Các kỹ thuật lựa chọn, trích rút, ghi nhận trạng thái biểu cảm cơ bản của mặt người (LV thạc sĩ)

Các kỹ thuật lựa chọn, trích rút, ghi nhận trạng thái biểu cảm cơ bản của mặt người (LV thạc sĩ)Các kỹ thuật lựa chọn, trích rút, ghi nhận trạng thái biểu cảm cơ bản của mặt người (LV thạc sĩ)Các kỹ thuật lựa chọn, trích rút, ghi nhận trạng thái biểu cảm cơ bản của mặt người (LV thạc sĩ)Các kỹ thuật lựa chọn, trích rút, ghi nhận trạng thái biểu cảm cơ bản của mặt người (LV thạc sĩ)Các kỹ thuật lựa chọn, trích rút, ghi nhận trạng thái biểu cảm cơ bản của mặt người (LV thạc sĩ)Các kỹ thuật lựa chọn, trích rút, ghi nhận trạng thái biểu cảm cơ bản của mặt người (LV thạc sĩ)Các kỹ thuật lựa chọn, trích rút, ghi nhận trạng thái biểu cảm cơ bản của mặt người (LV thạc sĩ)Các kỹ thuật lựa chọn, trích rút, ghi nhận trạng thái biểu cảm cơ bản của mặt người (LV thạc sĩ)Các kỹ thuật lựa chọn, trích rút, ghi nhận trạng thái biểu cảm cơ bản của mặt người (LV thạc sĩ)Các kỹ thuật lựa chọn, trích rút, ghi nhận trạng thái biểu cảm cơ bản của mặt người (LV thạc sĩ)

ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN & TRUYỀN THÔNG NGUYỄN XUÂN THUYẾT CÁC KỸ THUẬT LỰA CHỌN, TRÍCH RÚT, GHI NHẬN TRẠNG THÁI BIỂU CẢM CƠ BẢN CỦA MẶT NGƯỜI LUẬN VĂN THẠC SỸ KHOA HỌC MÁY TÍNH THÁI NGUYÊN - 2017 ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN & TRUYỀN THÔNG NGUYỄN XUÂN THUYẾT CÁC KỸ THUẬT LỰA CHỌN, TRÍCH RÚT, GHI NHẬN TRẠNG THÁI BIỂU CẢM CƠ BẢN CỦA MẶT NGƯỜI Chuyên ngành: Khoa học máy tính Mã số: 60480101 LUẬN VĂN THẠC SỸ KHOA HỌC MÁY TÍNH NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS TS ĐỖ NĂNG TOÀN THÁI NGUYÊN - 2017 i LỜI CAM ĐOAN Tôi xin cam đoan: Luận văn công trình nghiên cứu thật cá nhân, thực hướng dẫn khoa học PGS.TS Đỗ Năng Toàn Các số liệu thông tin thứ cấp sử dụng luận văn trích dẫn rõ ràng Tôi hoàn toàn chịu trách nhiệm tính xác thực nguyên luận văn Học viên Nguyễn Xuân Thuyết ii MỤC LỤC MỤC LỤC i DANH MỤC KÝ HIỆU, CÁC CHỮ VIẾT TẮT iv DANH MỤC CÁC HÌNH v PHẦN MỞ ĐẦU Chương 1: KHÁI QUÁT VỀ BIỂU CẢM KHUÔN MẶT VÀ BÀI TOÁN TRÍCH RÚT ĐẶC TRƯNG BIỂU CẢM KHUÔN MẶT 1.1 Khái quát biểu cảm khuôn mặt 1.1.1 Khái niệm biểu cảm khuôn mặt 1.1.2 Vấn đề biểu diễn biểu cảm khuôn mặt 3D 1.2 Bài toán trích rút đặc trưng phục vụ biểu diễn biểu cảm khuôn mặt 3D 10 1.2.1 Giới thiệu toán 10 1.2.2 Một số vấn đề việc triển khai thực tế 13 1.2.2.1 Vấn đề ràng buộc liệu 13 1.2.2.2 Vấn đề lựa chọn tập điểm điều khiển 14 1.2.3 Một số ứng dụng liên quan 16 Chương 2: MỘT SỐ KỸ THUẬT LỰA CHỌN, TRÍCH RÚT, GHI NHẬN TRẠNG THÁI BIỂU CẢM MẶT NGƯỜI 18 2.1 Kỹ thuật SIFT 19 2.1.1.Tổng quan SIFT 19 2.1.2 Nội dung giải thuật 21 2.1.2.1 Dò tìm cực trị cục 21 2.1.2.2 Trích xuất keypoint 25 2.1.2.3 Gán hướng cho keypoint 28 2.1.2.4 Tạo mô tả cục 29 2.1.3 Kỹ thuật đối sánh 30 iii 2.1.4 Một