Nhận dạng ảnh dùng mạng truyền thẳng

ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH TRƯỜNG ĐẠI HỌC BÁCH KHOA PHAN TRẦN HỒ TRÚC NHẬN DẠNG ẢNH DÙNG MẠNG TRUYỀN THẲNG CHUYÊN NGÀNH : ĐIỀU KHIỂN HỌC KỸ THUẬT MÃ SỐ NGÀNH : 2.05.01 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH – 11/2004 CÔNG TRÌNH ĐƯC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH Cán hướng dẫn khoa học : GVC TS NGUYỄN THIỆN THÀNH Cán chấm nhận xét : TSKH HỒ ĐẮC LỘC Cán chấm nhận xét : TS HOÀNG MINH TRÍ Luận văn thạc só bảo vệ HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA, ngày 24 -11 - 2004 TRƯỜNG ĐẠI HỌC BÁCH KHOA PHÒNG ĐÀO TẠO SĐH CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM ĐỘC LẬP – TỰ DO – HẠNH PHÚC Tp HCM, ngày tháng năm 2004 NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên : PHAN TRẦN HỒ TRÚC Ngày, tháng, năm sinh : 10 – 01 –1980 Chuyên ngành : Điều khiển học kỹ thuật I - TÊN ĐỀ TÀI : Phái : Nam Nơi sinh : Bến Tre MSHV : ĐKKT13.017 NHẬN DẠNG ẢNH DÙNG MẠNG TRUYỀN THẲNG II- NHIỆM VỤ VÀ NỘI DUNG : III- NGÀY GIAO NHIỆM VỤ (Ngày ký Quyết định giao đề tài): 09-02-2004 IV- NGÀY HOÀN THÀNH NHIỆM VỤ: 24-11-2004 V- HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN: GVC TS NGUYỄN THIỆN THÀNH CÁN BỘ HƯỚNG DẪN CHỦ NHIỆM NGÀNH BỘ MÔN QUẢN LÝ NGÀNH (Học hàm, học vị, họ tên chữ ký) Nội dung đề cương luận văn thạc só Hội Đồng Chuyên Ngành thông qua PHÒNG ĐÀO TẠO SĐH Ngày tháng năm 2004 KHOA QUẢN LÝ NGÀNH LỜI CẢM ƠN Xin gửi lời cảm ơn sâu sắc đến thầy cô trường Đại học Bách Khoa Thành phố Hồ Chí Minh, đặc biệt thầy cô Bộ môn Điều khiển Tự động, Khoa Điện – Điện tử tận tâm truyền đạt kiến thức quý báo suốt hai năm học Sau đại học trường Những kiến thức góp nhặt qua trình học tảng để hoàn thành luận văn Cảm ơn thầy TS Nguyễn Thiện Thành nhiệt tình hướng dẫn, định hướng giúp đỡ việc lựa chọn đề tài triển khai thực nội dung luận văn Đặc biệt, muốn gởi đến thầy Huỳnh Thái Hoàng - người vừa thầy, vừa cấp trên, đồng nghiệp tạo cho điều kiện làm việc, nghiên cứu tốt, chia sẻ kinh nghiệm góp ý để luận văn hoàn chỉnh, lời cảm ơn chân thành Xin dành tặng công trình cho ba mẹ, cô Sáu, người bạn gái gia đình – chỗ dựa tinh thần động lực để phấn đấu Cảm ơn người anh trai em gái làm tròn nghóa vụ chăm sóc ba mẹ để toàn tâm học tập, nghiên cứu suốt thời gian qua Cảm ơn bạn lớp có trao đổi, đóng góp ý kiến đề tài luận văn Cuối cùng, cảm ơn bạn đồng hương phòng trọ động viên tinh thần, ưu tiên cho không gian điều kiện sinh hoạt, học tập thoải mái TP HCM, tháng 10/2004 Tác giả iii TÓM TẮT Lónh vực xử lý nhận dạng ảnh, đặc biệt nhận dạng mặt người thu hút nhiều quan tâm nghiên cứu giới Có nhiều phương pháp nhận dạng mặt đề xuất nhận dạng dùng phép biến đổi DCT (Discrete Cosine Transform), Gabor