Đang tải... (xem toàn văn)
Nhận dạng khuôn mặt là một trong những lĩnh vực mới của xử lý ảnh. Và ngày nay nhận dạng được sử dụng rộng rãi trong nhiều lĩnh vực của đời sống như nhận dạng trong lĩnh vực thương mại, hay phát hiện trong lĩnh vực an ninh, hay trong xử lý video, hình ảnh. Một trong những ứng dụng tiểu biểu nhận dạng đang sử dụng phổ biến hiện này trong nhận dạng khuôn mặt người là ứng dụng trong điện thoại di động cụ thể như IphoneX và Sangsung đang sử dụng. Hiện nay có rất nhiều các Phương pháp nhận dạng khác nhau được xây dựng để nhận dạng một người cụ thể trong thế giới thực. ta có thể nói tới một số phương pháp như: học máy và học sâu.Tuy nhiên hai phương pháp này lại có nhược điểm lớn là phải xây dựng một tập cơ sở dữ liệu lớn và đồng thời việc xử lý dữ liệu lớn đòi hỏi phải nhanh và chính xác. Vậy nên hai phương pháp trên sẽ mất thời gian để nhận dạng. Nhiệm vụ đặt ra là nghiên cứu và xây dựng một chương trình sử dụng Phương pháp nhận dạng có độ chính xác cao mà khối lượng và thời gian tính toán lại ít. Để giải quyết vấn đề trên tôi xin đề xuất ra phương pháp phát hiện khuôn mặt bằng Viola jone face detection, WLD và kết hợp trích chọn đặc trưng (PCA) và phân lớp SVM để nhận dạng khuôn mặt. Phương pháp PCA giảm bớt số thành phần không cần thiết tạo ra hiệu quả tính toán nhanh mà vẫn đảm bảo được độ chính xác. Sau khi PCA đưa ra được các đặc trưng tốt sẽ dùng SVM để phân lớp và nhận khuôn mặt. Luận văn này sẽ tập trung nghiên cứu phương pháp Viola jone face detection, WLD, PCA, SVM để nhận dạng khuôn mặt người
ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ NGUYỄN THỊ THUỶ PHƯƠNG PHÁP NHẬN DẠNG KHUÔN MẶT NGƯỜI VÀ ỨNG DỤNG TRONG QUẢN LÝ NHÂN SỰ Ngành: Khoa học máy tính Chun Ngành: Cơng Nghệ Thơng Tin Mã Số: TĨM TẮT LUẬN VĂN THẠC SỸ CƠNG NGHỆ THÔNG TIN HÀ NỘI-NĂM 2018 1|Page Nguyễn Thị Thuỷ MỤC LỤC MỤC LỤC DANH MỤC CÁC TỪ VIẾT TẮT Error! Bookmark not defined PHẦN MỞ ĐẦU Lý chọn đề tài Mục đích nghiên cứu luận văn, đối tượng, phạm vi nghiên cứu 3 Nội dung luân văn 2.1 Phát khuôn mặt (Viola Jone Face detection) 2.2 Trích chọn đặc trưng Weber local Descripor- WLD 2.3 Ứng dụng PCA nhận dạng khuôn mặt 10 2.3.1 Các bước thực trích chọn đặc trưng PCA 10 2.4 Học máy hộ trợ vestor SVM 11 2.5 Kết thực nghiệm 11 2.6 Ứng dụng quản lý nhân Error! Bookmark not defined 2.6.1 Mơ hình nhận dạng quản lý nhân Error! Bookmark not defined 2.6.2 Giao diện hình chức nhận dạng Error! Bookmark not defined 2.6.3 Giao diện hình chức quản lý phận Error! Bookmark not defined 2.6.4 Giao diện hình chức quản lý phòng ban Error! Bookmark not defined 2.6.5 Giao diện hình chức quản lý nhân Error! Bookmark not defined KẾT LUẬN 13 2|Page Nguyễn Thị Thuỷ PHẦN MỞ ĐẦU Lý chọn đề tài Nhận dạng khuôn mặt lĩnh vực xử lý ảnh Và ngày nhận dạng sử dụng rộng rãi nhiều lĩnh vực đời sống nhận dạng lĩnh vực thương mại, hay phát lĩnh vực an ninh, hay xử lý