số hướng cải tiến, phát triển thuật toán SIFT 32 2.1.4.1 Giảm số lượng keypoint trích xuất ảnh 32 2.1.4.2 Dùng lược đồ màu loại trừ trước ảnh khả tương đồng 32 2.1.4.3 Trích xuất đối tượng khỏi ảnh theo đối tượng mẫu 33 2.2 Kỹ thuật AAM 33 2.2.1 Giới thiệu mô hình biểu diễn động 33 2.2.2 Mô hình thống kê biểu diễn đối tượng 35 2.2.2.1 Phương pháp phân tích đặc trưng (Principle component analysis - PCA) 36 2.2.2.2 Mô hình thông kê hình dạng đối tượng 37 2.2.2.3 Mô hình thống kê kết cấu đối tượng 38 2.2.2.4 Sự tổng hợp mô hình hình dạng kết cấu thành mô hình biểu diễn 40 2.2.2.5 Tổng quan trình tìm kiếm dựa vào AAM 42 2.2.3 Ràng buộc tìm kiếm AAM 44 2.2.3.1 Mô hình so khớp 45 2.2.3.2 Tìm kiếm vị trí định trước mô hình 47 2.2.4 Ứng dụng mô hình biễu diễn động vào nhận dạng khuôn mặt 47 2.2.4.1 Giới thiệu toán nhận dạng khuôn mặt vai trò AAM 47 2.2.4.2 Dữ liệu huấn luyện 48 Chương 3: CHƯƠNG TRÌNH THỬ NGHIỆM 53 3.1 Phân tích yêu cầu toán 53 3.2 Phân tích lựa chọn công cụ 54 3.3 Một số kết chương trình 56 KẾT LUẬN 56 TÀI LIỆU THAM KHẢO 58 iv v DANH MỤC KÝ HIỆU, CÁC CHỮ VIẾT TẮT STT Ký hiệu Viết đầy đủ Ý nghĩa AAM Active Aperence Model Mô hình biểu diễn động ASM Active Shape Model Mô hình hình dạng động SIFT Scale Invariant Feature Transform Phép biến đổi đặc trưng bất biến tỷ lệ DoG Deffirence of Gaussisan Hàm sai khác Gaussian VR Virtual Reality Thực ảo PCA Principle component analysis Phân tích đặc trưng CSDL Cơ sở liệu vi DANH MỤC CÁC HÌNH Hình 1.1 Mô tả dạng ma trận loại cảm xúc theo chiều: cường độ cao hay thấp(I) đánh giá positive hay negative(E) Shaver Hình 1.2 Trạng thái cảm xúc khuôn mặt tronng nghiên cứu Matsumoto Hình 1.3 Hệ mặt Hình 1.4 Mô hình hệ thống biểu diễn biểu cảm khuôn mặt 10 Hình 1.5 Phát gán nhãn điểm đánh dấu công trình Arman Savran đồng nghiệp 11 Hình 1.6 Công nghệ giám sát điểm đánh dấu phim Avatar 12 Hình 1.7 Hệ thống điểm MPEG-4 15 Hình 1.8 Tập điểm Luxand 16 Hình 2.2 Quá trình tính không gian đo (L) hàm sai khác D 23 Hình 2.3 Quá trình tìm điểm cực trị hàm sai khác DoG 25 Hình 2.4 Mô sử dụng công thức mở rộng Taylor cho hàm DoG 26 Hình 2.5 Minh họa bước trình lựa chọn điểm keypoints 27 Hình 2.6 Mô tả tạo mô tả cục 30 Hình 2.7 Tóm tắt thuật toán SIFT 31 Hình 2.8 Hình ảnh mô tả trình huấn luyện liệu việc mô hình hóa thống kê hình dáng kết cấu đối tượng 35 Hình 2.9 Phần tử x xấp xỉ phần tử x’ hệ trục tọa độ 36 Hình 2.10 Ví dụ hình dạng bàn tay thay đổi tham số 38 Hình 2.11 Ví dụ hình dạng khuôn mặt thay đổi tham số 38 Hình 2.12 Hai mô hình với độ biến đổi độ xám 3sd 40 Hình 2.13 Tập liệu huấn luyện 49 Hình 2.14 Ví dụ biến đổi hình dạng kết cấu mô hình khác 49 Hình 2.15 Biểu đồ mô tả khớp việc tiên đoán góc mô hình thật liệu huấn luyện 51 Hình 2.17 Ví dụ minh họa mô hình suy ta tiến hành so khớp tìm độ nghiêng góc liệu ảnh 52 