Wavelets, nhận dạng đặc trưng hình học, cách so sánh giản đồ, v.v… Trong phương pháp eigenface Turk Pentland đề xuất năm 1991 liên tục ứng dụng cải thiện Phương pháp eigenface phương pháp lý thuyết thông tin dựa kỹ thuật phân tích thành phần thiết yếu (Principal Component Analysis - PCA) Luận văn thực hệ thống nhận dạng mặt người dùng mạng neuron nhân tạo với đầu vào huấn luyện nhận dạng lấy giải thuật PCA Bên cạnh việc sử dụng phương pháp eigenface, luận văn trình bày số kỹ thuật xử lý ảnh bước tiền xử lý để cải thiện chất lượng hệ thống Mạng neuron nhân tạo thiết kế thực ngôn ngữ C++ để nâng cao tốc độ huấn luyện nhận dạng, nhằm mục đích tiến tới ứng dụng hệ thống thời gian thực Các thí nghiệm tiến hành nhiều tập liệu ảnh khác (thể hầu hết khó khăn nhận dạng mặt thay đổi hướng cường độ sáng, vị trí mặt ảnh biểu lộ cảm xúc mặt, … ) dựa nhiều lựa chọn thông số eigenface, thông số mạng neuron khác nhằm xác định tỉ lệ nhận dạng xác đạt thông số tối ưu cho hệ thống iv ABSTRACT The field of image processing and recognition, especially face recognition, has been interested and researched lately Many face recognition approaches have been proposed such as the approach using DCT (Discrete Cosine Transform), Gabor Wavelets, geometric features, graph matching, etc., among which is the Eigenface method The Eigenface technique for face recognition is an information theory approach based on principal component analysis (PCA) as proposed in 1991 by Turk and Pentland This thesis is to implement a face recognition system using a neural networks whose inputs are provided by a face-feature extractor PCA technique is used to extract face features Besides using eigenface method for face recognition, the thesis presents a range of image processing techniques as potential pre-processing steps, which attemp to improve the performance of this method An artificial neural networks C++ library is designed and implemented to speed up the time-consuming training and testing tasks in order to be used in real-time systems Verification tests are carried out on various data sets comprised of images that present typical difficulties when trying recognition, such as strong variation in lighting direction and intensity, face locations in images and changes in facial expression Also, a wide range of eigenface and neural networks parameters are chosen to evaluate the performance so that the optimized ones can be determined Results are compared with previous papers v MỤC LỤC Nhiệm vụ luận văn thạc só i Lời cảm ơn ii Tóm tắt iii Muïc luïc v Chương – Giới thiệu Chương – Ảnh số 12 2.1 2.2 2.3 2.4 2.5 Mô hình đơn giản ảnh số Lấy mẫu lượng tử hoá Xử lý nhiễu ảnh Đặc trưng ảnh số Làm histogram 13 14 16 27 38 Chương – PCA 45 3.1 