Ứng dụng xử lý ảnh thiết kế thi công mạch chống trộm thông minh

TỔNG QUAN

LÝ DO CHỌN ĐỀ TÀI

Tình hình an ninh trật tự hiện nay đang trở thành mối quan tâm lớn trong xã hội, đặc biệt là vấn đề trộm cắp tài sản tại các hộ gia đình Điều này khiến cho chủ nhà phải tốn nhiều thời gian và công sức để bảo vệ tài sản của mình.

Trộm cắp để lại hậu quả nghiêm trọng cho gia chủ, với nguyên nhân chính là an ninh lỏng lẻo tạo cơ hội cho kẻ gian Mặc dù khóa là phương tiện bảo vệ phổ biến, nhưng kẻ trộm vẫn có khả năng bẻ khóa, kể cả khóa số điện tử Do đó, việc lắp đặt thiết bị báo trộm là cần thiết để cảnh báo chủ nhà về sự xâm nhập và khiến kẻ trộm hoảng loạn, buộc phải rời bỏ Đặc biệt, trong các ngôi nhà thông minh và căn hộ chung cư, thiết bị báo trộm càng trở nên quan trọng hơn bao giờ hết.

Để nâng cao hiệu quả an ninh và phòng ngừa các rủi ro tiềm ẩn, nhóm sinh viên chúng tôi đã quyết định thực hiện đề tài “Ứng dụng xử lý ảnh thiết kế thi công mạch chống trộm thông minh” cho đồ án tốt nghiệp.

Nhằm khắc phục và ngăn ngừa hậu quả từ tình trạng trộm cắp, nhóm sinh viên chúng em đã chọn đề tài “Ứng dụng xử lý ảnh thiết kế thi công mạch chống trộm thông minh” cho đồ án tốt nghiệp Đề tài này mặc dù không mới, nhưng đã được nghiên cứu nhiều trước đây với kết quả cho thấy độ chính xác ở mức trung bình Chúng em đã cải tiến để khắc phục những hạn chế, cho phép so sánh liên tục với kho ảnh đã lưu trữ và cảnh báo người dùng, nhằm nâng cao độ chính xác trong việc phát hiện kẻ lạ.

BỐ CỤC ĐỒ ÁN TỐT NHIỆP

BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 1

CƠ SỞ LÝ THUYẾT

GIỚI THIỆU VỀ HỆ THỐNG XỬ LÝ ẢNH

Xử lý ảnh là một lĩnh vực khoa học và công nghệ đang phát triển nhanh chóng, thu hút sự chú ý từ các trung tâm nghiên cứu và ứng dụng Ngành này, mặc dù còn mới so với nhiều lĩnh vực khoa học khác, đã thúc đẩy sự phát triển của các máy tính chuyên dụng để phục vụ cho các ứng dụng trong xử lý ảnh.

Xử lý ảnh là kỹ thuật quan trọng giúp tăng cường và cải thiện chất lượng hình ảnh từ các thiết bị như camera và webcam Kỹ thuật này đã được ứng dụng rộng rãi trong nhiều lĩnh vực thiết yếu, góp phần nâng cao hiệu quả và độ chính xác trong các ứng dụng thực tiễn.

 Trong lĩnh vực quân sự: xử lý và nhận dạng ảnh quân sự

 Trong lĩnh vực giao tiếp người máy: nhận dạng ảnh, xử lý âm thanh, đồ họa

 Trong lĩnh vực an, bảo mật: nhận diện khuôn mặt người, nhận diện vân tay, mẫu mắt, …

 Trong lĩnh vực giải trí: trò chơi điện tử

 Trong lĩnh vực y tế: Xử lý ảnh y sinh, chụp X quang, MRI,…

Các phương pháp xử lý ảnh chủ yếu tập trung vào nâng cao chất lượng và phân tích ảnh Nâng cao chất lượng ảnh đã được ứng dụng từ những năm 1920 khi hình ảnh được truyền từ Luân Đôn đến New York Vấn đề này liên quan đến phân bố mức sáng và độ phân giải của ảnh, và đã được phát triển đáng kể vào khoảng năm 1955, nhờ sự phát triển nhanh chóng của máy tính sau Thế chiến thứ hai Đến năm 1964, máy tính đã có khả năng xử lý và nâng cao chất lượng ảnh từ mặt trăng và vệ tinh Ranger 7 của Mỹ, bao gồm việc làm nổi đường biên và lưu ảnh.

Từ năm 1964 đến nay, công nghệ xử lý và nâng cao chất lượng ảnh đã có những bước tiến vượt bậc Các phương pháp trí tuệ nhân tạo, đặc biệt là mạng nơ-ron nhân tạo, đã được áp dụng rộng rãi trong lĩnh vực nhận dạng ảnh, mang lại hiệu quả cao trong việc cải thiện độ chính xác và tốc độ xử lý.

CHƯƠNG 2 CƠ SỞ LÝ THUYẾT

Bộ môn Điện tử Công nghiệp - Y sinh 5 đang áp dụng các phương pháp xử lý hiện đại và cải tiến, cùng với việc sử dụng các công cụ nén ảnh ngày càng phổ biến, mang lại nhiều kết quả khả quan trong nghiên cứu và ứng dụng.