Hình 3.1 Ảnh khuôn mặt đầu vào: 53 Hình 3.2 Mô hình chức nhận dạng đối tượng 54 vii Hình 3.3 Truy vấn so khớp đối tượng ứng với trạng thái vui vẻ 56 Hình 3.4 Truy vấn so khớp đối tượng ứng với trạng thái ngạc nhiên 56 PHẦN MỞ ĐẦU Chương 1: KHÁI QUÁT VỀ BIỂU CẢM KHUÔN MẶT VÀ BÀI TOÁN TRÍCH RÚT ĐẶC TRƯNG BIỂU CẢM KHUÔN MẶT 1.1 Khái quát biểu cảm khuôn mặt 1.1.1 Khái niệm biểu cảm khuôn mặt Theo cách hiểu thông thường, biểu cảm khuôn mặt hình dung thể bên tương ứng với trạng thái hệ nét mặt nằm vùng da mặt [5] Đây khái niệm gần gũi với người sống hàng ngày người sinh hoạt, lao động, giao tiếp cần phải biểu lộ thông tin mà muốn truyền đạt chí phản xạ, đó, biểu cảm khuôn mặt gắn liền với việc biểu lộ thông tin qua khuôn mặt cách thức phổ dụng Các nhà tâm lý học nhìn nhận biểu cảm khuôn mặt dựa trạng thái tâm lý người Có thể hình dung, nói đến tâm trạng hay trạng thái tâm lý nói đến dạng cảm xúc có cường độ định, tồn khoảng thời gian tương đối Những trạng thái tâm lý có tác động mạnh vào định người thao tác, hành vi, hoạt động Theo hướng này, trạng thái biểu cảm hiểu cách thức người thể cảm xúc, dự đoán hay chia sẻ tình cảm Có nhiều cách nhìn nhận việc phân chia trạng thái biểu cảm., chẳng hạn chia thành mức chính: mức cao, mức trung mức thấp Trong mức cao thể khác biệt rõ rệt hài lòng không hài lòng Mức chung thể cảm giác tức giận, khiếp sợ, vui mừng ngạc nhiên Mức thấp thể khác biệt nhỏ với trạng thái tức giận ta có mức độ khác Bên cạnh đó, cách phân chia trạng thái biểu cảm khác theo tâm 46 Ta giả sử tập lỗi có phân bố chuẩn gauss với phương sai σ2r, tập tham số mô hình có phân bố gauss với ma trận hiệp phương sai Sp2 Khi việc tối ưu công thức (2.31) tương đương với với việc cực tiểu hóa E2 ( p)   r2rT r  pT (S p1 ) p (2.32) Nếu ta đặt vecto có dạng   r1r  y   0.5  S p  p  (2.33) Thì E2 = yTy theo công thức khai triển Taylor  1  r  r  p  p y ( p   p)  y ( p)     S 0.5   p  (2.34) Khi bước tiến hành cập nhật để tối ưu hóa tương đương với việc giải phương trình sau  1 r  1   r p   p     r r ( p)   0.5   1   S   Sp p  p   (2.35) Lời giải cho phương trình  p  ( R2r  K p) (2.36) R2 K2 tính toán trước trình huấn luyện liệu Với phương pháp trình tối ưu hóa đơn giản việc lấy mẫu liệu nhân ma trận 47 2.2.3.2 Tìm kiếm vị trí định trước mô hình Giả sử có ước lượng trước vị trí vài điểm liệu ảnh ma trân liên hiệp Sx Những điểm chưa biết mang giá trị với vị trí tương ứng liệu ảnh có biến thiên vô hạn, dấn tới giá trị ma trận nghịch đảo ma trận liên hiệp, S1 x Ký hiệu d(p) = (X – X0) vecto chỗ vị trí điểm với điểm tương ứng mô hình liệu huấn luyện Khi độ đo mô tả tương thích định nghĩa E3 ( p)   r2rT r  pT (S p1 ) p  d T S X1d (2.37) Cũng dùng lập luận ta có phương trình tối ưu sau A1 p  a1 (2.38)  r T r d T 1 d  A1    r2  S p1  SX   p  p  p p    2 r T d T 1  