Phát triển các kỹ thuật biểu diễn biểu cảm khuôn mặt 3d TT

BỘ THÔNG TIN VÀ TRUYỀN THÔNG HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THƠNG TĨM TẮT LUẬN ÁN PHÁT TRIỂN CÁC KỸ THUẬT BIỂU DIỄN BIỂU CẢM KHUÔN MẶT 3D NCS: HUỲNH CAO TUẤN NGƯỜI HƯỚNG DẪN KHOA HỌC PGS TS Đỗ Năng Tồn TS Nguyễn Thanh Bình Hà Nội – 2021 MỞ ĐẦU Nghiên cứu mặt người hướng nghiên cứu nhiều quan tâm nhà khoa học giới nước Các nghiên cứu lĩnh vực chia thành hai hướng chính: Thứ nhất, liên quan đến thị giác máy, phát nhận dạng mặt người trạng thái biểu cảm mặt người Thứ hai, liên quan đến mô phỏng, biểu diễn mơ hình mặt người với trạng thái khác Các ứng dụng biểu diễn biểu cảm khn mặt đa dạng như: máy tính tương tác với người sử dụng người bình thường với đầy đủ cảm xúc vui buồn giận vv… Một số ứng dụng sống có liên quan đến biểu cảm khn mặt kể đến: Hệ thống giám sát nhận dạng khuôn mặt, hệ thống tìm ảnh dựa nội dung, xây dựng khn mặt nhân vật đóng điện ảnh, hệ thống kiểm soát vào ra, hệ thống xác thực sinh trắc học khuôn mặt… Mặc dù có nhiều cơng trình nghiên cứu biểu cảm thể biểu cảm khuôn mặt chưa có nghiên cứu thực hồn thiện phù hợp cho nhiều lớp toán khác nhau, hướng tiếp cận chủ yếu đưa để giải vấn để đặt Đối tượng, Mục tiêu nghiên cứu a) Đối tượng nghiên cứu Đối tượng khuôn mặt người 2D xử lý ảnh mơ hình mặt người 3D thực ảo, Các kỹ thuật xử lý ảnh xử lý video liên quan đến phát trích chọn điểm đặc trưng khuôn mặt người Các kỹ thuật nội suy liên quan đến thể cử chỉ, trạng thái biểu cảm mơ hình mặt người 3D b) Mục tiêu phạm vi nghiên cứu Bài toán đặt nghiên cứu để tái thể lại biểu cảm cử người thật lên mơ hình khn mặt 3D máy tính Bài tốn có giai đoạn chính: Thứ thu nhận trích chọn đặc trưng biểu cảm cử khuôn mặt; Thứ hai từ thơng tin rút trích giai đoạn một, đầu vào giai đoạn hai để tái thể lại mơ hình mặt người 3D Mục tiêu luận án tập trung vào nghiên cứu phát triển kỹ thuật xử lý ảnh, xử lý video, trích rút, ghi nhận đặc trưng thể cử chỉ, trạng thái biểu cảm mặt người video Các kỹ thuật nội suy nhằm điều khiển mơ hình 3D thể trạng thái biểu cảm khuôn mặt Cụ thể kỹ thuật phần đoạn video, kỹ thuật rút trích đặc trưng cử khn mặt, Mơ hình định vị điểm điều khiển Active Appearance Model (AAM), kỹ thuật nội suy Hàm sở bán kính RBF tham khảo số kỹ thuật liên quan khác… Để giải toán nêu trên, luận án đề xuất xây dựng hệ thống rút trích cử chỉ, biểu cảm khuôn mặt mô lại trên máy tính Hệ thống biểu diễn biểu cảm mà luận án nghiên cứu có đầu vào trạng thái cảm xúc liên tục, đầu biểu cảm khn mặt ảo thể trạng thái cảm xúc Các đóng góp luận án - Lựa chọn kỹ thuật phát khuôn mặt ảnh dựa ý tưởng thực phân lớp nhị phân với vùng ảnh quan tâm kết hợp với kỹ thuật phân đoạn video dựa trừ ảnh đặc trưng Kết nghiên cứu cơng bố cơng trình TCTN3 trình bày Chương luận án - Đề xuất kỹ thuật định vị điểm điều khiển dựa Mơ hình ngoại hình chủ động (AAM) ước lượng biểu cảm khuôn mặt định vị tập điểm điều khiển Thay thống kê lựa chọn rời rạc số đặc trưng hình dạng tay, nghiên cứu sinh tiến hành tự động lựa chọn đặc trưng hình học cách ngẫu nhiên tổ chức mơ hình định để thực ước lượng biểu cảm khuôn mặt Kết nghiên cứu công bố công trình TCQT1, TCTN1 trình bày Chương luận án - Đề xuất sử dụng loại đặc trưng hình dạng LINE_LINE, TRIANGLE_TRIANGLE, LINELINE_LINELINE Lý chọn loại đặc trưng hình dạng đặc trưng khuôn mặt khác ln có mối liên hệ gắn liền tạo thành đường hay tam giác theo mô hình tương tự Ví dụ vị trí mắt mũi miệng tương quan với Kết nghiên cứu cơng bố cơng trình TCQT1, TCTN1 trình bày Chương luận án - Đề xuất kỹ thuật tự động xác định tập điểm điều khiển để phục vụ nắn chỉnh biến dạng mơ hình dựa việc phân tích tập mơ hình quan sát đối tượng quan tâm Kết hợp với thuật toán nắn chỉnh biến dạng tập mơ hình biến thể để phục vụ đánh giá chất lượng nắn chỉnh Kết nghiên cứu cơng bố cơng trình TCQT2, TCQT3, HNTN1 trình bày Chương luận án Bố cục luận án Bố cục Luận án bao gồm phần sau: Phần Mở đầu: Giới thiệu khái quát ý nghĩa nội dung nghiên cứu, giới thiệu toán cách giải vấn đề Đồng thời nêu khái quát đóng góp luận án Chương 1: Là chương tổng quan, chương luận án trình bày khái niệm biểu cảm số vấn đề hệ thống biểu cảm khn mặt Đồng thời trình bày số hướng nghiên cứu, cách tiếp cận phương pháp sử