Luận án tiến sĩ công nghệ thông tin phương pháp nhận dạng khuôn mặt người và ứng dụng trong quản lý nhân sự

Để giải quyết vấn đề trên tôi xin đề xuất ra phương pháp phát hiện khuôn mặt sử dụng phương pháp Viola jone face detection, trích chọn đặc trưng sử dụng phương pháp Weber local Descripto

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

NGUYỄN THỊ THUỶ

PHƯƠNG PHÁP NHẬN DẠNG KHUÔN MẶT NGƯỜI

VÀ ỨNG DỤNG TRONG QUẢN LÝ NHÂN SỰ

Ngành: Khoa học máy tính Chuyên Ngành: Khoa học máy tính

Mã Số: 8480101.01

LUẬN VĂN THẠC SỸ CÔNG NGHỆ THÔNG TIN

NGƯỜI HƯỚNG DẪN KHOA HỌC:

Ts Nguyễn Văn Vinh

HÀ NỘI-NĂM 2018

LỜI CAM ĐOAN

Luận văn thạc sĩ đề tài “Nhận dạng khuôn mặt người và ứng dụng trong quản lý

nhân sự” là công trình cá nhân tôi Các nội dung nghiên cứu và kết quả trình bày trong

luân văn này là trung thực và rõ ràng Các tài liệu tham khảo được trích dẫn đầy đủ và

