Nhận dạng mặt người dùng giải thuật whitening LDA

Đại học Quốc gia Tp Hồ Chí Minh TRƯỜNG ĐẠI HỌC BÁCH KHOA - HUỲNH THIỆN KHIÊM NHẬN DẠNG MẶT NGƯỜI DÙNG GIẢI THUẬT WHITENING LDA Chuyên ngành: KỸ THUẬT ĐIỆN TỬ Mã ngành: 2.07.01 LUẬN VĂN THẠC SĨ TP.HỒ CHÍ MINH, tháng12 năm 2007 CÔNG TRÌNH ĐƯC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐẠI HỌC QUỐC GIA TP HỒ CHÍ MINH Cán hướng dẫn khoa học: PGS TSKH Nguyễn Kim Sách Cán chấm nhận xét 1: PGS.TS Vũ Đình Thành Cán chấm nhận xét 2: ThS Hồ Trung Mỹ Luận văn thạc só bảo vệ HỘI ĐỒNG CHẤM BẢO VỆ LUẬNVĂN THẠC SĨ TRƯỜNG ĐẠI HỌC BÁCH KHOA, ngày 03 tháng 01 năm 2008 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 17 tháng 12 năm 2007 NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: HUỲNH THIỆN KHIÊM Phái: Nam Ngày, tháng, năm sinh: 10/02/1981 Nơi sinh: Phú Yên Chuyên ngành: Kỹ thuật điện tử MSHV: 01405311 I- TÊN ĐỀ TÀI: NHẬN DẠNG MẶT NGƯỜI DÙNG GIẢI THUẬT WHITENING LDA II- NHIỆM VỤ VÀ NỘI DUNG - Tìm hiểu phương pháp nhận dạng mặt người tiêu biểu - Đánh giá ưu khuyết điểm số phương pháp nhận dạng - Trình bày phương pháp Whitening LDA phân tích liệu - Xây dựng giải thuật nhận dạng mặt người dựa Whitening LDA - Viết chương trình nhận dạng mặt người ngôn ngữ Matlab III- NGÀY GIAO NHIỆM VỤ: IV- NGÀY HOÀN THÀNH NHIỆM VỤ: 17/12/2007 V- HỌ VÀ TÊN CÁN BỘ HƯỚNG DẪN: PGS TSKH NGUYỄN KIM SÁCH CÁN BỘ HƯỚNG DẪN (Học hàm, học vị, họ tên chữ ký) CN BỘ MÔN QL CHUYÊN NGÀNH Nội dung đề cương luận văn thạc só Hội đồng chuyên ngành thông qua Ngày……tháng 12 năm 2007 TRƯỞNG PHÒNG ĐT-SĐH TRƯỞNG KHOA QL CHUYÊN NGÀNH LỜI CẢM ƠN Tôi trân trọng gởi đến Phó Giáo sư, Tiến sỹ Khoa học Nguyễn Kim Sách lời cảm ơn chân thành lòng biết ơn sâu sắc động viên đóng góp ý kiến Giáo sư suốt thời gian qua Xin chân thành cảm ơn thầy cô khoa Điện –Điện Tử, đặc biệt thầy cô môn Viễn Thông, Trường Đại học Bách Khoa TP HCM tận tình giảng dạy, hướng dẫn giúp đỡ trình học tập hoàn thành Luận văn Sau cùng, xin bày tỏ tình cảm đến đồng nghiệp người bạn thân thiết Họ luôn bên cạnh để ủng hộ, động viên giúp đỡ suốt quãng thời gian học Cao học TP Hồ Chí Minh, tháng 12 năm 2007 Kỹ sư HUỲNH THIỆN KHIÊM MỤC LỤC DANH SÁCH CÁC HÌNH DANH SÁCH CÁC BẢNG ABSTRACT TỪ VIẾT TẮT GIỚI THIỆU CHƯƠNG 1: TỔNG QUAN NHẬN DẠNG MẶT NGƯỜI 1.1 NHẬN DẠNG MẶT NGƯỜI TỰ ĐỘNG LÀ GÌ? 1.2 TẠI SAO PHẢI NHẬN DẠNG MẶT NGƯỜI TỰ ĐỘNG? 1.3 LỊCH SỬ KỸ THUẬT NHẬN DẠNG MẶT NGƯỜI .3 1.3.1 Các phương pháp nhận dạng thời kỳ trước xuất máy tính 1.3.2 