video, hình ảnh Một ứng dụng tiểu biểu nhận dạng sử dụng phổ biến nhận dạng khuôn mặt người ứng dụng điện thoại di động cụ thể IphoneX Sangsung sử dụng Hiện có nhiều Phương pháp nhận dạng khác xây dựng để nhận dạng người cụ thể giới thực ta nói tới số phương pháp như: học máy học sâu.Tuy nhiên hai phương pháp lại có nhược điểm lớn phải xây dựng tập sở liệu lớn đồng thời việc xử lý liệu lớn đòi hỏi phải nhanh xác Vậy nên hai phương pháp thời gian để nhận dạng Nhiệm vụ đặt nghiên cứu xây dựng chương trình sử dụng Phương pháp nhận dạng có độ xác cao mà khối lượng thời gian tính tốn lại Để giải vấn đề xin đề xuất phương pháp phát khuôn mặt Viola jone face detection, WLD kết hợp trích chọn đặc trưng (PCA) phân lớp SVM để nhận dạng khuôn mặt Phương pháp PCA giảm bớt số thành phần không cần thiết tạo hiệu tính tốn nhanh mà đảm bảo độ xác Sau PCA đưa đặc trưng tốt dùng SVM để phân lớp nhận khuôn mặt Luận văn tập trung nghiên cứu phương pháp Viola jone face detection, WLD, PCA, SVM để nhận dạng khuôn mặt người Mục đích nghiên cứu luận văn, đối tượng, phạm vi nghiên cứu Mục đích luận văn: Nghiên cứu đề tài nhằm mục đích tìm hiểu tốn nhận dạng khn mặt, từ xây dựng hệ thống ứng dụng thực tiễn như: điểm danh, giam sát người vào, an ninh sân bay Đối tượng và phạm vi áp dụng: Đề tài tập trung tìm hiểu số phương pháp nhận dạng khuôn mặt người phổ biến đưa phương án nhận dạng cho tốn nhận dạng khn mặt người Để đặt mục tiêu đề tài tập trung tìm hiểu nội dung sau: 3|Page Nguyễn Thị Thuỷ - Tìm hiểu phương pháp phát khn mặt(Viola Jones Face Detection): Sử dụng thuật tốn để phát khn mặt - Trích chọn đặc trưng(Weber Local Description – WLD) - Phương pháp trích chọn đặc trưng PCA, sở tốn học PCA - Phương pháp phân lớp liệu SVM, sở toán học SVM Nội dung luân văn Luận văn gồm chương, cụ thể sau: Chương 1: BÀI TỐN NHẬN ĐỐI TƯỢNG NHẬN DẠNG KHN MẶT Giới thiệu cách thức nhận dạng người Vì nên nhận dạng người khuôn mặt Tầm quan trọng toán thực tiễn Một số ứng dụng thực tiễn tốn nhận dạng khn mặt Chương 2: CÁC KỸ THUẬT CHO NHẬN DẠNG KHUÔN MẶT Giới thiệu phương pháp sử dụng nhận dạng khuôn mặt sử dụng luận văn phương pháp phát khn mặt, phương pháp trích chọn đặc trưng máy vector hỗ trợ Chương 3: ỨNG DỤNG CÁC KỸ THUẬT TRONG NHẬN DẠNG KHUÔN MẶT Đưa phương án xây dựng tốn, mơ hình tốn, bước thực đánh giá thử nghiệm 4|Page Nguyễn Thị Thuỷ CHƯƠNG 1: BÀI TOÁN NHẬN ĐỐI TƯỢNG NHẬN DẠNG KHUÔN MẶT Giới thiệu cách thức nhận dạng người Vì nên nhận dạng người khn mặt Tầm quan trọng toán thực tiễn Một số ứng dụng thực tiễn toán nhận dạng khuôn mặt CHƯƠNG 2: CÁC KỸ THUẬT CHO NHẬN DẠNG KHUÔN MẶT Ở chương giới thiệu bốn phương pháp nhận dạng khuôn mặt sử dụng luận Phương pháp phát khuôn mặt sử dụng Viola Jone Face Detection, Trích chọn đặc trưng weber local descripor, phương pháp trích chọn đặc trưng PCA máy vestor hỗ trợ SVM CHƯƠNG 3: ỨNG DỤNG CÁC KỸ THUẬT TRONG NHẬN DẠNG KHN MẶT 