Đang tải... (xem toàn văn)
Mua SourceCode inbox fb: https://www.facebook.com/Wigk.nam.n98/ LỜI MỞ ĐẦUHiện nay, cùng với sự phát triển của xã hội, vấn đề án ninh bảo mặt đang được yêu cầu khắt khe tại mọi quốc gia trên thế giới. Các hệ thống nhận dạng con người được ra đời với độ tin cậy ngày càng cao. Một trong những bài toán nhận dạng con người rất được quan tâm tới hiện nay là nhận dạng khuôn mặt. Vì nhận dạng khuôn mặt là cách mà con người sử dụng để phân biệ tnhau. Bên cạnh đó, ngày nay việc thu nhập, xử lý thông tin qua ảnh để nhận biết đối tượng đang được quan tâm và wungs dụng rộng rãi. Với phương pháp này, chúng ta có thể thu nhận được nhiều thông tin từ đối tượng mà không cần tác động đến đối tượng nghiên cứu. Sự phát triển của khoa học máy tính tạo ra môi trường thuận lợi cho bài toán nhận dạng mặt người từ ảnh số. Các hệ thống nhận dạng offline đã ra đời và có độ tin cậy cao, tuy nhiên các hệ thống nhận dạng online lại chưa đáp ứng được nhiều.Trong khuôn khổ đồ án này, chúng em sẽ tiếp tục giải quyết bài toán nhận dạng offline. Trong đó đối tượng được thu thập thành các file dữ liệu và đượ chuyển về trung tâm. Tại đó, các số liệu sẽ được phân tích xử lý.MỤC LỤCCHƯƠNG 1: TỔNG QUAN VỀ NHẬN DẠNG KHUÔN MẶT41.1Tổng quan về hệ thống nhận dạng khuôn mặt41.2Một số ứng dụng của hệ thống nhận dạng khuôn mặt41.3Mô tả bài toán nhận dạng khuôn mặt51.4Những khó khăn và thách thức trong bài toán nhận diện khuôn mặt51.5Kết luận chương5CHƯƠNG 2: CÁC PHƯƠNG PHÁP NHẬN DIỆN KHUÔN MẶT62.1 Phương pháp dựa trên tri thức62.1.1 Phương pháp của Yang và Huang62.1.2Phương pháp của Kotropoulos và Pitas72.2 Phương pháp dựa trên đặc trưng bất biến82.2.1 Các đặc trưng của khuôn mặt82.2.2 Kết cấu của khuôn mặt92.2.3 Màu sắc da92.2.4Đa đặc trưng102.3 Phương pháp so sánh khớp mẫu102.4 Phương pháp dựa trên diện mạo11CHƯƠNG 3: PHƯƠNG PHÁP TRÍCH CHỌN ĐẶC TRƯNG KHUÔN MẶT PCA133.1Vai trò PCA trong xử lý tín hiệu nhiều chiều133.1.1Dữ liệu nhiều chiều133.1.2Tín hiệu nhiều chiều133.1.3Vai trò PCA trong xử lý tín hiệu nhiều chiều133.2Cơ sở toán học143.2.1Một số khái niệm toán học sử dụng trong PCA143.2.2Thuật toán PCA163.3 Minh họa thuật toán PCA193.4 Ứng dụng PCA trong nhận diện khuôn mặt223.5 Kết luận chương32CHƯƠNG 4: MẠNG NEURON334.1 Các khái niệm chung về mạng neuron334.1.1Mạng neuron sinh học334.1.2Mạng nơron nhân tạo334.1.3Mô hình toán học và kiến trúc mạng nơron344.1.3.1Mô hình toán học của một nơron nhân tạo344.1.3.2Các thành phần cơ bản của mạng nơron nhân tạo344.1.3.3Kiến trúc mạng nơron364.1.4Huấn luyện mạng nơron374.1.4.1Học có giám sát (Supervised learning):384.1.4.2Học không giám sát (Unsupervised Learning):384.1.4.3Học tăng cường384.2Kết luận chương39CHƯƠNG 5: CHƯƠNG TRÌNH MÔ PHỎNG405.1Chuyển đổi giữa các dữ liệu405.2Các phép toán số học cơ bản đối với dữ liệu ảnh405.3Các hàm hiện thị ảnh trong Matlab415.4Các hàm khác được sử dụng trong để tài435.5Giới thiệu chương trình445.6Lưu đồ thuật toán465.7Chương trình mô phỏng51CHƯƠNG 1: TỔNG QUAN VỀ NHẬN DẠNG KHUÔN MẶT1.1Tổng quan về hệ thống nhận dạng khuôn mặtNhận dạng mặt người (Face recognition) là một lĩnh vực nghiên cứu của ngành Computer Vision, và cũng được xem là một lĩnh vực nghiên cứu của ngành Biometrics (tương tự như nhận dạng vân tay – Fingerprint recognition, hay nhận dạng mống mắt – Iris recognition). Xét về nguyên tắc chung, nhận dạng mặt có sự tương đồng rất lớn với nhận dạng vân tay và nhận dạng mống mắt, tuy nhiên sự khác biệt