Sirohey đƣa một phƣơng pháp phát hiện mặt từ một ảnh có hình nền phức tạp [28]. Phƣơng pháp dựa trên cạnh, dùng phƣơng pháp Candy [14] và heuristics để loại bỏ các cạnh để còn lại duy nhất một đƣờng bao xung quanh khuôn mặt. Một hình ellipse dùng để bao khuôn mặt, tách biệt vùng đầu và hình nền. Tỷ lệ chính xác của thuật toán là 80%.
Cũng dùng phƣơng pháp cạnh nhƣ Sirohey, Chetverikov và Lerch dùng một phƣơng pháp dựa trên blob và streak (hình dạng giọt nƣớc và sọc
36
xen kẽ), để xác định theo hƣớng các cạnh. Hai ông dùng hai blob tối và ba blob sáng để mô tả hai mắt, hai bên gò má, và mũi. Mô hình này dùng các treak để mô tả hình dáng ngoài của khuôn mặt, lông mày, và môi. Dùng ảnh có độ phân giải thấp theo biến đổi Laplace để phát hiện mặt thông qua blob. Graf đƣa ra một phƣơng pháp xác định đặc trƣng rồi phát hiện mặt trong ảnh xám [11]. Dùng bộ lọc để làm nổi các biên, các phép toán hình thái học (morphology) đƣợc dùng để làm nổi bật các vùng có cƣờng độ cao và hình dáng chắc chắn (nhƣ mắt). Thông qua histogram để tìm các đỉnh nổi bật để xác định các ngƣỡng chuyển ảnh xám thành hai ảnh nhị phân. Các thành phần dính nhau đều xuất hiện trong hai ảnh nhị phân thì đƣợc xem là vùng của ứng cử viên khuôn mặt rồi phân loại xem có phải là khuôn mặt không. Phƣơng pháp đƣợc kiểm tra trên các ảnh chỉ có đầu và vai của ngƣời. Tuy nhiên còn vấn đề, làm sao sử dụng các phép toán morphology và làm sao phát hiện mặt trên các vùng ứng viên.
Leung trình bày một mô hình xác suất để phát hiện mặt ở trong ảnh có hình nền phức tạp trên cơ sở một bộ xác định đặc trƣng cục bộ và so khớp đồ thị ngẫu nhiên [32]. Ý chính là xem bài toán phát hiện mặt nhƣ là bài toán tìm kiếm với mục tiêu là tìm thứ tự các đặc trƣng chắc chắn của khuôn mặt để tạo thành giống nhất một mẫu khuôn mặt. Dùng năm đặc trƣng (hai mắt, hai lỗ mũi, phần nối giữa mũi và miệng) để mô tả một khuôn mặt. Luôn tính quan hệ khoảng cách với các đặc trƣng cặp (nhƣ mắt trái, mắt phải), dùng phân bố Gauss để mô hình hoá. Một mẫu khuôn mặt đƣợc đƣa ra thông qua trung bình tƣơng ứng cho một tập đa hƣớng, đa tỷ lệ của bộ lọc đạo hàm Gauss. Từ một ảnh, các đặc trƣng ứng viên đƣợc xác định bằng cách so khớp từng điểm ảnh khi lọc tƣơng ứng với vector mẫu (tƣơng tự mối tƣơng quan), chọn hai ứng viên đặc trƣng đứng đầu để tìm kiếm cho các đặc trƣng khác của khuôn mặt. Giống nhƣ xây dựng một đồ thị quan hệ mỗi node của đồ thị tƣơng ứng nhƣ các đặc trƣng của một khuôn mặt, đƣa xác suất vào để xác định. Tỷ lệ xác định chính xác là 86%.
Bên cạnh tính khoảng cách liên quan để mô tả quan hệ giữa các đặc trƣng nhƣ Leung [32]. Kendall [6] dùng lý thuyết xác suất thống kê về hình dáng. Dùng hàm mật độ xác suất (Probility Density Function - PDF) qua N điểm đặc trƣng, tƣơng ứng (xi, yi) là đặc trƣng thứ i với giả sử dựa vào phân bố Gauss có 2N-chiều. Các tác giả áp dụng phƣơng thức cực đại khả năng (Maximum- Likelihood - ML) để xác định vị trí khuôn mặt. Một thuận lợi của phƣơng pháp này là các khuôn mặt bị che khuất vẫn có thể
37
xác định đƣợc. Nhƣng phƣơng pháp không xác định đƣợc đa khuôn mặt trong ảnh.
