BỘ MƠN ĐIỆN TỬ CƠNG NGHIỆP 52 Q trình nhận dạng khn mặt tương tự q trình nhận dạng dáng người. Hàm để nhận diện khuôn mặt người là vision.CascadeObjectDetector, được Mathwork xây dựng để dùng cho quá trình nhận dạng khn mặt người. Tiếp đó là các lệnh để tách lấy khuôn mặt và hiển thị ảnh lên giao diện. Ảnh được tách lấy hiển thị trên giao diện GUI đã được hệ thống tiền xử lý trước khi được huấn luyện và so sánh với dữ liệu nguồn của hệ thống để nhận dạng, phân biệt được đối tượng lạ hay quen. Ảnh từ Camera là ảnh màu, sau khi hệ thống nhận dạng sẽ tách lấy khuôn mặt và chuyển sang ảnh xám.
5.2. ĐÁNH GIÁ HỆ THỐNG
Sau khi kết thúc quá trình nghiên cứu đồ án này, hệ thống cơ bản đã hoạt động như yêu cầu đã đặt ra trước đó là nhận dạng được người và nhận dạng khuôn mặt đối tượng phát hiện là lạ hay quen từ việc lấy ảnh trực tiếp từ Camera Pi của kit Raspberry. Tuy nhiên, hệ thống khi xử lý chịu ảnh hưởng lớn từ mơi trường bên ngồi khá nhiều như ánh sáng, màu nền, khoảng cách xa gần, chất lượng của Camera. Vì vậy, để hệ thống hoạt động tốt nhất ta cần thỏa các yêu cầu về khoảng cách, ánh sáng, tư thế.
Đối với trường hợp hệ thống nhận dạng dáng người: Khoảng cách nhận dạng tầm khoảng 3m đến 5m, ánh sáng tốt để có thể thấy dáng người chuyển động. Khoảng cách lớn hơn hoặc nhỏ hơn, hệ thống đôi khi khơng thể nhận dạng được. Hình 5.3 là kết quả thu được trong mơi trường ánh sáng tốt tại phịng đọc thư viện trường đại học Sư Phạm Kỹ Thuật Thành Phố Hồ Chí Minh.
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP 53
Hình 5.4. Khoảng cách 4 m
Ở vị trí khác xa hơn hệ thống vẫn nhận dạng được, hình 5.4 nhận dạng đối tượng khác ở khoảng cách 4m. Nhận dạng trong mơi trường ánh sáng có độ sáng kém hơn, hệ thống vẫn nhận dạng tốt dù có sự thay đổi về độ sáng. Hình 5.5 hệ thống nhận dạng tốt trong mơi trường ánh sáng ngồi hành lang, nơi có ánh sáng kém hơn so với trong phòng.
Hình 5.5. Mơi trường ánh sáng hành lang
Trong khi có nhiều người xuất hiện trong phạm vi Camera có thể quan sát và khu vực cho phép. Hệ thống sẽ nhận dạng được nhiều đối tượng cùng lúc. Hình 5.6 là kết quả được hệ thống ghi lại được trong quá trình nghiên cứu. Hình 5.6 a) Số lượng là hai người và hình 5.6 b) Số lượng là ba người.
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP 54
a) b)
Hình 5.6. Nhận dạng nhiều đối tượng
Nhận dạng người vào ban đêm có đèn chiếu sáng. So với mơi trường có ánh sáng vào ban ngày, nhận diện người vào ban đêm sẽ khó khăn hơn rất nhiều. Hệ thống chỉ nhận dạng được người khi có ánh sáng chiếu vào phạm vi quan sát của Camera. Ánh sáng đủ sáng để mắt người có thể nhìn thấy được, lúc đó Camera mới có thể quan sát thấy. Hình 5.7 là kết quả nhận dạng được người vào ban đêm. Tương tự với hình 5.8 nhưng với mơi trường thử nghiệm là khác nhau.
