Ứng dụng mạng neuron vào nhận dạng vật thể trong không gian ba chiều

Đại Học Quốc Gia Tp Hồ Chí Minh TRƯỜNG ĐẠI HỌC BÁCH KHOA - ĐỖ NGỌC HÙNG ỨNG DỤNG MẠNG NEURON VÀO NHẬN DẠNG VẬT THỂ TRONG KHÔNG GIAN BA CHIỀU CHUYÊN NGÀNH: KỸ THUẬT VÔ TUYẾN – ĐIỆÄN TỬ MÃ SỐ NGÀNH : 2.07.01 LUẬN VĂN THẠC SĨ TP HỒ CHÍ MINH, tháng năm 2004 Trang CÔNG TRÌNH ĐƯC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH Cán hướng dẫn khoa học: TS DƯƠNG HOÀI NGHĨA Cán chấm nhận xét 1:PGS.TS LÊ TIẾN THƯỜNG Cán chấm nhận xét 2:TS NGUYỄN ĐỨC THÀNH Luận văn thạc só bảo vệ HỘI ĐỒNG CHẤM BẢO VỆ LUẬN VĂN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA, ngày tháng Luận văn thạc só năm 2004 Trang Đại Học Quốc Gia Tp Hồ Chí Minh CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC BÁCH KHOA Độc Lập – Tự Do – Hạnh Phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: ĐỖ NGỌC HÙNG Phái: Nam Ngày, tháng, năm sinh:28-7-1979 Nơi sinh: Gia Lai Chuyên ngành: Kỹ thuật Vô tuyến – Điện tử Mã số: 2.07.01 I - TÊN ĐỀ TÀI: ỨNG DỤNG MẠNG NEURON VÀO NHẬN DẠNG VẬT THỂ TRONG KHÔNG GIAN CHIỀU II - NHIỆM VỤ VÀ NỘI DUNG: - Nghiên cứu phương pháp nhận dạng vật thể không gian ba chiều - Xây dựng phương pháp nhận dạng dùng mạng neuron - So sánh phương pháp dùng mô III - NGÀY GIAO NHIỆM VỤ: IV - NGÀY HOÀN THÀNH NHIỆM VỤ: V - HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN: Tiến só DƯƠNG HOÀI NGHĨA CÁN BỘ HƯỚNG DẪN CHỦ NHIỆM NGÀNH BỘ MÔN QUẢN LÝ NGÀNH Nội dung đề cương luận văn thạc só Hội Đồng Chuyên Ngành thông qua Ngày tháng năm 2004 KHOA QUẢN LÝ NGÀNH PHÒNG ĐÀO TẠO SĐH Luận văn thạc só Trang LỜI CẢM ƠN Em xin chân thành cảm ơn Tiến só Dương Hoài Nghóa, người tận tình hướng dẫn em suốt trình thực luận văn Em xin gởi lời cảm ơn đến Thầy, Cô trường Đại Học Bách Khoa Tp.Hồ Chí Minh truyền đạt cho chúng em kiến thức quý báu suốt năm học Đại Học Cao Học Và cuối em xin cảm ơn gia đình người bạn lớp cao học Vô Tuyến Điện Tử K13 động viên, giúp đỡ em lúc khó khăn Tp.Hồ Chí Minh,tháng 8/2004 Học viên thực Đỗ Ngọc Hùng Luận văn thạc só Trang TÓM TẮT Luận văn nghiên cứu phương pháp nhận dạng vật thể không gian ba chiều, lónh vực có nhiều ứng dụng (từ sản xuất công nghiệp giải trí … ) thu hút ý nhiều nhà nghiên cứu [1,2,3,4,5,8,11,12…] Sau phần giới thiệu, luận văn trình bày khái niệm biểu diễn vật thể phân tích ảnh Một phương pháp thông dụng phân đoạn ảnh Chúng ta tách thông số chứa nhiều thông tin đường, biên công cụ khác toán tử Laplace, Gradient Để xử lý tính toán nhanh, lưu trữ thông tin cách hiệu phải giảm số chiều không gian liệu Phương pháp giảm số chiều thực việc tìm hướng (vector) thoả mãn tính chất tuỳ thuộc vào phương pháp thực Phương pháp PCA (Principle Component Analysis) tối ưu hoá việc tái tạo (optimal reconstruction), phương pháp LDA (Linear Discriminant Analysis) tối ưu hoá phân tách (optimal seperation), phương pháp CCA (Canonical Corelation Analysis) tối ưu hoá tương quan (optimal corelation), phương pháp ICA ( Independent Component Analysis) tính nhân tố độc lập (Independent factors), phương pháp NMF (Non-negative Matrix Factorization) dựa vào nhân tố không âm (non-negative factors) Các phương pháp giảm số chiều gọi chung phương pháp không gian (Subspace