Nhóm tác giả từ Trung tâm Nghiên cứu Facebook và trƣờng Đại học Tel Aviv, Israel đề xuất một thuật toán có tên là DeepFace, sử dụng nguồn ảnh do ngƣời dùng đăng tải lên Facebook làm bộ dữ liệu. Với nhận dạng khuôn mặt, ngƣời ta thƣờng trải qua 4 bƣớc Xác định khuôn mặt → Canh chỉnh khuôn mặt → Biểu diễn khuôn mặt → Phân loại khuôn mặt, nhóm tác giả biểu diễn khuôn mặt theo mô hình 3D nhằm áp dụng biến đổi affine từng phần, từ đó biểu diễn khuôn mặt từ 9 lớp Mạng Neuron Sâu (Deep Neural Network - DNN), mạng này có hơn 120 ngàn tham số sử dụng một số lớp liên thông mà không chia sẻ trọng số. Nhóm tác giả phát triền một cấu trúc DNN hiệu quả và các tận dụng ảnh trên mạng xã hội để biểu diễn khuôn mặt sao cho có thể tổng quát hóa cho các tập dữ liệu khác. Ngoài ra, nhóm tác giả trình bày cách canh chỉnh mặt dựa trên mô hình 3D của khuôn mặt.
Hình 3.16 Cấu trúc huấn luyện của DeepFace.
Từ mô hình cấu trúc huấn luyện trên từ ảnh vào, lấy khuôn mặt, sau đó chỉnh chính diện dựa vào mô hình 3D (Frontalization), tiếp theo là các lớp lọc Tích chập (C1) – Pooling (M2) – Tích chập (C3), sau đó là 3 lớp Liên thông Địa phƣơng (L4 – L6) và 2 lớp Liên thông Đầy đủ (F7 – F8). Mạng có hơn 120 ngàn tham số với 95% tập trung ở Liên thông Địa phƣơng và Liên thông Đầy đủ.
Ƣu điểm của phƣơng pháp DeepFace DeepFace là một trong những thuật toán nhận dạng khuôn mặt có độ chính xác thuộc dạng “top performing”.
Nhƣợc điểm của phƣơng pháp DeepFace huấn luyện với bộ dữ liệu riêng, bao gồm hàng triệu ảnh truyền thông, xã hội có kích thƣớc lớn hơn các bộ dữ liệu
hiện hữu trong nghiên cứu học thuật, vì vậy tốc độ chậm hơn nhiều so với các phƣơng pháp khác. Mô hình nhận diện khuôn này chƣa đƣợc facebook công bố mã nguồn mở, mà chỉ công bố bài báo khoa học cho nên việc nghiên cứu và sử dụng nó để thực hiện điểm danh tạm thời chƣa đầy đủ. Tuy nhiên để sử dụng đƣợc mô hình này thì cần cấu hình máy tính cực tốt để có thể thực hiện điểm danh đƣợc [9].
Vì vậy, để nghiên cứu hệ thống nhận dạng khuôn mặt với quy mô lớn hơn, luận văn sẽ giới thiệu về hệ thống nhận diện sử dụng thƣ viện Arc-Face. Bản chất của quá trình nhận dạng là đƣa các dữ liệu đã đƣợc xử lý qua các hàm để phân lớp đối tƣợng. Thách thức lớn nhất trong quá trình này là thiết kế đƣợc hàm thích hợp để nâng cao khả năng phân biệt giữa các lớp. Để thực hiện nhiệm vụ này, hệ thống nhận dạng khuôn mặt sẽ sử dụng thƣ viện Arc-Face, phƣơng pháp này có tốc độ xử lý rất tốt theo thực nghiệm kiểm định và nhóm tác giả công bố thì phƣơng pháp này kiểm định trên bộ dữ liệu Dữ liệu công khai Labeled Faces in the Wild (LWF) trên thế giới Bộ dữ liệu bao gồm 13.332 bức ảnh gƣơng mặt của 5.749 ngƣời nổi tiếng, trong đó có 1.680 ngƣời có hai hoặc nhiều bức ảnh. Thì phƣơng pháp này có thể nhận đúng 99,38%. Phƣơng pháp này còn thƣờng xuyên c ậ p nh ậ t và phát tri ể n, tháng 8 năm 2019 phƣơng pháp này đã xế p th ứ 2 ở cuộc thi nh ậ n d ạ ng khuôn m ặ t
WIDER Face Detection Challenge 2019 . Tháng 4 Năm 2020 pre -train model c ủ a
Arc-Face đƣợc ch ọ n là pre-train model ngoài duy nh ấ t c ủ a cu ộc thi iQIYI iCartoonFace challenge. Tháng 9 năm 2020 phƣơng pháp này đã thự c hi ệ n ki ể m định với b ộ dữ liệ u l ớn (360.000 ids) đạt đƣợc độ chính xác 99,1% ...
