Phương pháp nhận dạng khuôn mặt người và ứng dụng trong quản lý nhân sự

Để giải quyết vấn trên tôi xin xuất ra phương pháp phát hiện khuôn mặt sử d ng phương pháp Viola jone face detection, trích chọn ặc trưng sử d ng phương pháp Weber local Descriptor và kế

ĐẠI HỌC QUỐC GIA HÀ NỘI

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ

NGUYỄN THỊ THUỶ

PHƯƠNG PHÁP NHẬN DẠNG KHUÔN MẶT NGƯỜI

VÀ ỨNG DỤNG TRONG QUẢN LÝ NHÂN SỰ

Ngành: Khoa học máy tính Chuyên Ngành: Khoa học máy tính

LỜI CAM ĐOAN

Luận văn thạc sĩ tài “Nhận dạng khuôn mặt người và ứng d ng trong quản l

nh n s là công trình cá nh n tôi Các nội dung nghiên cứu và kết quả trình bày trong

lu n văn này là trung th c và rõ ràng Các tài liệu tham khảo ược trích dẫn ầy ủ và

ghi rõ nguồn gốc

Tác giả luận văn k và ghi rõ họ tên

MỤC LỤC

LỜI CAM ĐOAN i

MỤC LỤC iii

DANH MỤC HÌNH VẼ, ĐỒ THỊ v

DANH MỤC CÁC TỪ VIẾT TẮT vii

PHẦN MỞ ĐẦU 1

1 L do chọn tài 1

2 M c ích nghiên cứu của luận văn, ối tượng, phạm vi nghiên cứu M c ích của luận văn: 1

3 Nội dung lu n văn 2

CHƯƠNG 1: BÀI TOÁN NHẬN ĐỐI TƯỢNG NHẬN DẠNG KHUÔN MẶT 3

1.1 Tổng quan và các khái niệm liên quan ến nhận dạng khuôn mặt 3

1.1.1 Hệ thống sinh trắc học 3

1.1.2 Hệ thống nhận dạng khuôn mặt 3

1.1.3 Hệ thống xác minh hay xác th c khuôn mặt là gì 3

1.1.4 Những thách thức trong bài toán nhận dạng khuôn mặt 4

1.2 Tổng quan v các ứng d ng tương tác người máy liên quan tới khuôn mặt 4 1.3 Hướng tiếp cận chính trong lĩnh v c nhận dạng khuôn mặt 4