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP 55
Hình 5.8. Nhận dạng vào buổi tối có ánh đèn
Đối tượng mặc áo màu tối được nhận dạng, khi xuất hiện ở vùng có ánh sáng mà Camera có thể quan sát thấy được, lúc đó, hệ thống mới có thể nhận dạng. Hệ thống nhận dạng được đối tượng đối tượng mặc áo màu sáng ( hình 5.9 ), xuất hiện trong phạm vi quan sát của Camera.
Hình 5.9. Nhận dang đối tượng có trang phục sáng
Trường hợp nhận dạng người ở khoảng cách gần nhưng không thể nhận dạng được khuôn mặt, hoặc khơng thể nhận dạng tồn bộ dáng một người. Hệ thống sẽ nhận dạng một phần của cơ thể con người. Hình 5.10 là kết quả nhận dạng người khi người đó ở khoảng cách gần và đồng thời không phát hiện mặt do quay ngược với Camera quan sát.
BỘ MƠN ĐIỆN TỬ CƠNG NGHIỆP 56
Hình 5.10. Nhận dạng một phần người
Đối với động vật bình thường trong đời sống như chó, mèo hay gà. Hệ thống không nhận dạng được. Đây được xem là ưu điểm của việc dùng xử lý ảnh so với các hệ thống mạch điện tử phát hiện đối tượng chuyển động như mạch PIR, mạch sử dụng hồng ngoại. Chỉ cần có vật thể chuyển động dù dó khơng phải khơng phải là con người, hệ thống cũng sẽ cảnh báo ngay. Hình 5.11 bên dưới là kết quả khi cho Camera quan sát một con gà chuyển động. Kết quả là hệ thống không nhận dạng và cũng khơng cảnh báo.
Hình 5.11. Hình ảnh động vật được Camera ghi nhận
Các trường hợp như xuất hiện chỉ có ½ cơ thể, người khi đi khom, ngồi hoặc một số trường hợp khác như xa hơn, gần hơn so với Camera hệ thống cũng sẽ không
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP 57 nhận ra được. Hình 5.12 a) Một phần cơ thể b) Khom người là những trường hợp mà hệ thống không thể nhận dạng được. Kết quả được thực hiện và trình bày như hình 5.12:c) Tư thế ngồi, d) Quá gần Camera.
a. Một phần cơ thể b. Khom người
Hình 5.12. Những trường hợp hệ thống không thể nhận dạng được
c. Tư thế ngồi d. Quá gần Camera
Hình 5.12. Những trường hợp hệ thống không thể nhận dạng được
Hệ thống cũng không thể nhận dạng được đối tượng trong điều kiện ánh sáng và màu sắc như sau:
- Trong điều kiện quá tối, ngay cả với con người nhận dạng được đối tượng trong điều kiện ánh sáng kém như thế cũng sẽ khó nhận ra được. Đối với hệ thống dùng Camera thường, có độ phân giải thấp thì việc nhận dạng được dáng người trong điều kiện ánh sáng như thế thì rất khó khăn.
- Có trang phục màu tối, đặt biệt là ánh sáng rất kém vào ban đêm. Hình 5.13 là kết quả mà hệ thống đã kiểm tra.
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP 58
Hình 5.13. Đối tượng khơng được hệ thống nhận dạng
- Đối với nhận dạng khuôn mặt khi nhìn thẳng:
Khoảng cách nhận dạng khn mặt tốt nhất tầm 60 cm, ánh sáng tốt để Camera có thể chụp ảnh với độ nét cao, màu sắc không bị mờ, tối. Hình 5.14 và 5.15 bên dưới là kết quả q trình nhận dạng khn mặt thực hiện.
Hình 5.14. Khn mặt đối tượng 1
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP 59 - Đối với nhận dạng khn mặt khi nhìn nghiêng:
Hình 5.16. Nhận dạng khn mặt nhìn sang trái
Trường hợp nghiêng sang trái như hình 5.16, hệ thống vẫn nhận diện được. Ảnh nghiêng sang trái tầm 30° so với phương nằm ngang. Nếu khuôn mặt nghiêng quá mức, hệ thống sẽ khơng nhận dạng được. Phần này sẽ được trình bày ở phần dưới.
