM đa lớp Mục đích nghiên cứu luận văn, đối tƣợng, phạm vi nghiên cứu Mục đích nghiên cứu luận văn Nghiên cứu đề tài nhằm mục đích tìm hiểu toán nhận dạng khuôn mặt, từ xây dựng hệ thống ứng dụng thực tiễn nhƣ: điểm danh, giám sát ngƣời vào,… Đối tượng, phạm vi áp dụng Đề tài tập trung tìm hiểu số phƣơng pháp nhận dạng mặt ngƣời phổ biến đƣa phƣơng án nhận dạng cho toán nhận dạng mặt ngƣời Để đạt đƣợc mục tiêu trên, đề tài tập trung tìm hiểu nội dung sau: kiểm tra s SVM Hàm nhận dạng SVM thứ i cho kết bé mẫu thử thứ x thuộc lớp thứ i Hình 2.6 Mẫu cần nhận dạng SVM 2-vs-rest có giá trị bé [10] 2.2.3.2 Chiến lƣợc One-vs-one Để giải trƣờng hợp này, ta dùng phƣơng pháp DAG-SVM (A Directed Acyclic Graph – đồ thị có hƣớng không chu trình) sử dụng nhị phân 36 Hình 2.7 Cấu trúc nhị phân cho nhận dạng khuôn mặt lớp [10] Giả sử có lớp tập liệu, định đƣợc biểu diễn nhƣ hình 2., số 1-8 mã hóa lớp Bằng cách so sánh cặp, lớp đại diện cho ngƣời chiến thắng lớp đƣợc chọn Các lớp đƣợc chọn (từ cấp thấp định) lên cấp trên, lại đƣợc so sánh tiếp Cuối lớp xuất đỉnh Nếu s (số lƣợng lớp) không lũy thừa ta phân tích: s  2n1  2n2   2nl với n1  n2   nl Bởi số tự nhiên đƣợc chia thành số nguyên dƣơng hữu hạn bội số Nếu s chẵn nl  ngƣợc lại Lƣu ý ta phân tích s nhiều cách khác Sau phân tích, việc nhận dạng đƣợc thực nhị phân, lớp đầu nhị phân đƣợc dùng để tạo nhị phân khác Nó đƣợc lặp lại đầu SVM học s ( s  1) hàm phân biệt giai đoạn huấn luyện thực (s2 1) phép so sánh theo cấu trúc nhị phân tạo 37 CHƢƠNG ĐỀ XUẤT PHƢỚNG ÁN NHẬN DẠNG MẶT NGƢỜI Có nhiều cách để kết hợp phƣơng pháp nhận dạng khuôn mặt nhằm đạt hiệu cao, luận văn tác giả xin đƣợc trình bày phƣơng pháp kết hợp PCA – SVM Ảnh đƣa vào nhận dạng, sau sử dụng Haar cascade để phát lấy khuôn mặt ảnh, tiến hành trích chọn đặc trƣng sử dụng PCA sau sử dụng SVM để phân lớp/nhận dạng Hình 3.1 Mô hình hệ thống nhận dạng khuôn mặt 3.1 Phát khuôn mặt (face detection) Khi đƣa vào ảnh, có nhiều khuôn mặt, khuôn mặt ảnh Do ta cần phải kiểm tra xem ảnh ta đƣa vào có khuôn mặt hay không Phát khuôn mặt tách tất khuôn mặt ảnh Có nhiều kỹ thuật khác đƣợc sử dụng để phát khuôn mặt nhƣ AdaBoost hay phân loại Haar cascade Trong luận văn sử dụng thuật toán Haar cascade có sẵn thƣ viện mở OpenCV 38 Hình 3.2 Phát khuôn mặt ảnh 3.2 Tiền xử lý ảnh (preprocessing) Bƣớc nhằm mục đích lọc nhiễu, nâng cao chất lƣợng ảnh, chuẩn hóa kích cỡ ảnh Nâng cao chất lƣợng ảnh làm cho ảnh tốt theo ý đồ sử dụng Thƣờng ảnh thu đƣợc có nhiễu, cần phải loại bỏ nhiễu hay ảnh không sắc nét, bị mờ cần làm rõ chi tiết Có nhiều cách để nâng cao chất lƣợng ảnh nhƣ [24]: Ảnh với độ tƣơng phản thấp điều kiện sáng không đủ hay không đều, tính không tuyến tính hay biến động nhỏ cảm nhận ảnh Để điều chỉnh lại độ tƣơng phản ảnh, cần điều chỉnh lại biên độ toàn dải hay dải có giới hạn cách biến đổi tuyến tính biên độ đầu vào Tách nhiễu trƣờng hợp đặc biệt dãn độ tƣơng phản Tách nhiễu đƣợc ứng dụng có hiệu để giảm nhiễu biết tín hiệu vào khoảng xác định Để làm trơn nhiễu hay tách nhiễu, ngƣời ta sử dụng lọc tuyến tính (lọc trung bình, thông thấp) hay