4. Những đóng góp mới của đề tài
1.3.4.6MÔ HÌNH MARKOW ẨN ( HIDDEN MARKOW MODEL
Young dùng HMM 2 chiều hình 1.13 để rút trích đặc trưng khuôn mặt dùng để nhận dạng khuôn mặt. HMM khai thác cấu trúc khuôn mặt tuân theo các chuyển tiếp trạng thái. Các vùng đặc trưng quan trọng như trán, mắt, mũi, miệng tác giả phân tích theo tự nhiên từ trên xuống dưới, mỗi vùng được thiết kế thành một trạng thái một chiều. Mỗi ảnh được phân đoạn thành năm vùng theo thứ tự từ trên xuống dưới tạo thành năm trạng thái. Giả thuyết quan trọng của mô hình Markow ẩn là các mẫu có thể được đặc tính hóa như các tiến trình ngẫu nhiên có tham số và các tham số này được ước lượng chính xác. Khi phát triển HMM để giải quyết cho bài toán nhận dạng mẫu, phải xác định rõ có bao nhiêu trạng thái ẩn đầu tiên cho hình thái mô hình. Sau đó, huấn luyện HMM học xác suất chuyển tiếp giữa các trạng thái từ các mẫu, các mẫu này được mô tả như một chuỗi các quan sát. Mục tiêu của HMM là cực đại hóa xác suất của quan sát từ dữ liệu huấn luyện bằng cách điều chỉnh các tham số trong mô hình thông qua phương pháp phân đoạn Viterbi chuẩn và các thuật toán Baum Welch. Có nghĩa là chia một khuôn mặt thành nhiều vùng khác nhau như đầu, mắt, mũi,… Có thể nhận dạng mẫu khuôn mặt bằng một tiến trình xem các vùng quan sát theo thứ tự thích hợp. Mục tiêu của hướng tiếp cận này là kết hợp các vùng đặc trưng khuôn mặt với các trạng thái của mô hình. Thông thường các phương pháp dựa vào HMM sẽ xem xét một mẫu
khuôn mặt như một chuỗi các vector quan sát, với mỗi vector là một dãy các điểm ảnh hình 1.14, sau đó áp dụng một định hướng theo xác suất để chuyển từ trạng thái này sang trạng thái khác , hình 1.14 dữ liệu ảnh được chuyển sang mô hình hóa bằng phân bổ Gauss nhiều biến.
Hình 1.13 Dùng HMM xác định khuôn mặt
Hình 1.14 Mô hình Markow ẩn