Đánh giá phương pháp phân tích thành phần chính và phân tích khác biệt tuyến tính cho bài toán nhận dạng mặt người

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC VINH VÕ THÀNH LỘC ĐÁNH GIÁ PHƢƠNG PHÁP PHÂN TÍCH THÀNH PHẦN CHÍNH VÀ PHÂN TÍCH KHÁC BIỆT TUYẾN TÍNH CHO BÀI TOÁN NHẬN DẠNG MẶT NGƢỜI LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN Nghệ An, 2018 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC VINH VÕ THÀNH LỘC ĐÁNH GIÁ PHƢƠNG PHÁP PHÂN TÍCH THÀNH PHẦN CHÍNH VÀ PHÂN TÍCH KHÁC BIỆT TUYẾN TÍNH CHO BÀI TỐN NHẬN DẠNG MẶT NGƢỜI LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN Mã ngành: 80.48.02.01 Người hướng dẫn khoa học TS HỒNG HỮU VIỆT Nghệ An, 2018 LỜI CẢM ƠN Tơi xin chân thành cảm ơn Thầy, Cô giáo Ngành Công nghệ thông tin, trường Đại học Vinh, Đại học Sư Phạm Kỹ Thuật Vĩnh Long Thầy TS Hồng Hữu Việt tạo điều kiện cho tơi học tập nghiên cứu để hoàn thành luận văn Tôi xin gửi lời cảm ơn tới quý thầy cô, đồng nghiệp quan nơi công tác tạo điều kiện cho học tập, nghiên cứu hoàn thành luận văn Vĩnh Long, ngày 13 tháng năm 2018 Học viên Võ Thành Lộc LỜI CAM ĐOAN Tôi xin cam đoan luận văn “Đánh giá phương pháp phân tích thành phần phân tích khác biệt tuyến tính cho tốn nhận dạng mặt người” cơng trình nghiên cứu riêng Các số liệu sử dụng luận văn trung thực Các kết nghiên cứu trình bày luận văn chưa cơng bố hình thức trước Vĩnh Long, ngày 13 tháng năm 2018 Học viên Võ Thành Lộc MỤC LỤC Nội dung Trang LỜI CẢM ƠN LỜI CAM ĐOAN MỤC LỤC KÝ HIỆU CÁC CHỮ VIẾT TẮT DANH MỤC CÁC HÌNH VẼ - ĐỒ THỊ MỞ ĐẦU Sự cần thiết vấn đề nghiên cứu Mục tiêu nghiên cứu 2.1 Mục tiêu tổng quát 2.2 Mục tiêu cụ thể Đối tượng phạm vi nghiên cứu 3.1 Đối tượng nghiên cứu 3.2 Phạm vi nghiên cứu Nội dung nghiên cứu Cấu trúc luận văn Chƣơng 1.TỔNG QUAN VỀ NHẬN DẠNG MẶT NGƢỜI 10 1.1 Đặt vấn đề 10 1.2 Tổng quan phương pháp nhận dạng 11 1.2.1 Học có giám sát: 11 1.2.2 Học khơng có giám sát: 11 1.2.3 Chu trình thiết kế hệ thống nhận dạng mẫu 12 1.3 Các hướng tiếp cận nhận dạng ảnh mặt người 13 Chƣơng NHẬN DẠNG ẢNH MẶT NGƢỜI DỰA TRÊN CÁC PHƢƠNG PHÁP PCA VÀ LDA 15 2.1 Nhận dạng ảnh mặt người dựa PCA 15 2.1.1 Thuật toán PCA cho nhận dạng ảnh mặt người 15 2.1.2 Ví dụ minh họa 20 2.1.3 Ưu nhược điểm phương pháp PCA 29 2.2 Nhận dạng ảnh mặt người dựa LDA 29 2.2.1 Thuật toán LDA cho nhận dạng ảnh mặt người 29 2.2.2 Ví dụ minh họa 31 2.2.3 Ưu nhược điểm phương pháp LDA 33 Chƣơng 3.THỰC NGHIỆM NHẬN DẠNG ẢNH MẶT NGƢỜI DỰA TRÊN PCA VÀ LDA 34 3.1 Dữ liệu thử nghiệm 34 3.2 Thực nghiệm 35 3.3 Thực nghiệm 36 3.4 Thực nghiệm 41 3.5 Thực nghiệm 43 3.6 Một số đánh giá chung phương pháp PCA