lọc phi tuyến (trung vị, giả trung vị) Trích chọn bit: Mỗi điểm ảnh thƣờng đƣợc mã hóa N bit, N = ta có ảnh 256 mức xám Trong bit mã hóa này, ngƣời ta chia làm bit bậc thấp bit bậc cao Với bit bậc cao, độ bảo toàn thông tin cao so với bit bậc thấp Các bit bậc thấp thƣờng biểu diễn nhiễu hay nền, ta chọn n bit có nghĩa Trong nội dung luận văn, với ảnh thử nghiệm ảnh chuẩn AT&T, YaleB không thực bƣớc 39 3.3 Trích rút đặc trƣng (feature extraction) Ảnh đƣa vào sau đƣợc thực tiền xử lý có số lƣợng thành phần ảnh lớn, ta cần thực trích rút đặc trƣng ảnh, giữ lại thành phần quan trọng nhằm mục đích giảm độ lớn ảnh, tăng tốc độ xử lý hệ thống Sử dụng phƣơng pháp PCA để thực trích rút đặc trƣng, ta tiến hành nhƣ mục 2.1.2 Đầu vào PCA vector cột có M thành phần biểu diễn ảnh tập huấn luyện, đầu vector cột có K thành phần biểu diễn ảnh đƣợc trích rút đặc trƣng 3.4 Nhận dạng/Phân lớp (recognition/classification) Bƣớc nhận dạng hay phân lớp tức xác định danh tính (identity) hay nhãn ảnh (label) – ảnh Ở bƣớc nhận dạng/phân lớp, ta sử dụng phƣơng pháp SVM (Support Vector Machine) SVM tiến hành phân lớp ảnh tập huấn luyện, đƣa ảnh vào nhận dạng đƣợc so sánh, tìm ảnh thuôc vào lớp 3.5 Dữ liệu hệ thống nhận dạng Dữ liệu hệ thống nhận dạng đƣợc chia làm hai tập:  Tập huấn luyện (training set)  Tập để nhận dạng (probe set) Tập training gồm ảnh đƣợc dùng để huấn luyện, thông thƣờng tập đƣợc dùng để sinh không gian (sub projection space) ma trận Bƣớc training nhằm hai mục đích: giảm số chiều (dimension reduction) ảnh tập huấn luyện ảnh thƣờng có số lƣợng thuộc tính lớn nên để nguyên việc tính toán lâu, thứ hai làm tăng tính phân biệt ảnh khác lớp (định danh khác nhau, định danh có số lƣợng ảnh định), làm giảm tính phân biệt ảnh thuộc lớp Sau thực chiếu ảnh vào không gian con, hệ thống lƣu lại kết ma trận với cột ma trận vector tƣơng ứng với ảnh định danh biết để thực 40 nhận dạng hay phân lớp Nhận dạng hay phân lớp đƣợc thực với tập ảnh probe, sau tiền xử lý xong, ảnh đƣợc áp dụng phƣơng pháp trích chọn đặc trƣng (nhƣ ảnh thuộc tập training) chiếu vào không gian Việc phân lớp dựa phƣơng pháp SVM, định danh ảnh cần nhận dạng đƣợc gán định danh ảnh có khoảng cách gần với 41 CHƢƠNG ĐÁNH GIÁ THỬ NGHIỆM 4.1 Độ đo đánh giá hiệu Ta đánh giá hiệu chƣơng trình theo nhiều cách, luận văn này, tác giả đánh giá hiệu chƣơng trình theo độ xác ảnh tìm đƣợc Tức với ảnh đƣa vào, hệ thống cho ta kết xác, theo công thức sau: Độ xác = (số ảnh nhận đúng/tổng số ảnh đưa vào nhận dạng) x 100% 4.2 Bộ liệu thử nghiệm Trong luận văn này, chƣơng trình đƣợc tiến hành thực nghiệm hai liệu AT&T YaleB 4.2.1 Bộ liệu AT&T Hình 4.1 Một số ảnh liệu AT&T Đây liệu thử nghiệm đƣợc công bố Phòng thí nghiệm Nghiên cứu Olivetti Cambridge, Vƣơng quốc Anh, theo link bên dƣới http://www.cl.cam.ac.uk/Research/DTG/attarchive/pub/data/att_faces.zip Bộ liệu ảnh có 10 hình ảnh khác 40 đối tƣợng riêng biệt Đối với số đối tƣợng, hình ảnh đƣợc chụp vào thời điểm khác nhau, ánh sáng thay đổi nhẹ Biểu khuôn mặt bao gồm trạng thái: mở mắt, nhắm mắt, mỉm cƣời, không mỉm cƣời; chi tiết khuôn mặt nhƣ: đeo kính, không đeo kính 42 Các tập tin có định dạng PGM Kích thƣớc hình ảnh 92x112, mức độ xám 8-bit Những hình ảnh đƣợc tổ chức 40 thƣ mục, đối tƣợng đƣợc đặt thƣ mục riêng biệt 4.2.2 Bộ liệu ảnh YaleB Hình 4.2 Một số ảnh liệu YaleB Đây liệu đƣợc phát triển đại học Yale, Hoa Kì Bộ ảnh chứa ảnh 39 ngƣời với tƣ chụp khác nhau, tƣ có 65 ảnh Dữ liệu thử nghiệm chƣơng trình lấy ảnh 39 ngƣời, ngƣời 65 ảnh chụp trực diện, tổng cộng 2535 ảnh Ảnh ngƣời có thay đổi hƣớng nguồn sáng, độ cao đặt camera Đƣờng dẫn ảnh thử nghiệm: http://vision.ucsd.edu/~leekc/ExtYaleDatabase/ExtYaleB.html 4.3 Kết thử nghiệm 4.3.1 Thử nghiệm với ảnh AT&T Tiến hành thử nghiệm với ảnh AT&T, với 10 ảnh cho ngƣời ta chia thành trƣờng hợp thử nghiệm khác với số lƣợng ảnh huấn luyện/ảnh để nhận dạng thay đổi Ảnh tập huấn luyện thay đổi từ tới 9, số ảnh tập để nhận dạng thay đổi từ tới 1, áp dụng cho tập ảnh ngƣời đồng thời Ta thu đƣợc kết nhƣ bảng sau: 43 120 Tỉ lệ nhận dạng 100 Thử nghiệm với ảnh AT&T PCA + SVM PCA 80 60 40 20 training/test PCA + SVM 71,11 81,25 87,14 91,67 PCA 5 93 71,39 78,75 86,07 88,33 92,5 93,75 94,17 97,5 97,5 93,75 94,17 96,25 97,5 Biểu đồ 4.3 Kết thử nghiệm với liệu AT&T Với ảnh AT&T, tập huấn luyện có ảnh kết phƣơng pháp PCA tốt phƣơng pháp PCA – SVM Phƣơng pháp PCA – SVM cho hiệu nhận dạng tốt thực nhận dạng đơn dùng PCA với số lƣợng ảnh tăng lên liệu huấn luyện Thử nghiệm với liệu AT&T đạt kết tốt số ảnh huấn luyện nhỏ 4.3.2 Thử nghiệm với ảnh YaleB Với ảnh YaleB (trƣờng hợp ảnh đƣợc chụp trực diện), ta tiến hành thử nghiệm với trƣờng hợp ảnh huấn luyện/ảnh để nhận dạng thay đổi, lần thay đổi đồng thời thực tăng ảnh tập huấn luyện giảm ảnh tập để nhận dạng Số ảnh tập học thay đổi từ tới 60, số ảnh tập kiểm tra thay đổi từ 59 tới 5, áp dụng cho tập ảnh ngƣời đồng thời Với liệu ảnh YaleB, với cách tách ảnh huấn luyện theo phƣơng pháp lấy ảnh 44 đầu danh sách đƣa vào huấn luyện, ảnh lại đƣa vào ảnh nhận dạng Ta có kết nhƣ bảng sau: Thử nghiệm với ảnh YaleB PCA Tỉ lệ ảnh nhận dạng 100 90 80 70 60 50 40 30 20 10 training/test PCA + SVM 59 12 53 16 47 24 41 30 35 36 29 42 23 48 17 54 11 60 PCA 52,3 PCA + SVM 33,87 52,3 34,5 57,14 46,5 60,28 51,22 57,14 48,57 57,84 43,63 45,96 39,75 49,58 51,26 50,65 72,73 79,22 89,61 Biểu đồ 4.4 Kết thử nghiệm liệu YaleB Ta nhận thấy, với trƣờng hợp số lƣợng ảnh huấn luyện phƣơng pháp PCA phƣơng pháp PCA – SVM cho ta kết không cao Khi tỉ lệ ảnh huấn luyện/ảnh nhận dạng tƣơng đƣơng kết chƣơng trình đạt mức trung bình Lúc này, độ xác hai phƣơng pháp tƣơng đƣơng Cho tới tỉ lệ ảnh huấn luyện/ảnh nhận dạng 54/11 độ xác phƣơng pháp kết hợp PCA – SVM cho thấy thay đổi rõ rệt, tốt hẳn phƣơng pháp PCA túy Phƣơng pháp SVM việc học máy, số lƣợng ảnh tập huấn luyện lớn việc học máy cho hiệu cao thực phân lớp/nhận dạng Ngƣợc lại, tập ảnh huấn luyện có số lƣợng ảnh bé tạo phân loại không xác, kết nhận dạng không cao Vậy, lúc ta kết sử dụng phƣơng pháp kết hợp PCA – SVM Với toán có số lƣợng ảnh huấn luyện ta dùng phƣơng pháp PCA cho kết tốt, thực nhận dạng tốc độ nhanh Khi số lƣợng ảnh 45 tập huấn luyện lớn ta nên áp