Nghiên cứu phương pháp nhận dạng ảnh mặt người và ứng dụng

ĐẠI HỌC THÁI NGUYÊN TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG  ĐỖ DUY CỐP NGHIÊN CỨU PHƢƠNG PHÁP NHẬN DẠNG ẢNH MẶT NGƢỜI VÀ ỨNG DỤNG LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Thái Nguyên – 2014 Số hóa Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ ĐẠI HỌC THÁI NGUYÊN TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG  ĐỖ DUY CỐP NGHIÊN CỨU PHƢƠNG PHÁP NHẬN DẠNG ẢNH MẶT NGƢỜI VÀ ỨNG DỤNG Chuyên ngành: Khoa học máy tính Mã số: 60.48.01 LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH NGƢỜI HƢỚNG DẪN KHOA HỌC: TS Vũ Việt Vũ Thái Nguyên - 2014 Số hóa Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ i MỤC LỤC MỤC LỤC i DANH MỤC CÁC TỪ VIẾT TẮT ii DANH MỤC CÁC BẢNG ii DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ iii LỜI CẢM ƠN LỜI CAM ĐOAN CHƢƠNG TỔNG QUAN VỀ NHẬN DẠNG ẢNH MẶT NGƢỜI 1.1 Tổng quan nhận dạng ảnh mặt ngƣời 1.2 Các hƣớng tiếp cận nhận dạng mặt ngƣời 1.2.1 Phƣơng pháp trích chọn đặc trƣng sử dụng mặt riêng (Eigenface) 1.2.2 Phƣơng pháp trích chọn đặc trƣng sử dụng mơ hình Markov ẩn 1.2.3 Phƣơng pháp phân tích thành phần 1.3 Bố cục luận văn CHƢƠNG TRÍCH CHỌN ĐẶC TRƢNG 2.1 Phƣơng pháp phân tích thành phần - PCA 2.1.1 Cơ sở toán học 2.1.2 Phƣơng pháp PCA 17 2.2 Phƣơng pháp phân tách tuyến tính - LDA 24 2.3 Phƣơng pháp xử lý hình thái 27 2.3.1 Biến đổi trúng-trƣợt (hit-or-miss) 29 2.3.2 Phép dãn ảnh co ảnh tổng quát 33 2.3.3 Dãn co ảnh đa mức xám 40 CHƢƠNG MẠNG NƠRON 42 3.1 Giới thiệu mạng nơron 42 3.1.1 Nơron – đơn vị xử lý 42 3.1.2 Liên kết nơron 43 3.1.3 Hàm kích hoạt quy tắc xác định tín hiệu 44 3.1.4 Quy tắc delta 45 3.2 Thuật toán học lan truyền ngƣợc 46 Số hóa Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ ii CHƢƠNG THIẾT KẾ VÀ ĐÁNH GIÁ 52 4.1 Thiết kế hệ thống 52 4.1.1 Cơ sở liệu ảnh 52 4.1.2 Môi trƣờng cài đặt 53 4.1.3 Cài đặt 53 4.2 Kiểm thử đánh giá 56 KẾT LUẬN 58 HƢỚNG PHÁT TRIỂN 59 TÀI LIỆU THAM KHẢO 60 DANH MỤC CÁC TỪ VIẾT TẮT LDA (Linear Discriminant Analysis): Phƣơng pháp phân tách tuyến tính LMS (Least Mean Square): Phƣơng pháp bình phƣơng trung bình tối thiểu ORL (Olivetti Research Laboratory, Surrey University): Cơ sở liệu ảnh dùng luận văn PCA(Principal Components Analysis): Phƣơng pháp phân tích thành phần DANH MỤC CÁC BẢNG Bảng 2.1 Tính tốn độ lệch chuẩn 10 Bảng 2.2 Tập liệu hai chiều tính toán hiệp phương sai 12 Bảng 4.1 Các module chương trình 53 Số hóa Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ iii DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 2.1 Ví dụ minh họa PCA Hình 2.2 Dữ liệu đồ thị biểu diễn liệu 18 Hình 2.3 Đồ thị biểu diễn liệu chuẩn hóa với vector riêng 20 Hình 2.4 Ảnh gốc sở liệu ORL 23 Hình 2.5 Ảnh sau biến