1 a1    r r ( p)  S p p  SX d  p p   (2.39) Trong Vị trí tập điểm lại sau có tập điểm ràng buộc sinh hàm X  St ( x  Qs c (2.40) Trong St hàm biến đổi toàn cục với tham số t 2.2.4 Ứng dụng mô hình biễu diễn động vào nhận dạng khuôn mặt 2.2.4.1 Giới thiệu toán nhận dạng khuôn mặt vai trò AAM Nhận dạng khuôn mặt toán kinh điển nhà nghiên cứu quan tâm từ nhiều năm trở lại toán nhận dạng ảnh có nhiều 48 ứng dụng an ninh, giả trí,v v… Mục đích nhà khoa học nâng cao hiệu xuất việc nhận dạng ảnh vượt qua khó khăn trình nhận dạng phản chiếu ánh sáng, vị trí ảnh chụp, nhiễu, v…v…Tuy nhiên, khó khăn từ biến thiên hình dạng khuôn mặt, mắt, mũi miệng góc nghiêng khác Chính điều tạo biến thiên lớn trình nhận dạng Thêm vào trường hợp đeo trang, kính, khuôn mặt nằm cạnh lúc chụp hình Tất trường hợp làm cho hình dáng khuôn mặt trở nên khó khôi phục Chính vậy, cần phải có bước tiền xử lý thật tốt để trích xuất vùng mặt sau trích xuất đặc trưng vùng đó, phục vụ cho trình nhận dạng Như biết AAM phương pháp dựa vào mô hình, cung cấp cho liệu ảnh sở tri thức cho trước hình dáng kết cấu mô hình Với điểm mạnh vậy, AAM giải khó khăn nêu AAM cung cấp hình mẫu khuôn mặt từ giúp định hình vị trí, hình dáng khuôn mặt cách tương đối xác Do AAM dùng làm bước tiền xử lý cho trình nhận dạng khuôn mặt 2.2.4.2 Dữ liệu huấn luyện Để mở rộng khả mô hình biểu diễn động để biểu diễn khuôn mặt góc độ khác nhau, tiến hành tập hợp liệu huấn luyện có khuôn mặt quay góc riêng biệt từ đến 180 độ Dữ liệu huấn luyện chia thành nhóm chính: mặt quay trái, mặt nghiên trái, mặt thẳng, mặt nghiên phải, mặt quay phải Một liệu ảnh gán cho tất tập liệu huấn luyện để tìm mối quan hệ gần 49 (a) (b) (c) Hình 2.13 Tập liệu huấn luyện (a): ví dụ tập liệu huấn luyện mặt quay trái (b): ví dụ tập liệu huấn luyện mặt nghiêng trái (c): ví dụ tập liệu huấn luyện mặt thẳng Khi ta tiến hành hiệu chỉnh tham số mô hình, c, cách tăng giảm ta có thay đổi hình dáng kết cấu Hình 2.14 Ví dụ biến đổi hình dạng kết cấu mô hình khác 50 2.2.4.3 Tiên đoán góc độ Mô hình tham số liên quan tới góc nhìn, θ, xấp xỉ sau c  c0  cx cos( )  c y sin( ) (2.41) Trong c0, cx, cy vecto ước lượng trình huấn luyện Phương trình biểu diễn xác mối liên hệ hình dáng, x hướng góc theo phép chiếu affine Ở em trình bày cách xử lý đầu quay nghiêng qua trái, phải Trường hợp gật đầu xử lý tương tự Chúng ta ước lượng góc quay đầu liệu huấn luyện với sai số 10 Với góc tìm mô hình biểu diễn động o với tham số ci Sau thay tập giá trị {ci} tìm vào phương trình (2.41) để tìm c0, cx, cy Khi có giá trị tham số ta tiến hành tìm góc ước lượng liệu ảnh Với liệu ảnh bất kỳ, ta có mô hình biểu diễn động với tham số c Ký hiệu R ma trận nghịch đảo ma trận (cx |cy) Đặt ( xa , ya )  Rc1 (c  c0 ) (2.42) Ước lượng tốt cho góc tan 1 ( ya / xa ) Ví dụ liệu huấn luyện