Xây dựng cơ sở dữ liệu khuôn mặt tự động phục vụ nhận dạng

Bài viết này sẽ giới thiệu một phương pháp phát hiện khuôn mặt dựa trên hướng tiếp cận theo diện mạo sử dụng bộ phân loại mạnh AdaBoost. Dựa trên phương pháp này, chúng ta có thể xây dựng được cơ sở dữ liệu (CSDL) khuôn mặt một cách tự động phục vụ cho việc nhận dạng.

UED JOURNAL OF SOCIAL SCIENCES, HUMANITIES AND EDUCATION VOL.2, NO.3 (2012) XÂY DỰNG CƠ SỞ DỮ LIỆU KHUÔN MẶT TỰ ĐỘNG PHỤC VỤ NHẬN DẠNG Huỳnh Hữu Hưng, Trần Thanh Điệp, Tạ Thị Ái Nhi* TĨM TẮT Phát khn mặt người kỹ thuật dùng để xác định vị trí kích thước khn mặt người ảnh Kỹ thuật nhận biết đặc trưng khuôn mặt bỏ qua phần khác ảnh tòa nhà, cối, xe cộ,…Hiện nay, ứng dụng nhiều lĩnh vực với mục đích bảo mật Bài báo giới thiệu phương pháp phát khuôn mặt dựa hướng tiếp cận theo diện mạo sử dụng phân loại mạnh AdaBoost Dựa phương pháp này, xây dựng sở liệu (CSDL) khuôn mặt cách tự động phục vụ cho việc nhận dạng Từ khóa: Xây dựng sở liệu khuôn mặt người, phát khuôn mặt người, nhận dạng khuôn mặt người Đặt vấn đề Hiện toán nhận dạng ứng dụng rộng rãi việc xác minh tội phạm, ứng dụng bảo mật máy tính việc nhận dạng khn mặt người rút tiền trạm rút tiền tự động ATM,… Trong phạm vi báo giới thiệu phương pháp để xây dựng sở liệu khuôn mặt từ ảnh tĩnh cách tự động phục vụ nhận dạng dựa thuật toán phát khuôn mặt sử dụng phân loại mạnh AdaBoost Bên cạnh đó, cịn tạo tiền đề cho việc trích lọc tất khn mặt người có video kết hợp sở liệu với thuật toán theo dõi đối tượng giúp xây dựng chức đếm tổng số khuôn mặt xuất đoạn video Xây dựng CSDL khuôn mặt tự động từ ảnh 1.1 Đặc trưng Haar-like Đặc trưng Haar-like Viola Jones 3.[1] công bố bao gồm đặc trưng để xác định khuôn mặt người Mỗi đặc trưng Haar–like kết hợp hai ba bốn hình chữ nhật "trắng" "đen" Hình Các đặc trưng Haar-like Hình Để sử dụng đặc trưng vào việc xác định khuôn mặt người, đặc trưng Haar-like mở rộng ra, chia làm tập đặc trưng Error! Reference source not found Đặc trưng cạnh Đặc trưng đường Đặc trưng xung quanh tâm Hình Các đặc trưng mở rộng 16 TẠP CHÍ KHOA HỌC XÃ HỘI, NHÂN VĂN VÀ GIÁO DỤC TẬP 2, SỐ (2012) Dùng đặc trưng trên, ta tính giá trị đặc trưng Haar-like chênh lệch tổng pixel vùng đen vùng trắng công thức (1) Error! Reference source not found f(x) = Tổng vùng đen (các mức xám pixel) - Tổng vùng trắng (các mức xám pixel) (1) Để tính giá trị đặc trưng Haar-like, ta phải tính tổng vùng pixel ảnh Nhưng để tính tốn giá trị đặc trưng Haar-like cho tất vị trí ảnh địi hỏi chi phí tính tốn lớn, khơng đáp ứng cho ứng dụng thời gian thực Do đó, Viola Jones đưa khái niệm gọi Integral Image 3.[1], mảng chiều với kích thước với kích thước ảnh cần tính đặc trưng Haarlike, với phần tử mảng tính cách tính tổng điểm ảnh phía (dịng-1) bên trái (cột-1) Bắt đầu từ vị trí trên, bên trái đến vị trí dưới, bên phải ảnh, việc tính tốn đơn đựa phép cộng số nguyên đơn giản, tốc độ thực nhanh Sau tính Integral Image, việc tính tổng giá trị mức xám vùng ảnh thực đơn giản theo cách sau: Giả sử ta cần tính tổng giá trị mức xám vùng D Hình 3, ta tính sau: D = A + B + C + D – (A+B) – (A+C) + A Hình Ví dụ tính mức xám Với A + B + C + D giá trị điểm P4 Integral Image, tương tự A+B giá trị điểm P2, A+C giá trị điểm P3, A giá trị điểm P1 Vậy ta viết lại biểu thức tính D công thức (2) D = (x4, y4) – (x2,y2) - (x3,y3) + (x1,y1) A+B+C+D A+B A+C (2) A Tiếp theo, để chọn đặc trưng Haar-like dùng cho việc thiết lập ngưỡng, Viola Jones sử dụng phương pháp máy học gọi AdaBoost AdaBoost kết hợp phân loại yếu để tạo thành phân loại mạnh 1.2 AdaBoost AdaBoost phân loại mạnh phi tuyến phức dựa hướng tiếp cận boosting Freund Schapire đưa vào năm 1995 3.