đổi theo PCA 23 Hình 2.6 Ví dụ minh họa LDA 24 Hình 2.7 Ảnh sau biến đổi theo LDA 27 Hình 2.8 Sự liên thông 28 Hình 2.9 Phép dãn ảnh nhị phân 31 Hình 2.10 Phép co ảnh nhị phân 32 Hình 2.11 Các tốn tử đại số ảnh mảng nhị phân 34 Hình 2.12 Lật dịch mảng nhị phân 34 Hình 2.13 Phép dãn ảnh tổng quát dựa theo phép cộng Minkowski 37 Hình 2.14 So sánh kết hai phép co ảnh 39 Hình 2.15 Phép dãn ảnh co ảnh tổng quát với phần tử cấu trúc 55 40 Hình 2.16 Ảnh sau xử lý hình thái 41 Hình 3.1 Các thành phần mạng nơron nhân tạo 43 Hình 3.2 Một số dạng hàm kích hoạt nơron 44 Hình 3.3 Mạng nơron l lớp 47 Hình 4.1 Ảnh gốc ảnh ORL 52 Hình 4.2 Ảnh gốc bổ sung ảnh gương 54 Hình 4.3 Giao diện chương trình 56 Số hóa Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ LỜI CẢM ƠN Lời xin bày tỏ lòng biết ơn sâu sắc tới TS Vũ Việt Vũ, công tác trƣờng Đại học Kỹ thuật Công nghiệp - Đại học Thái Nguyên, ngƣời tận tình hƣớng dẫn giúp tơi hồn thành luận văn tốt nghiệp Tôicũng xin gửi lời cảm ơn chân thành đến thầy cô giáo trƣờng Đại học Công nghệ thông tin truyền thông - Đại học Thái Nguyên, thầy cô giáo Viện Công nghệ thông tin - Viện khoa học Việt Nam nhiệt tình giảng dạy, truyền đạt kiến thức cho suốt năm học qua Tôi xin cảmơn động viên giúp đỡ tất ngƣời thân gia đình, bạn bè, đồng nghiệp trìnhthực luận văn Thái Nguyên, ngày 20 tháng 05 năm 2014 Học viên Đỗ Duy Cốp Số hóa Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ LỜI CAM ĐOAN Tôi là: Đỗ Duy Cốp Lớp: CK11A Khoá học: 2012 - 2014 Chuyên ngành: Khoa học máy tính Mã số chuyên ngành: 60 48 01 Cơ sở đào tạo: Trƣờng Đại học Công nghệ thông tin Truyền thông Thái Nguyên Giáo viên hƣớng dẫn: TS Vũ Việt Vũ Cơ quan công tác: Trƣờng Đại học Kỹ thuật Công nghiệp - Đại học Thái Nguyên Tôi xin cam đoan luận văn “Nghiên cứu phương pháp nhận dạng ảnh mặt người ứng dụng” cơng trình nghiên cứu riêng Các số liệu sử dụng luận văn trung thực Các kết nghiên cứu đƣợc trình bày luận văn chƣa đƣợc cơng bố cơng trình khác Thái Nguyên, ngày 20 tháng 05 năm 2014 Học viên Đỗ Duy Cốp Số hóa Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ CHƢƠNG TỔNG QUAN VỀ NHẬN DẠNG ẢNH MẶT NGƢỜI 1.1 Tổng quan nhận dạng ảnh mặt ngƣời Xử lý ảnh lĩnh vực đƣợc quan tâm nhiều khoảng 10 năm trở lại Bài tốn nhận dạng ảnh nhằm mục đích phát nhận dạng đối tƣợng ảnh Bài toán nhận dạng ảnh đƣợc ứng dụng nhiều lĩnh vực, đặc biệt nhận dạng mặt ngƣời đƣợc ứng dụng hệ thống bảo mật, nhận dạng ngƣời lái xe, hộ chiếu, nhận dạng ngƣời hệ thống tƣơng tác ngƣời-máy, lĩnh vực giải trí,… Đặc biệt sau thảm họa ngày 11/9, phủ toàn giới bắt đầu ý tới mức an ninh sân bay biên giới Ngân sách năm nƣớc tăng lên nhiều cho kỹ thuật xác định, nhận dạng lần theo đối tƣợng nghi vấn Nhu cầu tăng lên ứng dụng giúp nhà khoa học có