5 KẾT QUẢ MÔ PHỎNG
5.2Khảo sát ảnh hưởng của hệ số k lên chất lượng của phương pháp RLHD
của phương pháp RLHD và phương pháp LT- LHD
Trong hai phương pháp RLHD và LT-LHD, hệ sốklà chỉ số sai lệch nhóm giữa hai đường cạnh, quyết định đến việc tính khoảng cách giữa các đường cạnh. Trong phần này, sự ảnh hưởng của hệ sốk lên chất lượng hệ thống của các phương pháp được đề xuất như RLHD và LT-LHD sẽ được phân tích. Không có lý thuyết để có thể đưa ra được hệ số k tối ưu cho các phương pháp RLHD và LT-LHD. Tùy từng điều kiện của ảnh đầu vào, tỷ lệ nhận dạng của các phương pháp sẽ đạt giá trị tối ưu tại các giá trị khác nhau củak. Vì không có lý thuyết để chọn hệ số k nên hệ số k sẽ được lựa chọn thông qua thực nghiệm. Cụ thể, dựa vào tỷ lệ nhận dạng của các phương pháp RLHD và LT-LHD trong điều kiện bình thường của ảnh đầu vào, hệ số k được chọn sao cho tỷ lệ nhận dạng là tối ưu nhất. Trong mô phỏng này, 30 cặp ảnh khuôn mặt chính diện trong điều kiện bình thường của 30 người trong tập dữ liệu khuôn mặt của BERN University cùng 99 cặp ảnh khuôn mặt chính diện trong điều kiện bình thường của 99 người trong tập dữ liệu AR được dùng để đánh giá chất lượng hệ thống của các phương pháp với các giá trị khác nhau của k.
Sự ảnh hưởng của hệ số k đến tính chính xác trong việc nhận dạng của hai phương pháp như sau: GọiTl là bản đồ cạnh của ảnh cần kiểm tra và tl là một đường cạnh trong đó. Gọi Ml
c và Ml
n lần lượt tương ứng là bản đồ cạnh của ảnh tương ứng và không tương ứng với ảnh cần kiểm tra trong cơ sở dữ liệu. Gọi ml
Hình 5.3: Các hình ảnh của một người trong ORL face databasetrong Ml trong Ml
c. Như vậy khoảng cách d ml
c, tl sẽ được dùng để tính khoảng cách Hausdorff h Ml
c, Tl. Gọi ml
n là đường cạnh gần nhất của tl trong Ml
n. Nếu hai đường cạnh tl và ml
n có khác biệt nhau về góc lớn hơn k, dù khoảng cách giữa chúng vẫn gần nhau, thì tl
sẽ nhận giá trị rất lớnV như là khoảng cách từ nó đến đường gần nhất tương ứng trong Ml n. Điều này có thể dẫn đến h Ml n, Tl > h Ml c, Tl và giúp Tl tránh nhận nhầm Ml n
như là bản đồ cạnh tương ứng của nó và giúp làm tăng tính chính xác trong việc nhận dạng. Tuy nhiên, cũng với giá trị k thấp, nếu như trong quá trình tiền xử lý có xảy ra lỗi và dẫn đến đườngml
c mất đi hoặc bị thay đổi, đường tl cũng có thể lấy giá trị rất lớn V như là khoảng cách từtl đến đường gần nhất tương ứng trong Ml
c và dẫn đến khoảng cách Hausdorff h Ml
c, Tl tăng lên và có thể xảy ra nhận dạng nhầm. Ngược lại, nếu giá trị của k là lớn, khi này dù đường tl và ml
n có sai khác nhau về góc nhưng nếu khoảng cách giữa chúng nhỏ thì khoảng cáchd ml
n, tl sẽ nhỏ và kéo theo khoảng cách Hausdorff h Ml
n, Tl sẽ giảm so với trường hợp k nhỏ, dẫn đến làm tăng khả năngTl nhận dạng nhầm thành Ml
n và làm giảm tỷ lệ nhận dạng chính của phương pháp RLHD. Ở chiều ngược lại, việc tăng giá trị k cũng giúp Tl tránh nhận dạng nhầm nều có hiện tượng đường cạnh ml
c ∈Ml
c của tl bị mất đi như phân tích với trường hợp k nhỏ, và giúp làm tăng tính chính xác của phương pháp.
Như vậy, khi thay đổi giá trị củak, rất khó có thể kết luận được tỷ lệ nhận dạng chính xác sẽ thay đổi như thế nào theo giá trị của k. Hình 5.4 mô tả sự phụ thuộc của tỷ lệ nhận dạng của phương pháp RLHD với các giá trị k khác nhau. Hình 5.5 mô tả sự ảnh hưởng củak đến tỷ lệ nhận dạng chính xác của phương pháp LT-LHD. Tỷ lệ nhận dạng của phương pháp RLHD và phương pháp LT-LHD đạt tối ưu với các giá trịk ≥3với cả hai tập dữ liệu. Khi giá trị k tăng lên, sẽ có thêm nhiều đường cạnh được tính toán nên sẽ làm tăng thêm độ phức tạp cho việc tính toán. Vì vậy, giá trị k = 3 được chọn cho
Hình 5.4: Ảnh hưởng củak đến tỷ lệ nhận dạng đúng của phương pháp RLHD
các mô phỏng trong phần sau của hai phương pháp RLHD và LT-LHD.