Để kiểm nghiệm kết quả của giải thuật, ở đây đã lấy 20 mẫu học, trong đó 15 mẫu là mặt ngời và 5 mẫu phủ định không phải mặt ngời. Sau khi học, mạng
đợc tiến hành kiểm nghiệm trên 100 mẫu gồm 50 mẫu mặt ngời và 50 mẫu phủ
định.
Kết quả nhận dạng nh sau:
Lớp nhận dạng 0BSố mẫu học Số mẫu kiểm tra kết quả
Sè mÉu nhËn dạng đúng(%)
Mặt ngời 20 50 48 (96%)
Mẫu phủ định 20 50 44 (94%)
Tổng số 4 0 100 95 (95%)
Nhận xét đánh giá
+ Đối với các mẫu mà mạng nơron đã đợc học: nhận và phân loại đúng 100%
+ Đối với các mẫu kiểm tra thêm: 20 mẫu của lớp mặt ngời nhận dạng đạt 18 mẫu, 20 mẫu phủ định nhận dạng đạt 17 mẫu, tuy nhiên kết quả này hoàn toàn có thể tăng lên khi các tham số đầu vào cho mạng nơron đợc chuẩn hoá tốt hơn. Ví dụ nh tăng số lợng phân vùng ảnh lên 36(6x6) vùng, hoặc 64(8x8) vùng.
+ Tốc độ nhận dạng: Yêu cầu bài toán cha đánh giá về tốc độ nhận dạng nhng trong một số trờng hợp có yêu cầu về thời gian xử lí thì cần cải tiến một số giải thuật phần mềm tối u hơn.
• Ưu điểm của phơng pháp:
+ Nhận ra và phân loại đợc các đối tợng trong nhiều trạng thái mà đối tợng ở các t thế khác nhau.
+ Tốc độ xử lí khá nhanh.
• Nhợc điểm của phơng pháp:
+ Quá trình xử lí của bài toán liên quan chặt chẽ với kích thớc ảnh của đối tợng , điều này cũng có nghĩa độ thu/phóng của đối tợng sẽ có ảnh hởng đến kết quả của bài toán. Trong tập mẫu kiểm tra, nếu một mẫu có chứa đối tợng
ảnh bị nhiễu loạn lớn, hoặc độ mờ của đối tợng cao có thể làm nhận dạng sai.
KÕt luËn
+ Mạng nơron đã đợc xây dựng và thử nghiệm qua bài toán nhận dạng phân loại ảnh đối tợng mặt ngời đạt đợc kết quả khả quan nhng vẫn còn một số vấn đề cần giải quyết sau: trong quá trình giải quyết bài toán, các thông số đầu vào mạng đợc lấy là trung bình các mức xám của ảnh nên việc xử lí ảnh để lấy
đợc các thông số này có chính xác hay không sẽ ảnh hởng lớn đến kết quả bài toán. Modul mạng nơron đã đợc xây dựng nhng mới kiểm nghiệm với số lợng mÉu nhá.
+ Bài toán nhận dạng đối tợng mặt ngời là bài toán có độ nhiễu ảnh rất cao,
độ thu nhận đối tợng không ổn định vì vậy ảnh hởng lớn đến khả năng học của mạng và kết quả của bài toán .
+ Mạng nơron trong bài toán này là cấu trúc mạng MLP 3 lớp theo phơng pháp học có giám sát. Trong việc ứng dụng mạng nơron còn những cấu trúc mạng khác nh mạng nhiều lớp ẩn (5-7 lớp ẩn), mạng hồi quy, mạng tự tổ chức với quá trình học không giám sát Kohonen hiện đang đợc ứng dụng rộng có đặc
điểm chịu đợc độ nhiễu ảnh lớn, ít ảnh hởng bởi độ thu phóng cũng cần đợc nghiên cứu, xây dựng và kiểm nghiệm để đạt đợc kết quả cao hơn.
+ Hiện nay về nhận dạng có nhiều hớng nh dùng phơng pháp nhận biết dạng điểm , vector hoá (xơng hoá), dùng chuỗi điểm Markov, mạng nơron học không giám sát…Vì vậy tác giả rất mong đợc sự đòng góp ý kiến và sự giúp đỡ
để đề tài đợc phát triển tốt hơn.
Hớng phát triển tiếp theo:
Bài toán cần đợc phát triển theo 2 hớng sau:
1. Tiếp tục tìm hiểu các biện pháp nâng cao chất lợng đầu vào cho mạng nơron nh: các đặc trng đối tợng: đặc trng hình học, đặc trng phổ… từ
đó nâng cao đợc độ chính xác nhận dạng.
2. Tiếp tục xây dựng mạng nơron MLP nhiều lớp ẩn hoặc mạng nơron tự tổ chức để đối sánh kết quả đồng thời ứng dụng trong các bài toán nhận dạng khác.