NHẬN DIỆN KHUÔN mặt từ CAMERA sử DỤNG MACHINE LEARNING (có code)

2: Nhận diện khuôn mặt của Iphone1.2 Những phần đề tài thực hiện Nhận diện khuôn mặt bằng phương pháp trích xuất đặc trưng riêng của từng hìnhảnh khuôn mặt và sau đó sử dụng machine lea

Trang 1

ĐỒ ÁN TỐT NGHIỆP

NHẬN DIỆN KHUÔN MẶT TỪ CAMERA

SỬ DỤNG MACHINE LEARNING

Trang 2

HOG : Histogram of Oriented Gradients.

SVM: Support Vector Machine

SURF: Speeded-Up Robust Features

SIFT: Scale Invariant Feature Transfor

RGB: Red, Green, Blue

CMY: Cyan Meganta yellow

LoG: Lower of Gaussian

DoG: difference of Gaussian

AI: Artifical Intelligence

Trang 3

Đồ Án Tốt NghiệpTrang 3/65

CHƯƠNG 1: TỔNG QUAN VỀ ĐỀ TÀI

1.1) Giới thiệu tổng quát đề tài

Nhận diện khuôn mặt hiện nay là 1 xu thế phát triển mạnh mẽ, dẫn đầu với các công nghệ nhận diện chúng ta có thể thấy apple họ đã đưa nhận diện khuôn mặt vào

sử dụng về việc bảo mật Apple đã phân tích việc tìm ra một khuôn mặt giống với khuôn mặt khác từng đường nét, từng đặc trưng là 1 tỉ lệ vô cùng hiếm Chính vì những ưu điểm về những đặc nhưng của mỗi khuôn mặt khác nhau như vậy thì tỉ lệ

và khả năng bảo vệ của việc nhận diện khuôn mặt rất cao

Với tính chất tỉ lệ xác suất cao như vậy, việc sử dụng công nghệ nhận diện khuônmặt đã được phổ biến và áp dụng trong nhiều lĩnh vực như:

Hình 1 1: Nhận diện khuôn mặt của facebook

Trang 4

Hình 1 2: Nhận diện khuôn mặt của Iphone

1.2) Những phần đề tài thực hiện

Nhận diện khuôn mặt bằng phương pháp trích xuất đặc trưng riêng của từng hìnhảnh khuôn mặt và sau đó sử dụng machine learning với phương thức để cho máy học các đặc trưng đó để chúng phân loại chính xác người cần nhận diện

Bên cạnh đó đề tài còn nghiên cứu về các thuật toán nhận dạng đặc điểm khuôn mặt như:

• HOG

• SIFT

• SURF

• Support Vector Machine

Và các thông số hiệu chỉnh như sau:

Trang 5

• Gamma

• Regularization

Margin

Trang 6

CHƯƠNG 2: TỔNG QUAN VỀ XỬ LÝ ẢNH

2.1) Giới thiệu

Xử lý ảnh là một trong những lĩnh vực nghiên cứu rất quan trọng hiện nay, xử lý ảnh có thể được áp dụng trong rất nhiều lĩnh vực thực tiễn ngày nay khi ngành côngnghệ thế giới đang phát triển

Hiện nay những công nghệ an ninh trên thế giới ngày càng phát triển, chúng tần cần có những ứng dụng và những thiết bị an ninh kiểm soát tốt để giúp ích cho việc quản lý xã hội hoặc là giúp chúng ta có thể tìm được 1 người thất lạc khi hiện nay các camera trên đường phố khắp nơi Đây là những lí do chính cho mục đích xây dựng đề tài

Xử lí ảnh có nhiều ứng dụng, trong đó đầu tiên có thể nói đến đó là trong nhiệm

vụ “ Ranger 7 “ vào những năm đầu của thập niên 60 Lúc đó các nhà khoa học Mỹ

đã trang bị một hệ thống quan sát và ghi nhận hình ảnh được gắn trên tàu vũ trụ

nhằm chụp lại những tấm hình đầu tiên khi con người bước lên mặt trăng và những tấm hình đó được xử lý tốt nhờ máy tính số