Các phương pháp nhận dạng mặt người thời đại máy tính .4 1.4 Giới thiệu chung hệ thống nhận dạng mặt người .8 1.4.1 Thu ảnh chứa đối tượng cần nhận dạng 1.4.2 Dò tìm ảnh mặt (face localization) 1.4.3 Tiền xử lý 1.4.4 Khối trích xuất đặc trưng (biểu diễn mặt) 14 1.4.5 Nhận dạng (so khớp) .16 1.4.6 Cơ sở liệu ảnh mặt 19 CHƯƠNG 2: MỘT SỐ PHƯƠNG PHÁP NHẬN DẠNG MẶT NGƯỜI TIÊU BIỂU 20 2.1 Phương pháp Eigenfaces 20 2.1.1 Giới thiệu 20 2.1.2 Cô sở lý thuyết thuật toán 20 2.1.3 Nhận dạng .23 2.1.4 Thí nghiệm kết 24 2.1.5 Các kỹ thuật nhận dạng dựa phân tích PCA khác 26 2.2 Phương phaùp Fisherfaces .27 2.2.1 Giới thiệu 27 2.2.2 Cơ sở lý thuyết thuật toán nhận dạng 27 2.2.3 Nhận dạng .28 2.2.4 Thí nghiệm kết quaû 29 2.2.5 Một số phương pháp nhận dạng dựa phép phân tích biệt số khác 30 2.3 Phương pháp nhận dạng mặt người dùng phép phân tích thành phần độc lập (ICA) 31 2.3.1 Giới thiệu phương pháp ICA nhận dạng mặt người 31 2.3.2 Cơ sở lý thuyết thuật toán 31 2.3.3 Nhaän daïng .36 2.3.4 Thí nghiệm kết 37 2.4 Phương pháp nhận dạng dựa đặc trưng – Nhận dạng dùng biến đổi Gabor Wavelets 38 2.4.1 Biến đổi Gabor Wavelets .38 2.4.2 Biểu diễn ảnh mặt biến đổi Gabor Wavelets 39 2.4.3 Trích xuất đặc trưng 41 2.4.4 So khớp (nhận dạng) .42 2.4.5 Kết nhận dạng tập ORL 44 2.5 Đánh giá khả nhận dạng giải thuật nhận dạng mặt người45 2.5.1 Eigenfaces giải thuật kế thừa 45 2.5.2 Fisherfaces giải thuật kế thừa 45 2.5.3 Eigenfaces vaø Fisherfaces 46 2.5.4 ICA vaø PCA .46 2.5.5 Gabor Wavelets thuật toán dựa kỹ thuật thống kê 47 CHƯƠNG NHẬN DẠNG MẶT NGƯỜI DÙNG GIẢI THUẬT WLDA 48 3.1 Phương pháp subspace nhận dạng mặt người .48 3.1.1 Giới thiệu 48 3.1.2 Cơ sở kỹ thuật phương pháp subspace nhận dạng đối tượng 48 3.1.3 Không gian đặc trưng phép phân tích PCA LDA 49 3.1.4 Ý nghóa nhận dạng mặt người hai phương pháp PCA LDA 51 3.1.5 Vấn đề 3S giải thuật LDA cách giải 51 3.2 Data Whitening vaø Whitening LDA 52 3.2.1 Biến đổi Whitening .52 3.2.2 Whitening LDA .54 3.3 Nhận dạng mặt người dùng giải thuật WLDA .58 3.3.1 Các bước tiền xử lý 58 3.3.2 Tìm ma trận ánh xạ tối ưu huấn luyện WLDA 58 3.3.3 Biến đổi WLDA cho ảnh mặt kiểm tra 61 3.3.4 Phân lớp khoảng cách Euclidean 61 CHƯƠNG 4: CHƯƠNG TRÌNH MÔ PHỎNG - KẾT QUẢ VÀ ĐÁNH GIÁ .62 4.1 Chương trình mô 62 4.1.1 Mục đích thiết kế chương trình .62 4.1.2 Thuyết minh chương trình .64 4.1.3 Các lưu đồ mô tả hệ thống nhận dạng giải thuật 65 4.2 Cơ sở liệu ảnh 70 4.2.1 Tập ảnh NEW1 .70 4.2.2 Taäp aûnh NEW2 .71 4.2.3 Tập ảnh huấn luyện tập ảnh kiểm tra .72 4.3 Kết nhận dạng đánh giá .73 4.3.1 Không gian đặc trưng WLDA 73 4.3.2 Kết nhận dạng tập ORL 74 4.3.3 Kết nhận dạng tập Yale 77 4.3.4 Kết tập liệu NEW1 NEW2 82 4.3.5 Đánh giá chung hệ thống nhận dạng mặt người dùng giải thuật WLDA 91 4.3.6 WLDA vaø ICA 92 CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 96 5.1 Kết luận 96 5.1.1 Về giải thuật 96 5.1.2 Về chương trình nhận dạng 96 5.1.3 Về kết đạt .96 5.2 Hướng phát triển 97 TÀI LIỆU THAM KHẢO 98 LÝ LỊCH TRÍCH NGANG .100 DANH SÁCH CÁC HÌNH Hình 1.1 Sơ đồ đơn giản hệ thống nhận dạng mặt người tự động Hình 1.2 Minh họa phần xử lý bên Module nhận dạng Hình 1.3 Các khối chức hệ thống nhận dạng mặt người Hình 1.4: Quá trình dò tìm ảnh mặt loại bỏ phần pixel thừa Hình 1.5: Mô hình quay ảnh mặt dựa vào đường thẳng nối hai mắt Hình 1.7: Đồ thị histogram ảnh gốc (a) sau cân histogram (b) Hình 1.8: Một mặt nạ chuẩn hóa với phần thông tin góc ảnh bị che lại Hình 1.9: Đồ thị hàm số 2D DoG (ảnh trích từ tài liệu tham khảo [5]) Hình 1.10: (a) Ảnh gốc; (b) ảnh hiệu chỉnh gamma; (c) ảnh qua lọc DoG Hình 2.1: (a) Một số cá nhận từ tập ảnh ORL; (b) ảnh trung bình tập ảnh ORL Hình 2.2: Các eigenfaces tương ứng với giá trị riêng lớn Hình 2.3: Phổ trị riêng qua phép phân tích PCA tập ảnh ORL Hình 2.4 Tập ảnh mặt hai cá nhân sở liệu ORL Hình 2.5: Các ảnh mặt khác người tập Yale Hình 2.6: Mô hình tổng hợp ảnh dùng ICA cấu trúc Hình 2.7: Ảnh mặt phân tích thành ảnh sở độc lập với hệ số b Hình 2.8: Các ảnh khác cá nhân sở liệu Hình 2.9: Đồ thị phần trăm kết nhận dạng dùng phân tích ICA sử dụng 200 ICs, PCA sử dụng 200 PCs PCA sử dụng 20 PCs Hình 2.10: Bộ lọc Gabor tương ứng với tần số hướng Hình 2.11: (a) ảnh mặt gốc; (b) đáp ứng ảnh mặt qua lọc Gabor Hình 2.12: Các điểm đặc trưng định vị ảnh mặt qua đáp ứng Gabor Hình 3.1: Các hướng tán xạ lớn PCA LDA không gian liệu Hình 4.1: Giao diện hình đăng nhập vào hệ thống Hình 4.2: Giao diện chương trình nhận dạng Hình 4.3: Sơ đồ tổng quát hệ thống nhận dạng WLDA Hình 4.4: Quy trình huấn luyện đánh giá thuật toán tập ảnh ORL Hình 4.5: Giải thuật đánh giá thuật toán nhận dạng WLDA Hình 4.6: Giải thuật nhận dạng ảnh theo phương pháp WLDA Hình 4.7: Một ảnh mặt kích thước 120x100 điển hình tập liệu NEW1 Hình 4.8: Một số ảnh khác cá nhân tập liệu NEW1 Hình 4.9: Toàn 120 ảnh mặt 10 người khác tập ảnh NEW1 Hình 4.10: Toàn 120 ảnh mặt 10 người khác tập ảnh NEW2 Hình 4.11: Ảnh mặt gốc thành phần