5 KẾT QUẢ MÔ PHỎNG
2.3 So sánh ảnh gốc và ảnh phục hồi từ từ điển trong phương pháp [34]
tập mẫu sẽ có sai số rất thấp. Bộ phân loại NN được sử dụng để phân lớp các vector đặc trưng. Phương pháp này có tỷ lệ nhận dạng khá tốt nhưng bộ từ điển cần phải được xây dựng lại từ đầu có thêm hoặc bớt số lớp của tập mẫu. Phương pháp [35] cũng sử dụng SCR để trích đặc trưng ảnh khuôn mặt nhưng không sử dụng từ điển mà xây dựng mới hàm mục tiêu cho phương pháp SCR để làm rõ hơn sự khác biệt giữa các lớp. Hàm mục tiêu mới giúp làm tăng tỷ lệ nhận dạng nhưng đồng thời cũng làm tăng độ phức tạp tính toán cho việc nhận dạng. Cũng dựa trên biểu diễn thưa SRC nhưng phương pháp [36] sẽ trích đặc trưng ảnh đầu vào dựa vào T ảnh gần nó nhất thay vì toàn bộ ảnh trong tập mẫu. Việc tối ưu sai số của biểu diễn SRC sẽ dựa vào việc tối ưu khoảng cáchl1 của hàm mục tiêu.
Phương pháp biểu diễn kết hợp, Collaborative Representation Classifier (CRC) là phương pháp tương tự như phương pháp SRC, trong đó ảnh đầu vào được biểu diễn thành tổ hợp tuyến tính của tất cả các ảnh trong tập mẫu thay vì chỉ một lớp. Phương pháp [37] trích đặc trưng ảnh khuôn mặt dựa vào phương pháp CRC. Bộ phân loại NN sẽ phân loại vector đặc trưng dựa trên việc kết hợp giữa khoảng cách Procrustes và khoảng cách Euclidean để đo khoảng cách giữa các vector đặc trưng. Tuy nhiên, việc dùng khoảng cách kết hợp sẽ dẫn đến việc tăng thời gian nhận dạng. Phương pháp [38] sử dụng một dạng mở rộng của phương pháp CRC cho quá trình trích đặc trưng ảnh khuôn mặt, phương pháp Collaborative-Competitive Representation based Classifier (CCRC) . Việc sử dụng phương pháp CCRC để trích đặc trưng giúp cải thiện tỷ lệ nhận dạng so với phương pháp CRC nhưng đồng thời cũng làm tăng thời gian tính toán đáng kể. Kết hợp phương pháp SRC và CCRC, một phương pháp trích đặc trưng mới được đề xuất tại [39], phương pháp Sparse and collaborative-competitive representation-based classification (SCCRC) . Việc sử dụng các vector đặc trưng ảnh khuôn được trích bằng phương pháp SCCRC sẽ giúp làm tăng tỷ lệ nhận dạng nhưng độ phức tạp của phương pháp [39] cũng vượt trội so với các phương pháp sử dụng SRC hoặc CCRC để trích đặc trưng ảnh.
Phương pháp [40] đề xuất một phương pháp trích đặc trưng tương tự phương pháp SRC và CRC, phương pháp Noisy Label based Discriminative Least squares Regression (NLDLSR). Khác với phương pháp SRC hay CRC, phương pháp NLDLSR sẽ đưa thông tin thống kê kết hợp cùng thông tin về nhãn của các lớp vào trong hàm mục tiêu. Việc đưa thêm nhãn các lớp vào hàm mục tiêu xuất phát từ việc khảo sát các vector đặc trưng
trong cùng một lớp ở các điều kiện khác nhau sẽ có sai số lớn hơn sự sai khác giữa các vector đặc trưng trong các lớp khác nhau ở cùng điều kiện. Phương pháp [40] cho kết quả nhận dạng rất ổn định với nhiều điều kiện khác nhau của ảnh đầu vào.
Linear regression classification (LRC) là một phương pháp trích đặc trưng tương tự như CRC hay SRC và thường được dùng phổ biến trong điều kiện đa mẫu. Phương pháp [41] đã đề xuất một cải tiến của phương pháp LRC để trích đặc trưng ảnh khuôn mặt trong bài toán SSPP, trong đó các ảnh khuôn mặt được trích đặc trưng dựa vào tổ hợp của các ảnh trong những lớp gần nó nhất. Phương pháp [41] cho kết quả nhận dạng tốt hơn trường hợp sử dụng cách trích đặc trưng LRC trong điều kiện nhận dạng khuôn mặt SSPP nhưng đồng thời cũng làm gia tăng đáng kể thời gian tính toán. Nonnegative representation classification (NRC) cũng là một phương pháp trích đặc trưng tương tự như SRC với các vector đặc trưng có giá trị không âm. Phương pháp [42] sử dụng NRC để trích đặc trưng ảnh khuôn mặt và bộ phân loại NN để phân lớp các vector đặc trưng. Các phương pháp nhận dạng khuôn mặt dựa trên đặc trưng được trích từ toàn bộ bức ảnh nhìn chung có ưu điểm là giữ lại được toàn bộ các chi tiết đặc trưng cũng như toàn bộ thông tin về cấu trúc của khuôn mặt. Đây là các yếu tố quan trọng để phân biệt giữa các khuôn mặt. Ngoài ra các phương pháp này cũng đơn giản để có thể triển khai thực tế trong các hệ thống. Đồng thời các phương pháp này cũng tốn ít thời gian huấn luyện và tốn ít dung lượng lưu trữ của hệ thống. Tuy nhiên các phương pháp này tồn tại một số nhược điểm. Đầu tiên, vì số lượng ảnh huấn luyện của một lớp là ít nên sẽ phải biểu diễn đặc trưng của một lớp bằng một vector rất nhiều chiều để bù đắp lại. Điều này dẫn đến các thuật toán phân lớp sẽ có độ phức tạp tính toán cao và thời gian nhận dạng lớn [5]. Một nhược điểm khác rất quan trọng của nhóm phương pháp này là việc tỷ lệ nhận dạng của các phương pháp trích đặc trưng toàn cục rất nhạy với sự thay đổi của bức ảnh. Tỷ lệ nhận dạng chính xác của các phương pháp trong nhóm này cũng chưa thật sự cao. 2.1.2 Các phương pháp nhận dạng khuôn mặt sử dụng các đặc
trưng cục bộ
Các phương pháp nhận dạng khuôn mặt dựa trên đặc trưng cục bộ sẽ sử dụng các đặc trưng cục bộ để biểu diễn ảnh khuôn mặt. Đặc trưng cục bộ có thể là các đặc trưng được trích ra từ một phần bức ảnh bằng các phương pháp khác nhau hoặc là các đặc trưng được trích ra tại các điểm đặc trưng của bức ảnh. Một số phương pháp nhận dạng khuôn mặt trong điều kiện SSPP dựa trên đặc trưng cục bộ có thể được kể đến như sau.
Đối với nhóm các phương pháp trích đặc trưng cục bộ trên một phần bức ảnh, các ảnh khuôn mặt sẽ được chia nhỏ thành các thành phần chồng lấp hoặc không chồng lấp nhau. Các phương pháp khác nhau sẽ được áp dụng để trích đặc trưng trên các ảnh nhỏ này. Phương pháp [43] đề xuất chia các ảnh khuôn mặt thành 4 phần nhỏ như hình 2.4. Các