Trong luận văn, phần mềm mô phỏng đã đƣợc cài đặt lại các thuật toán này trên môi trƣờng Windows. Phần mềm nhận dạng ảnh mặt ngƣời ở đây đƣợc xây dựng trên ngôn ngữ Visual StudiọNet. Phần mềm có thể đóng gói là dễ dàng phân phối cho ngƣời sử dụng.
4.3. CÁC CHỨC NĂNG CHƢƠNG TRÌNH
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnụedụvn 57
Chọn edit/ train để huấn luyện ảnh của hành khách sẽ xuất hiện hộp thoại:
Hình 4.2: Huấn luyện ảnh hành khách
- Nhập các thông tin về hành khách - Huấn luyện ảnh hành khách
- Sau khi huấn luyện đƣợc ảnh của hành khách, ta chọn ađ passport sẽ hiển thị hộp thoại để thêm thông tin về hộ chiếu của hành khách.
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnụedụvn 58
Sau khi đã nhập đƣợc thông tin của hành khách, chọn ađ để lƣu lại thông tin hoặc Cancel để hủy thông tin đã nhập.
- Chọn Ađ flight để thêm thông tin về chuyến bay
Hình 4.4: Thêm thông tin về chuyến bay
Sau khi hoàn thành quá trình huấn luyện ảnh, ta tiến hành nhận dạng ảnh đã huấn luyện.
Vào Edit/ Recognition sẽ xuất hiện hộp thoại
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnụedụvn 59
Chọn ảnh cần tìm kiếm, sau khi đã tìm kiếm sẽ trả lại kết quả nhận dạng nhƣ hình 4.6, các thông tin chi tiết về khách hàng hình 4.7, thông tin về hộ chiếu hình 4.8, thông tin chi tiết về chuyến bay hình 4.9.
Hình 4.6: Kết quả nhận dạng
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnụedụvn 60
Hình 4.8: Thông tin chi tiết về hộ chiếu
Hình 4.9: Thông tin chi tiết về chuyến bay 4.4. ĐÁNH GIÁ VỀ CHƢƠNG TRÌNH
Mặc dù chƣơng trình chƣa có điều kiện thử nghiệm trong môi trƣờng thực tại sân bay nhƣng trong điều kiện thử nghiệm chƣơng trình đã có đủ các modul quản lý cần thiết. Trong thời gian tới, nếu có điều kiện phát triển tiếp, tôi sẽ tiếp tục phát triển thêm modul tích hợp với camera ghi hình trực tiếp để nhận dạng.
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnụedụvn 61
KẾT LUẬN – KIẾN NGHỊ
Trong luận văn này, tôi đã hoàn thành các mục tiêu nghiên cứu đề rạ Ttôi đã thực nghiệm đƣợc hệ thống nhận dạng ảnh mặt ngƣời dùng mạng MLP, sử dụng đặc trƣng PCA, và đặc biệt kết hợp tìm kiếm trọng số tối ƣu cho mạng MLP bằng GẠ Sau khi thực nghiệm, tôi đã có các đánh giá, so sánh về hiệu quả của các phƣơng pháp và kết luận phƣơng pháp kết hợp MLP-PCA-GA cho kết quả cao hơn phƣơng pháp MLP-PCA cả về tỷ lệ nhận dạng đúng và chi phí tính toán.
Về mục tiêu ứng dụng, tôi đã xây dựng một phần mềm nhận dạng ảnh mặt ngƣời mô phỏng ứng dụng nhận dạng, tìm kiếm thông tin hành khách tại sân baỵ
Trong các nghiên cứu tiếp theo, tôi sẽ tiếp tục phát triển đề tài, thử nghiệm các đặc trƣng khác nhƣ đặc trƣng Gabor Wavelet, thử nghiệm các thuật toán tối ƣu bằng GA khác, áp dụng thử nghiệm trên các cơ sở dữ liệu ảnh mặt ngƣời lớn để đánh giá hiệu quả của các phƣơng pháp một cách khách quan và chính xác hơn.
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnụedụvn 62
TÀI LIỆU THAM KHẢO
TIẾNG VIỆT
1. Ngô Quốc Tạo, Ngô Phƣơng Đông, Nguyễn Thanh Hòa, Phạm Việt Bình (2003), Báo cáo “Nhận dạng mặt ngƣời trong môi trƣờng độ sáng không đồng nhất”, Hội thảo Công nghệ thông tin quốc gia lần thứ VIII, Thái Nguyên, 29- 31/8/2003.