ứng với góc khác sinh mô hình biểu diễn động 51 Hình 2.15 Biểu đồ mô tả khớp việc tiên đoán góc mô hình thật liệu huấn luyện Hình 2.16 Ngưỡng góc quay dùng để phân hoạch tập liệu huấn luyện Với góc tiên đoán theo cách làm trên, mô hình nằm liệu ảnh tiến hành so khớp với nhóm liệu từ trái sang phải Ta tìm mô hình cho so khớp có giá trị cao với mô hình liệu ảnh Mở rộng môt chút , ta tìm mô hình liệu ảnh góc θ bất kỳ, sinh mô hình góc cho mô hình góc θ Ký hiệu r vecto sai số mô hình góc θ góc mới: r  c  (c0  cx cos( )  c y sin( )) Giả sử góc quay α, ta có công thức (2.43) 52 c( )  c0  cx cos( )  c y sin( )  r (2.44) Hình 2.17 Ví dụ minh họa mô hình suy ta tiến hành so khớp tìm độ nghiêng góc liệu ảnh Với mô tả mang tính tổng quan lập luận trên, ta thấy phần độ mạnh linh hoạt tính xác mô hình biểu diễn động Chính có khả mô hình hóa cấu trúc nên áp dụng vào ứng dụng cung liệu ảnh thật Tất nhiên để tăng tính hiệu phương pháp AAM ta áp dụng thêm phương pháp ràng buộc phương pháp làm giảm số chiều tính toán Trong toán nhận dạng mặt người, AAM cho thấy tính ưu việt trình tiền xử lý xác định vùng mặt, mắt, mũi miệng nhiều trường hợp khó xác định tác động điều kiện ngoại cảnh Ngay góc quay khác nhau, AAM xác định khuôn mặt nội suy vị trí góc khác Hiện có nghiên cứu cụ thể áp dụng AAM vào việc nhận dạng khuôn mặt cho kết tích cực 53 Chương 3: CHƯƠNG TRÌNH THỬ NGHIỆM 3.1 Phân tích yêu cầu toán Đầu vào: Là ảnh mặt người Đầu ra: Là ảnh mặt người so khớp với CSDL trạng thái biểu cảm khuôn mặt (a) (b) Hình 3.1 Ảnh khuôn mặt đầu vào: (a) Trạng thái vui vẻ (b)Trạng thái ngạc nhiên Tư tưởng toán sau: Với ảnh mặt người đầu vào ̣thống rút trích đặc trưng ảnh đầu vào, tiếp đến rút trích đặc trưng ảnh CSDL ảnh, cuối tính độ đo sự tương đồng xuất kết Mô hình chung toán nhận dạng đối tượng sau: 54 Hình 3.2 Mô hình chức nhận dạng đối tượng Như vậy, toán nhận dạng đối tượng kỹ thuật Xử lý ảnh gồm ba bước chính: - Xác định trích chọn đặc trưng hai ảnh cách độc lập - Đánh giá độ tương tự (độ giống nhau) đối tượng hai ảnh dựa vào việc so khớp đặc trưng trích chọn - Phân tích xác suất để thực xác minh cuối Đây toán lớn lĩnh vực nhận dạng thị giác máy 3.2 Phân tích lựa chọn công cụ 55 Chương trình sử dụng mã nguồn mở [12] viết ngôn ngữ Java công cụ phát triển NetBean IDE (Intergrated Depvelopment Environment) 8.2, thư viện OpenCV3.2 CSDL khuôn mặt Muct NetBeans IDE IDE thức Java Với trình soạn thảo, trình phân tích mã trình chuyển đổi, bạn nhanh chóng nâng cấp ứng dụng để sử dụng cấu trúc ngôn ngữ Java mới, chẳng hạn lambdas, thao tác chức tài liệu tham khảo phương pháp Bộ phân tích chuyển đổi hàng loạt cung cấp để tìm kiếm thông qua nhiều ứng dụng lúc, phù hợp với mẫu chuyển đổi sang cấu trúc ngôn ngữ Java Với phát triển không ngừng Java Editor, nhiều tính phong phú hàng loạt