Chƣơng 4 GIẢI PHÁP NHẬN DẠNG KHUÔN MẶT 4.1 Đề xuất giải pháp tổng thể
Nhƣ đã trình bày ở trên, có rất nhiều giải pháp cũng nhƣ hƣớng tiếp cận khác nhau đã đƣợc đƣa ra để giải quyết bài toán nhận dạng khuôn mặt. Từ những điểm tồn tại của các phƣơng pháp đã đƣợc đƣa ra, trong giới hạn nghiên cứu luận văn đề xuất phƣơng pháp nhận dạng tối ƣu cho bài toán nhận dạng khuôn mặt. Giải pháp đƣợc đề xuất gồm hai nội dung chính Phát hiện và xác định khuôn mặt sử dụng MTCNN và Nhận dạng khuôn mặt bằng Arc-Face.
4.2 Phát hiện và căn chỉnh khuôn mặt sử dụng MTCNN4.2.1 Giới thiệu về mạng Nơ - ron tích chập 4.2.1 Giới thiệu về mạng Nơ - ron tích chập
Để dạy thuật toán nh ậ n di ện đối tƣợng trong hình ả nh, ta s ử dụng một lo ạ i mạng Nơ -ron nhân t ạ o (Artificial Neural Network – ANN) là mạng Nơron Tích chậ p (Convolutional Neural Networks – CNNs hay Convnets). Tên c ủa nó đƣợc dự a trên phép tính quan tr ọng đƣợc sử d ụ ng trong mạng đó là Tích chập. Đây là một trong nh ữ ng mô hình Deep Learning tiên ti ế n giúp chúng ta xây d ựng đƣợc hệ thống thông minh tiên với độ chính xác cao nhƣ ngày nay.
4.2.1.1 Convolution (Tí ch chập)
Trong toán h ọ c và đặ c bi ệ t là trong giả i tích hàm, tích ch ậ p là 1 phép toán thự c hi ện đố i v ớ i 2 hàm s ố f và g, k ế t qu ả cho ra 1 hàm s ố thứ 3. Phép tích ch ậ p khác v ớ i tƣơng quan chéo ở chỗ nó c ầ n lậ t kernel theo chi ề u ngang và d ọc trƣớc khi tính t ổng c ủa tích. Nó đƣợc ứ ng d ụng trong xác su ấ t, th ống kê, thị giác máy
tính (computer vision), xử lý ả nh, xử lý tín hi ệ u, k ỹ thu ật điệ n, học máy, và
các phƣơng trình vi phân . Tích ch ậ p c ủ a hàm s ố f và g đƣợc vi ế t là f*g, là m ột bi ến đổi tích phân đặ c biệ t def ∞ ( f * g )(t ) = −∞ f (τ ) g (t −τ )dτ = ∞∫ −∞ f (t − τ ) g (τ )dτ (2-1)
Một cách tổng quát, nếu f và g là hàm số phức trong không gian Rd, thì tích chập của chúng đƣợc định nghĩa nhƣ sau
( f * g)(x) = ∫ f ( y)g(x − y)dy = ∫ f (x − y)g( y)dy (2-2)
Hình 4.1 Minh họa tích chập
Trong xử lý tín hiệu số tích chập đƣợc sử dụng nhằm biến đổi thông tin đầu vào thông qua một phép tích chập với bộ lọc trả về đầu ra là một tín hiệu mới. Tín hiệu mới này sẽ làm giảm những đặc trƣng mà bộ lọc không quan tâm và chỉ giữ những đặc trƣng chính.
Tích chập thông dụng nhất là tích chập hai chiều đƣợc áp dụng trên ma trận
W xH
W xH
Tích chập tại một điểm Tại vị trí đầu tiên trên cùng của ma trận đầu vào, ta sẽ lọc ra một ma trận con X sub ∈ R FxF có kích thƣớc bằng kích thƣớc của bộ lọc. Giá trị y11 tƣơng ứng trên Y là tích chập của X sub với F đƣợc tính nhƣ sau
F F
i =1 j =1 (2-3)
Sau đó, tiến hành trƣợt dọc theo ma trận theo chiều từ trái qua phải, từ trên xuống dƣới theo bƣớc nhảy (stride) S ta sẽ tính đƣợc các giá trị y11 tiếp theo. Sau khi quá trình này kết thúc ta thu đƣợc trọn vẹn ma trận Y.