dụng để giải vấn đề: Một tốn trích chọn ước lượng biểu cảm khn mặt người Hai tốn biểu diễn biểu cảm khuôn mặt người Chương 2: Kỹ thuật trích chọn đặc trưng cử ước lượng biểu cảm : Trong chương này, luận án trình bày tốn: phát khn mặt người ảnh; hai trích chọn đặc trưng cử khn mặt cuối tốn ước lượng biểu cảm khuôn mặt Chương luận án đề xuất kỹ thuật phát mặt người, kế thừa Mô hình AAM cải tiến bổ sung thuật tốn định vị điểm điều khiển để rút trích cử đề xuất kỹ thuật ước lượng biểu cảm khuôn mặt Chương 3: Biểu diễn cử chỉ, biểu cảm khuôn mặt 3D: Trong chương này, luận án giới thiệu chi tiết tốn mơ cử khn mặt, phương pháp tiếp cận biểu diễn khuôn mặt 3D, kỹ thuật nội suy xác định tập điểm điều khiển để phục vụ q trình mơ cử chỉ, biểu cảm Phần kết luận hướng phát triển Luận án trình bày tổng kết lại nội dung nghiên cứu đạt Luận án, đồng thời đề xuất hướng nghiên cứu Luận án Chương TỔNG QUAN VỀ TRÍCH CHỌN ĐẶC TRƯNG VÀ BIỂU DIỄN BIỂU CẢM KHUÔN MẶT 1.1 Tổng quan hệ thống biểu cảm khuôn mặt Các nghiên cứu lĩnh vực chia thành hai hướng chính: Một là, hướng liên quan đến phát nhận dạng mặt người trạng thái biểu cảm mặt người Hai là, hướng liên quan đến biểu diễn mơ hình mặt người với trạng thái khác  Để giải tốn trích chọn đặc trưng biểu cảm cử khn mặt có hướng tiếp cận chính: - Hướng thứ trích chọn đặc trưng biểu cảm khuôn mặt dựa điểm đánh dấu Với hướng người ta chia thành nhiều hướng khác tùy vào cách lựa chọn loại điểm đánh dấu, hay số lượng camera quan sát nhiều camera - Hướng nghiên cứu thứ hai tập trung nghiên cứu nhiều thời gian gần trích chọn đặc trưng mà không sử dụng điểm đánh dấu Với hướng nghiên cứu có số cách tiếp cận sử dụng học để đốn nhận biểu cảm khn mặt ảnh từ tính đặc trưng biểu cảm, sử dụng mơ hình AAM (Active Appearance Model) để nội suy hình dạng khn mặt từ trích rút đặc trưng biểu cảm khuôn mặt 1.2 Phát khuôn mặt ảnh Trong vài năm gần đây, nhóm Yu [129] ứng dụng kỹ thuật CNN, đề xuất hàm lỗi dùng độ đo IoU để hồi quy trực tiếp hộp bao mang lại hiệu đối tượng khn mặt có biến động hình dạng kích thước Theo cách nhìn khác, nhóm Zhang [134] kết hợp mạng CNN xếp tầng để xử lý đa chức kết hợp phát khuôn mặt phát điểm đặc trưng khuôn mặt Quan tâm đến khuôn mặt nhiều mức tỷ lệ, nhóm Yang [124] mơ hình hóa khn mặt với tỷ lệ khác thông qua tập hợp gồm mạng CNN có cấu trúc khác Cũng tương tự, nhóm Hu [56] quan tâm đến khuôn mặt nhỏ ảnh Theo đó, tác giả huấn luyện số phát khác khuôn mặt nhỏ nhiều mức tỉ lệ Quy trình xử lý nhóm Yang [124] Nhóm Bai [14] sử dụng sở mơ hình GAN để phát khn mặt mờ nhỏ thông qua việc sinh liệu rõ ràng Một vấn đề khác có liên quan đến mơ hình GAN khn mặt giả Nhóm Zhengzhe [78] tiến hành nghiên cứu thực nghiệm khuôn mặt giả khuôn mặt thật tập trung vào đặc điểm kết cấu toàn cục ảnh Các tác giả đề xuất Gram-Net để xử lý kết cấu hình ảnh tồn cầu nhằm phát ảnh khn mặt giả mạo Mơ hình nhóm Bai [14] 1.3 Trích chọn đặc trưng biểu cảm 1.3.1 Mẫu nhị phân cục (LBP) Thuật toán LBP [88] [8] phương pháp không tham số, nghĩa LBP tóm tắt cấu trúc hình ảnh cục cách hiệu cách so sánh cấu trúc pixel với pixel lân cận nó, ban đầu gán nhãn cho pixel vùng ảnh với số thập phân Mẫu nhị phân cục mô tả sau: Mỗi pixel so sánh với pixel xung quanh vùng ảnh có kích thước 3x3 pixel cách trừ giá trị pixel trung tâm; giá trị âm mã thành giá trị 0, giá trị khác mã thành giá trị 1; số nhị phân có cách nối tất mã theo chiều kim đồng hồ phía bên trái tương ứng với số thập phân gán nhãn trước Chuỗi số nhị phân tạo thành gọi mẫu nhị phân cục 1.3.2 ASM / AAM Active Shape Model (ASM) đề xuất [9] dựa mơ hình thống kê dùng để trích xuất điểm đặc trưng đường viền Kỹ thuật chủ yếu sử dụng mơ hình tồn cục để so khớp với hình dạng ban đầu khn mặt người, sau thiết lập mơ hình kết cấu cục để điểm đặc trưng đường viền đạt độ xác Active Appearance Model (AAM) [59] phát triển dựa sở ASM thuật tốn phổ biến tối ưu mơ hình thống kê đối tượng ảnh đầu vào, kết trình tối ưu điểm điều khiển thể cấu trúc đối tượng học với tọa độ tương ứng với thể đối tượng ảnh đầu vào, với tham số mơ hình thống kê ước lượng từ tham số mô hình này, ta dễ dàng tái cấu trúc hình dạng kết cấu hình ảnh đối tượng tương ứng cách tương thể đối tượng ảnh 6 1.3.3 Trích xuất đặc trưng Gabor Trích xuất đặc