nằm ở bước trích chọn đặt trưng (feature extraction) của mỗi lĩnh vực.Hệ thống nhận dạng khuôn mặt là một ứng dụng máy tính tự động xác định hoặc nhận dạng một người nào đó từ một bức hình ảnh kỹ thuật số hoặc một khung hình video từ một nguồn video Hình 1: Mô hình hệ thống nhận dạng khuôn mặt1.2Một số ứng dụng của hệ thống nhận dạng khuôn mặtNhận dạng khuôn mặt đã được ứng dụng nhiều trong các lĩnh vực:Hệ thống tương tác giữa người và máy (điều khiển máy tính qua các cử động của khuôn mặt).Hệ thống nhận dàng người (giúp các cơ quan an ninh quản lý tốt cho con người).Hệ thống quan sát, bảo vệ, quản lý việc ra vào cho các cơ quan và công ty.Hệ thống trợ giúp lái xe, hệ thống phân tích cảm xúc trên khuôn mặt và hệ thống nhận dạng khuôn mặt cho các máy ảnh kỹ thuật số ...Ứng dụng nhận diện khuôn mặt trong điều tra tội phạm là một bước tiến đáng hoan nghênh. Tuy nhiên, trong nhiều lĩnh vực khác, nhận diện khuôn mặt đang vướng phải những vấn đề liên quan đến pháp lý, đặc biệt là ở Mỹ và các nước phát triển ở Châu Âu. Việc Facebook phải tắt hoàn toàn tính năng nhận diện khuôn mặt ở Châu Âu vào tháng 10 năm ngoài do vi phạm quyền tự do cá nhân chỉ mới là sự khởi đầu. Đấy là chưa kể đến những bằng sáng chế vốn làm đau đầu các công ty muốn triển khai công nghệ này. Rõ ràng, công nghệ nhận diện khuôn mặt vẫn chưa thể được ứng dụng một cách rộng rãi trong tất cả các lĩnh vực của cuộc sống.1.3Mô tả bài toán nhận dạng khuôn mặtNhận dạng khuôn mặt người là một kỹ thuật máy tính để xác định các vị trí và kích thước của các khuôn mặt người trong các ảnh bất kì. Kỹ thuật này nhận biết các đặc trưng của khuôn mặt và bỏ qua những thứ khác như: tòa nhà, cây cối, cơ thể ...1.4Những khó khăn và thách thức trong bài toán nhận diện khuôn mặtViệc xác định khuôn mặt người có những khó khăn nhất định như sau:Hướng (pose) của khuôn mặt đối với máy ảnh, như: nhìn thẳng, nhìn nghiêng hay nhìn từ trên xuống. Cùng trong một ảnh có thể có nhiều khuôn mặt ở những tư thế khác nhau.Sự có mặt của các chi tiết không phải là đặc trưng riêng của khuôn mặt người, như: râu quai nón, mắt kính,...Các nét mặt (facial expression) khác nhau trên khuôn mặt, như: vui, buồn, ngạc nhiên,...Mặt người bị che bởi các đối tượng khác có trong ảnh.1.5Kết luận chươngQua chương này, ta đã có cái nhìn tổng quan về hệ thống nhận dạng khuôn mặt cũng như các khó khăn trong quá trình thực hiện và nắm được mô hình nhận dạng khuôn mặt.CHƯƠNG 2: CÁC PHƯƠNG PHÁP NHẬN DIỆN KHUÔN MẶT2.1 Phương pháp dựa trên tri thứcTrong hướng tiếp cận này, các luật sẽ phụ thuộc rất lớn vào tri thức của những tác giả nghiên cứu về bài toán xác định khuôn mặt người. Đây là hướng tiếp cận dạng topdown. Dễ dàng xây dựng các luật cơ bản để mô tả các đặc trưng của khuôn mặt và các quan hệ tương ứng. Ví dụ, một khuôn mặt thường có hai mắt đối xứng nhau qua trục thẳng đứng ở giữa khuôn mặt và có một mũi, một miệng. Các quan hệ của các đặc trưng có thể được mô tả như quan hệ về khoảng cách và vị trí. Thông thường các tác giả sẽ trích đặc trưng của khuôn mặt trước tiên để có được các ứng viên, sau đó các ứng viên này sẽ được xác định thông qua các luật để biết ứng viên nào là khuôn mặt và ứng viên nào không phải khuôn mặt. Thường áp dụng quá trình xác định để giảm số lượng xác định sai.2.1.1 Phương pháp của Yang và HuangHệ thống gồm 3 mức luậtMức cao nhất, dùng một khung cửa sổ quét trên ảnh và thông qua một tập luật để tìm các ứng viên có thể là khuôn mặtMức kế tiếp, dùng một tập luật để mô tả tổng qu