thêm quỹ để phát triển dự án nghiên cứu Mặc dù việc nhận dạng mặt ngƣời khơng thể xác đƣợc nhƣ phƣơng pháp nhận dạng khác nhƣ nhận dạng vân tay, nhƣng nhận đƣợc quan tâm lớn nhà nghiên cứu lĩnh vực thị giác máy Lý chủ yếu thực tế, mặt ngƣời cách truyền thống để ngƣời nhận Một hệ thống nhận dạng mặt ngƣời điển hình bao gồm thành phần nhƣ hình1.1 Ảnh mặt ngƣời Trích chọn đặc trƣng Nhận dạng mặt ngƣời Thơng tin ngƣời đƣợc nhận dạng Hình 1.1 Mơ hình hệ thống nhận dạng mặt người Số hóa Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ 1.2 Các hƣớng tiếp cận nhận dạng mặt ngƣời Có hai hƣớng tiếp cận làm hạt nhân kỹ thuật phân tích đặc trƣng mặt ngƣời: hƣớng tiếp cận hình học hƣớng tiếp cận hình ảnh  Hướng tiếp cận hình học sử dụng việc ánh xạ không gian đặc trƣng mặt ngƣời Mặt ngƣời đƣợc phân loại theo khoảng cách hình học, theo đƣờng bao theo góc điểm  Hướng tiếp cận hình ảnh bao gồm việc xây dựng mẫu từ đặc trƣng mặt ngƣời Mẫucủa đặc trƣng bật, chí tồn khn mặt đƣợc thiết lập, việc nhận dạng đƣợc thực hiệnbằng cách duyệt khuôn mặt tìm mặt khớp với mẫu Hiện hệ thống nhận dạng mặt ngƣời tiếp tục đƣợc phát triển Dƣới số phƣơng pháp trích chọn đặc trƣng: - Mặt riêng (Eigenface) - Mơ hình Markov ẩn - Phân tích thành phầnchính(PCA) 1.2.1 Phƣơng pháp trích chọn đặc trƣng sử dụng mặt riêng (Eigenface) Thuật toán Eigenface phổ biến đƣợc sử dụng rộng rãi sựđơn giản hiệu tính tốn Thuật tốn sử dụng cáchtiếp cận lý thuyết thơng tin việc mã hóa ảnh mặt ngƣời xác địnhcác vector riêng tƣơng ứng với giá trị riêng lớnnhất ma trận hiệp phƣơng sai ảnh Sau đó, nhómảnh ngƣời, ta tính vector trung bình, ngƣỡng đƣợc chọnđể xác định khoảng cách chấp nhận đƣợc cựcđạitừ ảnh đến nhómảnhgiúp nhận dạng ảnh Số hóa Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ 1.2.2 Phƣơng pháp trích chọn đặc trƣng sử dụng mơ hình Markov ẩn Mơ hình Markov ẩn phân loại đặc trƣng mặt ngƣời tính chất chuỗi Markov Một dãy ngẫu nhiên biến lấy giá trị điểmảnh tƣơng ứng tạo nên chuỗi Markov, xác suất để hệ thống đạt trạng thái xn+1 thời điểm n+1 phụ thuộc vào xác suất để hệ thống đạt trạng thái xn thời điểm n Trong chuỗi Markov, việc chuyển hệ thống từ trạng thái sang trạng thái khác tƣơng ứng với xác suất nàođó, nhƣng kết ký hiệu lại xác định đƣợc trƣớc Nhƣ vậy, kết phân bố xác suất tất ký hiệu trạng thái kết đƣợc dùngđể so sánh hai khuôn mặt 1.2.3 Phƣơng pháp phân tích thành phần Trong phương pháp phân tích thành phần chính(PCA  cịn gọi biến đổi Karhunen-Loeve), tập liệu đƣợc biểu diễn lại với số đặc trƣngít đồng thời giữ đƣợc hầu hết thông tin quan trọng liệu PCA thƣờngđƣợc sử dụng phƣơng pháp mặt riêng Tập vector riêng đƣợc dùng làm vector sở khơng gian con, ta so sánh vớicác ảnh sở liệuđểnhận dạng ảnh Các vector sở cịn đƣợc gọi thành