Trong bài báo này chúng tôi tập trung xây dựng hệ thống nhận dạng ảnh mặt người (với giả thiết người cần nhận dạng đã có ảnh trong tập mẫu). Các kết quả thực nghiệm đã chứng tỏ rằng phương pháp đề xuất cho kết quả tốt hơn các phương pháp truyền thống cả về sự hiệu quả và độ chính xác.
ˆ i , j , k ( x, y ) vi Tạp chí Khoa học & Công nghệ - Số 4(44) Tp 2/Năm 2007 Hm wavelet l mt hm phức toán tử ||.|| toán tử xác định độ lớn hàm phức Tập trọng số ω1 , , ωu ứng với wavelet ψ , ,ψ u , với ≤ u ≤ N ω1 = I *ψˆ1 (3) ωu = I diff *ψˆ u (4) I diff1 = I ( x, y ) (5) I diffu = I diffu −1 − Iˆu −1 (6) u Trong I diff biểu diễn sai khác ảnh gốc ảnh tái tạo ứng với wavelet, Iˆu ảnh tái tạo từ ứng với wavelet u Iˆ = ω *ψˆ (7) u u u Ảnh tái tạo cuối N −1 Iˆ = ∑ Iˆu (8) u =0 Ảnh gốc I, mạng wavelet ảnh tái tạo Iˆ trình bày hình (a) (b) (c) Hình Ảnh gốc (a), mạng wavelet (b) ảnh tái tạo (c) với N=100 2.3 Khối huấn luyện nhận dạng ảnh dùng mạng neural Loại mạng neural điển hình dùng xử lý ảnh mạng neural perception nhiều lớp MLP (multi-layer perception) Mỗi neural lớp kết nối trực tiếp với neural lớp Mạng neural sử dụng rộng rãi để huấn luyện, học mẫu mạng lan truyền ngược (back propagation) Ở đây, giá trị đầu so sánh với kết để tính giá trị hàm sai số xác định trước Giá trị hàm sai số sau truyền ngược lại mạng điều chỉnh trọng số kết nối để cực tiểu hóa lỗi Sau lặp lại trình với số lần huấn luyện đủ lớn hội tụ đến trạng thái lỗi Để điều chỉnh trọng số cách xác, phương pháp tối ưu phi tuyến gọi kỹ thuật giảm gradient áp dụng Theo đó, đạo hàm hàm sai số tương ứng với trọng số mạng tính trọng số thay đổi để giảm giá trị hàm sai số Trong nghiên cứu này, sử dụng tập đặc trưng Gabor wavelet ảnh mặt người xác định [5] Tuy nhiên kết hợp với huấn luyện nhận dạng mạng neural nhiều lớp truyền thẳng MLP sử dụng thủ tục huấn luyện lan truyền ngược Mạng neural cấu hình chế độ huấn luyện nhận dạng Ban đầu mạng khởi tạo chế độ huấn luyện tất ảnh có tập mẫu huấn luyện Các thơng số số lượng neural Nn, momentum, tỉ lệ học, số lần lặp đầu mạng biến đổi 35 Tạp chí Khoa học & Công nghệ - Số 4(44) Tp 2/Năm 2007 quỏ trỡnh hun luyn tối ưu trình huấn luyện Trong chế độ nhận dạng, đầu mạng neural mẫu tìm thấy phù hợp Các tham số thực nghiệm mạng wavelet neural cài đặt cụ thể hệ thống nhận dạng thử nghiệm trình bày chi tiết phần sau Xây dựng hệ thống nhận dạng ảnh mặt người thử nghiệm Chúng chọn liệu ảnh thử nghiệm người khác từ thư viện ảnh Yale Olivetti, ảnh cắt kích cỡ thống 92x112, người chọn ảnh khác nhau, ảnh dùng cho huấn luyện ảnh để kiểm tra kết nhận dạng Ảnh để huấn luyện chọn ảnh có độ sáng đồng nhất, khn mặt bình thường khơng biểu cảm, tư đầu thẳng ngắn Các ảnh chọn để nhận dạng kiểm nghiệm có biểu cảm khác khn mặt, độ sáng ảnh khơng đồng Hình Ảnh huấn luyện Hình Các ảnh dùng để nhận dạng thử nghiệm với độ sáng, biểu cảm khuôn mặt, tư thê khuôn mặt khác Trong thực nghiệm chúng tơi xác định mạng wavelet dựa hình chữ nhật nội tiếp lớn ảnh, coi hình chữ nhật với bốn điểm góc bốn điểm biên sát với mắt góc quai hàm khn mặt Mạng wavelet sau chia thành 8x8 điểm xác định 64 điểm đặc trưng khuôn mặt (R=64) Ở điểm đặc trưng, tần số (P=6) 10 hướng (Q=10) chọn Số chiều vector đặc trưng P*Q*R = 64x6x10 =3840 số lớn, chọn 50 giá trị đặc trưng lớn số 3840 giá trị làm đầu vào cho mạng neural Các tham số mạng neural trình huấn luyện đặt sau: số lượng neural Nn 20% tổng số neural vào, hệ số học momentum đặt 0.5 Chúng dùng hai phương án thử nghiệm Ở phương án thử nghiệm đầu tiên, mức ngưỡng lỗi đặt 0.0001, số bước lặp 250001, mức lỗi kiểm tra sau 10000 bước lặp Phương án thử nghiệm thứ 2, mức ngưỡng lỗi đặt 0.001, số bước lặp 25001, mức lỗi kiểm tra sau 1000 bước lặp Quá trình huấn luyện dừng lại mức lỗi đạt tới ngưỡng thực hết số lần lặp cho kết đầu mạng Tương tự, trình nhận dạng thực cho kết đầu mạng neural mẫu tìm thấy phù hợp Hệ thống nhận dạng thử nghiệm xây dựng MATLAB 7.01 để tận dụng khả hỗ trợ hàm xử lý Neural Wavelet MATLAB hai toolbox Neural Network Wavelet Hệ thống kết hợp xây dựng chế độ GUI để dễ dàng cho người sử dụng Đánh giá chương