công cụ, mẫu ví dụ, NetBeans IDE thiết lập tiêu chuẩn cho việc phát triển với công nghệ tiên tiến OpenCV thư viện mã nguồn mở hàng đầu cho thị giác máy tính (computer vision), xử lý ảnh máy học (machine learning), tính tăng tốc GPU hoạt động thời gian thực OpenCV phát hành theo giấy phép BSD, hoàn toàn miễn phí cho học thuật thương mại Nó có interface C++, C, Python, Java hỗ trợ Windows, Linux, Mac OS, iOS Android OpenCV thiết kế để tính toán hiệu với tập trung nhiều vào ứng dụng thời gian thực Được viết tối ưu hóa C/C++, thư viện tận dụng lợi xử lý đa lõi Được sử dụng khắp giới, OpenCV có cộng đồng 47 nghìn người dùng số lượng download vượt triệu lần Phạm vi sử dụng từ nghệ thuật tương tác, lĩnh vực khai thác mỏ, đồ web công nghệ robot CSDL Muct [14] gồm 3755 khuôn mặt ứng với 76 điểm mốc CSDL tạo để cung cấp đa dạng độ sáng, độ tuổi dân tộc so với CSDL 2D có 56 3.3 Một số kết chương trình Thực cài đặt thử nghiệm phương pháp AAM so khớp nhận dạng ảnh mặt người xác định biểu cảm khuôn mặt Bước đầu với số kết sau: Hình 3.3 Truy vấn so khớp đối tượng ứng với trạng thái vui vẻ Hình 3.4 Truy vấn so khớp đối tượng ứng với trạng thái ngạc nhiên KẾT LUẬN 57 Một hướng tiếp cận để nhận dạng đối tượng hiệu nhiều nhóm nghiên cứu ý gần dựa mô hình biểu diễn động Làm nhận dạng xác khuôn mặt đối tượng ảnh cho dù khuôn mặt đối tượng có biến đổi xoay trái, xoay phải, nghiêng trái, nghiêng phải, nhìn lên, nhìn xuống xác định trạng thái biểu cảm khuôn mặt Xuất phát từ thực tế luận văn tìm hiểu phương pháp mô hình biểu diễn động dựa vào điểm điều khiển khuôn mặt, kỹ thuật AAM áp dụng cho toán phát hiện, xác định trạng thái biểu cảm ứng dụng chúng nhận dạng Kết đạt được: Trong trình nghiên cứu tài liệu thực luận văn định hướng thầy giáo hướng dẫn, luận văn đạt số kết sau: - Trình bày khái quát biểu cảm khuôn mặt toán trích rút đặc trưng biểu cảm khuôn mặt, vấn đề phát đánh dấu đối tượng, vấn đề mô hình biểu diễn động - Trình bày lý thuyết điểm bất động đặc trưng bất biến đối tượng, vai trò, đặc điểm; lý thuyết thuật toán SIFT Trình bày ứng dụng nhận dạng đối tượng ảnh dựa vào đặc trưng bất biến xây dựng từ điểm bất động, cài đặt thử nghiệm thành công kỹ thuật SIFT trình bày chương trường hợp ảnh có khác tỷ lệ, góc nhìn đối tượng ảnh bị che khuất số phận không đáng kể - Trình bày lý thuyết mô hình biểu diễn động áp dụng mô hình biểu diễn động vào toán nhận dạng biểu cảm khuôn mặt - Ngoài ra, trình nghiên cứu tự tích lũy thêm cho kiến thức toán học, kỹ thuật lập trình,…Và quan trọng rèn luyện kỹ để thực nghiên cứu khoa học Tuy bước đầu, 58 kết giúp ích cho nghiên cứu sau để thu kết tốt Một số vấn đề cần tiếp tục giải quyết: - Xây dựng chương trình với giao diện đồ họa - Xây dựng CSDL tập điểm biểu diễn biểu cảm khuôn mặt đầy đủ Trong trình thực luận văn tốt