LỜI MỞ ĐẦU Hiện nay, với phát triển xã hội, vấn đề án ninh bảo mặt yêu cầu khắt khe quốc gia giới Các hệ thống nhận dạng người đời với độ tin cậy ngày cao Một toán nhận dạng người quan tâm tới nhận dạng khuôn mặt Vì nhận dạng khn mặt cách mà người sử dụng để phân biệ tnhau Bên cạnh đó, ngày việc thu nhập, xử lý thông tin qua ảnh để nhận biết đối tượng quan tâm wungs dụng rộng rãi Với phương pháp này, thu nhận nhiều thơng tin từ đối tượng mà không cần tác động đến đối tượng nghiên cứu Sự phát triển khoa học máy tính tạo mơi trường thuận lợi cho tốn nhận dạng mặt người từ ảnh số Các hệ thống nhận dạng offline đời có độ tin cậy cao, nhiên hệ thống nhận dạng online lại chưa đáp ứng nhiều Trong khuôn khổ đồ án này, chúng em tiếp tục giải toán nhận dạng offline Trong đối tượng thu thập thành file liệu đượ chuyển trung tâm Tại đó, số liệu phân tích xử lý MỤC LỤC CHƯƠNG 1: TỔNG QUAN VỀ NHẬN DẠNG KHUÔN MẶT 1.1 Tổng quan hệ thống nhận dạng khuôn mặt .4 1.2 Một số ứng dụng hệ thống nhận dạng khuôn mặt 1.3 Mô tả tốn nhận dạng khn mặt 1.4 Những khó khăn thách thức tốn nhận diện khn mặt .5 1.5 Kết luận chương CHƯƠNG 2: CÁC PHƯƠNG PHÁP NHẬN DIỆN KHUÔN MẶT 2.1 Phương pháp dựa tri thức 2.1.1 Phương pháp Yang Huang .6 2.1.2 Phương pháp Kotropoulos Pitas 2.2 Phương pháp dựa đặc trưng bất biến 2.2.1 Các đặc trưng khuôn mặt 2.2.2 Kết cấu khuôn mặt 2.2.3 Màu sắc da 2.2.4 Đa đặc trưng .10 2.3 Phương pháp so sánh khớp mẫu .10 2.4 Phương pháp dựa diện mạo 11 CHƯƠNG 3: PHƯƠNG PHÁP TRÍCH CHỌN ĐẶC TRƯNG KHUÔN MẶT - PCA 13 3.1 Vai trị PCA xử lý tín hiệu nhiều chiều .13 3.1.1 Dữ liệu nhiều chiều 13 3.1.2 Tín hiệu nhiều chiều 13 3.1.3 Vai trò PCA xử lý tín hiệu nhiều chiều 13 3.2 Cơ sở toán học 14 3.2.1 Một số khái niệm toán học sử dụng PCA 14 3.2.2 Thuật toán PCA 16 3.3 Minh họa thuật toán PCA 19 3.4 Ứng dụng PCA nhận diện khuôn mặt 22 3.5 Kết luận chương 32 CHƯƠNG 4: MẠNG NEURON 33 4.1 Các khái niệm chung mạng neuron 33 4.1.1 Mạng neuron sinh học 33 4.1.2 Mạng nơ-ron nhân tạo .33 4.1.3 Mơ hình tốn học kiến trúc mạng nơ-ron 34 4.1.3.1 Mơ hình tốn học nơ-ron nhân tạo 34 4.1.3.2 Các thành phần mạng nơ-ron nhân tạo .34 4.1.3.3 4.1.4 Kiến trúc mạng nơ-ron .36 Huấn luyện mạng nơ-ron .37 4.1.4.1 Học có giám sát (Supervised learning): .38 4.1.4.2 Học không giám sát (Unsupervised Learning): 38 4.1.4.3 Học tăng cường 38 4.2 Kết luận chương .39 CHƯƠNG 5: CHƯƠNG TRÌNH MÔ PHỎNG 40 5.1 Chuyển đổi liệu 40 5.2 Các phép toán số học liệu ảnh 40 5.3 Các hàm thị ảnh Matlab .41 5.4 Các hàm khác sử dụng để tài 43 5.5 Giới thiệu chương trình .44 5.6 Lưu đồ thuật toán 46 5.7 Chương trình mơ 51 CHƯƠNG 1: TỔNG QUAN VỀ NHẬN DẠNG KHUÔN MẶT 1.1 Tổng quan hệ thống nhận dạng khuôn mặt Nhận dạng mặt người (Face recognition) lĩnh vực nghiên cứu ngành Computer Vision, xem lĩnh vực nghiên cứu ngành Biometrics (tương tự nhận dạng vân tay – Fingerprint recognition, hay nhận dạng mống mắt – Iris recognition) Xét nguyên tắc chung, nhận dạng mặt có tương đồng lớn với nhận dạng vân tay nhận dạng mống mắt, nhiên khác biệt nằm bước trích chọn đặt trưng (feature extraction) lĩnh vực Hệ thống nhận dạng khuôn mặt ứng dụng máy tính tự động xác định nhận dạng người từ hình ảnh kỹ thuật số khung hình video từ nguồn video Hình 1: Mơ hình hệ thống nhận dạng khn mặt 1.2 Một số ứng dụng hệ thống nhận dạng khuôn mặt Nhận dạng khuôn mặt ứng dụng nhiều lĩnh vực: - Hệ thống tương tác người máy (điều khiển máy tính qua cử