[2] Adaboost hoạt động nguyên tắc kết hợp tuyến tính phân loại yếu để hình thành phân loại mạnh 17 UED JOURNAL OF SOCIAL SCIENCES, HUMANITIES AND EDUCATION VOL.2, NO.3 (2012) Trong trình huấn luyện, phân loại yếu xây dựng, thuật toán tiến hành cập nhật lại trọng số để chuẩn bị cho việc xây dựng phân loại yếu cách tăng trọng số mẫu bị nhận dạng sai giảm trọng số mẫu nhận dạng phân loại yếu vừa xây dựng Điều giúp phân loại yếu sau tập trung vào mẫu mà phân Hình Mơ hình phân tầng kết hợp loại yếu trước làm chưa tốt Sau cùng, phân loại yếu để xác định khuôn mặt phân loại yếu kết hợp tùy theo mức độ tốt chúng để tạo nên phân loại mạnh Viola Jones dùng AdaBoost kết hợp phân loại yếu sử dụng đặc trưng Haar-like theo mơ hình phân tầng (cascade) Hình Trong đó, hk phân loại yếu, biểu diễn công thức (3) 3.[1] x: Cửa sổ cần xét p k f k (x)< p k  k  k : Ngưỡng hk = (3) ngược lại f : Giá trị đặc trưng Haar-like k p k : Hệ số định chiều phương trình AdaBoost kết hợp phân loại yếu thành phân loại mạnh Hình Giá trị phân loại mạnh H(x) = sign(a h (x) +a h (x) + + a n h n (x)) (a = alpha) Với: a t >= hệ số chuẩn hoá cho phân loại yếu h (x) h (x) h (x) H(x) h (x) h (x) h (x) Hình Kết hợp phân loại yếu thành phân loại mạnh h (x) 1.3 Hệ thống phát xác định vị htrí(x) khn mặt ảnh h (x) Trong Hình 6, từ ảnh gốc ban đầu, ta tính Integral Image, mảng chiều với phần tử (x, y) tính tổng phần tử (x', y') với x' < x y' < y, 18 TẠP CHÍ KHOA HỌC XÃ HỘI, NHÂN VĂN VÀ GIÁO DỤC TẬP 2, SỐ (2012) mục đích để tính nhanh tổng giá trị mức xám vùng hình chữ nhật ảnh gốc Các vùng ảnh đưa qua hàm Haar để ước lượng đặc trưng, kết ước lượng đưa qua điều chỉnh AdaBoost để loại bỏ nhanh đặc trưng khả đặc trưng khn mặt người Chỉ có tập nhỏ đặc trưng mà điều chỉnh AdaBoost cho có khả đặc trưng khuôn mặt người chuyển sang cho định kết (là tập phân loại yếu có cấu trúc Hình 5) Bộ định sử dụng mơ hình phân tầng Hình tổng hợp kết dựa kết trả phân loại yếu Hình Hệ thống phát xác định vị trí khn mặt người ảnh Chú ý trình xác định khuôn mặt người, vùng ảnh kiểm tra với đặc trưng chuỗi đặc trưng Haar-like, có đặc trưng Haar-like cho kết khn mặt người đặc trưng khác không cần xét Thứ tự xét đặc trưng chuỗi đặc trưng Haar-like dựa vào trọng số (weight) đặc trưng AdaBoost định dựa vào số lần thứ tự xuất đặc trưng Haar-like 1.4 Thuật toán xây dựng CSDL khuôn mặt tự động từ ảnh Thuật tốn việc xây dựng CSDL từ ảnh mơ tả Hình Với đầu vào tập tin ảnh với định dạng (Joint Photographic Group) JPEG (Joint Photographic Experts Group), hệ thống đọc liệu ảnh, chuyển thành ảnh xám tiến hành phát khn mặt có ảnh Việc phát khn mặt thực thuật tốn Adaboost thơng qua hệ thống trình bày Hình việc sử dụng hàm cvHaarDetectObjects() 3.[3] có sẵn thư viện OpenCV (Open Computer Vision) Hàm thực việc phát đối tượng dựa đặc trưng Hình Thuật tốn xây dựng CSDL khn mặt tự động 19 UED JOURNAL OF SOCIAL SCIENCES, HUMANITIES AND EDUCATION VOL.2, NO.3 (2012) haar-like nhờ vào Cascade 3.