1. Trang chủ
  2. » Luận Văn - Báo Cáo

Hệ thống nhận dạng khuôn mặt trời gian thực với xử lý song song trong môi trường cụm máy tính

101 135 0

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 101
Dung lượng 6,24 MB

Nội dung

TRƯỜNG ĐẠI HỌC CẦN THƠ KHOA CÔNG NGHỆ THÔNG TIN -o0o - LUẬN VĂN TỐT NGHIỆP ĐẠI HỌC HỆ THỐNG NHẬN DẠNG KHUÔN MẶT THỜI GIAN THỰC VỚI XỬ SONG SONG TRONG MƠI TRƯỜNG CỤM MÁY TÍNH PHÂN HỆ 01: “BIỂU DIỄN DỮ LIỆU TRONGMÁY TÍNH CỤC BỘ VÀ TRIỂN KHAI ỨNG DỤNG NHẬN DẠNG KHUÔN MẶT THỜI GIAN THỰC TRÊN HỆ THỐNG TÍNH TỐN SONG SONG PHÂN CỤM” Sinh viên thực hiện: Huỳnh Thiên Dương MSSV: 1071512 Giáo viên hướng dẫn: Th.s: Phan Thượng Cang MSCB: 1230 TRƯỜNGCần ĐẠI Thơ,HỌC 2011 CẦN THƠ KHOA CÔNG NGHỆ THÔNG TIN -o0o - LUẬN VĂN TỐT NGHIỆP ĐẠI HỌC HỆ THỐNG NHẬN DẠNG KHUÔN MẶT THỜI GIAN THỰC VỚI XỬ SONG SONG TRONG MƠI TRƯỜNG CỤM MÁY TÍNH PHÂN HỆ 01: “BIỂU DIỄN DỮ LIỆU TRONGMÁY TÍNH CỤC BỘ VÀ TRIỂN KHAI ỨNG DỤNG NHẬN DẠNG KHUÔN MẶT THỜI GIAN THỰC TRÊN HỆ THỐNG TÍNH TỐN SONG SONG PHÂN CỤM” Sinh viên thực hiện: Huỳnh Thiên Dương MSSV: 1071512 Cán hướng dẫn: Th.s: Phan thượng Cang MSCB: 1230 Cán phản biện: Ts Lê Quyết Thắng Ts Ngô Bá Hùng Luận văn bảo vệ tại: Hội đồng bảo vệ luận văn tốt nghiệp Bộ Môn Mạng Máy Tính Truyền Thơng, Khoa Cơng nghệ thơng tin Truyền Thông, Trường Đại học Cần Thơ vào ngày 10 tháng năm 2010 Có thể tìm hiểu luận văn tại:   Thư viện Khoa Công nghệ thông tin Truyền thông, Trường Đại học Cần Thơ Website: http://www.cit.ctu.edu.vn DANH MỤC Một số thuật ngữ Các chữ viết tắt Các hình ảnh CÁC THUẬT NGỮ  Eigenface: khuôn mặt riêng  AdaBoost: giải thuật phân lớp liệu  Eigenvector: vector đặc trưng  Valuevector: giá trị vector  Send: thủ tục gửi liệu  Receive: thủ tục nhận liệu  Blocking: khoản thời gian chờ  Non-blocking: không cần chờ  Cluster: cụm máy tính  Face testing : khn mặt nhận dạng  Training set: tập ảnh học  Tracking: tách khuôn mặt  Fitting: so khớp mẫu  Learning: Học ảnh CÁC TỪ VIẾT TẮT  SVM: Support Vector Machine  LDA: Linear Discriminant Analysis  HMM: Hidden Markov Model  PCA: Principal Component Analysis  SVM: Support Vector Machines  KNN: K-Nearest Neighbor  AAM: Active Appearance Model  SISD: Single Instruction Stream, a Single Data Stream  SIMD: Single Instruction Stream, Multiple Data Stream  MISD: Multiple Instruction Stream, a Single Data Stream  MIMD: Multiple Instruction Stream, Multiple Data Stream  SPMD: Single Program Multiple Data  MPI: Message Passing Interface  NND: Nearest Neighbor Distance DANH MỤC HÌNH ẢNH CÁC TỪ VIẾT TẮT 20 Ts Ngô Bá Hùng 21 Tóm tắt 21  21 Trong năm gần đây, công nghệ thông tin ngày phát triển, người ta ý quan tâm nhiều lĩnh vực cơng nghệ tri thức trí tuệ nhân tạo Trong đó, cơng trình nghiên cứu ứng dụng nhận dạng khuôn mặt người ưu tiên phát triển đánh giá cao Tuy nhiên, việc ứng dụng thực tế nhiều hạn chế tính hiệu tốc độ Hiện nay, người ta sử dụng nhiều phương pháp để nhận dạng mặt người : SVM, LDA , HMM, PCA,….Mỗi phương pháp điều có ưu nhược điểm riêng Vấn đề đặt lựa chọn phương pháp tối ưu cho công việc Phương pháp PCA lựa chọn cho việc phát triển ứng dụng “Nhận dạng khuôn mặt với thời gian thực” hệ thống đòi hỏi tốc độ nhận dạng phải nhanh Tuy nhiên, PCA chưa thực xác áp dụng phương pháp PCA cải tiến để làm tăng độ xác Song, triển khai ứng dụng thực tế máy tính cục tốc độ nhận dạng chưa nhanh chiếm nhiều tài nguyên khả xử Vì thế, chúng em phát triển ứng dụng nhận dạng khuôn mặt theo hướng song song mơi cụm máy tính để cơng việc thực nhanh chóng hiệu Đề tài chúng em thực với công việc sau: 21 Thu thập biểu diễn liệu khn mặt máy tính 21 Xây