2. Phạm Trung Kiên, Tìm kiếm và nhận dạng khuôn mặt ngƣời trong ảnh : Luận văn ThS Đại học Quốc Gia Hà Nội, Nghd: PGS.TS. Ngô Quốc Tạo
3. Võ Phúc Nguyên, Nhận dạng mặt ngƣời sử dụng mạng neuron, Luận văn ThS Đại học Bách Khoa Hà Nội ,Nghd: PGS. Nguyễn Thanh Thủy, 2009
4. Nguyễn Phƣơng Huy, Ứng dụng mạng Neural mờ cho nhận dạng chữ viết tay hạn chế, Luận văn thạc sỹ khoa học, Đại học Bách Khoa Hà Nội, 2004.
5. Nghiêm Văn Tính, Mạng Neural tìm kiếm ảnh, Luận văn thạc sỹ khoa học, Đại học Thái Nguyên, 2006.
6. Ngô Xuân Bách, Ngô Quốc Tạọ Ứng dụng mô hình mạng nơron trong nhận dạng chữ viết tay rời rạc hạn chế trực tuyến. Kỷ yếu Hội nghị khoa học kỷ niệm 30 năm thành lập viện Công nghệ thông tin, viện Khoa học và Công nghệ Việt Nam, pp. 483-488, Hà Nội 2006.
7. Nguyễn Hữu Hòa, Lƣơng Chi Mai, “Nhận dạng chữ viết tay tiếng Việt rời rạc sử dụng mạng Nơ ron mờ”, kỷ yếu hội nghị Viện CNTT, 12/2001, tr.623-631.
TIẾNG ANH
8. Ming-Hsuan Yang, (2002),"Kernel Eigenfaces vs. Kernel Fisherfaces: Face Recognition Using Kernel Methods," fg, pp.0215, Fifth IEEE International Conference on Automatic Face and Gesture Recognition (FG'02).
9. Kanade, (1973),T. Picture processing system by computer complex and recognition of human faces. Doctoral dissertation, Kyoto University, Kyotọ 10. Rule-Based Face Detection in Frontal Views (1997), Constantine Kotropoulos ,
Ioannis Pitas in Proc. of IEEE Int. Conf. on Acoustics, Speech and Signal Processing (ICASSP 97), vol. IV .
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnụedụvn 63
11. K.C.Yow, (1997),R.Cipolla, “Feature-based Human Face Detection”. Image and Vision Computing, 15(9): 713-735.
12. T. K. Leung, (1995),M. C. Burl, P. Perona, Finding faces in cluttered scenes using random labeled graph matching, in ICCV '95: Proceedings of the Fifth International Conference on Computer Vision, 637.
13. Finding Face Features (1992) , Ian Craw , David Tock , Alan Bennett
14. ẠLanitis, (1995), C.J.Taylor, T.F.Cootes. A Unified Approach to Coding and Interpretting Faces. Proc. 5th International Conference on Computer Vision. 15. M. Turk and Ạ Pentland (1991). "Face recognition using eigenfaces". Proc.
IEEE Conference on Computer Vision and Pattern Recognition. pp. 586–591 16. K.K. Sung and T. Poggio, (1998) “Example-Based Learning for View-Based.
Human Face Detection,” IEEE Trans. Pattern Analysis and Machine Intelligencẹ
17. Rowley, H., Baluja, S. & Kanade, T. (1998) “Neural Network-Based Face Detection,” IEEE-Transactions on Pattern Analysis and Machine Intelligence (PAMI), Vol. 20, Nọ 1.
18. Osuna, Ẹ, Freund, R., and Girosi, F. (1997a). An improved training algorithm for support vector machines. In Proc. of IEEE NNSP'97.
19. H. Schneiderman, T. Kanadẹ (1998), "Probabilistic Modeling of Local Appearance and Spatial Relationships for Object Recognition." IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp. 45-51. Santa Barbara, CA
20. Ạ Rajagopalan, K. Kumar, J. Karlekar, R. Manivasakan, M. Patil, Ụ Desai, P. Poonacha, S. Chaudhuri, (1998) ,“Finding Faces in Photographs”, Proc. 6th IEEE Conf. Computer Vision (ICCV’98), pp. 640-645.
21. P. Viola, M. Jones, ( Jul 2001), “Robust Real Time Object Detection”, Proc. IEEE ICCV Workshop on Statistical and Computational Theories of Vision.
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnụedụvn 64
22. Stan Z. Li, Zhen Qiu Zhang, ( Sep 2004) ,“FloatBoost Learning and Statistical Face Detection”, IEEE Transaction on Pattern Analysis and Machine Intelligence (PAMI), Vol. 26, No, pp. 1-12.