Toång quan 3.2 Taïi PCA? 3.3 Cốt lõi PCA 3.4 Độ lệch mục tiêu 46 46 48 52 3.5 Giaûi PCA vector riêng ma trận hiệp tương quan 59 3.6 Giải tổng quát kỹ thuật phân tích trị đơn 63 3.7 Kết luận 66 Chương – Neural Networks 70 4.1 Mạng neuron sinh học 72 4.2 Mạng neuron nhân tạo 73 4.3 Thiết kế thực 82 4.4 Kết chương 94 Chương – Hệ thống nhận dạng mặt 95 5.1 Giới thiệu 95 5.2 Thực 97 Kết 104 Kết luận 107 vi Hướng phát triển 108 Phuï luïc 109 Tài liệu tham khảo 112 Toùm tắt lý lịch khoa học 114 Chương 1 Giớ i thiệ u CHƯƠNG GIỚ I THIỆ U Khi ta đọc mà tốn công sức nghóa có nhiều công sức dành để viết Enrique Jardiel Poncela Đối với người, việc nhận dạng mặt người việc dễ dàng; nhiên hệ thống nhận dạng mặt người máy tính chưa đạt chất lượng hoàn toàn tin cậy Các khó khăn gặp phải thay đổi lớn diện mạo mặt, kích thước đầu, độ nghiêng điều kiện môi trường (chiếu sáng) Những khó khăn làm cho việc nhận dạng mặt người trở thành toán tảng ngành khoa học phân tích mẫu vật Trong năm gần đây, giới việc quan tâm nghiên cứu lónh vực ngày có chiều hướng gia tăng, nhờ vào tiềm ứng dụng thương mại nó, chẳng hạn xử lý phim ảnh, khoa học hình sự, xác định nhân dạng, hệ thống điều khiển truy xuất (access control), hệ thống an ninh … 1.1 Sơ lược “Nhận dạng mặt người”: Các phương pháp nhận dạng mặt 2D: Mạng neuron: • Mạng neuron nhận dạng thường dùng kỹ thuật lan truyền ngược Chương Giớ i thiệ u • Cho kết tốt việc phát cục hoá so với việc nhận dạng Phân tích đặc trưng: • Cục hoá đặc trưng • Khoảng cách đặc trưng • Đặc điểm đặc trưng Eigenface: • Là phương pháp sử dụng lý thuyết thông tin • Xác định thành phần thiết yếu Phát mặt dùng mạng neuron Henry A Rowley, Shumeet Baluja, Takeo Kanade –Đại học CMU, Pittsburgh Ảnh vào Cửa sổ trích (20 x 20 pixel) Tiền xử lý Lớp ẩn Mạng neuron Chương Hệ thố ng nhậ n ng mặ t 101 Trong chương trình phần mềm kèm theo luận văn, phần thực giai đoạn tiền huấn luyện: Hình 5.3: Giao diện chương trình để trích đặc trưng mặt Hình 5.4: Một số eigenface 102 Chương Hệ thố ng nhậ n ng mặ t Mỗi liệu huấn luyện mặt chuẩn hoá Φi biểu diễn sở vector riêng dạng vector:  w1i   i w Ωi =    M   i   wK  , i = 1, 2, 3, … , M Mạng neuron nhận vector làm đầu vào huấn luyện với ngõ tương ứng định trước Sau học xong toàn liệu huấn luyện, mạng dùng để nhận dạng mặt tập liệu kiểm tra mặt lạ *) Nhận dạng mặt dùng eigenface: Cho ảnh chưa biết biểu diễn dạng vector cột T (ảnh chuẩn hoá hình học cường độ sáng giống giai đoạn huấn luyện) Bước 1: chuẩn hoá T thành Φ: Φ=T–Ψ Bước 2: chiếu Φ lên không gian vector riêng (eigenface) ∧ K Φ = ∑ wi u i (wi = uiTΦ) i =1 Bước 3: biểu diễn Φ dạng vector cột:  w1  w  Ω= 2  M     wK  Bước 4: đưa vector Ω vào mạng neuron, tính giá trị ngõ Chương Hệ thố ng nhậ n ng mặ t 103 