dựng hệ thống nhận dạng khuôn mặt thời gian thực 21 Tăng tốc độ xử hệ thống nhận dạng khuôn mặt với tính tốn song song 21 Triển khai ứng dụng nhận dạng hệ thống tính tốn song song phân cụm 21 Abtract 22  22 CHƯƠNG I: 24 TỔNG QUAN VỀ BÀI TOÁN NHẬN DẠNG KHUÔN MẶT 24 Mơ tả tốn 24 Hình 1-1: công nghệ nhận dạng mống mắt 25 Hình 1-2: Các giải pháp bảo mật .26 Hình 1-3: Các ứng dụng mở rộng cho hệ thống nhận dạng .28 Hình 1-4: Các khó khăn việc nhận dạng mặt người: 29 Lịch sử giải vấn đề 29 3.1 Mục tiêu cần đạt .30 Hướng tiếp cận hướng giải 32 5.1 Hướng tiếp cận 32 5.2 Cách giải 33 Chương II 35 CƠ SỞ THUYẾT 36 Một số khái niệm liên quan đến nhận dạng khuôn mặt 36 1.1 Hệ thống sinh trắc học 36 Hình 2-1: Các công nghệ sinh trắc học .36 Hình 2-2: Hệ thống nhận dạng xác minh khuôn mặt 37 3.1 Mô tả giải thuật 41 3.2 Các định nghĩa liên quan .41 3.2.1 Hình ảnh tích hợp( Integral Image) 42 Hình 2-3 : Hình ảnh tích hợp .42 3.2.2 Đặc trưng Haar-like 42 Hình 2-4: Diện tích hình chữ nhật R tính L4-L2-L3+L1 42 Hình 2-5 : Các loại đặc trưng mở rộng Haar-like sở 43 3.2.3 Phân lớp đặc trưng (Haar Feature Classifier) 43 Hình 2-6 : Các khu vực màu đen tương ứng với đặc trưng haar-like 43 3.2.4 Phân loại (Cascade) 43 Hình 2-7: Mơ hình phân tần kết hợp phân loại yếu để xác định khôn mặt 44 3.3 Phương pháp Adaboost .44 3.3.1 Giới thiệu 44 3.3.2 Thuật toán Adaboost 45 Hình 2-8: Kết hợp phân loại yếu thành phân loại mạnh 46 3.3.3 Dò tìm khn mặt 46 4.1 Cơ sở thuyết 47 4.2 Sự diển giải hình học 48 Hình 2-11 : Hình vẽ mơ tả hướng vector riêng .49 4.3 Kỹ thuật rút trích đặc trưng PCA 49 Hình 2-12 : Cấu trúc eigenvector 50 5.1 Tìm hiễu Eigenfaces 50 Eigenvector ma trận vuông vector khác khơng hay gọi vector đặc trưng Nếu A ma trận vuông , V vector khác không V eigenvector A có tích vơ hướng : 50 Hình 2-134: Hình ảnh khuôn mặt kết hợp Eigenface 51 5.2 Các bước tạo Eigenfaces 51 7.1 Phương pháp PCA cải tiến (PCA cục bộ) 53 7.1.1 Trong trình rút trích đặc trưng: 53 7.1.2 Trong trình nhận dạng .54 7.2 So sánh PCA truyền thống PCA cải tiến 54 Hình 2-14: Kiến trúc SISD 55 Hình 2-15: Kiến trúc SIMD 56 Hình 2-16: Kiến trúc MISD 57 Hình 2-17: Kiến trúc MIMD .58 8.3 Một số mơ hình lập trình song song thơng dụng 58 8.3.1 Mơ hình chia sẻ không gian nhớ 58 Trong lập trình song song, tương tác tác vụ song song theo dạng đồng tiến trình đồng thời giao tiếp kết trung gian Trong kiến trúc chia không gian nhớ, giao tiếp tiến trình tất xử có quyền truy cập vào nhớ chia Do đó, mơ hình lập trình cho máy tính chia không gian địa tập trung chủ yếu vào cách thức để thực thi đồng thời, đồng hóa cách để làm giảm tải tương tác 58 Hình 2-18: Mơ hình chia khơng gian nhớ 59 8.3.2 Mơ hình truyền thơng điệp .59 Hình 2-19: Mơ hình truyền thơng điệp 59 Cấu trúc chương trình truyền thơng điệp 59 8.4 Cách thức xây dựng chương trình song song .60 Hình 2-20: Cơng nghệ Cluster 61 9.2 Định nghĩa Cluster 61 9.3 Các ưu điểm Cluster .62 9.4 Các thành phần Cluster 62 Chương III 67 NỘI DUNG VÀ KẾT QUẢ NGHIÊN CỨU .67 Giới thiệu toán .67 Hình 3-1: Hệ thống nhận dạng xác minh khn mặt 67 Hình 3-3 Lưu đồ phân loại .70 Qui trình xây dựng tập liệu huấn luyện .71 3.1 Mơ hình tổng qt hệ thống 71 Hình 3-4: Mơ hình nhận dạng khn mặt thời gian thực 71 3.2 Chi tiết qui trình rút trích đặc trưng liệu khn mặt PCA .71 Hình 3-5: Rút trích đặc trưng liệu khuôn mặt PCA .71 Thu thập liệu ảnh khuôn mặt 72 Hình 3-6: Hình ảnh thu thập .73 Hình 3-7: Kích thước ảnh chuẩn hóa cho huấn luyện .74 Biểu diễn liệu khn mặt máy tính cục 74 Hình 3-8: Biểu diển Eigenvecto khn mặt lên máy tính 74 Lập trình rút trích đặc trưng