[1] truyền vào cho hàm Bộ Cascade xây dựng theo dạng (tree-node) huấn luyện từ trước Tuy nhiên, việc huấn luyện tạo liệu mẫu cơng việc khó tốn nhiều thời gian phạm vi tốn lấy mẫu khuôn mặt training sẵn từ Internet để làm liệu mẫu cho chương trình Sau đó, ta tiến hành so sánh kết lấy với liệu sẵn có đánh dấu khn mặt tìm ảnh Cuối cùng, chương trình thực việc kiểm tra lưu tất khuôn mặt ảnh để tạo thành sở liệu gồm khuôn mặt phục vụ cho việc nhận dạng tự động Kết đánh giá Thử nghiệm chương trình tập ảnh tĩnh gồm 30 ảnh định dạng JPG JPEG với nhiều kích thước khác nhau, độ xác thu việc nhận dạng khoảng 92.6% chương trình đem lại tập liệu ảnh khuôn mặt phong phú với nhiều kích thước phục vụ tốt cho q trình nhận dạng người tự động thơng qua khn mặt Hình Kết chương trình ảnh mẫu Kết luận Từ kết thu trình thử nghiệm, ta nhận thấy chương trình làm việc tốt khn mặt người nhìn thấy rõ, khơng bị che khuất độ sáng ảnh ổn định Với sở liệu khn mặt thu giúp ích nhiều việc xây dựng chương trình nhận dạng khn mặt Hơn nữa, cịn tảng cho việc xây dựng chức theo vết nhiều khuôn mặt lúc, đếm số lượng người video TÀI LIỆU THAM KHẢO [1] P Viola, M J Jones (2004), Robust real-time face detection, International Journal of Computer Vision [2] Y Freund, R Schapire (1997), A decision-theoretic generalization of on-line learning and an application to boosting, Journal of Computer and System Sciences 20 TẠP CHÍ KHOA HỌC XÃ HỘI, NHÂN VĂN VÀ GIÁO DỤC TẬP 2, SỐ (2012) [3] OpenCV Reference Manual v2.1 [4] Rainer Lienhart, Jochen Maydt, An Extended Set of Haar-like Features for Rapid Object Dectection, Intel Labs, Intel Corporration, Santa Clara, CA 95052, USA BUILDING AUTOMATICALLY FACE DATABASE FOR FACE RECOGNITION Huynh Huu Hung1, Tran Thanh Diep2, Ta Thi Ai Chi3 University of Technology, The University of Danang Center for Software Development, The University of Danang Faculty of Information Technology, University of Technology, The University of Danang ABSTRACT Face Detection is a technology that is used to determine the location and size of people’s face in any image This technology detects features of a face and skips other parts of the image such as buildings, trees, transportation, etc Currently, it is applied in many fields for security purpose This paper will introduce a face detection method based on face approach using the AdaBoost strong classifier Based on this method, we can build face database automatically to support face recognition Key words: building face database, face recognition, face detection * Huỳnh Hữu Hưng, Trường Đại học Bách khoa, Đại học Đà Nẵng Trần Thanh Điệp, Trung Tâm Phát Triển Phần Mềm, Đại học Đà Nẵng Tạ Thị Ái Nhi, Lớp Cao học KHMT-K12, Khoa Công nghệ Thông tin, Trường Đại học Bách khoa, Đại học Đà Nẵng 21 ... Với sở liệu khuôn mặt thu giúp ích nhiều việc xây dựng chương trình nhận dạng khn mặt Hơn nữa, cịn tảng cho việc xây dựng chức theo vết nhiều khuôn mặt lúc, đếm số lượng người video TÀI LIỆU... liệu sẵn có đánh dấu khn mặt tìm ảnh Cuối cùng, chương trình thực việc kiểm tra lưu tất khuôn mặt ảnh để tạo thành sở liệu gồm khuôn mặt phục vụ cho việc nhận dạng tự động Kết đánh giá Thử nghiệm... định dạng JPG JPEG với nhiều kích thước khác nhau, độ xác thu việc nhận dạng khoảng 92.6% chương trình đem lại tập liệu ảnh khuôn mặt phong phú với nhiều kích thước phục vụ tốt cho q trình nhận dạng