trưng dựa Gabor wavelets có lợi đáng kể Trong [85], tập hợp lọc Gabor, với đa hướng đa độ phân giải, sử dụng để mã hình ảnh biểu cảm khn mặt Boughida Adil cộng [18] sử dụng tuyến tính phi tuyến tính tổ hợp thuật tốn sở Gabor Gabor-meanDWT (Discrete Wavelet Transform) [83] cung cấp vectơ đặc trưng nhỏ gọn so với biểu thức dựa Gabor có để giảm bớt vấn đề chiều 1.3.4 Trích xuất đặc trưng Haar-like Đặc trưng Haar-like [29] công bố bao gồm đặc trưng để xác định mặt người Đặc trưng Haar-like tạo thành việc kết hợp hình chữ nhật màu đen trắng với theo trật tự, kích thước Mỗi đặc trưng Haar-like kết hợp hai hay ba hình chữ nhật “đen” hay “trắng” Để chọn đặc trưng Haar-like dùng cho việc thiết lập ngưỡng, tạo phân loại Viola Jones sử dụng phương pháp máy học gọi AdaBoost AdaBoost kết hợp phân loại yếu tạo thành phân loại mạnh Với phân loại yếu việc đưa câu trả lời xác việc đốn ngẫu nhiên chút, phân loại mạnh đưa kết xác cao nhiều 1.4 Một số cách tiếp cận biểu diễn biểu cảm khuôn mặt Parker [90] xây dựng mơ hình mơ sử dụng để mô biểu thức với vector Vị trí điểm khn mặt cập nhật dựa chức đặc biệt Sau đó, nhiều nhà nghiên cứu [125] [42] dành cho mơ hình bắp để sản xuất hình ảnh động khuôn mặt Chuang [28] thiết kế hệ thống tự động phát đặc điểm hình dạng trọng số tương ứng để định hướng điều khiển mơ hình mục tiêu Joshi [63] đưa ý tưởng phân chia sử dụng hình khối hỗn hợp Lewis [70] trình bày cách tiếp cận thao tác trực tiếp lên mơ hình hình dạng hỗn hợp sử dụng chuyển động nghịch đảo Liu [76] sử dụng mơ hình tối ưu tự động phát tham số mơ hình phi tuyến mơ tả hình dạng khn mặt Yano [125] tập hợp tập hợp thông số chuyển động hệ thống áp dụng chúng mơ hình mục tiêu để tạo biểu tương tự You [128] xây dựng mơ hình tốn học dựa theo tính chất vật lý biến dạng da sử dụng hình dạng khn mặt tổng hợp sở tương tác lực điểm điều khiển Bickel [19] xây dựng ánh xạ biến đổi mơ hình thơng qua thưa thớt điểm điều khiển tự định nghĩa 7 Ngoài nghiên cứu sinh khảo sát số phương pháp như:  Nội suy tuyến tính o Kết hợp kỹ thuật nội suy tuyến tính kỹ thuật Morphing: o Kết hợp kỹ thuật nội suy tuyến tính hệ mã hóa hành động mặt:  Nội suy song tuyến  Nội suy dựa hàm sở bán kính  Nội suy địa phương  Biến đổi 3D cứng (Rigid) 1.5 Tổng kết chương vấn đề nghiên cứu Trong chương này, luận án trình bày tổng quan hệ thống rút trích đặc trưng, cử khuôn mặt biểu diễn biểu cảm khuôn mặt với vấn đề liên quan Bên cạnh luận án giới thiệu số tiếp cận việc rút trích đặc trưng biểu diễn biểu cảm Đặc biệt trình bày hướng tiếp cận có để giải tốn rút trích đặc trưng cử chỉ, biểu cảm tốn biểu diễn biểu cảm khn mặt Đây hai toán quan trọng ứng dụng nhiều thực tế Chương KỸ THUẬT TRÍCH CHỌN ĐẶC TRƯNG CỬ CHỈ VÀ ƯỚC LƯỢNG BIỂU CẢM Trích chọn đặc trưng biểu cảm khn mặt kỹ thuật tính tốn ước lượng thơng số cho mơ hình tốn học nhằm phân tích tổng hợp biểu cảm khn mặt Bài tốn nhận đầu vào ảnh khuôn mặt đầu mô hình tốn học biểu cảm khn mặt tham số đầy đủ nhằm mục đích làm liệu đầu vào cho tốn nhận dạng mơ biểu cảm khn mặt ảnh 2.1 Bài tốn phát khn mặt Quy trình phát mặt người gồm hai bước chính: Thứ nhất, từ tập ảnh khuôn mặt ảnh khuôn mặt, ta xây dựng mơ hình cho hệ thống học để tạo liệu khuôn mặt mẫu Thứ hai, tiến hành tìm kiếm khn mặt ta so sánh đặc điểm ảnh đầu vào với đặc điểm mơ hình xây dựng 8 2.1.1 Mơ hình khn mặt mẫu Mỗi xây dựng dựa tập liệu huấn luyện sau: (2.1) {(𝐼𝑠 , 𝑣𝑠 , 𝑤𝑠 ): 𝑠 = 1,2, , 𝑆} Trong đó, vs nhãn ảnh Is, ws trọng số tương ứng Cụ thể, trường hợp này, vấn đề toán đưa thực phân lớp nhị phân, nhãn có giá trị tương ứng +1 -1 Giá trị trọng số ws cho phép đánh dấu mức độ quan trọng khác mẫu đầu vào tập huấn luyện Quá trình xây dựng thực nút sở lựa chọn phân lớp nhị phân có khả phân lớp tốt liệu huấn luyện, tức đạt giá trị cực tiểu cho hàm mục tiêu Nói cách khác, nút cây, ta xét duyệt phân lớp nhị phân có thể, tùy dạng phân lớp mà ta học lựa chọn tham số, chí khơng có tham số Như vậy, từ tập liệu ban đầu, bước học nút xây dựng cây, tập liệu huấn luyện tương ứng chia đôi Cơ sở thuật toán đề xuất nằm việc học nút 2.1.2 Kết thử nghiệm Bảng 2.1 So sánh kết định vị khuôn mặt Số mẫu không phát Haar Adaboost PP đề xuất 7/450 27/450 16 0,109713 0,018982 Số mẫu phát nhầm Thời gian xử lý trung bình ảnh (giây/ảnh) Trong 450 ảnh đó, thuật tốn phát 423 ảnh có khn mặt người Bằng việc kiểm tra thủ công 423 ảnh rút ra, Luận án phát có ảnh khơng có khn mặt người; tức thuật tốn phát 416 ảnh 423 ảnh Khả phát thuật toán sau: Precision = 416 / 423 = 0,9834 (hay đạt 98,34%); Recall = 416 / 450 = 0,9244 (hay đạt 92,44%) Như vậy, kết 92,44% cho thấy phương pháp đề xuất cho độ xác phát khn mặt tốt Mặc dù thuật toán Haar Adaboost đạt giá trị recall 94,89% tốt so với 92,44% phương pháp đề xuất Luận án bù lại có tốc độ xử lý nhanh hơn, sở để phát triển ứng dụng xử lý khuôn mặt yêu cầu thời gian thực liệu video 2.2 Bài tốn trích chọn đặc trưng cử Hầu hết phương pháp phân tích cử khn mặt tự động chuỗi hình ảnh khn mặt cố gắng nhận tập hợp biểu cảm xúc nguyên mẫu khuôn mặt, tức hạnh phúc, buồn bã, sợ hãi, ngạc nhiên, tức giận ghê tởm [89] Tuy nhiên, sống hàng ngày, biểu nguyên mẫu xảy không thường xuyên; cảm xúc thể thường xuyên thay đổi tinh tế vài đặc điểm riêng biệt khuôn mặt, chẳng hạn nhướng mày ngạc nhiên [25] 2.3 Đề xuất kỹ thuật ước lượng biểu cảm khuôn mặt Việc ước lượng biểu cảm khn mặt trình bày lấy ý tưởng từ việc lựa chọn rời rạc số đặc trưng hình dạng tương tự [28] sở khuôn mặt định vị tập điểm điều khiển thông qua AAM Nhận định ban đầu nghiên cứu sinh tương tự, tập điểm điều khiển khuôn mặt bị biến đổi biểu cảm, khả tồn thông số đặc trưng có biến đổi phân biệt Thay thống kê lựa chọn tay [28], nghiên cứu sinh tiến hành tự động lựa chọn đặc trưng hình học cách ngẫu nhiên tổ chức mơ hình định để thực ước lượng biểu cảm khn mặt 2.3.1 Mơ hình ước lượng Mơ hình ước lượng xây dựng tập liệu có cấu trúc: {(𝐼𝑠 , 𝑣𝑠 , 𝑤𝑠 ): 𝑠 = 1,2, , 𝑆} đó, vs nhãn mẫu Is, ws trọng số Cụ thể, trường hợp này, nhãn có giá trị tương ứng trọng số biểu cảm nằm đoạn [0,1] Giá trị trọng số ws cho phép đánh dấu mức độ quan trọng khác mẫu đầu vào tập huấn luyện Quá trình xây dựng thực nút sở lựa chọn hàm định có khả phân lớp tốt liệu huấn luyện, tức đạt giá trị cực tiểu cho hàm mục tiêu; cụ thể thực tìm sai số bình phương nhỏ ứng với việc phân chia tập huấn luyện xác định nút Hàm mục tiêu có dạng: (2.9) 𝑊𝑀𝑆𝐸(𝐼, 𝑣, 𝑤) = ∑(𝐼,𝑣,𝑤)∈𝐶0 𝑤 ⋅ (𝑣 − 𝑣̄ )2 + ∑(𝐼,𝑣,𝑤)∈𝐶1 𝑤 ⋅ (𝑣 − 𝑣̄ )2 đó: Tham số 𝑣̄ 𝑣̄ trung bình giá trị nhãn C0 C1 10 Tham số C0 C1 hai cụm tập huấn luyện tương ứng với kết phân chia hai giá trị Nói cách khác, nút cây, ta xét duyệt hàm định xây dựng từ đặc trưng hình dạng tìm hàm phân chia tốt theo nghĩa cực tiểu hàm mục tiêu Như vậy, từ tập liệu ban đầu, bước học nút xây dựng cây, tập liệu huấn luyện tương ứng chia đôi Cơ sở thuật toán đề xuất nằm việc học nút 2.3.2 Đề xuất sử dụng đặc trưng hình dạng Trên sở mơ hình mơ tả Trong luận án này, nghiên cứu sinh đề xuất sử dụng loại đặc trưng hình dạng LINE_LINE, TRIANGLE_TRIANGLE, LINELINE_LINELINE Lý chọn loại đặc trưng hình dạng đặc trưng khn mặt khác ln có mối liên hệ gắn liền tạo thành đường hay tam giác theo mơ hình tương tự Ví dụ vị trí mắt mũi miệng ln tương quan với nhau: a LINE_LINE Đây đặc trưng tính tỉ số độ dài hai đoạn thẳng, sử dụng tham số đầu vào điểm 𝑓𝐿𝐼𝑁𝐸_𝐿𝐼𝑁𝐸 (𝑝1 , 𝑝2 , 𝑝3 , 𝑝4 ) = 𝑑(𝑝1 ,𝑝2 ) 𝑑(𝑝3 ,𝑝4 ) (2.10) Trong đó, 𝑝1 , 𝑝2 , 𝑝3 , 𝑝4 điểm đầu vào, 𝑑(𝑝𝑖 , 𝑝𝑗 ) độ dài đoạn thẳng tạo điểm 𝑝𝑖 , 𝑝𝑗 b TRIANGLE_TRIANGLE Đây đặc trưng tính tỉ số diện tích hai tam giác, sử dụng tham số đầu vào điểm 𝑓𝑇𝑅𝐼𝐴𝑁𝐺𝐿𝐸_𝑇𝑅𝐼𝐴𝑁𝐺𝐿𝐸 (𝑝1 , 𝑝2 , 𝑝3 , 𝑝4 , 𝑝5 , 𝑝6 ) = 𝑆(𝑝1 ,𝑝2 ,𝑝3 ) 𝑆(𝑝4 ,𝑝5 ,𝑝6 ) (2.11) Trong đó, 𝑝1 , 𝑝2 , 𝑝3 , 𝑝4 , 𝑝5 , 𝑝6 điểm đầu vào, 𝑆(𝑝𝑖 , 𝑝𝑗 , 𝑝𝑘 ) diện tích tam giác tạo đỉnh 𝑝𝑖 , 𝑝𝑗 , 𝑝𝑘 c LINELINE_LINELINE Đây đặc trưng tính tỉ số tổng độ dài hai đoạn thẳng, sử dụng tham số đầu vào điểm 𝑓𝐿𝐼𝑁𝐸𝐿𝐼𝑁𝐸_𝐿𝐼𝑁𝐸𝐿𝐼𝑁𝐸 (𝑝1 , 𝑝2 , 𝑝3 , 𝑝4 , 𝑝5 , 𝑝6 , 𝑝7 , 𝑝8 ) = 𝑑(𝑝1 ,𝑝2 )+𝑑(𝑝3 ,𝑝4 ) 𝑑(𝑝5 ,𝑝6 )+𝑑(𝑝7 ,𝑝8 ) (2.12) 11 Trong đó, 𝑝1 , 𝑝2 , 𝑝3 , 𝑝4 , 𝑝5 , 𝑝6 , 𝑝7 , 𝑝8 điểm đầu vào, 𝑑(𝑝𝑖 , 𝑝𝑗 ) độ dài đoạn thẳng tạo điểm 𝑝𝑖 , 𝑝𝑗 2.3.3 Thử nghiệm Cơ sở liệu lựa chọn để thử nghiệm sở liệu JAFFE Cơ sở liệu JAFFE chứa 213 ảnh biểu cảm khuôn mặt khác bao gồm: vui, buồn, ngạc nhiên, tức giận, phẫn nộ, sợ hãi, thu nhận 10 người mẫu nữ Nhật Bản Cơ sở liệu xây dựng Michael Lyons, Miyuki Kamachi, Jiro Gyoba với trợ lý nghiên cứu Reiko Kubota Các ảnh chụp Khoa Tâm lý học Đại học Kyushu Các ảnh sở liệu JAFFE đánh giá kèm tỉ lệ trạng thái cảm xúc Những đánh giá