động khuôn mặt) - Hệ thống nhận dàng người (giúp quan an ninh quản lý tốt cho người) - Hệ thống quan sát, bảo vệ, quản lý việc vào cho quan công ty - Hệ thống trợ giúp lái xe, hệ thống phân tích cảm xúc khn mặt hệ thống nhận dạng khuôn mặt cho máy ảnh kỹ thuật số Ứng dụng nhận diện khuôn mặt điều tra tội phạm bước tiến đáng hoan nghênh Tuy nhiên, nhiều lĩnh vực khác, nhận diện khuôn mặt vướng phải vấn đề liên quan đến pháp lý, đặc biệt Mỹ nước phát triển Châu Âu Việc Facebook phải tắt hồn tồn tính nhận diện khn mặt Châu Âu vào tháng 10 năm vi phạm quyền tự cá nhân khởi đầu Đấy chưa kể đến sáng chế vốn làm đau đầu công ty muốn triển khai công nghệ Rõ ràng, công nghệ nhận diện khuôn mặt chưa thể ứng dụng cách rộng rãi tất lĩnh vực sống 1.3 Mơ tả tốn nhận dạng khn mặt Nhận dạng khn mặt người kỹ thuật máy tính để xác định vị trí kích thước khn mặt người ảnh Kỹ thuật nhận biết đặc trưng khuôn mặt bỏ qua thứ khác như: tòa nhà, cối, thể 1.4 Những khó khăn thách thức tốn nhận diện khn mặt Việc xác định khn mặt người có khó khăn định sau: - Hướng (pose) khuôn mặt máy ảnh, như: nhìn thẳng, nhìn nghiêng hay nhìn từ xuống Cùng ảnh có nhiều khn mặt tư khác - Sự có mặt chi tiết đặc trưng riêng khn mặt người, như: râu quai nón, mắt kính, - Các nét mặt (facial expression) khác khuôn mặt, như: vui, buồn, ngạc nhiên, - Mặt người bị che đối tượng khác có ảnh 1.5 Kết luận chương Qua chương này, ta có nhìn tổng quan hệ thống nhận dạng khn mặt khó khăn q trình thực nắm mơ hình nhận dạng khuôn mặt CHƯƠNG 2: CÁC PHƯƠNG PHÁP NHẬN DIỆN KHUÔN MẶT 2.1 Phương pháp dựa tri thức Trong hướng tiếp cận này, luật phụ thuộc lớn vào tri thức tác giả nghiên cứu tốn xác định khn mặt người Đây hướng tiếp cận dạng top-down Dễ dàng xây dựng luật để mô tả đặc trưng khn mặt quan hệ tương ứng Ví dụ, khn mặt thường có hai mắt đối xứng qua trục thẳng đứng khn mặt có mũi, miệng Các quan hệ đặc trưng mơ tả quan hệ khoảng cách vị trí Thơng thường tác giả trích đặc trưng khn mặt trước tiên để có ứng viên, sau ứng viên xác định thông qua luật để biết ứng viên khuôn mặt ứng viên khơng phải khn mặt Thường áp dụng q trình xác định để giảm số lượng xác định sai 2.1.1 Phương pháp Yang Huang Hệ thống gồm mức luật - Mức cao nhất, dùng khung cửa sổ quét ảnh thông qua tập luật để tìm ứng viên khn mặt - Mức kế tiếp, dùng tập luật để mô tả tổng q hình dáng khn mặt - Mức cuối, dùng tập luật khác để xem xét mức chi tiết đặc trưng khn mặt Hình 2: (a) Ảnh ban đầu có độ phân giải n=1; (b), (c), (d) Ảnh có độ phân giải n=4, 8, 16 Hình 3: Một loại tri thức nghiên cứu phân tích khn mặt Các luật mức cao để tìm ứng viên như: “vùng trung tâm khn mặt” (phần tối màu Hình 3) có bốn phần với mức độ bản”, “phần xung quanh bên khuôn mặt (phần sáng hình 3) có mức độ bản”, “mức độ khác giá trị xám trung bình phần trung tâm phần bao bên đáng kể” Độ phân giải thấp (mức mộ) ảnh dùng để tìm ứng viên khn mặt mà cịn tìm mức phân giải tốt Ở mức hai, xem xét biểu đồ histogram ứng viên để loại bớt ứng viên khn mặt, đồng thời dị cạnh bao xung quanh ứng viên Ở mức cuối cùng, ứng viên lại xem xét đặc trưng khuôn mặt mắt miệng Hai ông dùng chiến lược “từ thô đến mịn” hay “làm rõ dần” để giảm số lượng tính tốn xử lý Mặc dù tỷ lệ xác chưa cao, tiền đề cho nhiều nghiên cứu sau 2.1.2 Phương pháp Kotropoulos Pitas Phương pháp tương tự dùng độ phân giải thấp Hai ông dùng phương pháp chiếu để xác định đặc trưng khuôn mặt, Kanade thành công với phương pháp chiếu để xác