Tuỳ thuộc giá trị ngõ mạng neuron mà ta kết luận, ví dụ ngõ 1000000000 tương ứng với người thứ nhất, ngõ 0100000000 tương ứng với người thứ 2, … 5.2.3 Lựa chọn số vector riêng K: Với tập liệu huấn luyện có M = 50 ảnh, ta có tối đa 50 vector riêng (50 eigenface) ma trận hiệp tương quan Các vector riêng xếp theo thứ tự cho giá trị riêng tương ứng giảm dần Các eigenface sau thông tin giúp ích cho việc nhận dạng chúng giảm Qua thực nghiệm, quan hệ số eigenface sử dụng độ xác nhận dạng biểu diễn sau: Dựa vào đồ thị trên, ta thấy độ xác tăng theo số eigenface số eigenface 15 Tuy nhiên số eigenface chọn nhiều Chương Hệ thố ng nhậ n ng mặ t 104 15 đôï xác không tăng (bão hoà) Do đó, để giảm thời gian tính toán, huấn luyện nhận dạng, số eigenface K = 15 chọn 5.2.4 Lựa chọn thông số mạng neuron: Cấu hình mạng neuron chọn có số neuron vào với số eigenface K cộng thêm (neuron ngưỡng – xem chương 4) Số neuron lớp với số đối tượng nhận dạng Với K = 15, số đối tượng nhận dạng 10, tác giả chọn số lớp ẩn với số neuron ẩn 20 Qua thực nghiệm, số học chọn 0.3 Với 50 liệu huấn luyện, cấu sai số mong muốn 0.001: thời gian huấn luyện mạng khoảng : – giây! 5.2.5 Kết quả: Kết nhận dạng tốt đạt được: - Đối với tập huấn luyện: 100% - Đối với tập kiểm nghiệm: 92% Trong đó, hệ thống nhận dạng tốt trường hợp đối tượng nhắm mắt, nháy liếc mắt, mang kính không mang kính không nhận đối tượng có ảnh tư lệch nhiều so với tư nhìn thẳng Thời gian nhận dạng đối tượng: 180 – 220 ms 105 Chương Hệ thố ng nhậ n ng mặ t Các ảnh mãu sở liệu Hình 5.5: Giao diện chương trình nhận dạng mặt người Việc tăng số đối tượng nhận dạng ảnh hưởng đến chất lượng nào? Tỉ lệ nhận dạng tốt đạt (%) Số đối tượng 10 16 20 30 Tập huấn luyện Tập kiểm nghiệm 100 100 100 100 92 87 83 82 Baûng 5.2-1: Chất lượng nhận dạng Ở bảng đề cập đến chữ “tốt nhất” thí nghiệm thực tập liệu khác nhau, đồng thời số eigenface chọn thay đổi tuỳ theo số đối tượng nhận dạng Ví dụ: số đối tượng 16, số eigenface chọn 15 đủ Chương Hệ thố ng nhậ n ng mặ t 106 kết tốt Nhưng số đối tượng 30 số eigenface 40 cho kết tốt so với 15 Dựa vào bảng trên, ta thấy: số đối tượng nhiều, tỉ lệ nhận dạng tập kiểm nghiệm giảm chút Tuy nhiên tỉ lệ nhận dạng tập huấn luyện 100% Chương Hệ thố ng nhậ n ng mặ t 107 KẾT LUẬN Hệ thống nhận dạng mặt người nhìn chung đạt tỉ lệ phân loại cao (100% tập liệu huấn luyện 82-92% tập kiểm nghiệm – so với tỉ lệ 99% 89% tài liệu tham khảo [17]) Mạng neuron nhân tạo viết ngôn ngữ C++ có tốc độ xử lý nhanh (trong huấn luyện nhận dạng) nên sử dụng hệ thống thời gian thực Tuy nhiên, việc trích đặc trưng măït cho tập sở liệu lớn tốn thời gian lâu (3 – giờ) Do đó, hệ thống nhận dạng mặt người luận văn đáp ứng thời gian thực với điều kiện việc huấn luyện mạng neuron