5 KẾT QUẢ MÔ PHỎNG
5.5Nhận dạng khuôn mặt trong điều kiện bình thường
Trong phần này, tỷ lệ nhận dạng của các phương pháp được đề xuất LT-NMHD và phương pháp LT-LHD trong điều kiện bình thường của ảnh đầu vào sẽ được khảo sát. Bên cạnh
Bảng 5.3: Tỷ lệ nhận dạng khuôn mặt của các phương pháp NMHD và LT-NMHD trong điều kiện bình thường
Recognition rate
Method BERN database AR database
NMHD 93.33% 74.75%
NMHD with high confident ratio 100% 82.83%
LT-NMHD 100% 83.84%
đó, tỷ lệ nhận dạng của phương pháp LT-LHD và các phương pháp LHD, MLHD, RLHD sẽ được so sánh với nhau cũng như tỷ lệ nhận dạng của phương pháp LT-NMHD và phương pháp NMHD cũng được so sánh với nhau để làm rõ sự hiệu quả trong việc sử dụng khoảng cách LT-MHD so với khoảng cách Hausdorff trung bình. 30 cặp ảnh khuôn mặt chính diện của 30 người trong tập dữ liệu khuôn mặt của Bern University cùng 99 cặp ảnh khuôn mặt chính diện của 99 người trong tập dữ liệu AR được dùng trong mô phỏng này. Tất cả các ảnh được chụp trong điều kiện nhìn thẳng, ánh sáng bình thường và khuôn mặt không biểu hiện cảm xúc.
Bảng 5.3 trình bày tỷ lệ nhận dạng khuôn mặt chính xác của phương pháp NMHD và phương pháp LT-NMHD đối với hai tập dữ liệu AR và BERN. Phương pháp LT-NMHD cho kết quả nhận dạng chính xác cao hơn phương pháp NMHD khoảng 7% với tập dữ liệu BERN và khoảng 10% với tập dữ liệu AR. Như vậy, phương pháp cải tiến LT-NMHD thực sự tốt hơn so với phương pháp NMHD. Một trong các lý do là việc phương pháp LT-NMHD có sử dụng thêm một chỉ số đo về độ tin cậy khi so sánh sự giống nhau giữa hai tập hợp điểm trội. Để công bằng cho việc so sánh, tỷ số về độ tin cậy cũng được đưa thêm vào trong phương pháp NMHD. Khi đưa thêm chỉ số đo về độ tin cậy vào phương pháp NMHD, tỷ lệ nhận dạng chính xác của phương pháp NMHD có tăng lên nhưng vẫn thấp hơn khoảng 1% so với phương pháp LT-NMHD với tập dữ liệu AR. Như vậy,
việc sử dụng khoảng cách LT-MHD để đo khoảng cách giữa hai tập hợp điểm trội sẽ mang lại sự cải thiện về tỷ lệ nhận dạng so với việc dùng khoảng cách Hausdorff trung bình.
Bảng 5.4 trình bày tỷ lệ nhận dạng khuôn mặt chính xác của phương pháp LT-LHD và các phương pháp LHD, MLHD và RLHD đối với hai tập dữ liệu AR và BERN. Tất cả các phương pháp đều cho tỷ lệ nhận dạng chính xác lên đến 100% với tập dữ liệu BERN. Với tập dữ liệu AR, vì các cặp ảnh được chụp cách nhau 2 tuần nên cho sự khác nhau giữa hai ảnh trong mỗi cặp lên hơn trong các cặp ảnh của tập dữ liệu BERN. Ngoài ra một số cặp ảnh của tập dữ liệu AR còn cho thấy sự khác nhau về điều kiện ánh sáng trong hai ảnh chụp của cùng một người.
Trong các phương pháp này, khoảng cách Hausdorff giữa hai bản đồ cạnh được tính dựa trên các khoảng cách của đường cạnh trong bản đồ cạnh này đến đường cạnh tương ứng trong bản đồ cạnh kia. Khoảng cách giữa hai đường cạnh sẽ phụ thuộc vào sự quan
Bảng 5.4: Tỷ lệ nhận dạng khuôn mặt của các phương pháp LHD, MLHD, RLHD và LT-LHD trong điều kiện bình thường
Recognition rate
Method BERN database AR database
LHD 100% 92.92%
MLHD 100% 89.89%
RLHD 100% 92.92%
LT-LHD 100% 94.94%
hệ trong không gian (khoảng cách song song và khoảng cách vuông góc) và sự quan hệ về hướng (khoảng cách góc) giữa hai đường cạnh này. Trong phương pháp LHD, đường cạnh ml ∈ Ml muốn tìm đường gần nhất tương ứng của nó tl ∈ Tl sẽ phải tính khoảng cách tới tất cả các đường cạnh trong Tl và tìm ra đường có khoảng cách ngắn nhất tới nó.
