Nhận dạng mặt người dựa trên mạng feed forward và đặc trưng PCA

Nhận dạng mặt người dựa trên mạng feed forward và đặc trưng PCA

BỘ CÔNG THƯƠNG TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP HÀ NỘI KHOA CÔNG NGHỆ THÔNG TIN BÀI TẬP LỚN MÔN HỌC: TÍNH TỐN MỀM Đề tài: Nhận dạng mặt người dựa mạng Feedforward đặc trưng PCA Giáo viên hướng dẫn: TS.Trần Chí Kiên Nhóm Lớp: Khoa Học Máy Tính – K10 Hà Nội, tháng 12/2018 LỜI NÓI ĐẦU Trước phát triển khoa học kỹ thuật, ngành điều khiển học tự động hóa có bước tiến lớn Điều khiển học tự động hóa ngày đóng vai trò quan trọng việc tăng xuất lao động, giảm giá thành, tăng ổn định chất lượng sản phẩm Trong xã hội công nghiệp ngày nay, việc ứng dụng robot tự hành, cánh tay máy,…có khả hoạt động độc lập ngày phổ biến Để có khả thơng minh đó, chúng phải có khả nhìn, nhận dạng tình huống, xử lý tình như người… Đáp ứng nhu cầu đó, xử lý ảnh tham gia vào điều khiển học tự động hóa Dữ liệu hình ảnh có lượng thơng tin lớn xác loại liệu từ cảm biến khác Điều giúp cho việc giải vấn đề lĩnh vực điều khiển tự động dễ dàng Một toán xử lý ảnh phổ biến nhận dạng khuôn mặt người Hơn thập kỷ qua có nhiều cơng trình nghiên cứu tốn nhận dạng khn mặt người từ ảnh đen trắng, xám đến ảnh màu ngày hôm Các nghiên cứu từ tốn đơn giản, ảnh có khn mặt người nhìn thẳng vào thiết bị thu hình đầu tư thẳng đứng ảnh đen trắng Cho đến ngày hơm tốn mở rộng cho ảnh màu, có nhiều khn mặt ảnh, có nhiều tư thay đổi ảnh Không mà mở rộng phạm vi từ mơi trường xung quanh đơn giản (trong phòng thí nghiệm) môi trường xung quanh phức tạp (như tự nhiên) nhằm đáp ứng nhu cầu thật nhiều người Góp phần tìm hiểu vấn đề chúng em thực đề tài “Nhận dạng mặt người dựa mạng Feed-forward đặc trưng PCA” tập ảnh gồm ảnh mặt người với độ sáng tối góc chụp khác Chúng em xin chân thành cảm ơn! LỜI CẢM ƠN Chúng em xin chân thành cảm ơn Ban Giám Hiệu trường Đại học Công Nghiệp Hà Nội, Ban chủ nhiệm khoa Khoa Học Máy Tính, với thầy giảng dạy Các thầy cô truyền đạt cho kiến thức quý báu thời gian qua để hoàn thành tốt khoá học Xin chân thành cảm ơn thầy Trần Chí Kiên, người tận tình giúp đỡ, hướng dẫn chúng em trình thực đề tài Do thời gian kiến thức nhiều hạn chế đề tài nhiều thiếu sót, kính mong q thầy đóng góp ý kiến để đề tài hồn thiện MỤC LỤC LỜI NĨI ĐẦU LỜI CẢM ƠN Danh sách hình Chương Giới thiệu 1.1 Giới thiệu toán nhận dạng mặt người 1.2 Mục đích đề tài 1.3 Phạm vi đề tài 1.4 Đóng góp đề tài 1.5 Cấu trúc đồ án Chương 2: Mạng feed-forward 10 2.1 Giới thiệu mạng neural feed-forward .10 2.2.1 Perceptron 10 2.2.2 Mạng feed-forward 11 2.2 Mạng feed-forward matlab 12 Chương 3: Giới thiệu thuật toán PCA 15 3.1 Thuật toán PCA 15 3.2 Thuật toán PCA nhận dạng mặt người 20 3.2.1 Biểu diễn lại ảnh khuôn mặt 21 3.2.2 Tìm ảnh trung bình ảnh trung bình chuẩn hóa 21 3.2.3 Tính ma trận hiệp phương sai 22 3.2.4 Không gian khuôn mặt riêng 23 3.2.5 Bước nhận diện ảnh 24 Chương