phần chínhcủa sở liệu ảnh Mạng nơron đƣợc sử dụng rộng rãi hệ thống nhận dạng mặt ngƣời Kỹ thuật mạng nơron mô phỏnghoạt động nơron bộnão ngƣời Mạng nơron có khả điều chỉnh trọng số dựa mẫu họctrong trình huấn luyện Kết mạng đạt đƣợc hiệu cao việc phân loại lớp, dựa liệu mẫu khả tách tuyến tính phi tuyến Số hóa Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ 46 số pchạytrong tập mẫu vàovà Ep biểu diễn lỗi mẫu p Phƣơng pháp bình phƣơng trung bìnhtối thiểu (LMS – Least Mean Square)xác địnhcác giá trị tất trọng số cực tiểu hóa hàm lỗi phƣơng pháp gọi độ dốc (gradient)giảm dần:  số thíchứng Giá trịđạo hàmlà: Vì nơronlàtuyến tính (cơng thức (3.6)) nên p = (dpyp) sai khác đầu đích đầu thực sựcủa mẫu p 3.2 Thuật tốn họclan truyền ngƣợc Một mạng nơron truyềnthẳngcó cấu trúc gồm nhiềulớp Mỗi lớp chứa nơron nhận tín hiệu vàotừ nơron lớp trực tiếp phía dƣới gửi tínhiệu Số hóa Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ 47 chúng cho lớp trực tiếp phía Khơng có kết nối nơron lớp Các nơron vàoNi truyền tín hiệuđến lớp nơron ẩn Nh,1 Không xử lý đƣợc thực nơron vào Hàm kích hoạt tạimột nơron ẩn hàm Fi tín hiệu vàocó trọng số cộng với bias nhƣ cơng thức (3.3) Tín hiệu nơron ẩn đƣợc phân bổtrên lớp nơron ẩn Nh,2, tiếp tục đến lớp cuối nơron ẩn, tín hiệu chúng đƣợc truyền đến lớp nơron No (hình 3.3) Hình 3.3 Mạng nơron l lớp Do nơron ởđây đƣợc sử dụngvới hàm kích hoạt phi tuyến, nên có thểtổng quát hóa quy tắc delta trình bày cho hàm tuyến tính để sử dụng với hàm phi tuyến.Hàm kích hoạt hàm khả vi củatín hiệu vàotổng, đƣợc cho bởi: Số hóa Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ 48 Để tổng qt hóa xác quy tắc delta ta đặt Hàm lỗiEpđƣợcđịnh nghĩa tổng lỗi bình phƣơng mẫup nơron ra: tín hiệu mong muốn với đơn vị o mẫu p đƣa vào Đặt tổng lỗi bình phƣơng Ta viết: Theo cơng thức (3.14), nhân tử thứ hai là: Khi có định nghĩa: quy tắc nhận đƣợc nàytƣơng đƣơng với quy tắc delta trên, trả kết quảđộ dốc giảm dần mặt phẳng lỗi trọng sốđƣợc thay đổitheo công thức: Số hóa Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ 49 Cách làm nhằmxác định vai trò đơn vị k mạng Kết quảlà có tính tốn hồi quy đơn giản  cài đặt cách lan truyền ngƣợc tín hiệu lỗi mạng Để tính ,theo quy tắc chuỗi, đạo hàm riêng phần đƣợc viết lại thànhtích hai nhân tử, nhân tử phản ánh biến đổi lỗi nhƣ hàm tín hiệu nơron, cịn nhân tử phản ánh biến đổi tín hiệu nhƣ hàm biến đổi tín hiệu vào: Vớinhân tử thứ hai, theo cơng thức (3.13) ta có: đạo hàm hàm F với nơron thứ k, đƣợc tính nơron vào đến nơron Để tính nhân tử thứ công thức (3.21), ta xét hai trƣờng hợp Thứ nhất, giả sử nơron k nơron k = o mạng, theo định nghĩa Ep kết giống nhƣ sử dụng quy tắc delta chuẩn Thay kết kết công thức (3.22) vào công thức (3.21): Số