Tạo cơ sở dữ liệu cho chương trình
Để tạo dữ liệu cần thực hiện các thao tác sau trước khi sử dụng Button ADD để khởi chạy việc lưu CSDL:
B1: Nhập địa chỉ IP ADDRESS của camera và nhấn ADD IP B2: Nhập tên của đối tượng vào trường edit text “Họ Tên”. B3: Nhập ngày tháng năm sinh vào trường “Ngày sinh”.
B4: Ấn “ADD” để hệ thống lưu tự động các thông tin của đối tượng.
Kết quả sau 4 bước như sau:
Hình 3.9: Hoàn tất quá trình nhập dữ liệu
Chương trình đưa ra số thứ tự các ảnh mặt được lưu lại. Nhận dạng.
Đưa dữ liệu hình ảnh, video vào nhận dạng: Nhập địa chỉ IP camera.
Hình 3.10: Kết nối địa chỉ IP camera cho chương trình
Video, hình ảnh được hiển thị tại vùng AXES trên giao diện. Nhận dạng khuôn mặt chọn nút “START” để nhận dạng.
Chương trình đối sánh ảnh đưa vào với các ảnh trong cơ sở dữ liệu. Nếu nhận dạng được sẽ đưa ra ảnh và thông tin về người đó:
Mô phỏng.
Bắt đầu quá trình mô phỏng, chọn ấn “DEMO” giao diện xuất hiện như sau:
Hình 313: Giao diện DEMO.
Nhập ảnh từ tập huấn luyện. Ấn nút “BROWSE” ta có giao diện cửa sổ “Select the test image” xuất hiện chọn ảnh cần nhận dạng từ tập thử nghiệm (file có định dạng “*.jpg”). Chọn OK:
Sau khi chọn ảnh, giao diện như sau
Hình 3.15: Giao diện sau khi chọn ảnh.
Thực hiện quá trình chạy thử, ta ấn nút “SEARCH” chương trình sẽ chạy như sau:
Hình 3.16: Quá trình chạy thử.
Kết quả thu được:
Đồ án tốt nghiệp đã trình bày chi tiết, cụ thể về nhận dạng khuôn mặt người dựa trên kỹ thuật PCA. Và xây dựng chương trình thử nghiệm để đánh giá kết quả của việc sử dụng kỹ thuật PCA để nhận dạng, từ thực nghiệm ta cũng thu được một số kết quả cũng như đánh giá về thuật toán sử dụng. Các kết quả đạt được cho thấy độ chính xác của chương trình tương đối cao khoảng 97% nhận dạng đúng. Tuy nhiên, do thời gian có hạn cộng thêm khối lượng công việc lớn nên vẫn còn một số vấn đề và ý tưởng mà luận văn chưa thực hiện được.
Nhằm cải thiện khả năng hoạt động của chương trình, chương trình sẽ có thêm chức năng nhận dạng mặt người qua đoạn video hoặc webcam.
Ý tưởng đưa ra là nhập vào một đoạn video hay hình ảnh trực tiếp từ webcam. Đoạn video hay hình ảnh webcam này có thể mô tả một người với khung nền biến đổi hoặc là một người giữa đám đông. Sau đó chương trình sẽ phát hiện và khoanh vùng vị trí của khuôn mặt trong khung hình và truy xuất cơ sở dữ liệu và đưa ra thông tin về người đó.
Đó là ý tưởng phát triển trong tương lai của Đồ án. Hiện tại, chương trình thực hiện được hai chức năng là đưa vào đoạn video và chạy nó. Chương trình thử nghiệm được xây dựng trên thẻ tab webcam của chương trìnhTuy nhiên trong quá trình hiện thực hóa ý tưởng chương trình gặp khó khăn như:
Giao tiếp webcam: làm thế nào để khi bật nút webcam thì chương trình tự động đưa hình ảnh từ webcam vào khung hình. Đây là vấn đề thuộc về giao tiếp phần cứng.
Phát hiện khoanh vùng khuôn mặt trong khung hình video có nhiều đối tượng xung quanh hay giữa đám đông nhiều người. Để giải quyết được vấn đề này cần kết hợp thuật toán nhận dạng bằng mạng noron (Neural Network) nhằm phát hiện và khoanh vùng khuôn mặt trong đó.
3.5. Đánh giá khoảng cách đến ảnh khi số lượng vector đặc trưng thay đổi. đổi.
Tính toán khoảng cách đến ảnh và đến không gian ảnh, khi số lượng đặc trưng mặt K (eigenface) thay đổi. Điều này sẽ dẫn tới sự thay đổi về mặt thời gian cũng như độ chính xác của chương trình.
Để đánh giá được điều này, chia ảnh thử nghiệm làm ba loại: Ảnh mặt của người mà mặt người đó có trong tập ảnh luyện
Ảnh mặt của người mới mà người đó không xuất hiện trong tập ảnh luyện
Ảnh bất kì (không phải là mặt)
Với mỗi loại ảnh thử nghiệm, đều tính toán hai khoảng cách Khoảng cách đến ảnh mặt gần nhất trong tập luyện Khoảng cách đến không gian mặt
Các khoảng cách là khoảng cách trung bình của cả tập thử nghiệm tương ứng với mỗi loại với mỗi loại.
Kết quả thực nghiệm trong Bảng 3.1:
Bảng 3.1: Khoảng cách thay đổi theo số lượng eigenfaces. Số lượng Eigenfaces Khoảng từ ảnh được xác
định vào cơ sở dữ liệu
Khoảng cách tối thiểu giữa 2 hình ảnh Ảnh khuôn mặt nằm trong tập huấn luyện.
1 21730 42738722
2 20530 45682074
3 19510 35920406
4 17605 37594628
Ảnh mới, không có trong tập huấn luyện.
1 33377 41883948
2 86226 99568770
3 81942 82616934
4 73941 86467644
Quan sát kết quả thu được, ta có một số nhận xét sau:
Khoảng cách tới ảnh luyện gần nhất tăng theo số lượng eigenface; điều này là hoàn toàn chính xác vì khi số lượng eigenface tăng, nghĩa là ta đã đưa ảnh (chiếu ảnh) vào không gian mặt nhiều chiều hơn, vì thế tính chi tiết, tính phân biệt ảnh cao hơn dẫn đến khoảng cách tới ảnh gần nhất tăng lên.
Khoảng cách tới không gian ảnh giảm theo số lượng eigenface. Điều này tuy trái ngược với chiều tăng của khoảng cách tới ảnh luyện gần nhất, nhưng nó cũng có cùng nguyên nhân ở trên. Đó là do không gian ảnh được mở rộng, các lỗi dư thừa được loại bỏ. So sánh ảnh có khuôn mặt thuộc tập luyện và ảnh khuôn mặt mới.
Khoảng cách tới không gian mặt thì không có sự khác nhau nhiều. Tuy nhiên khoảng cách tới ảnh gần nhất thì có sự chênh lệch nhất định giữa hai loại ảnh: khuôn mặt mới luôn có khoảng cách lớn hơn khuôn mặt nằm trong tập luyện.
So sánh ảnh mặt và ảnh bất kì. Chúng ta có thể thấy sự khác biệt khoảng cách đến không gian mặt của hai loại ảnh là rất rõ ràng. Không gian đặc trưng cho ảnh mặt sẽ không biểu diễn đúng cho ảnh bất kì và vì thế khoảng cách là lớn hơn rất nhiều.
3.6. Đánh giá độ chính xác của chương trình
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.