Trong cuộc sống ngày nay với một xã hội ngày càng được phát triển, đòi hỏi nhu cầu ngày càng được cao thì ứng dụng xử lý ảnh đã và đang được ứng dụng rộng rãi, trong đó tác động mạnh mẽ vào những lĩnh vực như : cải thiện ảnh trên truyền hình,truyền hình độ phân giải cao, an ninh, y tế, và đồ họa

Xử lý ảnh được chia thành 4 lĩnh vực

Trang 7

Ảnh số ở trong không gian 2 chiều là một hàm G(x,y) với G là giá trị biên độ tại tọa độ (x,y) Trong đó, x là số điểm ảnh theo trục hoành, y theo trục tung Một ảnh

có G(64x128) nghĩa là độ phân giải của ảnh là 64x128

2.1.2) Sơ đồ xử lý ảnh sô

Chú giải:

• Thu nhận hình ảnh: thông qua camera ta thu nhận được hình ảnh

• Số ảnh hóa: đây là bước chuyển giao ảnh từ tương tự thành số thông qua quá trình lượng tử hóa và lấy mẫu

• Xử lý số: phục hồi hình ảnh, trích xuất dặc tính, phát hiện biên, …

• Mục đích sử dụng: đây là bước tùy vào ứng dụng như nhận dạng, hiển thị, phân loại,…

2.1.3) Những mô hình màu của ảnh sô

• Mô hình RGB: mô hình này bao gồm các màu cơ sở như Red, Green và

Blue

• Mô hình CMY: mô hình dựa trên các màu chủ đạo như Cyan, Magenta và Yellow, còn các màu này có phần bù của Red, Green và Blue

• Mô hình HSV: là màu sắc của độ bão hòa, màu sắc, giá trị

2.1.4) Những thành phần cơ bản của một ảnh sô

• Điểm ảnh

Xử lý

số

Mục đích sửdụng

Số ảnhhóa

Thunhận ảnhCamera

Sơ đồ 2 1: Sơ đồ xử lý ảnh sô

Trang 8

HOG là một kiểu mô tả đặc tính được sử dụng chủ yếu trong computer vision và

xử lí ảnh nhằm mục đích phát hiện vật thể Đây là kỹ thuật xuất hiện đối với định hướng gradient trong các phần được cụ thể hóa của hình ảnh

Với ý tưởng hình dạng và trạng thái của vật thể xuất hiện có những đặc trưng bằng sự phân bố về cường đồ và hướng của cạnh

HOG là một trong dạng feature, được biểu thị trên các biểu đồ tính toán dựa trên

sự xuất hiện của các định hướng gradients trên trục x và trục y HOG là phương

pháp dựa trên phương pháp Scale-Invariant Feature Transform (SIFT) phát triển lên.Nhưng HOG khác biệt với SIFT là được dùng để phát hiển được vùng đặc điểm chứa nhiều đối tượng cần nhận dạng

Thường bộ mô tả đặc trung của HOG chuyển đổi hình ảnh với kích thước rộng

là x, cao là y 3 kênh thành một vector đặc trưng hoặc là một mảng chiều dài là n Thường sẽ có kích thước 64x128x3 và số vector là 3780

HOG với bộ mô tả lấy những trích xuất thông tin có “ hữu ích “ và bỏ đi những thông tin không cần thiết trên ảnh đó Các gradients sẽ thay đổi về hướng và cường

độ trên các pixels khi có mức sáng khác nhau trên hình ảnh, ngược lại nếu không cócác mức sáng khác nhau thì sẽ không có sự thay đổi đó