khuôn mặt lưu trữ 74 6.1 Xác định vị trí khn mặt từ ảnh nguồn đầu vào 74 Hình 3-9: Mơ hình detection face với Cascade Boosting 75 6.2 Rút trích đặc trưng khn mặt lưu trữ 75 Hình 3-10: Tập ảnh học gồm ảnh 77 Hình 3-11: Data.xml lưu trữ khuôn mặt vừa huấn luyện .77 6.4 Giới thiệu chương trình 78 6.4.1 OpenCV (chi tiết đề cập phân hệ PH02 bạn Võ Đơng Nhất) 78 6.4.2 Chương trình 79 Hình 3-12: Code minh họa phát khuôn mặt .79 Giao diện chương trình phát khn mặt: .80 Hình 3-13: Giao diện chương trình phát khn mặt 80 Hình 3-14: Code minh họa huấn luyện khuôn mặt 81 Nghiên cứu nguyên lập trình song song (chi tiết đề cập phân hệ PH03 bạn Võ Văn Vủ) 82 7.1 Định nghĩa lập trình song song 82 7.2 Tại phải dùng lập trình song song 82 Nghiên cứu xây dựng hệ thống tính tốn song song phân cụm (Cluster) 84 8.1 Các cấu trúc thường gặp Cluster 84 Hình 3-15: Hệ thống Cluster có hai ứng dụng hoạt động song song node 84 Hình 3-17: Hai node active dự phòng node Passive 85 8.2 Từng bước xây dựng hệ thống xử song song phân cụm (Cluster) 85 8.2.1 Mơ hình Cluster triển khai 85 Hình 3-18: Mơ hình Cluster triển khai .86 8.3 Cài đặt chương trình hệ thống cluster node, trình tự thực thi .88 Triển khai bại toán nhận dạng thời gian thực hệ thống tính tốn song song cụm máy tính (Cluster) đánh giá hiệu suất hệ thống .94 9.1 Triển khai toán nhận dạng thời gian thực hệ thống tính tốn song song cụm máy tính cụm máy tính(Cluster): .94 Hình 3-19 : Mơ hệ thốngmáy tính trước chạy ứng dụng nhận dạng 95 Hình 3-20 : Hệ thống phát khuôn mặt .95 Hình 3-21 : Mơ kết nhận dạng ứng dụng song song hóa 96 Hình 3-22 : Mơ máy tính chạy ứng dụng nhận dạng 96 hình 3-23 : Mơ kết thời gian nhận dạng 97 9.2 Đánh giá hiệu suất hệ thống triển khai ứng dụng nhận dạng thời gian thực hệ thống tính tốn song song phân cụm 97 10 Xây dựng hệ thống nhận dạng khuôn mặt thời gian thực(Tham khảo phân hệ PH02 Võ Đông Nhất) 97 11 Tăng tốc độ xử hệ thống với tính tốn song song (Tham khảo phân hệ PH03 Võ Văn Vủ) 97 TÀI LIỆU THAM KHẢO .100 Biểu diễn liệu khuôn mặt máy tính cục triển khai hệ thống nhận dạng thời gian thực hệ thống tính tốn song song phân cụm  Các phần mềm: OpenCV-2.1.0, mpich-2.1.0, Openssh-server, cheese-3.0, Eclipse for C/C++, Eclipse for php, Apache2.2, php5, msql Node3:  Tên node3: globus-desktop  Địa IP: 172.16.22.106  Cấu hình: CPU (core dual, 2.0Ghz), Ram Gb  Hệ điều hành: Ubuntu version 10.10  Các phần mềm: OpenCV-2.1.0, mpich-2.1.0, Openssh-server, cheese-3.0, Eclipse for C/C++, Eclipse for php, Apache2.2, php5, msql Node4 :  Tên node4: globus1-desktop  Địa IP: 172.16.22.120  Cấu hình: CPU (core dual, 2.0Ghz), Ram Gb  Hệ điều hành: Ubuntu version 10.10  Các phần mềm: OpenCV-2.1.0, mpich-2.1.0, Openssh-server, cheese-3.0, Eclipse for C/C++, Eclipse for php, Apache2.2, php5, msql Vai trò node: Mỗi node hệ thống có vai trò tương tự ln sẵn sàng đáp ứng yêu cầu công việc Và chạy ứng dụng nodec node lại củng chạy công việc Sao cho ứng dụng tận dụng hết tài nguyên node node rảnh Khi nodo bị lỗi node (htduong) hay node khác sẻ đãm nhận công việc nodec bị hỏng Trong cluster có nhiều nút kết hợp nút chủ động nút thụ động Trong mơ hình loại việc định nút cấu hình chủ động hay thụ động quan trọng Để hiểu sao, xem xét tình sau:  Nếu node1 chủ động bị cố có node2 thụ động sẵn sàng, ứng dụng dịch vụ chạy node1 hỏng chuyển sang node2 thụ động Vì node2 đóng vai trò nút thụ động chưa chạy ứng dụng hay dịch vụ nên gánh tồn công việc node1 hỏng mà không ảnh hưởng đến ứng dụng dịch vụ cung cấp cho người dùng cuối (Ngầm định node cluster có cấu trúc phần cứng giống nhau)  Nếu tất node cluster