Báo cáo xử lý ảnh, khuôn mặt

Chứng minh tính hiệu quả của thuật toán sử dụng ..... Đặt bài toán Tìm hiểu công nghệ nhận diện khuôn mặt bằng Eigenfaces PCA.. Phát hiện khuôn mặt Face Detection: - Ảnh đầu vào gồm một

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

CƠ SỞ TẠI THÀNH PHỐ HỒ CHÍ MINH

KHOA CÔNG NGHỆ THÔNG TIN II

_

BÁO CÁO GIỮA KỲ

MÔN HỌC: XỬ LÝ ẢNH

Đề tài :

TÌM HIỂU CÔNG NGHỆ NHẬN DIỆN KHUÔN MẶT SỬ DỤNG EIGENFACES

PGS TS LÊ HOÀNG THÁI NGUYỄN MẠNH TƯỜNG N18DCCN202

D18CQCN01-N

Giảng viên hướng dẫn:

Sinh viên thực hiện:

MSSV:

Lớp:

2

Mục lục

I Đặt bài toán 3

II Sử dụng sinh trắc học nào 3

III Các bước áp dụng như thế nào? 3

1 Phát hiện khuôn mặt (Face Detection): 3

2 Tiền xử lý (Preprocessing): 3

3 Trích chọn đặc trưng (Feature extraction With PCA): 3

4 Nhận dạng (Recognition): 4

IV Các ứng dụng đã có của bài toán này: 4

V Minh hoạ 1 số kết quả chạy thử: 5

VI Chứng minh tính hiệu quả của thuật toán sử dụng 6

VII Tài liệu tham khảo: 6

I Đặt bài toán

Tìm hiểu công nghệ nhận diện khuôn mặt bằng Eigenfaces (PCA)

II Sử dụng sinh trắc học nào?

Sinh trắc khuôn mặt

III Các bước áp dụng như thế nào?

1 Phát hiện khuôn mặt (Face Detection):

- Ảnh đầu vào gồm một hoặc nhiều người, với gương mặt chính diện hoặc tương đối chính diện để hệ thống có thể nhận dạng

- Sau khi phát hiện được vị trí và kích thước của một hoặc nhiều khuôn mặt, chúng

sẽ được cắt ra, lưu vào cơ sở dữ liệu để tiến hành quá trình tiền xử lý

2 Tiền xử lý (Preprocessing):

- Chuẩn hoá kích thước ảnh khuôn mặt trong cơ sở dữ liệu, ảnh nhận dạng cần cùng một kích thước đã định trước

- Làm giảm nhiễu, điều chỉnh độ sáng tối làm tăng chất lượng ảnh

3 Trích chọn đặc trưng (Feature extraction With PCA):

4

- Chuyển mỗi hình ảnh cắt khuôn mặt kích thước M x N thành 1 vector Гi kích thước MN x 1, giả sử có M hình khuôn mặt thì có M vector:

- Tính vector trung bình:

- Trừ từng vector khuôn mặt cho vector trung bình:

- Tính ma trận hiệp phương sai (covariance matrix):

- Ma trận A (kích thước MNxM), A T (kích thước MxMN), nên AA T có thể có kích

thước rất lớn (MNxMN) nên không khả thi

- Tính L=A T A kích thước (MxM) khả thi hơn Vì 2 có trị riêng và vector riêng giống nhau

- Tính trị riêng 𝓊𝑖 (sử dụng đại số tuyến tính)

- Tính vector riêng 𝒱𝑖 (vector cơ sở trong hệ toạ độ tạo được chuyển đổi bởi PCA):

- Giảm số chiều từ M về K với K<<M:

𝑢𝑖

𝐾 𝑖=1

𝑢𝑖

𝑀 𝑖=1 > 𝑇ℎ𝑟𝑒𝑠ℎ𝑜𝑙𝑑 (𝑡ℎườ𝑛𝑔 𝑙à 0.9 ℎ𝑜ặ𝑐 0.95)

- Tính hệ số 𝑏𝑖 = 𝑢𝑖𝑇Φ𝑖 𝑣ớ𝑖 𝑖 < 𝐾 (trong hệ toạ độ được chuyển đổi bởi PCA thì

người ta lưu hệ số để xác định những điểm trong hệ toạ độ ban đầu)

4 Nhận dạng (Recognition):

- So sánh vector đặc trưng của ảnh đầu vào (sau khi trích chọn đặc trưng) với vector đặc trưng của những ảnh khuôn mặt trong cơ sở dữ liệu đã huấn luyện, cuối cùng tính ra độ tương tự giữa ảnh cần tìm và ảnh trong cơ sở dữ liệu

IV Các ứng dụng đã có của bài toán này:

- Ứng dụng mở khoá điện thoại Android bằng ảnh khuôn mặt 2D

- Hệ thống điểm danh bằng nhận diện khuôn mặt

V Minh hoạ 1 số kết quả chạy thử:

- Đây là sơ đồ hoạt động

- Ví dụ ảnh đầu vào có cùng góc nhìn với ảnh đã huấn luyện

6

- Ví dụ ảnh đầu vào có gốc nhìn khác với ảnh đã được huấn luyện:

VI Chứng minh tính hiệu quả của thuật toán sử dụng

- Dựa vào kết quả chạy thử có thể thấy, dùng thuật toán PCA có tính chất bất biến với phép quay và phép chiếu sáng

- Hạn chế là thuật toán này chỉ dùng trong học không giám sát (không gán, không quan tâm đến nhãn)

VII Tài liệu tham khảo:

- Handbook-of-Biometrics

- Face Recognition Using Principal Component Analysis Method -

http://ijarcet.org/wp-content/uploads/IJARCET-VOL-1-ISSUE-9-135-139.pdf