thực offline Tỉ lệ nhận dạng cho tập kiểm nghiệm giảm chút số đối tượng tăng hiểu sở liệu ảnh ORL, có nhiều ảnh chụp tư khác biệt xa so với ảnh nhìn thẳng Theo nhận định tác giả, đối tượng khác sở liệu có ảnh tư không khác biệt (giống tập liệu tốt 10 đối tượng chọn thí nghiệm đầu) tỉ lệ nhận dạng không giảm trường hợp trên, nghóa có khả trì mức 92% Đối với đối tượng nằm tập huấn luyện tập kiểm nghiệm, tỉ lệ nhận dạng người lạ mặt tốt - khoảng 70% Chương Hệ thố ng nhậ n ng mặ t 108 HƯỚNG PHÁT TRIỂN Với thời gian thực hạn chế, luận văn bước đầu xây dựng hệ thống nhận dạng mặt người từ tập liệu ảnh có sẵn Tuy nhiên, để đảm bảo hệ thống đạt độ ổn định vâïn hành sử dụng hệ thống dân dụng công nghiệp, đòi hỏi cần phải đầu tư nghiên cứu thêm Một số hướng phát triển chủ yếu cho lónh vực mà tác giả nghó cần thiết bao gồm: - Thử nghiệm giả thuật với sở liệu ảnh khác - Trích khuôn mặt ảnh nhiều người Việc liên quan đến việc tìm giải thuật thích hợp để phát mặt người ảnh - Phát mặt ảnh động Việc sử dụng kết công việc thứ hai, ảnh lấy vào máy tính thông qua hệ thống camera, vấn đề định vị khuôn mặt chuẩn hoá kích thước để phù hợp với sở liệu dùng để huấn luyện mạng neuron - Nghiên cứu sâu hệ thống với giả định giả thiết PCA không thoả mãn - Kiểm tra xem eigenface có phải phương pháp tốt cho toán hay không cách so sánh kết với phương pháp trích đặc trưng khác DCT (Discrete Cosine Transform) Gabor Wavelet Đồng thời việc nghiên cứu để tìm giải thuật khác nâng cao tỉ lệ nhận dạng thực cần thiết Phụ lụ c 109 PHỤ LỤC A ĐẠI SỐ TUYẾN TÍNH: Nghịch đảo ma trận trực giao với chuyển vị vị) Gọi A ma trận m x n A = [a1 a2 … an] Trong vector cột thứ i Cần chứng minh ATA = I (ma trận đơn Xét thành phần thứ ij ma trận ATA: (ATA)ij = aiTaj Lưu ý cột ma trận trực giao vuông góc với Nói cách khác, tích vô hướng hai cột 1 T (A T A)ij = a j =  0 i= j i≠ j T Do A A = I Theo định nghóa A-1A = I Suy A-1 = AT Nếu A ma trận ma trận ATA AAT đối xứng (AAT)T = ATTAT = AAT (ATA)T = ATATT = ATA (ñpcm) Một ma trận đối xứng chéo hoá ma trận gồm vector riêng trực giao Cho A ma trận đối xứng n x n với vector riêng {e1, e2, … , en} Gọi E = [e1 e2 … en], cột thứ i E vector riêng ei Định lý khẳng định tồn ma trận chéo D cho A = EDET Phụ lụ c 110 Phần chứng minh gồm hai phần Thứ nhất, ma trận chéo hoá phương pháp trực giao tất vector riêng độc lập tuyến tính Thứ hai, ma trận đối xứng có tính chất sau: trị riêng vừa độc lập tuyến tính vừa trực giao Để chứng minh phần thứ nhất, cho A ma trận bất kỳ, có vector riêng độc lập tuyến tính E = [e1 e2 … en] ma trận có cột thứ vector riêng ei D ma trận chéo gồm thành phần thứ ii trị riêng thứ i, λi A Ta coù: AE = [Ae1 Ae2 … Aen] ED = [λ1e1 λ2e2 … λnen] Theo định nghóa trị riêng Aei = λiei ∀i