thực cảm quan 60 sinh viên Nhật Bản với mức cao 5, thấp Cơ sở liệu JAFFE sử dụng nhiều tốn nhận dạng biểu cảm khn mặt, chẳng hạn nhóm Bashyal Venayagamoorthy [102] đạt kết xác 90,2% với việc trích rút đặc trưng lọc Gabor kết hợp với kỹ thuật learning vector quantization (LVQ); nhóm Oliveira [95] đạt độ xác 94% với kỹ thuật lựa chọn đặc trưng 2DPCA kết hợp SVM Trong thực nghiệm nghiên cứu sinh, bước đầu, ảnh sở liệu thực định vị tập điểm điều khiển làm sở để tính tốn đặc trưng hình dạng Hình 2.1 Một số kết định vị tập điểm điều khiển Trên sở có tập điểm điều khiển cho ảnh sở liệu, tác giả tiến hành thử nghiệm theo cách thức kiểm chứng chéo sở liệu với mức phân đoạn từ đến Các nhị phân xây dựng giới hạn chiều sâu Các thử nghiệm tiến hành máy tính Core i7-4790 3.6GHz 8GB RAM dùng môi trường phát triển Visual Studio C++ 2015 Trên sở xây dựng ước lượng thực nghiệm với phân đoạn, ta sai số trung bình, tính trung bình bình phương độ lệch, loại biểu cảm sau: 12 Bảng 2.2 Sai số trung bình loại biểu cảm Biểu cảm fold fold fold fold fold fold fold HAP (Hạnh phúc) 0.075648 0.075657 0.075761 0.075889 0.075896 0.075651 0.075659 SAD (Buồn) 0.04838 0.048428 0.048552 0.048898 0.048755 0.048566 0.048371 SUR (Ngạc nhiên) 0.085872 0.085553 0.085907 0.086064 0.086282 0.08658 0.085854 ANG (Giận dữ) 0.058989 0.059137 0.0597 0.059162 0.059336 0.059349 0.059686 DIS (Ghê tởm) 0.078655 0.078796 0.079557 0.079028 0.078821 0.078919 079176 FEA (Sợ hãi) 0.038529 0.038167 0.038288 0.038275 0.0385 0.038231 0.0381 Ngoài ra, tác giả thực đánh giá thêm độ xác mẫu thực so sánh sai số độ lệch với giá trị ngưỡng truyền vào Trên sở thực xây dựng lược đồ thống kê tương quan tỉ lệ xác ngưỡng chấp nhận 13 Hình 2.2 Các biểu đồ thống kê tỉ lệ xác theo ngưỡng chấp nhận Từ biểu đồ ta nhận thấy độ xác đạt đến mức xấp xỉ 95% từ mức ngưỡng khoảng 0,14 Ta quan sát thêm xét riêng loại biểu cảm 14 15 Hình 2.3 Biểu đồ thống kê tỉ lệ xác theo loại biểu cảm Ngồi ra, điểm mạnh phương pháp sử dụng phép tính tốn đơn giản, cụ thể dựa vào phép tính hình học đặc trưng LINE_LINE, TRIANGLE_TRIANGLE LINELINE_LINELINE Điều cho phép thực nhanh chóng thao tác ước lượng biểu cảm dựa tập điểm điều khiển có Thống kê thời gian xử lý sau (tính theo mili giây): Bảng 2.3 Thống kê thời gian xử lý loại biểu cảm Biểu cảm fold fold fold fold fold fold fold HAP 0.0123819 292452829 0.0134987 405660377 36 0.0183626 886792452 94 0.0220075 660377358 62 0.0224209 952830188 0.0148654 764150943 31 0.0086954 009433962 SAD 0.0121416 226415094 0.0134867 264150943 37 0.0185748 018867924 57 0.0218773 207547169 0.0223673 820754717 24 0.0143458 962264150 87 0.0082268 537735849 SUR 0.0122020 849056603 49 0.0136303 537735849 0.0182861 698113207 83 0.0214464 339622641 44 0.0216531 509433962 0.0136693 679245282 89 0.0081529 481132075 ANG 0.0118784 292452830 07 0.0136477 830188679 0.0183371 933962264 0.0213981 509433962 48 0.0214275 801886792 47 0.0137592 547169811 28 0.0082657 783018868 02 DIS 0.0123028 915094339 29 0.0137767 169811320 81 0.0183680 566037736 0.0212772 830188679 43 0.0221149 858490565 82 0.0138357 075471698 03 0.0084845 424528301 93 FEA 0.0121655 849056603 75 0.0135605 188679245 0.0180350 943396226 47 0.0204382 216981132 0.0210759 009433962 0.0137390 518867924 47 0.0080590 094339622 71 16 Từ bảng số liệu thời gian trên, không tính thời gian xác định tập điểm điều khiển khn mặt, ta nhận thấy thao tác ước lượng biểu cảm có thời gian thực nhanh, cỡ xấp xỉ 0,015 ms cho biểu cảm, để ước lượng đầy đủ loại biểu cảm xấp xỉ 0,9 ms Đây mạnh cho nghiên cứu tiếp sau có nhiều triển vọng muốn triển khai môi trường có lực tính tốn hạn chế, chẳng hạn hệ thống nhúng 2.4 Tổng kết chương Chương này, trình bày tốn : (i) phát khn mặt người ảnh; (ii) trích chọn đặc trưng cử khuôn mặt (iii) ước lượng biểu cảm khuôn mặt Tác giả tiến hành thử nghiệm phát khuôn mặt người ảnh đạt kết xác mức 92,44%; điều cho thấy phương pháp lựa chọn cho độ xác phát khn mặt tốt ưu điểm có tốc độ xử lý nhanh Chương trình bày nét tốn trích chọn đặc trưng cử Trong đó, việc xác định điểm điều khiển bước quan trọng để rút trích cử Thuật tốn AAM chọn sử dụng luận án tỏ hiệu liệu thu nhận điều kiện ánh sáng tốt, điều kiện ánh sáng phức tạp thuật tốn AAM khơng hiệu Do đó, tác giả