chủ động có node, chẳng hạn node bị cố, ứng dụng dịch vụ chạy node1 hỏng phải chuyển SVTH: Huỳnh Thiên Dương GVHD: Th.s Phan Thượng Cang Page 87 Biểu diễn liệu khuôn mặt máy tính cục triển khai hệ thống nhận dạng thời gian thực hệ thống tính toán song song phân cụm sang node2, node3, node4 đóng vai trò node chủ động Vì node chủ động nên bình thường node phải đảm nhận số ứng dụng hay dịch vụ đó, có cố xảy phải gánh thêm công việc node1 bị hỏng.Do để đảm bảo hệ thống hoạt động bình thường kể có cố node cluster cần phải có cấu hình dư đủ để gánh thêm khối lượng công việc node khác cần Trong cấu trúc cluster mà nút chủ động dự phòng nút thụ động, máy chủ cần có cấu hình cho với khối lượng cơng việc trung bình chúng sử dụng hết khoảng 50% CPU dung lượng nhớ Trong cấu trúc cluster mà số nút chủ động nhiều số nút bị động, máy chủ cần có cấu hình tài nguyên CPU nhớ mạnh để xử khối lượng cơng việc cần thiết nút bị hỏng Các nút cluster thường phận vùng (domain) cấu hình máy điều khiển vùng (domain controllers) hay máy chủ thành viên tưởng cluster nhiều nút có hai nút làm máy điều khiển vùng đảm nhiệm việc failover dịch vụ vùng thiết yếu Nếu khơng khả sẵn sàng tài nguyên cluster bị phụ thuộc vào khả sẵn sàng máy điều khiển domain 8.3 Cài đặt chương trình hệ thống cluster node, trình tự thực thi Bài tốn nhận dạng khuôn mặt thời gian thực hệ thống lớn phức tạp, có ứng dụng rộng rãi thực tế Nó khơng đòi hỏi thời gian nhận dạng phải rút ngắn, hiệu suất ứng dụng cao, hệ thống ln đạt tính sẵn sàng mức cao Để giải vấn đề nan giải ấy, tốn nhận dạng khuôn mặt thời gian thực triển khai hệ thống tính tốn song song phân cụm (Cluster ) đáp án cho thách thức Các bước triển khai hệ thống tính tốn song song phân cụm (Cluster): Dựa vào mục tiêu ứng dụng xây dựng hệ thống máy tính Cluster theo mơ hình thơng thường, nên củng chưa mang yếu tố bảo mật cao Hệ thống đảm bảo việc tận dụng hết nguồn tài ngun hệ thống máy tính thơng qua mạng LAN, giúp ứng dụng hoạt động sẵn sang tối đa cho phép Bên cạnh đó, hệ thống đảm bảo hoạt động bình thường Node hệ thống bị lỗi Ở xây dựng hệ thống bao gồm Node Ubuntu Sau bước triển khai hệ thống: SVTH: Huỳnh Thiên Dương GVHD: Th.s Phan Thượng Cang Page 88 Biểu diễn liệu khuôn mặt máy tính cục triển khai hệ thống nhận dạng thời gian thực hệ thống tính tốn song song phân cụm Bước 1: Cài đặt Openssh-server Mở Terminal Ubuntu thực sau: Node 1: sudo apt-get install openssh-server Node 2: sudo apt-get install openssh-server Node 3: …………………… Node 4: sudo apt-get install openssh-server  Bước 2: Sau vào thư mực /etc/hosts cấu hình lại sau: Node 1: sudo gedit /etc/hosts # node1: /etc/hosts 127.0.0.1 localhost 172.16.22.106 globus-desktop 172.16.22.107 htduong 172.16.22.120 globus1-desktop 172.16.22.104 nodec # node2: /etc/hosts 127.0.0.1 localhost 172.16.22.106 globus-desktop 172.16.22.107 htduong 172.16.22.120 globus1-desktop 172.16.22.104 nodec Hai node lại cấu hình tương tự  Bước 3: Tạo thư mục mpd.hosts thư mục chủ người dùng globus node Các node khác cấu hình tương tự sau : # node1: ~/mpd.hosts 172.16.22.106 172.16.22.107 SVTH: Huỳnh Thiên Dương GVHD: Th.s Phan Thượng Cang Page 89 Biểu diễn liệu khn mặt máy tính cục triển khai hệ thống nhận dạng thời gian thực hệ thống tính tốn song song phân cụm 172.16.22.120 172.16.22.104 Bước : Tại tất máy cần cấu hình lại SSH để từ máy  remote đến máy lại để MPICH khởi động chạy ứng dụng song song hệ thống Với người dùng globus, Không cần nhập password, enter để mặc định: globus% ssh-keygen -t rsa Enter file in which to save the key (/home/globus/.ssh/id_rsa): Enter passphrase (empty for no passphrase): Enter same passphrase again: Your identification has been saved in /home/globus/.ssh/id_rsa Your public key has been saved in /home/globus/.ssh/id_rsa.pub The key fingerprint is: 8c:da:78:0b:8b:87:0a:cc:29:51:16:36:5c:06:e4:02 globus@ca.cit.ctu.edu.vn The key's randomart image is: + [ RSA 2048] + |Eo*oo | |.o.