Đánh giá hiệu năng các phương pháp nhận dạng mặt người trên hệ thống nhúng

BỘ GIÁO DỤC VÀ ĐÀO TẠO ĐẠI HỌC ĐÀ NẴNG HỒ ANH TRANG ĐÁNH GIÁ HIỆU NĂNG CÁC PHƢƠNG PHÁP NHẬN DẠNG MẶT NGƢỜI TRÊN HỆ THỐNG NHÚNG Chuyên ngành: Kỹ thuật điện tử Mã số: 60.52.02.03 TÓM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT Đà Nẵng - Năm 2016 Cơng trình hồn thành ĐẠI HỌC ĐÀ NẴNG Ngƣời hƣớng dẫn khoa học: TS HUỲNH VIỆT THẮNG Phản biện 1: PGS.TS NGUYỄN VĂN CƢỜNG Phản biện 2: TS TRẦN THANH Luận văn bảo vệ trước Hội đồng chấm Luận văn tốt nghiệp thạc sĩ Kỹ thuật họp Đại học Đà Nẵng vào ngày 26 tháng 06 năm 2016 * Có thể tìm hiểu luận văn tại: Trung tâm Thông tin - Học liệu, Đại học Đà Nẵng MỞ ĐẦU Tính cấp thiết đề tài Nhận dạng mặt người bải toán xuất từ lâu, đến tốn khó, chưa đạt kết mong muốn Vì khả ứng dụng cơng nghệ rộng rãi đời sống ngày người nên vấn đề đáng quan tâm nhiều nhóm nghiên cứu giới Thêm với đời phát triển bùng nổ khoa học máy tính, nhận dạng mặt người đòi hỏi nhiều yêu cầu cao kết quả, độ tin cậy, tính bảo mật Với nhu cầu cấp thiết trên, luận văn hướng đến việc nghiên cứu nhận dạng sinh trắc học: nhận dạng mặt người Có nhiều phương pháp nhận dạng khuôn mặt để nâng cao hiệu suất để giải thử thách độ sáng, hướng nghiêng, kích thước ảnh, hay ảnh hưởng tham số môi trường Người ta dùng hệ thống xử lý số DSP để thực phương pháp trên, điều dẫn đến việc tiêu tốn tài nguyên chi phí thực cao, khó ứng dụng số quy mô thực tiễn nhỏ, hạn hẹp kinh tế Để giải vấn đề này, luận văn hướng đến việc thiết kế tảng hệ thống nhúng, cụ thể KIT Raspberry Pi nhỏ gọn, hạn hẹp tài ngun tính tốn có giá thành thấp với chất lượng nhận dạng chấp nhận Luận văn thực nghiên cứu, thử nghiệm kỹ thuật nhận dạng khác nhau, thử nghiệm kỹ thuật hệ thống nhúng nhằm đánh giá khả triển khai phát triển sản phẩm thông minh liên quan đến nhận dạng mặt người sinh trắc học hệ thống nhúng Mục đích nghiên cứu Luận văn thực hệ thống nhận dạng mặt người kit Raspberry Pi với nhiều thuật tốn nhận dạng khác Thơng qua việc nghiên cứu lý thuyết thực nghiệm hệ thống nhận dạng khuôn mặt người kit Raspberry Pi 2, luận văn đưa khảo sát đánh giá hiệu phương pháp dựa số tiêu chí giới hạn cụ thể Từ luận văn hướng đến việc xây dựng lựa chọn giải pháp phù hợp để triển khai ứng dụng thực tế, cụ thể ứng với trường hợp thực tiễn Đối tƣợng phạm vi nghiên cứu  Lý thuyết tổng quan hệ thống nhận dạng khuôn mặt  Phương pháp đối sánh, máy hỗ trợ vector (SVM) để nhận dạng phân lớp đối tượng ứng dụng nhận dạng mặt người  Lý thuyết tổng quan kit Raspberry Pi  Các tiêu chí đánh giá hiệu hệ thống: tỉ lệ nhận dạng đúng, thời gian nhận