LDA 46 KẾT LUẬN 46 TÀI LIỆU THAM KHẢO 49 KÝ HIỆU CÁC CHỮ VIẾT TẮT STT Tên tắt IFD Ý nghĩa Indian Face Database CNTT Công nghệ thông tin ICA Independent Component Analysis (Phân tích thành phần độc lập) ATT AT&T LVQ Learning Vector Quantization neural network NN SVM Support Vector Machines (Máy Vector hỗ trợ) ORL (Olivetti Research Laboratory, Surrey University): Cơ sở liệu ảnh dùng luận văn LDA Linear Discriminant Analysis (Phân tích khác biệt tuyến tính) 10 PCA Principal Component Analysis (Phân tích thành phần chính) Neural Network (Mạng nơron nhân tạo) DANH MỤC CÁC HÌNH VẼ - ĐỒ THỊ Hình 1.1 Chu trình hệ thống nhận dạng mẫu 12 Hình 2.1 Biểu diễn vector ảnh mặt người 16 Hình 2.2 Dạng vector mặt tạo từ ảnh khuôn mặt 16 Hình Phân loại dựa Between Within theo LDA 30 Hình Mơ hình hệ thống nhận dạng LDA 33 Hình Ảnh người liệu 34 Hình 3.2: Ảnh người liệu 35 Hình 3.Các ảnh nhận dạng bị lỗi liệu tỷ lệ 95% PCA 38 Hình Các ảnh nhận dạng bị lỗi liệu tỷ lệ 73.77% PCA .40 Hình 3.5 Tỷ lệ nhận dạng thuật toán PCA LDA cho thử nghiệm 45 MỞ ĐẦU Sự cần thiết vấn đề nghiên cứu Với phát triển nhanh chóng loại máy móc đại máy ảnh số, máy quay kỹ thuật số, máy vi tính,…thì lượng thơng tin người thu dạng hình ảnh lớn Xử lý ảnh lĩnh vực ngày phổ biến đời sống xã hội Không dừng lại việc xử lý vết nhòe, tái chế phục hồi ảnh cũ, ngày kỹ thuật, phương pháp xử lý ảnh mang lại tiến độ vượt bậc nhận dạng vân tay, nhận dạng khuôn mặt, nhận dạng đối tượng kết hợp với lĩnh vực trí tuệ nhân tạo Bên cạnh vấn đề an ninh bảo mật yêu cầu khắc khe quốc gia giới Các hệ thống xác định, nhận dạng người đời với độ tin cậy cao Một toán nhận dạng người quan tâm nhận dạng khn mặt Có hai phương pháp nhận dạng phổ biến nhận dạng dựa đặc trưng phần tử khn mặt biến đổi sóng Wavelet (Gabor Wavelet) mạng Nơron (Neural Network), Support Vector Machine (SVN),…và nhận dạng dựa xét tổng thể toàn khn mặt phương pháp Phân tích thành phần (Principal Component Analysis- PCA) phương pháp phân tích khác biệt tuyến tính (Linear Discriminant AnalysisLDA) mang lại hiệu nhận dạng cao hoạt động ổn định có tính thích nghi cao liệu đầu vào thay đổi nhiều Đó lý tơi chọn đề tài: “Đánh giá phương pháp phân tích thành phần phân tích khác biệt tuyến tính cho tốn nhận dạng mặt người” Để làm luận văn tốt nghiệp Mục tiêu nghiên cứu 2.1 Mục tiêu tổng quát - Nghiên cứu phương pháp PCA cho nhận dạng ảnh mặt người - Nghiên cứu phương pháp LDA cho nhận dạng ảnh mặt người 2.2 Mục tiêu cụ thể Đề tài tập trung vào mục tiêu sau: - Nghiên cứu tổng quan nhận dạng ảnh mặt người - Nghiên cứu phương pháp PCA LDA cho nhận dạng ảnh mặt người - Cài đặt