Hệ thống dò và nhận dạng khuôn mặt

Hệ thống dò và nhận dạng khuôn mặt

HỆ THỐNG DÒ VÀ NHẬN DẠNG KHUÔN MẶT

Giảng viên : Mai Tiến Dũng.

Nhóm 3

MÔN HỌC : XỬ LÝ ẢNH VÀ ỨNG DỤNG

Nội Dung

AdaBoost.

Khaùi nieôm veă phaùt hieôn khuođn maịt

Phaùt hieổn khuođn maịt laø phöông thöùc maø thođng qua ñoù maùy tính coù theơ xaùc ñònh ñöôïc vò trí vaø töï ñoông ñònh dáng ñöôïc kích thöôùc cụa hình ạnh khuođn maịt döïa vaøo caùc hình ạnh thöïc teâ ta ñöa vaøo hoaịc töø ñoán video webcam

Noù seõ doø vaø nhaôn dáng caùc ñaịc ñieơm cụa khuođn maịt vaø töï ñoông loái boû caùc chi tieât coøn lái cụa hình ạnh nhö cađy coâi, ñöôøng saù ,

toøa nhaø v.v.

Hình ạnh minh hóa

Khái niệm về phát hiện khuôn mặt

Hình ảnh thu được

sau khi hệ thống

đã tự động dò tìm

Khái niệm về nhận dạng khuôn mặt

Nhận dạng khuôn mặt là phương thức mà nó sẽ xác định các đối tượng khuôn mặt trên hình ảnh là ai (là người đã biết hay chưa biết) sau khi dò và định dạng được vị trí của các khuôn mặt trên hình ảnh

Phương thức này dựa vào một cơ sở dữ liệu có sẵn chứa các hình ảnh và tên để xác định khuôn mặt đưa vào đã tồn tại hay chưa

Khái niệm về nhận dạng khuôn mặt

Hình ảnh minh họa sau khi hệ thống

đã phát hiện và nhận dạng được

đối tượng từ hình ảnh đưa vào.

(Các đối tượng này đã được lưu vào

database nên có kết quả thu được

như hình ảnh )

Các hướng tiếp cận phát hiện khuôn mặt

Có rất nhiều phương pháp để thực hiện dò và nhận dạng đối tượng khuôn mặt Dựa vào tính chất của các phương pháp ,ta chia ra làm 4 nhóm chính :

+ Hướng tiếp cận dựa trên tri thức

+ Hướng tiếp cận dựa trên đặc tả không thay đổi

+ Hướng tiếp cận dựa trên so khớp mẫu.

+ Hướng tiếp cận dựa vào diện mạo

Các phương pháp và thuật toán

phát hiện khuôn mặt

Hướng tiếp cận tri thức :

Mã hóa hiểu biết của con người về các loại khuôn mặt và tạo ra tập luật để xác định khuôn mặt

Hướng tiếp cận dựa trên đặc tả không thay đổi :

Tạo ra các thuật toán với mục tiêu : tìm ra các đặc trưng mô tả cấu trúc của khuôn mặt (tư thế , vị trí đặt camera ,màu sắc, độ sáng tối,độ tương phản)

Hướng tiếp cận dựa vào so khớp mẫu :

Sử dụng các mẫu khuôn mặt chuẩn hay các đặc trưng của mặt người để thực hiện so khớp

Hướng tiếp cận dựa vào diện mạo :

Dựa vào diện mạo đặc trưng ,sử dụng phương pháp học từ một tập ảnh huấn luyện mẫu để xác định mặt người

Các phương pháp và thuật toán

phát hiện khuôn mặt

Thuật toán “Sung & Poggio” với chiến lược “Bootstrapping” dựa vào hướng tiếp cận tri thức

Thuật toán “Osuna & Rhomdhani” dựa vào hướng tiếp cận so khớp mẫu

(tạo ra các vector từ ảnh mẩu để máy có thể so khớp ) và về sau được Rhomdhani cải thiện tốc độ với “SVM based face detector”

“Propose a statistical model” do Schneiderman & Kanade phát hiện

“Nhận dạng khuôn mặt dựa vào mạng neural network” của Rowley

“AdaBoost to create HaarCascade Classifier” của Viola-Jones để kết hợp với các đặc trưng của Haar-like và dựa vào hướng tiệp cận diện mạo để tạo ra quy trình học máy qua từng tầng của mô hình

Các phương pháp và thuật toán

phát hiện khuôn mặt

Hướng tiếp cận được sử dụng là : Hướng tiếp cận dựa vào diện mạo

Hướng ti p c n này sẽ dựa vào bộ phân loại mạnh AdaBoost do Viola và Jones triển khai vào ế ậ năm 2001 cùng với sự kết hợp của các đặc trưng Haar-Like để tạo ra một mô hình phân tầng có tên là “Haar Cascade Classifier”.

Đây là một mô hình để phân loại các vùng hình ảnh dựa vào các mô hình AdaBoost ở mỗi tầng ,từ đó định dạng ra hình ảnh khuôn mặt

AdaBoost là một thuật toán máy học để tạo ra quá trình huấn luyện và từ đó xây dựng được một tập huấn luyện từ quy trình phân tầng sau :

Các phương pháp và thuật toán

phát hiện khuôn mặt

Mô hình phân tầng do thuật toán của Viola-Jones tạo ra :

asdash Hk là một bộ

phân loại yếu(weak classifier) và được bie biểu diễn như trên.

Mô hình phân tầng

Cascade-Thuật toán Viola-Jones

Bước đầu của thuật toán nhận dạng này :

Scale tỉ lệ hình ảnh dò tìm Phân tích ma trận (mảng 2 chiều) hình ảnh đầu vào thành một ma trận tích phân với kích thước bằng kích thước của ảnh

cần tính các giá trị Haar-like

Với mỗi phần tử của mảng này được tính bằng cách tính tổng điểm ảnh phía trên (dòng - 1) và bên trái (cột -1) của nó

Đây là cách chuyển đổi để tính mức xám của một vùng bất kì trên ảnh và từ đó kết hợp với các đặc trưng của like dựa vào bộ phân loại AdaBoost trên nguyên tắc kết hợp các lớp yếu để tạo ra bộ phân loại mạnh

Các đặc trưng của Haar-like

Có 4 đặc trưng cơ bản để xác định khuôn mặt người được rút ra từ thuật toán của Viola và Jones Mỗi đặc trưng Haar-like là sự kết hợp của 2 hoặc 3 hình chữ nhật “trắng ” hay “đen” như trong các hình sau :

Và các đặc trưng lại tiếp tục được chia ra thành 3 loại đặc trưng :

2. Đặc trưng đường (line features):

Khái quát về mô hình phân tầng

Những mẫu là background dễ nhận dạng sẽ bị loại trừ ngay ở những tầng đầu tiên , đáp ứng tốt thời gian xử lý và duy trì hiệu quả

Mô hình phân tầng

Cascade-Thuật toán Viola-Jones

Tổng thể quy trình dò và phát hiện khuôn mặt :

Ứng dụng của nhận dạng

khuơn mặt

Ở cuộc sống hiện đại ngày nay , nhận dạng khuôn mặt đã là hệ thống thực sự cần thiết để lưu trữ thông tin của cá nhân hay tổ chức ,công ty nào đó và khi đó độ đảm bảo bảo mật về thông tin cá nhân hay nhân viên cũng được tăng cao

Trong nhiều ứng dụng giám sát,các nơi công cộng chúng ta không thể yêu cầu tất cả mọi người đưa ngón tay để cùng nhận dạng vân tay Vì vậy , ta cần hệ thống giám sát tương tự mắt người để xác định danh tính một người Để phục vụ nhu cầu này và quan sát trạng thái vật lý của con người , nhận dạng khuôn mặt đã bắt đầu được áp dụng rộng rãi

Các phương pháp

thuật toán nhận dạng khuôn mặt

2. Phương pháp phân tính đặc trưng tuyến tính (Linear Discriminant Analysis) LDA

3. Mã hóa nhóm hình ảnh thành đồ thị hợp nhất có tính linh hoạt của đồ thị (Elastic Bunch Graph Matching)

EBGM

5. Động cơ liên kết nơ-ron linh hoạt (The neural motivated dynamic link matching)

Phương pháp sử dụng và tìm hiểu: Phân tích các thành phần chính (thuật toán PCA) Vì đây là phương pháp tương đối đơn giản và mang lại tính hiệu quả cao Phương pháp này dựa vào EigenFaces để nhận dạng và chương trình được cài đặt trên môi trường C# nên cần sự hỗ trợ của thư viện EmguCV và thuật toán phát hiện khuôn mặt Viola-Jones

Thuật toán nhận dạng khuôn mặt

(PCA)

Hiệu suất của phương pháp PCA?

Phương pháp PCA mang về kết quả nhận dạng chưa bao giờ được khẳng định đúng hẳn 100% mặc dù vớiù những hình ảnh chất lượng nó có thể đạt hiệu quả tối đa (xấp xỉ 100%) nhưng không phải là luôn luôn đạt được

Hiệu suất của phương pháp này được đánh giá độ chính xác từ khoảng 70-80%

Thuật toán nhận dạng khuôn mặt

PCA là phương pháp đơn giản nhất để phân tích đa biến dựa trên các vector đặc trưng

PCA cung cấp một bức ảnh ít chiều ,một ảnh hiện thực nhất khi ta quan sát chính những đặc trưng cơ bản của con người hay vật thể

Thuật toán nhận dạng khuôn mặt

(PCA)

Đặc trưng:

Giảm số chiều của ma trận dữ liệu

Thay vì giữ lại các trục tọa độ của không gian cũ , PCA xây dựng một không gian mới ít chiều hơn nhưng lại có khả năng biểu diễn dữ liệu tốt tương đương không gian cũ Điều này đảm bảo độ biến thiên (variability) của dữ liệu trên mỗi chiều mới

Các trục tọa độ trong không gian mới là tổ hợp tuyến tính của không gian cũ do đó PCA xây dựng đặc tính mới dựa trên các đặc tính đã quan sát được Điểm hay là các đặc tính mới có thể biểu diễn tốt dữ liệu ban đầu

Trong không gian mới ,các tiềm ẩn hay các mối liên kết của dữ liệu có thể được khám phá trong khi ở những không gian cũ và nhiều chiều với dữ liệu phức tạp thì có thể khó phát hiện hơn

Thuật toán nhận dạng khuôn mặt

(PCA)

Tóm gọn đặc trưng :

Mục tiêu của phương pháp PCA này là tìm một không gian mới (với số chiều nhỏ hơn không gian cũ)

Các trục không gian mới được xây dựng sao cho trên mỗi trục ,độ biến thiên của dữ liệu là lớn nhất có thể

Ví dụ kinh điển của thuật

toán này là hình ảnh lạc đà

Phép chiếu lên các trục tọa độ khác nhau có thể cho ta thêm các cách nhìn rất khác về cùng một dữ liệu

Thuật toán nhận dạng khuôn mặt

(PCA)

Giả sử tập dữ liệu ban đầu (tập điểm màu xanh) được quan sát trong khơng gian 3 chiều (trục màu đen) như hình bên trái Rõ ràng 3 trục này khơng biểu diễn được tốt nhất mức độ biến thiên của dữ liệu PCA do đĩ sẽ tìm hệ trục tọa độ mới (là hệ trục màu đỏ trong hình bên trái) Sau khi tìm được khơng gian mới, dữ liệu sẽ được chuyển sang khơng gian này để được biểu diễn như trong hình bên phải Rõ ràng hình bên phải chỉ cần 2 trục tọa độ nhưng biểu diễn tốt hơn độ biến thiên của dữ liệu so với hệ trục 3 chiều ban đầu.

Thuật toán nhận dạng khuôn mặt

(PCA)

Các thành phần chính :

Tham số dữ liệu (variable) : Hình ảnh khuôn mặt đưa vào để nhận dạng

Thành phần quan trọng nhất : EigenFace (được mã hóa từ dữ liệu hình ảnh đầu vào )

Cơ sở dữ liệu (dataset) : Chứa đựng tập các hình ảnh đã được huấn luyện

(training images)

Thuật toán nhận dạng khuôn mặt

(PCA)

Ý tưởng thuật toán:

Tập huấn luyện (training images gồm M

hình ảnh bất kì)

Tranformation

Sau khi biến đổi , tập dữ liệu mới gồm K eigen faces với (K<M)

Thuật toán nhận dạng khuôn mặt

(PCA)

Nội dung thuật toán :

toán:a Mỗi hình ảnh đươc lưu vào tập huấn luyện TrainingSet sẽ được phân tích thành W thành phần chính ,các thành phần này sẽ được chuyển đổi qua EigenFace và nhận được

K eigenFace sao cho (K <(tập hình ảnh ban đầu M))

Thuật toán nhận dạng khuôn mặt

(PCA)

Nội dung thuật toán :

Khi eigen faces hiển thị ra các chi tiết ở tập huấn luyện ,mỗi thủ tục để tạo ra eigenface kế tiếp sẽ ngày càng bị mất chi tiết và xuất hiện thêm nhiều điểm mờ hơn và các eigen mờ sẽ được loại bỏ và không xét đến

Thuật toán nhận dạng khuôn mặt

(PCA)

Nội dung thuật toán :

Khi eigen faces hiển thị ra các chi tiết ở tập huấn luyện ,mỗi thủ tục để tạo ra eigenface kế tiếp sẽ ngày càng bị mất chi tiết và xuất hiện thêm nhiều điểm mờ hơn và các eigen mờ sẽ được loại bỏ và không xét đến

Demo program

Hết

Cám ơn các bạn và thầy đã lắng nghe

www.animationfactory.com