không gian WLDA Hình 4.12: Kết nhận dạng trung bình sau lần lặp ứng với giá trị K Hình 4.13: Biểu đồ phần trăm nhận dạng trung bình sau 10 lần lặp (ORL) Hình 4.14: Đồ thị trường hợp nhận dạng sai tập ORL (Random = 3) Hình 4.15(1)(2)(3)(4): Các biểu đồ kết nhận dạng tập Yale (random =3) Hình 4.16: Biểu đồ trường hợp bị nhận dạng sai tập Yale Hình 4.17: Đồ thị phần trăm nhận dạng tập NEW1 (Random = 1) Hình 4.18: Đồ thị phần trăm nhận dạng tập NEW1 (Random = 5) Hình 4.19: Đồ thị phần trăm nhận dạng tập NEW1 (Random = 10) Hình 4.20: Biểu đồ minh họa số trường hợp bị nhận dạng sai tập NEW1 Hình 4.21: Đồ thị phần trăm nhận dạng tập NEW2 (Random = 1) Hình 4.22: Đồ thị phần trăm nhận dạng tập NEW2 (Random = 5) Hình 4.23: Đồ thị phần trăm nhận dạng tập NEW2 (Random = 10) Hình 4.24: Biểu đồ minh họa số trường hợp bị nhận dạng sai tập NEW2 Hình 4.25: Sơ đồ thuật toán huấn luyện ICA Hình 4.26: Phần trăm kết nhận dạng hai thuật toán ICA WLDA -86- (Người 1, ảnh 11) (Người 2, ảnh 11) Ảnh huấn luyện:(người 10) (1) Ảnh kiểm tra bị sai: (2) (6) (8) (9) Ảnh tham khảo sai (Người 8, ảnh 11) -87- 4.3.4.2 Thí nghiệm tập NEW2 Thí nghiệm tập ảnh NEW2 tiến hành tập ảnh NEW1 Tính trung bình kết random nhiều lần để đánh giá khả nhận dạng hệ thống Bảng 4.5: Bảng phần trăm kết nhận dạng trung bình tập NEW2 Số lần random 10 Tỉ lệ nhận dạng cao 78.6(K=5) 78.6(K=5) 80.0(K=5) Kết nhận dạng trung bình tốt [%] K=2 K=3 K=4 K=5 60.0 70.0 70.0 78.6 53.6 62.7 66.5 73.1 55.7 65.7 71.6 73.4 Performance Rate 90 80 70 Correct Rate 60 50 40 30 20 10 Component Number Hình 4.21: Đồ thị phần trăm nhận dạng taäp NEW2 (Random = 1) -88- Performance Rate 80 70 Correct Rate 60 50 40 30 20 10 Component Number Hình 4.22: Đồ thị phần trăm nhận dạng tập NEW2 (Random = 5) Performance Rate 80 70 Correct Rate 60 50 40 30 20 10 Component Number Hình 4.23: Đồ thị phần trăm nhận dạng tập NEW2 (Random = 10) -89- Các trường hợp nhận dạng sai: Ta xem xét trường hợp nhận dạng sai ứng với tập huấn luyện có kết tốt tập NEW2 (random = 10) Error Error number 2.5 1.5 0.5 Individuals 10 Hình 4.24: Biểu đồ minh họa số trường hợp bị nhận dạng sai tập NEW2 Ảnh huấn luyện:(người 1) (1) (2) (3) Ảnh kiểm tra bị sai: (10) (12) Ảnh tham khảo sai (Người 3, ảnh 9) Ảnh huấn luyện:(người 4) (5) (8) (9) (10) (12) -90- Ảnh kiểm tra bị sai: Ảnh tham khảo sai (Người 6, ảnh 4) Ảnh huấn luyện:(người 6) (3) (4) Ảnh kiểm tra bị sai: (6) (9) (11) Ảnh tham khảo sai (Người 5, ảnh 11) 4.3.4.3 Nhận xét kết nhận dạng tập liệu NEW1 NEW2 - Tỉ lệ nhận dạng trung bình tập NEW1 cao tập NEW2, nghóa ảnh mặt với đầy đủ chi tiết nhận dạng tốt ảnh mặt “close crop” - Tỉ lệ nhận dạng tốt hệ thống tập NEW1 NEW2 thấp tỉ lệ nhận dạng tốt tập ORL Yale Điều dễ hiểu ảnh mặt tập liệu ORL Yale ảnh chụp điều kiện tiêu chuẩn, ảnh mặt vị trí trung tâm khung ảnh, cá nhân có đủ kiểu ảnh trực diện, quay trái, quay phải với góc quay vừa phải Trong đó, ảnh sở liệu xây dựng cách chụp hình đối tượng cách ngẫu nhiên, không -91- qui định số lượng kiểu ảnh cá nhân, ảnh có khác lớn người Các ảnh mặt định vị trích xuất tay nên có sai số định vị trí điểm đặc trưng 4.3.5 Đánh giá chung hệ thống nhận dạng mặt người dùng giải thuật WLDA 4.3.5.1 Ưu điểm Khả nhận dạng: Với tỉ lệ nhận dạng cho tập kiểm tra đạt khoảng 94 ÷96% tập ORL, 98 ÷ 99% tập Yale, khả nhận dạng tốt so sánh với phương pháp nhận dạng khác Đặc biệt, phương pháp nhận dạng mặt người dùng giải thuật WLDA phân biệt tốt thay đổi nét mặt ảnh cá nhân, ảnh mang kính không mang kính Tính đơn giản hệ thống: Nhận dạng mặt người dùng giải thuật WLDA có ưu điểm thuật toán nhỏ gọn, dễ lập trình, thích hợp ứng dụng thương mại Tốc độ xử lý: Ưu điểm bậc hệ thống nhận dạng dựa vào thuật toán WLDA chi phí tính toán thấp Thời gian huấn luyện đánh giá thuật toán sử dụng hệ thống nhận dạng 4’26’’ cho tập ORL, khoảng 28’’ cho tập Yale, khoảng 13’’ cho tập NEW1 7’’ cho tập NEW2 (Matlab 7.0, CPU Celeron 2.26 GHz, RAM 256 MB) Nhận dạng ảnh khoảng 0.046’’ tập ORL, khoảng 0.016’’ tập Yale, khoảng 0.047’’ tập NEW1, khoảng 0.016” cho tập NEW2 4.3.5.2 Khuyết điểm Giải thuật nhận dạng mặt người dùng WLDA cách tiếp cận dùng kỹ thuật thống kê nên hệ thống nhận dạng mặt người dùng giải thuật -92- WLDA nhạy cảm với thay đổi điều kiện chiếu sáng Khi điều kiện chiếu sáng ảnh kiểm tra ảnh tham khảo khác nhiều, lỗi nhận dạng xảy Hệ thống nhận dạng mặt người dùng giải thuật WLDA hệ thống nhận dạng có học nên cần phải cho hệ thống “học” tất kiểu ảnh cá nhân Nếu hệ thống không “học” đầy đủ, việc nhận dạng dễ bị nhầm cá nhân khác có kiểu ảnh tương tự với kiểu ảnh cần nhận dạng 4.3.6 WLDA ICA 4.3.6.1 Giới thiệu Trong phần trình bày ICA chương 2, ta thấy có điểm chung ICA WLDA, sử dùng bước tiền xử lý Whitening Trong phần này, chương trình nhận dạng dùng kỹ thuật ICA thiết kế để so sánh với hệ thống nhận dạng dùng WLDA 4.3.6.2 Giải thuật chương trình nhận dạng dùng ICA Bước 1:Huấn luyện - Tạo ma trận liệu ảnh X có hàng vector cột ảnh Các ảnh cá nhân xếp cách ngẫu nhiên - Tạo ma trận ảnh dùng để huấn luyện gồm ảnh cá nhân từ ma trận X, ảnh cá nhận dùng làm tập kiểm tra - Phân tích ICA để tìm ma trận ánh xạ ICA (WI) không gian đặc trưng ICA Bước 2: Đánh giá thuật toán - Ma trận ảnh kiểm tra biến đổi tương tự chiếu lên không gian đặc trưng ICA - Tiến hành so khớp dùng độ tương đồng góc (cosine distance) -93- Start Building Image matrix (image = row vector) X PCA Projection RPCA Whitening Wz Run ICA W ICA Space -1 RPCA*(W*Wz) end Hình 4.25: Sơ đồ thuật toán huấn luyện ICA 4.3.6.3 Thí nghiệm kết Sử dụng tập liệu ORL để đánh khả nhận dạng giải thuật WLDA ICA Tập ORL có 400 ảnh 40 người, 10 ảnh/ người, phân thành tập ảnh huấn luyện tập ảnh kiểm tra -94- Đối với phương pháp WLDA, ta dùng ảnh ngẫu nhiên nhân để huấn luyện, ảnh lại người dùng làm tập kiểm tra Kết nhận dạng trung bình tính sau khoảng lần lặp Trong phương pháp ICA, có ảnh ngẫu nhiên cá nhân dùng để làm ảnh huấn luyện, ảnh dùng làm tập kiểm tra Kết nhận dạng lấy trung bình sau khoảng lần lặp Kết nhận dạng hai phương pháp ICA WLDA tập liệu ORL minh hoạ đồ thị : WLDA vs ICA 100 Correct Rate 80 60 40 20 Hình 4.26: Phần trăm kết nhận dạng tập ORL hai thuật toán ICA WLDA 4.3.6.4 Nhận xét đánh giá Thuật toán nhận dạng dùng biến đổi WLDA cho kết nhận dạng cao dùng ICA Tỉ lệ nhận dạng trung bình nhận dạng ảnh kiểm tra cho cá nhân tập ORL hai phương pháp WLDA ICA ~90% ~70% Thuật toán nhận dạng dùng ICA cần ảnh cho cá nhân để huấn luyện nên thời gian huấn luyện nhanh Tuy nhiên, sử dụng ảnh front view nên hệ thống nhận dạng dùng ICA khả -95- nhận dạng ảnh có tư khác nhiều so với tư ảnh mặt tập huấn luyện Để tăng tốc độ tính toán, phương pháp ICA sử dụng bước tiền xử lý PCA nên số thông tin biệt số bị thiếu bỏ thành phần có công suất thấp Trong phương pháp WLDA giữ lại đầy đủ thành phần chứa thông tin biệt số Như vậy, sử dụng phương pháp tiền xử lý Whitening phương pháp nhận dạng dùng WLDA ICA lại có đặc điểm nhận dạng khác ICA thích hợp với ứng dụng đơn giản, ảnh mặt chụp diện nét mặt không thay đổi nhiều WLDA cần tập mẫu lớn để huấn luyện có khả đáp ứng tốt với thay đổi nét mặt tư nên thích hợp với ứng dụng thương mại, an ninh -96- CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 5.1 Kết luận 5.1.1 Về giải thuật Giải thuật WLDA nhận dạng mặt người chứng tỏ hiệu nhận dạng chi phí tính toán thấp Mặc dù chương trình viết ngôn ngữ Matlab thời gian huấn luyện nhanh, tốn 14.67s để huấn