Bài viết này sẽ giới thiệu tổng quát về một hướng nghiên cứu nhận dạng khuôn mặt dựa trên bản đồ cạnh (edge map) của khuôn mặt. Việc tính toán sự trùng khớp sẽ dựa trên khoảng cách Hausdorff. Các mô phỏng sẽ so sánh sự chính xác của việc nhận dạng khuôn mặt dựa vào bản đồ cạnh, với phương pháp rất phổ biến của nhận dạng khuôn mặt là Eigenface.
ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 05(114).2017-Quyển 21 TỔNG QUAN CÁC PHƯƠNG PHÁP NHẬN DẠNG KHUÔN MẶT DỰA TRÊN ĐẶC TRƯNG CẠNH OVERVIEW OF FACE RECOGNITION BASED ON EDGE FEATURES Đặng Nguyên Châu, Đỗ Hồng Tuấn Trường Đại học Bách khoa Tp Hồ Chí Minh; chaudn@hcmut.edu.vn, do-hong@hcmut.edu.vn Tóm tắt - Nhận dạng khuôn mặt vấn đề quan trọng hướng nghiên cứu nhận dạng ngành thị giác máy tính Do tính giống khn mặt nên việc trích đặc trưng khn mặt dùng cho nhận dạng khó Trong đặc trưng khuôn mặt dùng để nhận dạng đặc trưng cạnh đặc trưng nghiên cứu phát triển năm gần Bài báo giới thiệu tổng quát hướng nghiên cứu nhận dạng khuôn mặt dựa đồ cạnh (edge map) khuôn mặt Việc tính tốn trùng khớp dựa khoảng cách Hausdorff Các mơ so sánh xác việc nhận dạng khuôn mặt dựa vào đồ cạnh, với phương pháp phổ biến nhận dạng khuôn mặt Eigenface Các kết việc nhận dạng khuôn mặt dựa vào đồ cạnh cho kết nhận dạng xác cao phương pháp Eigenface hầu hết so sánh Abstract - Face recognition is an important issue in research of pattern recognition in computer vision Due to the similarity of human faces, face feature extraction for recognition presents a significant challenge for researchers Edge map, one of human face’s feature, however, has not been used for face recognition until recent years This paper presents a brief review of face recognition based on edge map Matching of human faces is carried out using Hausdorff distance Experiment results of face recognition based on edge map will be compared with the Eigenface method, which is a common method in face recognition It is very encouraging that in most comparison experiments, face recognition based on edge map gives higher accuracy than that based on Eigenface Từ khóa - nhận dạng khn mặt; đồ cạnh; khoảng cách Hausdorff; đặc trưng khuôn mặt; Eigenface Key words - face recognition; edge map; Hausdorff distance; face feature; Eigenface Giới thiệu Tự động nhận dạng khuôn mặt hướng nghiên cứu thú vị thu hút đông nhà nghiên cứu khoảng 20 năm qua Từ bắt đầu đời đến nay, hướng nghiên cứu nhận dạng khuôn mặt thu hút nhiều nhà nghiên cứu toàn giới Chính hướng nghiên cứu thu hút nên có nhiều phương pháp khác nhận dạng khuôn mặt đề xuất Các nghiên cứu nhận dạng khn mặt chia thành nhóm sau: Eigenface, mạng thần kinh nhân tạo, mơ hình Markov ẩn, nhận dạng dựa vào đặc trưng hình học (geometrical feature matching) nhận dạng mẫu (template matching) Trong hướng nghiên cứu mạng thần kinh nhân tạo template matching cho tỷ lệ nhận dạng xác cao, yêu cầu phải có nhiều ảnh làm sở liệu cho đối tượng, khơng thích hợp với ứng dụng mà có ảnh cho đối tượng để nhận dạng Trong đó, nghiên cứu dựa vào mơ hình Markov ẩn đặc trưng hình học tỷ lệ xác lại phụ thuộc nhiều vào trực giác chọn thông số huấn luyện thời gian nhận dạng lớn Eigenface hướng nghiên cứu lâu lại đơn giản, cho kết nhận dạng xác tương đối dễ dàng áp dụng cho ứng dụng địi hỏi có ảnh làm sở liệu cho đối tượng Trong vấn đề nhận dạng, cạnh đặc trưng hay sử dụng Tuy nhiên nhận dạng khuôn mặt, đặc trưng cạnh khuôn mặt không sử dụng nghiên cứu Takács [1] người sử dụng đặc trưng cạnh khuôn mặt việc nhận dạng khuôn mặt Tuy nhiên nghiên cứu Takács sau dựa vào điểm cạnh khn mặt nên khơng cho thơng tin xác cao khuôn mặt Y Gao K H Leung [2] đưa phương pháp nhận dạng khuôn mặt dựa đường đồ cạnh khuôn mặt (Line Edge Map – LEM) Phương pháp cho tỷ lệ nhận dạng xác cao, cho thấy bền vững việc nhận dạng khuôn mặt điều kiện khác ánh sáng, việc thay đổi cảm xúc khuôn mặt Bài báo trình bày hướng nghiên cứu nhận dạng khuôn mặt dựa đồ cạnh, từ việc sử dụng điểm đồ cạnh Takács việc sử dụng đường đồ cạnh Y Gao Chúng sử dụng phương pháp Eigenface phương pháp so sánh với phương pháp trình bày báo Phần cịn lại báo trình bày sau: Phần giới thiệu phương pháp khác sử dụng đồ cạnh để nhận dạng khuôn mặt Phần mô so sánh kết thuật toán nêu phần Bài bào kết thúc Phần với số bình luận Nhận dạng khn mặt dựa vào đồ cạnh 2.1 Bản đồ cạnh khuôn mặt Trong vấn đề xử lý ảnh, cạnh (edge) định nghĩa thay đổi độ sáng đột ngột pixel, kết thay đổi cấu trúc hình học thành phần vật thể Vì thế, cạnh đặc trưng quan trọng dùng để nhận dạng Có nhiều phương pháp tìm cạnh ảnh [5-7] đề xuất Mỗi phương pháp tìm cạnh có ưu nhược điểm khác Heath [8] khơng có phương pháp tìm cạnh ưu điểm tuyệt đối khó để tìm phương pháp tìm cạnh tốt cho ảnh Trong mô báo này, sử dụng chương trình LEM Generation tác giả Y Gao để tạo đồ cạnh cho ảnh khn mặt Trong chương trình này, tác giả sử dụng phương pháp tìm cạnh Babu [9] kết hợp với phương pháp làm mỏng cạnh để tạo Đặng Nguyên Châu, Đỗ Hồng Tuấn 22 cạnh có độ dày pixel ảnh Tuy nhiên số pixel cạnh lớn, dẫn tới việc tăng khối lượng tính tốn khơng cần thiết Áp dụng thuật toán Dynamic-two-Strip Dyn2S [10] đồ cạnh ta tìm điểm trội Các điểm trội có độ uốn cong lớn Trong giới hạn báo này, chúng tơi tóm tắt ý thuật toán Dyn2S Chi tiết thuật toán Dyn2S trình bày [10] Tại điểm đường cong, sử dụng hai dải chữ nhật bên trái bên phải điểm Các điểm lại đường cong nằm hai dải xem xấp xỉ đường thẳng với điểm xét Nếu ta đặt tỉ số chiều dài chiều rộng dải 𝐸, góc tạo hai dải 𝜃 điểm, ta có số merit tính 𝑊 = 𝐸𝑙𝑒𝑓𝑡 𝑆 𝐸 𝑟𝑖𝑔ℎ𝑡 , 𝑆 = |180𝑜 − 𝜃|, 𝐸𝑙𝑒𝑓𝑡 𝐸 𝑟𝑖𝑔ℎ𝑡 tỉ số chiều dài rộng hai dải bên trái phải điểm xét Chiều dài dải Các dải thay đổi chiều rộng khoảng giới hạn thay đổi góc quay để có nhiều điểm nằm dải Tại tất điểm cạnh, ta làm tương tự Sau đó, điểm trội cạnh chọn sau: i) điểm có số 𝑊 nhỏ hai điểm bên cạnh bỏ đi; ii) với điểm cịn lại, điểm xấp xỉ đường thẳng với điểm xét ta bỏ đi, giữ lại điểm cuối hai dải bên trái bên phải Như vậy, sau kết hợp thuật tốn tìm cạnh Dyn2S lên ảnh khuôn mặt, ta đồ cạnh Hình Hình Bản đồ cạnh (edge map) khuôn mặt 2.2 Khoảng cách Hausdorff Khoảng cách Hausdorff khoảng cách dùng để tính cho khoảng cách hai tập hợp điểm, không cần xét đến tương ứng điểm – điểm hai tập hợp khoảng cách khác Huttenlocher [11] ứng dụng khoảng cách Hausdorff để so sánh giống ảnh Cho tập hợp điểm đồ cạnh ảnh sở liệu 𝐶 = {𝑐1 , 𝑐2 , … , 𝑐𝑝 } ảnh cần nhận dạng 𝑁 = {𝑛1 , 𝑛2 , … , 𝑛𝑚 } Khoảng cách Hausdorff hai tập điểm định nghĩa: H C ,N max h C ,N ,h N ,C (1) đó: h C ,N max c i n j c i C n j N (2) ‖𝑐𝑖 − 𝑛𝑗 ‖ khoảng cách Euclid hai điểm 𝑐𝑖 𝑛𝑗 Khoảng cách ℎ(𝐶, 𝑁) gọi khoảng cách Hausdorff từ ảnh 𝐶 đến ảnh 𝑁 Như vậy, với cách định nghĩa khoảng cách Hausdorff hai ảnh 𝐻(𝐶, 𝑁) số dùng để đo khác hai ảnh Tuy nhiên với cách định nghĩa trên, khoảng cách Hausdorff nhạy với điểm đặc biệt ảnh Ví dụ, lý mà đồ cạnh có vài điểm, chí điểm nằm cách biệt ngồi, khác với điểm khác; với cách định nghĩa khoảng cách Hausdorff phương trình (1) (2) khoảng cách điểm đặc biệt định Như vậy, hai vật thể khn mặt có hình dáng khác nhau, có vài điểm đặc biệt trở nên giống nhau, xét khoảng cách Hausdorff Dubuisson Jain [12] phương pháp cải tiến khoảng cách Huasdorff (Modified Hausdorff Distance – MHD) để loại bỏ nhược điểm phương pháp tính khoảng cách Hausdorff trực tiếp phương trình (2) Phương pháp MHD Takács [1] ứng dụng vào việc tính khoảng cách đồ cạnh khuôn mặt việc nhận dạng khuôn mặt Tuy nhiên, đồ cạnh khuôn mặt Takács sử dụng để tính tốn cạnh ảnh áp dụng phương pháp tìm cạnh kết hợp với phương pháp làm mỏng cạnh, chưa sử dụng thuật tốn Dyn2S để tìm điểm trội nói Khoảng cách MHD định nghĩa sau: hMHD C ,N c i n j n j N P c i C (3) 𝑃 số điểm 𝐶 Với cách định nghĩa làm giảm tác động điểm đột biến đến khoảng cách hai ảnh Gao [13] đề xuất phương pháp khác dựa việc tính tốn khoảng cách Hausdorff để nhận dạng ảnh Trong phương pháp này, Gao sử dụng thuật tốn Dyn2S để tìm điểm trội cạnh khn mặt Chính việc dùng thuật toán Dyn2S làm giảm số lượng điểm cạnh nhiều, dẫn đến việc làm giảm khối lượng tính tốn Trong phương pháp mình, Gao định nghĩa khoảng cách Hausdorff từ ảnh 𝐶 để ảnh 𝑁như sau: hMMHD C ,N W Wc n cC c n c C i i j i i j c i n j (4) n j N 𝑊𝑐𝑖 𝑛𝑗 = 1/2 (𝑊𝑐𝑖 + 𝑊𝑛𝑗 ) trung bình số merit hai điểm 𝑐𝑖 𝑛𝑗 thuật toán Dyn2S Như vậy, khoảng cách Hausdorff