1.3.1 Các công trình nghiên cứu v Phương pháp nhận dạng và kiểm chứng chất lượng cho một hệ thống nhận dạng khuôn mặt 4

1.3.2 Hướng tiếp cận của luận văn 7

CHƯƠNG 2: CÁC KỸ THUẬT CHO NHẬN DẠNG KHUÔN MẶT 8

I Học máy 8

1.1 Phương pháp Deep Learning (CNN) 8

1.2 Phương pháp truy n thống 8

II Các kỹ thuật sử d ng trong nhận dạng khuôn mặt 9

2.1 Phát hiện khuôn mặt (Viola Jone Face detection) 9

2.2 Trích chọn ặc trưng Weber local Descripor- WLD 12

2.3 Giới thiệu phương pháp ph n tích thành phần chính PCA 15

2.3.1 Giới thiệu phương pháp PCA 15

2.3.2 Đặc trưng PCA 19

2.3.3 Phương pháp ph n tích thành phần chính(PCA) 19

2.3.4 Các bước th c hiện trích chọn ặc trưng PCA 21

2.4 Học máy hộ trợ vestor SVM 23

2.4.1 Cơ sở l thuyết 23

2.4.2 SVM tuyến tính 23

2.4.3 SVM Phi Tuyến tính 25

CHƯƠNG 3: ỨNG DỤNG CÁC KỸ THUẬT TRONG NHẬN DẠNG KHUÔN MẶT 30

3.1 Phát hiện khuôn mặt (Viola Jone Face Detection) 30

3.2 Trích chọn ặc trưng (WLD) 30

3.3 Ph n tích thành phần chính PCA và nhận dạng/ph n lớp SVM 31

3.4 Mô tả dữ liệu 32

3.4.1 Thu nhập dữ liệu 32

3.4.2 iểu diễn dữ liệu khuôn mặt trong máy tính 34

3.4.3 Dữ liệu huấn luyện 35

3.5 Kết quả th c nghiệm 35

3.6 Ứng d ng trong quản l nh n s 37

3.6.1 Mô hình nhận dạng trong quản l nh n s 37

3.6.2 Giao diện màn hình chức năng nhận dạng 38

3.6.3 Giao diện màn hình chức năng quản l bộ phận 39

3.6.4 Giao diện màn hình chức năng quản l phòng ban 40

3.6.5 Giao diện màn hình chức năng quản l nh n s 41

DANH MỤC HÌNH VẼ, ĐỒ THỊ

Hình 0.1 So sách tác v nhận dạng khuôn mặt và xác minh khuôn mặt 3

Hình 0.2 Mô phỏng nhận dạng khuôn mặt 7

Hình 0.3 Haar Features sử d ng trong Violo Jones 9

Hình 0.4 Applying on a give image 9

Hình 0.5 Ví d v Haar features 91

Hình 0.6 Ví d ảnh Integral 91

Hình 0.7 Ảnh ví d tính Ô pixcel 92

Hình 0.8 Các bước loại khuôn mặt hay không 93

Hình 0.9 Kết quả phát hiện khuôn mặt 93

Hình 0.10 Tính kích thích sai khác 95

Hình 0.11 Ảnh trên là ảnh gốc, ảnh thứ 2 là ảnh trích chọn ặc trưng 95

Hình 0.12 Minh họa v tính toán của WLD 96

Hình 0.13 L a chọn các tr c toạ ộ mới ể biểu diễn dữ liệu [11] 178

Hình 0.14 Siêu măt ph n cách tuyến tính cho trường hợp ph n cách ược và k Hiệu các support vestor chính là các diểm ược bao bằng vi n tròn 242

Hình 0.15 ảnh, trong H, với hình vuông [1,-1] €R2 dưới ánh xạ ϴ 27

Hình 0.16 c y nhị ph n: Cấu trúc c y nhị ph n với số lớp bằng số mũ của 2 Phải: số mũ không bằng số mũ của 2 29

Hình 0.17 Mô hình quá trình tạo các ặc trưng mặt 31

Hình 0.18 Mô hình sử d ng trong nhận dạng khuôn mặt 31

Hình 0.19 Mô hình quá trình tạo các ặc trưng mặt 312

Hình 0.20 ảnh ban ầu ược biểu diễn theo các trọng số và eigenface 323

Hình 0.21 Ví d v ảnh của một người trong Yale face Database 334

Hình 0.22 Ảnh 12 khuôn mặt người ược ánh thứ t từ 1 ến 12 334

Hình 0.23 Kích thước chuẩn hóa của một mẫu khuôn mặt trong học tập 345

Hình 0.24 Một phần của tập ảnh luyện 356

Hình 0.25 Một phần của tập ảnh thử nghiệm 356

Hình 0.26 Bảng 1.1 Bảng Th c nghiệm nhận dạng số lượng ảnh 367

Hình 0.27 kết quả th c nghiệm so với chỉ sử d ng PCA 367

Hình 0.28 Mô hình nhận dạng ở cửa ra vào tại cơ quan 378

DANH MỤC CÁC TỪ VIẾT TẮT

PHẦN MỞ ĐẦU

1 Lý do chọn đề tài

Nhận dạng khuôn mặt là một trong những lĩnh v c mới của xử l ảnh Và

ngày nay nhận dạng ược sử d ng rộng rãi trong nhi u lĩnh v c của ời sống

như nhận dạng trong lĩnh v c thương mại, hay phát hiện trong lĩnh v c an ninh,

hay trong xử l video, hình ảnh Một trong những ứng d ng tiểu biểu nhận dạng

ang sử d ng phổ biến hiện này trong nhận dạng khuôn mặt người là ứng d ng

trong iện thoại di ộng c thể như IphoneX và Sangsung ang sử d ng

Hiện nay có rất nhi u các Phương pháp nhận dạng khác nhau ược x y

d ng ể nhận dạng một người c thể trong thế giới th c ta có thể nói tới một số

phương pháp như: học máy và học s u.Tuy nhiên hai phương pháp này lại có

nhược iểm lớn là phải x y d ng một tập cơ sở dữ liệu lớn và ồng thời việc xử

l dữ liệu lớn òi hỏi phải nhanh và chính xác Vậy nên hai phương pháp trên sẽ

mất thời gian ể nhận dạng nhiệm v ặt ra là nghiên cứu và x y d ng một

chương trình sử d ng Phương pháp nhận dạng có ộ chính xác cao mà khối

lượng và thời gian tính toán lại ít

Để giải quyết vấn trên tôi xin xuất ra phương pháp phát hiện khuôn

mặt sử d ng phương pháp Viola jone face detection, trích chọn ặc trưng sử

d ng phương pháp Weber local Descriptor và kết hợp ph n tích thành phần

chính sử d ng phương pháp PCA và học máy vestor (SVM) ể nhận dạng

khuôn mặt

2 Mục đích nghiên cứu của luận văn, đối tƣợng, phạm vi nghiên cứu Mục

đích của luận văn:

Nghiên cứu tài này nhằm m c ích tìm hiểu bài toán nhận dạng khuôn

mặt, từ ó x y d ng các hệ thống ứng d ng trong th c tiễn như: iểm danh,

giám sát người ra vào, an ninh trong s n bay

Đối tƣợng và phạm vi áp dụng:

Đ tài tập trung tìm hiểu một số phương pháp nhận dạng khuôn mặt người

phổ biến hiện nay và ưa ra phương án nhận dạng cho bài toán nhận dạng khuôn

mặt người

Để đặt được mục tiêu trên đề tài tập trung tìm hiểu các nội dung sau:

- Tìm hiểu phương pháp phát hiện khuôn mặt sử d ng phương pháp Viola

Jones Face Detection

- Trích chọn ặc trưng sử d ng phương pháp Weber Local Description

- Phương pháp ph n tích thành phần chính

- Phương pháp học máy vestor (SVM)

3 Nội dung luân văn

Luận văn này gồm 3 chương, c thể như sau:

Chương 1: BÀI TOÁN NHẬN ĐỐI TƯỢNG NHẬN DẠNG KHUÔN

MẶT

Giới thiệu các cách thức nhận dạng khuôn mặt người, vì sao nên nhận

dạng người bằng khuôn mặt, tầm quan trọng của bài toán trong th c tiễn, một số

ứng d ng th c tiễn của bài toán nhận dạng khuôn mặt

Chương 2: CÁC KỸ THUẬT CHO NHẬN DẠNG KHUÔN MẶT

Giới thiệu v 4 phương pháp sử d ng nhận dạng khuôn mặt ược sử d ng

trong luận văn là phương pháp phát hiện khuôn mặt( Viola Jone Face

Detection), phương pháp trích chọn ặc trưng (WLD), ph n tích thành phần

chính (PCA) và máy vector hỗ trợ (SVM)