Cài đặt thực nghiệm 25 4.1 Thuật toán nhận dạng mặt người 25 4.2 Một số giao diện chương trình 26 4.3 Kết thực nghiệm 26 4.4 Đánh giá thảo luận 26 4.5 Kết luận 26 Tài liệu tham khảo 27 Danh sách từ viết tắt Danh sách hình Chương Giới thiệu Giới thiệu toán nhận dạng mặt người Sinh trắc học sử dụng trình xác thực người cách sử dụng đặc trưng người để xác minh nhận dạng Có nhiều loại hệ thống sinh trắc học nhận diện dấu vân tay, nhận diện phát khuôn mặt, nhận diện mống mắt…Các đặc trưng sinh học này thường sử dụng cho nhận dạng người hệ thống giám sát nhận dạng tội pham Lợi việc sử dụng đặc trưng sinh học nhận dạng chúng khó thay đổi theo thời gian đặc trưng độc người Một hệ thống nhận diện khn mặt ứng dụng máy tính, có khả nhận dạng xác minh người từ ảnh số từ khung video video Các pha hệ thống nhận diện khuôn mặt: Để xây dựng hệ thống nhận dạng mặt, không đơn giản, bước cần thực face detection, tức phát phần ảnh mặt liệu đầu vào (CSDL ảnh, video …) cắt lấy phần ảnh mặt để thực nhận dạng (Face cropping), bước thứ hai tiền xử lý ảnh (Preprocessing) bao gồm bước chỉnh ảnh (Face image alignment) chuẩn hóa ánh sáng (Illumination normalization) (ở nói tới ảnh có góc nhìn thẳng), tiếp đến bước trích chọn đặc trưng (Feature extraction), bước phương pháp trích chọn đặc trưng (mẫu nhị phân cục – Local Binary Pattern – LBP, Gabor wavelets, …) sử dụng với ảnh khn mặt để trích xuất thơng tin đặc trưng cho ảnh, kết ảnh biểu diễn dạng vector đặc trưng, bước bước nhận dạng hay phân lớp, tức xác định danh tính hay nhãn ảnh – ảnh Ở bước phân lớp, thường phương pháp k-nearest neighbor sử dụng, sử dụng SVM (Support Vector Machine) nhiên không mang lại hiệu cao Dữ liệu cho hệ thống nhận dạng mặt chia làm tập: tập huấn luyện (Training set), tập tham chiếu (reference set hay gallery set) tập để nhận dạng (probe set hay query set, đơi gọi test set) Trong nhiều hệ thống, tập training trùng với tập reference Tập training gồm ảnh dùng để huấn luyện (hay học), thông thường tập dùng để sinh không gian (projection subspace) ma trận phương pháp hay sử dụng PCA (Principal Component Analysis), WPCA (Whitened PCA), LDA (Linear Discriminant Analysis), KPCA (Kernel PCA) Tập reference gồm ảnh biết danh tính chiếu (projected) vào khơng gian bước training Bước training nhằm mục đích: giảm số chiều (Dimension reduction) vector đặc trưng (Feature vector) vector thường có độ dài lớn (vài nghìn tới vài trăm nghìn) nên để nguyên việc tính tốn rất lâu, thứ hai làm tăng tính phân bi ệt gi ữa ảnh khác lớp (định danh khác nhau), ngồi làm giảm tính phân bi ệt ảnh thuộc lớp (tùy theo phương pháp, ví dụ Linear Discriminant Analysis LDA- gọi Fisher Linear Discriminant AnalysisFisherface phương pháp làm việc với tập Training mà đối tượng có nhiều ảnh mặt điều kiện khác nhau) Sau thực chi ếu tập Reference vào không gian con, hệ thống lưu lại kết ma trận v ới m ỗi cột ma trận vector tương ứng với