Do AE = ED ⇒ A = EDE-1(phần thứ chứng minh xong) Để chứng minh phần hai, ta cần ma trận đối xứng có vector riêng trực giao Gọi λ1, λ2 hai trị riêng khác ứng với hai vector riêng e1, e2 Tích vô hướng: λ1e1.e2 = (λ1e1)T e2 = (Ae1)T e2 = e1TAT e2 = e1TA e2 = e1T(λ2 e2) = λ2e1.e2 λ1e1.e2 Hay (λ1 - λ2 ) e1.e2 = Do λ1 - λ2 ≠ Nên e1.e2 = Vì vậy, vector riêng ma trận đối xứng trực giao Điều có nghiã E ma trận trực giao, theo định lý 1, ET = E-1 Ta viết lại kết quả: A = EDET Do đó, ma trận đối xứng chéo hoá ma trận gồm vector riêng Với ma trận X kích thước m x n, ma trận đối xứng XTX có tập vector riêng trực giao {vˆ1 , vˆ2 ,L, vˆn } tập trị riêng tương ứng {λ1, λ2, …, λn} Khi tập vector {Xvˆ1 , Xvˆ2 ,L, Xvˆn } tạo thành sở trực giao, vector Xvˆi có độ lớn λi Phụ lụ c 111 Tất tích chất rút từ tích chấm hai vector tập ( Xvˆi ).( Xvˆ j ) = ( Xvˆi )T( Xvˆ j ) = vˆiT X T Xvˆ j = vˆiT (λ j vˆ j ) = λ j vˆi vˆ j ( Xvˆi ).( Xvˆ j ) = λ j δ ij Đa thức cuối viết lại: λ i = j ( Xvˆi ).( Xvˆ j ) =  j 0 i≠ j Phương trình cho thấy hai vector tập cho trực giao Và, bình phương độ lớn vector định nghóa: Xvˆi = ( Xvˆi ).( Xvˆi ) = λi Tà i liệ u tham khả o 112 TÀI LIỆU THAM KHẢO William K Pratt – Digital Image Processing – Wiley& Sons 2001 Rafael C Gonzalez – Digital Image Processing – Addison Scott E Umbaugh – Computer Vision and Image Processing – Prentice Hall 1998 Nguyen Kim Sach – Xử lý ảnh Video soá – KHKT 1997 Duc Truong Pham & Liu Xing – Neural Networks for Identification, Prediction and Control Systems – Springer1997 Simon Haykin – Neural Networks: a comprehensive foundation – Prentice Hall 1994 Nguyễn Thiện Thành – Mạng neuron: nhận dạng, dự báo điều khiển – Giáo trình Cao học ĐHBK 2001 Emanuele Trucco – Introductory Techniques for 3-D Computer Vision – Prentice Hall 1998 Phạm Văn Ất – C++ & Lập trình hướng đối tượng – KHKT 2000 10 Chin Teng Lin, George Lee – Neural Fuzzy Systems – International Edition 11 V.V Starovoitov, D.I Samal, D.V Briliuk - Three Approaches For Face Recognition - The 6-th International Conference on Pattern Recognition and Image Analysis, October 21-26, 2002, Velikiy Novgorod, Russia, pp 707-711 12 Dmitry Bryliuk, Valery Starovoitov - Access Control By Face Recognition Using Neural Networks And Negative Examples - The 2nd International Conference on Artificial Intelligence, September 16-20, 2002, Crimea, Ukraine, pp 428-436 13 Soon Lee Toh and Seiichi Ozawa – A Face Recognition System Using Neural Networks with Incremental Learning Ability – Proc of The 8th Australian and New Zealand Conf on Intelligent Information System, pp.389-394 (2003) Taø i liệ u tham khả o 113 14 Halit Ergezer – Artificial Neural Networks based Face Recognition using DCT – Turkish Symposium on Atirficial