dụng phƣơng pháp kết hợp PCA –SVM, lúc phƣơng pháp phát huy hiệu tốt 46 KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN Qua thời gian nghiên cứu phƣơng pháp nhận dạng khuôn mặt, tác giả tìm hiểu đƣợc số phƣơng pháp áp dụng phƣơng pháp cho toán nhận dạng khuôn mặt Những kết đƣợc tổng kết nhƣ sau:  Giới thiệu chi tiết phƣơng pháp trích chọn đặc trƣng PCA máy vector hỗ trợ SVM  Áp dụng kết hợp hai phƣơng pháp cho toán nhận dạng khuôn mặt  Nhận xét đánh giá kết đạt đƣợc giải thuật toán nhận dạng khuôn mặt Bên cạnh kết đạt đƣợc, có vấn đề mà thời điểm khóa luận chƣa giải đƣợc, định hƣớng phát triển:  Tăng hiệu chƣơng trình tập huấn luyện có số ảnh ít, độ khác ảnh tập huấn luyện với tập dùng để nhận dạng lớn  Nghiên cứu số giải thuật trích chọn đặc trƣng phân lớp liệu khác  Xây dựng chƣơng trình hoàn chỉnh có giao diện tƣơng tác với ngƣời sử dụng ứng dụng thực tiễn 47 TÀI LIỆU THAM KHẢO [1] Antonio J.Colmenarez and Thomas S.Huang (1997), Face Detection and Recognition, Face Recognition from Theory and Applications, Department of Electrical and Computer Engineering, Coordinated Science Laborotory, and Beckman Institute for Advanced Science and Technology, University of Illinois at Urbana-Champaign, 405 N Mathews Ave, USA, pp 174-185 [2] Aru, Okereke Eze, Ihekweaba Gozie, Facial Verification Technology for Use In Atm Transactions, American Journal of Engineering Research (AJER) eISSN: 2320-0847 p-ISSN: 2320-0936 Volume-02, Issue-05, pp-188-193 [3] Baback Moghaddam and Alex Pentland (1998), Beyond Linear Eigenspaces: Bayesian Matching for Face Recognition, Face Recognition from Theory and Applications, MIT Media Laboratory, 20 Ames St Cambridge, MA 02139, USA, pp 230-243 [4] B Heisele, P Ho, T Poggio, Face Recognition with Support Vector Machines: Global versus Component-based Approach, Proc of the Eighth IEEE International Conference on Computer Vision, ICCV 2001, Vol 2, 09-12 July 2001, Vancouver, Canada, pp 688-694 [5] Alaa Eleyan and Hasan Demirel, PCA and LDA based Neural Networks for Human Face Recognition, Eastern Mediterranean University, Northern Cyprus [6] Christopher J.C Burges (1998), A Tutorial on Support Vector Machines for Pattern Recognitio, Data Mining and Knowledge Discovery 2, pp 121-167 [7] Daniel Bgraham Nigel M Allinson (1998), Characterising Virtual Eigensignatures for General Purpose Face Recognition, Face Recognition from Theory and Applications, Image Engineering and Neural Computing Group, Department of Electrical Engineering and Electronics, University of Manchester Institute of Science and Technology Manchester M60 1QD, UK, pp 446-456 48 [8] Emmanuel Viennet and Francoise Fogelman Soulie (1998), Connectionists Methods for Human face Rrocessing, Face Recognition from Theory and Applications, University Paris 13, 93430 Villetaneuse, France, pp 124-156 [9] Guodong Guo, Stan Z.Li, Kap Luk Chan (2001), Learning Similarity for Texture Image Retrieval, School of EEE, Nanyang, Technological University Nanyang Avenue, Singapore [10] Bernd Heisele, Purdy Ho and Tomaso Poggio, Face Recognition with Support