ảnh (định danh biết) để thực nhận dạng (hay phân lớp) Nhận dạng (hay phân lớp) thực với tập ảnh khảo sát, sau tiền xử lý xong, ảnh áp dụng phương pháp trích chọn đặc trưng (như với ảnh thuộc tập training Reference) chiếu vào không gian Tiếp đến việc phân lớp dựa phương pháp k-NN, định danh ảnh cần xác định gán định danh ảnh có khoảng cách (distance) gần với Ở cần lưu ý ảnh vector nên dùng khái niệm hàm khoảng cách hai vector đ ể đo s ự khác biệt ảnh Ứng dụng nhận diện khuôn mặt người: Hệ thống tương tác người máy: giúp người bị tật khiếm khuyết trao đổi Hệ thống quan sát, theo dõi bảo vệ Thẻ cước, chứng minh thư nhân dân (Face Indentification) Tìm kiếm tổ chức liệu liên quan đến người thông qua khuôn mặt người nhiều hệ sở liệu lưu trữ thật lớn, internet, hãng truyền hình Ứng dụng video phone Phân loại lưu trữ hình ảnh điện thoại di động Kiểm tra trạng thái người lái xe có ngủ gật, tập trung hay không, hỗ tr ợ thông báo cần thiết Trong lĩnh vực thiết kế điều khiển robot Phương pháp nhận diện khuôn mặt người: Dựa vào đặc điểm phương pháp nhận diện khuôn mặt người ảnh Các phương pháp chia làm bốn hướng tiếp cận chính: Hướng tiếp cận dựa tri thức: Mã hóa hiểu biết người khuôn mặt thành luật Thông thường luật mô tả mối quan hệ đặc trưng Hướng tiếp cận dựa đặc trưng không thay đổi: Mục tiêu thuật tốn tìm đặc trưng mô tả cấu trúc khuôn mặt người mà đặc trưng không thay đổi theo thời gian, không phụ thuộc vào bi ểu cảm khn mặt, vị trí đặt thiết bị thu hình hay điều kiện ánh sáng Chương 3: Giới thiệu thuật tốn PCA 3.1 Thuật tốn PCA Phân tính thành phần (Principal component analysis) hay g ọi PCA kết đẹp từ việc áp dụng đ ại s ố ến tính PCA sử dụng nhiều khn mẫu phân tích phương pháp khơng cần tham số đơn giản cho việc trích xuất thơng tin thích hợp từ tập liệu không rõ ràng PCA cung cấp m ột h ướng cho việc làm để hạn chế tập liệu phức tạp tới tập liệu với số chiểu nhỏ để thông tin ẩn tập liệu khơng rõ ràng Thơng thường để hiểu rõ tượng đó, ta thường đo lường vài đại lượng hệ thống Ta khơng tính tốn đ ược điều xảy liệu đo mù mờ, không rõ ràng, số lượng bi ến đo lường lớn thời điểm dễ gây nhầm lẫn Ví dụ nh v ới hệ thống đơn giản ta cần vài đo lường để tính tốn hệ thống đó, với trường hợp ta có nh ững kinh nghi ệm tr ước v ề hệ thống, khơng có kinh nghiệm hệ thống, th ường ta s dụng hiểu biết có để đo lường hệ thống này, nh ưng nh ững hi ểu biết không phù hợp với hệ thống nên phép đo sử d ụng m ột mơ hình nhiều chiều thực tế để mô tả hệ thống, gây nên dư th ừa d ữ liệu không rõ ràng Thuật toán PCA hữu dụng nh ững tr ường h ợp Nó biến đổi tập liệu đo lường dư thừa, nhiễu lớn tập liệu mà biểu diễn diễn tốt (dễ quan sát nhất, dễ phân biệt nh ất) h ệ thống Với hệ thống liên tục tuyến tính ta đưa đo l ường vào không gian vector nơi mà thể hệ thống đ ược xem vector thuộc khơng gian vector t ổ h ợp ến tính vector sở khơng gian vector (số vector sở số chiều