method) Tiếp theo, luận văn trình bày phương pháp nhận dạng vật thể không gian ba chiều Trong phương pháp PCA, ứng với vật thể tính không gian tạo vector riêng ma trận covariance Việc nhận dạng thực cách tính khoảng cách Euclide nhỏ ảnh cần nhận dạng ảnh huấn luyện không gian con, vật thể có không gian có khoảng cách nhỏ vật thể nhận dạng Phương pháp SVM (Support Vector Machine) tìm mặt phân tách tối ưu lớp liệu khác Luận văn thạc só Trang Mặt phân tách có tính chất tổng khoảng cách đến mặt phân tách hai phần tử gần mặt phân tách thuộc hai nhóm khác lớn gọi mặt phân tách tối ưu Việc nhận dạng thực cách xét dấu phương trình mặt phân tách Vài thập kỷ gần đây, mạng neuron khẳng định vị trí nhiều ứng dụng khác Các lónh vực ứng dụng mạng neuron như:giao thông, không gian vũ trụ, công nghiệp, giải trí,…Trong luận văn mạng neuron ứng dụng nhận dạng vật thể không gian ba chiều Mỗi vật thể xây dựng mạng neuron Dữ liệu huấn luyện mạng tiền xử lý trước đưa vào mạng cách sử dụng phương pháp PCA nhằm giảm số chiều không gian liệu Luận văn thạc só Trang ABSTRACT 3D object recognition has been developed in recent years Its applications are very diversified from industry to entertainment Firstly, this thesis presents the basis concepts of object representation One object can be described with several images taken from different positions A digital image contains some information about object The techniques for extracting information from an image are called image analysis It is a process of discovering and identifying patterns that are relevant to the performance of image-based task We can extract components which contain a lot of information such as lines, edges by using Laplace operator, Gradient operator,…However, in order to have efficient storage and fast process, the number of data dimensions should be reduced The dimension reduction methods find the vectors corresponding certain properties PCA (Principle Component Analysis) has optimal reconstruction, LDA (Linear Component Analysis) has optimal seperation, CCA (Canonical Corelation Analysis) has optimal corelation, ICA ( Independent Component Analysis) depends on independent factors, NMF (Non-negative Matrix Factorization) depends on non-negative factors These dimension reduction methods are called subspace method The next part is 3D object recognition The first method is PCA In this method, we compute an eigenspace for each object Eigenspace is constructed by the eigen vectors of the covariance matrix The recognition was achived by finding the minimum Euclide distance between the test image and the database images The second method is SVM (Support Vector Machine) This method finds the OSH (Optimal Seperating Hyperplane), which maximizes the sum of distances from two points (has minimum distance to hyperplane) belong to two Luận văn thạc só Trang different classes The recognition was achived by testing the signs of OSH equations Neural network (NN) has a lot of applications in recent decades The application fields of NN are: traffic, industry, entertainment,etc In this thesis, neural network was used in 3D object recognition We create a neural network for each object The training data was