5 KẾT QUẢ MÔ PHỎNG
2.15Phương pháp trích đặc trưng khuôn mặt dựa trên tập dữ liệu chung [69]
2.1.4 Các phương pháp nhận dạng khuôn mặt dựa trên việc sử
dụng thêm tập dữ liệu chung
Nhóm phương pháp nhận dạng khuôn mặt dựa trên tập dữ liệu chung sẽ sử dụng một tập dữ liệu chung để học cách trích đặc trưng ảnh sau đó áp dụng ngược lại cho tập mẫu. Một số phương pháp nhận dạng khuôn mặt dựa trên việc sử dụng thêm một tập dữ liệu chung có thể được kể đến như sau.
Phương pháp [69] sử dụng một nửa tập dữ liệu chuẩn để làm tập chung và nửa còn lại để làm tập mẫu và tập kiểm tra như hình 2.15. Phương pháp [69] học cách trích đặc trưng bằng phương pháp FLDA trên tập chung sau đó áp dụng để trích đặc trưng ảnh khuôn mặt. Bộ phân loại k-nearest neighbor (KNN) được dùng để phân lớp các vector đặc trưng. Phương pháp có kết quả nhận dạng khá tốt nhưng việc sử dụng vector đặc trưng có số chiều lớn làm tăng thời gian tính toán.
Phương pháp [70] đề xuất một phương pháp học các đặc trưng mô tả sự thay đổi về ánh sáng của ảnh dựa vào việc sử dụng tập dữ liệu chung. Phương pháp SRC được sử dụng để trích đặc trưng về sự thay đổi ánh sáng của khuôn mặt và kết hợp với nhau để tạo thành một từ điển mô tả sự ảnh hưởng của ánh sáng như hình 2.16. Sau đó bộ từ điển này kết hợp cùng phương pháp SRC để trích đặc trưng của ảnh khuôn mặt và bộ phân loại NN được dùng để phân lớp vector đặc trưng. Tuy nhiên, tỷ lệ nhận dạng của phương pháp [70] lại không được so sánh với các phương pháp khác. Phương pháp [71] đề xuất dùng tập chung có các điều kiện khác nhau của ảnh đầu vào giống như tập mẫu
Hình 2.16: Các ví dụ về đặc trưng độ sáng khác nhau trong từ điểm độ sáng [70] và tập kiểm tra. Điều này giúp phương pháp [71] học hiệu quả những đặc trưng mô tả các điều kiện khác nhau của ảnh đầu vào. Phương pháp phân rã hạng thấp (low rank decomposition) kết hợp cùng phương pháp SRC để trích đặc trưng của ảnh và bộ phân loại NN được dùng để phân lớp. Phương pháp [71] cho kết quả nhận dạng khá tốt nhưng việc sử dụng tập chung và tập mẫu, tập kiểm tra hòan toàn giống nhau về sự thay đổi trong cùng một lớp làm mất đi tính tổng quát của việc nhận dạng. Phương pháp [72] cũng sử dụng một tập chung có cùng sự thay đổi trong một lớp giống tập mẫu và tập kiểm tra để xây dựng một bộ từ điển về các đặc trưng. Một dạng mở rộng của phương pháp SRC, phương pháp Kernel Extended Dictionary – KED được sử dụng để trích đặc trưng các ảnh trong tập chung và xây dựng bộ từ điển đặc trưng của sự thay đổi các điều kiện khác nhau của ảnh đầu vào. Phương pháp trích đặc trưng SRC kết hợp cùng bộ phân loại NN được dùng để nhận dạng ảnh đầu vào. Phương pháp cho kết quả nhận dạng rất tốt trong điều kiện khuôn mặt bị che khuất một phần nhưng thời gian xây dựng bộ từ điển rất lớn là nhược điểm của phương pháp này.
Phương pháp [73] đề xuất xây dựng bộ từ điển về các điều kiện khác nhau của ảnh đầu vào dựa trên việc sử dụng bộ lọc Gabor kết hợp cùng phương pháp SRC để trích đặc trưng của các ảnh trong tập dữ liệu chung. Bằng cách chia tập dữ liệu chung thành hai nhóm: các ảnh bình thường và các ảnh bị ảnh hưởng bởi các điều kiện khác nhau, phương pháp SRC kết hợp cùng bộ lọc Gabor được dùng để trích các đặc trưng mô tả về các điều kiện khác nhau của ảnh đầu vào và kết hợp lại để tạo thành bộ từ điển về các điều kiện khác nhau của ảnh đầu vào như hình 2.17. Phương pháp SRC kết hợp cùng bộ từ điển được dùng để trích đặc trưng ảnh đầu vào và bộ phân loại NN được dùng để phân lớp vector đặc trưng. Ưu điểm của phương pháp này là các đặc trưng được trích ra từ cả miền không gian và tần số nên có tính ổn định. Tuy nhiên, bộ dữ liệu chung và tập kiểm tra có tính chất giống nhau làm mất đi tính tổng quát của phương pháp. Phương pháp [74] cũng có cách thức xây dựng bộ từ điển tương tự như phương pháp [73]. Tuy nhiên phương pháp [74] không sử dụng các bộ lọc để trích các đặc trưng trong miền tần số và phương pháp SRC được sử dụng có các trọng số khác nhau để trích đặc trưng ảnh. Phương pháp [75] nhận định rằng nếu sử dụng một tập dữ liệu chung phù hợp với tập mẫu, tập kiểm tra và đủ lớn thì việc nhận dạng sẽ cho kết quả rất tốt trên tập kiểm tra. Từ nhận định này, phương pháp [75] sử dụng một tập dữ liệu chung rất lớn và có các điều kiện khác nhau của ảnh đầu vào hoàn toàn giống với tập mẫu và tập kiểm tra. Bộ phân loại hồi quy tuyến tính thích nghi (Adaptive Linear Regression Classifier – ALRC)