23. Ỵ S. Abu-Mostafa, D. Psaltis, “Optical Neural Computers,” Scientific American, Vol. 256, pp. 88-95, 1987.
24. R. Brunelli, T. Poggio, “HyperBF Networks for Gender Classification,” Proceeding of DARPA Image Understanding Workshop, pp. 311-314, 1992. 25. T. Kohonen, Self-Organization and Associative Memory, Springer-Verlag,
1988.
26. N. Jamil, S. Lqbal, and N. Iqbal, “Face recognition using neural networks,” IEEẸ Conference on INMIC, 2001, pp. 277-281
27. P.Latha, Dr.L.Ganesan & Dr.S.Annadurai, Face Recognition using Neural Networks , Signal Processing: An International Journal (SPIJ) Volume (3) : Issue (5), 153, 2009
28. Yas Abbas Alsultanny, Musbah M. Aqel, Pattern recognition using multilayer neural-genetic algorithm, Neurocomputing 51 (2003) 237 – 247.
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnụedụvn 65
LỜI CAM ĐOAN
Tôi xin cam đoan Luận văn “ Nhận dạng ảnh mặt ngƣời dùng mạng nơron nhân tạo và giải thuật di truyền” là công trình nghiên cứu của riêng tôi dƣới sƣ̣ hƣớng dẫn của PGS .TS. Lê Bá Dũng. Toàn bộ phần mềm do chính tôi lậ p trình và kiểm thƣ̉. Tôi xin chịu trách nhiệm về lời cam đoan của mình.
Các số liệu và thông tin sử dụng trong luận văn này là trung thực.
Tác giả
Phạm Thị Mai Hƣơng
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnụedụvn 66
MỤC LỤC
Trang Trang phụ bìa
Lời cam đoan ... i
Mục lục ... ii
Danh mục các hình ... v
MỞ ĐẦU ... 1
Chƣơng 1... 4
TỔNG QUAN ... 4
1.1 BÀI TOÁN NHẬN DẠNG MẶT NGƢỜI VÀ NHỮNG KHÓ KHĂN ... 4
1.1.1 Bài toán nhận dạng mặt ngƣời ... 4
1.1.2 Những khó khăn của nhận dạng khuôn mặt ... 4
1.2 CÁC ỨNG DỤNG LIÊN QUAN ĐẾN NHẬN DẠNG MẶT NGƢỜI ... 5
1.3 TỔNG QUAN KIẾN TRÚC CỦA MỘT HỆ THỐNG NHẬN DẠNG MẶT NGƢỜI ... 6
1.4. GIỚI HẠN PHẠM VI ĐỀ TÀI ... 7
1.5 CÁC HƢỚNG TIẾP CẬN LIÊN QUAN ĐẾN PHÁT HIỆN VÀ NHẬN DẠNG KHUÂN MẶT ... 7
1.6 CÁC TIẾP CẬN DÙNG MẠNG NƠRON ... 9
Chƣơng 2... 11
CƠ SỞ LÝ THUYẾT ... 11
2.1. CƠ SỞ LÝ THUYẾT MẠNG NƠRON NHÂN TẠO ... 11
2.1.1. Khái niệm mạng nơron nhân tạo ... 11
2.1.1.1.Nơron nhân tạo ... 11
2.1.1.2. Mạng nơron nhân tạo ... 12
2.1.1.3.Các ứng dụng của mạng nơron ... 12
2.1.2.Mô hình toán học và kiến trúc mạng nơron nhân tạo ... 12
2.1.2.1.Mô hình toán học của mạng nơron ... 12
2.1.2.2. Kiến trúc mạng ... 14
2.1.3. Huấn luyện mạng ... 17
2.1.3.1.Hoạt động của mạng ... 17
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnụedụvn 67 2.1.3.2. Huấn luyện mạng ... 17 2.1.3.3. Một số luật học ... 19 2.1.4. Mạng Perceptron... 20 2.1.4.1.Kiến trúc mạng ... 20 2.1.4.2. Huấn luyện mạng ... 21 2.1.5. Mạng Perceptron đa lớp ... 24 2.1.5.1.Kiến trúc mạng ... 25 2.1.5.2. Huấn luyện mạng ... 26
2.2. CƠ SỞ LÝ THUYẾT GIẢI THUẬT DI TRUYỀN ... 29
