23 .2.2 Tim ra các luật
6.1 Nhận dạng ảnh khuôn mặt ngườ i
Như chúng ta đã biết, các nghiên cứu và ứng dụng công nghệ nhận dạng đã phát triển nhanh chóng nhừng năm vừa qua. Công nghệ nhận dạng mặt người đã và đang được đưa vào nhiều ứng dụng trong thực tiễn, có thể kể ra các ứng
d ụ n g điển h ìn h n h ư :
• K iể m s o á t v à o - r a : X á c th ự c các đ ổ i t ư ợ n g x u ấ t c ả n h n h ậ p cản h hay các
đối tượng truy nã qua ảnh chân dung.
• K iể m s o á t a n n in h c ô n g c ộ n g q u a h ệ th ố n g c a m e r a
• T ìm k iế m d ữ liệu c ó ả n h k h u ô n m ặ t trê n c ơ s ở d ữ liệu đ a p h ư ơ n g tiện, ví
dụ tìm kiểm các đoạn phim có hình ảnh của một nhân vật,..
• X á c đ ịn h các t rạ n g thái cảm x ú c trê n k h u ô n m ặ t tro n g c á c hệ th ố n g tư ơ n g tác n g ư ờ i - m á y
• C ả n h b á o c h o các lái xe nếu ng ư ờ i lái c ó b iể u h iện n g ủ gật • C á c ứ n g d ụ n g tro n g n g h iê n c ứ u , th iế t kế v à đ iề u k h iển r o b o t • ứ n g d ụ n g c ủ a các h ã n g sản x u ấ t m á y c h ụ p h ì n h k ỹ th u ậ t số
Để áp dụng thành công nghệ công vào ứng dụng thì các hệ thống nhận dạng phải có khả năng nhận dạng tốt khi có các thay đổi trên ảnh khuôn mặt.
T h e o tự n h iê n , k h u ô n m ặ t c ủ a con n g ư ời sẽ có th a y đ ổ i th eo thờ i gian do s ự p h á t
triển và lão hoá. Tuy nhiên, các nhà nghiên cứu đã chứng minh được rằng trong thời kỳ trưởng thành (thời thanh niên và trung niên) thì khuôn mặt có hình dáng ổn định nhất. Trong thực tiễn, những thay đổi, khác biệt tự nhiên của các ảnh khuôn mặt là nhỏ hơn rất nhiều so với những thay đổi về điều kiện khách quan khi lấy ảnh khuôn mặt (điều kiện về ánh sáng, góc chụp, khoảng cách,...)
Khi đó bài toán nhận dạng khuôn mặt đặt ra hai vấn đề, thứ nhất là cách biễu diễn khuôn mặt với như thế nào, thứ hai là cách để phân lớp các ảnh khuôn mặt theo cách biểu diễn đã chọn.
Trong cách biểu diễn khuôn mặt theo các đặc trưng hình học như mắt, mũi, miệng, má, trán,..Khi xác định được vị trí các bộ phận trên khuôn mặt thì ta
có thông tin về kích thước, khoảng cách, tỉ lệ và các góc giừa các đặc trưng, các thông số đó sẽ dùng làm các đặc trưng để biểu diễn một khuôn mặt. Lợi thể của cách biểu diễn này là kích thước đặc trưng sẽ nhỏ, không bị ảnh hưởng bởi độ sáng tối. Nhưng đế xác định chính xác vị trí các điểm trên khuôn mặt là khó khăn, do vậy kết quả phân lớp khuôn mặt theo phương pháp này có kết quả không cao.
Ngược lại với phương pháp biếu diễn khuôn mặt theo khoảng cách hình học là phương pháp biểu diễn khuôn mặt theo các giá trị cùa từng điểm ảnh trên ảnh khuôn mặt. Theo cách biếu diễn này thì có các phương pháp phân lớp các khuôn mặt là đối sánh mẫu và mạng nơron. Chính vì không phải xác định vị trí, khoảng cách các đặc trime trên khuôn mặt nên phương pháp này có tính ứng dụng cao.
Một trong nhừng phương pháp nhận dạng khuôn mặt thành công là phương pháp đổi sánh mẫu dựa trên giá trị riêng của khuôn mặt (eigenface) bằng cách lấy đặc trưng và nhận dạng dựa trên biến đổi Karhunen Loeve (KLT) và phân tích dựa trên các thành phần chính (PCA). Khi đó các ảnh khuôn mặt được biểu diễn như là các vector trọng số trong không gian eigenface, việc phân lớp khuôn mặt được dựa trên khoảng cách của các vector đặc trưng.
Kỹ thuật vector tựa được Vapnik và các cộng sự đưa ra đã cho phép giải quyết hiệu quả bài toán nhận dạng mẫu nói chung và nhận dạng khuôn mặt nói riêng. Ý tướníỉ chính cúa phương pháp là chia các tập dừ liệu dựa vào các siêu phẳng tối ưu. Phương pháp này không những giảm thiểu được các lồi trong huấn luyện dừ liệu mẫu mà còn giảm thiểu được lồi khi phân lớp với các dữ liệu kiểm