trình thử nghiệm Máy tính sử dụng để đánh giá hệ thống PC Intel Pentium M 1.6 GHz, 512 RAM, card tăng tốc đồ họa NVIDIA GeForce MX 4000 128 MB Thời gian nhận dạng thử nghiệm với tập mẫu ảnh người với phương án xấp xỉ 40 giây, phương án xấp xỉ giây Các kết thử nghiệm cho thấy hệ thống đặc biệt hiệu nhận dạng ảnh mang kính, mang kiểu tóc khác nhau, tư khn mặt thay đổi chút (nhưng khơng thay đổi góc chụp camera) Với số lượng người tập huấn luyện nhỏ 5, tỉ lệ nhận dạng hai phương án thử nghiệm 100% 36 T¹p chÝ Khoa häc & Công nghệ - Số 4(44) Tp 2/Năm 2007 Khi số lượng người tập mẫu lớn 5, hiệu nhận dạng ảnh thay đổi tư khuôn mặt biểu cảm giảm xuống Với phương án một, tỷ lệ nhận dạng xấp xỉ 90% với tập mẫu 10 người, kết tỉ lệ nhận dạng hệ thống với người tập mẫu xấp xỉ 92% Với phương án hai, tỷ lệ nhận dạng xấp xỉ 88% với tập mẫu 10 người, kết tỉ lệ nhận dạng hệ thống với người tập mẫu xấp xỉ 90% So sánh với nghiên cứu gần [1], [2], [3] [5], sử dụng phương án một, tỉ lệ nhận dạng có cao hơn, xét thời gian thực thi lại hiệu Trong phương án hai, tỉ lệ nhận dạng cao [1], [2], [3] tương đương [5] Như thơng qua kết thực nghiệm kết luận: phương pháp sử dụng nghiên cứu hiệu phương pháp gần đây, đặc biệt tối ưu tham số mạng neural Các hạn chế cần phải khắc phục hệ thống hệ thống không thật hiệu với khuôn mặt thay đổi biểu cảm rõ rệt, tư đầu quay với góc quay lớn, khơng sử dụng để nhận dạng ảnh với góc chụp camera khác Thời gian nhận dạng thích hợp với nhận dạng ảnh offline chưa đủ thích hợp cho ứng dụng nhận dạng online Kết luận Trong báo này, chúng tơi trình bày hệ thống nhận dạng ảnh mặt người dùng biến đổi Gabor wavelet mạng neural nhiều lớp MLP Hệ thống tỏ hiệu phương pháp nhận dạng mặt người truyền thống độ xác hiệu Kết nghiên cứu sử dụng để phát triển ứng dụng liên quan đến nhận dạng ảnh mặt người đặc biệt ứng dụng an ninh tìm kiếm, xác thực tội phạm qua ảnh Tóm tắt Nhận dạng mặt người với thay đổi tư thế, độ sáng, biểu cảm khuôn mặt thách thức Hiện có nhiều phương pháp nhận dạng mặt người, phương pháp có ưu điểm hạn chế định Bài báo trình bày phương pháp nhận dạng mặt người dùng mạng Neural biến đổi Gabor wavelet Các kết thực nghiệm chứng tỏ phương pháp đề xuất hiệu xác phương pháp truyền thống Summary Face recognition with variant pose, illumination and expression is a challenging problem Today there exist many well-known techniques for face recognition, each with its own inherent limitations In this paper, we present a novel approach to face recognition using Neural network and Gabor wavelets Experimental results show that the proposed method performs better than traditional approaches in terms of both efficiency and accuracy Tài liệu tham khảo [1] M Turk and A Pentland (1991), "Face recognition using Eigenfaces", Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp 586-591 [2] N B Peter, P H Joao and J K David (1997), "Eigenfaces vs Fisherfaces: Recognition using class specific linear projection", IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol 19, No 7, pp 711-720 [3] F S Samaria (1994) "Face recognition using hidden Markov models," PhD thesis, University of Cambridge, UK, [4] P S Penev and J J Atick (1996) "Local feature analysis: A statistical theory for object representation," Network: Computation in Neural Systems, Vol 7, pp 477-500 [5] Vinay Kumar and B Shreyas (2007), “Face Recognition Using Gabor Wavelets”, IEEE ICSCN 2007, MIT Campus, Anna University, Chennai, India Feb 22-24, 2007 pp.433-437 37 ... hợp với nhận dạng ảnh offline chưa đủ thích hợp cho ứng dụng nhận dạng online Kết luận Trong báo này, chúng tơi trình bày hệ thống nhận dạng ảnh mặt người dùng biến đổi Gabor wavelet mạng neural. .. nghiệm mạng wavelet neural cài đặt cụ thể hệ thống nhận dạng thử nghiệm trình bày chi tiết phần sau Xây dựng hệ thống nhận dạng ảnh mặt người thử nghiệm Chúng chọn liệu ảnh thử nghiệm người khác... hình (a) (b) (c) Hình Ảnh gốc (a), mạng wavelet (b) ảnh tái tạo (c) với N=100 2.3 Khối huấn luyện nhận dạng ảnh dùng mạng neural Loại mạng neural điển hình dùng xử lý ảnh mạng neural perception nhiều