Trang 9

Với những đặc tính chỉ sử dụng những thông tin “ hữu ích “ đó làm cho việc phát hiện và phân loại đối tượng tốt hơn từ những vector đặc trưng

2.2.2) Quy trình xử lý trích xuất của HOG với một hình ảnh

• Bước 1: Trước khi xử lý

 Theo lý thuyết thì đầu vào ảnh để có thể trích xuất ra đặc trưng

thường có kích thước cơ bản là 64x128 thì sẽ cho ra kết quả cao nhất

Có thể các ảnh ở các dạng khác nhau như: màu, xám, trắng đen,…

 Hạn chế duy nhất là cần phải cố size hình cố định Trong trường hợp này phải có tỉ lệ là 1:2 Như cụ thể là 100x200, 128x256, 1000x2000

 Đầu tiên chúng ta sẽ phải scale hình ảnh xuống mức 64x128

Hình 2 1: Giảm size mức tôi thiểu [1]

• Bước 2: Tính toán hình ảnh Gradient

 Tính toán Gradient là vector F(x,y), được điểm ảnh chia thành 2 chiều

là x và y được tính như sau

Fx (x,y)=limh0

Trang 10

 Đây là những ảnh sau khi chúng ta lọc biên.

Hình 2 3: Sau khi lọc biên [1]

Trang 11

 Các x-gradient sáng trên các đường thẳng đứng và các tia sáng

y-gradient trên đường ngang Độ lớn của y-gradient sáng ở nơi không có

sự thay đổi mạnh về cường độ Không cái nào trong ánh sáng khi khu vực bằng phẳng Các Gradient loại bỏ rất nhiều những thông tin không cần thiết Những phát thảo nổi bật nhờ đó ta có thể nhìn hình dung được 1 người trong hình

 Tại mỗi điểm ảnh thì mỗi Gradient có độ lớn và hướng khác

 Tính biểu đồ của Gradient trong nhóm đặc trưng

 Ở bước này, hình ảnh được chia thành các ô 8x8 Tại mỗi ô được tính

và xuất ra một biểu đồ đặc trưng khác nhau

 Mỗi ô sẽ có bản vá của ảnh gốc chứa giá trị 8x8x3= 192 pixel, việc chia thành các ô trên để cung cấp cho 1 đặc trưng nhỏ gọn hơn Độ dốc của bản vá chứa 2 giá trị là biên độ và góc, suy ra chúng ta có 8x8x2= 128 giá trị

 Ở cuối mục này chúng ta sẽ sử dụng 128 giá trị ấy để biểu diễn thành các ô giá trị định hướng được lưu trữ thành một dãy 9 mức

 Khi ta chia thành các ô 8x8 làm cho các đặc trưng này có ích hơn, giảm sự ảnh hưởng bởi các thành phần gây nhiễu

Trang 12

Hình 2 4: Chia ô 8x8 của HOG [1]

 Sau khi tính toán thì mỗi ô 8x8 sẽ có 64 giá trị như dưới đây

Hình 2 5: Các giá trị biên độ và góc của 1 ô [1]

 Như ta thấy có rất nhiều gradient được phủ lên trên cùng một ô, mũi tên cho ta thấy hướng của gradient và chiều dài của độ lớn của nó

Trang 13

Hướng mũi tên trỏ đến là hướng thay đổi của cường độ và độ lớn của

sự khác biệt lớn

 Ta còn thấy 2 bảng giá trị biên độ đại diện cho từng Gradient trong mỗi ô 8x8 thì tương ứng với các giá trị góc giao động từ 0  180 đượcgọi là “ unsigned “ Gradient, còn từ 0  360 gọi là “ signed “ Theo nghiên cứu thì khi sử dụng “ unsigned ” cho ra kết quả cao hơn

 Tiếp theo ta sẽ tạo những biểu đồ Gradient trong các ô 8x8, Mỗi biểu

đồ gồm 9 bin tương ứng với các góc 0,20,40,…,160

Hình 2 6: Quá trình tính các giá trị trong 9 bin [1]