thử nghiệm phương pháp PCA LDA cho nhận dạng ảnh mặt người - Đánh giá hiệu nhận dạng phương pháp PCA LDA Đối tƣợng phạm vi nghiên cứu 3.1 Đối tượng nghiên cứu - Tổng quan lý thuyết nhận dạng mẫu - Các vấn đề liên quan đến phương pháp nhận dạng khuôn mặt - Phương pháp nhận dạng khuôn mặt PCA LDA 3.2 Phạm vi nghiên cứu - Dữ liệu xử lý file ảnh tĩnh với ảnh chụp với góc nghiên khơng đáng kể - Ảnh chụp điều kiện ánh sáng bình thường (khơng chụp ngược sáng, chụp máy kỹ thuật số) Nội dung nghiên cứu - Tìm hiểu tổng quan phương pháp nhận dạng - Tìm hiểu tổng quan tốn nhận dạng ảnh mặt người - Tìm hiểu phương phương pháp PCA cho nhận dạng ảnh mặt người - Tìm hiểu phương pháp LDA cho nhận dạng ảnh mặt người - Tìm hiểu lập trình với Matlab - Cài đặt thuật toán PCA, LDA cho nhận dạng ảnh mặt người - Đánh giá hiệu nhận dạng phương pháp PCA LDA Cấu trúc luận văn: Bố cục luận văn gồm chương với nội dung sau: 36 Bảng 1: Kết thử nghiệm phƣơng pháp PCA cho liệu Bộ liệu Bộ liệu Giá trị Tỷ lệ nhận Thời gian Tỷ lệ nhận Thời gian dạng (giây) dạng (giây) K=1 100.00 1.177 100.00 2.236 K=2 100.00 1.412 100.00 3.233 K=5 100.00 1.425 100.00 3.979 K = 10 100.00 1.498 100.00 2.792 K = 15 100.00 1.472 100.00 2.823 K Bảng Kết thử nghiệm phƣơng pháp LDA Bộ liệu Bộ liệu Tỷ lệ nhận Thời gian Tỷ lệ nhận Thời gian dạng (giây) dạng (giây) 100.00 393.780 100.00 62.796 3.3 Thực nghiệm Trong thực nghiệm này, chia liệu nhận dạng sau: Bộ liệu thứ chia thành tập liệu: - Tập liệu 1: tập liệu huấn luyện gồm 360 ảnh, người ảnh - Tập liệu 2: tập liệu dùng để nhận dạng gồm 40 ảnh, người ảnh Bộ liệu thứ hai chia thành tập: - Tập liệu 1: tập liệu huấn luyện gồm 602 ảnh 37 - Tập liệu 2: tập dùng để nhận dạng gồm 61 ảnh 61 người Bảng 3.3 kết của thử nghiệm thuật toán PCA với liệu liệu Thời gian thực thuật toán thay đổi K cho liệu khác không đáng kể, điều giá trị vector riêng xác định trước chọn giá trị K cho chiều dài vector đặc trưng Với liệu 1, tỷ lệ nhận dạng xác khơng thay đổi K có giá trị lớn 20 với liệu 2, tỷ lệ nhận dạng không thay đổi K lớn 30 Do tỷ lệ nhận dạng không thay đổi K chọn lớn Hình 3.3 ảnh nhận dạng bị lỗi liệu tỷ lệ 95% Hình 3.4 ảnh nhận dạng bị lỗi liệu tỷ lệ 73.77% PCA Bảng 3 Kết thử nghiệm PCA cho liệu Bộ liệu Bộ liệu Giá trị Tỷ lệ nhận Thời gian Tỷ lệ nhận Thời gian dạng (giây) dạng (giây) K=5 77.5 2.161 59.02 5.715 K = 10 92.50 1.146 70.49 3.494 K = 15 92.50 1.158 72.13 3.408 K = 20 95.00 1.106 72.13 3.386 K = 25 95.00 1.047 72.13 3.373 K = 30 95.00 0.982 73.77 3.236 K = 35 95.00 0.965 73.77 3.281 K = 40 95.00 0.969 73.77 4.853 K = 45 95.00 0.955 73.77 3.266 K 38 K = 50 95.00 1.017 73.77 