dạng Phƣơng pháp nghiên cứu Luận văn nghiên cứu theo phương pháp thu thập liệu kết hợp lý thuyết thực nghiệm, theo thứ tự sau: - Thu thập tài liệu nghiên cứu, bao gồm tài liệu lý thuyết thực nghiệm - Tìm hiểu, khảo sát sở vật chất, kỹ thuật công nghệ, thiết bị sẵn có, linh kiện phù hợp có mặt thị trường - Xây dựng mơ hình tổng quan nhận dạng khuôn mặt hệ thống nhúng (Raspberry Pi) - Thao tác thử nghiệm thuật toán trực tiếp phần cứng - Xây dựng kịch demo hệ thống nhận dạng khuôn mặt người để đưa đánh giá Bố cục đề tài Chƣơng 1: Tổng quan hệ thống nhận dạng mặt người Phân tích tổng quan hệ thống nhận dạng mặt người, tình hình phát triển kỹ thuật tóm tắt sơ lược phương pháp, kỹ thuật nhận dạng mặt người Chƣơng 2: Kỹ thuật trích chọn đặc trưng phương pháp phân lớp ứng dụng nhận dạng mặt người Tập trung phân tích lý thuyết cho hệ thống từ mức tổng quan đến chi tiết thuật toán Ở chương này, Luận văn trình bày lý thuyết chung cho kỹ thuật ứng dụng luận văn: kỹ thuật phân tích thành phần PCA, kỹ thuật huấn luyện phương pháp đối sánh phương pháp máy vector hỗ trợ SVM Chƣơng 3: Thực nhận dạng mặt người kit Raspberry Pi Trình bày cụ thể quy trình thực nhận dạng mặt người thực kit Raspberry Pi Chƣơng 4: Đánh giá hiệu phương pháp nhận dạng mặt người thực kit Raspberry Pi Trình bày kết đạt So sánh, đánh giá hiệu phương pháp sử dụng luận văn Từ rút kết luận, hướng phát triển đề tài Tổng quan tài liệu nghiên cứu Luận văn thực dựa nguồn tài liệu tham khảo thu thập từ nhiều nguồn khác trích dẫn suốt luận văn danh mục tài liệu liệt kê cụ thể phần Tài liệu tham khảo CHƢƠNG TỔNG QUAN VỀ HỆ THỐNG NHẬN DẠNG MẶT NGƢỜI 1.1 GIỚI THIỆU CHƢƠNG 1.2 TỔNG QUAN VỀ HỆ THỐNG NHẬN DẠNG KHUÔN MẶT 1.2.1 Các vấn đề liên quan - Đặc tính sinh trắc - Hệ thống sinh trắc học - Hệ thống nhận dạng mặt người - Hệ thống xác minh hay xác thực mặt người 1.2.2 Kiến trúc tổng quát hệ thống nhận dạng mặt ngƣời Các khối chức hệ thống: Dữ liệu đầu vào Phát khn mặt Tiền xử lý Trích xuất đặc trưng Nhận dạng 1.2.3 Những khó khăn yêu cầu hệ thống nhận dạng khuôn mặt 1.2.4 Một số nghiên cứu sản phẩm ứng dụng nhận dạng mặt ngƣời Ngày nay, giới ước tính có khoảng 79% số lượng vi xử lý dùng hệ thống nhúng Trong nước, nghiên cứu hệ thống nhận dạng khuôn mặt tập trung vào tảng PC với nhiều thuật toán phức tạp Rất nhiều nghiên cứu tác giả nước thuật tốn nhận dạng khn mặt xây dựng nhiều hệ thống thực nghiệm để đánh giá 1.3 CƠ SỞ DỮ LIỆU TRONG NHẬN DẠNG KHUÔN MẶT 1.3.1 Các sở liệu nhận dạng khuôn mặt Cơ sở liệu ORL AT&T Cơ sở liệu MIT-CBCL Cơ sở liệu SCface-Surveillance Cameras Face Cơ sở liệu The Yale Face Cơ sở