ghi rõ nguồn gốc

Tác giả luận văn ký và ghi rõ họ tên

MỤC LỤC

LỜI CAM ĐOAN i

MỤC LỤC iii

DANH MỤC HÌNH VẼ, ĐỒ THỊ v

DANH MỤC CÁC TỪ VIẾT TẮT vii

PHẦN MỞ ĐẦU 1

1 Lý do chọn đề tài 1

2 Mục đích nghiên cứu của luận văn, đối tượng, phạm vi nghiên cứu Mục đích của luận văn: 1

3 Nội dung luân văn 2

CHƯƠNG 1: BÀI TOÁN NHẬN ĐỐI TƯỢNG NHẬN DẠNG KHUÔN MẶT 3

1.1 Tổng quan và các khái niệm liên quan đến nhận dạng khuôn mặt 3

1.1.1 Hệ thống sinh trắc học 3

1.1.2 Hệ thống nhận dạng khuôn mặt 3

1.1.3 Hệ thống xác minh hay xác thực khuôn mặt là gì 3

1.1.4 Những thách thức trong bài toán nhận dạng khuôn mặt 4

1.2 Tổng quan về các ứng dụng tương tác người máy liên quan tới khuôn mặt 4

1.3 Hướng tiếp cận chính trong lĩnh vực nhận dạng khuôn mặt 4

1.3.1 Các công trình nghiên cứu về Phương pháp nhận dạng và kiểm chứng chất lượng cho một hệ thống nhận dạng khuôn mặt 4

1.3.2 Hướng tiếp cận của luận văn 7

CHƯƠNG 2: CÁC KỸ THUẬT CHO NHẬN DẠNG KHUÔN MẶT 8

I Học máy 8

1.1 Phương pháp Deep Learning (CNN) 8

1.2 Phương pháp truyền thống 8

II Các kỹ thuật sử dụng trong nhận dạng khuôn mặt 9

2.1 Phát hiện khuôn mặt (Viola Jone Face detection) 9

2.2 Trích chọn đặc trưng Weber local Descripor- WLD 12

2.3 Giới thiệu phương pháp phân tích thành phần chính PCA 15

2.3.1 Giới thiệu phương pháp PCA 15

2.3.2 Đặc trưng PCA 19

2.3.3 Phương pháp phân tích thành phần chính(PCA) 19

2.3.4 Các bước thực hiện trích chọn đặc trưng PCA 21

2.4 Học máy hộ trợ vestor SVM 23

2.4.1 Cơ sở lý thuyết 23

2.4.2 SVM tuyến tính 23

2.4.3 SVM Phi Tuyến tính 25

CHƯƠNG 3: ỨNG DỤNG CÁC KỸ THUẬT TRONG NHẬN DẠNG KHUÔN MẶT 30

3.1 Phát hiện khuôn mặt (Viola Jone Face Detection) 30

3.2 Trích chọn đặc trưng (WLD) 30

3.3 Phân tích thành phần chính PCA và nhận dạng/phân lớp SVM 31

3.4 Mô tả dữ liệu 32

3.4.1 Thu nhập dữ liệu 32

3.4.2 Biểu diễn dữ liệu khuôn mặt trong máy tính 34

3.4.3 Dữ liệu huấn luyện 35

3.5 Kết quả thực nghiệm 35

3.6 Ứng dụng trong quản lý nhân sự 37

3.6.1 Mô hình nhận dạng trong quản lý nhân sự 37

3.6.2 Giao diện màn hình chức năng nhận dạng 38

3.6.3 Giao diện màn hình chức năng quản lý bộ phận 39

3.6.4 Giao diện màn hình chức năng quản lý phòng ban 40

3.6.5 Giao diện màn hình chức năng quản lý nhân sự 41

KẾT LUẬN 42

DANH MỤC HÌNH VẼ, ĐỒ THỊ

Hình 0.1 So sách tác vụ nhận dạng khuôn mặt và xác minh khuôn mặt 3

Hình 0.2 Mô phỏng nhận dạng khuôn mặt 7

Hình 0.3 Haar Features sử dụng trong Violo Jones 9

Hình 0.4 Applying on a give image 9

Hình 0.5 Ví dụ về Haar features 91

Hình 0.6 Ví dụ ảnh Integral 91

Hình 0.7 Ảnh ví dụ tính Ô pixcel 92

Hình 0.8 Các bước loại khuôn mặt hay không 93

Hình 0.9 Kết quả phát hiện khuôn mặt 93

Hình 0.10 Tính kích thích sai khác 95

Hình 0.11 Ảnh trên là ảnh gốc, ảnh thứ 2 là ảnh trích chọn đặc trưng 95

Hình 0.12 Minh họa về tính toán của WLD 96

Hình 0.13 Lụa chọn các trục toạ độ mới để biểu diễn dữ liệu [11] 178

Hình 0.14 Siêu măt phân cách tuyến tính cho trường hợp phân cách được và ký Hiệu các support vestor chính là các diểm được bao bằng viền tròn 242

Hình 0.15 ảnh, trong H, với hình vuông [1,-1] €R2 dưới ánh xạ ϴ 27

Hình 0.16 cây nhị phân: Cấu trúc cây nhị phân với số lớp bằng số mũ của 2 Phải: số mũ không bằng số mũ của 2 29

