3.3. Kết quả thử nghiệm
Từ tập ảnh thử nghiệm đã nêu trong phần 3.2 tôi sử dụng phƣơng pháp rút trích đã trình bày trong chƣơng 2 để rút trích các vùng lồi lõm trên ảnh.
Thử nghiệm dƣới đây rút trích đặc trƣng lồi lõm ở 2 mức 1=60 và 2=120. Kết quả thử nghiệm đƣợc trình bày trong bảng sau:
Bảng 1: Kết quả thử nghiệm rút trích đặc trưng ở 2 mức
Số ảnh thử
nghiệm Đúng Sai Độ chính xác
Thời gian xử lý trung bình
100 95 5 95% 1.5s
Tôi thực hiện lại thử nghiệm trên với việc rút trích các đặc trƣng lồi lõm ở 3 mức 1 = 20, 2 = 60 và 3 = 120. Kết quả thu đƣợc nhƣ sau:
Bảng 2: Kết quả thử nghiệm rút trích đặc trưng ở 3 mức
Số ảnh thử
nghiệm Đúng Sai Độ chính xác
Thời gian xử lý trung bình
100 97 3 97% 1.85s
Ngoài ra chƣơng trình thử nghiệm trên tập dữ liệu không phải là khuôn mặt thì kết quả nhƣ sau:
Bảng 3: Kết quả thử nghiệm trên tập ảnh không chứa khuôn mặt
Số ảnh thử
nghiệm Đúng Sai Độ chính xác
Thời gian xử lý trung bình
3.4. Nhận xét
Qua quá trình thử nghiệm trên các tập ảnh đã chọn cho thấy:
- Chƣơng trình cho kết quả tƣơng đối tốt, dò tìm đƣợc hầu hết các khuôn mặt;
- Kết quả rút trích các vùng lồi và lõm chính xác hay không phụ thuộc vào mức σ. Việc xây dựng các cây 3 lớp sẽ tăng độ chính xác đáng kể so với việc rút trích đặc trƣng cây 2 lớp, tuy nhiên việc rút trích đặc trƣng nhiều lớp làm cho quá trình xử lý tính toán chậm hơn;
- Với những ảnh có độ sáng tốt hơn, độ phân giải cao hơn thì thời gian xử lý nhanh hơn, chính xác hơn. Điều này cho thấy các yếu tố ánh sáng và chất lƣợng ảnh có ảnh hƣởng đến khả năng xác định các vùng lồi lõm nhanh hay chậm do đó ảnh hƣởng đến tính chính xác của kết quả rút trích;
- Một số ảnh không thể phát hiện ra khuôn mặt đều là những ảnh có nền phức tạp, ảnh quá tối khiến cho quá trình phát hiện trở nên khó khăn hơn và những ảnh có nền gần giống với khuôn mặt nên bị nhận dạng nhầm khung cảnh thành khuôn mặt.
Ngoài ra để có sự so sánh tôi cũng thử kiểm tra trên một chƣơng trình phát hiện khuôn mặt với hƣớng tiếp cận dựa trên diện mạo sử dụng mạng nơ ron và kết quả đƣợc thể hiện ở bảng 4.
Bảng 4: Kết quả thử nghiệm tiếp cận diện mạo trên các tập ảnh
Tập ảnh thử nghiệm Số ảnh Đúng Sai Độ chính xác Thời gian xử lý trung bình Tập ảnh khuôn mặt 100 91 9 91% 3.14s Tập ảnh không phải khuôn mặt 100 94 6 94% 3.14s
Thời gian thực hiện trung bình của các lần thử nghiệm là 3.14s nhiều hơn so với tiếp cận 3D. Và một điều tôi nhận thấy khi thử nghiệm trên chƣơng trình phát hiện khuôn mặt sử dụng mạng Nơ-ron này là với ảnh có độ phân giải càng cao thì tốc độ xử lý của chƣơng trình càng chậm và dẫn đến thời gian xử lý tăng lên.