+ | | + | |+ o | .S | | |o + | |o+ + o | |o + | | | + -+ Kết lệnh vừa chạy globus% ~ ls ~/.ssh/ id_rsa id_rsa.pub known_hosts SVTH: Huỳnh Thiên Dương GVHD: Th.s Phan Thượng Cang Page 90 Biểu diễn liệu khuôn mặt máy tính cục triển khai hệ thống nhận dạng thời gian thực hệ thống tính toán song song phân cụm Tại tất máy người dùng globus tạo file /home/globus/.ssh/authorized_keys với nội dung nội dung file id_rsa.pub máy, mổi phần nội dung cách xuống dòng dòng trống Ví dụ: từ máy node1, máy khác tương tự globus%node1 ~ scp node1:/home/globus/.ssh/id_rsa.pub /tmp/id_node1 scp từ máy lại globus%node1 ~ vim ~/.ssh/authorized_keys Mở tab khác, lần lược mở file vừa copy, copy paste vào file authorized_keys Tạo lại file known_hosts: globus% rm known_hosts Lần lượt logon từ xa tất máy với để tạo lại file known_hosts lệnh: globus% ssh hostname hostname : ví dụ ca, nodeA Tiếp theo giới hạn quyền tập tin authorized_keys thư mục ssh (bắt buộc): globus%ca ~ chmod 640 ~/.ssh/authorized_keys globus%ca ~ chmod 700 ~/.ssh  Bước 5: Cài đặt cấu hình MPICH2: Download gói cài đặt MPICH2 trang chủ MPICH: mpich2-1.2.1p1.tar.gz : http://www.mcs.anl.gov/research/projects/mpich2/downloads/tarballs/1.2.1p1/mpich21.2.1p1.tar.gz Cài đặt MPICH2 với người dùng root tất máy globus% sudo tar –zxf mpich2-1.2.1p1.tar.gz globus% cd mpich2-1.2.1p1 globus% mpich2-1.2.1p1 ~ sudo /configure prefix=/usr/local/mpich2 globus% mpich2-1.2.1p1 ~ make globus% mpich2-1.2.1p1 ~ sudo make install Tại thư mục HOME người dùng globus, người dùng globus tạo file ~/.mpd.conf với lệnh sau: globus% ~ echo “MPD_SECRETWORD=secretword” > ~/.mpd.conf globus% ~ chmod 600 ~/.mpd.conf Đặt đường dẫn PATH để sử dụng chương trình MPICH2: người dùng root mở file /etc/profiles nối tiếp vào cuối biến PATH cuối file: PATH=$PATH:/usr/local/mpich2/bin:/usr/local/mpich2/sbin Người dùng globus, chạy lệnh: globus% ~ PATH=$PATH:/usr/local/mpich2/bin SVTH: Huỳnh Thiên Dương GVHD: Th.s Phan Thượng Cang Page 91 Biểu diễn liệu khuôn mặt máy tính cục triển khai hệ thống nhận dạng thời gian thực hệ thống tính tốn song song phân cụm Người dùng globus, chạy mpd: globus% ~ mpd & Kiểm tra mpd chạy tất máy chứa, máy chạy lệnh: globus% ~ mpdtrace –l Kết máy máy Cluster 1: globus-desktop (172.16.22.106) htduong (172.16.22.107) globus1-desktop (172.16.22.120) nodec (172.16.22.104) Kết máy Cluster 2: globus-desktop (172.16.22.106) htduong (172.16.22.107) globus1-desktop (172.16.22.120) nodec (172.16.22.104) Một cách khác để khởi động mpd nhiều máy thay chạy mpd & máy, máy chạy: globus% ~ mpdboot –n –f mpd.hosts Với ‘ – n 4’ số lượng máy để khởi động mpd lấy danh sách máy liệt kê file mpd.hosts mpd.hosts tạo thư mục HOME người dùng globus sau: globus% ~ vim ~/mpd.hosts globus% ~ cat ~/mpd.hosts Trên node 1: 172.16.18.106 172.16.18.120 172.16.18.107 172.16.18.104 Cũng kiểm tra lại với mpdtrace –l  Bước 6: Kiểm tra việc cài đặt SSH SVTH: Huỳnh Thiên Dương GVHD: Th.s Phan Thượng Cang Page 92 Biểu diễn liệu khn mặt máy tính cục triển khai hệ thống nhận dạng thời gian thực hệ thống tính tốn song song phân cụm Ta tiến hành chạy lệnh: ssh node1, ssh node2, ssh node3, ssh node4, quay lại ssh node Nếu chạy lệnh mà ta login trực tiếp vào node2, node3…mà khơng đòi password phần cài đặt