Nghiên cứu phương pháp nhận dạng ảnh mặt người và ứng dụng luận án tiến sĩ

ĐẠI HỌC THÁI NGUYÊN TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG ---------------- ĐỖ DUY CỐP NGHIÊN CỨU PHƢƠNG PHÁP NHẬN DẠNG ẢNH MẶT NGƢỜI VÀ ỨNG DỤNG LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Thái Nguyên – 2014 Số hóa bởi Trung tâm Học liệu http://www.vn/ ĐẠI HỌC THÁI NGUYÊN TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG ---------------- ĐỖ DUY CỐP NGHIÊN CỨU PHƢƠNG PHÁP NHẬN DẠNG ẢNH MẶT NGƢỜI VÀ ỨNG DỤNG Chuyên ngành: Khoa học máy tính Mã số: 60.01 LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH NGƢỜI HƢỚNG DẪN KHOA HỌC: TS. Vũ Việt Vũ Thái Nguyên - 2014 Số hóa bởi Trung tâm Học liệu http://www.vn/ i MỤC LỤC MỤC LỤC. i DANH MỤC CÁC TỪ VIẾT TẮT. ii DANH MỤC CÁC BẢNG.

ii DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ. iii LỜI CẢM ƠN. 1 LỜI CAM ĐOAN. 2 CHƢƠNG 1 TỔNG QUAN VỀ NHẬN DẠNG ẢNH MẶT NGƢỜI .1 Tổng quan về nhận dạng ảnh mặt ngƣời .2 Các hƣớng tiếp cận trong nhận dạng mặt ngƣời.1 Phƣơng pháp trích chọn đặc trƣng sử dụng mặt riêng (Eigenface) .2 Phƣơng pháp trích chọn đặc trƣng sử dụng mô hình Markov ẩn .3 Phƣơng pháp phân tích thành phần chính .3 Bố cục luận văn.

6 CHƢƠNG 2 TRÍCH CHỌN ĐẶC TRƢNG .1 Phƣơng pháp phân tích thành phần chính - PCA .1 Cơ sở toán học .2 Phƣơng pháp PCA .2 Phƣơng pháp phân tách tuyến tính - LDA .3 Phƣơng pháp xử lý hình thái.1 Biến đổi trúng-trƣợt (hit-or-miss) .2 Phép dãn ảnh và co ảnh tổng quát .3 Dãn và co ảnh đa mức xám. 40 CHƢƠNG 3 MẠNG NƠRON .1 Giới thiệu mạng nơron .1 Nơron – đơn vị xử lý cơ bản. Liên kết giữa các nơron. Hàm kích hoạt và các quy tắc xác định tín hiệu ra .4 Quy tắc delta.2 Thuật toán học lan truyền ngƣợc.

46 Số hóa bởi Trung tâm Học liệu http://www.vn/ ii CHƢƠNG 4 THIẾT KẾ VÀ ĐÁNH GIÁ .1 Thiết kế hệ thống .1 Cơ sở dữ liệu ảnh .2 Môi trƣờng cài đặt .2 Kiểm thử và đánh giá. 58 HƢỚNG PHÁT TRIỂN. 59 TÀI LIỆU THAM KHẢO. 60 DANH MỤC CÁC TỪ VIẾT TẮT LDA (Linear Discriminant Analysis): Phƣơng pháp phân tách tuyến tính LMS (Least Mean Square): Phƣơng pháp bình phƣơng trung bình tối thiểu ORL (Olivetti Research Laboratory, Surrey University): Cơ sở dữ liệu ảnh dùng trong luận văn PCA(Principal Components Analysis): Phƣơng pháp phân tích thành phần chính DANH MỤC CÁC BẢNG Bảng 2.

Tính toán độ lệch chuẩn. Tập dữ liệu hai chiều và tính toán hiệp phương sai. Các module chính của chương trình. 53 Số hóa bởi Trung tâm Học liệu http://www.vn/ iii DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 2.

Ví dụ minh họa PCA. Dữ liệu và đồ thị biểu diễn dữ liệu. Đồ thị biểu diễn dữ liệu đã chuẩn hóa với các vector riêng. Ảnh gốc trong cơ sở dữ liệu ORL.

Ảnh sau khi biến đổi theo PCA. Ví dụ minh họa LDA. Ảnh sau khi biến đổi theo LDA. Sự liên thông.

Phép dãn ảnh nhị phân. Phép co ảnh nhị phân. Các toán tử đại số ảnh trên các mảng nhị phân. Lật và dịch một mảng nhị phân.

Phép dãn ảnh tổng quát dựa theo phép cộng Minkowski. So sánh các kết quả của hai phép co ảnh. Phép dãn ảnh và co ảnh tổng quát với phần tử cấu trúc 55. Ảnh sau khi xử lý hình thái.