Yow và Cipolla [17] trình bày một phƣơng thức dựa vào đặc trƣng, dùng số lƣợng lớn các dấu hiệu từ ảnh và cả dấu hiệu về ngữ cảnh. Đầu tiên dùng bộ lọc đạo hàm Gauss thứ hai, xác định các điểm mấu chốt ở tại cực đại địa phƣơng trong bộ lọc, rồi chỉ ra nơi có thể là đặc trƣng. Giai đoạn hai, kiểm tra các cạnh xung quanh điểm mấu chốt và nhóm chúng lại thành các vùng. Tiêu chuẩn để nhóm các cạnh là gần và tƣơng tự hƣớng và cƣờng độ. Đo lƣờng các đặc tính vùng nhƣ: chiều dài cạnh, cƣờng độ cạnh, và biến thiên cƣờng độ đƣợc lƣu trong một vector đặc trƣng. Từ dữ liệu đặc trƣng khuôn mặt đã đƣợc huấn luyện, sẽ tính đƣợc giá trị trung bình và ma trận hiệp phƣơng sai của mỗi đặc trƣng khuôn mặt. Một vùng là ứng viên khuôn mặt khi khoảng cách Mahalanobis giữa các vector đặc trƣng đều dƣới một ngƣỡng. Rồi thông qua mạng Bayes để xác định ứng viên có phải là khuôn mặt không. Tỷ lệ chính xác là 85%, tuy nhiên mức độ sai là 28%, và chỉ hiệu quả với hình khuôn mặt có kích thƣớc 60x60 điểm ảnh. Phƣơng pháp này đƣợc dùng thêm với mô hình đƣờng viền linh hoạt.
Takacs và Wechsler trình bày một phƣơng pháp dựa trên tích đặc trƣng võng mạc và cử động theo dao động nhỏ của mắt. Thuật toán hoạt động trên bản đồ hay vùng của các mấu chốt, mô hình hoá lƣới võng mạc. Đầu tiên tính toán ƣớc lƣợng thô vùng khuôn mặt trên cơ sở bộ lọc. Giai đoạn thứ hai tinh chế trên độ phân giải mịn hơn. Tỷ lệ sai là 4.69%.
Han phát triển một kỹ thuật trên cơ sở morphology để trích các đoạn giống mắt (eyeanalogue) để phát hiện mặt ngƣời. Ông nói rằng mắt và lông mày là đặc trƣng nổi bật nhất và ổn định nhất của khuôn mặt con ngƣời, và nó rất hữu dụng để phát hiện mặt ngƣời. Ông định nghĩa các đoạn giống mắt nhƣ là các cạnh trên đƣờng viền của mắt. Đầu tiên, các phép toán morphology nhƣ đóng, cắt bỏ sai khác, và phân ngƣỡng để trích các điểm ảnh có giá trị cƣờng độ thay đổi đáng kể. Các điểm ảnh này sẽ trở thành các điểm ảnh giống mắt. Sau đó một tiến trình gán nhãn để sinh các đoạn giống mắt. Các đoạn này đƣợc dùng để chỉ dẫn tìm kiếm các vùng tiềm năng có thể là khuôn mặt qua kết hợp các đặc tính hình học của mắt, mũi, lông mày, và miệng. Các vùng này sẽ đƣợc một mạng neural xem xét có phải là khuôn mặt không, giống [9]. Theo tác giả tỷ lệ chính xác là 94%.
38
Amit đƣa ra phƣơng thức phát hiện mặt dựa trên hình dáng và áp dụng cho các khuôn mặt chụp thẳng. Có hai giai đoạn để phát hiện mặt ngƣời: tập trung và phân loại chi tiết. Làm có thứ tự các mảnh cạnh, các mảnh này đƣợc trích từ bộ xác định cạnh đơn giản thông qua sự khác biệt cƣờng độ là quá trình tập trung. Khi có các ứng viên từ quá trình trên, dùng thuật toán CART để xây dựng một cây phân loại từ các ảnh để huấn luyện, để xem xét ứng viên nào là khuôn mặt ngƣời.