Vector Machines: Global versus Component-based Approach, Massachusetts Institute of Technology Center for Biological and Computational Learning Cambridge, MA 02142 [11] H Moon, P.J Phillips, Computational and Performance aspects of PCAbased Face Recognition Algorithms, Perception, Vol 30, 2001, pp 303-321 [12] Jeffrey Huang, Chengjun Liu, and Harry Wechsler, Eye Detection and Face Recognition Using Evolutionary Computation, Face Recognition from Theory and Applications, Department of Computer Science, George Mason University, pp 348-377 [13] Kazunori Okada, Johannes Steffens, Thomas Maurer, Hai Hong, Egor Elagin, Hartmut Neven, and Christoph (1998), Computer Science Department and Center for Neural Engineering, Face Recognition from Theory and Applications, University of Southrn California Los Angeles, USA, pp 186-205 [14] K Jonsson, J Matas, J Kittler, Y.P Li, Learning Support Vectors for Face Verification and Recognition, Proc of the IEEE International Conference on Automatic Face and Gesture Recognition, 26-30 March 2000, Grenoble, France, pp 208-213 [15] M.A Turk, A.P Pentland, Face Recognition Using Eigenfaces, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Maui, Hawaii, USA, 3-6 June 1991, pp 586-591 49 [16] M.Kirby and L.Sirovich, Application of the karhunen-loeve procedure for the characterization of human faces, IEEE Pattern Analysis and Machine Intelligence, vol.12, no 1, 1990, pp.103-108 [17] M Turk, A Pentland, Eigenfaces for Recognition, Journal of Cognitive Neurosicence, Vol 3, No 1, 1991, pp 71-86 [18] Rabia Jafri and Hamid R Arabnia, A Survey of Face Recognition Techniques, Journal of Information Processing Systems, Vol.5, No.2, June 2009, pp 44-68 [19] Setiawan Hadi, Iping Supriana Suwardi, and Farid Wazdi, Technology of Face Recognition for Security System, Mathematics Department UNPAD, Jl Dipati Ukur 35 Bandung [20] Steven W.Smith (1999), Chapter 27: Data compression, The Scientist and Engineer’s Guide to Digital Signal Processing, California Technical Publishing San Diego, California, pp 481-502 [21] T.Kohonen, Self-organzation and Associative Memory, SpringerVerlag, Berlin, 1989 [22] Wenyi Zhao, Arvindh Krishnaswamy, Rama Chellappa, Danie L.Swets, John Weng (1998), Discriminant Analysis of Principal Components for Face Recognition, Face Recognition from Theory and Applications, Centrer for Automation Research, University of Maryland, pp 73-85 [23] Nguyễn Quang Hoan, Xử lý ảnh, Học viện Công nghệ Bƣu viễn thông, 2006 [24] http://www.fbi.gov 50 ... cách thức nhận dạng ngƣời Vì nên nhận dạng ngƣời khuôn mặt Tầm quan trọng toán thực tiễn Một số ứng dụng thực tiễn toán nhận dạng khuôn mặt CHƢƠNG CÁC PHƢƠNG PHÁP NHẬN DẠNG KHUÔN MẶT Giới thiệu... 1.2 Nhận dạng ngƣời qua khuôn mặt Đây phƣơng pháp nhận dạng ngƣời dựa đặc trƣng sinh học nhân Khác với phƣơng pháp khác hệ thống nhận dạng ngƣời sinh trắc học, nhận dạng mặt ngƣời qua khuôn mặt. .. sinh trắc học 11 1.2 Nhận dạng ngƣời qua khuôn mặt 12 1.3 Ứng dụng hệ thống nhận dạng mặt ngƣời 12 CHƢƠNG CÁC PHƢƠNG PHÁP NHẬN DẠNG KHUÔN MẶT 17 2.1 Phƣơng pháp trích