Hình 0.17 Mô hình quá trình tạo các đặc trưng mặt 31

Hình 0.18 Mô hình sử dụng trong nhận dạng khuôn mặt 31

Hình 0.19 Mô hình quá trình tạo các đặc trưng mặt 312

Hình 0.20 ảnh ban đầu được biểu diễn theo các trọng số và eigenface 323

Hình 0.21 Ví dụ về ảnh của một người trong Yale face Database 334

Hình 0.22 Ảnh 12 khuôn mặt người được đánh thứ tự từ 1 đến 12 334

Hình 0.23 Kích thước chuẩn hóa của một mẫu khuôn mặt trong học tập 345

Hình 0.24 Một phần của tập ảnh luyện 356

Hình 0.25 Một phần của tập ảnh thử nghiệm 356

Hình 0.26 Bảng 1.1 Bảng Thực nghiệm nhận dạng số lượng ảnh 367

Hình 0.27 kết quả thực nghiệm so với chỉ sử dụng PCA 367

Hình 0.28 Mô hình nhận dạng ở cửa ra vào tại cơ quan 378

Nguyễn Thị Thủy vii Đại Học Công

DANH MỤC CÁC TỪ VIẾT TẮT

PHẦN MỞ ĐẦU

1 Lý do chọn đề tài

Nhận dạng khuôn mặt là một trong những lĩnh vực mới của xử lý ảnh Và

ngày nay nhận dạng được sử dụng rộng rãi trong nhiều lĩnh vực của đời sống

như nhận dạng trong lĩnh vực thương mại, hay phát hiện trong lĩnh vực an ninh,

hay trong xử lý video, hình ảnh Một trong những ứng dụng tiểu biểu nhận dạng

đang sử dụng phổ biến hiện này trong nhận dạng khuôn mặt người là ứng dụng

trong điện thoại di động cụ thể như IphoneX và Sangsung đang sử dụng

Hiện nay có rất nhiều các Phương pháp nhận dạng khác nhau được xây

dựng để nhận dạng một người cụ thể trong thế giới thực ta có thể nói tới một số

phương pháp như: học máy và học sâu.Tuy nhiên hai phương pháp này lại có

nhược điểm lớn là phải xây dựng một tập cơ sở dữ liệu lớn và đồng thời việc xử

lý dữ liệu lớn đòi hỏi phải nhanh và chính xác Vậy nên hai phương pháp trên sẽ

mất thời gian để nhận dạng nhiệm vụ đặt ra là nghiên cứu và xây dựng một

chương trình sử dụng Phương pháp nhận dạng có độ chính xác cao mà khối

lượng và thời gian tính toán lại ít

Để giải quyết vấn đề trên tôi xin đề xuất ra phương pháp phát hiện khuôn

mặt sử dụng phương pháp Viola jone face detection, trích chọn đặc trưng sử

dụng phương pháp Weber local Descriptor và kết hợp phân tích thành phần

chính sử dụng phương pháp PCA và học máy vestor (SVM) để nhận dạng

khuôn mặt

2 Mục đích nghiên cứu của luận văn, đối tượng, phạm vi nghiên cứu Mục

đích của luận văn:

Nghiên cứu đề tài này nhằm mục đích tìm hiểu bài toán nhận dạng khuôn

mặt, từ đó xây dựng các hệ thống ứng dụng trong thực tiễn như: điểm danh,

giám sát người ra vào, an ninh trong sân bay

Đối tượng và phạm vi áp dụng:

Đề tài tập trung tìm hiểu một số phương pháp nhận dạng khuôn mặt người

phổ biến hiện nay và đưa ra phương án nhận dạng cho bài toán nhận dạng khuôn

mặt người

Để đặt được mục tiêu trên đề tài tập trung tìm hiểu các nội dung sau:

- Tìm hiểu phương pháp phát hiện khuôn mặt sử dụng phương pháp Viola

Jones Face Detection

- Trích chọn đặc trưng sử dụng phương pháp Weber Local Description

- Phương pháp phân tích thành phần chính

- Phương pháp học máy vestor (SVM)

3 Nội dung luân văn

Luận văn này gồm 3 chương, cụ thể như sau:

Chương 1: BÀI TOÁN NHẬN ĐỐI TƯỢNG NHẬN DẠNG KHUÔN

MẶT

Giới thiệu các cách thức nhận dạng khuôn mặt người, vì sao nên nhận

dạng người bằng khuôn mặt, tầm quan trọng của bài toán trong thực tiễn, một số

ứng dụng thực tiễn của bài toán nhận dạng khuôn mặt

Chương 2: CÁC KỸ THUẬT CHO NHẬN DẠNG KHUÔN MẶT

Giới thiệu về 4 phương pháp sử dụng nhận dạng khuôn mặt được sử dụng

trong luận văn là phương pháp phát hiện khuôn mặt( Viola Jone Face

Detection), phương pháp trích chọn đặc trưng (WLD), phân tích thành phần

chính (PCA) và máy vector hỗ trợ (SVM)

