Phần này trình bày một thuật toán kết hợp cả hai kỹ thuật so sánh trên để thực hiện nhiệm vụ nhận dạng ảnh mặt ng−ời và kết hợp hai kỹ thuật so sánh trong một điều kiện tốt nhất. Kỹ thuật so sánh dựa vào khuôn mẫu lấy đ−ợc các mặt tốt nhất và bền vững với các điều kiện thay đổi của ánh sáng bằng cách so sánh các mẫu con với nhau (kích th−ớc của mẫu con là 15x15 pixel). Kỹ thuật so sánh dựa trên điểm đặc tr−ng so sánh một ảnh mặt cần nhận dạng với tập các mặt tốt nhất thu đ−ợc từ kỹ thuật so sánh dựa trên khuôn mẫu và xác định chính xác ảnh cần nhận dạng đó là của ng−ời nào.
Với việc kết hợp hai kỹ thuật so sánh trên dẫn tới thủ tục thực hiện thuật toán nh− sau:
Procedure S(x: mặt, p: nhóm mặt); Begin
If dt(x,p) > Th1 then S:=1;
If dw(x,p) > Th2 then S:=1;
If (dt(x,p) <= Th1) and (dw(x,p) >= Th2) then
S:= (dt(x,p) + dw(x,p))/2;
End
Mô tả hoạt động của thủ tục trên nh− sau:
Tiến hành thực hiện hàm so sánh khuôn mẫu dt(x,p) để thu đ−ợc K mặt tốt nhất. Nếu giá trị thu đ−ợc từ việc so sánh hai mẫu với nhau v−ợt quá ng−ỡng cho tr−ớc Th1 nào đó thì cặp so sánh đó bị loại bỏ. Cuối cùng thu đ−ợc các mẫu mặt tốt nhất trong tập các mẫu đ−ợc so sánh. Kết quả của hàm so sánh dt(x,p) đ−ợc truyền tới hàm so sánh các điểm đặc tr−ng dw(x,p). Hàm này thực hiện cũng t−ơng tự nh− hàm so sánh khuôn mẫu nh−ng dữ liệu để so sánh không phải là toàn bộ các mẫu có trong cơ sở dữ liệu ảnh mà dữ liệu là các kết quả thu đ−ợc từ hàm so sánh khuôn mẫu dt(x,p). Nếu giá trị của hàm so sánh điểm đặc tr−ng v−ợt quá một ng−ỡng cho tr−ớc Th2 thì cặp ảnh so sánh đó bị loại bỏ.
Nếu một trong hai giá trị của hàm so sánh khuôn mẫu và hàm so sánh các điểm đặc tr−ng v−ợt quá một ng−ỡng cho tr−ớc Th1 hoặc Th2 thì giá trị hàm kết hợp S:=1 và với giá trị này thì ảnh mặt của ng−ời đó không nhận dạng đ−ợc. Tr−ờng hợp ng−ợc lại hai giá trị của hai hàm so sánh đều chấp nhận đ−ợc khi đó S có giá trị là giá trị trung bình của hai giá trị thu đ−ợc từ hai thuật toán so sánh trên và giá trị S biến thiên trong khoảng [0,1]. Nh−ng trong tập các kết quả của S, không phải hoàn toàn là chính xác, cũng có khi đúng nh−ng cũng có khi sai do đó vần cần phải thực hiện việc kiểm tra tính chính xác giá trị của S bằng một ng−ỡng nào đó. Nếu giá S v−ợt quá ng−ỡng kiểm soát đó thì việc so sánh không thành công và ng−ời đó không nhận dạng đ−ợc.
Kết luận
Trong khóa luận này, tôi đã trình bày một hệ thống nhận dạng ảnh mặt ng−ời tự động thoả mãn các điều kiện thay đổi của ánh sáng tác động đến ảnh nhận dạng. Trong quá trình thực hiện khóa luận, tôi đã thu nhận đ−ợc kiến thức tổng quan về hệ thống đoán nhận ảnh mặt ng−ời. Hơn nữa, đã nắm bắt đ−ợc những nội dung cơ bản của việc khắc phục ảnh h−ởng của các điều kiện ánh sáng tác động đến hệ thống nhận dạng làm cho hệ thống khó có thể nhận dạng ảnh một cách chính xác đã đ−ợc trình bày trong công trình của tác giả Mariani [3], đó là:
- Kỹ thuật “Sử dụng khoảng cách tiếp xúc”
- Sử dụng hai kỹ thuật so sánh: kỹ thuật so sánh khuôn mẫu và kỹ thuật so sánh điểm đặc tr−ng.
Kỹ thuật so sánh khuôn mẫu cho hệ thống đ−ợc các mặt tốt nhất có trong cơ sở dữ liệu dựa vào cách đánh giá của hàm khoảng cách, còn kỹ thuật so sánh điểm đặc tr−ng cho biết đ−ợc chính xác ảnh đó là ảnh của ng−ời nào bằng cách so sánh ảnh cần nhận dạng với tập các ảnh tốt nhất thu đ−ợc từ kỹ thuật so sánh điểm đặc tr−ng. Trong những hệ thống thực tế, ý t−ởng kết hợp hai thuật toán trên đ−ợc khóa luận đề cập.
Khóa luận cũng đã mô tả chi tiết các thuật toán đối sánh khoảng cách bằng một số thủ tục PASCAL song ch−a có điều kiện cài đặt đ−ợc các thuật toán này.
Do thời gian và trình độ còn hạn chế và đây là một nội dung khó, khóa luận ch−a hiện thực các thuật toán trình bày ở ch−ơng ba. Đấy là một nội dung trong ph−ơng h−ớng nghiên cứu tiếp theo của khóa luận.
Tài liệu tham khảo
1. Keysers D. Experiments with an Extended Tangent Distance, 15th International Conference on Pattern Recognition, Vol. 2,pp. 38-42, 2000.
2. Manjunath B.S. et al. A Feature-Based Approach to Face Recognition. Proc. IEEE Computer Soc. Conf. Computer Vision and Pattern Recognition, pp 373-378, 1992. 3. Mariani R. A Face Location Algorithm Robust to Complex Lighting Conditions. To
appear in 2nd Audio and Video-Based Biometric Person Authentication, Sweden, 2001. 4. Rowley H. et al. Neural Network-Based Face Detection. IEEE Trans. Pattern Analysis
and Machine Intelligence, 1998.
5. Simard P. Transformation Invariance in Pattern Recognition – Tangent Distance and Tangent Propagation. In G. Orr and K.R. Muller editors, Neural Networks: tricks of the trade, vol 1524 of Lecture Notes in Computer Science, Springer, Heidelberg, pp 239-274, 1998.
6. Sirohey S.A, Human Face Segmentation and Identification. Technical Report, CS-TR- 3176, Univ, of Maryland, 1993.
7. Sun Q.B. et al. Face Detection Based on Color and Local Symmertry Information. Proc. 3rd International Conterence on Automatic Face and Gesture Recognition, pp 130- 135. Apr 14-16, 1998. Nara, Japan.
8. Takacs B và Wechsler H. Detection of Face and Facial Landmarks Using Iconic Filter Banks. Pattern Recognition, 30(1): 1623-1636, 1997.