không gian đó) Ta sử dụng phép biến đ ổi ến tính đ ể ánh xạ tập liệu gốc vào tập liệu ta mong muốn tập d ữ liệu giảm dư thừa nhiễu Nhiệm vụ ta tìm phép biến đổi 18 Một số đặc điểm PCA:  Giúp giảm số chiều liệu  Thay giữ lại trục tọa độ không gian cũ, PCA xây d ựng m ột khơng gian chiều hơn, lại có khả biểu di ễn d ữ liệu tốt tương đương không gian cũ, nghĩa đảm bảo độ biến thiên (variability) liệu chiều  Các trục tọa độ không gian tổ hợp tuyến tính c khơng gian cũ, mặt ngữ nghĩa, PCA xây d ựng đặc tr ưng m ới d ựa đặc trưng quan sát Điểm nh ững đ ặc tr ưng biểu diễn tốt liệu ban đầu  Trong không gian mới, liên kết tiềm ẩn liệu có th ể đ ược khám phá, mà đặt khơng gian cũ khó phát hi ện h ơn, liên kết rõ Giả sử, với X ma trận vector biểu diễn tập liệu gốc, Y ma tr ận vector biểu diễn lại tập liệu P phép biến đổi ến tính Công thức để ánh xạ tập liệu gốc vào tập liệu biểu diễn lại nh sau: (1) Sau ta phân tích làm để xác định P Có hai đ ại l ượng tốn học mà cần quan tâm phương sai hiệp ph ương sai Trong lý thuyết xác suất thống kê:  Phương sai biến ngẫu nhiên độ đo phân tán thống kê biến đó, hàm ý giá trị biến thường cách giá trị kỳ vọng bao xa  Hiệp phương sai độ đo biến thiên hai biến ngẫu nhiên Hiệp phương sai hai biến ngẫu nhiên X Y cho bi ết m ối t ương quan X Y Giá trị hiệp phương sai không quan trọng dấu c 19  Nếu giá trị hiệp phương sai dương X Y tăng ho ặc giảm  Nếu giá trị hiệp phương sai âm X tăng Y giảm ngược lại  Nếu giá trị hiệp phương sai không, X Y độc lập v ới Hiệp phương sai cơng cụ hữu dụng để tìm mối liên hệ gi ữa chiều tập liệu có số chiều cao Hiệp phương sai biến phương sai biến Các vector không gian vector xem biến ngẫu nhiên nhiều chiều, thành phần vector biến ngẫu nhiên vơ hướng Giả sử ta có vector sau Ma trân hiệp phương sai của X có dạng sau Ta có nhận xét sau ma trận hiệp phương sai:  Đường chéo ma trận phương sai thành phần vector ngẫu nhiên X  Các vị trí khơng phải đường chéo cho thấy mối tương quan d ữ liệu theo chiều tương ứng vector ngẫu nhiên X  Ma trận C ma trận đối xứng X vector ngẫu nhiên nên ta nói thành phần khơng ph ải đ ường chéo ma trận C biểu diễn mối tương quan chiều tập d ữ liệu Các thành phần đường chéo biểu diễn khả phân tán thống kê liệu theo chiều tương ứng Như để hệ thống có th ể quan sát phân biệt rõ ta cần tăng giá trị phương sai giảm giá trị hiệp ph ương sai để giảm nhiễu dư thừa Nguyên nhân để biểu diễn tốt tập liệu nhiễu dư thừa phải nhỏ Một đo lường phổ biến cho biết chất lượng liệu tỉ số tín hiệu nhiễu SNR, hay tỉ số phương sai 20 Hình 3.1 Tỉ lệ nhiễu SNR cao (1) liệu có độ xác cao, SNR th ấp ch ỉ liệu nhiễm nhiễu lớn Trong ma trận hiệp phương sai thành phần đường chéo phương sai liệu theo chiều tương ứng Chiều có phương sai lớn tương ứng với hệ thống thay đổi nhiều v ới chi ều tức nghĩa phụ thuộc nhiều vào chiều nên ta có th ể coi thành phần , chiều có phương sai nh ỏ h ệ th ống thay đ ổi theo chiều nên ta coi cần loại bỏ (do nh ững thành phần nhiễu thường thay đổi xung quanh số đó), ta có xu hướng loại bỏ chiều có tính chất chi ều không giúp phân biệt rõ đo lường hệ th ống M ục tiêu c tìm chiều giúp phân biệt rõ đo l ường h ệ thống Những chiều không giúp phân biệt đưa vào hệ thống làm cho hệ thống khó hiểu Ta xét tiếp hình sau Trên hệ tọa độ hai chiều , ch ấm đen ểm hệ tọa độ biểu diễn vị trí vật hệ tọa đ ộ chiều, đường nét đứt đường thẳng Hình a) bi ểu diễn m ức độ d th ừa tập quan sát thấp Hình c) biểu diễn mức độ dư th ừa tập quan sát nhiều Trong hình c) ta nhận th vị trí c v ật g ần nh n ằm đường thẳng, thay biểu diễn vị trí v ật hình c) hệ tọa độ chiều ta cần biểu diễn vị trí theo trục tọa độ song song với đường thẳng Việc biểu diễn hai trục tọa đ ộ dư thừa không cần thiết Như liệu biểu diễn theo chiều mà phụ thuộc tuyến tính vào xảy tình trạng d th ừa Đ ể tránh tình trạng dư thừa biểu diễn liệu thì hay mối tương quan chiều không 21 Như để biểu diễn tốt hệ thống ma trận hiệp phương sai vector liệu phải có thành phần đường chéo có giá trị khác khơng thành phần khơng thuộc đường chéo có giá trị khơng, nói cách khác ma trận hiệp phương sai phải ma trận chéo Nhắc đến ma trận chéo làm ta liên tưởng tới tốn chéo hóa ma trận đại số ến tính Trở lại với cơng thức (1) Ma trận hiệp phương sai Y có dạng , Ở ma trận đối xứng ma tr ận hiệp ph ương sai c X Như ta phải tìm P để ma trân chéo Từ cơng thức ta thấy tốn trở tốn chéo hóa đai số ến tính – Tìm ma tr ận P để ma trân chéo Trong đại số tuyến tính, ma trận đối x ứng chéo hóa ma trận vector riêng trực giao Như P phải ma trận trực giao với hàng vector riêng c A Ta có định nghĩa vector riêng giá trị riêng sau: gọi giá trị riêng ma trân tồn không đồng thời b ằng cho: Khi gọi vector riêng ứng với giá trị riêng Trong đại số tuyến tính người ta chứng minh ma tr ận chéo hóa từ ma trận A có thành phần đường chéo giá trị riêng c A Như ma trận hiệp phương sai Y có thành phần đường chéo giá trị riêng A tương ứng với vector hàng P vector riêng A Ta mong muốn thành phần đường chéo ma trận hiệp phương sai Y lớn tốt Như ta lựa chọn giá trị riêng lớn vector riêng tương ứng với giá trị riêng cho thành phần đường chéo ma trận P Nói tóm lại, phương pháp PCA quy việc tìm trị riêng (eigenvalues) vector riêng (eigenvectors) ma trận hiệp phương sai C tập mẫu X 22 Sau đó, ta giữ lại K vector riêng ứng với K trị riêng lớn để làm sở cho không gian 1.2 Thuật toán PCA nhận dạng mặt người PCA phát minh năm 1901 Karl Pearson, m ột th ủ t ục han ch ế biến thu tập liệu có dư thừa Thuật toán giúp cho việc hạn chế biến vào số lượng nhỏ biến khác đ ược g ọi thành phần Khi thực nhận diện ảnh số lượng ảnh kích thước ảnh vấn đề lớn không gian nhiều chiều Mục tiêu c PCA nhận diện khuôn mặt hạn chế chiều d ữ li ệu cách lại nhiều biến thiên tốt tập liệu g ốc (đi ều thể làm thơng tin) Khơng gian hạn chế chiều tốt đ ược xác định