3.227 K = 70 95.00 0.975 73.77 3.254 K = 90 95.00 0.993 73.77 3.237 95.00 1.014 73.77 3.351 K= 120 Hình 3.Các ảnh nhận dạng bị lỗi liệu tỷ lệ 95% PCA 39 40 Hình Các ảnh nhận dạng bị lỗi liệu tỷ lệ 73.77% PCA Bảng 3.4 kết thử nghiệm với liệu liệu thuật toán LDA Thời gian thực thuật toán cho liệu khác lớn, điều việc tính tốn với liệu có kích thước ảnh lớn (92x112) so với 64x48) tính tốn ma trận phân bố nội lớp (SW) liên lớp (SB) số biến thực có kích thước lớn (10304x10304) Kết thử nghiệm cho thấy với liệu 1, thuật toán LDA cho kết 41 nhận dạng giống với thuật toán PCA, liệu 2, thuật toán LDA cho kết nhận dạng xác Bảng Kết thử nghiệm thuật toán LDA Bộ liệu Bộ liệu Tỷ lệ nhận Thời gian Tỷ lệ nhận Thời gian dạng (giây) dạng (giây) 95.00 344.734 86.89 59.757 3.4 Thực nghiệm Trong thực nghiệm này, giảm liệu huấn luyện tăng liệu nhận dạng để xem xét nhận dạng xác thuật tốn Cụ thể, chia liệu huấn luyện nhận dạng sau: Bộ liệu thứ chia thành tập liệu: - Tập liệu 1: tập liệu huấn luyện gồm 320 ảnh, người ảnh - Tậpdữ liệu 2: tập liệu dùng để nhận dạng gồm 80 ảnh, người ảnh Bộ liệu thứ hai chia thành tập: - Tập liệu 1: tập liệu huấn luyện gồm 540 ảnh - Tập liệu 2: tập dùng để nhận dạng gồm 122 ảnh, người ảnh Bảng 3.5 kết thử nghiệm thuật toán PCA với liệu liệu Với liệu 1, tỷ lệ nhận dạng xác khơng thay đổi K có giá trị lớn 20 với liệu 2, tỷ lệ nhận dạng không thay đổi K lớn 40 42 Bảng Kết thử nghiệm PCA cho liệu Bộ liệu Bộ liệu Giá trị Tỷ lệ nhận Thời gian Tỷ lệ nhận Thời gian dạng (giây) dạng (giây) K=5 78.75 7.934 54.92 1.801 K = 10 92.50 0.444 61.48 0.642 K = 15 92.50 0.409 62.30 0.691 K = 20 95.00 0.422 62.30 0.652 K = 25 95.00 0.433 62.30 0.641 K = 30 95.00 0.445 62.30 0.646 K = 35 95.00 0.459 62.30 0.673 K = 40 95.00 0.471 63.11 0.639 K = 45 95.00 0.452 63.11 0.696 K = 50 95.00 0.502 63.11 0.687 K = 70 95.00 0.478 63.11 0.648 K = 90 95.00 0.516 63.11 0.698 K= 95.00 0.558 63.11 0.751 K 120 Bảng 3.6 kết thử nghiệm với liệu liệu thuật toán LDA Kết thử nghiệm cho thấy với liệu 1, thuật toán LDA cho kết nhận dạng có xác thấp PCA khơng đáng kể, với liệu 2, thuật toán LDA cho kết nhận dạng xác cao nhiều so với thuật toán PCA 43 Bảng Kết thử nghiệm phƣơng pháp LDA Bộ liệu Bộ liệu Tỷ lệ nhận Thời gian Tỷ lệ nhận Thời gian dạng (giây) dạng (giây) 93.75 306.921 80.33 49.245 3.5 Thực nghiệm Trong thực nghiệm cuối cùng, tiếp tục giảm liệu huấn luyện tăng liệu nhận dạng Chúng chia liệu huấn luyện nhận dạng sau: Bộ liệu thứ chia thành tập liệu: - Tập liệu 1: tập liệu huấn luyện gồm 280 ảnh, người ảnh - Tậpdữ liệu 2: tập liệu dùng để nhận dạng gồm 120 ảnh, người ảnh Bộ liệu thứ hai