3.5. Một số ảnh kết quả tiêu biểu
a) Ảnh có nền phức tạp b) Ảnh khuôn mặt biểu cảm
c) Ảnh chụp thiếu ánh sáng d) Ảnh khuôn mặt quay 1800
g) Ảnh xe f) Ảnh thiên nhiên
Hình 3.2: Một số trường hợp phát hiện đúng
KẾT LUẬN
Cùng với sự phát triển mạnh mẽ của công nghệ thông tin, mọi lĩnh vực trong đời sống đều đƣợc tin học hóa. Việc ứng dụng công nghệ thông tin vào các hoạt động sản xuất, kinh doanh, giải trí đã mang lại những lợi ích đáng kể. Đặc biệt công nghệ thông tin đƣợc ứng dụng rất nhiều trong lĩnh vực an toàn và bảo mật thông tin.
Qua luận văn này tôi đã đóng góp đƣợc một hƣớng tiếp cận mới cho bài toán xác định khuôn mặt ngƣời trong ảnh đó là hƣớng tiếp cận dựa vào đặc trƣng lồi lõm của khuôn mặt để phát hiện. Kết quả chấp nhận đƣợc nhƣng đây là bƣớc đầu để phát triển bài toán phát hiện mặt ngƣời trong ảnh. Bên cạnh đó, trong quá trình xây dựng chƣơng trình thử nghiệm, tôi đã tìm hiểu thêm về thƣ viện mã nguồn mở Luxand FaceSDK, qua đó biết cách sử dụng các hàm có sẵn trong thƣ viện.
Chƣơng trình demo cho kết quả tƣơng đối tốt, dò tìm đƣợc hầu hết các khuôn mặt, thời gian phát hiện nhanh đối với các ảnh mặt ngƣời đƣợc chụp thẳng, chất lƣợng ảnh tốt. Tuy nhiên, đối với ảnh chụp nghiêng hơn 450, ảnh có màu sắc quá tối, ảnh có nền phức tạp thì chƣơng trình khó có thể phát hiện đƣợc khuôn mặt.
Đối với ảnh webcam thì hiệu suất của chƣơng trình còn tùy thuộc theo chất lƣợng của loại webcam đƣợc sử dụng trong quá trình chụp ảnh, nhƣng cũng sẽ giống việc phát hiện khuôn mặt trong ảnh, chƣơng trình sẽ khó có thể phát hiện đƣợc mặt ngƣời nếu ảnh có độ sáng quá kém hoặc khuôn mặt bị chụp nghiêng hơn 450.
Hƣớng phát triển của đề tài:
Đây là một đề tài tƣơng đối phức tạp, mặc dù đã cố gắng xây dựng một hệ thống có khả năng phát hiện mặt ngƣời dựa vào thông tin khuôn mặt xuất hiện trên ảnh tốt nhất. Nhƣng với những hạn chế về mặt trình độ cũng nhƣ thời gian thực hiện, tôi kết thúc đề tài với một mảng nhỏ trong lĩnh vực phát hiện. Tuy nhiên trong thời gian tới tôi sẽ áp dụng thêm một số kỹ thuật nâng cao chất lƣợng ảnh nhƣ tách ngƣỡng, tăng giảm độ sáng và bó cụm để tiền xử lý ảnh đầu vào nhằm loại bớt nhiễu làm tăng khả năng phát hiện các đối tƣợng giúp chƣơng trình có thể phát hiện đƣợc những ảnh có nền phức tạp và ảnh tối.
TÀI LIỆU THAM KHẢO Tiếng Việt
[1] PGS.TS Đỗ Năng Toàn, TS. Phạm Việt Bình, Xử lý ảnh, Đại học Thái Nguyên, 2007.
