Thực hiện cài đặt thử nghiệm phương pháp AAM so khớp nhận dạng ảnh mặt người và xác định biểu cảm khuôn mặt. Bước đầu với một số kết quả sau:
Hình 3.3. Truy vấn và so khớp đối tượng ứng với trạng thái vui vẻ
Hình 3.4. Truy vấn và so khớp đối tượng ứng với trạng thái ngạc nhiên
Một trong những hướng tiếp cận để nhận dạng đối tượng hiệu quả đã và đang được nhiều nhóm nghiên cứu chú ý gần đây đó là dựa mô hình biểu diễn động. Làm sao có thể nhận dạng chính xác được khuôn mặt đối tượng trong ảnh cho dù khuôn mặt đối tượng đó có sự biến đổi như xoay trái, xoay phải, nghiêng trái, nghiêng phải, nhìn lên, nhìn xuống và xác định trạng thái biểu cảm của khuôn mặt. Xuất phát từ thực tế đó luận văn đã tìm hiểu về các phương pháp mô hình biểu diễn động dựa vào các điểm điều khiển trên khuôn mặt, kỹ thuật AAM áp dụng cho bài toán phát hiện, xác định trạng thái biểu cảm và ứng dụng của chúng trong nhận dạng.
Kết quả đạt được:
Trong quá trình nghiên cứu tài liệu và thực hiện luận văn dưới sự định hướng của thầy giáo hướng dẫn, luận văn đã đạt được một số kết quả như sau:
-Trình bày khái quát về biểu cảm khuôn mặt và bài toán trích rút đặc trưng biểu cảm khuôn mặt, các vấn đề trong phát hiện và đánh dấu đối tượng, các vấn đề về mô hình biểu diễn động.
-Trình bày lý thuyết về điểm bất động và các đặc trưng bất biến của đối tượng, vai trò, đặc điểm; lý thuyết cơ bản của thuật toán SIFT. Trình bày ứng dụng nhận dạng đối tượng ảnh dựa vào các đặc trưng bất biến được xây dựng từ các điểm bất động, cài đặt thử nghiệm thành công kỹ thuật SIFT đã trình bày ở chương 2 trong trường hợp các ảnh có sự khác nhau về tỷ lệ, góc nhìn và các đối tượng trong ảnh bị che khuất một số bộ phận không đáng kể.
-Trình bày lý thuyết về mô hình biểu diễn động và áp dụng mô hình biểu diễn động vào bài toán nhận dạng biểu cảm khuôn mặt.
-Ngoài ra, trong quá trình nghiên cứu tôi cũng tự tích lũy thêm cho mình các kiến thức về toán học, về kỹ thuật lập trình,…Và quan trọng là rèn luyện kỹ năng để thực hiện một nghiên cứu khoa học. Tuy mới chỉ là bước đầu,
nhưng những kết quả này sẽ giúp ích cho tôi trong những nghiên cứu sau này để thu được những kết quả tốt hơn.
Một số vấn đề cần tiếp tục giải quyết:
-Xây dựng chương trình với giao diện đồ họa.
-Xây dựng CSDL tập điểm biểu diễn biểu cảm khuôn mặt đầy đủ. Trong quá trình thực hiện luận văn tốt nghiệp, bản thân tôi cũng đã rất nỗ lực, cố gắng, đầu tư nhiều thời gian, công sức cho việc tìm hiểu nghiên cứu đề tài dưới sự định hướng tận tình của thầy giáo PGS.TS. Đỗ Năng Toàn. Tuy nhiên, do hạn chế về mặt kiến thức của bản thân, thời gian cũng như các nguồn tài liệu, nên luận văn chưa được hoàn hảo, còn nhiều thiếu sót. Kính mong các thầy cô giáo cũng như các bạn đồng nghiệp chỉ bảo và giúp đỡ.
TÀI LIỆU THAM KHẢO Tiếng Việt
[1]. Đỗ Năng Toàn, Phạm Việt Bình (2007), Giáo trình xử lý ảnh, NXB KH kỹ thuật.
[2]. Đỗ Năng Toàn, Ngô Quốc Tạo, Một số phương pháp nâng cao hiệu quả nhận dạng phiếu điều tra dạng dấu phục vụ cho thiết kế hệ nhập liệu tự
động markread, Tạp chí Tin học và Điều khiển học, Tập 15, số 4, năm
1999.
[3]. Lương Mạnh Bá, Nguyễn Thanh Thuỷ (1999), Nhập môn xử lý ảnh số, NXB Khoa học kỹ thuật.
[4]. La Ngọc Tùng (2012), Kỹ thuật SIFT trong phát hiện và đánh dấu đối tượng.
[5]. Hà Mạnh Toàn (2015), Trích rút đặc trưng phục vụ biểu diễn biểu cảm khuôn mặt 3d.
Tiếng Anh
[6]. Statical model of appearance for computer vision – T.F.Cootes and C.J.Taylor, Imaging Science and Biomedical engineering, University of Manchester.
[7]. Active appearance model: theory and cases – M.B. Stegman, R.Fishker, Deparment of mathematical modelling, University of Denmark
[8]. Active appearance model – T.F.Cootes and Edward, IEEE transaction and pattern analysis and machine intelligence, vol 23, no.6, 2001
[9]. Face recognition using active appearance model – Edward, Cootes and Taylor, Wolfson image analysis unit, department of medical biophysis, university of Manchester.
[10]. Brown M. and Lowe D.G 2002, Invariant features from interest point groups, In The 13th British Machine Vision Conference, Cardiff University, UK.
[11]. David Lowe, 1999, The SIFT (Scale Invariant Feature Transform) Detector and Descriptor, University of British Columbia.
[12]. https://github.com/htkseason/AAM-Fitting
[13].http://en.wikipedia.org/wiki/Scale-invariant_feature_transform
[14]. http://www.milbo.org/muct
[15]. I. Rey Otero and M. Delbracio, "Anatomy of the SIFT Method.", Image Processing Online, 2013.
[16]. Jafar W. Al-Badarneh, Abdalkareem R. Al-Hawary, Abdulmalik M. Morghem, Mostafa Z. Ali, Rami S. Al-Gharaibeh, Keypoints Extraction for Markerless Tracking in Augmented Reality Applications: A Case Study in Dar As-Saraya Museum, Oct. 2014.