 Chúng ta xem xét độ lớn và góc của các Gradient Mỗi bin được chọn dựa trên hướng và giá trị biên độ Trước tiên, hãy tập trung vào pixel được bao quanh bằng màu xanh lam Nó có một góc (hướng) của 80 độ và độ lớn của

2 Vì vậy, nó thêm 2 vào thùng thứ 5 Độ dốc tại điểm ảnh được bao quanh

Trang 14

bằng màu đỏ có góc 10 độ và độ lớn 4 Vì 10 độ là một nửa trong khoảng từ

0 đến 20, nên việc bỏ phiếu bằng pixel chia đều thành hai bin

 Nếu góc lớn hơn 160 độ, nó nằm trong khoảng từ 160 đến 180, và chúng ta biết góc kết thúc xung quanh làm tương đương 0 và 180 Vì vậy, trong ví dụ bên dưới, pixel có góc 165 độ đóng góp tương ứng với thùng 0 độ và thùng

160 độ

 165 độ nằm giữa 0 và 160 Trong đó ta thấy, 165 cách 0 là 5 => 5/20 = ¼, suy ra giá trị trong bin 0 sẽ là = ¼ x 85=21.25

Hình 2 7: Tính khi góc trên 160 độ [1]

 Sau khi quá trình tính toán các bin kết thúc ta sẽ có biểu đồ 9 bin như sau:

Trang 15

Hình 2 8: Biểu đồ Gradient [1]

• Bước 4: Tính chuẩn hóa khối 16x16

 Trong bước trên chúng ta đã tạo được những biểu đồ 9 bin Các

Gradient bị nhạy cảm với ánh sáng nghĩa là sẽ có giá trị lớn hơn khi ở mức xám, điều này sẽ dẫn đến độ lớn và pha của gradient sẽ bị thay đổi

 Vì thế tùy vào mức sáng khác nhau mà hình thành các biểu đồ khác nhau, suy ra chúng ta cần phải chuẩn hóa các giá trị đó lại

 Theo đề tài thì chúng ta sẽ chuẩn hóa theo chuẩn được gọi là L2 norm.Việc chuẩn hóa được thực hiện như sau:

 Giả sử chúng ta có vector chiều dài 1x3 RGB=[128,64,32] Ta

áp dụng chuẩn hóa theo L2 norm sẽ là:

 Ta sẽ lấy từng giá trị trong vector chia cho 164.64 sẽ được 1 vector chuẩn hóa = [0.87;0.43;0.22]

 Tiếp tục ta sẽ vẫn sử dụng chuẩn hóa L2 norm để chuẩn hóa vector của từng biểu đồ mà ta đã có ở bước trước Chúng ta sẽ sử dụng khối 16x16 để chuẩn hóa sẽ được kết quả tốt hơn Mỗi khối 16x16 sẽ có 4

Trang 16

biểu đồ 9 bin và mỗi biểu đồ có 1 vector 1x9 nối thành 1 vector là 1x36 cho mỗi khối 16x16 Quá trình chuẩn hóa từng khối theo hình như sau:

Hình 2 9: Chuẩn hóa vector cho từng khôi 16x16 [1]

• Bước 5: Tính toán đặc tính vector của HOG

 Để tính được các đặc tính của vector cuối cùng cho toàn bộ phần vá

và hình ảnh thì các vector 1x36 được nối chung 1 vector khổng lồ và

ta có thể tính được kích thước của vector đó

 Ví dụ chúng ta có khối 16x16, có 7 vị trí ngang và 15 vị trí dọcthì tổng là 7x15= 105 vị trí

 Mỗi khối 16x16 có 1 vector tổng là 1x36 chúng ta có 1 vector

là 36x105= 3780

Trang 17

Hình 2 10: Kết quả cuôi sau khi tính toán HOG [1]