Tiếng Anh
[2] A. Yuille, P.Halinan, and D. Cohen, “Feature Extraction from Faces Using efomable Template”, Int’l J. Computer Vision, vol. 8, no. 2, pp 99-111, 1992 [3] C. Kotropoulos and I. Pitas, “Rule-Based Face Detection in Frontal Views”,
Proc. Int’l Conf. Acoustics, Speech and Signal Processing, pp. 122-126, 1998
[4] Duc. A. Duong, Du. LH. Tran, DuanD. Tran, “Optimizing Speed for Adaptive Local Thresholding Algorithm Using Dynamic Programming”, International Conference on Electronics, Information, and Communications 2004-ICEIC’04, Vol. 1, pp. 438-441, Aug 2004.
[5] E. Osuna, R. Freund, and F. Girosi, “Training Support Vector Machines: An Application to Face Detection” Proc. IEEE Conf. Computer Vision and Pattern Recognition, pp. 130-136, 1997.
[6] Fuzhen Huang and Jianbo Su, “Multiple Face Detection Using adaptive Flows”, Sinobiometrics 2004, LNCS 3338, pp 137-143, Springer-Verlag Berlin eidellberg, 2004.
[7] G. Yang, T. S. Huang, “Human Face Detection in Complex Background”,
Pattern Recognition, Vol. 27, No. 1, pp. 53-63, 1994
[8] H. Schneiderman, T. Kanade, “Probabilistic Modeling of Local Appearance and Spatial Relationships for Object Detection”, Proc. IEEE Conf. Computer Vision and Pattern Recognition (CVPR’98), pp. 45-51, 1998.
[9] H. Rowley, S. Baluja, T. Kanade, “Neural network-based face detection”, IEEE Transaction on Pattern Analysis and Machine Intelligence (PAMI), Vol. 20, No. 1, pp. 23-38, Jan 1998.
[10] James L. Crowley, Alice C. Parker, “A Representation for Shape based on Peaks and Ridges in the Difference of Low-Pass Transform”, Technical
ReportCMU-RI-TR-83-4, Carnegie-Mellon University, May 1983.
[11] K.V Mardia and Dryden, “Shape Distributions for Landmark Data”,
Advanced Applied Probability, vol. 21, pp. 742-755, 1989.
[12] L. Sirovich and M. Kirby, “Low-dimensional proceduce for the characterization of human faces” The Optical of America A, Vol. 4, page 519, March 1987
[13] Ming-Hsuan Yang, David J. Kriegman, Narendra Ahuja, “Detecting Faces in Images: A Survey”, IEEE Transaction on Pattern Analysis and
Machine Intelligence (PAMI), Vol. 24, No. 1, pp. 34-47, January 2002. (1-25)
[14] M. Kirby and L. Sirovich, “Application of the Karhunen-LoeveProceduce for the Characterization of Human face”, IEEE Trans. Patten Analysis and
Machine Intelligence, vol. 12, no. 1, pp. 103-108, Jan. 1990.
[15] P. Viola, M. Jones, “Rapid object detection using a boosted cascade of simple features”, Proc. IEEE Conf. Computer Vision and Pattern Recognition
(CVPR’01), pp. 511-518, Dec 2001.
[16] Quan Yuan, Wen Gao, Hongxun Yao, “Robust frontal face detection in complex environment”, International Conference on Pattern Recognition 2002 -
ICPR’02, pp 25-28, Aug 2002, Canada.
[17] S.A. Sirohey, “Human face Segmentation and Identification”, Technical Report CS-TR-3176, Univ. of Maryland, 1983.
[18] T. Sakai, M. Nagao, and S. Fujibayashi, “Line Extraction and Pattern Detection in a Photograph”, Pattern Recognition, vol. 1, pp 233-248, 1969
[19] Tony Lindeberg, “Edge Detection and Ridge Detection with Automatic Scale Selection”, International Journal of Computer Vision, pp 117-154, Vol. 30, No. 2, Nov 1998.
[20] Thanh Hai Tran Thi, Augustin Lux, “A method for Ridge Extraction”, 6th
Asian Conference on Computer Vision 2004- ACCV’04, Vol. 2, Feb 2004,
Korea.
Website:
[21] http://news.zing.vn/Nhung-vu-an-cap-tien-qua-mang-lon-nhat-trong-lich- su-post458349.html