2.1 Phát khn mặt (Viola Jone Face detection) - Haar features: ý tưởng : độ sáng tối vùng gương mặt khác Ví dụ: vùng mắt tối vùng má, vùng mũi sáng vùng hai bên - Kết đặc trưng tính hiệu tổng pixel miền ô trắng trừ tổng pixel miền ô đen 5|Page Nguyễn Thị Thuỷ hình 0.1Haar Features sử dụng Violo Jones hình 0.2Applying on a give image Thuật toán viola jones sử dụng cửa sổ 24x24 để đánh giá đặc trưng ảnh Nếu xem xét tất tham số đặc trưng, ta tính khoảng 160.000+ đặc trưng cho cửa sổ - Integral Image: giá trị pixel (x, y) tổng pixel bên trái (x,y) Cho phép tính tổng pixel hình chữ nhật với giá trị góc 6|Page Nguyễn Thị Thuỷ Trong pixels: D=1 + – (2+3) = A + (A + B +C + D)- (A+C + B) = D - Có nhiều đặc trưng lấy từ cửa sổ có số hữu dụng việc nhận diện khuôn mặt - Sử dụng thuật tốn adaboost để tìm đặc trưng tốt Sau đặc trưng gán cho trọng số để tạo nên hàm đánh giá định xem cửa sổ có khn mặt hay khơng Mỗi đặc trưng chọn chúng thể tốt đoán ngẫu nhiên (phát nhiều nửa) - Các đặc trưng gọi phân lớp yếu Chúng tổ hợp tuyến tính để tạo phân lớp mạnh F(x) = ∝1 𝑓1 (x) +∝2 𝑓2 (x) +∝3 𝑓3 (x) ∆ ∆ Strong clasifier Weak classifier - Mặc dù ảnh chứa nhiều khn mặt số lượng vật khuôn mặt lớn nhiều => thuật toán nên tập trung vào việc bỏ vật khuôn mặt cách nhanh chóng - Một phân lớp cascade (cascade classifier) sử dụng tất đặc trưng nhóm vào vài stage Mỗi stage gồm số đặc trưng 7|Page Nguyễn Thị Thuỷ - Mỗi stage sử dụng để xác định cửa số có phải khn mặt hay khơng Trích chọn đặc trưng Weber local Descripor- WLD Weber local Description (WLD): việc nhận thức người vật mẫu không phụ thuộc vào thay đổi kích thích (âm thanh, ánh sáng…) mà phụ thuộc vào cường độ gốc kích thích WLD gồm thành phần chính: differential excitation gradient orientation ảnh xây dựng histogram dựa thành phần - Different excitations Sử dụng khác cường độ pixel hàng xóm để miêu tả thay đổi pixel => mơ q trình nhận dạng mẫucủa người Ic: cường độ pixel Ii: cường độ pixel lân cận I = (0,1,…p-1) p: số pixel lân cận Sự khác thành phần tử tâm lân cận 𝑓𝑖𝑓 (I) = ∆𝐼𝑖 = 𝐼𝑖 - 𝐼𝑖 2.2 Tỉ lệ điểm sai khác với phần tử tâm ∆𝐼𝑖 𝑓𝑟𝑎𝑑𝑖𝑜 (∆𝐼𝑖 ) = 𝐼𝑐 Tổng sai khác: 8|Page Nguyễn Thị Thuỷ ∆𝐼 𝑝−1 ∆𝐼𝑖 𝐼𝑖 𝑓𝑠𝑢𝑚 ( 𝑖) = ∑𝑖=0 ( 𝐼𝑒 Sử dụng hàm arctangent hàm lọc để giảm nhiễu: 𝑝=1 ∆𝐼 𝐼𝑐 𝑝−1 𝐼𝑖− 𝐼𝑖 )] 𝐼𝑖 𝑓𝑚𝑖𝑛 [∑𝑖=0 ( 𝑖)] = arctan [(∑𝑖=0 - Orientation Để đơn giản, giá trị Ɵ lượng tử hoá T hướng trước lượng tự giá trị Ɵ đưa [0, II] - WLD histogram Phần 0, 5: biến đổi tần số cao Phần 1, 4: biến đổi tần số trung bình Phần 2, 3: biến đổi tần số thấp Mỗi phần có vài trị khác nhiệm vụ phân lớp cần đánh giá trọng số cho phần Một cách phổ biến tính tỉ lệ nhận dạng cho phần R={𝑟𝑚 } 𝑤𝑚 = 𝑟𝑚 /∑𝑖 𝑟𝑖 9|Page Nguyễn Thị Thuỷ Ứng dụng PCA nhận dạng khn mặt Mục đích: Mục tiêu phương pháp PCA “giảm số chiều” tập vector cho đảm bảo “ tối đa thông tin quan trọng nhất” phương pháp PCA giữ lại K thuộc tính “mới” từ M thuộc tính ban đầu (K