Các thành phần cơ bản của mạng nơron nhân tạo. Một số dạng hàm kích hoạt của nơron. Mạng nơron l lớp. Ảnh gốc trong bộ ảnh ORL.

Ảnh gốc được bổ sung ảnh gương. Giao diện chính của chương trình. 56 Số hóa bởi Trung tâm Học liệu http://www.vn/ 1 LỜI CẢM ƠN Lời đầu tiên tôi xin bày tỏ lòng biết ơn sâu sắc tới TS. Vũ Việt Vũ, công tác tại trƣờng Đại học Kỹ thuật Công nghiệp - Đại học Thái Nguyên, ngƣời đã tận tình hƣớng dẫn và giúp tôi hoàn thành luận văn tốt nghiệp này.

Tôicũng xin gửi lời cảm ơn chân thành đến các thầy cô giáo của trƣờng Đại học Công nghệ thông tin và truyền thông - Đại học Thái Nguyên, cùng các thầy cô giáo của Viện Công nghệ thông tin - Viện khoa học Việt Nam đã nhiệt tình giảng dạy, truyền đạt kiến thức cho tôi trong suốt 2 năm học qua. Tôi xin cảmơn sự động viên và giúp đỡ của tất cả những ngƣời thân trong gia đình, của các bạn bè, đồng nghiệp trong quá trìnhthực hiện luận văn này. Thái Nguyên, ngày 20 tháng 05 năm 2014 Học viên Đỗ Duy Cốp Số hóa bởi Trung tâm Học liệu http://www.vn/ 2 LỜI CAM ĐOAN Tôi là: Đỗ Duy Cốp Lớp: CK11A Khoá học: 2012 - 2014 Chuyên ngành: Khoa học máy tính Mã số chuyên ngành: 60 48 01 Cơ sở đào tạo: Trƣờng Đại học Công nghệ thông tin và Truyền thông Thái Nguyên. Giáo viên hƣớng dẫn: TS.

Vũ Việt Vũ Cơ quan công tác: Trƣờng Đại học Kỹ thuật Công nghiệp - Đại học Thái Nguyên Tôi xin cam đoan luận văn “Nghiên cứu phương pháp nhận dạng ảnh mặt người và ứng dụng” này là công trình nghiên cứu của riêng tôi. Các số liệu sử dụng trong luận văn là trung thực. Các kết quả nghiên cứu đƣợc trình bày trong luận văn chƣa từng đƣợc công bố tại bất kỳ công trình nào khác. Thái Nguyên, ngày 20 tháng 05 năm 2014 Học viên Đỗ Duy Cốp Số hóa bởi Trung tâm Học liệu http://www.vn/ 3 CHƢƠNG 1.

TỔNG QUAN VỀ NHẬN DẠNG ẢNH MẶT NGƢỜI 1.1 Tổng quan về nhận dạng ảnh mặt ngƣời Xử lý ảnh là một lĩnh vực đƣợc quan tâm rất nhiều trong khoảng 10 năm trở lại đây. Bài toán nhận dạng ảnh nhằm mục đích phát hiện và nhận dạng đối tƣợng trong ảnh. Bài toán nhận dạng ảnh đƣợc ứng dụng trong nhiều lĩnh vực, đặc biệt là nhận dạng mặt ngƣời đã đƣợc ứng dụng trong các hệ thống bảo mật, nhận dạng ngƣời trên các bằng lái xe, hộ chiếu, nhận dạng ngƣời trong các hệ thống tƣơng tác ngƣời-máy, trong lĩnh vực giải trí,… Đặc biệt sau thảm họa ngày 11/9, các chính phủ trên toàn thế giới đã bắt đầu chú ý hơn tới các mức an ninh ở sân bay và biên giới. Ngân sách hằng năm của các nƣớc đã tăng lên nhiều cho các kỹ thuật hiện đại để xác định, nhận dạng và lần theo các đối tƣợng nghi vấn.

Nhu cầu tăng lên trong các ứng dụng này đã giúp các nhà khoa học có thêm quỹ để phát triển các dự án nghiên cứu. Mặc dù việc nhận dạng mặt ngƣời không thể chính xác đƣợc nhƣ các phƣơng pháp nhận dạng khác nhƣ nhận dạng vân tay, nhƣng nó vẫn nhận đƣợc sự quan tâm lớn của các nhà nghiên cứu trong lĩnh vực thị giác máy. Lý do chủ yếu là trên thực tế, mặt ngƣời vẫn là cách truyền thống để con ngƣời nhận ra nhau. Một hệ thống nhận dạng mặt ngƣời điển hình bao gồm các thành phần chính nhƣ hình1.