liệu Grimace Cơ sở liệu Face96 Cơ sở liệu LFW Trong đề tài em chọn sở liệu ORL AT&T, Face96, Grimace LFW 1.3.2 Phạm vi nghiên cứu đề tài Luận văn chọn phương pháp nhận dạng khuôn mặt người sử dụng phương pháp phân tích thành phần PCA kết hợp với huấn luyện máy hỗ trợ vector SVM phương pháp huấn luyện đối sánh mẫu 1.4 KẾT LUẬN CHƢƠNG CHƢƠNG KỸ THUẬT TRÍCH CHỌN ĐẶC TRƢNG VÀ PHƢƠNG PHÁP PHÂN LỚP ỨNG DỤNG TRONG NHẬN DẠNG MẶT NGƢỜI 2.1 GIỚI THIỆU CHƢƠNG 2.2 KỸ THUẬT PHÁT HIỆN KHN MẶT BẰNG THUẬT TỐN HAAR 2.2.1 Tổng quan đặc trƣng Haar-like Đặc trưng Haar-like diễn đạt tri thức đối tượng ảnh (bởi biểu diễn mối liên hệ phận đối tượng), điều mà thân điểm ảnh không diễn đạt Mỗi đặc trưng Haar-like chứa 2, miền hình học có màu “trắng” “đen” 2.2.2 Mơ hình phân tầng Cascade of Classifiers Ta thấy trình huấn luyện, phân loại phải duyệt qua tất đặc trưng mẫu tập training Việc tốn nhiều thời gian Mơ hình phân tầng Cascade of Classifiers xây dựng nhằm rút ngắn thời gian xử lý, giảm thiểu false alarm cho phân loại Ưu nhược điểm phương pháp 2.3 CÁC PHƢƠNG PHÁP NHẬN DẠNG MẶT NGƢỜI Nhận dạng mặt người nói chung có hai phương pháp Ngoài phương pháp nhận dạng 3D nghiên cứu phát triển 2.3.1 Nhận dạng dựa mối quan hệ phần tử (Feature Based) a Phương pháp dùng biến đổi Gabor Wavelet mạng Nơron b Phương pháp SVM 2.3.2 Nhận dạng dựa xét tồn diện khn mặt (Appearance Based) a Nhận dạng PCA b Nhận dạng LDA 2.4 KỸ THUẬT TRÍCH CHỌN ĐẶC TRƢNG PCA 2.4.1 Giới thiệu phƣơng pháp PCA PCA viết tắt Principle Components Analysis, gọi phương pháp phân tích thành phần chính, kỹ thuật hữu ích ứng dụng nhận dạng nén ảnh, kỹ thuật phổ biến để tìm mẫu liệu nhiều chiều 2.4.2 Thuật toán PCA Một ảnh khn mặt 2D có kích thước RxC, xem vector có chiều N= RxC Tồn ảnh biểu diễn tập hợp điểm không gian rộng lớn Ý tưởng đặt làm biểu diễn khuôn mặt vector không gian khác chứa đặc trưng ảnh, không gian gọi “không gian mặt người” 2.5 PHƢƠNG PHÁP ĐỐI SÁNH TRONG NHẬN DẠNG Sau ảnh đầu trích rút vector đặc trưng, vector đưa vào khối đối sánh (Matching) để so sánh với vector đặc trưng tập ảnh có sở liệu gọi xác định khuôn mặt với phân lớp láng giềng gần (neareast neighbor classifier) Có hai phương pháp đơn giản thường sử dụng đây, là: Khoảng cách Euclides khoảng cách Mahalanobis 2.6 PHƢƠNG PHÁP MÁY VECTOR HỖ TRỢ Thuật toán máy vector hỗ trợ (Support Vector Machines SVM) Corters Vapnik giới thiệu vào năm 1995 SVM hiệu để giải tốn với liệu có số chiều lớn vector biểu diễn văn SVM sử dụng thuật toán nhằm xây dựng siêu phẳng để phân tách liệu SVM có khả lớn cho ứng dụng toán phân lớp văn hay nhận dạng Bài toán SVM toán phân