Hình 5.17. Nhận dạng khn mặt nhìn sang phải
Trường hợp nghiêng sang phải như hình 5.17, hệ thống nhận dạng khn mặt nghiêng sang phải. Tương tự với điều kiện nghiêng sang trái, nghiêng sang phải một góc tầm 30°. Nếu khuôn mặt bị nghiêng quá, hệ thống không thể xác nhận được khuôn mặt và không thể nhận dạng.
Trường hợp nhận dạng khơng chính xác do một số tác nhân. Kết quả trường hợp khuôn mặt người được nhận dạng ở khoảng cách 1.5 m hệ thống không nhận dạng đúng đối tượng. Hình 5.18 khn mặt được nhận dạng ở khoảng 1.5 m. Hệ thống nhận dạng bị sai do khoảng cách vượt quá giới hạn để Camera có thể chụp ảnh một
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP 60 cách tốt nhất. Ảnh sau khi chụp và qua quá trình xử lý bị sai lệch khá nhiều do chất lượng ảnh kém.
Hình 5.18. Ảnh nhận dạng ở khoảng cách 1.5 m
Nếu ở khoảng cách xa, hệ thống đôi khi không nhận dạng được, chỉ phát hiện có khn mặt xuất hiện trong phạm vi Camera. Hình 5.19 là khn mặt được phát hiện ở khoảng cách khá xa, các đặc điểm trên khuôn mặt thấp đến mức không thể nhận dạng
Hình 5.19. Nhận diện khuôn mặt ở xa
Khi đặt Camera thu ảnh vào ta cũng phải cần phải quan tâm đến độ sáng của ảnh. Môi trường xung quanh cần phải sáng rõ, khơng được tối q, vì như vậy hệ thống không thể nhận dạng được khn mặt hoặc có thể nhận dạng sai đối tượng. Hình 5.20 là các trường hợp hệ thống nhận dạng lỗi. Hệ thống nhận dạng khuôn mặt bị sai do Camera bị đặt trong trường hợp ngược sáng. Hệ thống nhận dạng nhầm là đã phát hiện khuôn mặt và không thể nhận dạng được đối tượng trong trường hợp này.
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP 61
Hình 5.20. Camera bị ngược sáng
Trong trường hợp bị thiếu ánh sáng, hệ thống có thể nhận dạng được khn mặt. Tuy nhiên, không thể nhận dạng được đối tượng, do Camera không thể tự điều chỉnh ánh sáng mà phải phụ thuộc vào ánh sáng mơi trường. Q trình tiền xử lý cơ bản chỉ nhận dạng, chuyển đổi ảnh xám và điều chỉnh độ tương phản một phần chứ không thể làm ảnh sáng hoàn tồn để nhận dạng. Hình 5.21 cho ta thấy hình ảnh Camera chụp lại trong mơi trường thiếu ánh sáng.
Hình 5.21. Mơi trường thiếu ánh sáng
Trường hợp khuôn mặt người nghiêng quá mức, hệ thống cũng sẽ không nhận dạng được khn mặt. Hình 5.22 khn mặt nghiêng q mức khiến hệ thống không thể nhận dạng được khuôn mặt.
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP 62
Hình 5.22. Khn mặt nghiêng nhiều Hình 5.23. Hệ thống nhận dạng nhầm
Trường hợp vật thể có hình dạng và màu sắc giống với khn mặt người. Đôi khi hệ thống vẫn nhận nhầm vật thể đó là khn mặt người. Chẳng hạn như hình 5.23 hệ thống nhận nhầm chiếc ghế là khuôn mặt người do màu ghế gần giống với màu da người. Hình 5.24 a) và b) là kết quả báo tin khi hệ thống phát hiện người và nhận dạng khuôn mặt. Người dùng có thể gửi tin nhắn đến thuê bao để tắt – mở thiết bị hệ thống.
a) Báo tin phát hiện người b) Báo tin nhận dạng khn mặt Hình 5.24 Tin nhắn được gửi khi phát hiện người và khuôn mặt.