Ảnh Trích chọn Nhận dạng Thông tin mặt đặc trƣng mặt ngƣời ngƣời đƣợc ngƣời nhận dạng Hình 1. Mô hình hệ thống nhận dạng mặt người Số hóa bởi Trung tâm Học liệu http://www.2 Các hƣớng tiếp cận trong nhận dạng mặt ngƣời Có hai hƣớng tiếp cận chính làm hạt nhân của các kỹ thuật phân tích đặc trƣng mặt ngƣời: hƣớng tiếp cận hình học và hƣớng tiếp cận hình ảnh.  Hướng tiếp cận hình học sử dụng việc ánh xạ không gian các đặc trƣng mặt ngƣời. Mặt ngƣời đƣợc phân loại theo khoảng cách hình học, theo đƣờng bao và theo các góc giữa các điểm.

 Hướng tiếp cận hình ảnh bao gồm việc xây dựng các mẫu từ những đặc trƣng mặt ngƣời. Mẫucủa các đặc trƣng nổi bật, hoặc thậm chí là toàn khuôn mặt đƣợc thiết lập, việc nhận dạng đƣợc thực hiệnbằng cách duyệt các khuôn mặt rồi tìm mặt nào khớp nhất với mẫu. Hiện nay các hệ thống nhận dạng mặt ngƣời vẫn đang tiếp tục đƣợc phát triển. Dƣới đây là một số phƣơng pháp trích chọn đặc trƣng: - Mặt riêng (Eigenface) - Mô hình Markov ẩn - Phân tích thành phầnchính(PCA) 1.1 Phƣơng pháp trích chọn đặc trƣng sử dụng mặt riêng (Eigenface) Thuật toán Eigenface rất phổ biến và đƣợc sử dụng rộng rãi do sựđơn giản và hiệu quả tính toán.

Thuật toán sử dụng cáchtiếp cận lý thuyết thông tin trong việc mã hóa các ảnh mặt ngƣời và xác địnhcác vector riêng tƣơng ứng với giá trị riêng lớnnhất của ma trận hiệp phƣơng sai của ảnh. Sau đó, đối với mỗi nhómảnh của một ngƣời, ta tính vector trung bình, một ngƣỡng sẽ đƣợc chọnđể xác định khoảng cách chấp nhận đƣợc cựcđạitừ một ảnh đến nhómảnhgiúp nhận dạng những ảnh mới. Số hóa bởi Trung tâm Học liệu http://www.2 Phƣơng pháp trích chọn đặc trƣng sử dụng mô hình Markov ẩn Mô hình Markov ẩn phân loại một đặc trƣng mặt ngƣời bằng tính chất của chuỗi Markov. Một dãy ngẫu nhiên các biến lấy trên các giá trị điểmảnh tƣơng ứng tạo nên chuỗi Markov, nếu xác suất để hệ thống đạt trạng thái xn+1 tại thời điểm n+1 chỉ phụ thuộc vào xác suất để hệ thống đạt trạng thái xn tại thời điểm n.

Trong một chuỗi Markov, việc chuyển hệ thống từ trạng thái này sang trạng thái khác tƣơng ứng với một xác suất nàođó, nhƣng kết quả của một ký hiệu ra lại xác định đƣợc trƣớc. Nhƣ vậy, kết quả là một phân bố xác suất của tất cả các ký hiệu ra tại mỗi trạng thái và kết quả này đƣợc dùngđể so sánh giữa hai khuôn mặt.3 Phƣơng pháp phân tích thành phần chính Trong phương pháp phân tích thành phần chính(PCA  còn gọi là biến đổi Karhunen-Loeve), tập dữ liệu đƣợc biểu diễn lại với số đặc trƣngít hơn đồng thời giữ đƣợc hầu hết các thông tin quan trọng nhất của dữ liệu. PCA thƣờngđƣợc sử dụng cùng phƣơng pháp mặt riêng. Tập con các vector riêng đƣợc dùng làm các vector cơ sở của một không gian con, trong đó ta có thể so sánh vớicác ảnh trong cơ sở dữ liệuđểnhận dạng các ảnh mới.

Các vector cơ sở này còn đƣợc gọi là các thành phần chínhcủa cơ sở dữ liệu ảnh. Mạng nơron đƣợc sử dụng rộng rãi trong các hệ thống nhận dạng mặt ngƣời. Kỹ thuật mạng nơron mô phỏnghoạt động của các nơron trong bộnão ngƣời. Mạng nơron có khả năng điều chỉnh các trọng số dựa trên các mẫu họctrong quá trình huấn luyện.

Kết quả là mạng đạt đƣợc hiệu quả cao trong việc phân loại các lớp, dựa trên dữ liệu mẫu khả tách tuyến tính hoặc phi tuyến. Số hóa bởi Trung tâm Học liệu http://www.3Bố cục luận văn Mặc dù các hệ thống nhận dạng mặt ngƣời hiện tạiđã đạt đƣợc hiệu quả khá cao, tuy nhiên chúngvẫn còn hạn chế là chỉ tập trung vào một hay một vài phƣơng pháp trích chọn đặc trƣng.