hóa Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ 50 với nơron o Trƣờng hợp thứ hai, k nơron mà nơron ẩnk = h, khơng xác định đƣợc đóng góp nơron vào lỗi mạng Tuy nhiên, cơng thức tính lỗi đƣợc viết nhƣ hàm tín hiệu vàotừ lớp ẩn đến lớp ra; ta sử dụng quy tắc chuỗi để viết: Thay kết vào công thức (3.21): Công thức (3.24) (3.21) xác định thủ tục đệ quy để tính  tất nơron mạng, sau sử dụng để tính thay đổi trọng số theo cơng thức (3.20) Thủ tục quy tắc delta tổng quát dùng cho mạng truyền thẳng phi tuyến Các công thức nhận đƣợc xác mặt tốn học, nhƣng thực tế chúng có ý nghĩa gì? Liệu có cách để hiểu đƣợc chất lan truyền ngƣợc? Thực tế, toàn trình lan truyền ngƣợc trực quan Khi mẫu học đƣợcđƣa vào, giá trị kích hoạt đƣợc lan truyền đến nơron tín hiệu thực mạng đƣợc so sánh với tín hiệu mong muốn, thông thƣờng làkết thúc với lỗi nơron Gọi lỗi eo với nơron o Mụcđích phải làm cho eo Số hóa Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ 51 Cách đơn giản để thực việc làm theo thuật toán tham lam: thay đổi kết nối mạng để eo với mẫu học Theo quy tắc delta, để giảm lỗi, trọng số đƣợcchỉnh sửa theo Nhƣng chƣa đủ: áp dụng quy tắc này, trọng số từ nơron vàođến nơron ẩn không đƣợc thay đổi đƣợc khả biểu diễn đẩy đủ mạng truyền thẳng Để chỉnh sửa đƣợc trọng số từ nơron vàođến nơron ẩn, cần tiếp tục áp dụng quy tắc delta Tuy nhiên, trƣờng hợp lại khơng có giá trị  cho nơron ẩn Điều giải quy tắc chuỗi nhƣ sau: phân tán lỗi nơron o cho tất nơron ẩn nối tới nó, theo trọng số kết nối Mỗinơron ẩn h nhận  từ nơron o  nơron với trọng số trọng số kết nối nơron đó: Cần có hàm kích hoạt nơron ẩn; F’ phải đƣợc sử dụng cho delta, trƣớc việc lan truyền ngƣợc đƣợc tiếp tục Số hóa Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ 52 CHƢƠNG THỰC NGHIỆM 4.1 Thiết kế hệ thống 4.1.1 Cơ sở liệuảnh Trong luận văn này, bộảnhdữ liệu đƣợclấy từ sở liệuORL (Olivetti Research Laboratory, Surrey University) Cácảnhởđây tƣơng đốiđa dạng, thích hợp cho việc kiểm thử hệ thống Bộảnh chụp 40 ngƣời khác nhau, ngƣời có 10 ảnh riêng, ảnh đƣợc chụpở thờiđiểm khác nhau, vớinhững góc nghiêng khác nhau, trạng thái khác nhƣ cƣời không cƣời, đeo kính khơng, miệng mở hoặcđóng Hình 4.1 Ảnh gốc ảnh ORL Số hóa Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ 53 4.1.2 Môi trƣờng cài đặt MATLAB đƣợc sử dụng để cài đặt hệ thống đƣợc tích hợp mơi trƣờng tính tốn kỹ thuật phù hợp cho thuật toán đƣợc thiết kếởđây MATLAB ngơn ngữ lập trình bậc cao gồm nhiều hàm phục vụ cho việc phân tích hiển thị liệu cách trực quan; thực tính tốn tốn kỹ thuật; xây dựng mơ hình tính tốn; lập trìnhứng dụng với giao diện đồ họa ngƣời dùng 4.1.3 Cài đặt Mã nguồn chƣơng trình bao gồm số module nhƣ mơ tả bảng 4.1 Bảng 4.1 Các module chương trình Module Giải thích PCA_based.m