luyện 200 ảnh ORL, 2.42s/ 75 ảnh Yale, 1.36s/ 50 ảnh NEW1 5.1.2 Về chương trình nhận dạng Luận văn đạt mục đích ban đầu đề thiết kế hệ thống nhận dạng mặt người dựa ảnh mặt có sẵn, đánh giá khả nhận dạng thuật toán tập liệu ORL, Yale tập sở ảnh mặt tự tạo Chương trình viết ngôn Matlab 7.0 với giao diện dễ sử dụng, thông tin nhận dạng huấn luyện hiển thị rõ ràng, có thiết kế giải thuật đánh giá khả nhận dạng để lựa chọn tập huấn luyện tốt Tuy nhiên, giới hạn thời gian, khuôn khổ luận văn này, hệ thống nhận dạng chưa thiết kế hoàn chỉnh từ khâu định vị trích xuất ảnh mặt 5.1.3 Về kết đạt Hệ thống nhận dạng tốt tập Yale ORL với tỉ lệ nhận dạng tốt đạt 95% Tuy nhiên, tỉ lệ nhận dạng tốt tập liệu tự tạo khoảng 90% Điều ảnh mặt tập liệu chụp cách ngẫu nhiên, có nhiều kiểu ảnh khác cho cá nhân Hệ thống nhận dạng tốt trường hợp khác biệt lớn so với ảnh học ảnh có thay đổi lớn điều kiện chiếu sáng -97- Việc phân ngưỡng nhận dạng ảnh mặt thực tay, với giá trị chọn khoảng 0.55 đến 0.65 lần khoảng cách từ ảnh mặt xa đến ảnh mặt gần không gian mặt Không có giá trị chung tốt cho trường hợp 5.2 Hướng phát triển Với tồn phân tích mục 5.1, luận văn tiếp tục phát triển theo hướng đề xuất sau: - Viết chương trình để tự động phát trích xuất ảnh mặt từ ảnh số từ đoạn video Một chương trình nhận dạng mặt người áp dụng hệ thống thương mại nên viết ngôn ngữ C/C++ Visiual C để tăng tốc độ xử lý - Thử nghiệm khả kết hợp WLDA với kỹ thuật phân lớp dùng mạng Neural Networks -98- TÀI LIỆU THAM KHẢO [1] Matthew Turk and Alex Pentland, Eigenfaces for Recognition, The Media Laboratory, Massachusetts Institute of Technology,1991 [2] Kamran Etemad and Rama Chellappa, Discriminant analysis for recognition of human face images, J Opt Soc Am A/Vol 14, No.8/ August 1997 [3] Vo Dinh Minh Nhat, SungYoung Lee, Hee Yong Youn, Whitening LDA for Face Recognition, CIVR’07, July 2007, Amsterdam, the Netherlands [4] Harrry Wechsler, Reliable Face Recognition Methods: System Design, implementation and Evalation, Springer 2006 [5] Aleix M Martinez and Avinash C Kak, PCA versus LDA, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol.23, No.2, pp 228-233, 2001 [6] W Zhao, Face Recognition: A Literature Survey, Technical Report, University of Maryland, 2000 [7] AHMET BAHTİYAR GUL, Holistic Face Recognition by Dimension Reduction, a thesis submitted to The graduate school of Natural and Applied Sciences of The Middle East Technical University, Sep., 2003 [8] Burcu Kepenekci, Face Recognition using Gabor Wavelet Transform, A Thesis submitted to the graduate School of Natural Sciences of the Middle East Technical University, September 2001 [9] Xiaoyang Tan and Bill Triggs, Preprocessing and Feature Sets for Robust Face Recognition, draft originally submitted to CVPR’07 -99- [10] Peichung Shih, Chengjun Liu, Face detection using discriminating feature analysis and Support Vector Machine, pattern Recognition 39 (2006), pages 260-276 [11] Hui Kong, Xuchun Li, Lei Wang, Eam Khwang Teoh, Jian-Gang Wang, Ronda Venkateswarlu, Generalized 2D Principal Component Analysis [12] WU Xiao-Jun, Josef Kittler, YANG Jing-Yu, Kieron Messer, Wang ShiTong, A New Kernel Direct Discriminant Analysis (KDDA) Algorithm for Face Recognition [13] Wei Liu, Yunhong Wang, Stan Z Li, Tieniu Tan1, Null Space Approach of Fisher Discriminant Analysis for Face Recognition [14] Marian Stewart Barlett, Javier R Movellan, Terrence J Sejnowski, Face Recognition by Independent Components Analysis, IEEE Transactions on Neural Networks, Vol 13, No 6, November 2002 [15] Hoàng Tùng Linh, Trần Lý Nhân, Kết hợp phương pháp trích xuất đặc trưng nhận dạng mặt người dùng mạng Neuron, Luận văn tốt nghiệp Đại học Bách khoa, 2006 -100- LÝ LỊCH TRÍCH NGANG Họ tên: HUỲNH THIỆN KHIÊM Ngày, tháng, năm sinh: 10/02/1981 Nơi sinh: Phú Yên Địa liên lạc: 175/17 Ni sư Huỳnh Liên, Phường 10, Quận Tân Bình, TP HCM QUÁ TRÌNH ĐÀO TẠO Từ năm 1999 đến năm 2004: Học Đại học Trường Đại học Bách Khoa Thành phố Hồ Chí Minh, Khoa Điện – Điện tử, chuyên ngành Điện tử – Viễn thông Từ năm 2005 đến năm 2007: Học Cao học Trường Đại học Bách Khoa Thành phố Hồ Chí Minh, Khoa Điện – Điện tử, chuyên ngành Kỹ thuật Điện tử QUÁ TRÌNH CÔNG TÁC Từ 03/2004 đến 04/2007: Làm việc Trung tâm Kỹ thuật Tiêu chuẩn Đo lường chất lượng 3, 49 Pasteur, Quận 1, Thành phố Hồ Chí Minh ... 3: NHẬN DẠNG MẶT NGƯỜI DÙNG GIẢI THUẬT WHITENING LDA Chương đặt vấn đề cho việc lựa chọn biến đổi LDA nhận dạng mặt người, giới thiệu giải thuật Whitening LDA ứng dụng giải thuật WLDA nhận dạng. .. QUAN NHẬN DẠNG MẶT NGƯỜI 1.1 NHẬN DẠNG MẶT NGƯỜI TỰ ĐỘNG LÀ GÌ? 1.2 TẠI SAO PHẢI NHẬN DẠNG MẶT NGƯỜI TỰ ĐỘNG? 1.3 LỊCH SỬ KỸ THUẬT NHẬN DẠNG MẶT NGƯỜI .3 1.3.1 Các phương pháp nhận dạng. .. QUAN NHẬN DẠNG MẶT NGƯỜI Chương tập trung giới thiệu số vấn đề như: nhận dạng mặt người gì; phải cần hệ thống nhận dạng mặt người tự động; lịch sử nhận dạng mặt người; khối chức hệ thống nhận dạng