34
Hình 3.1: Minh họa ý tưởng thuật toán đề xuất. Mô tả ý tưởng: Hình 3.2: Biểu đồ thể hiện thủ tục. 1 , 0 ( )2 ( )2 P i P mean c mean i P R i LBP s g t s g t (3.1) 𝑠(𝑥) = {1, 𝑥 > 00, 𝑥 ≤ 0 (3.2) 1 0 1 ( ) 1 P mean i c i t g g P (3.3)
Thừa kế từ thuật toán ILBP [83] và EN_LBP [86], nghiên cứu này đề xuất thuật toán mẫu nhị phân bền vững (RLBP).
Bài toán này cũng được giải quyết bằng cách đặt gi là tập hợp từ các pixel lân cận với Ci là trung tâm, gc là tập hợp các pixel trung tâm với Cc là trung tâm và r là bán kính giữa Ci và Cc. Lần lượt tính giá trị từng tập hợp và lấy giá trị trung bình từng tập hợp gán cho từng pixel mới như công thức (3.4) và (3.5):
' ( ) i i g mean g (3.4) và ' ( ) c c g mean g (3.5)
35
Vector tính năng của RLBP sau đó cũng được tính giống như cách tính của LBP ban đầu được giới thiệu ở mục 2.2.1. Trong thuật toàn này chỉ sử dụng tính giá trị tập hợp theo hình vuông 2 x 2 pixel, tức là lấy 4 điểm để chuyển về1 điểm và cuối cùng đưa về được kích thước 3 x 3 pixel và 5 x 5 pixel như LBP ban đầu.
Đặt x 4,9 là cường độ đại diện cho tập các pixel lân cận, y 4,9 là cường độ đại diện cho các pixel trung tâm, r là khoảng cách giữa Ci và Cc. Tính giá trị LBP cho tất cả các điểm ảnh trên khuôn mặt. Các hình ảnh sau đó được chia thành một tập hợp các ô vuông nằm trên cùng một ma trận. Các vector được tính cho mỗi ô, mỗi ô sau đó được đại diện bởi một vector đặc trưng có kích thước 256. Biểu đồ thể hiện thủ tục của thuật toán đề xuất EN_LBP, hình 3.2.
Sau khi có được ma trận các vector đặc trưng, lấy kích thước ngưỡng là 3 x 3 pixel, 5 x 5 pixel, giá trị pixel ban đầu của LBP8,1 nằm trong khoảng [0 , 255]. Tuy nhiên sau khi RLBP được áp dụng thì giá trị pixel lúc này ánh xạ trong khoảng [0 , 510], điều đó làm thay đổi cả về cấu trúc cũng như hình dạng ảnh. Ngoài ra, có thể sử dụng LBP4,1 để ánh xạ giá trị pixel trong khoảng [0 , 30]. Thuật toán áp dụng công thức (3.1), (3.2), (3.3).
Áp dụng sự cải tiến này, lần lượt xét từng giá trị các điểm xung quanh vòng tròn gi so với giá trị trung bình ( giá trị trung bình tmean là tổng 8 giá trị mức xám xung quanh gi cộng với giá trị mức xám trung tâm gc sau đó chia cho 9) và dựa vào s(x) xét điều kiện để đưa giá trị mức xám về dạng chuỗi bit 0, 1, đồng thời nhân với 2i ( i là giá trị nằm trong khoảng [0, 2P-1]. Ngoài ra thuật toán cũng xét thêm giá trị mức xám trung tâm gc so với giá trị trung bình tmean và dựa vào s(x) được xét như trên và nhân với 2P ( 28 = 256). Cuối cùng tính tổng kết quả hai công thức lại sẽ cho giá trị điểm ảnh mới.
Thuật toán đề xuất (Robust LBP)
Dựa trên ý tưởng trình bày thuật toán được thực hiện như sau: Đầu vào: Tập dữ liệu huấn luyện X = {x1, x2, …, xN).
Đầu ra: Tập vector đặc trưng mẫu nhị phân bền vững {RLBP1, .., RLBP N}.
36 kích thước ma trận nhị phân thu được.
Bước 2: Tính trung bình 4 điểm: - Cho for t = 1, 2,... D.
- Tiếp tục cho for u = 1, 2,.. U.
- Xác định điểm đầu và điểm cuối thứ t và u ( dòng và cột). - Tính trung bình và xác định điểm trung tâm x0.
- Cho for f = 1, 2,….F. với F = 8 hoặc 16.
- Tính trung bình từng điểm lân cận và xác định được các điểm lân cận.
- Sau đó tính trung bình tổng các giá trịđiểm ảnh thu được t_mean ( Áp dụng công thức (3.3)). Sau khi có được t_mean thì đến bước 3.
Bước 3: Dựa vào bước so sánh và điều kiện xét, ta được ma trận đặc trưng nhị phân. - So sánh giá trị điểm trung tâm với t_mean theo điều kiện ( Áp dụng công thức
(3.2)) và nhân với 2P.
- Tiếp theo so sánh từng giá trị lân cận với t_mean theo điều kiện (Áp dụng công thức (3.3)) và nhân với 2i. ( với i = P-1 là trọng số).
Bước 4: Áp dụng theo công thức (3.1).
- Ta có được giá trịvector đặc trưng nhị phân mới.
- Cuối cùng chuẩn hóa giá trị điểm ảnh nằm trong khoảng [ 0, 255]. Bước 5: Trả về mẫu ảnh đặc trưng nhị phân có tính bền vững.