Chương 3: ỨNG DỤNG CÁC KỸ THUẬT TRONG NHẬN DẠNG

KHUÔN MẶT

Đưa ra mô hình xây dựng bài toán nhận dạng khuôn mặt người, các bước

thực hiện và đánh giá thử nghiệm

CHƯƠNG 1: BÀI TOÁN NHẬN ĐỐI TƯỢNG NHẬN DẠNG

KHUÔN MẶT 1.1 Tổng quan và các khái niệm liên quan đến nhận dạng khuôn mặt

1.1.1 Hệ thống sinh trắc học

Hệ thống sinh trắc học là một hệ thống được thiết kế để xác minh và nhận

dạng một người dựa vào những đặc trưng sinh học duy nhất của người đó

1.1.2 Hệ thống nhận dạng khuôn mặt

Hệ thống nhận dạng khuôn mặt là một hệ thống được thiết kế để tìm

thông tin của một người Kĩ thuật nhận dạng là kiểm tra sự phù hợp dựa trên

phép so sánh một-nhiều cụ thể là tìm ra một người là ai trong số những người đã

được lưu trữ trong hệ thống dựa vào thông tin khuôn mặt

1.1.3 Hệ thống xác minh hay xác thực khuôn mặt là gì

Hệ thống xác minh/xác thực khuôn mặt là một hệ thống được thiết kế để

xác minh thông tin của một người Kĩ thuật xác minh là kiểm tra sự phù hợp trên

phép so sánh một-một cụ thể là đối chiếu thông tin mới nhận về một người với

thông tin đã lưu trữ về người này có khớp hay không dựa trên thông tin khuôn

mặt

1.1.4 Những thách thức trong bài toán nhận dạng khuôn mặt

Những biến đổi quá lớn giữa các ảnh khuôn mặt khác nhau từ một người

cần nhận dạng gồm trạng thái cảm xúc trên khuôn mặt, ánh sáng, và các thay đổi

vị trí của khuôn Giới hạn về số ảnh cần thiết cho việc nhận dạng, tập học không

thể bao quát được tất cả các biến đổi có thể có trên khuôn mặt của một người

cần nhận dạng trong thế giới thực

1.2 Tổng quan về các ứng dụng tương tác người máy liên quan tới khuôn

mặt

Từ những năm 1990 trở lại đây, chúng ta đã chứng kiến sự phát triển như

vũ bão của các ngành công nghiệp, đặc biệc là ngành công nghiệp chế tạo điện

tử.Tuy nhiên hiện nay các thiết bị điện tử cao cấp như máy ảnh số, camera kĩ

thuậtsố,vànhiều sản phẩm khác dường như chỉ phù hợp cho các phòng thí

nghiệm, các công ty sản xuất kinh doanh, thương mại, tài chính, ngân hàng,

Trong thời gian không xa từ 3 đến 10 năm nữa, chi phí cho các thiết bị này sẽ

giảm đáng kể Khi đó sẽ mở ra nhiều hướng nghiên cứu về thị giác máy tính,

đồng thời sẽ có nhiều ứng dụng trong giao tiếp giữa người với máy tính mà

trong đó hệ thống nhận dạng mặt người đóng một vai trò không nhỏ Dưới đây

chúng tôi liệt kê một số ứng dụng

 Các ứng dụng chuyên biệt trong ngành hàng không

 Ứng dụng sử dụng trong nhà thông minh,…

1.3 Hướng tiếp cận chính trong lĩnh vực nhận dạng khuôn mặt

1.3.1 Các công trình nghiên cứu về Phương pháp nhận dạng và kiểm

chứng chất lượng cho một hệ thống nhận dạng khuôn mặt

Bài toán nhận dạng khuôn mặt cần xác định hai vấn đề chính: dùng thông

tin nào để nhận dạng: chân mày, cặp mắt, mũi, môi, tai, hay kết hợp các thông

tin trên.Và dùng phương pháp nào để huấn luyện cho máy nhận dạng dùng

nguồn thông tin đó Nhận dạng khuôn mặt trên máy tính đã trãi qua nhiều bước

thăng trầm với các kết quả như sau:

 Wenyi Zhao, Arvindh Krishnaswamy, Rama Chellappa, Danie L.Swets,

ohn Weng (1998)[1] sử dụng phương pháp PCA (phân tích thành phần

chính) kết hợp LDA (phân tích độc lập tuyến tính) Bước 1, chiếu ảnh

khuôn mặt từ không gian ảnh thô sang không gian các không gian khuôn

mặt (Mỗi lớp khuôn mặt được nhận dạng sẽ được mô hình hóa bằng một

không gian khuôn mặt) dùng PCA Bước 2, sử dụng phương pháp LDA

để tạo bộ phân loại tuyến tính có khả năng phân lớp các lớp khuôn mặt

 Emmanuel Viennet và Francoise Fogelman Soulie (1998),[3] sử dụng

phương pháp mạng neural nhân tạo để xử lý và nhận dạng khuôn mặt

 Antonio J.Colmenarez và Thomas S.Huang (1998),[4] sử dụng kỹ thuật

học thị giác và phù hợp mẫu 2-D Ông quan niệm bài toán dò tìm khuôn

mặt là thao tác phân loại khuôn mặt trong đó khuôn mặt thuộc về một

lớp và các đối tượng khác thuộc về lớp còn lại bằng cách ước lượng mô

hình xác suất cho mỗi lớp, và việc dò tìm sử dụng luật quyết định

Maximum-likelihood

 Kazunori Okada, Johannes Steffens, Thomas Maurer, Hai Hong, Egor

Elagin, Hartmut Neven, and Christoph (1998),[5] nhận dạng khuôn mặt

dựa vào sóng Gabor và phương pháp phù hợp đồ thị bó Với ý tưởng

dùng đồ thị để biểu diễn khuôn mặt, ảnh khuôn mặt được đánh dấu tại

các vị trí đã được xác định trước trên khuôn mặt, gọi các vị trí này chính

là các vị trí chuẩn Khi thực hiện thao tác so khớp đồ thị với một ảnh,

các điểm chuẩn (Jets) sẽ trích ra từ ảnh và so sánh các điểm chuẩn này

với tất cả các điểm chuẩn tương ứng trong các đồ thị khác nhau, và đồ

thị nào phù hợp nhất với ảnh sẽ được chọn

 Baback Moghaddam và Alex Pentland (1998) [6], đưa ra phương pháp

phù hợp thị giác trực tiếp từ các ảnh cần sử dụng cho mục đích nhận

dạng khuôn mặt và dùng độ đo xác suất để tính độ tương tự

 Massimo Tistaelli và Enrico Grosso (1998) [7], đưa ra kỹ thuật thị giác

tính huống theo dự định là thông tin rất quan trọng, từ đó nhận được mô

tả đầy đủ hơn về khuôn mặt cho m1ục đích thu thập mẫu và nhận dạng

 Jeffrey Huang, Chengjun Liu, và Harry Wechsler (1998)[8], đề xuất

thuật toán căn cứ trên tính tiến hóa (Evolutionary computation) và di

truyền (Genetic) cho các tác vụ nhận dạng khuôn mặt Đối với cách tiếp

cận này, hai mắt sẽ được dò tìm trước tiên và thông tin này được xem là

vết để quan sát khuôn mặt, trình xử lý dò tiếp mắt bằng cách sử dụng

một thuật toán lai để kết hợp thao tác học và tiến hóa trong quá trình

học

 Daniel Bgraham và Nigel M Allinson (1998)[9], sử dụng phương pháp

được gọi là tạo bản sao không gian đặc trưng để biểu diễn và nhận dạng

hướng di chuyển của khuôn mặt

 Oi Bin Sun, Chian Prong Lam và Jian Kang Wu (1998)[10], sử dụng

phương pháp tìm vùng hai chân mày, hai mắt, mũi, miệng và cằm Ảnh

khuôn mặt thẳng ban đầu được chiếu theo chiều ngang để tìm các giá trị

điểm ảnh thỏa ngưỡng cho trước, đồ thị biểu diễn theo trục ngang sẽ

định vị vị trí biên trên và biên dưới của hình chữ nhật bao các đặc trưng

cục bộ khuôn mặt Tương tự với chiều đứng để tìm ra đường biên bên

trái và phải cho các vùng đặc trưng

 Ara V.Nefian và Monson H.Hayes III (1998)[12] trình bày hướng tiếp

cận theo mô hình mô hình Markov ẩn (HMM) trong đó ảnh mẫu khuôn

mặt được lượng hóa thành chuỗi quan sát trên khuôn mặt theo quan

niệm dựa trên thứ tự xuất hiện các đặc trưng khuôn mặt {hai chân mày,

hai lông mi, mũi, miệng, cằm} Trong chuỗi quan sát đó, mỗi quan sát

lại là một vector nhiều chiều và mỗi vector quan sát này được sử dụng

để đặc trưng cho mỗi trạng thái trong chuỗi trạng trạng thái của HMM

Mỗi người được ước lượng bằng một mô hình của HMM

 Guodong Guo, stan Z.LI, Kap luk chan(17 january 2001), dùng phương

pháp SVM để nhận dạng khuôn mặt Sử dụng chiến lược kết hợp nhiều

bộ phận loại nhị phân để xây dựng bộ phân loại SVM đa lớp

1.3.2 Hướng tiếp cận của luận văn

Trong đề tài này chúng tôi sử dụng phương pháp Phát hiện khuôn mặt sử

dụng phương pháp Viola Jone Face Detection, Trích chọn đặc trưng sử dụng

phương pháp Weber Local Descripor, phân tích thành phần chính và phương

pháp phân lớp SVM để nhận dạng

Sơ đồ hệ thống nhận dạng khuôn mặt được minh họa trong hình sau:

Hình 0.2 Mô hình nhận dạng khuôn mặt người

CHƯƠNG 2: CÁC KỸ THUẬT CHO NHẬN DẠNG KHUÔN MẶT

I Học máy

1.1 Phương pháp Deep Learning (CNN)

CNN là một trong những mô hình deep learning tiên tiến giúp xây dựng

hệ thống thông minh với độ chính xác cao trong xử lý ảnh CNN được sử dụng

nhiều trong các bài toán nhận dạng object trong ảnh Tuy nhiên phương pháp

này lại có nhược điểm lớn là phải xây dựng một tập cơ sở dữ liệu lớn (mỗi tập

dữ liệu huấn luyện phải sử dụng ít nhất 1000 nhãn mới mang lại hiệu quả cao)