loại hai lớp 2.7 KẾT LUẬN CHƢƠNG 10 3.2.3 Hệ điều hành – phần mềm Một số hệ điều hành chạy Raspberry pi Raspbian, Pidora, openSUSE, OpenWRT, OpenELEC,…Riêng phiên Raspberry Pi mắt ngày 2/2/2015 chạy hệ điều hành Windows 10 3.2.4 Ƣu – nhƣợc điểm 3.3 CÔNG CỤ OPENCV 3.3.1 Giới thiệu OpenCV OpenCV thiết kế cách tối ưu, sử dụng tối đa sức mạnh dòng chip đa lõi … để thực phép tính tốn thời gian thực, nghĩa tốc độ đáp ứng đủ nhanh cho ứng dụng thông thường OpenCV thư viện thiết kế để chạy nhiều tảng khác (cross-patform), chạy hệ điều hành Window, Linux, Mac, iOS … 3.3.2 Tổ chức thƣ viện OPENCV Bao gồm thư viện xử lý ảnh giải thuật thị giác máy tính, thuật toán học máy, bao gồm nhiều phân cụm phân loại thống kê, thủ tục vào ra, chức lưu trữ đọc file ảnh video Các chức openCV tập trung vào thu thập ảnh, xử lí ảnh thuật tốn phân tích liệu ảnh 3.3 THƢ VIỆN SCIKIT-LEARN Scikit-learn thư viện mạnh mẽ viết Python, hỗ trợ thuật toán machine learning phục vụ cho việc xây dựng mô hình dự đốn 11 3.4 NGƠN NGỮ PYTHON 3.4.1 Giới thiệu Python Python ngơn ngữ lập trình thông dịch Guido van Rossum tạo năm 1990 Python ngơn ngữ kịch hướng đối tượng, ngơn ngữ cấp cao có khả thơng dịch có tính tương tác cao Python hỗ trợ mạnh cho phong cách lập trình hướng đối tương kỹ thuật lập trình gói mã đối tượng 3.4.2 Các chức Python Có chức thơng thường ngơn ngữ lập trình đại Có thư viện lớn, dễ sử dụng có tính tương thích cao đặc biệt hoạt động đa nền: UNIX, Windows and Macintosh Python sử dụng ngôn ngữ script, ngôn ngữ biên dịch, nhờ mà ta viết chương trình lớn Python hỗ trợ chế độ Interactive, nhờ mà ta nhập kết từ đầu cuối khác vào chương trình Python, nhờ mà việc test kiểm tra lỗi code trở nên đơn giản Python cho phép người lập trình tích hợp mơ-đun cấp thấp, tool tùy chọn vào trình thơng dịch Điều giúp cho việc lập trình Python trở nên dễ dàng hiệu 3.5 THỰC HIỆN NHẬN DẠNG KHUÔN MẶT TRÊN KIT RASPBERRY PI 3.5.1 Phƣơng pháp đối sánh Đây quy trình nhận dạng khn mặt offline kit Raspberry Pi, mục đích nhằm khảo sát đánh giá thuật tốn thực kit nhúng Với liệu hình ảnh khn mặt có sẵn, 12 tổng hợp lại sở liệu với nhiều loại ảnh khác nhau, nhiều người 3.5.2 Phƣơng pháp SVM Trong phương pháp này, thuật toán SVM, loại one-vs-one, phân loại đa lớp sử dụng để nhận diện mẫu liệu Với n-class (số lớp) cho trước, mơ hình phân tách thành hai lớp, xây dựng n-class*(n-class-1)/2 mơ hình từ n-class lớp, từ mẫu qua số phân lớp so sánh, phân biệt với CHƢƠNG ĐÁNH GIÁ CÁC PHƢƠNG PHÁP NHẬN DẠNG MẶT NGƢỜI ĐƢỢC THỰC HIỆN TRÊN KIT RASPBERRY PI 4.1 GIỚI THIỆU CHƢƠNG 4.2 KẾT QUẢ NHẬN DẠNG KHUÔN MẶT SỬ DỤNG THUẬT