định biên khuôn mặt Với I(x,y) giá trị xám điểm ảnh có kích thước m x n vị trí (x,y), hàm để chiếu ảnh theo phương ngang thẳng đứng định nghĩa sau: Dựa biểu đồ hình chiếu ngang, có hai cực tiểu địa phương hai ông xét trình thay đổi độ đốc HI, cạnh bên trái phải hai bên đầu Tương tự với hình chiếu dọc VI, cực tiểu địa phương cho ta biết vị trí miệng, đỉnh mũi, hai mắt Các đặc trưng đủ để xác định khuôn mặt 2.2 Phương pháp dựa đặc trưng bất biến Đây hướng tiếp cận theo kiểu bottom-up Các tác giả cố gắng tìm đặc trưng không thay đổi khuôn mặt người để xác định khuôn mặt người Dựa nhận xét thực tế, người dễ dàng nhận biết khuôn mặt đối tượng tư khác điều kiện ánh sáng khác nhau, phải tồn thuộc tính hay đặc trưng khơng thay đổi Có nhiều nghiên cứu xác định đặc trưng khn mặt có khn mặt ảnh hay không Các đặc trưng như: lông mày, mắt, mũi, miệng, đường viền tóc trích phương pháp xác định cạnh Trên sở đặc trưng này, xây dựng mơ hình thống kê để mô tả quan hệ đặc trưng xác định tồn khuôn mặt ảnh Một vấn đề thuật tóan theo hướng tiếp cân đặc trưng cần phải điều chỉnh cho phù hợp điều kiện ánh sáng, nhiễu, bị che khuất Đôi bóng khn mặt tạo thêm cạnh mới, mà cạnh lại rõ cạnh thật khn mặt, dùng cạnh để xác định gặp khó khăn 2.2.1 Các đặc trưng khn mặt Sirohey đưa phương pháp xác định khuôn mặt từ ảnh có hình phức tạp Phương pháp dựa cạnh (dùng phương pháp Candy heuristics) để loại bỏ cạnh để lại đường bao xung quanh khn mặt Một hình ellipse dùng để bao khuôn mặt, tách biệt vùng đầu hình Tỷ lệ xác thuật tóan 80% Cũng dùng phương pháp cạnh Sirohey, Chetverikov Lerch dùng phưong pháp dựa blob streak (hình dạng giọt nước sọc xen kẽ), để xác định theo hướng cạnh Hai ông dùng hai blob tối ba blob sáng để mô tả hai mắt, hai bên gị má, mũi Mơ hình dùng treak để mơ tả hình dáng ngồi khn mặt, lơng mày, mơi Dùng ảnh có độ phân giải thấp theo biến đổi Laplace để xác định khn mặt thơng qua blob Leung trình bày mơ hình xác suất để xác định khn mặt ảnh có hình phức tạp sở xác định đặc trưng cục so khớp đồ thị ngẫu nhiên Ý xem tốn xác định khn mặt tốn tìm kiếm với mục tiêu tìm thứ tự đặc trưng chắn khuôn mặt để tạo thành giống mẫu khuôn mặt Dùng năm đặc trưng (hai mắt, hai lỗ mũi, phần nối mũi miệng) để mơ tả khn mặt Ln tính quan hệ khoảng cách với đặc trưng cặp (như mắt trái, mắt phải), dùng phân bố Gauss để mơ hình hóa Một mẫu khn mặt đưa thơng qua trung bình tương ứng cho tập đa hướng, đa tỷ lệ lọc đạo hàm Gauss Từ ảnh, đặc trưng ứng viên xác định cách so khớp điểm ảnh lọc tương ứng với vector mẫu (tương tự mối tương quan), chọn hai ứng viên đặc trưng đứng đầu để tìm kiếm cho đặc trưng khác khuôn mặt Giống xây dựng đồ thị quan hệ node đồ thị tương ứng đặc trưng khuôn mặt, đưa xác suất vào để xác định Tỷ lệ xác định xác 86% 2.2.2 Kết cấu khn mặt Khn mặt người có kết cấu riêng biệt mà dùng để phân loại so với đối tượng khác Augusteijn Skufca cho hình dạng khn mặt dùng làm kết cấu phân loại , gọi kết cấu giống khuôn mặt (face-like texture) Tính kết cấu qua đặc trưng thống kê thứ tự thứ hai (SGLD) vùng có kích thước 16x16 điểm ảnh Có ba loại đặc trưng xem xét: màu da, tóc, thứ khác Hai ơng dùng mạng neural mối tương quan cascade cho phân loại có giám sát kết cấu ánh xạ đặc trưng tự tổ chức Kohonen để gom nhóm lớp kết cấu khác Hai tác giả đề xuất dùng phương pháp bầu cử không định kết cấu đưa vào kết cấu da hay kết cấu tóc Manian Ross dùng biến đổi wavelet để xây dựng tập liệu kết cấu khuôn mặt ảnh xám thông