Jin dùng cấu trúc hình học của khuôn mặt ngƣời để tìm ứng viên khuôn mặt trong ảnh xám và hình nền không phức tạp. Mỗi ảnh chỉ có một khuôn mặt ngƣời, nhƣng tƣ thế điều kiện ánh sáng, không cố định. Tỷ lệ chính xác khoảng 94.25% và thời gian khá nhanh.
Chan và Lewis [30] dùng kỹ thuật lọc để loại bớt tác động của ánh sáng, sau đó phân đoạn để tìm vị trí các ứng viên là con mắt. Từ các ứng viên này xây dựng mạng neural nhƣ Rowley [10] để phát hiện mặt ngƣời. Phƣơng pháp này có thể xác định nhiều khuôn mặt trong một ảnh, các khuôn mặt này có thể có các tƣ thế, vị trí, tỷ lệ khác nhau. Tỷ lệ chính xác là 53%.
Kruppa [12] dùng sắc màu của da ngƣời để tìm ứng viên, nhƣng ông không xử lý cho từng điểm ảnh theo cách thông thƣờng, mà ông dùng mô hình màu da ngƣời trên từng phần nhỏ rồi xử lý phân đoạn trên đó. Sau khi có ứng viên khuôn mặt, ông dùng một số đặc tính về hình dáng để phát hiện mặt ngƣời. Tỷ lệ chính xác là 85%.
Park dùng Gaze để tìm ứng viên góc mắt, miệng và tâm mắt [19]. Ông xây dựng SVM đã đƣợc học trƣớc đó để xác định các vị trí ứng viên có phải là góc mắt, miệng, và tâm mắt hay không để theo vết con mắt ngƣời.
Sato [13] dùng quan hệ đƣờng viền ở cằm của khuôn mặt. Tác giả chia làm hai trƣờng hợp: thon dài và tròn để xem xét. Tác giả dùng GA để xem xét mối tƣơng quan của đƣờng cong, hình dáng khuôn mặt để phát hiện mặt.
Chai và Ngan xây dựng phƣơng pháp phát hiện mặt ngƣời dựa trên đặc trƣng về: quan hệ hình học, mật độ, độ chói trong ảnh màu chỉ có đầu và vai của ứng viên để xác định. Kim [16] cũng phân đoạn để tìm ứng viên
39
khuôn mặt, nhƣng xác thực khuôn mặt thông qua các cấu trúc các đặc trƣng mắt, mũi, miệng, và đƣờng viền của ứng viên.
Jang [21] dùng phân bố màu da để phân đoạn tìm ứng viên rồi dùng các đặc trƣng hình học để phát hiện mặt. Christian và Jonh xây dựng một loại đặc trƣng mới, đó là đặc trƣng về độ cong của các đƣờng trên khuôn mặt để giải quyết vấn đề điều kiện ánh sáng. Từ đặc trƣng cong này, hai ông quay lại phƣơng pháp PCA để phát hiện mặt.
Juan và Narciso xây dựng một không gian màu mới YCg’Cr’ để lọc các vùng là ứng viên khuôn mặt dựa trên sắc thái của màu da ngƣời. Sau khi có ứng viên, hai ông dùng các quan hệ về hình dáng khuôn mặt, mức độ cân đối của các thành phần khuôn mặt để phát hiện mặt ngƣời. Tƣơng tự, Chang và Hwang cũng dùng một phƣơng thức dùng không gian mầu Ycg’Cr’, tỷ lệ chính xác hơn 80% trong ảnh xám.
Dae và Nam xem xét các đặc trƣng không thay đổi khi thay đổi tƣ thế của khuôn mặt bằng cách xem xét các quan hệ hình học. Sau đó ƣớc lƣợng các tƣ thế của khuôn mặt rồi xây dựng dữ liệu để xác định thông qua PCA. Tỷ lệ chính xác là 76%.
Jin xây dựng một bộ lọc để xác định ứng viên khuôn mặt ngƣời theo màu da ngƣời. Từ ứng viên này tác giả phát hiện mặt ngƣời theo hình dáng khuôn mặt và các quan hệ đặc trƣng về thành phần khuôn mặt, với mắt phải đƣợc chọn làm gốc toạ độ để xét quan hệ. Tỷ lệ chính xác cho khuôn mặt chụp thẳng trên 80%.