và đồng thời việc xử lý dữ liệu lớn đòi hỏi phải nhanh và chính xác

Mạng CNN là là một tập hợp các lớp Convolution chồng lên nhau và sử

dụng các hàm nonlinear activation như ReLU và tanh để kích hoạt các trọng số

trong các node Mỗi một lớp sau khi thông qua các hàm kích hoạt sẽ tạo ra các

thông tin trừu tượng hơn cho các lớp tiếp theo Mỗi một lớp sau khi thông qua

các hàm kích hoạt sẽ tạo ra các thông tin trừu tượng hơn cho các lớp tiếp theo

Trong mô hình mạng truyền ngược (feedforward neural network) thì mỗi neural

đầu vào (input node) cho mỗi neural đầu ra trong các lớp tiếp theo Mô hình này

gọi là mạng kết nối đầy đủ (fully connected layer) hay mạng toàn vẹn (affine

layer) Còn trong mô hình CNNs thì ngược lại Các layer liên kết được với nhau

thông qua cơ chế convolution Layer tiếp theo là kết quả convolution từ layer

trước đó, nhờ vậy mà ta có được các kết nối cục bộ Như vậy mỗi neuron ở lớp

kế tiếp sinh ra từ kết quả của filter áp đặt lên một vùng ảnh cục bộ của neuron

trước đó

1.2 Phương pháp truyền thống

PCA và SVM: Phương pháp PCA giảm bớt số thành phần không cần

thiết tạo ra hiệu quả tính toán nhanh mà vẫn đảm bảo được độ chính xác Sau khi

PCA đưa ra được các đặc trưng tốt sẽ dùng SVM để phân lớp và nhận khuôn

mặt

II Các kỹ thuật sử dụng trong nhận dạng khuôn mặt

2.1 Phát hiện khuôn mặt (Viola Jone Face detection)

- Haar features: ý tưởng : độ sáng tối của các vùng trên gương mặt là khác

nhau Ví dụ: vùng mắt tối hơn vùng má, vùng mũi sáng hơn vùng hai bên

- Kết quả của mỗi đặc trưng được tính bằng hiệu của tổng các pixel trong

miền ô trắng trừ đi tổng các pixel trong miền ô đen

Hình 0.3 Haar Features sử dụng trong Viola Jones (Nguồn: bài báo Viola Jone face detection)

Hình 0.4 Applying on a give image (Nguồn: bài báo Viola Jone face detection)

Thuật toán viola jones sử dụng cửa sổ 24x24 để đánh giá các đặc trưng

của ảnh Nếu xem xét tất cả các tham số của các đặc trưng, ta tính được khoảng

160.000+ đặc trưng cho mỗi cửa sổ

Hình 0.5 Ví dụng về các haar features (Nguồn: Bài báo Viola Jone face detection)

- Integral Image: giá trị ở pixel (x, y) là tổng của các pixel ở trên và bên

trái (x,y) Cho phép tính tổng của các pixel trong bất kì hình chữ nhật chỉ với 4

giá trị ở 4 góc

Hình 0.6 Ví dụ ảnh Integral

Hình 0.7 Ảnh Ví dụ tính 1 ô pixcel

Trong các pixels: D=1 + 4 – (2+3) = A + (A + B +C + D)- (A+C + B) = D

- Có rất nhiều đặc trưng được lấy ra từ 1 cửa sổ nhưng chỉ có 1 số ít là hữu

dụng trong việc nhận diện khuôn mặt

- Sử dụng thuật toán adaboost để tìm những đặc trưng tốt nhất Sau đó các

đặc trưng này được gán cho các trọng số để tạo nên hàm đánh giá quyết định

xem một cửa sổ có là khuôn mặt hay không Mỗi đặc trưng chọn nếu chúng ít

nhất thể hiện tốt hơn đoán ngẫu nhiên (phát hiện nhiều hơn một nửa)

- Các đặc trưng được gọi là các bộ phân lớp yếu Chúng được tổ hợp tuyến

tính để tạo ra một bộ phân lớp mạnh

F(x) = ∝ (x) +∝ (x) +∝ (x) ∆ ∆

Strong clasifier Weak classifier

- Mặc dù một ảnh có thể chứa một hoặc nhiều khuôn mặt nhưng số lượng

vật không phải khuôn mặt vẫn lớn hơn rất nhiều => thuật toán nên tập trung vào

việc bỏ những vật không phải khuôn mặt một cách nhanh chóng

- Một bộ phân lớp cascade (cascade classifier) được sử dụng tất cả các đặc

trưng được nhóm vào vài stage Mỗi stage gồm một số các đặc trưng

- Mỗi stage được sử dụng để xác định một cửa số có phải là khuôn mặt

hay không

Hình 0.8 các bước loại khuôn mặt hay không

Hình 0.9 Kết quả Phát hiện khuôn mặt (Nguồn: bài báo Viola Jone Face Detection)