Chương 3: ỨNG DỤNG CÁC KỸ THUẬT TRONG NHẬN DẠNG

KHUÔN MẶT

Đưa ra mô hình x y d ng bài toán nhận dạng khuôn mặt người, các bước

th c hiện và ánh giá thử nghiệm

Hệ thống sinh trắc học là một hệ thống ược thiết kế ể xác minh và nhận

dạng một người d a vào những ặc trưng sinh học duy nhất của người ó

1.1.2 Hệ thống nhận dạng khuôn mặt

Hệ thống nhận dạng khuôn mặt là một hệ thống ược thiết kế ể tìm

thông tin của một người Kĩ thuật nhận dạng là kiểm tra s phù hợp d a trên

phép so sánh một-nhi u c thể là tìm ra một người là ai trong số những người ã

ược lưu trữ trong hệ thống d a vào thông tin khuôn mặt

1.1.3 Hệ thống xác minh hay xác thực khuôn mặt là gì

Hệ thống xác minh/xác th c khuôn mặt là một hệ thống ược thiết kế ể

xác minh thông tin của một người Kĩ thuật xác minh là kiểm tra s phù hợp trên

phép so sánh một-một c thể là ối chiếu thông tin mới nhận v một người với

thông tin ã lưu trữ v người này có khớp hay không d a trên thông tin khuôn

mặt

1.1.4 Những thách thức trong bài toán nhận dạng khuôn mặt

Những biến ổi quá lớn giữa các ảnh khuôn mặt khác nhau từ một người

cần nhận dạng gồm trạng thái cảm xúc trên khuôn mặt, ánh sáng, và các thay ổi

vị trí của khuôn Giới hạn v số ảnh cần thiết cho việc nhận dạng, tập học không

thể bao quát ược tất cả các biến ổi có thể có trên khuôn mặt của một người

cần nhận dạng trong thế giới th c

1.2 Tổng quan về các ứng dụng tương tác người máy liên quan tới khuôn

mặt

Từ những năm 1990 trở lại y, chúng ta ã chứng kiến s phát triển như

vũ bão của các ngành công nghiệp, ặc biệc là ngành công nghiệp chế tạo iện

tử.Tuy nhiên hiện nay các thiết bị iện tử cao cấp như máy ảnh số, camera kĩ

thuậtsố,vànhi u sản phẩm khác dường như chỉ phù hợp cho các phòng thí

nghiệm, các công ty sản xuất kinh doanh, thương mại, tài chính, ng n hàng,

Trong thời gian không xa từ 3 ến 10 năm nữa, chi phí cho các thiết bị này sẽ

giảm áng kể Khi ó sẽ mở ra nhi u hướng nghiên cứu v thị giác máy tính,

ồng thời sẽ có nhi u ứng d ng trong giao tiếp giữa người với máy tính mà

trong ó hệ thống nhận dạng mặt người óng một vai trò không nhỏ Dưới y

chúng tôi liệt kê một số ứng d ng

 Các ứng d ng chuyên biệt trong ngành hàng không

 Ứng d ng sử d ng trong nhà thông minh,…

1.3 Hướng tiếp cận chính trong lĩnh vực nhận dạng khuôn mặt

1.3.1 Các công trình nghiên cứu về Phương pháp nhận dạng và kiểm

chứng chất lượng cho một hệ thống nhận dạng khuôn mặt

ài toán nhận dạng khuôn mặt cần xác ịnh hai vấn chính: dùng thông

tin nào ể nhận dạng: ch n mày, cặp mắt, mũi, môi, tai, hay kết hợp các thông

tin trên.Và dùng phương pháp nào ể huấn luyện cho máy nhận dạng dùng

nguồn thông tin ó Nhận dạng khuôn mặt trên máy tính ã trãi qua nhi u bước

thăng trầm với các kết quả như sau:

 Wenyi Zhao, Arvindh Krishnaswamy, Rama Chellappa, Danie L.Swets,

ohn Weng (1998)[1] sử d ng phương pháp PCA (ph n tích thành phần

chính) kết hợp LDA (ph n tích ộc lập tuyến tính) ước 1, chiếu ảnh

khuôn mặt từ không gian ảnh thô sang không gian các không gian khuôn

mặt (Mỗi lớp khuôn mặt ược nhận dạng sẽ ược mô hình hóa bằng một

không gian khuôn mặt) dùng PCA ước 2, sử d ng phương pháp LDA

ể tạo bộ ph n loại tuyến tính có khả năng ph n lớp các lớp khuôn mặt

 Emmanuel Viennet và Francoise Fogelman Soulie (1998),[3] sử d ng

phương pháp mạng neural nh n tạo ể xử l và nhận dạng khuôn mặt

 Antonio J.Colmenarez và Thomas S.Huang (1998),[4] sử d ng kỹ thuật

học thị giác và phù hợp mẫu 2-D Ông quan niệm bài toán dò tìm khuôn

mặt là thao tác ph n loại khuôn mặt trong ó khuôn mặt thuộc v một

lớp và các ối tượng khác thuộc v lớp còn lại bằng cách ước lượng mô

hình xác suất cho mỗi lớp, và việc dò tìm sử d ng luật quyết ịnh

Maximum-likelihood

 Kazunori Okada, Johannes Steffens, Thomas Maurer, Hai Hong, Egor

Elagin, Hartmut Neven, and Christoph (1998),[5] nhận dạng khuôn mặt

d a vào sóng Gabor và phương pháp phù hợp ồ thị bó Với tưởng

dùng ồ thị ể biểu diễn khuôn mặt, ảnh khuôn mặt ược ánh dấu tại

các vị trí ã ược xác ịnh trước trên khuôn mặt, gọi các vị trí này chính

là các vị trí chuẩn Khi th c hiện thao tác so khớp ồ thị với một ảnh,

các iểm chuẩn (Jets) sẽ trích ra từ ảnh và so sánh các iểm chuẩn này

với tất cả các iểm chuẩn tương ứng trong các ồ thị khác nhau, và ồ

thị nào phù hợp nhất với ảnh sẽ ược chọn

 aback Moghaddam và Alex Pentland (1998) [6], ưa ra phương pháp

phù hợp thị giác tr c tiếp từ các ảnh cần sử d ng cho m c ích nhận

dạng khuôn mặt và dùng ộ o xác suất ể tính ộ tương t

tính huống theo d ịnh là thông tin rất quan trọng, từ ó nhận ược mô

tả ầy ủ hơn v khuôn mặt cho m1 c ích thu thập mẫu và nhận dạng

 Jeffrey Huang, Chengjun Liu, và Harry Wechsler (1998)[8], xuất

thuật toán căn cứ trên tính tiến hóa (Evolutionary computation) và di

truy n (Genetic) cho các tác v nhận dạng khuôn mặt Đối với cách tiếp

cận này, hai mắt sẽ ược dò tìm trước tiên và thông tin này ược xem là

vết ể quan sát khuôn mặt, trình xử l dò tiếp mắt bằng cách sử d ng

một thuật toán lai ể kết hợp thao tác học và tiến hóa trong quá trình

học

 Daniel graham và Nigel M Allinson (1998)[9], sử d ng phương pháp

ược gọi là tạo bản sao không gian ặc trưng ể biểu diễn và nhận dạng

hướng di chuyển của khuôn mặt

 Oi in Sun, Chian Prong Lam và Jian Kang Wu (1998)[10], sử d ng

phương pháp tìm vùng hai ch n mày, hai mắt, mũi, miệng và cằm Ảnh

khuôn mặt thẳng ban ầu ược chiếu theo chi u ngang ể tìm các giá trị

iểm ảnh thỏa ngưỡng cho trước, ồ thị biểu diễn theo tr c ngang sẽ

ịnh vị vị trí biên trên và biên dưới của hình chữ nhật bao các ặc trưng

c c bộ khuôn mặt Tương t với chi u ứng ể tìm ra ường biên bên

trái và phải cho các vùng ặc trưng

 Ara V.Nefian và Monson H.Hayes III (1998)[12] trình bày hướng tiếp

cận theo mô hình mô hình Markov ẩn (HMM) trong ó ảnh mẫu khuôn

mặt ược lượng hóa thành chuỗi quan sát trên khuôn mặt theo quan

niệm d a trên thứ t xuất hiện các ặc trưng khuôn mặt {hai ch n mày,

hai lông mi, mũi, miệng, cằm} Trong chuỗi quan sát ó, mỗi quan sát

lại là một vector nhi u chi u và mỗi vector quan sát này ược sử d ng

ể ặc trưng cho mỗi trạng thái trong chuỗi trạng trạng thái của HMM

Mỗi người ược ước lượng bằng một mô hình của HMM

 Guodong Guo, stan Z.LI, Kap luk chan(17 january 2001), dùng phương

pháp SVM ể nhận dạng khuôn mặt Sử d ng chiến lược kết hợp nhi u

bộ phận loại nhị ph n ể x y d ng bộ ph n loại SVM a lớp

1.3.2 Hướng tiếp cận của luận văn

Trong tài này chúng tôi sử d ng phương pháp Phát hiện khuôn mặt sử

d ng phương pháp Viola Jone Face Detection, Trích chọn ặc trưng sử d ng

phương pháp Weber Local Descripor, ph n tích thành phần chính và phương

pháp ph n lớp SVM ể nhận dạng

Sơ ồ hệ thống nhận dạng khuôn mặt ược minh họa trong hình sau:

Hình 0.2 Mô hình nhận dạng khuôn mặt người

CHƯƠNG 2: CÁC KỸ THUẬT CHO NHẬN DẠNG KHUÔN MẶT

I Học máy

1.1 Phương pháp Deep Learning (CNN)

CNN là một trong những mô hình deep learning tiên tiến giúp x y d ng

hệ thống thông minh với ộ chính xác cao trong xử l ảnh CNN ược sử d ng

nhi u trong các bài toán nhận dạng object trong ảnh Tuy nhiên phương pháp

này lại có nhược iểm lớn là phải x y d ng một tập cơ sở dữ liệu lớn (mỗi tập

dữ liệu huấn luyện phải sử d ng ít nhất 1000 nhãn mới mang lại hiệu quả cao)

và ồng thời việc xử l dữ liệu lớn òi hỏi phải nhanh và chính xác

Mạng CNN là là một tập hợp các lớp Convolution chồng lên nhau và sử

d ng các hàm nonlinear activation như ReLU và tanh ể kích hoạt các trọng số

trong các node Mỗi một lớp sau khi thông qua các hàm kích hoạt sẽ tạo ra các

thông tin trừu tượng hơn cho các lớp tiếp theo Mỗi một lớp sau khi thông qua

các hàm kích hoạt sẽ tạo ra các thông tin trừu tượng hơn cho các lớp tiếp theo

Trong mô hình mạng truy n ngược (feedforward neural network) thì mỗi neural

ầu vào (input node) cho mỗi neural ầu ra trong các lớp tiếp theo Mô hình này

gọi là mạng kết nối ầy ủ (fully connected layer) hay mạng toàn vẹn (affine

layer) Còn trong mô hình CNNs thì ngược lại Các layer liên kết ược với nhau

thông qua cơ chế convolution Layer tiếp theo là kết quả convolution từ layer

trước ó, nhờ vậy mà ta có ược các kết nối c c bộ Như vậy mỗi neuron ở lớp

kế tiếp sinh ra từ kết quả của filter áp ặt lên một vùng ảnh c c bộ của neuron

trước ó

1.2 Phương pháp truyền thống

PCA và SVM: Phương pháp PCA giảm bớt số thành phần không cần

thiết tạo ra hiệu quả tính toán nhanh mà vẫn ảm bảo ược ộ chính xác Sau khi

PCA ưa ra ược các ặc trưng tốt sẽ dùng SVM ể ph n lớp và nhận khuôn

mặt

II Các kỹ thuật sử dụng trong nhận dạng khuôn mặt

2.1 Phát hiện khuôn mặt (Viola Jone Face detection)

- Haar features: tưởng : ộ sáng tối của các vùng trên gương mặt là khác

nhau Ví d : vùng mắt tối hơn vùng má, vùng mũi sáng hơn vùng hai bên

- Kết quả của mỗi ặc trưng ược tính bằng hiệu của tổng các pixel trong

mi n ô trắng trừ i tổng các pixel trong mi n ô en

Hình 0.3 Haar Features sử dụng trong Viola Jones (Nguồn: bài báo Viola Jone face detection)

Hình 0.4 Applying on a give image (Nguồn: bài báo Viola Jone face detection)

Thuật toán viola jones sử d ng cửa sổ 24x24 ể ánh giá các ặc trưng

của ảnh Nếu xem xét tất cả các tham số của các ặc trưng, ta tính ược khoảng

160.000+ ặc trưng cho mỗi cửa sổ

Hình 0.5 Ví dụng về các haar features (Nguồn: Bài báo Viola Jone face detection)

- Integral Image: giá trị ở pixel (x, y) là tổng của các pixel ở trên và bên

trái (x,y) Cho phép tính tổng của các pixel trong bất kì hình chữ nhật chỉ với 4

giá trị ở 4 góc

Hình 0.6 Ví dụ ảnh Integral

Hình 0.7 Ảnh Ví dụ tính 1 ô pixcel

Trong các pixels: D=1 + 4 – (2+3) = A + (A + B +C + D)- (A+C + B) = D

- Có rất nhi u ặc trưng ược lấy ra từ 1 cửa sổ nhưng chỉ có 1 số ít là hữu

d ng trong việc nhận diện khuôn mặt

- Sử d ng thuật toán adaboost ể tìm những ặc trưng tốt nhất Sau ó các

ặc trưng này ược gán cho các trọng số ể tạo nên hàm ánh giá quyết ịnh

xem một cửa sổ có là khuôn mặt hay không Mỗi ặc trưng chọn nếu chúng ít

nhất thể hiện tốt hơn oán ngẫu nhiên (phát hiện nhi u hơn một nửa)

- Các ặc trưng ược gọi là các bộ ph n lớp yếu Chúng ược tổ hợp tuyến

tính ể tạo ra một bộ ph n lớp mạnh

Strong clasifier Weak classifier

- Mặc dù một ảnh có thể chứa một hoặc nhi u khuôn mặt nhưng số lượng

vật không phải khuôn mặt vẫn lớn hơn rất nhi u => thuật toán nên tập trung vào

việc bỏ những vật không phải khuôn mặt một cách nhanh chóng

- Một bộ ph n lớp cascade (cascade classifier) ược sử d ng tất cả các ặc

trưng ược nhóm vào vài stage Mỗi stage gồm một số các ặc trưng

- Mỗi stage ược sử d ng ể xác ịnh một cửa số có phải là khuôn mặt

hay không

Hình 0.8 các bước loại khuôn mặt hay không

Hình 0.9 Kết quả Phát hiện khuôn mặt (Nguồn: bài báo Viola Jone Face Detection)

2.2 Trích chọn đặc trưng Weber local Descripor- WLD

Weber local Description (WLD): việc nhận thức của con người v một vật

mẫu không chỉ ph thuộc vào s thay ổi của một kích thích ( m thanh, ánh

sáng…) mà còn ph thuộc vào cường ộ gốc của kích thích WLD gồm 2 thành

phần chính: differential excitation và gradient orientation của ảnh và x y d ng

histogram d a trên thành phần ó

- Different excitations

 Sử d ng s khác nhau v cường ộ giữa pixel hiện tại và các hàng

xóm ể miêu tả s thay ổi của pixel hiện tại => mô phỏng quá

trình nhận dạng mẫucủa con người

 Ic: cường ộ của pixel hiện tại

 Ii: cường ộ của pixel l n cận I = (0,1,…p-1) p: số pixel l n cận

 Để ơn giản, các giá trị của Ɵ ược lượng tử hoá v T hướng trước

khi lượng t giá trị Ɵ ược ưa v [0, II]

Hình 0.10 Tính kích thích sai khác (Nguồn WLD, tác giả Jie Chen, Member, IEEE,

Shiguang Shan, Member, IEEE, Chu He, Guoying Zhao, Matti Pietikäinen, Senior

Member, IEEE, Xilin Chen, Senior Member, IEEE, Wen Gao, Fellow, IEEE)

Hình 0.11 ảnh trên là ảnh gốc ảnh thứ 2 là gốc trích chọn đặc trƣng (Nguồn WLD, tác giả

Jie Chen, Member, IEEE, Shiguang Shan, Member, IEEE, Chu He, Guoying Zhao, Matti

Pietikäinen, Senior Member, IEEE, Xilin Chen, Senior Member, IEEE, Wen Gao, Fellow,

IEEE)

- WLD histogram

 Phần 0, 5: biến ổi của tần số cao

 Phần 1, 4: biến ổi của tần số trung bình

 Phần 2, 3: biến ổi của tần số thấp

Hình 0.12 Minh họa về tính toán của WLD ( Nguồn WLD, tác giả Jie Chen, Member, IEEE,

Shiguang Shan, Member, IEEE, Chu He, Guoying Zhao, Matti Pietikäinen, Senior Member,

IEEE, Xilin Chen, Senior Member, IEEE, Wen Gao, Fellow, IEEE)

2.3 Giới thiệu phương pháp phân tích thành phần chính PCA

2.3.1 Giới thiệu phương pháp PCA

Phương pháp trích chọn ặc trưng ược phát minh năm 1901 bởi Karl

Pearson,và ược phát triển một cách ộc lập bởi Hotelling (1933) Hiện nay nó

ược sử d ng như một công c ể ph n tích dữ liệu nghiên cứu và th c hiện các

mô hình d oán PCA còn bao gồm cả việc tính toán ph n tích các giá trị ặc

trưng của một ma trận tương quan dữ liệu hay ph n tính các giá trị ơn của ma

trận dữ liệu thường sau khi tính trung bình dữ liệu của mỗi thuộc tính [11],[15]

trúc bên trong của dữ liệu Nếu một tập dữ liệu a biến ược xem xét như tập

các tọa ộ trong một không gian dữ liệu nhi u chi u (mỗi tr c biểu diễn một

biến) thì phương pháp PCA cung cấp cho chúng ta một bức ảnh ít chi u, một cái

bóng của vật thể khi quan sát từ chính những ặc trưng cơ bản nhất của vật thể

ó

M c tiêu của phương pháp PCA là th c hiện giảm số chi u nhưng vẫn

ảm bảo tối a s ph n tán dữ liệu Có thể nói phương pháp trích chọn ặc trong

tìm cách giữ lại những thành phần thống kê quan trọng nhất của tập dữ liệu ban

ầu

Giả sử ta cần giảm số chi u của dữ liệu từ N chi u xuống còn K (K<N)

chi u nghĩa là ta cần tìm một ánh xạ từ không gian N chi u sang không gian K

chi u

Trong vấn ang xét của luận văn này, PCA là một thuật toán ược sử

d ng ể tạo ra một ảnh mới từ ảnh ban ầu Ảnh mới này có kích thước nhỏ hơn

rất nhi u so với ảnh ầu vào và vẫn mang những ặc trưng cơ bản nhất của ảnh

cần nhận dạng Phương pháp PCA không cần quan t m ến việc tìm ra các ặc

iểm c thể của th c thể cần nhận dạng và mối quan hệ giữa các ặc iểm ó

Tất cả các chi tiết của th c thể u ược thể hiện ở ảnh mới ược tạo ra từ PCA

Bản chất của PCA là tìm ra một không gian mới theo hướng biến thiên

mạnh nhất của một tập hợp các vector trong không gian cho trước Ở không gian

mới, ta hi vọng rằng việc ph n loại sẽ cho ta bộ dữ liệu tốt hơn so với bộ dữ liệu

trong không gian ban ầu

Ví d : giả sử tập dữ liệu ban ầu ược quan sát trong không gian ba chi u

như hình bên trái Rõ ràng ba tr c này (các tr c có tên Databases, Data minning,

Language trong hình 3) không biểu diễn ược tốt nhất mức ộ biến thiên của dữ

liệu Phương pháp PCA sẽ tìm hệ tr c tọa ộ mới (là hệ tr c không có tên trong

hình bên trái) ể biểu diễn tốt nhất mức ộ biến thiên của dữ liệu Sau khi tìm

ược không gian mới, dữ liệu sẽ ược chuyển sang không gian này ể ược biểu

diễn như trong hình bên phải Rõ ràng hình bên phải chỉ cần hai tr c tọa ộ

nhưng biểu diễn tốt hơn ộ biến thiên của dữ liệu so với hệ tr c toạ ộ chi u ban

ầu

Một ưu iểm của PCA là các tr c toạ ộ mới trong không gian luôn ảm

bảo tr c giao từng ôi một mặc dù trong không gian ban ầu các tr c có thể

không tr c giao với nhau

Hình 0.13 Lụa chọn các trục toạ độ mới để biểu diễn dữ liệu

Xem tập mẫu gồm K vestors trong không gian M chi u [5], [17]:

={

,… =

{

Bằng cách sử d ng M vectors cơ sở ta có thể biểu diễn mỗi quan sát Đi u

này cũng úng khi ta chọn cơ sở gồm M-vectors tr c giao ược thể hiện trong

2.2

Trong th c tế chúng ta không thể ưa tất cả các cơ sở M-chi u do nhi u l

do khác nhau như M quá lớn hay có chứa một số thông tin không quan trọng Vì

vậy chúng ta chuyển sang không gian có số chi u nhỏ hơn là N chi u Khi ó

ược gọi là cắt (truncated) khi có nhận ít nhất vestor cơ sở hơn Vậy ta

thể hiện O trong cơ sở nhỏ hơn với sai số

Để sai số xấp xỉ bé nhất thì phải chọn là N vestor riêng có nghĩa nhất

của S thoả mãn công thức:

∑ ‖ ̃ ‖ = ∑ ‖ ̃ ‖ ≥ - ∑ ∑

(2.12)

Khi ta chon N-vestor riêng và sai số xấp xỉ là nhỏ nhất và bằng tổng M-N

trị riêng bé nhất của S thì ta ược:

S = ∑ = [ , ][ ]= O (2.14)

Do S là ối xứng nửa xác ịnh riêng nên những vector riêng là tr c giao

i u này ảm bảo cơ sở tối ưu là tr c giao

Như vậy cơ sở mới ược x y d ng từ cơ sở quan sát ban ầu theo phương

trình:

̃ = (2.15)

Như ta biết phép biến ổi tr c giao không làm thay ổi Trace-Vết của ma

trận mà phép biến ổi cơ sở này giữ lại K-vectors riêng ứng với K-trị riêng lớn

nhất Nghĩa là s ph n bố các mẫu trong tập dữ liệu mới thu ược luôn là lớn

nhất

Theo các kết quả nghiên cứu thông thường ta chọn K sao cho

∑ ≥ nguong(e.g, 0.90or0.95) (2.17)

Với là các trị riêng của ma trận hiệp phương sai và

Tóm lại, phương pháp PCA ánh xạ một vector từ không gian M chi u

xuống không gian N chi u sẽ i tìm các giá trị riêng và vector riêng của ma trận

hiệp phương sai C của tập mẫu và giữ lại N vector riêng tương ứng với N giá trị

riêng lớn nhất làm cơ sở cho không gian N chi u này

2.3.2 Đặc trưng PCA

M c tiêu của phương pháp PCA là “giảm số chi u của 1 tập vector sao

cho vẫn ảm bảo ược “tối a thông tin quan trọng nhất phương pháp PCA sẽ

giữ lại K thuộc tính “mới từ M các thuộc tính ban ầu (K<M)

2.3.3 Phương pháp phân tích thành phần chính(PCA)

2.3.3.1 Vector riêng

Xét một toán tử tuyến tính f trong không gian Rn với các vector cơ sở :