preprocessed by using PCA method in order to reduce the data space Luận văn thạc só Trang MỤC LỤC NHIỆM VỤ LUẬN VĂN THẠC SĨ .2 MUÏC LUÏC DANH MỤC TỪ VIẾT TẮT 11 CHƯƠNG 1:GIỚI THIỆU 12 1.1 GIỚI THIỆU 12 1.2 NHẬN DẠNG VẬT THỂ DỰA VÀO MÔ HÌNH (Model-based Object Recognition) 13 1.3 NHẬN DẠNG VẬT THỂ DỰA VÀO HÌNH DÁNG BỀ NGOÀI (Appearance_based Object Recognition) 14 CHƯƠNG 2:BIỂU DIỄN VẬT THỂ 17 2.1 KHAÙI NIỆM VỀ ẢNH SỐ 17 2.2 HISTOGRAM 19 2.3 PHAÂN ĐOẠN ẢNH .20 2.3.1 Tách dòng 20 2.3.2 Tách biên 22 2.3.2.1 Cơ sở việc tách biên 22 2.3.2.2 Toán tử Gradient .23 2.3.2.3 Toán tử Laplace 24 2.4 BIỂU DIỄN VẬT THỂ TRONG KHÔNG GIAN CON 25 2.4.1 LDA (Linear Discriminant Analysis) 26 2.4.2 CCA (Canonical Correlation Analysis) 28 2.4.3 NMF (Non-negative Matrix Factorization) .30 CHƯƠNG 3:CÁC PHƯƠNG PHÁP NHẬN DẠNG VẬT THỂ TRONG KHÔNG GIAN BA CHIEÀU 31 3.1 PCA (Principle Component Analysis) 31 3.1.1 Khaùi nieäm 31 3.1.2 Chuẩn hoá tập liệu aûnh .32 3.1.3 Tính toán không gian 32 3.1.4 Biểu diễn vật thể không gian 33 3.1.5 Khoảng cách tương quan không gian 34 3.1.6 Nhận dạng vật thể 35 3.1.7 Giải thuật PCA .36 3.2 SVM (Support Vector Machine) 37 3.2.1 Khái niệm 37 3.2.2 Maët phân tách tối ưu 38 3.2.3 Caùc support vector 39 Luận văn thạc só Trang 3.2.4 Trường hợp phi khả tách tuyến tính 40 3.2.5 SVM phi tuyeán 42 3.2.6 Giaûi thuaät directSVM .44 3.3 ICA (Independent Component Analysis) .49 3.3.1 Định nghóa ICA 49 3.3.2 Những nguyên tắc dự đoán ICA 49 3.3.2.1 Định nghóa độc lập .49 3.3.2.2 Biến phân phối Gauss ICA 50 3.3.2.3 Negentropy .52 3.3.2.4 Xấp xỉ negentropy 53 3.3.2.5 Tối thiểu hoá thông tin chung 54 3.3.3 Tiền xử lý ICA 55 3.3.4 Giải thuật FastICA 57 3.3.4.1 FastICA cho đơn vị tính toán 57 3.3.4.2 FastICA cho vài đơn vị tính toán 57 3.3.5 Nhận dạng vật thể phương pháp ICA 58 CHƯƠNG 4:MẠNG NEURON NHÂN TẠO .60 4.1 KHÁI NIỆM CƠ BẢN 60 4.1.1 Mạng neuron nhân tạo (artificial neural networks, ANN) 60 4.1.2 Phần tử xử lý 61 4.1.3 Phân loại mạng neuron 63 4.1.3.1 Phân loại theo kiểu kết nối neuron: 63 4.1.3.2 Phân loại theo số lớp neuron: 63 4.1.4 Huấn luyện mạng neuron (training, learning) 65 4.1.4.1 Hoïc có giám sát .66 4.1.4.2 Học không giám sát 66 4.1.4.3 Hoïc tăng cường 70 4.1.4.4 Luật học trọng số tổng quaùt 73 4.2 MẠNG PERCEPTRON MỘT LỚP (single-layer perceptron networks) .73 4.2.1 Đơn vị ngưởng tuyến tính (Linear threshold unit, LTU) .74 4.2.2 Đơn vị tuyến tính (linear unit) 75 4.2.3 Đơn vị phân loại tuyến tính (linear graded unit, LGU) 76 4.3 MẠNG TRUYỀN THẲNG NHIỀU LỚP 77 4.3.1 Toång quan .77 4.3.2 Giải thuật lan truyền ngược (back propagation) .78 4.3.3 Các thông số luật học lan truyền ngược 81 4.4 MAÏNG HOPFIELD 81 4.4.1 Mạng Hopfield rời rạc 81 Luaän văn thạc só Trang 113 Hình 5.39: Tỷ lệ nhận dạng 10 vật thể theo số ảnh huấn luyện 5.4 PHƯƠNG PHÁP DÙNG MẠNG NEURON Khi sử dụng 24 ảnh huấn luyện Mỗi vật thể tạo mạng neuron hình 5.40 Hình 5.40 :Mạng neuron dùng để nhận dạng Luận văn thạc só Trang 114 Sử dụng phương pháp PCA để giảm số chiều không gian giảm độ phức tạp cấu trúc mạng neuron Dữ liệu vào hình chiếu ảnh huấn luyện lên không gian Đối với mạng neuron ứng với vật thể thứ n hình chiếu ảnh huấn luyện vật thể có ngõ 1, hình chiếu ảnh huấn