Trong quá trình xử lý ảnh, bước đầu tiên là thu nhận ảnh tự nhiên từ thế giới bên ngoài thông qua các thiết bị như camera Trước đây, ảnh được thu qua camera tương tự, nhưng với sự phát triển công nghệ, ảnh màu và đen trắng hiện nay được chuyển trực tiếp thành ảnh số, giúp thuận lợi cho các bước xử lý tiếp theo Ngoài ra, ảnh cũng có thể được quét từ vệ tinh bằng máy quét ảnh.

Hình 2.1 dưới đây mô tả các bước cơ bản trong xử lý ảnh

Hình 2.1 Các bước cơ bản trong xử lý ảnh

Sơ đồ này bao gồm các thành phần sau:

2.1.1 Phần thu nhận ảnh (Image Acquisition) Ảnh có thể nhận qua camera mà hoặc trắng đen Thường ảnh nhận qua camera là ảnh tương tự (loại camera ống chuẩn CCIR với tần số 1/25, mỗi ảnh 25 dòng), cũng có loại camera đã số hóa (như loại CCD – Change Coupled Device) là loại photodiot tạo cường độ sáng tại mỗi điểm ảnh

Camera thường sử dụng là loại quét, cho ra hình ảnh hai chiều Chất lượng hình ảnh thu được phụ thuộc vào thiết bị thu và các yếu tố môi trường như ánh sáng và phong cảnh.

2.1.2 Tiền xử lý (Image Processing)

Sau khi thu nhận, hình ảnh có thể gặp tình trạng nhiễu và độ tương phản thấp, vì vậy cần sử dụng bộ tiền xử lý để cải thiện chất lượng Bộ tiền xử lý có chức năng chính là lọc nhiễu và nâng cao độ tương phản, giúp làm cho hình ảnh trở nên rõ nét hơn.

2.1.3 Phân đoạn (Segmentation) hay phân vùng ảnh

Phân vừng ảnh là quá trình tách một bức ảnh thành các vùng thành phần để phục vụ cho việc phân tích và nhận diện Ví dụ, trong việc nhận dạng chữ hoặc mã vạch trên phong bì thư để phân loại bưu phẩm, cần chia các thành phần như địa chỉ, tên người thành từng từ, chữ cái, số hoặc vạch riêng biệt Đây là giai đoạn phức tạp nhất trong xử lý ảnh, dễ dẫn đến lỗi và ảnh hưởng đến độ chính xác của kết quả Do đó, kết quả nhận dạng ảnh phụ thuộc rất nhiều vào bước phân vừng này.

2.1.4 Biểu diễn ảnh (Image Representation) Đầu ra ảnh sau phân đoạn chứa các điểm ảnh của vùng ảnh (ảnh đã phân đoạn) cộng với mã liên kết ở các vùng lân cận Việc biến đổi các số liệu này thành dạng thích hợp là cần thiết cho xử lý tiếp theo bằng máy tính Việc chọn các tính chất để thể hiện ảnh gọi là trích chọn đặc trưng( Feature Extration) gắn với việc tách các đặc tính của ảnh dưới dạng các thông tin định lượng hoặc làm cơ sở để phân biệt lớp đối tượng này với đối tượng khác trong phạm vi ảnh nhận được Ví dụ: trong nhận dạng ký tự trên phong bì thư, chúng ta miêu tả các đặc trưng của từng ký tự giúp phận biệt ký tự này với ký tự khác

2.1.5 Nhận dạng và nôi suy ảnh (Image Recognition and Interpretation)

Nhận dạng ảnh là quá trình xác định và phân loại hình ảnh bằng cách so sánh với mẫu chuẩn đã được học Quá trình này cho phép nội suy, tức là phán đoán ý nghĩa dựa trên nhận dạng, như việc chuyển đổi các chữ số và nét gạch ngang trên phong bì thành mã điện thoại Có nhiều phương pháp khác nhau để phân loại ảnh, tùy thuộc vào lý thuyết và ứng dụng cụ thể.

CHƯƠNG 2 CƠ SỞ LÝ THUYẾT

BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 7 thuyết về nhận dạng, các mô hình toán học về ảnh được phân theo hai loại nhận dạng ảnh cơ bản:

 Nhận dạng theo tham số

 Nhận dạng theo cấu trúc

Hiện nay, một số phương pháp nhận dạng phổ biến trong khoa học và công nghệ bao gồm nhận dạng ký tự (bao gồm chữ in, chữ viết tay và chữ ký điện tử), nhận dạng văn bản, nhận dạng vân tay, nhận dạng mã vạch và nhận dạng khuôn mặt.