chia thành tập: - Tập liệu 1: tập liệu huấn luyện gồm 479 ảnh - Tập liệu 2: tập dùng để nhận dạng gồm 183 ảnh, người ảnh Bảng 3.7 kết của thử nghiệm thuật toán PCA với liệu liệu Một lần nữa, kết thử nghiệm với liệu 1, tỷ lệ nhận dạng xác khơng thay đổi K có giá trị lớn 20 với liệu 2, tỷ lệ nhận dạng không thay đổi K lớn 40 Tuy nhiên tỷ lệ nhận dạng đạt tốt thử nghiệm thấp tỷ lệ nhận dạng tốt so với thử nghiệm thử nghiệm Điều cho thấy rằng, giảm liệu huấn luyện tăng liệu nhận dạng tỷ lệ nhận dạng xác thuật toán PCA giảm 44 Bảng Kết thử nghiệm PCA cho liệu Bộ liệu Bộ liệu Giá trị Tỷ lệ nhận Thời gian Tỷ lệ nhận Thời gian dạng (giây) dạng (giây) K=5 75.00 1.220 52.46 1.961 K = 10 89.17 0.524 61.75 1.000 K = 15 89.17 0.554 62.30 4.759 K = 20 90.83 0.519 62.84 2.410 K = 25 90.83 0.549 62.84 0.993 K = 30 90.83 0.575 63.93 0.948 K = 35 90.83 0.625 64.48 1.047 K = 40 90.83 0.592 65.03 2.034 K = 45 90.83 0.582 65.03 0.928 K = 50 90.83 0.576 65.03 0.960 K = 70 90.83 0.630 65.03 1.001 K = 90 90.83 0.639 65.03 0.975 90.83 0.660 65.03 0.991 K K= 120 Bảng 3.8 kết thử nghiệm với liệu liệu thuật toán LDA Một lần nữa, với liệu 1, thuật toán LDA cho kết nhận dạng có xác thấp PCA không đáng kể, với 45 liệu 2, thuật tốn LDA cho kết nhận dạng xác cao nhiều so với thuật toán PCA Bộ liệu Bộ liệu Tỷ lệ nhận Thời gian Tỷ lệ nhận Thời gian dạng (giây) dạng (giây) 89.17 288.049 79.23 42.095 Bảng 8: Kết thử nghiệm phƣơng pháp LDA a)Bộ liệu b)Bộ liệu Hình 3.5 Tỷ lệ nhận dạng thuật toán PCA LDA cho thử nghiệm Bảng 3.9: Thời gian thực thuật toán PCA LDA cho thử nghiệm Bộ liệu Stt PCA Bộ liệu LDA PCA LDA 1.177 393.780 2.236 62.796 1.106 344.734 3.236 59.757 0.422 306.921 0.639 49.245 0.519 288.049 2.034 42.095 46 3.6 Một số đánh giá chung phƣơng pháp PCA LDA Với thử nghiệm thực liệu liệu 2, số đánh giá chung sau: - Với thuật tốn PCA, K tăng thời gian nhận dạng giảm Ngồi thuật tốn PCA cho kết nhận dang tốt không nhiều so với thuật tốn LDA với liệu hình 3.2 (a) - Thuật toán LDA cho kết nhận dạng tốt nhiều so với thuật toán PCA với liệu hình 3.2(b) Điều chất lượng ảnh khác biệt nhau, liệu có độ phân giải lớn với mức độ thể khuôn mặt rõ nét hơn, ảnh liệu đa dạng miêu tả cảm xúc nhân vật liệu khu vực ảnh lớn ảnh liệu - Thời gian nhận dạng thuật toán PCA nhanh nhiều thuật toán LDA bảng 3.10 Điều thuật tốn LDA cần phải tính tính tốn ma trận phân bố nội lớp (SW) liên lớp (SB) với có kích thước lớn Chú ý thời gian đề tài thực hệ thống máy tính, hệ điều hành, nhiên thời thực thuật tốn khác chạy máy tính khác hệ điều hành khác Tuy nhiên tỷ lệ nhận dạng cho hệ thống khác KẾT LUẬN Những kết luận văn đạt