đề xuất kỹ thuật định vị điểm điều khiển có ràng buộc dựa mơ hình chất liệu mặt Thực nghiệm cho thấy kết có độ xác cao, đặc biệt trường hợp màu da khác nhau, ánh sáng thay đổi Qua thực nghiệm tác giả lựa chọn ngưỡng 0,13 tốt kiểm chứng lại mắt thường, theo đó, độ xác đạt khoảng 94,31% Chương BIỂU DIỄN CỬ CHỈ, BIỂU CẢM TRÊN KHUÔN MẶT 3D 3.1 Bài tốn biểu diễn cử chỉ, biểu cảm khn mặt 3D Nhiều nhà nghiên cứu quan tâm đến việc chuyển đổi từ biểu diễn đám mây điểm sang biểu diễn hồn chỉnh khác lưới 3D biểu diễn lưới 3D cho phép thực thao tác linh hoạt hiệu bề mặt Bên cạnh đó, lưới 3D cịn cho phép lưu trữ thơng tin cục lập mục tính tốn trước bề mặt Ví dụ, lưới biểu diễn tính tốn, cho phép phát triển vùng hiệu so với biểu diễn đám mây điểm Ngoài ra, biến dạng lưới 3D linh hoạt đám mây điểm 17 3.2 Kỹ thuật nội suy RBF Việc mô lại biểu cảm khuôn mặt dựa vào đặc trưng thực chất việc nội suy nhằm tính lại bề mặt 3D khn mặt dựa theo đặc trưng biểu cảm Tuy nhiên việc lựa chọn phương pháp nội suy cho phù hợp với tốn mơ biểu cảm khn mặt vấn đề cần nghiên cứu Có nhiều phương pháp NURBS, RBF, Affine, nội suy dựa vào mạng neural, v.v Trong đó, Wang Ierapetritou Dias RBF cho kết có độ xác cao thường sử dụng lĩnh vực khoa học máy tính Do đó, kỹ thuật nội suy RBF sử dụng nghiên cứu Ý tưởng kỹ thuật nội suy mơ hình 3D dựa vào hàm sở bán kính đối tượng mô tả đặc trưng tập điểm gọi điểm điều khiển, việc nội suy đối tượng nội suy điểm điều khiển a) Đối tượng trước nội suy b) Đối tượng sau nội suy 3.3 Xác định tập điểm điều khiển phục vụ nắn chỉnh biến dạng 3.3.1 Xác định nhóm tương đồng chọn điểm điều khiển Từ tập biến dạng M, ta thực tính đặc trưng biến dạng điểm khuôn mặt thu tập đặc trưng, đặc trưng tương ứng thể tọa độ khác điểm mô hình mặt 3D Ta thực gom cụm tập đặc trưng để tìm nhóm điểm có biến dạng tương đồng với tập liệu đầu vào M Kỹ thuật gom cụm xây dựng dựa thuật toán Kmeans, thiết kế dựa liệu đặc trưng biến dạng điểm khuôn mặt 3D điểm tâm nhóm chọn điểm mơ hình Từ kết thuật tốn ta có nhóm tường đồng biến dạng, nhóm ta chọn điểm khn mặt biến dạng nhiều để đưa vào tập điểm điều khiển Mức độ biến dạng đánh giá dựa mơ hình tham chiếu Như điểm mơ hình khn mặt tham chiếu tương ứng với đặc trưng biến dạng ta xây dựng vec tơ độ lệch khoảng cách điểm đặc trưng biến dạng tới điểm tương ứng mơ hình tham chiếu Giá trị đánh giá 18 biến đổi điểm tương ứng tính dựa vào vec tơ độ lệch Mục tiêu việc xác định tập điểm điều khiển để phục vụ nắn chỉnh biến dạng Hoặc nói cách khác, tiêu chí để đánh giá tập điểm điều khiển có tốt hay khơng dựa kết sử dụng thuật tốn nắn chỉnh biến dạng cụ thể Trong trường hợp này, để chọn tập điểm điều khiển tốt, ta cần kết hợp thêm thuật toán nắn chỉnh biến dạng tập mơ hình biến thể để phục vụ đánh giá chất lượng nắn chỉnh 3.3.2 Thử nghiệm nắn chỉnh mơ hình Q trình thử nghiệm tiến hành theo kịch sau: đầu vào cần chuẩn bị kỹ thuật nắn chỉnh đối tượng dựa điểm điều khiển, đối tượng 3D làm tham chiếu, tập đối tượng 3D biến thể để tính toán chọn điểm điều khiển tập đối tượng 3D biến thể để đánh giá chất lượng tập điểm điều khiển chọn được; sở tiến hành thử nghiệm với nhiều K khác nhau, với giá trị ta thực đánh giá sai số Kỹ thuật nắn chỉnh sử dụng thử nghiệm kỹ thuật nắn chỉnh đối tượng 3D sử dụng hàm sở bán kính (RBF – Radial Basic Function), kỹ thuật sử dụng luận án phục vụ biến đổi mơ hình 3D khn mặt người theo biểu cảm Đối tượng 3D sử dụng mơ hình khn mặt có 3448 đỉnh 6736 bề mặt tạo tương ứng với mẫu sở liệu JAFFE Hình 3.1 Ví dụ liệu mơ hình mặt 3D Dựa tập liệu vậy, việc thử nghiệm tiến hành theo trường hợp khác nhau: biến đổi người khác với biểu cảm khác nhau, biến đổi người khác biểu cảm trung tính biến đổi người với biểu cảm khác Với trường hợp biến đổi người khác với biểu cảm khác nhau, hai tập biến thể phân biệt phục vụ thử nghiệm có cách chia đôi ngẫu nhiên tập liệu mẫu mơ hình 19 Hình 3.2 Một số mẫu biến thể đối tượng Trên tập biến thể phục vụ tính tốn chọn điểm điều khiển, tiến hành tính tốn tập đặc trưng biến dạng điểm, sở thử nghiệm gom cụm với nhiều giá trị K khác để xác định vùng có biến đổi tương đồng Hình 3.3 Một số kết gom cụm với nhiều mức K (Với hình, điểm cụm tô màu) Trên sở cụm tính tốn với K, thực tính tốn tập điểm điều khiển áp