qua nhiều độ phân giải khác kết hợp xác suất thông kê để xác định khn mặt người Mỗi mẫu có chín đặc trưng Tỷ lệ xác 87%, tỷ lệ xác định sai 18% 2.2.3 Màu sắc da Thông thường ảnh màu không xác định trực tiếp toàn liệu ảnh mà tác giả dùng tính chất sắc màu da người (khn mặt người) để chọn ứng viên khuôn mặt người (lúc liệu thu hẹp đáng kể) để xác định khuôn mặt người 2.2.4 Đa đặc trưng Gần có nhiều nghiên cứu sử dụng đặc trưng toàn cục như: màu da người, kích thước, hình dáng để tìm ứng viên khn mặt, sau xác định ứng viên khuôn mặt thông qua dùng đặc trưng cục (chi tiết) như: mắt, lông mày, mũi, miệng, tóc Tùy tác giả sử dụng tập đặc trưng khác Ehsan Jonh dùng tập hệ số Gabor wavelet hướng khác để trích đặc trưng khn mặt Sau dùng entropy cục để xác định khuôn mặt ảnh xám khuôn mặt chụp thẳng hay tựa thẳng có vị trí khác Tỷ lệ xác 94% 2.3 Phương pháp so sánh khớp mẫu Trong so khớp mẫu, mẫu chuẩn khuôn mặt (thường khuôn mặt chụp thẳng) xác định trước xác định tham số thông qua hàm Từ ảnh đưa vào, tính giá trị tương quan so với mẫu chuẩn đường viền khuôn mặt, mắt, mũi miệng Thông qua giá trị tương quan mà tác giả định có hay khơng có tồn khn mặt ảnh Hướng tiếp cận có lợi dễ cài đặt, không hiệu tỷ lệ, tư thế, hình dáng thay đổi (đã chứng minh) Nhiều độ phân giải, đa tỷ lệ, mẫu con, mẫu biến dạng xem xét thành bát biến tỷ lệ hình dáng a) Xác định mẫu trước Craw đưa phương pháp xác định khuôn mặt người dựa vào mẫu hình dáng ảnh chụp thẳng (dùng vẻ bề ngồi hình dáng khn mặt) Đầu tiên dùng phép lọc Sobel để tìm cạnh Các cạnh nhóm lại theo số ràng buộc Sau đó, tìm đường viền đầu, q trình tương tự lặp lặp lại với tỷ lệ khác để xác định đặc trưng khác như: mắt, lơng mày, mơi Sau Craw mơ tả phương thức xác định dùng tập có 40 mẫu để tìm đặc trưng khn mặt điều khiển chiến lược dị tìm b) Các mẫu bị biến dạng 4.2 Kết luận chương Mạng noron nhân tạo (Artifical Neural Networks) mô lại mạng noron sinh học cấu trúc khối gồm đơn vị tính toán đơn giản liên kết chặt chẽ với nhautrong liên kết noron định chức mạng Các đặc trưng mạng nơ-ron - Gồm tập đơn vị xử lý (các noron nhân tạo) - Trạng thái kích hoạt hay đầu đơn vị xử lý Liên kết đơn vị Xét tổng quát, liên kết định nghĩa trọng số Wjk cho ta biết hiệu ứng mà tín hiệu đơn vị j có đơn vị k Một luật lan truyền định cách tính tín hiệu đơn vị từ đầu vào Một hàm kích hoạt, hay hàm chuyển (activation function, transfer function), xác định mức độ kích hoạt khác dựa mức độ kích hoạt - Một đơn vị điều chỉnh (độ lệch) (bias, offset) đơn vị - Phương pháp thu thập thông tin (luật học - learning rule) - Môi trường hệ thống hoạt động CHƯƠNG 5: CHƯƠNG TRÌNH MƠ PHỎNG 5.1 Chuyển đổi liệu Chúng ta cs thể chuyển đổi liệu uint8, uint16 double nhờ trợ giúp Matlab im2double, im2uint8, im2uint16 Cú pháp hàm đơn giản, cần nhập vào ma trận cần chuyển kiểu, riêng với ảnh indexed cần thêm vào chuỗi “indexed” Tuy nhiên cần lưu ý vấn đề sau chuyển đổi ảnh: - Khi chuyển đổi từ ành nhiều bit sang ảnh bit hơn, chuyển từ uint16 sang uint8 làm số thông tin ảnh ban đầu, chất lượng ảnh giảm - Khi chuyển đổi liệu với kiểu indexed, lưu ý thơng tin ma trận đại bảng đồ màu giá trị màu nên lúc chuyển đổi Muốn chuyển ta phải dùng hàm imapprox để giảm số màu cần biểu diễn ảnh xuống (bằng cách cho màu gần giống thành một) chuyển Tên thuộc tính Filename FileModDate FileSize Format FormatVersion Width Height BitDepth ColorType Mô tả Chuỗi chứa tên file Ngày chỉnh file gần Số nguyên kích