hai ảnh là: H MMHD C ,N max hMMHD C ,N ,hMMHD N ,C (5) Dựa kết mô [13] Gao thực sở liệu AR Bern, kết cho thấy tỷ lệ xác phương pháp MHD Takács MMHD Gao tương đương Như vậy, với đề xuất phương pháp tính khoảng cách Hausdorff phương trình (4) (5) khơng làm tăng thêm tính xác thuật tốn so với phương trình (3) Vậy, đóng góp Gao báo thực chất việc áp dụng thuật toán Dyn2S vào đồ cạnh để làm giảm bớt số điểm cần tính tốn, dẫn đến làm giảm khối lượng tính tốn mà khơng làm giảm độ xác Việc áp dụng thuật toán Dyn2S làm giảm đến 80% ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 05(114).2017-Quyển số điểm cần tính tốn đồ cạnh Vì tỷ lệ xác MHD MMHD nên mô báo này, chúng tơi sử dụng thuật tốn MHD, đồ cạnh khuôn mặt áp dụng thuật tốn Dyn2S Hình Một nhược điểm thuật toán MHD MMHD việc coi tất điểm đồ cạnh điểm độc lập, vậy, hai điểm cạnh giống hai điểm nằm xa khơng có thông tin liên hệ điểm với Gao Leung [2] cho điểm cạnh nối với đường thẳng Như vậy, thay dùng khoảng cách Hausdorff hai tập hợp điểm, Gao đưa cách tính khoảng cách Hausdorff hai tập hợp đường, gọi Line Segment Hausdorff Distance (LHD) Khác với phương pháp khác sử dụng cách tính khoảng cách tập hợp đường, giống MHD MMHD, phương pháp LHD không phụ thuộc vào tương ứng đường – đường ảnh sở liệu ảnh cần nhận dạng Chính ưu điểm mà phương pháp LHD dùng ảnh bị số cạnh lỗi trình phân đoạn ảnh Cho tập hợp đường đồ cạnh ảnh sở liệu 𝐶 𝑙 = {𝑐1𝑙 , 𝑐2𝑙 , … , 𝑐𝑝𝑙 } t 𝑙 } ảnh cần nhận dạng 𝑁 𝑙 = {𝑛1𝑙 , 𝑛2𝑙 , … , 𝑛𝑚 Khoảng cách đường định nghĩa sau: d c il ,n jl d2 c il ,n jl d ss2 c il ,n jl dvg2 c il ,n jl (6) đó: 𝑑𝜃 (𝑐𝑖𝑙 , 𝑛𝑗𝑙 ), 𝑑𝑠𝑠 (𝑐𝑖𝑙 , 𝑛𝑗𝑙 ), 𝑑𝑣𝑔 (𝑐𝑖𝑙 , 𝑛𝑗𝑙 ) khoảng cách góc, khoảng cách song song khoảng cách vng góc hai đường 𝑐𝑖𝑙 𝑛𝑗𝑙 Trong đó, khoảng cách góc định nghĩa là: d c il ,n jl c il ,n jl / W (7) với 𝜃(𝑐𝑖𝑙 , 𝑛𝑗𝑙 ) góc giao nhỏ hai đường 𝑐𝑖𝑙 𝑛𝑗𝑙 Hệ số W trọng số tùy chọn xác định trình huấn luyện tập ảnh Để tính khoảng cách song song vng góc hai đường thẳng, xoay đường thẳng có độ dài ngắn để song song với đường thẳng dài Khi hai đường thẳng song song Hình 2, khoảng cách song song vng góc tính sau: d ss c il ,n jl l ss ,l ss dvg c il ,n jl lvg (8) (9) 𝑙𝑣𝑔 hai đường thẳng thuộc ba trường hợp mơ tả Hình Hình Các trường hợp 𝑑𝑠𝑠 = Như khoảng cách LHD gốc (Primary LHD – pLHD) hai đồ cạnh LEM định nghĩa sau: 𝑙𝑠𝑠2 (10) với: 1l l h C l ,N l c il C l c il c li C l c il mind c il ,n jl l l n j N (11) 𝑙𝑐 𝑙 chiều dài đoạn thẳng 𝑐𝑖𝑙 Trong phương trình 𝑖 (11), ta thấy khoảng cách đường thẳng nhân với trọng số chiều dài Tuy nhiên, với khoảng cách pLHD tính phương trình (11) có điểm yếu Giả sử có 𝑁 𝑙 LEM khn mặt cần nhận dạng, 𝑛𝑗𝑙 đường LEM đó; 𝐶𝑔𝑙 𝐶𝑘𝑙 LEM khuôn mặt nhận dạng 𝑁 𝑙 khuôn mặt khác với 𝑁 𝑙 sở liệu Nếu lý mà đường tương ứng 𝑙 với 𝑛𝑗𝑙 𝐶𝑔𝑙 𝑐𝑔𝑗 