Vì tất cả các ảnh đều được chuẩn hóa về cùng kích thước, phương pháp MLHD dựa vào mối quan hệ trong không gian để giới hạn số lượng đường cạnh trongTl mà ml cần tính khoảng cách đến bằng cách chỉ chấp nhận các đường cạnh trongTl nằm trong vùng lân cận củaml. Nếu một đường ml không tìm thấy một đường nào lân cận của nó trong Tl, khoảng cách của nó tới đường gần nhất tương ứng sẽ được gán một giá trị rất lớn. Bằng cách này, phương pháp MLHD cho tốc độ tính toán nhanh hơn phương pháp LHD nhưng lại cho độ chính xác trong việc nhận dạng ảnh trong tập dữ liệu AR thấp hơn phương pháp LHD khoảng 2%. Giá sửTl là bản đồ cạnh của ảnh cần kiểm tra và Ml
c và Ml
n lần lượt tương ứng là bản đồ cạnh của ảnh tương ứng và không tương ứng của Tl
trong cơ sở dữ liệu. Giá sửml
c là một đường cạnh trong bản đồ cạnh Ml
c và đường cạnh này nằm cách xa các đường cạnh còn lại. Vì lý do nhiễu hay sai số trong quá trình trích đặc trưng, đường cạnh tương ứng của ml
c trong Tl bị mất đi thì đường ml
c sẽ nhiều khả năng lấy khoảng cách từ nó tới đường cạnh gần nhất tương ứng trong Tl là một giá trị V rất lớn. Điều này làm cho khoảng cách Hausdorff trực tiếp hM LHD Ml
c, Tl tăng lên đáng kể và nhiều khả năng xảy ra hM LHD Ml
c, Tl
> hM LHD Ml (adsbygoogle = window.adsbygoogle || []).push({});
n, Tl và dẫn đến nhận dạng nhầm trong phương pháp MLHD. Với phương pháp LHD, điều này không xảy ra vì khi đường tương ứng củaml
c trong Tl bị mất đi, đường này sẽ lấy một đường khác trong Tl làm đường tương ứng gần nhất và khoảng cách giữa chúng sẽ nhỏ hơn giá trị V rất nhiều.
Phương pháp RLHD và LT-LHD dựa vào mối quan hệ về hướng của các đường cạnh để giới hạn số lượng đường cạnh trong Tl mà ml cần tính khoảng cách đến, các đường cạnh được chấp nhận có sai lệch về chỉ số góc so vớiml không quá một lượng k. Việc giới hạn số lượng đường tìm kiếm đường cạnh gần nhất tương ứng trong những đường cạnh có sự sai lệch không quá lớn về góc sẽ làm tăng khoảng cách Hausdorff giữa bản đồ cạnh của ảnh cần kiểm tra với bản đồ cạnh của ảnh không tương ứng trong cơ sở dữ liệu và
qua đó giúp tăng tỷ lệ nhận dạng. Tuy nhiên, ở chiều ngược lại, nếu xảy ra sai số trong quá trình tiền xử lý cũng sẽ làm tăng khoảng cách Hausdorff giữa bản đồ cạnh của ảnh cần kiểm tra với bản đồ cạnh của ảnh tương ứng trong cơ sở dữ liệu và qua đó làm giảm tỷ lệ nhận dạng. Việc xảy ra đồng thời này sẽ bù trừ cho nhau nên phương pháp RLHD cho tỷ lệ nhận dạng tương đương với phương pháp LHD. So sánh tỷ lệ nhận dạng của phương pháp RLHD với phương pháp MLHD cho thấy việc giới hạn số lượng đường cạnh cần tìm kiếm bằng việc dựa vào sự tương đương về hướng, góc của các đường cạnh sẽ cho kết quả tốt hơn việc dựa vào khoảng cách xa gần giữa các đường cạnh, và điều này làm tăng tỷ lệ nhận dạng khoảng 3%.
So sánh phương pháp LT-LHD và phương pháp RLHD cho thấy phương pháp LT-LHD cho kết quả nhận dạng cao hơn phương pháp RLHD, và cả phương pháp LHD, khoảng 2%. Phương pháp LT-LHD sử dụng khoảng cách LT-MHD để đo khoảng cách giữa hai tập hợp thay vì sử dụng khoảng cách Hausdorff trung bình như phương pháp RLHD. Điều này cho thấyviệc thay đổi khoảng cách Hausdorff trung bình sang khoảng cách LT-MHD sẽ giúp làm tăng thêm tỷ lệ nhận dạng chính xác trong việc nhận dạng.