TOÁN ĐỐI SÁNH TRÊN RASPBERRY PI Kết thực nhận dạng khn mặt dùng thuật tốn đối sánh để phân lớp kit Raspberry Pi thực thi lại tham khảo kết công bố Luận văn“Nghiên cứu phát triển hệ thống nhận dạng mặt người ứng dụng bảo mật”, tác giả Trương Văn Trương – Đại học Đà Nẵng, 2016[8] Luận văn dựa kết đạt phần để đưa đánh giá, nhận xét hiệu phương pháp kỹ thuật sử dụng, từ đưa kết luận việc ứng dụng kết thực tế - Kết khảo sát chia làm nhóm đồ thị: + Số lượng ảnh huấn luyện ảnh hưởng đến thời gian huấn luyện nhận dạng 13 + Số lượng ảnh đối tượng tập huấn luyện ảnh hưởng đến thời gian nhận dạng độ xác nhận dạng + Số lượng eigenface giữ lại cho đối tượng tập huấn luyện ảnh hưởng đến thời gian nhận dạng độ xác nhận dạng Thời gian huấn luyện (s) Số lƣợng ảnh huấn luyện - Thời gian huấn luyện 150 100 AT&T 50 Grimace 40 60 80 100120140160180200260360 Face96 Số lƣợng ảnh huấn luyện Thời gian nhận dạng (ms) Số lƣợng ảnh huấn luyện - Thời gian nhận dạng 700 600 500 400 300 200 100 AT&T Grimace Face96 40 60 80 100120140160180200260360 Số lƣợng ảnh huấn luyện Hình 4.2 Nhóm đồ thị số lượng ảnh huấn luyện ảnh hưởng đến thời gian huấn luyện nhận dạng 14 Thời gian nhận dạng (ms) Số lƣợng ảnh/đối tƣợng - Thời gian nhận dạng 350 250 AT&T 150 Grimace 50 -50 10 Face96 Số lƣợng ảnh đối tƣợng Độ xác (%) Số lƣợng ảnh/đối tƣợng - Độ xác 100 90 80 AT&T 70 Grimace 60 Face96 50 10 Số lƣợng ảnh đối tƣợng Hình 4.3.Nhóm đồ thị số lượng ảnh đối tượng tập huấn luyện ảnh hưởng đến thời gian nhận dạng độ xác nhận dạng 15 Thời gian nhận dạng (ms) Số lƣợng eigenface/đối tƣợng - Thời gian nhận dạng 400 300 AT&T 200 Grimace 100 Face96 10 13 16 20 Số lƣợng eigenface/đối tƣợng Số lƣợng eigenface/đối tƣợng - Độ xác Độ xác (%) 100 80 60 AT&T 40 Grimace 20 Face96 10 13 16 20 Số lƣợng eigenface/đối tƣợng Hình 4.4 Nhóm đồ thị số lượng eigenface giữ lại cho đối tượng tập huấn luyện ảnh hưởng đến thời gian nhận dạng độ xác nhận dạng 16 Nhận xét - Nhóm biểu đồ số lượng ảnh tập huấn luyện ảnh hưởng đến thời gian huấn luyện nhận dạng: Tập liệu AT&T cho tốc tộ huấn luyện nhận dạng nhanh hẳn với kích cỡ tập huấn luyện Với tập thư viện khoảng 400 ảnh, thời gian để nhận dạng mẫu nhanh (bé 1s) Điều cho thấy tốc độ tính tốn ma trận Raspberry Pi tốt - Nhóm biểu đồ số lượng ảnh cho đối tượng tập huấn luyện ảnh hưởng đến thời gian nhận dạng độ xác: Bộ sở liệu AT&T cho kết nhận dạng tốt, sở liệu Face96 thu kết thấp Điều cho thấy ảnh tập huấn luyện cần chuẩn bị tốt để phù hợp với hệ thống Số lượng ảnh từ đến 10 cho đáp ứng thời gian không chênh lệch độ xác nhận dạng lại tăng cao Vì vậy, nên lựa chọn khoảng 10 ảnh cho