luyện vật thể khác có ngõ Vật thể Vật thể Vật thể Vật thể Luận văn thạc só Trang 115 Vật thể Vật thể Vật thể Vật thể Vật thể Vật thể 10 Hình 5.41 :Đồ thị huấn luyện mạng neuron tương ứng với vật thể Luận văn thạc só Trang 116 Số vtr Vật Vật Vật Vật Vật Vật Vật Vật Vật Vật TS thể thể thể thể theå theå theå theå theå theå 10 10 72 68 66 71 66 61 64 71 63 72 67 15 72 67 66 70 67 67 69 72 68 72 69 20 72 68 68 72 69 71 69 72 68 72 70 24 72 71 71 72 71 71 72 72 68 72 71 Baûng 5.4: kết nhận dạng vật thể thay đổi số vector riêng Hình 5.42: Tỷ lệ nhận dạng vật thể theo số vector riêng Luận văn thạc só Trang 117 Hình 5.43: Tỷ lệ nhận dạng 10 vật thể theo số vector riêng 5.5 NHẬN XÉT KẾT QUẢ Phươn g pháp Vật Vật Vật Vật Vật Vật Vật Vật Vật Vật thể theå theå theå theå theå theå theå theå theå 10 TS 61 69 SVM 72 66 71 72 66 60 72 72 67 72 66 NN 72 63 62 72 62 59 68 72 58 72 Baûng 5.5: Số ảnh nhận dạng phương pháp PCA, SVM, NN (số ảnh mẫu vật thể 12) PCA Phươn g pháp 72 63 47 65 56 55 60 71 56 71 Vaät Vaät Vaät Vaät Vaät Vật Vật Vật Vật Vật thể thể thể thể thể theå theå theå theå theå 10 PCA 72 71 65 72 67 67 71 72 66 72 SVM 72 72 71 72 70 69 72 72 69 72 Luận văn thạc só TS 69 71 Trang 118 71 NN 72 71 71 72 71 71 72 72 68 72 Bảng 5.6: Số ảnh nhận dạng phương pháp PCA, SVM, NN (số ảnh mẫu vật thể 24) Trong chương này, ba phương pháp nhận dạng vật thể không gian ba chiều khảo sát Phương pháp PCA giảm số chiều tập liệu cách chiếu ảnh cần nhận dạng vào không gian sinh vector riêng ứng với trị riêng lớn ma trận covariance tập ảnh mẫu Trong phương pháp này, việc lựa chọn số vector riêng có ảnh hưởng đến kết việc nhận dạng Khi tăng số vector riêng kết nhận dạng tốt (hình 5.14,hình 5.15) số lượng tính toán tăng lên (hình 5.16), ảnh hưởng đến thời gian nhận dạng vật thể Kết nhận dạng phụ thuộc nhiều vào sở liệu Những vật thể hoàn toàn khác sở liệu có kết nhận dạng cao (vật thể 1,vật thể 10) Những vật thể có hình dạng tương tự có kết nhận dạng thấp (vật thể 6, vật thể 9) Các hình (5.28) đến hình (5.37) cho thấy, để nâng cao kết nhận dạng vật thể 3, 5, 6, ta phải tăng số ảnh mẫu vật thể Phương pháp SVM dựa sở xây dựng mặt phân tách hai nhóm ảnh mẫu cho khoảng cách nhỏ hai nhóm đến mặt phân tách đạt cực đại Phương pháp SVM có kết nhận dạng tốt phương pháp PCA (so sánh bảng 5.1 bảng 5.3, hình 5.12 hình 5.38, hình 5.13 hình 5.39) Phương pháp thứ ba dùng mạng neuron Phương pháp sử dụng tọa độ ảnh mẫu không gian sinh vector riêng ứng với trị riêng lớn ma trận covariance ảnh mẫu làm liệu huấn luyện Phương pháp dùng mạng neuron có kết nhận dạng tốt phương pháp PCA Luận văn thạc só Trang 119 (so sánh bảng 5.1 bảng 5.4, hình 5.12 hình 5.42, hình 5.13 hình 5.43) Khi số ảnh mẫu 24 kết phương pháp dùng mạng neuron SVM tương đương (so sánh bảng 5.3 bảng 5.4) Luận văn thạc só Trang 120 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 6.1 KẾT LUẬN Luận văn khảo sát phương pháp nhận dạng vật thể không gian ba chiều Các kết thực nghiệm rút sở liệu COIL(Columbia Object Image Library), tập ảnh 128x128 10 vật thể khác không gian ba chiều nhìn góc độ khác Mỗi vật thể có 72 ảnh Đặc điểm sở liệu có nhiều vật thể giống nhau: 6, Điều cho phép đánh giá phương pháp nhận dạng