SSH thành công  Bước 7: Kiểm tra việc cài đặt MPICH2 Người dùng globus, chạy lệnh: globus% ~ PATH=$PATH:/usr/local/mpich2/bin Người dùng globus, chạy mpd: globus% ~ mpd & Kiểm tra mpd chạy tất máy chưa, máy chạy lệnh: globus% ~ mpdtrace –l Kết máy máy node1: Globus-desktop (172.16.22.206) htduong (172.16.22.207) Globus1-desktop (172.16.22.120) Nodec (172.16.22.200) Kết máy node2: Globus-desktop (172.16.22.206) htduong (172.16.22.207) Globus1-desktop (172.16.22.120) Nodec (172.16.22.200) node lại củng tương tự Một cách khác để khởi động mpd nhiều máy thay chạy mpd & máy, máy chạy: globus% ~ mpdboot –n –f mpd.hosts Với ‘ – n 4’ số lượng máy để khởi động mpd lấy danh sách máy liệt kê file mpd.hosts mpd.hosts tạo thư mục HOME người dùng globus bước  Bước 8: Ta tiếp tục cài đặt phần mềm, chương trình để hỗ trợ việc lập trình triển khai hệ thống tốt như: Eclipse, OpenCV, Cheese, Apache, php, mysql SVTH: Huỳnh Thiên Dương GVHD: Th.s Phan Thượng Cang Page 93 Biểu diễn liệu khuôn mặt máy tính cục triển khai hệ thống nhận dạng thời gian thực hệ thống tính tốn song song phân cụm Triển khai bại toán nhận dạng thời gian thực hệ thống tính tốn song song cụm máy tính (Cluster) đánh giá hiệu suất hệ thống 9.1 Triển khai toán nhận dạng thời gian thực hệ thống tính tốn song song cụm máy tính cụm máy tính(Cluster): Khi triển khai ứng dụng song song hóa hệ thống cluster Chúng ta chia thành bước sau: Bước 1: Tiến hành chạy ứng dụng node cố định (Như: NodeC) hệ thống cluster Sau tiến hành copy source chạy file vừa biên dịch sang thư mục Globus node khác Mở terminal lên viết lệnh sau: mpic++ tên file.c/cpp –o tên file lưu lại –I/usr/local/include/opencv –L/usr/local/lib – lcv –lhighgui –lcvaux mpirun –np /tên file lưu lại sau tiến hành copy (tất file liên quan) sang node khác Bước 2: Bắt đầu khởi tạo môi trường song song MPI cho node cluster Và biên dịch ứng dụng PATH=$PATH:/usr/local/mpich2/bin mpdboot –n –f mpd.hosts mpitrace –l mpirun –np /tên file lưu lại Sau hình ảnh minh họa cho ứng dụng chạy Cluster : SVTH: Huỳnh Thiên Dương GVHD: Th.s Phan Thượng Cang Page 94 Biểu diễn liệu khn mặt máy tính cục triển khai hệ thống nhận dạng thời gian thực hệ thống tính tốn song song phân cụm Hình 3-19 : Mơ hệ thốngmáy tính trước chạy ứng dụng nhận dạng Hình 3-20 : Hệ thống phát khuôn mặt SVTH: Huỳnh Thiên Dương GVHD: Th.s Phan Thượng Cang Page 95 Biểu diễn liệu khn mặt máy tính cục triển khai hệ thống nhận dạng thời gian thực hệ thống tính tốn song song phân cụm Hình 3-21 : Mơ kết nhận dạng ứng dụng song song hóa Hình 3-22 : Mơ máy tính chạy ứng dụng nhận dạng SVTH: Huỳnh Thiên Dương GVHD: Th.s Phan Thượng Cang Page 96 Biểu diễn liệu khn mặt máy tính cục triển khai hệ thống nhận dạng thời gian thực hệ thống tính tốn song song phân cụm hình 3-23 : Mơ kết thời gian nhận dạng (vì chất lượng camera thu vào yếu nên hệ thống phải tốn nhiều thời gian phát củng nhận dạng khuôn mặt) 9.2 Đánh giá hiệu suất hệ thống triển khai ứng dụng nhận dạng thời gian thực hệ thống tính tốn song song phân cụm 10 Xây dựng hệ thống nhận dạng khuôn mặt thời gian thực(Tham khảo phân hệ PH02 Võ Đông Nhất) 11 Tăng tốc độ xử hệ thống với tính toán song song (Tham khảo phân hệ PH03 Võ Văn Vủ) SVTH: Huỳnh Thiên Dương GVHD: Th.s Phan Thượng Cang Page 97 Biểu diễn liệu khuôn mặt máy tính cục triển khai hệ thống nhận dạng thời gian thực hệ thống tính tốn song song phân cụm CHƯƠNG IV: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Kết luận 1.1 Kết đạt nhóm Thơng qua hóa trình nghiên cứu triển khai thực nghiệm, nhóm chúng tơi đạt kết sau:  Nắm vững nguyên tốn nhận dạng khn mặt  