đối tượng tập huấn luyện - Nhóm biểu đồ số eigenface cho đối tượng tập huấn luyện ảnh hưởng đến thời gian nhận dạng độ xác: Số lượng eigenface cho đối tượng thay đổi từ đến 10 không gây ảnh hưởng nhiều đến thời gian độ xác nhận dạng, số lượng eigenface 20 tốc độ giảm hẳn Vì hệ thống dùng Raspberry Pi với thuật tốn PCA nên lựa chọn 10 eigenface để tính tốn 4.3 KẾT QUẢ NHẬN DẠNG KHN MẶT SỬ DỤNG THUẬT TOÁN SVM TRÊN RASPBERRY Trước tiên, Luận văn khảo sát hiệu thuật toán liệu LFW, đánh giá dựa tỉ lệ nhận dạng Kết 17 thực nghiệm rằng, tỉ lệ nhận dạng thấp gần đạt khoảng 30%, thời gian nhận dạng khuôn mặt lâu Với kích cỡ liệu lớn, kích thước ảnh 250 x 250, độ phức tạp ảnh cao, thuật toán đối sánh dùng luận văn có tính kỹ thuật khơng phức tạp, tính khoảng cách để so sánh điểm mẫu ảnh, thích hợp ứng dụng trường hợp liệu sở nhỏ, ảnh khơng có độ phức tạp cao, dùng ảnh cho người để đối sánh Vì vậy, sử dụng khảo sát LFW hiệu phương pháp không cao Khảo sát 1: Sử dụng liệu LFW làm chuẩn, đánh giá tỉ lệ nhận dạng thời gian nhận dạng mặt người thông qua thông số “số lượng eigenfaces” Ở số eigenfaces đưa tổng số eigenfaces nhiều người trích xuất lần khảo sát Trung bình người ứng với 15-22 eigenfaces cho việc huấn luyện Kết tỉ số nhận dạng xác: 18 Tỉ lệ nhận dạng xác % 100 80 60 40 20 Hình 4.5 Tỉ lệ nhận dạng với nhóm khảo sát tổng số eigenfaces = 150 Lần lượt thay đổi tăng dần số lượng eigenfaces, thuật toán SVM huấn luyện cho kết sau: Trung bình tỉ lệ nhận dạng (%) ứng với số tổng số eigenfaces 100 50 20 50 100 150 eigenfaces eigenfaces eigenfaces eigenfaces Tỉ lệ nhận dạng trung bình(%) Hình 4.6 Tỉ lệ nhận dạng ứng với tổng số eigenfaces, khảo sát với thông số min_faces_per_person =70 19 Thời gian trích đặc trưng PCA (s) 15 10 20 eigenfaces 50 eigenfaces 100 eigenfaces 150 eigenfaces Hình 4.7 Thời gian trung bình trích đặc trưng PCA để đưa eigenfaces mặt người Thời gian nhận dạng khuôn mặt (s) 0.8 0.6 0.4 0.2 20 eigenfaces 50 eigenfaces 100 eigenfaces 150 eigenfaces Hình 4.8 Thời gian nhận dạng khn mặt sau liệu huấn luyện Khảo sát 2: Luận văn sử dụng số lượng eigenfaces cố định, khảo sát hiệu thuật tốn thơng qua thơng số “số lượng ảnh người” Với nhóm khảo sát, chọn số min_faces_per_person = 50, tức lúc thuật toán làm việc liệu có 1560 ảnh chứa 1850 khn mặt Kết sau: 20 Tỉ lệ nhận dạng xác (s) 100 80 60 40 20 Hình 4.12 Kết tỉ lệ nhận dạng tăng kích cỡ liệu Nhận xét: Với khảo sát thứ nhất, số lượng eigenfaces tăng lên cho kết nhận dạng khuôn mặt cao, lên đến 90%, điều đồng thời làm cho thời gian nhận dạng kéo dài Qua thực nghiệm kit cho thấy, số lượng eigenfaces từ 100 