khác Phương pháp PCA dựa vào khoảng cách ngắn ảnh cần nhận dạng với ảnh mẫu Việc tính toán thực không gian sinh vector riêng ứng với trị riêng lớn ma trận covariance ảnh mẫu Luận văn khảo sát chất lượng nhận dạng phương pháp PCA (số ảnh nhận dạng đúng) theo số ảnh mẫu vật thể (bảng 5.1, hình 5.12 hình 5.13) kết cho thấy, ngoại trừ vật thể 3,6,5,9, tỷ lệ nhận dạng đạt lớn 99% số ảnh mẫu ≥ 24 Luận văn khảo sát ảnh hưởng số vector riêng lên chất lượng nhận dạng (bảng 5.2, hình 5.14, hình 5.15) số phép tính nhận dạng trực tuyến (hình 5.16) Luận văn cho thấy ảnh nhận dạng đặc Luận văn thạc só Trang 121 trưng 12 toạ độ ứng với 12 vector riêng có trị riêng lớn ma trận covariance (hình 5.18-5.27) Phương pháp SVM dựa sở xây dựng mặt phân tách hai nhóm ảnh mẫu cho khoảng cách nhỏ hai nhóm đến mặt phân tách đạt cực đại Luận văn khảo sát ảnh hưởng số ảnh mẫu lên kết nhận dạng (bảng 5.3, hình 5.38, hình 5.39) Kết cho thấy phương pháp SVM có chất lượng tốt phương pháp PCA (so sánh bảng 5.1 bảng 5.3, hình 6.1a hình 6.1b, hình 6.2a hình 6.2b) Phương pháp SVM nhận dạng vật thể 3, 6, 5, dễ dàng phương pháp PCA a b Hình 6.1: Tỷ lệ nhận dạng vật thể theo số ảnh huấn luyện (6.1a: PCA, 6.1b: SVM) a b Hình 6.2: Tỷ lệ nhận dạng 10 vật thể theo số ảnh huấn luyện (6.2a: PCA, 6.2b: SVM) Luận văn xây dựng mạng neuron nhận dạng vật thể sở sử dụng toạ độ không gian sinh vector riêng có trị riêng lớn Luận văn thạc só Trang 122 ma trận covariance ảnh mẫu Đây điểm luận văn nh hưởng kết nhận dạng theo kích thước không gian khảo sát (hình 5.42 5.43) a b Hình 6.3: Tỷ lệ nhận dạng vật thể theo số vector riêng (6.3a: PCA, 6.3b: NN) a b Hình 6.4: Tỷ lệ nhận dạng vật thể theo số vector riêng (6.4a: PCA, 6.4b: NN) So sánh phương pháp PCA, SVM, phương pháp dùng mạng neuron ta thấy: với số ảnh mẫu, phương pháp dùng mạng neuron cho kết tốt phương pháp PCA tương đương với phương pháp SVM Chú ý phương pháp SVM xử lý không gian 1600 chiều phương pháp dùng mạng neuron PCA xử lý không gian có kích thước nhỏ Luận văn thạc só Trang 123 Bảng 5.5 5.6 so sánh phương pháp trường hợp số ảnh mẫu 12 24 Ta thấy số ảnh mẫu tăng lên, phương pháp dùng mạng neuron có kết nhận dạng cải thiện nhanh chóng 6.2 HƯỚNG PHÁT TRIỂN Trong luận văn này, ba phương pháp nhận dạng vật thể không gian ba chiều giới thiệu thực nghiệm mô kết ngôn ngữ Matlab 6.5 Tuy nhiên thời gian thực luận văn hạn chế nên tác giả chưa nghiên cứu số hướng thiết thực vấn đề nhận dạng: Nhận dạng vật thể ảnh màu: luận văn sử dụng sở liệu ảnh trắng đen nh màu chứa thêm thông tin màu sắc nên kết nhận dạng đạt cao Nhận dạng vật thể điều kiện có phông thay đổi: luận văn này, ảnh biểu diễn vật thể có đen Trong thực tế số ứng dụng nhận dạng có không đổi (robot lắp ráp sản phẩm, ) số ứng dụng nhận dạng có thay đổi(vd robot giúp việc nhà, ) Nhận dạng vật thể điều kiện bị che khuất phần: việc nhận dạng vật thể điều kiện bị che khuất phần có ứng dụng số lónh vực phân loại, lựa chọn sản phẩm Nhận dạng vật thể điều kiện có nhiễu: lý mà camera thu ảnh vật thể có nhiễu việc nhận dạng trường hợp phải tính đến loại nhiễu khác Luận văn thạc só Trang 124 TÀI LIỆU THAM KHẢO [1] Harkirat S.Sahambi, K.Khorasani,” A neural-network appearance-based 3-D