thước file(byte) Chuỗi cho biết định dạng ảnh Tên phiên định dạng ảnh Chiều rộng ảnh (pixel) Chiều cao ảnh (pixel) Số bit pixel Cho biết kiểu ảnh (truecolor, indexed ) Các thông tin gọi hàm imfinfo 5.2 Các phép toán số học liệu ảnh Các phép toàn bao gồm phép cộng, trừ, nhân chia Đây thao tác xử lý ảnh trước thực phép biến đổi phức tạp khác Người sử dụng sử dụng hàm số học mà Matlab cung cấp để tác động lên liệu ảnh Tuy nhiên Matlab hỗ trợ phép toán kiểu liệu double nên cần phải chuyển đổi kiểu trước thực Để đơn giản hơn, Matlab cung cấp hàm thực phép tốn số học chấp nhận kiểu liệu ảnh trả kết giá thuộc toán hạng Cú pháp Z=imabsdiff(x,y) Z=imadd(x,y,out_class) im2=imcomplement(im) Z=imdivide(x,y) Z=imlincomb(k1,a1,k2,a2, ,out_class ) Z=immultiply(x,y) Z=imsubtract(x,y) Mô tả Trừ tương ứng phần tử y cho phần tử x, trả trị tuyệt đối hiệu Cộng hai ảnh, cộng ảnh với số, out_class kiểu liệu tổng Lấy bù ảnh im Chia phần tử x cho phần tử y, kết làm trịn Lấy tổ hợp tuyến tính z=k1*a1+k2*a2+ Nhân hai ảnh, ảnh với số Trừ hai ảnh, ảnh với số Các phép toán số học ảnh 5.3 Các hàm thị ảnh Matlab - Hàm image (x,y,c) hiển thị hình ảnh biểu diễn ma trận c kích thước mxn lên hệ trục tọa độ x,y vector xác định vị trị điểm c(1,1) c (m,n) - Hàm imagesc có chức tương tự hàm image, ngồi trừ việc liệu ảnh co giãn để sử dụng toàn đồ màu hành - Hàm imview cho phép hiển thị ảnh cửa sổ riêng Java, gọi Image Viewer - Hàm imshow cho phép hiển thị ảnh Figure tự động thiết lập giá trị đối tượng image, axes, figure để hiển thị ảnh Các hàm chuyển đổi loại ảnh kiểu liệu ảnh dither grat2ind grayslice im2bw im2double im2uint16 im2uint8 imapprox ind2gray ind2rgb mat2gray rfb2ind rgb2gray Tạo ảnh nhị phân hay ảnh RGB Chuyển ảnh trắng đen thành ảnh indexed Chuyển ảnh trắng đên thành ảnh indexed lấy ngưỡng Chuyển ảnh thành ảnh kiểu liệu nhị phân Chuyển ảnh thành ảnh kiểu liệu double Chuyển ảnh thành ảnh kiểu liệu uint16 Chuyển ảnh thành ảnh kiểu liệu uint8 Xấp xỉ ảnh indexed cách giảm số màu Chuyển ảnh indexed thành ảnh gray scale Chuyển ảnh indexed thành ảnh RBG Tạo ảnh gray scale từ ma trận Chuyển ảnh RBG thành ảnh indexed Chuyển ảnh RBG thành ảnh gray scale Các hàm truy xuất liệu ảnh Imfinfo Imread Truy xuất thông tin ảnh Đọc ảnh từ file xuất ma trận ảnh Imwrite Lưu ma trận ảnh thành file ảnh Các hàm biến đổi hình học Cp2tform imcrop imresize imrotate imtranform makeform 5.4 Định nghĩa phép biến đổi hình học cặp tương ứng Trích xuất phần ảnh Thay đổi kích thước ảnh Thực phép quay ảnh Thực phép biến đổi hình học tổng quát Định nghĩa phép biến đổi hình học tổng quát Các hàm khác sử dụng để tài - [filename, pathname] = uigetfile (filterspec, title): hiển thị hộp thoại chọn đường dẫn file Giá trị trả tên file đường dẫn - T = strcat (s1, s2, s3 ) ghép chuỗi lại với nhau, trả chuỗi nối tiếp sls2s3 - strcmp (s1, s2): hàm so sánh, trả s1 giống s2, ngược lại trả - T = dir (pathname): Lấy thông tin Folder bao gồm: số file chứa folder, tên file, ngày lạo, kích thước file - S = int2str (x): Chuyển đổi số kiểu integer thành chuỗi ký tự - N = num2str (1) Chuyển đổi số (có thể số nguyên thực) thành chuỗi ký tự - De = size (a): Trả giá trị ma trận có dạng [x, y] kích thước ma trận a - T = reshape (X, M, N): Trả ma trận có kích thước MxN với phần tử phần tử nằm ma trận X - mean (N): Ma trận X có kích thước MxN, hàm trả ma trận có kích thước lxN phần tử trung bình thủy cột ma trận X - mean (X, dim): với dim chiều lấy trung