R R
đầu vào và ma trận bộ lọc hai chiều. Phép tích chập của một ma trận X ∈ R 1 1 với một bộ lọc (receptive field) F ∈ R 2 2 sẽ trải qua các bƣớc
Trong một mạng Nơron tích chập, các lớp liền sau lấy đầu vào từ lớp liền trƣớc nó. Do đó, để hạn chế lỗi trong thiết kế mạng Nơron chúng ta cần xác định kích thƣớc đầu ra ở mỗi lớp. Điều đó có nghía là dựa vào kích thuƣớc ma trận đầu vào (W1, H1), kích thƣớc bộ lọc (F,F) và bƣớc nhảy S để xác định khích thƣớc ma trận đầu ra (W2, H2)[10].
4.2.1.2 Tổng quan kiến trúc mạng
Đối với mạng Nơron thông thƣờng (Regular Neural Nets) đầu vào là một vector duy nhất sau đó biến đổi nó thông qua hàng loạt các lớp ẩn (hidden layer). Mỗi lớp ẩn đƣợc tạo thành từ tập hợp các Nơron, trong đó mỗi nơron đƣợc kết nối đầy đủ với tất cả các nơron ở lớp trƣớc. Trong một lớp, các nơron hoạt động hoàn toàn độc lập và không chia sẻ bất kỳ kết nối nào. Lớp kết nối đầy đủ (fully-
connected) cuối cùng đƣợc gọi là lớp đầu ra và đại diện cho điểm số của lớp trong quá trình phân loại. Điểm hạn chế của mạng nơron thông thƣờng là không mở rộng tốt cho hình ảnh đầy đủ. Chẳng hạn, với bộ dữ liệu ảnh CIFAR-10, hình ảnh chỉ có kích thƣớc 32x32x3 (rông 32, cao 32 và sâu 3 đại diện cho 3 kênh màu RGB, mỗi một nơron kết nối đầy đủ trong lớp ẩn đầu tiên của mạng Nơron sẽ có 32*32*3 = 3072 trọng số. Số lƣợng này dƣờng nhƣ vẫn có thể quản lý đƣợc, nhƣng rõ ràng cấu trúc kết nối đầy đủ này không thể mở rộng thành hình ảnh lớn hơn. Ví dụ, một bức ảnh có kích thƣớc lớn hơn nhƣ 200x200x3 thì mỗi nơron sẽ có 200*200*3 = 120000 trọng số. Hơn nữa, chúng ta không chỉ cần một mà còn muốn có có một số nơron nhƣ vậy . Vì thế, số lƣợng các tham số sẽ tăng lên nhanh chóng dẫn đến quá mức.
Để giải quyết vấn đề này, mạng nơron tích chập đƣợc đề xuất. Mạng này kết hợp thực tế là đầu vào gồm các hình ảnh và chúng hạn chế cấu trúc theo một cách hợp lý hơn. Đặc biệt, không giống nhƣ mạng nơron thông thƣờng, các lớp của mạng tích chập đƣợc sắp xếp theo 3 chiều chiều rộng, chiều cao và chiều sâu (chiều sâu ở đây đề cập đến chiều thứ ba của khối lƣợng kích hoạt không phải độ sâu của mạng nơron đầy đủ). Chẳng hạn, một ảnh trong CIFAR-10 là một khối đầu vào, sau đó mỗi nơron trong lớp chỉ lết nối với một phần nhỏ của lớp trƣớc nó thay vì kết nối đầy đủ với tất cả nơron. Hơn nữa, đầu ra cuối cho CIFAR-10 chỉ có kích thƣớc 1x1x10 vì hình ảnh đầy đủ đã đƣợc giảm thành một vectơ sắp xếp theo chiều sâu.