5.3. KẾT QUẢ THỐNG KÊ
Bảng 5.1. Thống kế kết quả nhận dạng dáng người
Số người thử Đi thẳng Đi ngang
Lần 1 50 88 % 92 %
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP 63 Bảng thống kê 5.1 là kết quả nhóm thực hiện khi quan sát số lượng người đi bộ qua Camera của hệ thống. Tốc độ người đi bộ bình thường ở hai địa điểm trong hai khoảng thời gian bất kỳ. Camera sẽ khơng nhận diện được nhóm đơng trên 5 người và đi sát nhau, hoặc đi xa so với tầm quan sát của Camera.
Bảng 5.2. Thống kế kết quả nhận dạng khuôn mặt khoảng cách 0.5 m
Số ảnh thử Nhìn thẳng Nhìn phải Nhìn trái
Người thứ nhất 50 86 % 70% 72%
Người thứ hai 50 80% 64% 68%
Bảng 5.3. Thống kế kết quả nhận dạng khuôn mặt khoảng cách 1 m
Số ảnh thử Nhìn thẳng Nhìn phải Nhìn trái
Người thứ nhất 50 68 % 54% 58%
Người thứ hai 50 64% 56% 60%
Từ bảng thống kê cho ta thấy giải thuật mà đang xây dựng khá đơn giản nhưng lại có hiệu suất khá cao so với yêu cầu đặt ra trước đó. Tùy vào ánh sáng mơi trường và khoảng cách khác nhau mà hiệu suất cũng sẽ thay đổi, với kết quả này đã thực hiện ở nhiều môi trường ánh sáng khác nhau để cho thấy xử lý ảnh phụ thuộc khá nhiều vào môi trường mà nó xử lý. Trong những kết quả đã kiểm nghiệm, khi khn mặt nhìn thẳng sẽ có độ chính xác cao nhất. Nhìn nghiêng sẽ có độ chính xác thấp hơn so với cùng mơi trường có độ sáng như nhau.
Giải thuật sử dụng trong đồ án này khá đơn giản, nhưng vẫn đảm bảo yêu cầu là nhận dạng được dáng người và nhận dạng được khuôn mặt. Tuy nhiên, tỉ lệ phần trăm đặc điểm nhận dạng thấp, đôi khi nhận dạng nhầm đối tượng. Vẫn cịn có những hạn chế là khoảng cách để nhận dạng cịn ngắn, và mơi trường ánh sáng tối hơn hệ thống sẽ khơng đảm bảo độ chính xác như lúc đầu. Chính vì vậy, khi thực hiện đề tài này, luôn tạo điều kiện về môi trường được xem là lí tưởng để đạt kết quả tốt nhất, trong khi ngồi mơi trường thực tế kết quả sẽ bị ảnh hưởng rất nhiều.
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP 64
Chương 6. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
6.1. KẾT LUẬN
Sau khoảng 3 tháng nghiên cứu và tìm hiểu về đề tài “Báo trộm dùng Camera Pi và Raspberry Pi”, nhóm thực hiện đã kết thúc đề tài theo như định hướng ban đầu. Trong thời gian tìm hiểu và nghiên cứu về lý thuyết kỹ thuật phát hiện người cũng như nhận dạng khuôn mặt, xây dựng chương trình giải thuật dựa trên việc sử dụng ngôn ngữ Matlab để kết nối với kit Raspberry Pi, nhóm thực hiện đã thu được kết quả như sau:
- Hiểu và nắm được phương pháp phát hiện dáng người, khuôn mặt.
- Biết cách sử dụng ngôn ngữ Matlab trong nhận dạng và so sánh khuôn mặt. - Kết hợp giữa nhận dạng người song song với khuôn mặt của nhiều đối tượng. - Thực hiện việc kết nối thành công giữa phần mềm Matlab và kit Raspberry. - Thực hiện được điều khiển được Sim900 thông qua Raspberry bằng Matlab.
