Ảnh thử nghiệm được chia làm bốn loại: ảnh trong chính tập luyện, ảnh mặt chưa luyện nhưng có trong tập luyện, gương mặt mới và cuối cùng là ảnh bất
Kết quả trả ra là số lượng các ảnh được nhận dạng, không nhận dạng ra mặt và không phải là mặt.
Kết quả thực nghiệm cụ thể trong Bảng 3.2:
Bảng 3.2: Độ chính xác theo số lượng eigenface Số lượng Eigenfaces Nhận ra Không nhận ra Không phải mặt Tổng số Ảnh trong chỉnh tập ảnh huấn luyện
1 35 0 0 35
2 35 0 0 35
3 35 0 0 35
4 35 0 0 35
Ảnh không nằm trong tập luyện ảnh
1 18 5 0 25 2 20 6 0 25 3 21 4 0 25 4 23 5 0 25 Khuôn mặt mới 1 4 20 0 25 2 5 18 0 25 3 7 17 0 25 4 5 18 0 25 Ảnh bất kì 1 0 0 10 10 2 0 0 10 10 3 0 0 10 10 4 0 0 10 10
3.7. Kết luận.
Từ bảng thực nghiệm cho thấy :
Việc phân biệt ảnh có mặt với ảnh không có mặt (ảnh bất kỳ) đạt được độ chính xác khá cao ngay cả khi thay đổi số lượng eigenface.
Khi số lượng eigenface càng lớn thì khả năng nhận dạng của chương trình càng cao.
Qua đây ta có thể rút ra kết luận rằng để tăng độ chính xác của phương pháp nhận dạng, ta cần phải tiến hành tiền xử lý ảnh: chuẩn hóa ảnh mặt theo góc nghiêng, hướng nhìn, điều kiện ánh sáng cũng như ảnh nền.
KẾT LUẬN CHUNG
Phạm vi giới hạn của đề tài.
Do thời gian tiến hành nghiên cứu tài liệu tham khảo có hạn. Đề tài “Nhận dạng khuôn mặt bằng phương pháp PCA” chỉ sử dụng một thuật toán duy nhất là thuật toán PCA. Nên làm cho chương trình nhận dạng phụ thuộc rất nhiều vào tập huấn luyện, vị trí các khuôn mặt trong hình. Trong quá trình chạy chương trình các ảnh được xử lý tạo ra như: ảnh trung bình, ảnh-ảnh trung bình, eigenface không được lưu lai. Nên khi chạy lại chương trình các ảnh trên sẽ được khỏi tạo lai từ đầu.
Hướng mở rộng của đề tài.
Đề tài có thể được phát triển thành một phần mềm nhận dạng mặt người tốt hơn, bằng cách kết hợp với một số thuật toán nhận dạng và xử lý ảnh hiện đại hơn. Cho ra kết quả chính xác hơn. Có thể phát triển thành nhiều đề tài khác có liên quan tới xử lí ảnh số.
TÀI LIỆU THAM KHẢO
[1] Các khái niệm cơ bản về ảnh , 1/5/2018. [2] Mô hình màu RGB , 1/5/2018.
[3] MÔ HÌNH MÀU RGB – HỆ MÀU CƠ BẢN TRONG THIẾT KẾ
, 8/5/2018.
[4] Phương pháp Phân tích thành phần chính (Principal Component Analysis – PCA) , 9/5/2018.
[5]
Principal Component Analysis 1/5/2018. [6]
Kỹ Thuật Grayscale Và Nhị Phân Hoá Ảnh (Adaptive Threshold) truy cập lần cuối 2/5/2018.
[7]
Sinh Trắc Học, 28/4/2018. [8]
Nhận diện khuôn mặt và ứng dụng thực tế, 23/5/2018.
[9] FACE RECOGNITION USING NEURAL NETWORK AND
PRINCIPLE COMPONENT ANALYSIS , 8/5/2018.
[10] Principal component analysis - Wikipedia , 25/4/2018. [11] CCIR , 9/5/2018.
[12] A tutorial on Principal Components Analysis , 1/5/2018. [13] PCA, SVD , 1/5/2018.
[14] Eigenface , 1/5/2018.
[15] The Fast Convergence of Incremental PCA , 2/5/2018. [16] Diagnosing Network-Wide Traffic Anomalies , 2/5/2018.
[17] PHẠM VĂN DŨNG Mạng nơron trong bài toán nhận dạng khuôn mặt và ứng dụng.,2/5/2018.
[18] Phạm Thế Bảo, Nguyễn Thành Nhựt, Cao Minh Thịnh, Trần Anh Tuấn, Phan Phú Doãn (2007), Tổng quan các phương pháp xác định khuôn mặt người.
[20] Trần Thị Thanh Hải, Eric Marchand (2009), ‘‘Một số phương pháp đối sánh ảnh thời gian thực’’, Trường đại học Bách Khoa Hà Nội.