Hình 4. 2 So sánh mạng Neural thông thường và mạng Neuron tích chập (Bên trái là mạng Neural thông thường; Bên phải là mạng CNN)
4.2.1.3 Các lớp của mạng Neuron tích chập.
Nhƣ phần mô tả ở trên, một mạng Neural tích chập đơn giản là một chuỗi các lớp và mỗi lớp của mạng sẽ biến đổi một khối kích hoạt này sang khối khác thông qua một chức năng đặc biệt. Để xây dựng mạng Neural tích chập, ba loại lớp chính
đƣợc sử dụng Lớp tích chập (Convolutional Layer), L ớp t ổng h ợp (Pooling Layer) và L ớp k ế t n ối đầy đủ (Fully-Connected layer). Các l ớp này s ẽ đƣợc x ế p ch ồng t ạ o thành m ột ki ế n trúc m ạ ng Neural tích ch ập đầy đủ. M ỗi l ớp nh ậ n vào một kh ối 3D đầ u vào và bi ến đổi thanhd một kh ối 3D đầ u ra thông qua một ch ức năng khác biệ t. Mỗi l ớp có th ể có ho ặ c không có tham s ố (ví d ụ CONV/FC có, RELU/POOL không) hay có ho ặc không có siêu đƣờng kính b ổ sung (CONV/FC/POOL có,
RELU không). C ụ th ể , chúng ta s ẽ đi đế n mô t ả chi ti ế t c ủa t ừ ng l ớ p và các mối liên kế t c ủa chúng
- Lớ p tích ch ập (Convolutional layer - CONV)
L ớp CONV là kh ố i xây d ự ng c ốt lõi c ủ a m ạ ng tích ch ậ p, th ự c hi ệ n h ầ u h ế t các công vi ệ c quan tr ọng. Các tham s ố c ủa l ớp bao g ồ m một t ậ p h ợp các b ộ l ọ c (Filter) hoặc Kernel. Đặc điể m các b ộ lọc này có trƣờng ti ế p nh ậ n nh ỏ nhƣng kéo dài toàn bộ chiều sâu của tín hiệu đầu vào. Trong quá trình chuyển tiếp, mỗi bộ lọc đƣợc tích hợp (trƣợt) trên chiều rộng và chiều cao của tín hiệu đầu vào, tính toán các tích vô hƣớng giữa các bộ lọc và đầu vào và tạo ra bản đồ kích hoạt hai chiều của bộ lọc đó. Do đó, mạng tìm hiểu các bộ lọc kích hoạt khi phát hiện một số loại đặc trƣng cụ thể tại một số vị trí trong đầu vào.
Hình 4. 3 Mô tả lớp CONV (Các neuron của một lớp chập (màu xanh) kết nối với trường tiếp nhận của chúng (màu đỏ).
Xếp chồng các bản đồ kích hoạt cho tất cả các bộ lọc dọc theo chiều sâu tạo thành tín hiệu đầu ra đầy đủ của lớp tích chập. Do đó, mỗi điểm trong tín hiệu đầu ra cũng có thể đƣợc hiểu là đầu ra của một nơron khi kết nối với một vùng nhỏ trong đầu vào và chia sẻ các tham số với các nơ ron trong cùng một bản đồ kích hoạt. Việc xây dựng lớp tích chập dựa vào 3 ý tƣởng cơ bản
- Kết nối cục bộ
Trong quá trình xử lý dữ liệu đầu vào có chiều rộng, chiều cao nhƣ hình ảnh, việc kết nối các neuron với tất cả các neuron trong lớp trƣớc đó là không thực tế vì kiến trúc mạng không tính đến cấu trúc không gian của dữ liệu. Thay vào đó, chúng ta sẽ thƣc thi một kiểu kết nối cục bộ thƣa thớt giữa các neuron của các lớp liền kề mỗi neuron chỉ đƣợc kết nối với một vùng nhỏ của tín hiệu đầu vào.
Phạm vi của kết nối này là một siêu tham số đƣợc gọi là trƣờng ti ế p nh
ậ n của nơron (tƣơng đƣơng đây là kích thƣớc bộ lọc). Các kết nối là c ụ c b ộ trong
không gian (dọc theo chiều rộng và chiều cao), nhƣng luôn mở rộng kéo dài theo
toàn bộ chiều sâu của tín hiệu đầu vào. Một kiến trúc nhƣ vậy đảm bảo rằng các bộ lọc đã học tạo ra phản ứng mạnh nhất đối với mẫu đầu vào cục bộ không gian.