Module nhận dạng mặt ngƣời theo phƣơng pháp PCA LDA_based.m Module nhận dạng mặt ngƣời theo phƣơng pháp LDA Morpho_based.m Globalvar.m Recognize.m GUI.m Module nhận dạng mặt ngƣời theo phƣơng pháp xử lý hình thái Chứa biến toàn cục Module nhận dạng mặt ngƣời cách kết hợp ba phƣơng pháp Cài đặt giao diện ngƣời dùng Trƣớc thực PCA LDA, ảnh gốc ma trận hai chiều kích thƣớc 112×92 đƣợc chuyển sang biểu diễn dƣới dạng vector 10304 chiều BộảnhORL gồm 10 ảnh cho ngƣời, ởđây chƣơng trình sử dụng ảnh cho việc huấn luyện mạng ảnh lại để kiểm thử Số hóa Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ 54 Mỗiảnhhuấn luyện đƣợc bổ sung ảnhở dạngảnh gƣơng để tăng thêm sựđa dạngcho tậpảnh huấn luyện (hình 4.2) Hình 4.2 Ảnh gốc bổ sung ảnh gương Trong chƣơng trình này, thực phân tích thành phần chính, vector riêng đƣợc chọn tƣơng ứng với giá trị riêng lớn 103, kết có 49 vector riêng đƣợc chọn Trƣớc thực LDA, ảnh gốc cần phải đƣợc thực PCA để giảm số chiều liệu số chiều 10304 lớn để thực LDA.Ởđây, vector riêng đƣợc chọn tƣơng ứng với giá trị riêng lớn 105 (số lƣợngvector riêng nhiều so với phƣơng pháp PCA trên) Đối với pha xử lý hình tháiảnh, ảnh sau đƣợc biến đổi đƣợc thực phân tích thành phần đểđể giảm số chiều trƣớc đƣa vào huấn luyện mạng nơron Chƣơng trìnhsử dụng ba mạng nơron riêng biệtứng với phƣơng pháp phân tíchở Phƣơng pháp huấn luyện mạng giống nhƣ phần lý thuyết trình bày, nhiên giá trị tỉ lệ học không cốđịnh Trong trình huấn luyện, lỗi mạng vƣợt lỗi cũ với tỉ lệđịnh trƣớc, giá trị trọng số bias đƣợc bỏ qua Ngoài ra, giá trị củatỉ lệ học Số hóa Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ 55 giảm xuống Trái lại, trọng số bias đƣợc tính lại giá trị Nếu lỗi nhỏ lỗi cũ, tỉ lệ học tăng lên Ba mạng nơron ứng với ba phƣơng pháp phân tích đƣợc huấn luyện độc lập với Khi thực nhận dạng, ảnh nhận dạng đƣợc biến đổi tính tốn theo phƣơng pháp phân tích Ba giá trị kết đƣợc so sánh với nhau, chọn kết phù hợp để làm kết nhận dạng hệ thống, việc so sánh dựa khoảng cách Euclide ảnh Hình 4.3 giao diệnchínhcủa chƣơng trình Chƣơng trình gồm ba chức Chức Training thực huấn luyện mạng nơron Chức Recognize thực việc nhận dạng, nhấn nútRecognize, ngƣời dùng chọn ảnh cửa sổ đƣợc mở ra, chƣơng trình in ảnhđó lên vùngInput Image Sau nhận dạng đƣợc ngƣời tƣơng ứng, chƣơng trình in ảnh ngƣờiđó lên vùngRecognize Person Chức Exit chƣơng trình Số hóa Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ 56 Hình 4.3 Giao diện chương trình 4.2 Kiểm thử vàđánh giá Trong trình xây dựng hệ thống, chƣơng trìnhđãđƣợcthực nhiềulầnthử nghiệmrồi đánh giáđể chọn giá trị phù hợp tham số Những tham số quan trọng hệ thống số lƣợng đặc trƣng đƣợc trích chọn, tỉ lệ học mạng nơron vàsố lƣợng nơron ẩn mạng, tham số nàyảnh hƣởng