đến 150, tương ứng với cá nhân trích xuất khoảng 15-25 eigenfaces tỉ lệ nhận dạng gần đạt đến kết thỏa mãn Xét thời gian nhận dạng, thời gian trung bình từ 1s đến 2s hệ thống nhận dạng mặt người Thời gian trích xuất đặc trưng dùng PCA chiếm khoảng 5-7% thời gian thực xử lý, thời gian huấn luyện SVM chiếm toàn thời gian xử lý 9394%, thời gian nhận diện khuôn mặt sau huấn luyện gần nhanh, chưa đến 1% thời gian xử lý khối công việc kit nhúng Với khảo sát thứ hai, số lượng ảnh người hiệu nhận dạng cao Tuy nhiên liệu lớn thời gian thực thuật tốn huấn luyện dài người có số lượng 21 ảnh nhiều có tỉ lệ nhận dạng khơng cao so với liệu nhỏ 4.4 ĐÁNH GIÁ HIỆU NĂNG CÁC PHƢƠNG PHÁP THỰC HIỆN 4.4.1 Phƣơng pháp PCA kết hợp phân loại đối sánh mẫu Qua kết thực ta nhận thấy PCA kết hợp với khoảng cách Euclide thuật toán đơn giản mang lại hiệu tốt toán nhận dạng mặt người Hiệu suất nhận dạng gần 100% tập AT&T, Grimace, từ 85%-95% tập Face96, với việc sử dụng số eigenfaces thực khoảng 20 Tỉ lệ nhận dạng đạt từ 70%-80% số eigenfaces khoảng 10 Về thời gian nhận dạng, thuật toán đạt kết tốt tốn chưa đến 1s để nhận diện khuôn mặt phần lớn tập liệu đơn giản, điển hình với tập AT&T cho kết tốt Từ việc kiểm nghiệm với nhiều sở liệu thay đổi nhiều thông số khác nhau, Luận văn cho thấy kết tốt trường hợp khuôn mặt ảnh có góc nghiêng bé, hình ảnh có điều kiện chụp tốt sẽ điều kiện ánh sáng hay ảnh thay đổi thất thường Kết thuật toán phụ thuộc nhiều vào tương quan sở liệu train test Khi tập liệu train chứa đầy đủ mẫu nhiều điều kiện khác kết test cao Nên thuật tốn PCA nói chung hay PCA kết hợp phương pháp đối sánh, việc xậy dựng tập sở liệu tốt điều quan trọng Kết luận khơng thể phủ 22 nhận hiệu trội kỹ thuật nhận dạng mặt người Đề xuất, khuyến nghị giải pháp thực tiễn: Đi đến ứng dụng thực tiễn, hệ thống cần sở liệu nhỏ, quy mô quản lý không lớn, hình ảnh nhận dạng ổn đinh… dùng phương pháp lựa chọn phù hợp Ứng dụng cho ngơi nhà thơng minh văn phòng cơng ty tư nhân…là đề xuất tốt lựa chọn phương pháp Lí hạn chế khối lượng xử lý kit nhúng, thời gian xử lý nhận dạng nhanh, hiệu nhận dạng cao, tiết kiệm lượng chi phí nhiều 4.4.2 Phƣơng pháp PCA kết hợp phân loại SVM Nhằm cải thiện hiệu suất nhận dạng hệ thống có sở liệu lớn phức tạp, nhận dạng khuôn mặt dùng PCA kết hợp với máy vector hỗ trợ phát triển luận văn Với thông số khảo sát : số lượng eigenfaces, số ảnh liệu cá nhân, phương pháp có hiệu suất nhận dạng cao ổn định hẳn Kết tỉ lệ nhận dạng đạt từ 83%-95% liệu LFW, liệu phức tạp quy mơ Một ưu điểm thấy qua kết dù lượng thơng tin vào bước phân lớp ( 50 đến 100 eigenfaces cá nhân thử