Weber local Description (WLD): việc nhận thức của con người về một vật

mẫu không chỉ phụ thuộc vào sự thay đổi của một kích thích (âm thanh, ánh

sáng…) mà còn phụ thuộc vào cường độ gốc của kích thích WLD gồm 2 thành

phần chính: differential excitation và gradient orientation của ảnh và xây dựng

histogram dựa trên thành phần đó

- Different excitations

 Sử dụng sự khác nhau về cường độ giữa pixel hiện tại và các hàng

xóm để miêu tả sự thay đổi của pixel hiện tại => mô phỏng quá

trình nhận dạng mẫucủa con người

 Ic: cường độ của pixel hiện tại

 Ii: cường độ của pixel lân cận I = (0,1,…p-1) p: số pixel lân cận

 Sự khác nhau giữa thành phần tử tâm và lân cận

 Để đơn giản, các giá trị của Ɵ được lượng tử hoá về T hướng trước

khi lượng tự giá trị Ɵ được đưa về [0, II]

Hình 0.10 Tính kích thích sai khác (Nguồn WLD, tác giả Jie Chen, Member, IEEE,

Shiguang Shan, Member, IEEE, Chu He, Guoying Zhao, Matti Pietikäinen, Senior

Member, IEEE, Xilin Chen, Senior Member, IEEE, Wen Gao, Fellow, IEEE)

Hình 0.11 ảnh trên là ảnh gốc ảnh thứ 2 là gốc trích chọn đặc trưng (Nguồn WLD, tác giả

Jie Chen, Member, IEEE, Shiguang Shan, Member, IEEE, Chu He, Guoying Zhao, Matti

Pietikäinen, Senior Member, IEEE, Xilin Chen, Senior Member, IEEE, Wen Gao, Fellow,

IEEE)

- WLD histogram

 Phần 0, 5: biến đổi của tần số cao

 Phần 1, 4: biến đổi của tần số trung bình

 Phần 2, 3: biến đổi của tần số thấp

Hình 0.12 Minh họa về tính toán của WLD ( Nguồn WLD, tác giả Jie Chen, Member, IEEE,

Shiguang Shan, Member, IEEE, Chu He, Guoying Zhao, Matti Pietikäinen, Senior Member,

IEEE, Xilin Chen, Senior Member, IEEE, Wen Gao, Fellow, IEEE)

2.3 Giới thiệu phương pháp phân tích thành phần chính PCA

2.3.1 Giới thiệu phương pháp PCA

Phương pháp trích chọn đặc trưng được phát minh năm 1901 bởi Karl

Pearson,và được phát triển một cách độc lập bởi Hotelling (1933) Hiện nay nó

được sử dụng như một công cụ để phân tích dữ liệu nghiên cứu và thực hiện các

mô hình dự đoán PCA còn bao gồm cả việc tính toán phân tích các giá trị đặc

trưng của một ma trận tương quan dữ liệu hay phân tính các giá trị đơn của ma

trận dữ liệu thường sau khi tính trung bình dữ liệu của mỗi thuộc tính [11],[15]

PCA là phương pháp đơn giản nhất phân tích đa biến dựa trên các vector đặc

trúc bên trong của dữ liệu Nếu một tập dữ liệu đa biến được xem xét như tập

các tọa độ trong một không gian dữ liệu nhiều chiều (mỗi trục biểu diễn một

biến) thì phương pháp PCA cung cấp cho chúng ta một bức ảnh ít chiều, một cái

bóng của vật thể khi quan sát từ chính những đặc trưng cơ bản nhất của vật thể

đó

Mục tiêu của phương pháp PCA là thực hiện giảm số chiều nhưng vẫn

đảm bảo tối đa sự phân tán dữ liệu Có thể nói phương pháp trích chọn đặc trong

tìm cách giữ lại những thành phần thống kê quan trọng nhất của tập dữ liệu ban

đầu

Giả sử ta cần giảm số chiều của dữ liệu từ N chiều xuống còn K (K<N)

chiều nghĩa là ta cần tìm một ánh xạ từ không gian N chiều sang không gian K

chiều

Trong vấn đề đang xét của luận văn này, PCA là một thuật toán được sử

dụng để tạo ra một ảnh mới từ ảnh ban đầu Ảnh mới này có kích thước nhỏ hơn

rất nhiều so với ảnh đầu vào và vẫn mang những đặc trưng cơ bản nhất của ảnh

cần nhận dạng Phương pháp PCA không cần quan tâm đến việc tìm ra các đặc

điểm cụ thể của thực thể cần nhận dạng và mối quan hệ giữa các đặc điểm đó

Tất cả các chi tiết của thực thể đều được thể hiện ở ảnh mới được tạo ra từ PCA

Bản chất của PCA là tìm ra một không gian mới theo hướng biến thiên

mạnh nhất của một tập hợp các vector trong không gian cho trước Ở không gian

mới, ta hi vọng rằng việc phân loại sẽ cho ta bộ dữ liệu tốt hơn so với bộ dữ liệu