Intelligence and Neural Networks, TAINN 2003 15 Jon Shlens – A tutorial on Principal Component Analysis – 2003 16 M Turk and A Pentland – Eigenfaces for Recognition – Journal of Cognition Neuroscience, Vol 3, No 1, pp 71-86, 1991 17 Jie Zhu – Face recognition using Eigenfaces – PowerPoint file 114 Đại học Quốc gia Tp.HCM Trường Đại học Bách Khoa CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc Lập – Tự Do – Hạnh Phúc TÓM TẮT LÝ LỊCH KHOA HỌC Họ tên : PHAN TRẦN HỒ TRÚC Sinh ngày: 10 / 01 / 1980 Giới tính: Nam Hệ số lương : 1.92 I LÝ LỊCH SƠ LÏC : Nguyên quán : Vónh Long Ngày vào Đoàn TNCS Hồ Chí Minh : 26-03-1997 Nơi sinh : Bến Tre Ngày vào Đảng CSVN : Chỗ riêng địa liên lạc : 268 Lý Thường Kiệt Q.10, Tp HCM Dân tộc: Kinh Tôn giáo: Không II QUÁ TRÌNH ĐÀO TẠO : ĐẠI HỌC : Chế độ học: Chính quy Thời gian học: từ 09 / 1997 đến 02 / 2002 Nơi học: Đại học Bách Khoa Tp Hồ Chí Minh, Việt Nam Ngành học : Điện – Điện tử Tên đồ án, luận án, môn thi tốt nghiệp chủ yếu : “Sử dụng card PCL-832 điều khiển máy CNC” Ngày nơi bảo vệ đồ án, luận án, thi tốt nghiệp : Tháng 02/2002, trường Đại học Bách Khoa Tp.HCM Người hướng dẫn : TS Hoàng Minh Trí CAO HỌC: Ngành học : Điều khiển học kỹ thuật Thời gian học từ : 05 / 2002 đến 11 /2004 Tại : Đại học Bách Khoa Tp HCM, Việt Nam Tên luận án : “Nhận dạng ảnh dùng mạng truyền thẳng” Ngày nơi bảo vệ : 24-11-2004, Đại học Bách Khoa Tp HCM Người hướng dẫn : GVC TS Nguyễn Thiện Thành Ngoại ngữ: Anh ngữ – International TOEFL 590 (11/2003) 115 III QUÁ TRÌNH CÔNG TÁC: Từ 03/2002 đến : CBGD Bộ môn Điều khiển Tự động, Khoa Điện – Điện tử, trường Đi học Bách Khoa Tp Hồ Chí Minh Công trình, dự án, đề tài tham gia: - Đề tài cấp nhà nước KC03.02 Chủ nhiệm: PGS TS Lê Hoài Quốc Nghiệm thu: 10/2004 (cấp sở) - Dự án: trạm thu phí giao thông tự động Chủ nhiệm: TS Nguyễn Đức Thành Khen thưởng giải thưởng hoạt động khoa học - kỹ thuật: - 2002, Bằng Khen Bộ Giáo dục – Đào tạo cho giải Ba giải thưởng “Sinh viên nghiên cứu khoa học” - 2002, Bằng Khen Quỹ Hỗ trợ Sáng tạo Kỹ thuật Việt Nam (VIFOTEC) cho giải Ba giải thưởng “VIFOTEC 2002” Tp Hồ Chí Minh ngày 02/11/2004 NGƯỜI KHAI KÝ TÊN ... iii TÓM TẮT Lónh vực xử lý nhận dạng ảnh, đặc biệt nhận dạng mặt người thu hút nhiều quan tâm nghiên cứu giới Có nhiều phương pháp nhận dạng mặt đề xuất nhận dạng dùng phép biến đổi DCT (Discrete... thông tin không liên quan ảnh mặt cách sử dụng sở liệu ảnh có tối Cuối cùng, mạng neuron truyền thẳng với giải thuật học lan truyền ngược dùng để phân loại Mạng neuron truyền thẳng nhiều lớp tỏ hấp... định chọn đề tài ? ?Nhận dạng mặt người dùng mạng neuron nhân tạo” với hai mục tiêu chính: • Tìm hiểu tiếp cận nghiên cứu phương pháp nhận dạng mặt người • Thực vài phương pháp nhận dạng đánh giá kết