lớn đến thời gian thực độ xác hệ thống Đối với phƣơng pháp phân tích, việc trích chọn đặc trƣng, đặc trƣng có giá trịý nghĩa khác nhau, đặc trƣng đƣợc chọn theo giá trịý nghĩa giảm dần đến ngƣỡng nàođó Nếu ngƣỡng lớn, đặc trƣng có giá trị nhỏ ngƣỡng bị bỏ qua, có thểđó đặc trƣng quan trọng Nếu ngƣỡng nhỏ, lấy đƣợc hầu hết đặc trƣng quan trọng, nhƣng lại khiến cho thời gian thực hệ thống tăng lên, đồng thời lấy đặc trƣng không quan trọng Qua nhiều thử nghiệm, giá trị ngƣỡng đƣợcchọn đƣợc phƣơng pháp PCA 10-3, phƣơng pháp LDA phƣơng phápbiến đổihình thái 10-5 Đối với mạng nơron, tỉ lệ học tham sốảnh hƣởng lớn đến hội tụ mạng.Nếu tỉ lệ học lớn, mạng có độ dao động lớn trở nên không ổnđịnh.Nếu tỉ lệ học nhỏ, mạng nhiều thời gian để hội tụ Ởđây, mạng nơron, phƣơng pháp huấn luyện mạngđƣợc sử dụngvới giá trị tỉ lệ học khơng cốđịnh Trong q trình huấn luyện, lỗi mạng vƣợt lỗi cũ với tỉ lệđịnh trƣớc (1.04) giá trị trọng số bias đƣợc bỏ qua Ngoài ra, giá trị tỉ lệ học bị giảmxuống (nhân với Số hóa Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ 57 0.7) Trái lại, trọng số bias đƣợc tính lại giá trị Nếu lỗi nhỏ lỗi cũ, tỉ lệ học đƣợc tăng lên (nhân với 1.05) Số lƣợngnơron ẩn đối mạng nơron cũngảnh hƣởng đến thời gian độ xác mạng Nếu sốnơron ẩnít, mạng thực nhanh nhƣng với độ xác thấp Nếu sốđơn vịẩn nhiều, mạng thực lâu nhƣng độ xác cao Tuy nhiên, sốđơn vịẩn nhiều, mạng lại trở nên thiếu xác Giá trị tối ƣu số lƣợngnơron ẩn cho mạng nơron đƣợc chọnlà 24 Số hóa Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ 58 KẾT LUẬN Những kết luận văn đạt đƣợc: - Tìm hiểu đƣợc cách tổng quan mơ hình nhận dạng mặt ngƣời Có cách nhìn có hệ thống phƣơng pháp trích trọn đặc trƣng phục vụ cho trình nhận dạng mặt ngƣời - Bằng cách kết hợp phƣơng pháp phân tích thống kê phƣơng pháp biến đổi hình thái luận văn đạt đƣợc phƣơng pháp hiệu toán nhận dạng mặt ngƣời Phƣơng pháp PCA LDA trích chọn đặc trƣng mang tính thống kê, kết hợp với phƣơng pháp biến đổi hình thái ảnh cung cấp đặc trƣng mang tính hình học khn mặtgiúp hệ thống có đƣợc thơng tin đặc trƣng tƣơng đối đầy đủ ngƣời - Đối với phƣơng pháp phân tích, sau đƣợc trích chọn, đặc trƣng đƣợc chuyển tới mạng nơron lan truyền ngƣợc để huấn luyện, phƣơng pháp có mạng riêng Các tham số trình huấn luyện nhƣ số đặc trƣng đƣợc trích chọn, số nơron ẩn mạng, dạng hàm kích hoạt mạng đƣợc lựa chọn sau nhiều thử nghiệm để có đƣợc giá trị phù hợp hệ thống thời gian tính tốn nhƣ độ xác - Khi thực nhậndạng, ảnh đầu vào đƣợc trích chọn đặc trƣng, đặc trƣng đƣợcđƣa vàotừngmạng nơron tƣơng ứng với phƣơng pháp phân tích.