bị đi, đó, đường 𝑛𝑗𝑙 𝑁 𝑙 có khoảng cách gần tới đường khác 𝐶𝑔𝑙 , 𝑙 𝑙 giả sử đường 𝑐𝑔𝑖 Khi khoảng cách 𝑑(𝑐𝑔𝑖 , 𝑛𝑗𝑙 ) 𝑙 𝑙 lớn nhiều so với 𝑑(𝑐𝑘𝑗 , 𝑛𝑗𝑙 ), với 𝑐𝑘𝑗 đường 𝑙 𝑙 𝐶𝑘 có khoảng cách ngắn tới 𝑛𝑗 Điều dẫn tới việc 𝑁 𝑙 có khoảng cách tới 𝐶𝑘𝑙 gần so với 𝐶𝑔𝑙 dẫn tới nhận dạng sai Để khắc phục điều này, Gao đưa thêm vào thơng số vào khoảng cách Hausdorff, tỉ số tin cậy Nếu đường thẳng 𝑐𝑖𝑙 LEM 𝐶 𝑙 có khoảng cách gần tới đường thẳng 𝑛𝑗𝑙 LEM 𝑁 𝑙 , hai đường có khoảng cách góc nhỏ lượng 𝐾𝑔 , khoảng cách hai trung điểm hai đường thẳng nhỏ lượng 𝐾𝑣𝑡 , đường 𝑛𝑗𝑙 xem tin cậy với đường 𝑐𝑖𝑙 Khi đó, tỉ số tin cậy ảnh định nghĩa tỉ số tổng số đường tin cậy 𝐷𝑡𝑐 tổng số đường LEM 𝐷𝑡𝑜𝑡𝑎𝑙 ảnh Dtc Dtotal (12) Như vậy, tổng số đường nằm vùng tin cậy hai ảnh là: Hình Khoảng cách hai đường thẳng song song Khoảng cách song song tính khoảng cách nhỏ điểm bên trái bên phải hai đường thẳng Khoảng cách song song H pLHD C l ,N l max h C l ,N l ,h N l ,C l R 𝑙𝑠𝑠1 23 Dn RC R N (13) Vậy khoảng cách Hausdorff hai ảnh là: Đặng Nguyên Châu, Đỗ Hồng Tuấn 24 H LHD C l ,N l H pLHD C l ,N l W n Dn (14) với 𝑊𝑛 trọng số cho tổng số đường nằm ngồi vùng tin cậy Chúng tơi sử dụng phương pháp mô annealing [14], phương pháp dựa kỹ thuật tối ưu ngẫu nhiên, việc nhận dạng khuôn mặt sở liệu Bern tìm số sau: 𝑊 = 30, 𝐾𝑔 = 20, 𝐾𝑣𝑡 = 𝑊𝑛 = Chúng sử dụng giá trị cho mơ cịn lại Mihir et al [15] đề xuất phương pháp trích xuất vùng mặt, mũi, miệng từ đồ cạnh để nhận dạng Mục đích việc làm giảm bớt số đường cạnh dư thừa đồ cạnh, mà theo tác giả không cần thiết việc tính tốn vào khoảng cách Hausdorff Để trích xuất vùng này, tác giả tạo đồ cạnh nhân tạo để thể vùng mắt, mũi, miệng khuôn mặt người, sử dụng tương quan mơ hình với đồ cạnh để trích xuất vùng đồ cạnh Như vậy, khoảng cách ảnh tổng khoảng cách LHD [2] cho vùng cộng lại theo hệ số mắt:mũi:miệng 2:1:1 Các kết [15] cho thấy phương pháp cho kết nhận dạng xác cao phương pháp LHD Gao [2] khoảng 5% Kết thí nghiệm Trong báo này, chúng tơi mơ tính tốn độ xác phương pháp nhận dạng với điều kiện khác ảnh khuôn mặt: i) điều kiện lý tưởng; ii) điều kiện ánh sáng khác iii) điều kiện góc chụp khác khn mặt Để so sánh phương pháp nhận diện khác nhau, sử dụng phương pháp Eigenface phương pháp chuẩn để so sánh tỷ lệ xác, với phương pháp nhận diện khn mặt dựa đồ cạnh MHD LHD.Trong báo này, không chọn phương pháp Mihir [15] để mơ so sánh, lý thơng số thuật tốn khơng cơng bố; ngồi việc huấn luyện khơng đề cập nên việc nghiên cứu sử dụng chung sở liệu cho trình huấn luyện, nhận dạng vấn đề chưa sáng tỏ Vì thế, báo chúng tơi giới hạn việc giới thiệu ý tưởng thuật toán không sâu vào việc mô phân tích Trong mơ phỏng, chúng tơi sử dụng hai sở liệu chuẩn khuôn mặt, thường dùng nghiên cứu nhận diện khuôn mặt sở liệu Bern [3] AR [4] Trong sở liệu Bern có ảnh 30 người khác với điều kiện ánh sáng lý tưởng Hình Mỗi người có 10 ảnh xám với góc chụp khác khn mặt (2 ảnh chụp diện, đầu xoay sang trái, ảnh đầu xoay sang phải, ảnh ngước nhìn lên ảnh ngước nhìn xuống) Trong sở liệu AR Database, có tất ảnh 100 người, gồm 50 nam 50 nữ Mỗi người có tất 26 ảnh khác nhau, có 13 ảnh gồm ảnh chụp điều kiện lý tưởng, ảnh với điều kiện ánh sáng khác (gồm chiếu sáng bên phải, bên trái chiếu sáng từ bên), với thay đổi khác mang vật dụng kính, khăn chồng; 13 ảnh cịn lại giống 13 ảnh chụp sau tuần, để tạo thay đổi khuôn mặt Hình Tất ảnh tiền xử lý để tạo thành ảnh xám 160x160 pixel, sau tạo đồ cạnh để phục vụ cho việc mô phương pháp MHD LHD 3.1 Nhận dạng khuôn mặt điều kiện lý tưởng Các ảnh chụp diện điều kiện ánh sáng lý tưởng sở liệu Bern AR dùng để mô thuật tốn nhận dạng Đối với Bern, ta có 30 ảnh dùng làm sở liệu 30 ảnh khác để nhận dạng Đối với AR database, có 100 ảnh để làm sở liệu 100 ảnh để nhận dạng Tỷ lệ nhận dạng xác thuật tốn với sở liệu liệt kê Bảng Hình Cặp ảnh diện người sở liệu Bern Hình Cặp ảnh diện người sở liệu AR chụp cách tuần Bảng Kết nhận dạng với điều kiện lý tưởng Thuật toán Bern AR Eigenface – 20 eigenvectors 100% 53% MHD 100% 69% LHD 100% 93% Đối với sở liệu Bern, tất thuật tốn đạt nhận dạng xác đến 100%, khác ảnh dùng làm sở liệu dùng để nhận dạng Tuy nhiên, sở liệu AR, lại có khác lớn cặp ảnh ảnh chụp cách tuần Đối với sở liệu AR, thuật tốn có tỷ lệ xác khác lớn Bảng so sánh độ xác thuật toán sở liệu AR Bảng Tỷ lệ xác sỡ liệu AR Thuật tốn Tỷ lệ xác LHD 93% MHD 69% Eigenface – 20 eigenvectors 53% Eigenface – 60 eigenvectors 60% Eigenface – 100 eigenvectors 63% ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 05(114).2017-Quyển Tỷ lệ xác phương pháp Eigenface phụ thuộc nhiều vào số vector riêng chọn Càng tăng số lượng vector riêng, làm tăng tỷ lệ xác Tuy nhiên, số lượng ảnh tập sở liệu 100, nên số lượng vector riêng lớn 100 Vậy, tỷ lệ xác lớn Eigenface sở liệu AR 63%, thấp nhiều so với phương pháp MHD LHD 3.2 Nhận dạng khuôn mặt với điều kiện khác ánh sáng Trong mơ này, chúng tơi sử dụng 100 ảnh diện 100 người sở liệu AR để làm sở liệu Với người có ảnh với đèn chiếu từ bên trái, với đèn chiếu từ bên phải với đèn chiếu từ bên, ta có 300 ảnh để nhận dạng Tỷ lệ nhận dạng xác thuật tốn liệt kê Bảng Trong tất kết điều kiện ánh sáng khác tác động đến khuôn mặt, phương pháp LHD cho kết cao hẳn so với Eigenface, cho dù ta chọn số vector riêng cực đại – đạt tỷ lệ xác cao Trong phương pháp Eigenface, ba thành phần đầu tiên, tương ứng ba vector riêng có trị riêng lớn nhất, thành phần nhạy cảm với thay đổi điều kiện ánh sáng ảnh Nếu ta bỏ ba thành phần đó, tỷ lệ xác tăng lên khơng với phương pháp MHD, phương pháp LHD Kết