thành phần tốt Nhận diện khuôn mặt sử dụng PCA ph ương pháp khuôn m ặt riêng, giúp cho vệc giảm kích thước sở liệu cho nh ận diện ảnh thông qua loại bỏ vector riêng không vector riêng ứng v ới giá trị riêng nhỏ, đồng thời làm bật nét đặc tr ưng ảnh, tăng kh ả phân biệt ảnh việc giảm mối tương quan chiều t ập d ữ liệu ảnh huấn luyện, hay nói cách khác làm căng khơng gian vector ảnh huấn luyện, nhờ mà cách tính khoảng cách ngắn v ới ảnh c ần nhận dạng ta dễ dạng tìm ảnh tương tự sở d ữ liệu Trong phương pháp ảnh lưu trữ vector đặc trưng sở liệu, thực cách ánh xạ ảnh huấn luy ện vào không gian khuôn mặt riêng Các đặc trưng có th ể có ho ặc khơng liên quan với đặc trưng thuộc khuôn mặt mắt, mũi, miệng hay tóc Ảnh nhận diện chiếu vào không gian khuôn mặt riêng so sánh v ới ảnh sở liệu Phương pháp khuôn mặt riêng phương pháp hiệu đ ược s dụng nhận diện khn mặt tính đơn giản, tốc đ ộ nhanh kh ả học Các khn mặt riêng thành ph ần m ột s ự phân bố khn mặt, hay nói cách khác, vector riêng c ma tr ận hiệp phương sai ảnh khuôn mặt nơi mà ảnh khuôn mặt NN pixel coi điểm không gian chiều Mỗi ảnh hu ấn luy ện tương ứng với vector riêng, ta coi vector riêng loại khn mặt Mỗi ảnh khn mặt biểu diễn xác 23 tổ hợp tuyến tính khn mặt riêng Số l ương có th ể c khuôn mặt riêng với số lượng ảnh khuôn mặt tập huấn hi ện Các khn mặt biểu diễn gần cách s dụng khuôn mặt riêng tốt nhất, mà tương ứng với giá trị riêng l ớn nh ất, đ ại diện cho phương sai lớn tập ảnh Các bước nhận diện ảnh sử dụng PCA 1.2.1 Biểu diễn lại ảnh khuôn mặt Tập huấn luyện với m ảnh kích thước MN biểu diễn lại thành vector kích thước MN Để đảm bảo tính xác khn mặt chụp nhiều ảnh góc độ khác để tăng tính xác Mỗi khn mặt ký hiệu Ví dụ: = Mỗi ảnh biểu diễn lại sau: … Trong Matlab hàm reshape() sử dụng để thay đổi kích thước ma trận, cú pháp sau: a = reshape (b, m, n); Với b ma trận cần thay đổi, m, n số hàng cột c ma tr ận m ới m, n lựa chọn cho số thành phần ma trận gốc phải v ới s ố thành phần ma trận thay đổi kích thước 1.2.2 Tìm ảnh trung bình ảnh trung bình chuẩn hóa Ảnh khn mặt trung bình trung bình cộng ảnh đ ược tính b ởi cơng thức: Ví dụ: Ảnh trung bình chuẩn hóa khác biệt ảnh gốc ảnh trung bình: … 24 Đoạn code sau lấy giá trị trung bình cột ma trận y tính t=mean(y,2); % Tính , cột y tương ứng for j=1:a y(:,j)=y(:,j)-t; % Tính end Việc lấy ảnh trung bình chuẩn hóa giúp cho việc tính ma tr ận hiệp phương sai bước sau dễ dàng 1.2.3 Tính ma trận hiệp phương sai Ta coi ảnh tương ứng với thể lần chụp ảnh hay tương ứng với đo lường Vector ảnh vector ngẫu nhiên m ỗi lần chụp thể hiển vector ngẫu nhiên Giả sử ta có A ma trận với cột vector Như để tính mối t ương quan chiều vector ảnh ngẫu nhiên ta co công th ức tính ma tr ận hiệp phương sai sau A ma trận với cột vector A có MN hàng m cột, ma trận C có kích thước (MN) (MN) lớn gây khó khăn cho tính tốn phía sau Một cách đ ơn gi ản h ơn tính , ma trận