Luận án tiến sĩ: Nhận dạng khuôn mặt đơn mẫu với LT-MHD - Đặng Nguyên Châu

Nhận dạng khuôn mặt đơn mẫu (SSPP) là bài toán cực kỳ quan trọng. Bài toán này xuất hiện khi chỉ có một ảnh duy nhất cho mỗi người trong cơ sở dữ liệu. Hầu hết các phương pháp nhận dạng khuôn mặt truyền thống gặp khó khăn lớn. Hiệu suất nhận dạng giảm đáng kể trong trường hợp SSPP. Việc giải quyết SSPP mở rộng khả năng ứng dụng của hệ thống nhận dạng khuôn mặt. Nó đặc biệt cần thiết trong các tình huống thu thập dữ liệu hạn chế. Các ví dụ bao gồm an ninh, kiểm soát ra vào. Đây là một lĩnh vực liên quan chặt chẽ đến học một mẫu và học ít mẫu. Nhu cầu về các phương pháp mạnh mẽ cho SSPP ngày càng tăng. Chúng giúp triển khai sinh trắc học khuôn mặt trong môi trường thực tế.

Đặc trưng cục bộ đóng vai trò trung tâm trong nhận dạng khuôn mặt. Điểm ảnh biên là một đặc trưng cục bộ được ưa chuộng. Đặc trưng này phản ánh rõ nét cấu trúc hình thái của khuôn mặt. Điểm ảnh biên cũng ít bị ảnh hưởng bởi thay đổi ánh sáng. Do đó, chúng phù hợp cho các điều kiện thực tế khắc nghiệt. Độ đo Modified Hausdorff Distance (MHD) là công cụ mạnh mẽ. MHD đo sự khác biệt giữa hai tập hợp điểm ảnh biên. Nhiều phương pháp nhận dạng khuôn mặt SSPP đã sử dụng MHD. Tuy nhiên, vẫn còn dư địa để cải thiện hiệu suất. Việc tìm kiếm độ đo khoảng cách tiên tiến là cần thiết. Điều này giúp tối ưu hóa hiệu quả của trích chọn đặc trưng khuôn mặt. Mục tiêu là đạt được độ chính xác cao hơn trong hệ thống nhận dạng khuôn mặt.

LT-MHD là một độ đo khoảng cách mới và hiệu quả. Độ đo này được thiết kế để đo sự không tương đồng giữa hai tập đặc trưng khuôn mặt. LT-MHD kế thừa ưu điểm của Hausdorff Distance. Đồng thời, nó cải tiến để tăng cường độ mạnh mẽ. Đặc biệt, LT-MHD xử lý tốt hơn các nhiễu và biến đổi không mong muốn trong ảnh. Điều này làm cho nó hiệu quả trong các điều kiện thực tế. Độ đo này là nền tảng cho các phương pháp nhận dạng khuôn mặt SSPP mới. Việc phát triển LT-MHD là một đóng góp quan trọng. Nó mở ra hướng đi mới cho hệ thống nhận dạng khuôn mặt. LT-MHD là một bước tiến trong việc so sánh các đặc trưng khuôn mặt chính xác hơn.

Dựa trên LT-MHD, hai phương pháp nhận dạng khuôn mặt đã được đề xuất. Phương pháp LT-LHD tập trung vào khoảng cách đường thẳng giữa các đặc trưng. Phương pháp LT-NMHD là một biến thể mới, được thiết kế để tối ưu hóa hiệu quả. Cả hai đều được thiết kế để giải quyết bài toán nhận dạng khuôn mặt đơn mẫu. Các phương pháp này sử dụng đặc trưng điểm biên đã trích chọn từ khuôn mặt. Sau đó, chúng áp dụng LT-MHD để tính toán sự tương đồng hoặc khác biệt. Kết quả so sánh với nhiều phương pháp hiện đại khác. LT-LHD và LT-NMHD cho thấy tỷ lệ nhận dạng rất cao trong điều kiện SSPP. Đặc biệt, LT-LHD cao hơn từ 2% đến 11% so với các phương pháp tiên tiến khác trong 5 năm qua. Điều này khẳng định hiệu quả của các phương pháp đề xuất.