đƣợc: - Tìm hiểu cách tổng quan mơ hình nhận dạng mặt người Có cách nhìn có hệ thống phương pháp trích trọn đặc trưng phục vụ cho trình nhận dạng mặt người - Bằng cách kết hợp phương pháp phân tích thống kê phương pháp biến đổi hình thái luận văn đạt phương pháp hiệu 47 toán nhận dạng mặt người Phương pháp PCA LDA trích chọn đặc trưng mang tính thống kê giúp hệ thống có thông tin đặc trưng tương đối đầy đủ người - Đối với phương pháp phân tích, sau trích chọn, đặc trưng chuyển tới mạng nơron lan truyền ngược để huấn luyện, phương pháp có mạng riêng Các tham số trình huấn luyện số đặc trưng trích chọn, số nơron ẩn mạng, dạng hàm kích hoạt mạng lựa chọn sau nhiều thử nghiệm để có giá trị phù hợp hệ thống thời gian tính tốn độ xác - Khi thực nhậndạng, ảnh đầu vào trích chọn đặc trưng, đặc trưng đưa vào mạng nơron tương ứng với phương pháp phân tích Đầu mạng người tương ứng với kết phương pháp Các kết riêng lẻ khác nhau, chúng so sánh với dựa vào khoảng cách Euclide với ảnh đầu vào, kết hệ thống kết có khoảng cách ngắn Bằng việc kết hợp vậy, hệ thống tận dụng tối đa ưu điểm phương pháp phân tích, đồng thời ưu điểm phương pháp bổ khuyết cho nhược điểm phương pháp kia, giúp hệ thống đạt hiệu tốt Mặc dù hệ thống đạt độ xác cao, nhiên cịn tỉ lệ nhỏ chưa xác hệ thống chưa đánh giá toàn đặc trưng mặt người Hƣớng phát triển: Trong nghiên cứu nhằm phát triển hoàn thiện hệ thống hơn, việc nhận dạng kết hợp thêm phương pháp phân tích khác nhận dạng mắt, nhận dạng miệng hay nhận dạng mũi đặc trưng quan trọng khuôn mặt 48 Hệ thống áp dụng cho việc nhận dạng sinh viên phòng thi với danh sách cho trước, giúp phòng tra khảo thí kiểm định chất lượng nhanh chóng xác định sinh viên nghi ngờ thi hộ Đầu vào cho hệ thống ảnh mặt người lấy từ modul nhận dạng vùng mặt người (sử dụng thư viện Open CV kết hợp matlab), chuẩn hoá tiền xử lý ảnh mặt người cần nhận dạng để đưa vào hệ thống với mạng nơron luyện theo danh sách thư viện ảnh cho trước Hệ thống nhanh chóng đưa kết luận ảnh mặt người đầu vào có thuộc danh sách hay khơng 49 TÀI LIỆU THAM KHẢO [1] A Martinez, A Kak, (2001) "PCA versus LDA", IEEE Transactions on Pattern Analysis and Machine Intelligence, vol 23, no 2, pp 228-233, 2001 [2] Alaa Eleyan and Hasan Demirel, (2007), PCA and LDA based Neural Networks Source: Face Recognition, Book edited by: Kresimir Delac and Mislav Grgic, ISBN 978-3-902613-03-5, pp.558, I-Tech, Vienna, Austria, June 2007 [3] A Hossein Sahoolizadeh, B Zargham Heidari, and C Hamid Dehghani (2008), A New Face Recognition Method using PCA, LDA and Neural Network International Journal of Computer, Electrical, Automation, Control