object recognition using independent component analysis”, ieee transactions on neural networks, vol.14, no.1,2/2003 [2] Niklas Hallenfur,”Appearance based object recognition in domestic environments”, http://www.nada.kth.se/utbildning/grukth/exjobb/rapportlistor/2003/rapporter03/h allenfur_niklas_03015.pdf [3]Danny Roobaert, Marc M.Van Hulle, ”View-based 3D object recognition with support vector machines”, Proceedings ieee international workshop on neural networks for signal processing, Madison, Wisconsin, USA, 8/1999 [4] Andrea Selinger, Randal C.Nelson, ”Improving appearance-based object recognition in clutterd backgrounds”, University of Rochester, 1998, http://www.cs.rochester.edu/users/faculty/nelson/pubs/pubs.html [5] Andrea Selinger,Randal C.Nelson, ”A perceptual grouping hierarchy for appearance-based 3D object recognition”, University of Rochester, 1998, http://www.cs.rochester.edu/users/faculty/nelson/pubs/pubs.html [6] Peng Chang, John Krumm, ”Object recognition with color cooccurrence histograms”,ieee conference on computer vision and pattern recognition, Fort Collins, CO, 6/1999 [7] Simon Baker, Shree K.Nayar, ”A theory of pattern rejection”, Columbia University Technical Report, http://www.cs.columbia.edu/CAVE/publinks [8] H.Murase,S.K.Nayar, ”Visual learning and recognition of 3D objects from appearance”, International journal of computer vision, 14(1), 1995, http://www.cs.columbia.edu/CAVE/publinks/murase_IJCV_1995.pdf [9] W.E.L Grimson, “Object recognition by computer:the role of geometric constraints”, The MIT press, Cambridge, 1990 [10] W.E.L Grimson & Daniel P.Huttenlocher, ”On the sensitivity of geometric hashing”, In 3rd international conference on computer vision,1992 [11] Mathew R.Korn & Charles R.Dyer, ”3D multiview object representations for model-based object recognition”, Pattern recognition,1997 [12] Hillel Rom & Gerard Medioni, ”Part decomposition and description of 3D shapes”, In proceedings:image understanding workshop,ARPA,1994 Luận văn thạc só Trang 125 [13] Y.Lamdan & H.J.Wolfson, ”Geometric hashing:a general and efficient model-based recognition scheme”, in pro.international conference on computer vision Tampa FL, 12/1988 [14] Daniel P.Huttenlocher & Shimon Ullman, ”Recognizing solid objects by alignment with an image”, International journal of computer vision, 1990 [15] B.Scholkopf, ”Support vector learning”, http://www.Kernel-machines.org/papers/book_ref.ps.gz [16] Massimiliano Pontil & Aleesandro Verri, ”Support Vector Machines for 3D Object recognition” http://www.ai.mit.edu/projects/cbcl/publications/ps/text.ps [17] Claus Brenner,Jan Bohn & Jen Guhring, “CAD-based object recognition for a sensor/actor measurement robot”, University of Stuttgart,Germany, http://www.ifp.uni-stuttgart.de/publications/1998/CAD.pdf [18] Staffan Ekvall, Frank Hoffmann & Danica Kragic, ”Object Recognition and Pose Estimation for Robotic Manipulation using Color Cooccurrence Histograms”, http://esr.e-technik.uni-dortmund.de/Hoffmann/iros2003.pdf [19] Mark R.Steven,J.R.Beveridge & Micheal E.Goss, ”Visualizing multisensor model-based object recognition”, http://www.hpl.hp.com/research/mmsl/publications/vision/tr97-106.pdf [20] P L LAI and C FYFE, “Kernel and nonlinear canonical correlation analysis” [21] Catherine Dehon1, Peter Filzmoser2, and Christophe Croux1,” Robust Methods for Canonical Correlation Analysis” [22] S Balakrishnama, A Ganapathiraju, ”Linear Discriminant Analysis-A brief tutorial” [23] Nagendra Kumar and Andreas G Andreou , “On Generalizations of Linear Discriminant Analysis” [24] David Guillamet , Jordi Vitria, ”Classifying Faces with Non-negative Matrix Factorization” [25] David Guillamet1, Bernt Schiele2 and Jordi Vitria1,”Analyzing NonNegative Matrix Factorization for Image Classification” [26] Jong-Hoon Ahn , Sang-Ki Kim , Jong-Hoon Oh , Seungjin Choi,”Multiple Non-negative Matrix for Factorization of dynamic pet images” [27] Wenguo Liu & Jianliang Yi, ”Existing and New Algorithms for Non-negative Matrix Factorization” [28] Daniel P Huttenlocher, Ryan H Lilien , Clark F Olson, ” Object Recognition Using Subspace Methods ” Luận văn thạc só Trang 126 [29] Alex Leonardis,“Object Recognition Using Subspace Methods” [30] Matthias Muhlich and Rudolf Mester, “Subspace Methods and Equilibration in Computer Vision” [31] Francis R Bach, Michael I Jordan, “Kernel Independent Component Analysis”, Journal of Machine Learning Research 3, 2002 [32] Aapo Hyv_rinen and Erkki Oja,”A Fast Fixed_Point Algorithm for Independent Component Analysis”,1997 [33]Aapo Hyvarien, Erkki Oja, “Independent Component Analysis: A tutorial”, 4/1999 [34]Edgar E.Osuna, Robert Freund, Federico Girosi, “ Support Vector Machines: Training and Applications”, 3/1997 [35] Howard Demuth, Mark Benle, “Neural Network Toolbox” [36]Ratael C.Ganzalez, Richard E.Woods, “Digital Image Processing ” Luận văn thạc só Trang 127 CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc Lập – Tự Do – Hạnh Phúc …………………………… LÝ LỊCH Họ tên: Đỗ Ngọc Hùng Ngày, tháng, năm sinh: 28-7-1979 Nơi Sinh: Gia Lai Địa liên lạc: 28 Phan Văn Trị, phường 10, Quận Gò Vấp, Tp.Hồ Chí Minh QUÁ TRÌNH ĐÀO TẠO: ĐẠI HỌC: Chế độ học: Chính qui Thời gian học: từ 9/1997 đến năm 12/2001 Nơi học: Trường Đại Học Bách Khoa Tp.Hồ Chí Minh Ngành học: Điện Tử Viễn Thông Tên luận văn: Nghiên cứu công nghệ truyền thông ATM Người hướng dẫn: Th.S Tạ Công Đức TRÊN ĐẠI HỌC: Cao học : từ năm 2002 đến năm 2004 Nơi học: Trường Đại Học Bách Khoa Tp.Hồ Chí Minh Ngành học: Kỹ Thuật Vô Tuyến Điện Tử Tên luận văn: Ứng dụng mạng neuron vào nhận dạng vật thể không gian ba chiều Người hướng dẫn: TS Dương Hoài Nghóa QUÁ TRÌNH CÔNG TÁC: Hiện giáo viên dạy khoa Điện Tử-Tự Động Hoá, trường Cao Đẳng Công Nghiệp 4, Tp.Hồ Chí Minh Luận văn thạc só ... TÀI: ỨNG DỤNG MẠNG NEURON VÀO NHẬN DẠNG VẬT THỂ TRONG KHÔNG GIAN CHIỀU II - NHIỆM VỤ VÀ NỘI DUNG: - Nghiên cứu phương pháp nhận dạng vật thể không gian ba chiều - Xây dựng phương pháp nhận dạng. .. thể dựa vào mô hình nhận dạng vật thể dựa vào hình dáng bề 1.2 NHẬN DẠNG VẬT THỂ DỰA VÀO MÔ HÌNH (Modelbased Object Recognition) Nhận dạng vật thể dựa vào mô hình dựa vào kỹ thuật nhận dạng vật. .. nghiệp, giải trí,? ?Trong luận văn mạng neuron ứng dụng nhận dạng vật thể không gian ba chiều Mỗi vật thể xây dựng mạng neuron Dữ liệu huấn luyện mạng tiền xử lý trước đưa vào mạng cách sử dụng phương