Các thử nghiệm thực tế đã được tiến hành trên nhiều tập dữ liệu. Kết quả cho thấy sự cải thiện rõ rệt khi áp dụng LT-MHD. Khi sử dụng LT-MHD làm độ đo khoảng cách, tỷ lệ nhận dạng của các phương pháp tăng đáng kể. Mức tăng từ 2% đến 10% so với sử dụng MHD truyền thống. Ngoài ra, các phương pháp LT-LHD và LT-NMHD cũng được so sánh kỹ lưỡng. Chúng được thử nghiệm với nhiều phương pháp nhận dạng khuôn mặt SSPP hiện đại khác. Các phương pháp đề xuất mang lại tỷ lệ nhận dạng rất cao. Đặc biệt, LT-LHD đạt hiệu suất tốt hơn 2-11% so với các phương pháp hiện đại nhất. Những số liệu này chứng minh khả năng vượt trội của LT-MHD. Nó là một độ đo mạnh mẽ trong lĩnh vực nhận dạng khuôn mặt, đặc biệt trong các kịch bản học một mẫu và học ít mẫu.

Mặc dù hiệu quả về nhận dạng, LT-MHD yêu cầu tính toán nhiều tài nguyên. Việc tính toán khoảng cách Hausdorff thường tốn kém về mặt thời gian. Khi áp dụng cho tập đặc trưng khuôn mặt lớn, thời gian xử lý tăng lên đáng kể. Điều này ảnh hưởng trực tiếp đến khả năng triển khai thực tế của hệ thống nhận dạng khuôn mặt. Đặc biệt trong các ứng dụng thị giác máy tính cần phản hồi nhanh. Việc giải quyết thách thức này là cần thiết. Nó giúp tận dụng tối đa lợi ích của độ đo LT-MHD. Các nghiên cứu về tối ưu hóa là trọng tâm quan trọng. Chúng đảm bảo các phương pháp sinh trắc học khuôn mặt có thể mở rộng.

Để khắc phục nhược điểm về tính toán, nghiên cứu đã áp dụng các kỹ thuật tối ưu. Phương pháp EARLYBREAK được sử dụng để giảm độ phức tạp của LT-LHD. EARLYBREAK giúp dừng sớm quá trình tính toán khi không cần thiết. Phương pháp Local Start Search (LSS) được áp dụng cho LT-NMHD. LSS tối ưu hóa việc tìm kiếm điểm gần nhất một cách hiệu quả hơn. Kết quả thử nghiệm chứng minh hiệu quả của các kỹ thuật này. Độ phức tạp tính toán của LT-LHD giảm 67%. Trong khi đó, LT-NMHD giảm 17%. Những cải tiến này giúp tăng tốc đáng kể. Nó làm cho các phương pháp dựa trên LT-MHD khả thi hơn. Các ứng dụng sinh trắc học khuôn mặt giờ đây có thể triển khai dễ dàng và nhanh chóng hơn.

Mô hình học sâu CNN rất mạnh mẽ trong trích chọn đặc trưng khuôn mặt. Nghiên cứu này đã tích hợp LT-MHD vào kiến trúc CNN. LT-MHD không chỉ được sử dụng để so sánh đặc trưng. Nó còn được sử dụng trực tiếp trong quá trình huấn luyện mạng. Việc kết hợp này tạo ra một hệ thống nhận dạng khuôn mặt mạnh mẽ hơn. Đặc biệt đối với dữ liệu đơn mẫu. Nó tận dụng khả năng học hỏi sâu của CNN để trích chọn đặc trưng. Đồng thời, nó tận dụng khả năng đo khoảng cách tối ưu của LT-MHD. Sự kết hợp này mang lại hiệu suất vượt trội cho các ứng dụng sinh trắc học khuôn mặt.

Một đóng góp quan trọng là việc sử dụng LT-MHD như hàm mất mát. Điều này thay thế các hàm mất mát thông thường như cross-entropy. LT-MHD hướng dẫn mạng học các đặc trưng tối ưu cho so sánh khoảng cách. Kết quả thử nghiệm cho thấy sự cải thiện đáng kinh ngạc. Tỷ lệ nhận dạng của mô hình tăng lên tới 43%. Điều này chứng minh hiệu quả vượt trội của phương pháp. Nó mở ra hướng đi mới trong thiết kế mô hình học sâu. Đặc biệt là cho các bài toán nhận dạng khuôn mặt. Hàm mất mát LT-MHD giúp học các đặc trưng rõ ràng hơn. Điều này rất quan trọng cho các ứng dụng sinh trắc học khuôn mặt yêu cầu độ chính xác cao. Nó thúc đẩy sự phát triển của thị giác máy tính trong học một mẫu.