trong không gian ban đầu

Ví dụ: giả sử tập dữ liệu ban đầu được quan sát trong không gian ba chiều

như hình bên trái Rõ ràng ba trục này (các trục có tên Databases, Data minning,

Language trong hình 3) không biểu diễn được tốt nhất mức độ biến thiên của dữ

liệu Phương pháp PCA sẽ tìm hệ trục tọa độ mới (là hệ trục không có tên trong

hình bên trái) để biểu diễn tốt nhất mức độ biến thiên của dữ liệu Sau khi tìm

được không gian mới, dữ liệu sẽ được chuyển sang không gian này để được biểu

diễn như trong hình bên phải Rõ ràng hình bên phải chỉ cần hai trục tọa độ

nhưng biểu diễn tốt hơn độ biến thiên của dữ liệu so với hệ trục toạ độ chiều ban

đầu

Một ưu điểm của PCA là các trục toạ độ mới trong không gian luôn đảm

bảo trực giao từng đôi một mặc dù trong không gian ban đầu các trục có thể

không trục giao với nhau

Hình 0.13 Lụa chọn các trục toạ độ mới để biểu diễn dữ liệu

Xem tập mẫu gồm K vestors trong không gian M chiều [5], [17]:

Trong đó là thành phần thứ m của vestor Mỗi có thể viết dưới

dạng:

Như vậy mỗi phần tử của tập mẫu bây giờ như là một vestor trong hệ cơ

sở

Bằng cách sử dụng M vectors cơ sở ta có thể biểu diễn mỗi quan sát Điều

này cũng đúng khi ta chọn cơ sở gồm M-vectors trực giao được thể hiện trong

2.2

Trong thực tế chúng ta không thể đưa tất cả các cơ sở M-chiều do nhiều lý

do khác nhau như M quá lớn hay có chứa một số thông tin không quan trọng Vì

vậy chúng ta chuyển sang không gian có số chiều nhỏ hơn là N chiều Khi đó

được gọi là cắt (truncated) khi có nhận ít nhất vestor cơ sở hơn Vậy ta

thể hiện O trong cơ sở nhỏ hơn với sai số

Để sai số xấp xỉ bé nhất thì phải chọn là N vestor riêng có ý nghĩa nhất

của S thoả mãn công thức:

(2.12)

Khi ta chon N-vestor riêng và sai số xấp xỉ là nhỏ nhất và bằng tổng M-N

trị riêng bé nhất của S thì ta được:

S = ∑ = [ , , … ]

… = O (2.14)

Do S là đối xứng nửa xác định riêng nên những vector riêng là trực giao

điều này đảm bảo cơ sở tối ưu là trực giao

Như vậy cơ sở mới được xây dựng từ cơ sở quan sát ban đầu theo phương

trình:

( ) = (2.15)

Như ta biết phép biến đổi trực giao không làm thay đổi Trace-Vết của ma

trận mà phép biến đổi cơ sở này giữ lại K-vectors riêng ứng với K-trị riêng lớn

nhất Nghĩa là sự phân bố các mẫu trong tập dữ liệu mới thu được luôn là lớn

nhất

Theo các kết quả nghiên cứu thông thường ta chọn K sao cho

∑

∑ ≥ nguong(e.g, 0.90or0.95) (2.17)

Với là các trị riêng của ma trận hiệp phương sai và ≥ ≥ ⋯ ≥

Tóm lại, phương pháp PCA ánh xạ một vector từ không gian M chiều

xuống không gian N chiều sẽ đi tìm các giá trị riêng và vector riêng của ma trận

hiệp phương sai C của tập mẫu và giữ lại N vector riêng tương ứng với N giá trị

riêng lớn nhất làm cơ sở cho không gian N chiều này

2.3.2 Đặc trưng PCA

Mục tiêu của phương pháp PCA là “giảm số chiều” của 1 tập vector sao

cho vẫn đảm bảo được “tối đa thông tin quan trọng nhất” phương pháp PCA sẽ

giữ lại K thuộc tính “mới” từ M các thuộc tính ban đầu (K<M)

2.3.3 Phương pháp phân tích thành phần chính(PCA)

2.3.3.1 Vector riêng

Xét một toán tử tuyến tính f trong không gian Rn với các vector cơ sở :