Nắm vững phương pháp nhận dạng khuôn mặt với PCA  Thu thập tập liệu ảnh học 500 ảnh từ nhiều nguồn khác (internet, camera, video, ) nhìn chung chất lượng liệu khuôn mặt phù hợp với yêu cầu đặt từ đề tài (ảnh hưởng môi trường biến đổi nội khuôn mặt không lớn lên tập mẫu học)  Triển khai thành công hệ thống nhận dạng thời gian thực phương pháp PCA PCA cải tiến  Tăng tốc độ xử hệ thống với tính tốn song song  Xây dựng thành cơng hệ thống tính toán song song phân cụm (Cluster)  Triển khai thành công hệ thống nhận dạng khuôn mặt thời gian thực với tính tốn song song cụm máy tính (Cluster) 1.2 Kết đạt cá nhân  Nắm vững ngun tốn nhận dạng khn mặt  Nắm vững phương pháp nhận dạng khuôn mặt với PCA  Biểu diễn liệu khuôn mặt máy tính  Nắm vững ngun lập trình song song với MPI  Cài đặt hệ thống tính tốn song song phân cụm (Cluster)  Triển khai thành công hệ thống nhận dạng thời gian thực hệ thống tính toán song song phân cụm (Cluster) 1.3 Hạn chế Trong q trình thực nghiệm, chúng tơi chưa khắc phục số hạn chế sau:  Thu thập tập liệu ảnh học đồng thới số lượng ảnh người khơng có q nhiều biến động lớn, đặc biệt điều làm giảm chất lượng hệ thống nhận dạng khuôn mặt thời gian thực mà khn mặt SVTH: Huỳnh Thiên Dương GVHD: Th.s Phan Thượng Cang Page 98 Biểu diễn liệu khn mặt máy tính cục triển khai hệ thống nhận dạng thời gian thực hệ thống tính tốn song song phân cụm môi trường thay đổi liên tục  Việc xác định hn mặt người có khó khăn định như: hướng khn mặt máy ảnh, có mặt chi tiết đặc trưng riêng khuôn mặt, mặt người bị che khuất  Điều kiện ánh sáng chất lượng ảnh, màu sắc môi trường xung quanh,  Hệ thống nhận dạng với cách tiếp cận từ phương pháp học mạnh, nhiều trường hợp tối ưu hóa đòi hỏi phải thử nghiệm nhiều lần với nhiều tham số khác  Do đề tài nhận dạng khn mặt mẽ nên tài liệu lĩnh vực Hướng phát triển  Trong tương lai, sẻ hướng đến áp dụng phương pháp nhằm nâng cao độ xác cao như: SVM, nhận dạng khuôn mặt 3D,  Xây dựng triển khai hệ thống nhận dạng mơi trường điện tốn lưới, đám mây điện tốn  Hướng tới xây dụng dịch vụ nhận dạng khuôn mặt  Phát triển ứng dụng nhận dạng khuôn mặt 2D lên nhận dạng khuôn mặt 3D qua thuật toán như: 3D face recognition, 3-D Morphable Model, AAM  Kết hợp nhiều phương pháp nhận dạng như: LDA, K-nearest Neighbor để tăng độ xác  Xây dựng dịch vụ nhận dạng khn mặt tương tác nhiều ứng dụng thiết bị SVTH: Huỳnh Thiên Dương GVHD: Th.s Phan Thượng Cang Page 99 Biểu diễn liệu khn mặt máy tính cục triển khai hệ thống nhận dạng thời gian thực hệ thống tính tốn song song phân cụm TÀI LIỆU THAM KHẢO EBOOK (1) Face Recognition Using Eigenfaces, Matthew A Turk and Alex P Pentland, MIT Vision and Modeling Lab, CVPR ’91 (2) Eigenface for Recognition(Matthew Turk and Alex Pantland) (3) Tồng quan nhận dạng mặt người (Phạm Bảo) (4) Cuốn sách learning_opencv(oreilly_1st2008) (5) Nghiên cưú xây dựng hệ thống nhận dạng mặt người dựa FSVM Adaboost Lu Boun Vinh & Hoàng Phương Anh (6) Open source computer vision library (Intel ) (7) Tham khảo từ nghiên cứu Support Vector Machines as a Technique for Solvency Analysis (by Laura Auria and Rouslan A Moro2) (8) Block LDA for Face Recognition (by Vo Dinh Minh Nhat, and Sungyoung Lee) (9) Tổng quan nhận dạng khuôn mặt người-Phạm Thế Bảo (10) PAPER (11) Recognizing Faces with PCA and ICA (B Draper, K Baek, M.S Bartlett and R Beveridge) (12) A statistical Assessment of subject factors in the PCA recognition of Human faces (Geof H Givens J Ross Beveridge, Bruce A Draper and David Bolme) WEBSITE (13) Introduction to Face Detection and Face Recognition (http://www.shervinemami.co.cc/faceRecognition.html) (14) Trang web : http://www.face-rec.org/algorithms/ nghiên cứu giải thuật nhận dạng khuôn mặt (15) Trang web: hàm đặc trưng OpenCV http://www.cs.iit.edu/~agam/cs512/lect-notes/opencv- intro/opencv-intro.html (16) Trang web : http://onionesquereality.wordpress.com/2009/02/11/face-recognition-using- eigenfaces-and-distance-classifiers-a-tutorial/ (17) Trang nghiên cứu chia sẻ IEEE: http://www.ieev.org/2010/03/adaboost-haar-features-face-detection.html (18) http://forum.vndownload.org/showthread.php?t=14071#ixzz1bdgNKbLP SVTH: Huỳnh Thiên Dương GVHD: Th.s Phan Thượng Cang Page 100 Biểu diễn liệu khn mặt máy tính cục triển khai hệ thống nhận dạng thời gian thực hệ thống tính tốn song song phân cụm (19) http://citeseerx.ist.psu.edu/viewdoc/download? doi=10.1.1.70.8555&rep=rep1&type=pdf (20) http://proj1.sinica.edu.tw/~statphys/computer/buildPara.html (21) http://forum.mait.vn/microsoft-windows/7113-tong-quan-ve-cong-nghe- clustering.html (22) http://www.duyquan.com/Windows%20Network/cong-nghe-clustering.html (23) http://www.hvaonline.net/hvaonline/posts/list/5417.hva (24) http://forum.vndownload.org/showthread.php?t=14071 (25) http://www.scl.ameslab.gov/Projects/parallel_computing/cluster_design.html (26) http://www.scl.ameslab.gov/Projects/parallel_computing/para_intro.html (27) http://www.nubios.nileu.edu.eg/drupal/sites/default/files/Torque_installation_ manual.pdf (28) http://www.adaptivecomputing.com/resources/docs/mwm/pbsintegration.php SVTH: Huỳnh Thiên Dương GVHD: Th.s Phan Thượng Cang Page 101 ... HỌC HỆ THỐNG NHẬN DẠNG KHUÔN MẶT THỜI GIAN THỰC VỚI XỬ LÝ SONG SONG TRONG MƠI TRƯỜNG CỤM MÁY TÍNH PHÂN HỆ 01: “BIỂU DIỄN DỮ LIỆU TRONGMÁY TÍNH CỤC BỘ VÀ TRIỂN KHAI ỨNG DỤNG NHẬN DẠNG KHUÔN MẶT... em thực với công việc sau:  Thu thập biểu diễn liệu khuôn mặt máy tính  Xây dựng hệ thống nhận dạng khuôn mặt thời gian thực  Tăng tốc độ xử lý hệ thống nhận dạng khuôn mặt với tính tốn song. .. toán nhận dạng thời gian thực hệ thống tính tốn song song cụm máy tính cụm máy tính( Cluster): .94 Hình 3-19 : Mơ hệ thốngmáy tính trước chạy ứng dụng nhận dạng 95 Hình 3-20 : Hệ thống

Ngày đăng: 25/10/2018, 13:25

Nguồn tham khảo

Tài liệu tham khảo Loại Chi tiết
(1) Face Recognition Using Eigenfaces, Matthew A. Turk and Alex P. Pentland, MIT Vision and Modeling Lab, CVPR ’91 Sách, tạp chí
Tiêu đề: Face Recognition Using Eigenfaces
(13) Introduction to Face Detection and Face Recognition (http://www.shervinemami.co.cc/faceRecognition.html) Link
(14) Trang web : http://www.face-rec.org/algorithms/ nghiên cứu các giải thuật nhận dạng khuôn mặt Link
(17) Trang nghiên cứu và chia sẻ IEEE: http://www.ieev.org/2010/03/adaboost-haar-features-face-detection.html Link
(2) Eigenface for Recognition(Matthew Turk and Alex Pantland) (3) Tồng quan về nhận dạng mặt người (Phạm thế Bảo) Khác
(5) Nghiên cưú và xây dựng hệ thống nhận dạng mặt người dựa trên FSVM và Adaboost của Lu Boun Vinh & Hoàng Phương Anh Khác
(7) Tham khảo từ nghiên cứu Support Vector Machines as a Technique for Solvency Analysis (by Laura Auria 1 and Rouslan A. Moro2) Khác
(8) Block LDA for Face Recognition (by Vo Dinh Minh Nhat, and Sungyoung Lee) Khác
(9) Tổng quan nhận dạng khuôn mặt người-Phạm Thế Bảo.(10) PAPER Khác
(11) Recognizing Faces with PCA and ICA (B. Draper, K. Baek, M.S. Bartlett and R. Beveridge) Khác
(12) A statistical Assessment of subject factors in the PCA recognition of Human faces (Geof H. Givens J. Ross Beveridge, Bruce A. Draper and David Bolme).WEBSITE Khác

TỪ KHÓA LIÊN QUAN

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w