dụng tập điểm điều khiển để biến đổi mơ hình 3D tham chiếu theo mẫu tập biến thể phục vụ đánh giá chất lượng kết Mỗi mơ hình sau nắn chỉnh kỹ thuật RBF so sánh với mơ hình mục tiêu để tính sai số Vì chất liệu mơ hình 3D đặc trưng biến dạng điểm tập điểm 3D, sai số mơ hình sau nắn chỉnh mơ hình mục tiêu tính thơng qua hàm khoảng cách hai đặc trưng biến dạng Giá trị sai số tập điểm điều khiển tập biến thể phục vụ đánh giá tính trung bình sai số mẫu xét 20 Hình 3.4 Biểu đồ tương quan sai số với giá trị K Dễ nhận thấy, tăng giá trị K, tức tương ứng tăng dần kích thước tập điểm điều khiển, độ xác việc biến đổi tăng Đây sở để ta chọn tập điểm điều khiển có kích thước hợp lý phạm vi sai số cho phép khả áp dụng kỹ thuật với dạng biến thể loại đối tượng khác Hình 3.5 Một số hình ảnh kết nắn chỉnh: hàng mô hình mục tiêu, hàng tương ứng mơ hình nắn chỉnh từ mơ hình 3D tham chiếu Với hai trường hợp lại, cụ thể biến đổi người khác biểu cảm trung tính biến đổi người với biểu cảm khác nhau, bước tiến hành tính tốn thực tương tự, khác việc hai tập biến thể phục vụ tính tốn chọn điểm điều khiển đánh giá chất lượng tập điểm điều khiển chọn Với trường hợp đánh giá người khác biểu cảm trung tính, mẫu mơ hình tương ứng với biểu cảm trung tính chọn Hai tập biến thể tạo cách tổng hợp tuyến tính số mơ hình tập chọn cách ngẫu nhiên Việc phân tích trong trường hợp hướng đến tiêu chí biến đổi mơ hình người sang người khác Tương tự với trường hợp biến đổi người với biểu cảm khác nhau, với người cụ thể, tập chọn mơ hình tương ứng với người việc phân tích trong trường hợp hướng đến tiêu chí biến đổi trạng thái biểu cảm người cụ thể 21 Hình 3.6 Biểu đồ tương quan sai số với giá trị K với trường hợp biến đổi biểu cảm khác người mẫu KA Hình 3.7 Biểu đồ tương quan sai số với giá trị K với trường hợp biến đổi người khác biểu cảm trung tính Ta dễ dàng nhận thấy, trường hợp thử nghiệm, giá trị k tăng lên, sai số dần tiệm cận 0, điều rõ ràng với ý tưởng việc biến đổi mơ hình dựa tập điểm điều khiển Tuy nhiên, sai số trường hợp biến đổi người khác biểu cảm trung tính nhỏ nhiều so với hai trường hợp lại, điều phản ánh chất phép nội suy RBF biến đổi toàn cục, việc biến đổi phù hợp so với trường hợp biến đổi biểu cảm khác khuôn mặt người – biến đổi thường mang tính chất cục số thành phần khn mặt miệng, mắt 3.4 Tổng kết chương Chương này, trình bày tốn số cách tiếp cận để biểu diễn cử chỉ, biểu cảm khuôn mặt Và đề xuất mơ hình mơ biểu cảm khn mặt 3D, việc mô lại biểu cảm khuôn mặt dựa vào đặc trưng thực chất việc nội suy nhằm tính lại bề mặt 3D khuôn mặt dựa theo đặc 22 trưng biểu cảm Kỹ thuật nội suy đối tượng 3D dựa vào hàm sở bán kính (RBF) lựa chọn sử dụng chương RBF cho kết có độ xác cao thường sử dụng lĩnh vực khoa học máy tính Từ luận án xây dựng hệ thống nội suy thể cử chỉ, biểu cảm khuôn mặt người 3D Đóng góp chương đề xuất kỹ thuật xác định tập điểm điều khiển phục vụ nắn chỉnh biến dạng mơ hình Trong phần này, tác giả trình bày bước xác định quỹ đạo biến đổi điểm, sau tiến hành gom cụm quỹ đạo biến đổi từ với cụm chọn điểm có biến đổi mạnh yếu làm điểm điều khiển Qua thử nghiệm với liệu giả lập mặt cầu 3D hay với liệu mơ hình mặt tương ứng với ảnh chụp người thật cho thấy tương quan kích thước tập điểm điều khiển độ xác việc biến đổi nghĩa tăng giá trị K, tức tương ứng tăng dần kích thước tập điểm điều khiển, độ xác việc biến đổi tăng dần Đây sở để chọn tập điểm điều khiển có kích thước hợp lý phạm vi sai số cho phép khả áp dụng kỹ thuật với dạng biến thể loại đối tượng khác KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Luận án hoàn thành mục tiêu nghiên cứu đặt ban đầu Trình bày hướng tiếp cận có để giải tốn rút trích đặc trưng cử chỉ, biểu cảm tốn biểu diễn biểu cảm khn mặt Đây hai toán ứng dụng nhiều thực tế Luận án chọn kỹ thuật đề xuất kết nghiên cứu sau: Thứ nhất, chọn kỹ thuật phát khuôn mặt ảnh dựa ý tưởng thực phân lớp nhị phân với vùng ảnh quan tâm, từ kết luận vùng ảnh khn mặt hay không Ý tưởng cải tiến kết hợp với kỹ thuật phân đoạn video dựa trừ ảnh đặc trưng Kết cho thấy tốc độ phát mặt người chuyển động cải thiện Kết nghiên cứu cơng bố cơng trình TCTN3 Thứ hai, luận án đề xuất kỹ thuật ước lượng biểu cảm khuôn mặt định vị tập điểm điều khiển thông qua thuật tốn