có kích thước Nhưng ta cần tính tốn vector riêng ma trận C nên ta biến đổi công thức sau: Như vector riêng ma trận C với vector riêng ma trận Do để tính vector riêng ma trận C có kích thước (MN) (MN) ta tính vector riêng ma trận sau nhân trái ma trận A, Điều giúp đơn giản việc tính tốn 25 1.2.4 Khơng gian khn mặt riêng Các vector riêng ma trận kí hiệu Khi ta biến đ ổi l ại kích thức ngược lại thành kích thước ảnh, giống nh ảnh khn mặt khó nhìn gọi khuôn m ặt riêng M ỗi vector riêng ứng với khuôn mặt riêng không gian khuôn m ặt, vector riêng vector loại bỏ làm h ạn chế khơng gian khn mặt tới mức độ Một ảnh khn mặt có th ể đ ược chiếu vào không gian khuôn mặt riêng công thức Trong U ma trận chuyển đổi có cột vector riêng tìm ảnh trung bình chuẩn hóa ảnh khn mặt cần chiếu Trong matlab ta có hàm eig trả giá trị riêng vector riêng ma trận Cú pháp sau [b c] = eig(A) b ma trận với cột vector riêng, c ma trận với thành ph ần đ ường chéo giá trị riêng tương ứng với vector riêng b Để chéo hóa trực giao ma trận đối xứng ta cần tr ực chuẩn hóa hệ vector riêng nhận Trong matlab có hàm orth trả ma trận hệ vector trực chuẩn với vector tương ứng với cột c ma trận 1.2.5 Bước nhận diện ảnh Ảnh kiểm tra chiếu vào không gian khuôn mặt để thu đ ược vector Khoảng cách từ vector tới vector khuôn mặt riêng gọi khoảng cách Ơ-clit định nghĩa công th ức: k = 1,2,…,m Trong vector mô tả lớp khuôn mặt thứ k Một khuôn mặt xác định thuộc lớp k nhỏ nhỏ mức ngưỡng T chọn trước Ngược lại coi không thuộc lớp k Trong trường hợp ảnh tương đối giống nhau, có số ảnh ảnh cần nhận diện lọt ngưỡng, có th ể gây nh ầm l ẫn trình nhận diện Để loại bỏ điều ta sử dụng thuật toán láng giềng gần Ta xem xét khoảng cách từ ảnh cần nh ận dạng t ới m ỗi 26 ảnh mà ngưỡng Do khuôn mặt ta chụp nhiều ảnh, nên coi khn mặt lơp Ta đếm số ảnh ngưỡng cho l ớp, ảnh thuộc lớp mà ngưỡng nhiều ảnh cần nhận d ạng thuộc lớp 27 Chương Cài đặt thực nghiệm 4.1 Thuật toán nhận dạng mặt người Sơ đồ khối Cơ sở liệu Tập huấn luyện Ảnh kiểm tra Ánh xạ ảnh kiểm tra PCA(Trích đặc trưng) Vector đặc trưng Vector đặc trưng Phân loại(FeedForward) Đtạ Tạo định Hình 4.1 Sơ đồ khối tổng quát chương trình 28 4.2 Một số giao diện chương trình 4.3 Kết thực nghiệm 4.4 Đánh giá thảo luận 4.5 Kết luận 29 Chương Kết luận 30 Tài liệu tham khảo 31 32 ... nhằm đáp ứng nhu cầu thật nhiều người Góp phần tìm hiểu vấn đề chúng em thực đề tài Nhận dạng mặt người dựa mạng Feed- forward đặc trưng PCA tập ảnh gồm ảnh mặt người với độ sáng tối góc chụp... diện phát khuôn mặt, nhận diện mống mắt…Các đặc trưng sinh học này thường sử dụng cho nhận dạng người hệ thống giám sát nhận dạng tội pham Lợi việc sử dụng đặc trưng sinh học nhận dạng chúng khó... (full-connected network) Khi ta tính kích cỡ mạng dựa vào số tầng số nơ-ron 2.2 Mạng feed- forward matlab Tạo mạng Feedforward Để tạo mạng Feedforward tên net, nhận input cặp số khoảng 0,1, có hai lớp,