Về phần cứng, mạch được thiết kế theo từng phần, vì vậy có thể tháo lắp dễ dàng. Về phần chương trình, kết quả thu về đạt được một cách tương đối với khoảng thời gian phát hiện không quá 5s, điều kiện phát hiện người cũng như nhận dạng khn mặt cịn phụ thuộc vào ánh sáng của mơi trường, chất lượng Camera. Những khn mặt có góc nghiêng so với phương thẳng của Camera cịn gặp nhiều khó khăn khi nhận dạng. Nhược điểm lớn khi nhận dạng người là quá nhiều đối tượng sẽ làm giảm tốc độ xử lý của Camera.
6.2. HƯỚNG PHÁT TRIỂN
Với những kiến thức còn hạn chế nên cịn mắc phải nhiều sai sót, vì vậy nhóm thực hiện sẽ cố gắng để có thể phát triển và ứng dụng đề tài trong thực tiễn. Đối với hướng phát triển, nhóm thực hiện nhận thấy có thể phát triển thêm các tính năng sau đây để có thể đem lại hiệu quả hơn:
- Cải thiện chất lượng Camera.
- Nâng cao khả năng chính xác trong việc nhận dạng khn mặt. - Chạy độc lập hoàn tồn trên Raspberry.
BỘ MƠN ĐIỆN TỬ CƠNG NGHIỆP 65
TÀI LIỆU THAM KHẢO
[1] Matt Richardson - Shawn Wallace Getting Started with Raspberry Pi, 2012. [2] Nguyễn Hữu Sáng – Từ Thị Kim Chi, “Điều Khiển Thiết Bị Bằng Cử Chỉ Tay Thông Qua Xử Lý Ảnh”, đồ án tốt nghiệp 2016, trường Đại Học Sư Phạm Kỹ Thuật Tp.HCM.
[3] Navneet DALAL, “Finding People in Images and Videos”, 2006
[4] Nguyen Thanh Hai, Giáo trình Xử Lí Ảnh, NXB Đại Học Quốc Gia, Tp.HCM, 2014.
[5] Nguyễn Trung Hiếu – Bùi Ngọc Liên, “Luận văn dị tìm và cắt ảnh mặt người dùng PCA”, 2010.
[6] Trương Công Lợi, “Nhận Dạng Khuôn Mặt Sử Dụng Phương Pháp Biến Đổi Eigenfaces Và Mạng Nơron”, tóm tắt luận văn thạc sỹ, đại học Đà Nẵng, 2013. [7] Datasheet LM2596, Datasheet 16F887.
[8] Nguyễn Đình Phú, “Giáo trình vi xử lý II”, NXB ĐH Quốc Gia Tp.HCM, 2007.
[9] Trần Thu Hà, Trương Thị Bích Ngà, Nguyễn Thị Lưỡng, “Giáo trình Điện tử cơ bản”, NXB ĐH Quốc Gia Tp.HCM, 2013.
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP 66
PHỤ LỤC
1. CẤU HÌNH PHẦN CỨNG
- Ở trong mục Resource của Matlab 2014, nhấp vào Add-Ons - Get Hardwave Support Packages.
Ta chọn cách cài đặt từ internet để dowload và cài đặt hệ điều hành. Có thể cài đặt theo đường link sau đây:
https://www.mathworks.com/help/supportpkg/raspberrypiio/ug/install-support-for- raspberry-pi-hardware.html
BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP 67 Ta chọn Raspberry Pi và chọn phần cài đặt Matlab. Sau đó bấm Next
Kế tiếp, ta chọn Raspberry Pi 2 Module B vì trong đồ án này nhóm đang sử dụng Raspberry pi 2. Và sau đó bấm “Next”.
BỘ MƠN ĐIỆN TỬ CÔNG NGHIỆP 68