AAM Ý tưởng đề xuất sử dụng loại đặc trưng hình dạng sau xây dựng hàm định dựa sở so sánh giá trị đặc trưng với ngưỡng Thông qua kết thực nghiệm sở 23 liệu JAFFE tác giả lựa chọn ngưỡng 0.13 tốt kiểm chứng lại mắt thường, theo đó, độ xác đạt khoảng 94,31% Ngồi để tiện đánh giá, tác giả xây dựng lược đồ thống kê tỉ lệ xác theo ngưỡng chấp nhận Thứ ba, luận án đề xuất kỹ thuật xác định tập điểm điều khiển phục vụ nắn chỉnh biến dạng mơ hình Ý tưởng dựa việc phân tích tập mơ hình quan sát đối tượng quan tâm sau gom cụm lựa chọn điểm điều khiển cụm với tiêu chí biến đổi biến đổi nhiều Sau kết hợp với thuật toán nắn chỉnh biến dạng tập mơ hình biến thể để phục vụ đánh giá chất lượng nắn chỉnh Kết thử nghiệm với liệu giả lập mặt cầu 3D hay với liệu mơ hình mặt tương ứng với ảnh chụp người thật cho thấy tương quan kích thước tập điểm điều khiển độ xác việc biến đổi Đây sở để chọn tập điểm điều khiển có kích thước hợp lý phạm vi sai số cho phép khả áp dụng kỹ thuật với dạng biến thể loại đối tượng khác Hướng phát triển: Mặc dù luận án đề xuất kết nghiên cứu, nhiên công đoạn mô lại biểu cảm sau ước lượng lên mô hình khn mặt 3D cách xác hợp lý ngữ cảnh cịn bỏ ngõ (a) Ví dụ điển người miệng cười chân mài mắt có yếu tố bẩm sinh cụp xuống hệ thống ước lượng thành vừa vui vừa buồn, người giận lại thể nhiều qua màu sắc da mặt (ửng đỏ) ko hẵn qua cử khuôn mặt việc ước lượng trạng thái biểu cảm khơng cịn xác dẫn đến mơ trạng thái bị sai (b) Hiện hệ thống trãi qua nhiều cơng đoạn xử lý hình ảnh từ khâu phát khuôn mặt đến xác định tập điểm điều khiển sau ước lượng đặc trưng cuối đến nội suy mô biểu cảm Như vậy, xử lý rời rạc làm chậm toàn hệ thống Từ nhược điểm trên, tác giả đề xuất ý tưởng cải tiến hệ thống cách xây dựng chức học mẫu trạng thái cân đối tượng cần theo dõi để sau cử chi thay đổi ước lượng xác khắc phục nhược điểm (a) Còn để tăng tốc độ xử lý khắc phục nhược điểm (b) ý tưởng rút công đoạn hệ thống, nghĩa xây dựng mơ hình để học mẫu phát trực tiếp đặc trưng khn mặt tồn khung ảnh tính tốn góc nghiên, vị trí tương quan đặc trưng để trực tiếp đến kết luận trạng thái biểu cảm DANH MỤC CÁC CƠNG TRÌNH CƠNG BỐ QUỐC TẾ TCQT1 Huynh Cao Tuan, Do Nang Toan, Lam Thanh Hien, Thanh-Lam Nguyen (2019), “An innovative approach to automatically identify control point set for model deformation rectification”, International Journal of Advanced and Applied Sciences”, 6(8), Pages: 45-52 TCQT2 Do Nang Toan, Huynh Cao Tuan, Ha Manh Toan (2018), “A novel selection model of random features for the estimation of facial expression”, International Journal of Advanced and Applied Sciences, 5(6), Pages: 56-60 TCQT3 Huynh Cao Tuan, Do Nang Toan, Lam Thanh Hien (2021), “Automatic selection of key points for 3D-face deformation”, Journal of Advances in Information Technology TRONG NƯỚC TCTN1 Huỳnh Cao Tuấn, Đỗ Năng Tồn, Nguyễn Thanh Bình, Lâm Thành Hiển (2018), “Một kỹ thuật nhận dạng biểu cảm khuôn mặt dựa mô hình chất liệu”, Tạp chí khoa học cơng nghệ thơng tin truyền thông, số (CS.01) TCTN2 Lâm Thành Hiển, Huỳnh Cao Tuấn, Nguyễn Trọng Vinh (2014), “Phân đoạn video dựa kĩ thuật trừ ảnh đặc trưng”, Tạp chí Khoa học Cơng nghệ 52 (1B) 150-162 TCTN3 Huỳnh Cao Tuấn, Đỗ Sĩ Trường, Nguyễn Thanh Bình, Lâm Thành Hiển, (2020) “Phát khuôn mặt người ảnh kỹ thuật phân lớp nhị phân”, Tạp chí khoa học công nghệ thông tin truyền thông Vol No 4A HNTN1 Huỳnh Cao Tuấn, Đỗ Năng Toàn, Hà Mạnh Toàn (2018) – “Một kỹ thuật xác định tập điểm điều khiển phục vụ nắn chỉnh biến dạng mô hình”, Kỷ yếu Hội nghị KHCN Quốc gia lần thứ XI Nghiên cứu ứng dụng Công nghệ thông tin (FAIR); Hà Nội, ngày 09-10/8, DOI: 10.15625/vap.2018.00041  ... Chương BIỂU DIỄN CỬ CHỈ, BIỂU CẢM TRÊN KHN MẶT 3D 3.1 Bài tốn biểu diễn cử chỉ, biểu cảm khuôn mặt 3D Nhiều nhà nghiên cứu quan tâm đến việc chuyển đổi từ biểu diễn đám mây điểm sang biểu diễn. .. thống biểu diễn biểu cảm mà luận án nghiên cứu có đầu vào trạng thái cảm xúc liên tục, đầu biểu cảm khuôn mặt ảo thể trạng thái cảm xúc Các đóng góp luận án - Lựa chọn kỹ thuật phát khuôn mặt ảnh... trạng thái biểu cảm mặt người video Các kỹ thuật nội suy nhằm điều khiển mơ hình 3D thể trạng thái biểu cảm khuôn mặt Cụ thể kỹ thuật phần đoạn video, kỹ thuật rút trích đặc trưng cử khn mặt, Mơ