bình, dim lấy trung bình theo cột, dim lấy trung bình theo hàng Khơng có tham số dim mặc định dim - double (X): Chuyển đổi gấp đội xác giá trị ma trận X - E = eig (x): Trả vector chứa giá trị riêng ma trận vuông X - [V, D] = eig (X): tạo ma trận đường chéo D giá trị riêng ma trận V có cột tương ứng vector riêng, đó: X * V = V * D - diag (V, K): Trong V vector với thành phần N ma trận vuông kiểu N + ABS (K) với phần tử V đường chéo thứ K K = đường chéo chính, K > phía đường chéo K < phía đường chéo - Diag (V): Giống DIAG (V, 0) đặt vector V đường chéo - Sort (A): Phân loại tăng dần hay giảm dần Đối với vector, Sort (X) xếp phần tử x thứ tự tăng dần Đối với ma trận, Sort (X) loại cột X thứ tự tăng dần Khi X mạng di động chuỗi Sort (X) xếp ký tự theo thứ tự bảng mã ASCII - Norm (X ): Chuẩn hóa ma trận vector X - Min (X): Trả vị trí phần tử nhỏ ma trận X 5.5 Giới thiệu chương trình Khi chạy chương trình “ DỊ tìm cắt ảnh mặt người dùng PCA” ta thao tác theo trình tự bước sau: Bước 1: Đưa ảnh vào để xử lý Đưa ảnh từ nguồn có sẵn Ta chọn nút chọn ảnh để tìm nguồn ảnh gốc đưa ảnh vào xử lý cụ thể tập ảnh thư mục ảnh test Sau chọn ảnh cần kiểm tra ta chọn nút open để chọn ảnh chọn Bước 2: Dị tìm mặt người Để thực bước ta cần điều kiện phải có ảnh kiểm tra chạy chương trình dị tìm ảnh mặt người Khi có đủ điều kiện ta nhấn nút nhận dạng chương trình bắt đầu thực hiện: lấy ảnh chọn làm ảnh ban đầu đưa vào chương trình nhận dạng ảnh tìm xác định vị trí khn mặt có ảnh Đây đoạn chương trình tốn, đoạn chương trình sử dụng thuật toán Pca giai đoạn chiếm thời gian nheieuf toán Bước 3: Cắt ảnh mặt người Là q trình tách khn mặt có ảnh đầu vào chi athanhf ảnh nhỏ riêng lẻ để giúp ta lưu lại khuôn mặt cách dễ dàng hay để dùng ảnh vào cơng việc khác cách nhanh chóng xác Bước 4: Lưu ảnh khn mặt Sau tất q trình thực phương pháp tìm tách ảnh mặt người cuối kết đạt dù khơng chuẩn xác mục đích cuối ta phải lưu trức lại mà ta làm được, ta nhấn vào nút save lên thư mục để lưu ảnh thực thao tác lưu ảnh Bước 5: Nhận dạng khn mặt Q trình nhận dạng khuôn mặt thực dựa vào thuật toán PCA, sau cắt ảnh mặt người, từ ảnh ta đặt làm ảnh test, ảnh test xử lý cách xác định khoảng cách ảnh test đến ảnh sở liệu Nếu ảnh test có nằm sở liệu ảnh, ảnh test sé nhận dạng ảnh khác nằm sở liệu ảnh, neeys ảnh test không nằm sở liệu ảnh, khơng nhận dạng 5.6 Lưu đồ thuật tốn - Lưu đồ giải thuật Lưu đồ giải thuật chi tiết Chọn ảnh có cách: - Cách 1: Chọn ảnh tĩnh (ảnh có sẵn) - Cách 2: Chọn ảnh động (nhận ảnh từ webcam) Lưu đồ giải thuật chương trình dị tìm ảnh mặt người Lưu đồ giải thuật chương trình nhận dạng Lưu đồ thuật tốn PCA 5.7 Chương trình mơ Và kết chạy: TÀI LIỆU THAM KHẢO Face recognition using Principal Component Analysis – Ching chong Giáo trình mạng nơ-ron – Trần Hồi Linh Slide Thuật tốn PCA Full 24-052017 – Tuấn remy Các hàm xử lý ảnh Matlab – Hà Chí ... 1: TỔNG QUAN VỀ NHẬN DẠNG KHUÔN MẶT 1.1 Tổng quan hệ thống nhận dạng khuôn mặt .4 1.2 Một số ứng dụng hệ thống nhận dạng khuôn mặt 1.3 Mô tả tốn nhận dạng khn mặt 1.4... Biometrics (tương tự nhận dạng vân tay – Fingerprint recognition, hay nhận dạng mống mắt – Iris recognition) Xét nguyên tắc chung, nhận dạng mặt có tương đồng lớn với nhận dạng vân tay nhận dạng mống mắt,... lĩnh vực sống 1.3 Mô tả tốn nhận dạng khn mặt Nhận dạng khn mặt người kỹ thuật máy tính để xác định vị trí kích thước khn mặt người ảnh Kỹ thuật nhận biết đặc trưng khuôn mặt bỏ qua thứ khác như: