Nhận dạng ảnh mặt người sử dụng mạng nơron

Nhận dạng ảnh mặt người sử dụng mạng nơron

53

NHẬN DẠNG ẢNH MẶT NGƯỜI SỬ DỤNG MẠNG NƠRON

Võ Phúc Nguyên

Trường Đại học Kỹ thuật Công nghiệp – ĐH Thái Nguyên

TÓM TẮT

Bài báo trình bày một phương pháp mới trong việc trích chọn đặc trưng kết hợp với mạng nơron

để nhận dạng ảnh mặt người Hệ thống thực hiện trích chọn các đặc trưng mặt người từ một ảnh theo ba phương pháp: phân tích thành phần chính (PCA), phân tách tuyến tính (LDA) và biến đổi hình thái Sau đó bài báo trình bày về mạng nơron với thuật toán học lan truyền ngược để phân loại giúp nhận dạng các đặc trưng đã trích chọn ở trên Khi có yêu cầu nhận dạng, ảnh đầu vào sẽ được trích chọn đặc trưng, các đặc trưng sẽ được nhận dạng qua các mạng nơron đã huấn luyện Tín hiệu ra của từng mạng riêng biệt sẽ được so sánh với nhau để đưa ra câu trả lời của hệ thống Kết quả là, bằng việc kết hợp những đặc trưng mang tính chất thống kê và những đặc trưng mang tính hình thái, hệ thống đã đạt hiệu quả khá cao so với những hệ thống nhận dạng mặt người trước đây Đặc biệt, hệ thống nhận dạng khá tốt đối với những ảnh có nhiễu

Từ khóa: Nhận dạng ảnh mặt người, phân tích thành phần chính (PCA), phân tách tuyến tính

(LDA), biến đổi hình thái, mạng nơron

*

GIỚI THIỆU

Hiện nay, cùng với sự pháttriển như vũ bão

của công nghệ thông tin nói chung và sự phát

triển trong lĩnh vực thị giác máy nói riêng,

các hệ thống phát hiện và nhận dạng mặt

người đang ngày càng có nhiều ứng dụng

trong thực tế 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

nước đã tăng lên nhiều cho các kỹ thuật hiện

đại để xác định, nhận dạng và lần theo các đối

tượng 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 người không thể

chính xác được như các phương pháp nhận

dạng khác như nhận dạng vân tay, nhưng nó

vẫn nhận được sự quan tâm lớn của các nhà

nghiên cứu trong lĩnh vực thị giác máy Lý do

chủ yếu là trên thực tế, mặt người vẫn là cách

truyền thống để con người nhận ra nhau

*

Tel: 0917829740

Một hệ thống nhận dạng mặt người điển hình bao gồm các thành phần chính như hình 1

Hiện nay, có hai hướng tiếp cận chính làm hạt nhân của các kỹ thuật phân tích đặc trưng mặt người: hướng tiếp cận hình học và hướng tiếp cận hình ảnh [1]

 Hướng tiếp cận hình học: sử dụng việc

ánh xạ không gian các đặc trưng mặt người Mặt người được phân loại theo khoảng cách hình học, theo đường bao và theo các góc giữa các điểm

 Hướng tiếp cận hình ảnh: bao gồm việc

xây dựng các mẫu từ những đặc trưng mặt người Mẫu của các đặc trưng nổi bật, hoặc thậm chí là toàn khuôn mặt được thiết lập, việc nhận dạng được thực hiện bằng cách duyệt các khuôn mặt rồi tìm mặt nào khớp nhất với mẫu Mặc dù các hệ thống nhận dạng mặt người hiện tại đã đạt được hiệu quả khá cao, tuy nhiên chúng vẫn còn hạn chế là chỉ tập trung vào một hay một vài phương pháp trích chọn

đặc trưng Có hệ thống chỉ thực hiện nhận dạng dựa trên các đặc điểm về hình học của

Ảnh mặt người

Hình 1 Mô hình hệ thống nhận dạng mặt người

Trích chọn đặc trưng

Phân loại mặt người

Người được nhận dạng

mặt người hoặc có hệ thống chỉ dựa trên các

đặc điểm thống kê

Trong bài báo này, việc trích chọn đặc trưng

sẽ được thực hiện dựa trên những đặc điểm

thống kê của khuôn mặt (cụ thể là phương

pháp phân tích thành phần chính – PCA và

phương pháp phân tách tuyến tính – LDA) và

những đặc điểm về hình thái của khuôn mặt

Phần 2 trình bày các phương pháp trích chọn

đặc trưng Phần 3 trình bày về mạng noron

với thuật toán học lan truyền ngược lỗi, được

dùng để phân loại ảnh Phần 4 trình bày cụ

thể việc thiết kế hệ thống và đánh giá hiệu

quả thực hiện Cuối cùng là phần kết luận

TRÍCH CHỌN ĐẶC TRƯNG

Phương pháp phân tích thành phần chính

Ý tưởng chính của phương pháp phân tích thành

phần chính (PCA – Principal Component

Analysis) là tìm các vector biểu diễn những sự

phân bố đặc trưng nhất của các ảnh trong toàn

bộ không gian ảnh Những vector này hình

thành nên một không gian con của các ảnh được

gọi là “không gian mặt người” [2, 3]

Mỗi ảnh là một ma trận M×N các điểm ảnh,

ma trận này được chuyển thành một vector

bằng cách xếp các cột điểm ảnh liên tiếp

nhau Như vậy, mỗi ảnh được coi là một điểm

trong không gian MN chiều Các vector của

tập ảnh huấn luyện được xếp thành một ma

trận Từ ma trận này, ta sẽ tính được ma trận

hiệp phương sai của dữ liệu, là ma trận trong

đó mỗi phần tử (i, j) là giá trị hiệp phương sai

giữa chiều thứ i và chiều thứ j

Công việc tiếp theo là tính các giá trị riêng và

vector riêng của ma trận hiệp phương sai Các

vector riêng chính là các thành phần đặc trưng

cho sự phân bố của tập dữ liệu Cuối cùng,

ma trận biến đổi của phương pháp PCA là ma

trận hình thành từ các vector riêng ứng với

các giá trị riêng lớn nhất vừa tính được, nghĩa

là các thành phần đặc trưng nhất, còn các

thành phần kém quan trọng hơn sẽ được bỏ

qua để giảm số chiều của dữ liệu

Trong bài báo, tập dữ liệu ảnh được lấy từ cơ

sở dữ liệu ORL (Olivetti Research

Laboratory, Surrey University) Mỗi ảnh có

kích thước 112×92, có thể được coi là một

vector 10304 chiều, hoặc tương đương với

một điểm trong không gian 10304 chiều Hình

2 là một số ảnh gốc trong cơ sở dữ liệu

Áp dụng PCA để giảm số chiều của không gian khổng lồ trên, kết quả thu được là các ảnh đã được biến đổi sau khi phân tích theo các thành phần đặc trưng, các vector riêng được chọn theo các giá trị riêng tương ứng lớn hơn hoặc bằng 10-3, số lượng vector riêng

là 49, nghĩa là mỗi ảnh biểu diễn một điểm trong không gian 49 chiều (hình 3)

Phương pháp phân tách tuyến tính

Phương pháp PCA ở trên còn có nhược điểm

là chỉ làm nổi bật lên các đặc trưng của từng ảnh mà chưa quan tâm đến các ảnh đó là của cùng một người hay của những người khác nhau Phương pháp phân tách tuyến tính (LDA – Linear Discriminant Analysis) có thể khắc phục được những nhược điểm đó Nhiệm vụ chính của phương pháp là tính sự biến thiên giữa các ảnh của những người khác nhau và tính sự biến thiên giữa các ảnh của cùng một người, sau đó tìm một phép biến đổi

để làm cực đại tỉ số của hai sự biến thiên trên Nghĩa là, tập ảnh huấn luyện sẽ được biến đổi sang một không gian mới sao cho sự khác nhau giữa các ảnh của những người khác nhau được tăng lên tối đa, đồng thời cũng làm tăng sự giống nhau giữa các ảnh của cùng một người [3]

Thông thường trong phương pháp LDA, sự phân bố ngoại và sự phân bố nội được dùng làm tiêu chí để phân lớp [4, 5] Ma trận biến

đổi của LDA được hình thành từ tập vector W

= [W 1 , , W d], thỏa mãn:

Hình 2 Ảnh gốc trong cơ sở dữ liệu ORL

Hình 3 Ảnh sau khi biến đổi theo PCA

55

 1 max

arg

W S W

W S W

W

w T b

T



trong đó S w và S b lần lượt là ma trận phân bố

nội và ma trận phân bố ngoại

Nếu ma trận S w là khả nghịch, tỉ số ở công

thức (1) sẽ đạt cực đại khi các vector của W là

các vector riêng của Sw1Sb Đối với bài toán

nhận dạng mặt người, ma trận S w thường

không khả nghịch, vì số lượng ảnh nhỏ hơn

rất nhiều so với số chiều biểu diễn ảnh Có

nhiều phương pháp khác nhau để giải quyết

vấn đề của LDA như phương pháp giả nghịch

đảo, phương pháp không gian con hoặc

phương pháp không gian null Trong bài báo

này, phương pháp giả nghịch đảo được dùng

để giải quyết vấn đề trên [6, 7] Hình 4 là một

số ảnh sau khi biến đổi theo phương pháp

phân tách tuyến tính

Phương pháp biến đổi hình thái

Hai phương pháp PCA và LDA cho phép

phân tích dựa trên các đặc điểm mang tính

thống kê của ảnh Tuy nhiên, các phương

pháp này chưa xét đến những đặc điểm về

hình thái của mặt người Đó chính là những

đặc trưng về đường nét của các bộ phận trên

khuôn mặt như mắt, mũi, miệng Phương

pháp biến đổi hình thái sẽ bổ sung cho những

thiếu sót này của hai phương pháp trên

Xử lý ảnh về hình thái là một phép xử lý trong

đó dạng không gian hoặc cấu trúc của các đối

tượng trong ảnh được chỉnh sửa Phép dãn ảnh

và phép co ảnh là hai thao tác xử lý hình thái

cơ bản Với phép dãn ảnh, một đối tượng sẽ

nổi đều lên trong không gian, còn với phép co

ảnh đối tượng sẽ co đều xuống [8, 9]

Xét một ảnh đa mức xám F(j,k) được lượng tử

hóa với một thang mức xám nào đó Khi đó,

phép dãn ảnh đối với ảnh đa mức xám được

định nghĩa như sau:

, , 1 , 1

1 , , , ,

































k j F

k j F

k j F k j F MAX k

j G

trong đó MAX{S 1 , ,S 9} trả về giá trị lớn nhất trong các giá trị của chín điểm ảnh của lân cận 3×3 Tương tự, phép co ảnh đối với ảnh

đa mức xám được định nghĩa như sau:

, , 1 , 1

1 , , , ,

































k j F

k j F

k j F k j F MIN k

j G

với MIN{S 1 , ,S 9} trả về giá trị nhỏ nhất trong các giá trị của chín điểm ảnh của lân cận 3×3 Hình 5 là một số ảnh mặt người đã được biến đổi qua phép xử lý hình thái

BỘ PHÂN LOẠI - MẠNG NƠRON

Phần 2 đã giới thiệu ba phương pháp trích chọn đặc trưng của ảnh Nhiệm vụ tiếp theo của hệ thống nhận dạng là dựa trên những đặc trưng đã được trích chọn đó, học được cách phân loại ảnh tương ứng với từng người Trong các bộ phân loại hiện nay, nổi trội lên

và được quan tâm nhiều đó là mạng nơron nhân tạo Các mạng nơron nhân tạo có thể được coi như những “mô hình tính toán” với những đặc tính như khả năng thích nghi hay khả năng học, tổng quát hóa, phân cụm hay tổ chức dữ liệu [10]

Trong bài báo này, thuật toán học lan truyền ngược được sử dụng vì thuật toán đã tỏ ra khá hiệu quả đối với bài toán nhận dạng mặt người Khi một mẫu học được đưa vào, các giá trị kích hoạt sẽ được lan truyền đến các nơron ra, tín hiệu ra thực sự của mạng được

so sánh với tín hiệu ra mong muốn Sự khác

biệt giữa các tín hiệu này gọi là lỗi e o với mỗi

nơron ra o Mục đích là phải làm cho e o bằng 0 Theo quy tắc delta [10], để giảm lỗi, các trọng

số được chỉnh sửa theo

ho d y y



Để có thể chỉnh sửa được trọng số từ nơron vào đến các nơron ẩn, cần tiếp tục áp dụng

Hình 5 Ảnh sau khi biến đổi hình thái

Hình 4 Ảnh sau khi biến đổi theo LDA

quy tắc delta Mỗi nơron ẩn h nhận một  từ

mỗi nơron ra o bằng  của nơron ra đó với

trọng số là trọng số của kết nối giữa những

nơron đó

  5





o

ho

o

Sau mỗi lần lặp, giá trị mới của các trọng số

được cập nhật theo giá trị của số gia Quá

trình huấn luyện được tiếp tục đến khi lỗi nhỏ

hơn một ngưỡng cho phép nào đó

CÀI ĐẶT VÀ KIỂM THỬ

Thiết kế hệ thống

Bộ ảnh dữ liệu dùng để kiểm thử hệ thống được

lấy từ cơ sở dữ liệu ORL (Olivetti Research

Laboratory, Surrey University) Các ảnh ở đây

tương đối đa dạng, chúng có thể được chụp ở

những thời điểm khác nhau, với những góc

nghiêng khác nhau, những trạng thái khác nhau

như cười hoặc không cười, đeo kính hoặc

không, nheo mắt, miệng mở hoặc đóng…

MATLAB được sử dụng để cài đặt hệ thống

vì nó được tích hợp một môi trường tính toán

kỹ thuật phù hợp cho các thuật toán được

thiết kế ở đây

Kết quả thực nghiệm

Cơ sở dữ liệu ảnh ORL gồm 10 ảnh cho mỗi

người, chương trình sử dụng 5 ảnh đầu tiên

cho việc huấn luyện mạng và 5 ảnh còn lại để

kiểm thử Mỗi ảnh huấn luyện sẽ được bổ

sung một ảnh ở dạng ảnh gương của nó để

tăng thêm sự đa dạng cho tập ảnh huấn luyện

Các tham số huấn luyện như số lượng các

vector đặc trưng được chọn ở mỗi phương

pháp, tỉ lệ học của mạng nơron, số lượng các

nơron ẩn của mạng là những tham số quan

trọng ảnh hưởng lớn đến thời gian thực hiện

cũng như độ chính xác của hệ thống Hệ

thống đã được kiểm thử nhiều lần để chọn ra

bộ tham số tối ưu, giúp hệ thống đạt được

hiệu quả về thời gian thực hiện và độ chính

xác cao nhất có thể

Với những tham số học đã tính, nếu chỉ sử

dụng phương pháp trích chọn đặc trưng dựa

trên những đặc điểm mang tính thống kê,

chương trình chỉ đạt độ chính xác khoảng

90% Trong khi đó, nếu kết hợp các đặc trưng

mang tính thống kê với những đặc trưng

mang tính hình học, chương trình đã đạt độ

chính xác trên 95%

Đặc biệt, phương pháp xử lý hình thái đã bổ sung cho phương pháp trích chọn đặc trưng mang tính chất thống kê, chương trình đã nhận dạng rất tốt đối với những ảnh có nhiễu Ảnh có nhiễu ở đây là những ảnh đã được chỉnh sửa bằng tay với những loại nhiễu như nhiễu nhị phân, che khuất hoặc xóa bớt một

số bộ phận của khuôn mặt (hình 6)

KẾT LUẬN Bằng cách kết hợp các phương pháp phân tích thống kê và phương pháp biến đổi hình thái,

hệ thống đã đạt được một phương pháp khá hiệu quả đối với bài toán nhận dạng mặt người Phương pháp PCA và LDA trích chọn những đặc trưng mang tính thống kê, kết hợp với phương pháp biến đổi hình thái ảnh cung cấp những đặc trưng mang tính hình học của khuôn mặt giúp hệ thống có được những thông tin đặc trưng tương đối đầy đủ của mỗi người Mạng nơron với thuật toán học lan truyền ngược đã thực hiện khá tốt vai bộ phân loại của hệ thống

Mặc dù hệ thống đã đạt được độ chính xác khá cao, tuy nhiên vẫn còn một tỉ lệ nhỏ chưa chính xác do hệ thống chưa đánh giá được toàn bộ những đặc trưng của mặt người Trong những nghiên cứu tiếp theo nhằm phát triển hoàn thiện hệ thống hơn, việc nhận dạng

có thể kết hợp thêm các phương pháp phân tích khác như nhận dạng mắt, nhận dạng miệng hay nhận dạng mũi là những đặc trưng quan trọng của khuôn mặt

TÀI LIỆU THAM KHẢO

Hình 6 Một số ảnh nhiễu dùng để

kiểm thử hệ thống

57

[1] W Zhao, R Chellappa, P J Phillips, A

Rosenfeld (2003), “Face Recognition - A Literature

Survey”, ACM Computing Surveys, Vol 35 (No 4)

[2] Lindsay I Smith (2002), A Tutorial on

Principal Components Analysis, Cornell

University, USA

[3] http://people.revoledu.com/kardi/index.ht

ml

[4] Kresimir Delac, Mislav Grgic (2007),

“PCA and LDA based Neural Networks for

Human Face Recognition”, Face Recognition,

ISBN 978-3-902613-03-5, I-Tech, Vienna,

Austria

[5] http://en.wikipedia.org/wiki/Linear_discri

minant_analysis

[6] http://en.wikipedia.org/wiki/Moore-Penrose_pseudoinverse

[7] http://en.wikipedia.org/wiki/Singular_val ue_decomposition

[8] William K Pratt (2007), Digital Image

Processing, John Wiley & Sons, Inc., Publication

[9] Ethan Png (2004), Morphological

Shared-Weight Neural Network for Face Recognition,

University of Manchester Institute of Science and Technology

[10] Ben Kröse, Patrick van der Smagt (1996),

An introduction to Neural Networks, The

University of Amsterdam

HUMAN FACE RECOGNITION USING NEURAL NETWORK

Vo Phuc Nguyen

Thai Nguyen University of Technology,

SUMMARY

This paper aims to present a new method in combining feature extraction with neural network to recognize human faces The system implements extracting features of human face from an image

in three methods: Principal Components Analysis (PCA), Linear Discriminant Analysis (LDA), and Morphological processing Then it mentions the neural network with the algorithm of back propagation to drill the categorization which is utilized to recognize the foregoing extracted features When the face recognition is required, the features will be extracted from the input image The features will be recognized by the trained neural networks soon after The results of each distinct network will be compared later on to bring out the final systematic answer Finally,

by using statistical features and morphological features, the performance of the system is quite better than current systems Especially, the system can recognize with noisy images

Keywords: Human Face Recognition, Principal Components Analysis, Linear Discriminant

Analysis, Morphological Processing, Neural Network