nghiệp, thân nỗ lực, cố gắng, đầu tư nhiều thời gian, công sức cho việc tìm hiểu nghiên cứu đề tài định hướng tận tình thầy giáo PGS.TS Đỗ Năng Toàn Tuy nhiên, hạn chế mặt kiến thức thân, thời gian nguồn tài liệu, nên luận văn chưa hoàn hảo, nhiều thiếu sót Kính mong thầy cô giáo bạn đồng nghiệp bảo giúp đỡ TÀI LIỆU THAM KHẢO Tiếng Việt 59 [1] Đỗ Năng Toàn, Phạm Việt Bình (2007), Giáo trình xử lý ảnh, NXB KH kỹ thuật [2] Đỗ Năng Toàn, Ngô Quốc Tạo, Một số phương pháp nâng cao hiệu nhận dạng phiếu điều tra dạng dấu phục vụ cho thiết kế hệ nhập liệu tự động markread, Tạp chí Tin học Điều khiển học, Tập 15, số 4, năm 1999 [3] Lương Mạnh Bá, Nguyễn Thanh Thuỷ (1999), Nhập môn xử lý ảnh số, NXB Khoa học kỹ thuật [4] La Ngọc Tùng (2012), Kỹ thuật SIFT phát đánh dấu đối tượng [5] Hà Mạnh Toàn (2015), Trích rút đặc trưng phục vụ biểu diễn biểu cảm khuôn mặt 3d Tiếng Anh [6] Statical model of appearance for computer vision – T.F.Cootes and C.J.Taylor, Imaging Science and Biomedical engineering, University of Manchester [7] Active appearance model: theory and cases – M.B Stegman, R.Fishker, Deparment of mathematical modelling, University of Denmark [8] Active appearance model – T.F.Cootes and Edward, IEEE transaction and pattern analysis and machine intelligence, vol 23, no.6, 2001 [9] Face recognition using active appearance model – Edward, Cootes and Taylor, Wolfson image analysis unit, department of medical biophysis, university of Manchester [10] Brown M and Lowe D.G 2002, Invariant features from interest point groups, In The 13th British Machine Vision Conference, Cardiff University, UK 60 [11] David Lowe, 1999, The SIFT (Scale Invariant Feature Transform) Detector and Descriptor, University of British Columbia [12] https://github.com/htkseason/AAM-Fitting [13].http://en.wikipedia.org/wiki/Scale-invariant_feature_transform [14] http://www.milbo.org/muct [15] I Rey Otero and M Delbracio, "Anatomy of the SIFT Method.", Image Processing Online, 2013 [16] Jafar W Al-Badarneh, Abdalkareem R Al-Hawary, Abdulmalik M Morghem, Mostafa Z Ali, Rami S Al-Gharaibeh, Keypoints Extraction for Markerless Tracking in Augmented Reality Applications: A Case Study in Dar As-Saraya Museum, Oct 2014 ...ĐẠI HỌC THÁI NGUYÊN TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN & TRUYỀN THÔNG NGUYỄN XUÂN THUYẾT CÁC KỸ THUẬT LỰA CHỌN, TRÍCH RÚT, GHI NHẬN TRẠNG THÁI BIỂU CẢM CƠ BẢN CỦA MẶT NGƯỜI Chuyên ngành:... Vấn đề lựa chọn tập điểm điều khiển 14 1.2.3 Một số ứng dụng liên quan 16 Chương 2: MỘT SỐ KỸ THUẬT LỰA CHỌN, TRÍCH RÚT, GHI NHẬN TRẠNG THÁI BIỂU CẢM MẶT NGƯỜI 18 2.1 Kỹ thuật. .. Hình 1.2 Trạng thái cảm xúc khuôn mặt tronng nghiên cứu Matsumoto Hệ mặt đóng vai trò quan trọng việc tạo biểu cảm mặt, khuôn mặt trạng thái khác với trạng thái biểu cảm khác Hình 1.3 Hệ mặt Nói