nghiêm, tức trung bình từ -14 eigenfaces cho cá nhân cần nhận diện) kết nhận dạng cao (đạt gần 80%) Đối với hệ thống có số lượng ảnh train nhiều dùng SVM tốt phương pháp đối sánh tính xác thời gian 23 thực Đó dùng SVM, đầu vào phân tách đa phân loại dựa theo chế nhị phân Trong đó, dùng phương pháp đối sánh phải so với tất ảnh tập huấn luyện sở liệu việc tính khoảng cách để xác định điểm liệu, nên thời gian thực lâu tỉ lệ sai tăng cao Ngoài ra, thời gian nhận dạng với phương pháp từ 1s đến 2s, điều chấp nhận tốt với sở liệu lớn nhiều Đề xuất, khuyến nghị giải pháp thực tiễn: Với hệ thống tư nhân, thương mại có quy mơ lớn hơn, hệ thống sử dụng thuật toán giải pháp phù hợp Cơ sở liệu lên đến hàng ngàn hiệu thực tương đối tốt, nên phương pháp đáp ứng nhu cầu ứng dụng thực tế Với yêu cầu cao hơn, qua kết đánh giá trên, để thu kết nhận dạng với độ xác cao cần tối ưu phương pháp thông số kỹ thuật, nhiên điều đòi hỏi thời gian xử lý huấn luyện liệu lâu Với tiêu chí đặt tiết kiệm lượng, chi phí tính nhỏ gọn, kinh tế kit Raspberry Pi, hiệu hai phương pháp chấp nhận ứng dụng thực tế Việc ứng dụng hệ thống vào thực tế gặp vấn đề thách thức thông số môi trường, chất lượng ảnh thu hay chí chi phí kinh tế cho hệ thống Đây tốn tính toán cân phân chia tài nguyên hợp lý ứng dụng mà người triển khai cần cân nhắc thực 4.5 KẾT LUẬN CHƢƠNG 24 KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN ĐỀ TÀI Kết luận Luận văn trình bày đánh giá hiệu phương pháp nhận dạng mặt người hệ thống nhúng, cụ thể hai phương pháp nhận dạng: đối sánh máy hỗ trợ vector Hƣớng phát triển đề tài Sử dụng phần cứng Raspberry Pi để thi công thiết kế sản phẩm công nghệ áp dụng thực tế nhận dạng khuôn mặt, thực thi đời sống Thực nhận dạng khn mặt trực tiếp thuật tốn sản phẩm thương mại Sử dụng kết hợp với nhiều thuật toán khác như: ICA, Neural Network để xử lý cách xác Thực khảo sát tiêu chí khác hiệu để nâng cao chất lượng kỹ thuật nhận dạng mặt người hệ thống nhúng Kết hợp xây dựng giao diện phần mềm trực quan ... nghiên cứu đề tài Luận văn chọn phương pháp nhận dạng khuôn mặt người sử dụng phương pháp phân tích thành phần PCA kết hợp với huấn luyện máy hỗ trợ vector SVM phương pháp huấn luyện đối sánh... thiểu false alarm cho phân loại Ưu nhược điểm phương pháp 2.3 CÁC PHƢƠNG PHÁP NHẬN DẠNG MẶT NGƢỜI Nhận dạng mặt người nói chung có hai phương pháp Ngồi phương pháp nhận dạng 3D nghiên cứu phát triển... hiệu thực tương đối tốt, nên phương pháp đáp ứng nhu cầu ứng dụng thực tế Với yêu cầu cao hơn, qua kết đánh giá trên, để thu kết nhận dạng với độ xác cao cần tối ưu phương pháp thông số kỹ thuật,