x z→ w→ = W w→
4.3.2Kết quả thực nghiệm so sánh PCA và FLD với số người trong tập huấn luyện khác nhau
huấn luyện khác nhau
Số ảnh của mỗi người cho vào học : 2.
Thực hiện với PCA(Threshold = 0.95) FLD(Với số vector riêng = số lớp -1) Số
người 10 20 30 40 50 60 70 80 90
PCA(%) 96.34 90.10 92.21 90.32 82.56 79.34 75.54 73.28 70.48 FLD(%) 90.42 87.76 86.90 85.39 87.30 80.43 79.43 75.78 71.56
Nhận xét:
Khi tập huấn luyện bé PCA tốt hơn LDA.
Khi tập huấn luyện lớn và có sự phân biệt giữa các lớp thì LDA tốt hơn PCA.
Qua kết quả trình bày phần lý thuyết cũng như kết quả của phần cài đặt thuật toán đồ án đã đạt được một số kết quả sau:
Trình bày có hệ thống lý thuyết về thống kê và có ví dụ minh hoạ
Tìm hiểu mô hình chung cho bài toán nhận dạng ảnh mặt người, các nghiên cứu trước đây và những khó khăn trong bài toán nhận dạng ảnh mặt người.
Nghiên cứu hoàn chỉnh lý thuyết về PCA và FLD.
Cài đặt thành công với hai thuật toán PCA, FLD cho bài toán nhận dạng ảnh khuôn mặt người.
Cài đặt bài toán dò tìm mắt người và mũi người ứng dụng cho quá trình chuẩn hoá dữ liệu.
Một số điểm hạn chế:
Tập dữ liệu để học nhỏ. Bởi vì quá trình tính toán trên toàn bộ tập dữ liệu mẫu.
Phương pháp này làm việc trên toàn bộ các giá trị điểm ảnh do vậy hệ thống làm việc hiệu quả trong môi trường ổn định.
Phương pháp dò mắt và mũi người mới chỉ đúng trong phạm vi nhất định do phương pháp dựa trên giá trị điểm mầu(Khi người da đen hoặc có những nốt ruồi to trên mặt thì có thể nhầm hoặc nhầm giữa mắt và lông mày)
Dựa trên những nhận xét và tự đánh giá trên, sau đây là một số hướng phát triển được nêu ra.
Để làm việc trên tập dữ liệu lớn mà yêu cầu đầu vào của PCA và FLD nhỏ do vậy ta có thể dung các phương pháp trích rút đặc trưng đơn giản như(Fourier, Histogram, Cosine, Random…) để tiền xử lý chọn ra những ảnh gần giống làm dữ liệu đầu vào cho PCA, FLD.
Để làm việc tốt trong những điều kiện thay đổi ta cần nghiên cứu và đưa ra những tiêu chuẩn cho quá trình chuẩn hoá dữ liệu ảnh(Như cân bằng Histogram, Hiệu chỉnh Gama…)
1. Nguyễn Thanh Thuỷ & Lương Mạnh Bá, Nhập môn xử lý ảnh số, Nhà xuất bản khoa học và kỹ thuật, Hà nội 2003.
2. Athony Giordano & Michael Uhrig, Human Face Recognition Technology Using the Karhunen-loeve Expansion Tecnique, University, Denver Colorado.
3. Josef Bigun, Vision with direction a systematic introduction to image processing and computer vision, Spinger 2006.
4. Keinosuke Fugunaga, Introduction to statistical pattern recognition, West Lafayette, Indiana, 1990.