2.3) Giải thuật Scale Invariant Feature Transform (SIFT)

Scale Invariant nghĩa là đưa ra các kết quả với những hình ảnh được scale khác nhau Chúng ta quay vòng bất biến vì ngay cả khi hình ảnh được xoay bất kì góc nào thì ta cũng có thể tìm được 1 góc tương ứng Nếu bị scale thì có thể góc không còn là góc của nó nữa

Trang 18

Hình 2 11: Góc bị thay đổi khi scale [7]

2.3.2) 4 bước liên quan chủ yếu

• Bước 1: nhận dạng Scale-space Extrema

 Từ hình trên, chúng ta có thể thấy không thể dùng cùng một cửa sổ đểphát hiện điểm chính với các thang đo khác nhau Đối với góc nhỏ thì

ổn nhưng nếu góc lớn hơn chúng ta cần những cửa sổ lớn hơn Với việc này việc lọc tỉ lệ không gian được sử dụng, Laplacian of Gaussian được tìm thấy các hình ảnh có các giá trị σ khác nhau LoG hoạt động như là một máy dò đốm màu nhằm phát hiện các đốm màu ở các kích thước khác nhau do σ thay đổi, σ lúc này hoạt động như 1 tham số mở rộng

 Như ví dụ trong hình trên các hạt nhân Gaussian giá trị σ cao cho góc nhỏ trong khi Gaussian có σ phù hợp cho góc lớn hơn Chúng ta có thể tìm thấy các giá trị cực đại trên phạm vi cụ thể và sẽ cung cấp cho chúng ta danh sách các (x,y,σ) với giá trị nghĩa là điểm tiềm khả năng tại (x,y) ở tỉ lệ σ

 Thuật toán SIFT sử dụng sự khác biệt của Gaussian mà là xấp xỉ của LoG Sự khác biệt ở đây là Gaussian thu được là sự khác biệt giữa làm mờ Gaussian của 2 hình ảnh khác nhau σ Để được σ và kσ Quá trình này được thực hiện cho quãng tám khác nhau của hình ảnh trongkim tự tháp Gaussian:

Trang 19

Hình 2 12: Quãng tám trong kim tự tháp Gaussian [7]

 Mỗi DoG (difference of Gaussian) được tìm thấy thì hình ảnh được tìm cho extrema lân cận trên quy mô và không gian Một điểm ảnh được so sánh với 8 lân cận của nó cũng như 9 pixel trong lần scale tiếp theo và 9 pixel trong scale trước đó Các tham số khác nhau, số octaves = 4 , số thang tỉ lệ =5, ban đầu σ = 1.6, k =

Hình 2 13: Những lớp scale 9 pixel [7]

Trang 20

• Bước 2: Keypoint localization

 Sau khi chúng ta lấy những đặc điểm quan trọng của ảnh và chúng sẽ được điều chỉnh lại để cho ra kết quả chính xác hơn SIFT lúc này sử dụng chuỗi Taylor nhằm mở rộng để lấy những vị trí của extrema xác thực hơn và sau đó nếu cường độ tại extrema thấp hơn giá trị ngưỡng

là 0.03 thì sẽ loại bỏ điểm đó

 DoG lại có đáp ứng cao hơn ở các cạnh, vì vậy các cạnh cũng sẽ bị loại SIFT cũng dùng khái niệm giống như Haris corner detector, cũngdùng ma trận hessian 2x2 để tìm ra những đường cong chính, cho mộtgiá trị riêng lớn hơn những giá trị khác Vì vậy chúng loại bỏ bất kì điểm tương phản thấp và chỉ giữ lại những đường chính và điểm hợp lý

• Bước 3: Phân công cho định hướng

 Có một hoặc nhiều hướng được gắn cho từng keypoint Một khu lân cận được thực hiện xung quanh vị trí của keypoint những còn tùy vào quy mô, độ lớn của Gradient và hướng 1 biểu đồ định hướng bao gồm 36 bin ứng với 360 độ