mô chứng tỏ phương pháp LHD bền vững với điều kiện ánh sáng khác nhau, phù hợp với thực tế ứng dụng việc nhận dạng khuôn mặt Bảng Kết nhận dạng với điều kiện chiếu sáng khác Điều kiện chiếu sáng Trái Eigenface 100 eigenvectors 100 eigenvector w/o Phải MHD LHD 5% 1st 100 eigenvectors 100 eigenvector w/o 74% 93% 66% 87% 50% 71% 48% 6% 1st Trái + Phải 100 eigenvectors 100 eigenvector w/o 1st 40% 2% 43% 3.3 Nhận dạng khuôn mặt với góc chụp khác khn mặt Trong mơ này, chúng tơi dùng 30 ảnh diện 30 người sở liệu Bern để làm sở liệu Mỗi người có ảnh khác góc chụp khn mặt, có 240 ảnh cần nhận diện Kết việc ảnh hưởng góc chụp đến tỷ lệ xác nêu Bảng Trong mô này, sử dụng 30 vector riêng cho phương pháp Eigenface, số lượng vector riêng lớn chọn Bảng Tỷ lệ nhận dạng xác với góc chụp khác khn mặt Góc chụp Eigenface – 30 eigenvectors Nhìn trái 70% Nhìn phải 70% MHD LHD 56,6% 46,67% 50% 53,33% Nhìn lên 25 50% Nhìn xuống 43,33% Trung bình 58,33% 60% 70% 53,3% 63,33% 55% 58,33% Trong mơ này, thấy góc chụp khuôn mặt ảnh hưởng lớn đến kết xác nhận dạng Phương pháp Eigenface cho kết cao so với LHD khoảng 1% không nhiều 3.4 Nhận dạng khuôn mặt với cảm xúc khác khuôn mặt Trong mô này, chúng tơi sử dụng 100 ảnh diện 100 người sở liệu AR để làm sở liệu Với người, có ảnh cảm xúc cười, giận hốt hoảng Vậy ta có 100 ảnh cho cảm xúc để nhận dạng Tỷ lệ nhận dạng xác thuật toán liệt kê Bảng Bảng Tỷ lệ nhận dạng xác với cảm xúc khác khuôn mặt Cảm xúc Cười Giận Eigenface 100 eigenvectors 91% 100 eigenvector w/o 1st 74% 100 eigenvectors 88% 100 eigenvector w/o Hốt hoảng MHD LHD 1st 42% 81% 85% 90% 16% 32% 71% 100 eigenvectors 38% 100 eigenvector w/o 1st 20% Trong mô này, thấy phương pháp LHD cho kết xác cao so với MHD thấp so với Eigenface Tuy nhiên điều kiện ứng dụng thực tế với ánh sáng không lý tưởng, ta cần bỏ vector riêng tương ứng trị riêng lớn cho phương pháp Eigenface Để nâng cao tỷ lệ nhận dạng xác phương pháp LHD cho kết tốt Eigenface Kết luận Trong báo này, chúng tơi trình bày khái quát hướng nghiên cứu nhận diện khuôn mặt, kết hợp khoảng cách Hausdorff đồ cạnh khuôn mặt, phương pháp tốt LHD Đây phương pháp việc nhận diện khuôn mặt Các kết mô cho thấy phương pháp MHD LHD cho kết vượt trội so với phương pháp Eigenface, vốn hay dùng ứng dụng nhận dạng khn mặt Phương pháp LHD cịn cho thấy bền vững với điều kiện khác ảnh khuôn mặt điều kiện ánh sáng thay đổi, góc chụp thay đổi cảm xúc khn mặt thay đổi Với ưu điểm đó, phương pháp nhận diện khuôn mặt dựa đặc trưng cạnh, phương pháp LHD, phương pháp tốt để ứng dụng cho việc nhận dạng khuôn mặt TÀI LIỆU THAM KHẢO [1] B Takács, “Comparing face images using the modified Hausdorff distance”, Pattern Recognition, Vol 31, 1998, pp 1873-1881 [2] Y Gao and M K Leung, “Face recognition