- Sắp xếp không gian
Nội dung bên trên đã giải thích sự kết nối của từng neuron trong lớp CONV với tín hiệu đầu vào. Phần này sẽ giải thích rõ hơn về số lƣợng neuron tín hiệu đầu ra và cách chúng đƣợc sắp xếp. Ba siêu đƣờng kính (hyperparameters) kiểm soát kích thƣớc tín hiệu đầu ra là depth (độ sâu), stride (s ả i) và zero- padding (đệ m không)
Đầ u tiên, giá tr ị c ủ a depth là độ sâu c ủa tín hi ệu đầu ra. Đây là mộ t siêu tham s ố, nó tƣơng ứ ng v ới s ố lƣợng b ộ lọc mu ốn s ử dụng. Depth ki ể m soát s ố lƣợng neuron trong m ột l ớp k ế t n ối v ớ i mộ t vùng c ủa tín hi ệu đầ u vào. Nh ữ ng neuron này h ọc các kích ho ạt cho các đặc trƣng khác nhau trong đầ u vào. Ví d ụ , nế u Lớp tích ch ập đầ u tiên l ấ y hình ả nh thô, thì các neuron khác nhau d ọc theo chi ề u sâu có th ể kích ho ạ t khi có các c ạnh định hƣớ ng khác nhau ho ặc các đố m màu.
Tiế p theo, chúng ta ph ải xác đị nh stride – tức là bƣớc ti ế n mà chúng ta
trƣợt b ộ lọ c. Ch ẳ ng h ạ n, v ới stride = 1 chúng ta di chuyể n các b ộ lọ c một pixel mỗ i lần. Điề u này d ẫn đến các trƣờng ti ế p nh ậ n ch ồng chéo r ấ t nhi ều và cho ra đầ u ra lớn. Khi stride = 2 thì chúng sẽ nhả y 2 pixel m ỗi l ần khi chúng ta trƣợt xung quanh. Điề u này s ẽ t ạo ra kích thƣớc đầ u ra nh ỏ hơn theo không gian. Các trƣờng h ợ p stride >= 3 r ấ t hi ế m x ả y ra trong th ự c tế .
Để kiểm soát đƣợc kích thƣớc không gian c ủa đầ u ra, chúng ta s ử dụng tính năng Zero-padding thêm các s ố 0 vào xung quanh các đƣờng biên. Kích thƣớc c ủ a phầ n zero-padding là mộ t siêu tham s ố. Thông thƣờng, zero- padding đƣợc s ử dụ ng để bảo toàn chính xác kích thƣớc không gian c ủa tín hi ệu đầ u vào, t ức là làm cho độ r ộng, chi ều cao đầ u vào và đầu ra là nhƣ nhau.
Công th ứ c tính s ố lƣợ ng neuron trong một kích thƣớc nh ất định có th ể tính theo công b ằ ng
W
− K + 2P
S + 1 (2-4)
Trong đó W kích thƣớc tín hiệu đầu vào, K kích thƣớc lớp lọc, S bƣớc tiến stride, P số lƣợng đệm 0
Lƣợc đồ chia s ẻ tham s ố đƣợc s ử dụng để ki ể m soát s ố lƣợng tham s ố. Nó đƣợc xây d ự ng d ự a vào gi ả định r ằ ng n ế u một đặc trƣng có ích để tính toán t ạ i một số vị trí khác. Khi bi ể u th ị một lát c ắ t 2 chi ề u c ủa độ sâu thành mộ t lát c ắ t sâu (depth slice) bu ộc các neuron trong cùng m ột lát c ắ t sâu ph ả i s ử dụng cùng trong s ố (weights) và độ lệ ch (bias). Do t ấ t c ả các neuron trong m ột lát c ắt có cùng độ sâu có cùng tham s ố , nên l ợi ích c ủ a vi ệ c chia s ẻ tham s ố là gi ả m t ối đa tham số trong mạ ng Neuron tích ch ậ p mà v ẫn đả m b ả o ki ế n trúc CNN.
- Lớp tổng hợp (Pool Layer – POOL)
Pool Layer thực hiện chứ c năng làm giảm chiều không gian của đầu và giảm độ phức tạp tính toán của model ngoài ra Pool Layer còn giúp kiểm soát hiện tƣợng overffiting. Thông thƣờng, Pool layer có nhiều hình thức khác nhau phù hợp cho nhiều bài toán, tuy nhiên Max Pooling là đƣợc sử dụng nhiều vào phổ biến hơn cả với ý tƣởng cũng rất sát với thực tế con ngƣời đó là Giữ lại chi tiết quan trọng hay hiểu ở trong bài toán này chính giữ lại pixel có giá trị lớn nhất.
Chẳng hạn, khi ta sử dụng Max pooling với bộ lọc 2x2 và stride = 2. Bộ lọc