• Bước 4: Bộ mô tả keypoint

 Bộ mô tả keypoint được tính bằng cách 16x16 điểm liền kề của chính keypoint đó Sau đó chia thành 4x4, với mỗi 4x4 đó ta tạo được biểu

đồ 8 bin như hình dưới đây:

Trang 21

Hình 2 14: Chia thành biểu đồ 8 bin [7]

• Bước 5: Kết hợp các keypoint

 Các keypoint giữa hai hình ảnh được xác định bằng các điểm liền kề gần nhất của chúng Nhưng 1 số trường hợp kết hợp lần 2 có thể rất gần với lần, có thể do tiếng ồn hoặc 1 số lý do khác Với trường hợp

đó thì tỷ lệ lần 1 với lần 2 lớn hơn 0.8 thì sẽ bị loại

2.4) Giải thuật Speeded-Up Robust Feature (SURF)

2.4.1) Giới thiệu

• Vào Năm 2006 Do 3 người là Herbert Bay, Tuytelaars và Van Gool

• Từ đó SUFT được ra đời giúp cải thiện về tốc đô xử lý, ngoài ra còn cải thiệnthêm về độ chính xác Về đặc trưng tối ưu cả hai giai đoạn: 1 là detector và descriptor

• Với giải thuật SIFT thì đã giải quyết được những hạn chế đã còn tồn lại ở tìmgóc Harris và là một trong những thuật toán trích chọn đặc trưng tốt nhất

nhưng SIFT lại có tốc độ xử lý còn chậm và lại không có phù hợp với việc làm ứng dụng về thời gian thực

Trang 22

• Với SIFT Lower xấp xỉ Laplacian của Gaussian với sự tìm kiếm của space SURF tốt hơn và xấp xỉ LoG với hộp bộ lọc Lợi thế của phép tính xấp xỉ là sự co giãn với hộp bộ lọc được tính toán dễ hơn nhờ sự trợ giúp củatích phân hình ảnh SURF cũng dựa vào yếu tố quyết định của ma trận

scale-Hessian cho tỉ lệ và vị trí

2.4.2) Các bước thuật toán SURF

• Bước 1: Dùng bộ dò Fast-Hessian nhằm xác định các điểm nổi bật

 Ma trận Hessian được định nghĩa:

 Với Lxx (x,σ) là tích của đạo hàm bậc 2 của hàm Gaussian với ảnh I tại điểm x(x,y) và có tỉ lệ là σ

Hình 2 15: Xấp xỉ đạo hàm cấp 2 hàm Gaussian bằng hộp lọc [8]

Trang 23

 Với ảnh trên hình có Lyy là đạo hàm cấp 2 Gaussian theo trục y, còn

Lxy là theo trục x và y, sau khi 2 hình được qua hộp lọc xấp xỉ sẽ cho

ra 2 trường hợp của 2 ảnh bên phải trên

 Công thức tính xấp xỉ theo định thức ma trận Hessian:

Det(Hxấp xỉ )=Dxx Dyy – (w.Dxy )2 Trong đó w là trọng số cân bằng của biểu thức Hessian và tùy thuộc vào hệ số tỉ lệ Dxx , Dyy , Dxy là các hộp lọc xấp xỉ của Gaussian

• Bước 2: Gán hướng cho điểm nổi bật và mô tả đặc trưng của SURF

 Ta muốn xác định vùng xung quanh điểm đặc trưng, ta phải gán 1 giá trị hướng duy nhất cho mỗi điểm đặc trưng Kích thước của những hình tròn được phụ thuộc vào hệ số tỉ lệ tương ứng trong không gian ảnh mà điểm đặc trưng ta tìm được