and Information Engineering Vol:2, No:5, 2008 [4] Juwei Lu, K.N Plataniotis, and A.N Venetsanopoulos (2002), Face Recognition Using LDA Based Algorithms, [5] M Turk and A Pentland, (1991), "Eigenfaces for Recognition", Journal of Cognitive Neuroscience, vol 3, no 1, pp 71-86, 1991 [6] Mahesh Bharath Keerthivasan, (2009), Comparative Study of PCA, ICA and LDA for Face Recognition, ECE 532 - digital image analysis, Term Project - Fall 2009 [7] Timothy A Davis, Kermit Sigmon (2005) MATLAB® Primer by Chapman & Hall/CRC [8] Từ Minh Hiển, Trần Thị Khánh Hòa (2012), Nhận dạng khuôn mặt người mạng nơron phương pháp phân tích thành phần Báo cáo Hội nghị Sinh viên Nghiên cứu Khoa học lần thứ Đại học Đà Nẵng năm 2012 50 TÀI LIỆU THAM KHẢO [1] Phạm Thế Bảo, Nguyễn Thành Nhựt, Cao Minh Thịnh, Trần Anh Tuấn, Phan Phú Doãn (2007), Tổng quan phương pháp xác định khuôn mặt người [2] Ion Marqués (2010), Face recognition Algorithms, Universidad del País Vasco [3] Byung-Joo Oh (2003), „„Face Recognition by Using Neural Network Classifiers based on PCA and LDA‟‟, Daejeon, Korea [4] Weisstein, Eric W „„Normalized Vector‟‟ from mathworld A wolfram web resource : http://mathworld.wolfram.com/NormalizedVector.html [5] Lindasay I Smith (2002), „„A tutorial on Principal Components Analysis‟‟, John Wiley & Sons Inc [6] Trần Thị Thanh Hải, Eric Marchand (2009), „„Một số phương pháp đối sánh ảnh thời gian thực‟‟, Trung tâm MICA, Trường đại học Bách Khoa Hà Nội [7] Volkan Akalin (2003), Face recognition using eigenfaces and neural network, The Middle East Technical University [8] Tom M.Mitchell (1997), Machine Learning, McGraw-Hill Science/Engineering/Math [9] Howard Demuth (2002), Neural network Toolbox : For use with MATLAB [10] Link ORL Database : www.cam-orl.co.uk/facedatabase.html [11] Anil K.Jain (1996), „„Artifical Neural network : A tutorial‟‟, Proceedings of the IEEE [12] Kishan Mehrotra, Chilukuri K Mohan and Sanjay Ranka (1996), Elements of Artifical Neural Networks, Bradford ...BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC VINH VÕ THÀNH LỘC ĐÁNH GIÁ PHƢƠNG PHÁP PHÂN TÍCH THÀNH PHẦN CHÍNH VÀ PHÂN TÍCH KHÁC BIỆT TUYẾN TÍNH CHO BÀI TOÁN NHẬN DẠNG MẶT NGƢỜI LUẬN VĂN... quan phương pháp nhận dạng - Tìm hiểu tổng quan toán nhận dạng ảnh mặt người - Tìm hiểu phương phương pháp PCA cho nhận dạng ảnh mặt người - Tìm hiểu phương pháp LDA cho nhận dạng ảnh mặt người. .. hiệu nhận dạng cao hoạt động ổn định có tính thích nghi cao liệu đầu vào thay đổi nhiều Đó lý tơi chọn đề tài: ? ?Đánh giá phương pháp phân tích thành phần phân tích khác biệt tuyến tính cho toán nhận