Đầu mạng ngƣời tƣơng ứng với kết phƣơng pháp Các kết riêng lẻ khác nhau, chúng sẽđƣợc so sánh với dựa vào khoảng cách Euclide vớiảnh đầu vào, kết hệ thống kết có khoảng cách ngắn Bằng việc kết hợp nhƣ vậy, hệ thống tận dụng đƣợc tối Số hóa Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ 59 đa nhữngƣu điểm phƣơng pháp phân tích, đồng thờiƣu điểm phƣơng pháp bổ khuyết cho nhƣợcđiểm phƣơng pháp kia, giúp hệ thốngđạt đƣợc hiệu tốt Mặc dù hệ thống đạt đƣợc độ xác cao, nhiên tỉ lệ nhỏ chƣa xác hệ thống chƣa đánh giá đƣợc toàn đặc trƣng mặt ngƣời Hƣớng phát triển: Trong nghiên cứu nhằm phát triển hồn thiện hệ thống hơn, việc nhận dạng kết hợp thêm phƣơng pháp phân tích khác nhƣ nhận dạng mắt, nhận dạng miệng hay nhận dạng mũi đặc trƣng quan trọng khuôn mặt Hệ thống áp dụng cho việc nhận dạng sinh viên phòng thi với danh sách cho trƣớc, giúp phịng tra khảo thí nhanh chóng xác định sinh viên nghi ngờ thi hộ Đầu vào cho hệ thống ảnh mặt ngƣời đƣợc lấy từ modul nhận dạng vùng mặt ngƣời (sử dụng thƣ viện Open CV kết hợp matlab), chuẩn hoá tiền xử lý ảnh mặt ngƣời cần nhận dạng để đƣa vào hệ thống với mạng noron luyện theo danh sách thƣ viện ảnh cho trƣớc Hệ thống nhanh chóng đƣa kết luận ảnh mặt ngƣời đầu vào có thuộc danh sách hay khơng Số hóa Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ 60 TÀI LIỆU THAM KHẢO [1] Phạm Việt Bình, Đỗ Năng Tồn, Xử lý ảnh Nhà xuất Khoa học Kỹ thuật, Hà Nội, 2008 [2] Lƣơng Mạnh Bá, Nguyễn Thanh Thuỷ, Nhập môn xử lý ảnh số, Nhà xuất Khoa học Kỹ thuật, 2002 [3] Ben Kröse, Patrick van der Smagt (1996), An introduction to Neural Networks, The University ofAmsterdam [4] Kresimir Delac, Mislav Grgic (2007), “PCA and LDA based Neural Networks for Human Face Recognition”, Face Recognition, ISBN 9783-902613-03-5, I-Tech, Vienna, Austria [5] Ethan Png (2004), Morphological Shared-Weight Neural Network for Face Recognition, University of Manchester Institute of Science and Technology [6] Lindsay I Smith (2002), A Tutorial on Principal Components Analysis, Cornell University, USA [7] William K Pratt (2007), Digital Image Processing, John Wiley & Sons, Inc., Publication [8] W Zhao, R Chellappa, P J Phillips, A Rosenfeld (2003), “Face Recognition - A Literature Survey”, ACM Computing Surveys, Vol 35 (No 4) Số hóa Trung tâm Học liệu http://www.lrc-tnu.edu.vn/ ... xin cam đoan luận văn ? ?Nghiên cứu phương pháp nhận dạng ảnh mặt người ứng dụng? ?? công trình nghiên cứu riêng tơi Các số liệu sử dụng luận văn trung thực Các kết nghiên cứu đƣợc trình bày luận... VỀ NHẬN DẠNG ẢNH MẶT NGƢỜI 1.1 Tổng quan nhận dạng ảnh mặt ngƣời Xử lý ảnh lĩnh vực đƣợc quan tâm nhiều khoảng 10 năm trở lại Bài tốn nhận dạng ảnh nhằm mục đích phát nhận dạng đối tƣợng ảnh. .. TỔNG QUAN VỀ NHẬN DẠNG ẢNH MẶT NGƢỜI 1.1 Tổng quan nhận dạng ảnh mặt ngƣời 1.2 Các hƣớng tiếp cận nhận dạng mặt ngƣời 1.2.1 Phƣơng pháp trích chọn đặc trƣng sử dụng mặt riêng (Eigenface)