 Ta sử dụng chọn hình tròn có bán kính là 6s, với s là tỉ lệ tại điểm đặc trưng ta tìm thấy Hướng của đặc trưng này được tính bằng phản hồi Haar wavelet Sau đó sẽ được vẽ lại trong một không gian Haar wayelet được tính bằng cách sử dụng ảnh tích lũy như hộp lọc xấp xỉ của đạo hàm bậc 2 của Gausian Nếu vector hướng nào nổi bật nhất sẽđược ước lượng và ghi vào thông tin của điểm đặc trưng

Trang 24

Hình 2 16: Vùng vòng tròn xung quanh và hướng đại diện cho điểm đặc trưng [8]

 Với SURF sử dụng haar wavelet theo hướng ngang và dọc Một vùng lân cận có kích thước 20sX20s Sau đó sẽ được chia thành các vùng nhỏ 4x4 Với mỗi vùng nhỏ 4x4 thì các wavelet ngang và dọc được lấy và một vector được tính như sau: v= ()

 Theo công thức tính trên thì mỗi vector cho vùng 4x4 là 64 chiều

(4x4x4) Là mô tả cho đặc trưng chuẩn của SURF ( SURF-64)

• Bước 3: Lập chỉ mục và so khớp

 Đặc điểm quan trọng của SURF đó là quá trình rút trích đặc trưng

nhanh nhờ sử dụng kỹ thuật ảnh tích lũy và phép loại trừ phi cực đại Ngoài ra còn quá trình so khớp đặc trưng cũng nhanh hơn rất nhiều chỉ bằng một bước dựa trên dấu Laplacian

 Nhờ Laplacian đã phân biệt được đốm sáng trong nền tối và ngược lại, nhờ vậy sự kết hợp diễn ra nhanh hơn mà không làm giảm hiệu suất của discriptor Vì vậy điểm đặc trưng này chỉ khớp với điểm đặc trưng khác khi cùng màu

Trang 25

Hình 2 17: Phân biệt nhóm đôm sáng và đen [8]

Trang 26

CHƯƠNG 3: TÌM HIỂU MACHINE LEARNING VÀ SUPPORT

VECTOR MACHINE

3.1) Machine learning là gì?

Artificial Intelligence (AI-Trí tuệ nhân tạo) nói cụ thể đó là Machine Learning dẫn đầu trong cuộc cách mạng công nghiệp thứ 4 AI đã được sử dụng và áp dụng trong nhiều lĩnh vực trong cuộc sống Ví dụ như xe tự hành của Google và Tesla, Hệthống nhận diện khuôn mặt của Facebook, Hệ thống gợi ý sản phẩm trên Amazon,

… còn vô số những ứng dụng khác

Machine learning nó là 1 phần con của AI, dễ hiểu hơn nó là 1 phần của khoa họcmáy tính, đặc điểm là máy có thể tự học dựa trên dữ liệu chúng ta đưa vào mà ta không cần lập trình trước

Machine learning có thể dựa trên 3 khái niệm:

 Machine learning và AI

 Machine learning và Big Data

 Machine learning và dự đoán tương lai

3.2) Support Vector Machine (SVM)

3.2.1) Giới thiệu

• SVM là một trong các phương pháp trong lĩnh vực “Machine Learning” đã

và đang được sử dụng rộng rãi trong nhiệm vụ phân tích dữ liệu và nhận diệnkhuôn mặt

• Do Vladimir Vapnik sáng tạo ra và được Corinna Cortes và Vladimir Vapnik nghiên cứu và phát triển

Trang 27

3.2.2) Siêu phẳng ( Hyper plane )

• Việc phân loại dữ liệu là những phần chính trong lĩnh vực “ Machine

learning “

• Phương pháp SVM nó sẽ tạo ra một hyper plane nhằm chia các dữ liệu cho các lớp mà nó nằm trong đó

• Để tìm ra hyper plane cần phải có nhiều yếu tố ảnh hưởng như: dữ liệu ảnh,

số lượng đối tượng cần phân loại,…

Hình 3 1: Một vài Hyper plane [6]