using line edge map”, Đặng Nguyên Châu, Đỗ Hồng Tuấn 26 IEEE Trans on Pattern and Analysis and Machine Intelligence, Vol 24, No 6, Jun 2002, pp 764-779 [3] Bern University Database, http://www.fki.inf.unibe.ch/databases/iam-facesdatabase/FullFaces.tgz [4] A.M Martinez and R Benavente, The AR Face Database, CVC Technical Report, No 24, June 1998 [5] L A Iverson and S W Zucker, “Logical/linear operators for image curves”, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol 17, 1995, pp 982–996 [6] I E Sobel, Cameral model and machine perception, PhD thesis, Stanford University, USA, 1970 [7] J Canny, “A computational approach to edge detection”, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol 8, 1986, pp 679–698 [8] Heath, M.D., Sarkar, S., Sanocki, T., and Bowyer, K.W., “Comparison of edge detectors: A methodology and initial study”, Comput Vis Image Underst., Vol 69, 1998, pp 38–54 [9] Nevatia, R., and Babu, K.R., “Linear feature extraction and description”, Comput Graph Image Process., Vol 13, 1980, pp 257–269 [10] Leung, M.K.H., and Yang, Y.H., “Dynamic two-strip algorithm in curve fitting”, Pattern Recognition, Vol 23, 1990, pp 69–79 [11] Huttenlocher, D.P., Klanderman, G.A., and Rucklidge, W.J., “Comparing images using the Hausdorff distance”, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol 15, 1993, pp 850–863 [12] Dubuisson, M.P., and Jain, A.K., “A modified Hausdorff distance for object matching”, Proc 12th Int Conf on Pattern recognition, Jerusalem, Israel, 1994, pp 566–568 [13] Y Gao, “Efficiently comparing face images using a modified Hausdorff distance”, IEE Proc Vision, Image and Signal Processing, Vol 150, No 6, Dec 2003, pp 346-350 [14] V Granville, M Krivanek, J Rasson, “Simulated annealing: A proof of convergence”, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol 16, No 6, 1994, pp 652–656 [15] J Mihir, M Suman and J Naresh, “Eye detection and face recognition using line edge map”, Proc.National Conference on Computer Vision, Pattern Recognition, Image Processing and Graphics, Gandhinagar, India, 2008 (BBT nhận bài: 14/02/2017, hoàn tất thủ tục phản biện: 10/05/2017) ... tính khoảng cách đồ cạnh khuôn mặt việc nhận dạng khuôn mặt Tuy nhiên, đồ cạnh khuôn mặt Takács sử dụng để tính tốn cạnh ảnh áp dụng phương pháp tìm cạnh kết hợp với phương pháp làm mỏng cạnh, chưa... mặt, phương pháp tốt LHD Đây phương pháp việc nhận diện khuôn mặt Các kết mô cho thấy phương pháp MHD LHD cho kết vượt trội so với phương pháp Eigenface, vốn hay dùng ứng dụng nhận dạng khn mặt Phương. .. này, thấy góc chụp khuôn mặt ảnh hưởng lớn đến kết xác nhận dạng Phương pháp Eigenface cho kết cao so với LHD khoảng 1% không nhiều 3.4 Nhận dạng khuôn mặt với cảm xúc khác khuôn mặt Trong mô này,