2.2.1. Khái niệm ... 29
2.2.2. Động lực ... 29
2.2.3. Giải thuật di truyền ... 30
2.2.4. Thể hiện các giả thuyết ... 34
2.2.5. Các toán tử di truyền ... 35
2.2.6. Hàm thích nghi và sự chọn lọc ... 37
2.3. CƠ SỞ LÝ THUYẾT VECTOR ĐẶC TRƢNG THÀNH PHẦN PCA ... 38
2.3.1 Khái niệm và định nghĩa ... 38
2.3.2. Ứng dụng PCA trích đặc trƣng ảnh ... 40
Chƣơng 3 ... 43
PHƢƠNG PHÁP NHẬN DẠNG MẶT NGƢỜI MLP-PCA-GA ... 43
3.1. GIỚI THIỆU ... 43 3.2 HỆ THỐNG NHẬN DẠNG DÙNG MẠNG MLP DÙNG ĐẶC TRƢNG PCA ... 43 3.2.1 Trích đặc trƣng PCA ... 43 3.2.2 Thiết kế mạng MLP ... 45 3.2.3. Huấn luyện mạng MLP ... 46
3.3 TỐI ƢU VIỆC HUẤN LUYỆN MẠNG MLP BẰNG GẠ... 47
3.4 CƠ SỞ DỮ LIỆU ĐỂ ĐÁNH GIÁ THỬ NGHIỆM ... 49
3.5 KẾT QUẢ THỬ NGHIỆM VÀ ĐÁNH GIÁ ... 50
3.5.1 Môi trƣờng và công cụ để thực nghiệm các phƣơng pháp ... 51
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnụedụvn 68
3.5.2. Đánh giá hiệu quả tối ƣu quá trình huấn luyện của phƣơng pháp dùng MLP-
PCA và MLP-PCA-GA ... 51
3.5.3. Đánh giá hiệu quả nhận dạng của các phƣơng pháp MLP-PCA và MLP-PCA- GA ... 53
3.6 KẾT LUẬN ... 55
Chƣơng 4 ... 56
PHẦN MỀM MÔ PHỎNG NHẬN DẠNG HÀNH KHÁCH TẠI SÂN BAY ... 56
4.1. GIỚI THIỆU ... 56
4.2. MÔI TRƢỜNG XÂY DỰNG ... 56
4.4. ĐÁNH GIÁ VỀ CHƢƠNG TRÌNH... 60
KẾT LUẬN – KIẾN NGHỊ ... 61
Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnụedụvn 69
DANH MỤC CÁC HÌNH VÀ BẢNG BIỂU
Hình 1.1 Ví dụ về hệ thống nhận dạng mặt ngƣờị... 4
Hình 1.2 Các bƣớc chính trong một hệ thống nhận dạng mặt ngƣời ... 6
Hình 1.3. Sơ đồ khối mạng MLP lan truyền ngƣợc ... 10
Hình 2.12. Các toán tử chung cho giải thuật di truyền ... 37
Hình 3.2: 20 mặt đặc trƣng với giá trị đặc trƣng thấp nhất ... 44
Hình 3.3. Mạng MLP sử dụng để nhận dạng mặt ... 46
Hình 3.4. Thuật toán MLP-GA ... 49
Hình 3.5 Một số ảnh trong CSDL ... 50
Bảng 3.1 Kết qủa đánh giá huấn luyện bằng MLP-PCA ... 51
Bảng 3.2 Kết qủa đánh giá hàm mục tiêu của MLP-PCA-GA ... 52
Bảng 3.3 Kết qủa đánh giá FR và TTSE bảng MLP-PCA-GA ... 52
Hình 3.6. Hiệu năng của thuật toán huấn luyện (a) MLP-PCA ... 53
Bảng 3.4 So sánh FR của 02 phƣơng pháp... 54
Bảng 3.5 So sánh FR của 02 phƣơng pháp... 54
Hình 3.7. Tỷ lệ nhận dạng đúng (RR) của 2 phƣơng pháp trong test 1 (8 ảnh), test 2 (12), va test 3(24). ... 54
Hình 4.1: Giao diện chính... 56
Hình 4.2: Huấn luyện ảnh hành khách ... 57
Hình 4.3: Thêm thông tin về hộ chiếu hành khách ... 57
Hình 4.4: Thêm thông tin về chuyến bay ... 58
Hình 4.5: Form nhận dạng ảnh hành khách ... 58
Hình 4.6: Kết quả nhận dạng ... 59
Hình 4.7: Thông tin chi tiết về hành khách ... 59
Hình 4.8: Thông tin chi tiết về hộ chiếu ... 60
Hình 4.9: Thông tin chi tiết về chuyến bay ... 60