3.2.3) Phân chia 2 lớp theo lề Margin

Chúng ta cần phải phân chia 2 lớp theo 1 tiêu chuẩn để làm sao cho giữa 2 miền

âm và dương ổn định nhất

Trang 28

Hình 3 2: Margin theo cách 1 [6]

Như hình 3.2 trên thì khoảng cách giữa siêu phẳng với phần màu đỏ quá nhỏ so với màu xanh nên không ổn định Vì vậy điều chúng ta cần làm là phân chia Margingiữa 2 lớp là đều bằng nhau

Hình 3 3: Margin theo cách 2 [6]

Riêng với hình 3.3 thì các khoảng Margin giữa các lớp đã đều nhau, nhưng ta thấy với khoảng Margin của nét đứt lại có độ rộng bé hơn khoảng Margin đường

Trang 29

liền, vì vậy chúng ta chọn khoảng Margin đường liền vì nó cho khoảng rộng nhất Nếu khoảng Margin càng rộng thì nó sẽ đem lại cho chúng ta hiệu ứng phân lớp tốt hơn

3.2.4) Các thông sô hiệu chỉnh của SVM

3.2.4.1) Thông sô hiệu chỉnh Kernel

Theo như nghiên cứu của hyperplane trong tuyến tính SVM nó được thực hiện theo phương thức chuyển đổi vấn đề bằng cách là sử dụng một đại số tuyến tính Đối với liner Kernel thì phương trình dự đoán với đầu vào mới được sử dụng chấm đầu vào (x) với mỗi vector là (xi) được tính theo công thức sau:

3.2.4.2) thông sô hiệu chỉnh Regularization

Tham số này có đặc điểm là tối ưu hóa SVM bao nhiêu mà bạn muốn nhằm

tránh phân loại sai mỗi khi huấn luyện và còn được gọi là tham số C

Với các giá trị của C đặc biệt là những giá trị lớn thì việc tối ưu hóa sẽ chọn mộtMargin nhỏ hơn nếu hyperplane đó thực hiện tốt được việc nhận tất cả các điểm đã huấn luyện và phân loại chính xác Ngược lại thì một giá trị rất nhỏ của C nó sẽ làmcho quá trình tối ưu hóa nhằm tìm môt Margin rộng hơn ngay cả khi mà hyperplane

đó phân loại sai các điểm khác Với những giá trị C thấp sẽ cho ra phân loại sai và ngược lại như hình dưới

Trang 30

Hình 3 4: Giá trị C thấp [6]

Hình 3 5: Giá trị C cao [6]

3.2.4.3) Thông sô hiệu chính Gamma

Tham số gamma để làm thế nào xác định sự ảnh hưởng của một huấn luyện có kết quả tốt Với giá trị thấp là “ far “ còn với giá trị cao là “ closed “ Hiểu cách

khác là với gamma thấp thì những điểm cách xa đường phân ly hợp lý thì được xemxét trong tính toán cho đường tách, với gamma cao thì các điểm gần với đường

chính được xét trong tính toán

Trang 31

Hình 3 6: Gamma thấp [6]

Hình 3 7: Gamma cao [6]

Trang 32

CHƯƠNG 4: MÔ PHỎNG NHẬN DIỆN KHUÔN MẶT DÙNG

MATLAB

4.1) Cấu trúc mô phỏng

Trang 33

Hình 4 2: Dữ liệu hình ảnh chưa nhận diện

Sơ đồ 4 1: Sơ đồ cấu trúc mô phỏng

Kết quả và đánh giá độ

chính xác

Nhận diệnảnh test

Train SVM

Trích xuấtHOG

Tách khuônmặt ( lưu vào

cơ sở dữliệu )

Chụp hìnhLoad

camera

Định dạng
Số trang	67
Dung lượng	3,94 MB