2.1.6 Cơ sơ tri thức Ảnh là một dối tượng khá phức tạp về đường nét, độ sáng tối, dung lượng điểm ảnh, môi trường để thu ảnh phong phú kéo theo nhiều Trong nhiều khâu xử lý và phân tích ảnh ngoài việc đơn giản hóa các phương pháp toán học đảm bảo tiện lợi cho xử lý, người ta mong muốn bắt chước quy trình tiếp nhận và xử lý ảnh theo cách của con người Trong các bước xử ly đó, nhiều khâu hiện nay đã xử lý theo phương pháp trí tuệ con người

2.1.7 Các thành phần cơ bản của hệ thống xử lý ảnh

Hình 2.2 Các thành phần chính của hệ thống xử lý ảnh

Hệ thống xử lý ảnh cơ bản bao gồm máy tính cá nhân và vi mạch chuyển đổi đồ họa VGA hoặc SVGA Nếu có điều kiện, nên sử dụng hệ thống tích hợp như hình 2.2, với máy tính PC kết hợp thiết bị xử lý ảnh, kết nối với cổng vào của camera video và cổng ra tới màn hình hiển thị.

TÍNH TOÁN VÀ THIẾT KẾ

TỔNG QUAN CÁC KỸ THUẬT NHẬN BIẾT MÀU DA DỰA TRÊN TÍNH CHẤT ĐIỂM ẢNH

Phát hiện mặt người dựa vào màu sắc da là một phương pháp hiệu quả, nhưng chỉ sử dụng màu sắc đơn thuần sẽ khó đạt được kết quả cao do sự tương đồng màu sắc với nhiều vật thể khác Kết hợp phương pháp này với các kỹ thuật khác có thể nâng cao hiệu quả nhận diện Màu da có đặc tính riêng biệt, giúp dễ dàng phân biệt với các màu sắc khác Trong quá trình phát hiện, màu da thường được sử dụng để phân vùng các khu vực ảnh, từ đó giảm không gian tìm kiếm và cải thiện hiệu suất của hệ thống.

Phát hiện màu da dựa trên đặc tính điểm ảnh đã có một lịch sử phát triển lâu dài Tuy nhiên, trong bài tổng quan này, nhóm nghiên cứu chỉ tập trung vào việc đề cập và so sánh các kỹ thuật đã được công bố và đánh giá hiệu quả.

Mục tiêu của phần tổng quan này là tổng hợp các kỹ thuật đã được công bố, mô tả ý tưởng chính của từng kỹ thuật, và đánh giá ưu nhược điểm cùng đặc trưng của chúng Dựa trên những phân tích này, nhóm thực hiện sẽ quyết định lựa chọn kỹ thuật phù hợp để phân vùng màu da cho đồ án.

3.1.2 Không gian màu sử dụng cho mô hình hóa màu da

Trong lĩnh vực đo màu da, cũng như trong các lĩnh vực truyền tín hiệu hình ảnh và video, việc sử dụng nhiều không gian màu với các tính chất khác nhau là rất quan trọng.

Bộ môn Điện tử Công nghiệp - Y sinh 17 đã áp dụng không gian màu trong mô hình hóa màu da Dưới đây là tóm tắt về các không gian màu phổ biến nhất cùng với các đặc điểm của chúng.

RGB là không gian màu cơ bản được sử dụng phổ biến cho màn hình CRT, trong đó mỗi màu là sự kết hợp của ba thành phần: Đỏ, Xanh lục và Xanh da trời Mặc dù RGB là lựa chọn phổ biến cho xử lý và lưu trữ ảnh số, nhưng do sự tương quan cao giữa các kênh màu và sự không nhất quán trong giá trị cảm nhận, nó không được ưa chuộng trong phân tích màu và các thuật toán nhận dạng dựa trên màu sắc.

Hình 3.1 Không gian màu RGB 3.1.2.2 Không gian RGB chuẩn hóa

Không gian RGB chuẩn hóa là không gian màu nhận được từ không gian RGB cơ bản theo công thức chuẩn hóa đơn giản sau đây:

CHƯƠNG 3 TÍNH TOÁN VÀ THIẾT KẾ

Trong không gian màu RGB, có thể nhận thấy rằng r + g + b = 1, do đó chỉ cần hai trong ba thành phần để biểu diễn không gian này, trong khi thành phần còn lại có thể bị bỏ qua Hai thành phần được giữ lại thường là r và b, trong khi g thường bị loại bỏ, tạo ra các thành phần "màu tinh khiết" Một đặc điểm quan trọng của không gian màu này là tính bất biến đối với sự thay đổi hướng của bề mặt, nghĩa là nó không bị ảnh hưởng bởi ánh sáng xung quanh, miễn là một số giả thiết nhất định được thỏa mãn Nhờ vào sự chuyển đổi đơn giản từ không gian màu RGB cơ bản, không gian RGB chuẩn hóa ngày càng được áp dụng rộng rãi trong nhiều lĩnh vực, bao gồm cả nhận dạng.

3.1.2.3 Không gian màu HIS, HSV, HSL

Không gian màu này dựa trên tính bão hòa màu để xác định số lượng tính chất màu, mô tả màu sắc với các giá trị trực giác và ý kiến của họa sĩ về trạng thái bão hòa và tông màu Hue đại diện cho màu trội như đỏ, lục, đỏ tía và vàng, trong khi saturation đo lường ngưỡng màu của vùng ảnh Các khái niệm như cường độ, tính dịu và giá trị liên quan đến độ sáng của màu Giá trị trực giác của các thành phần màu trong không gian màu này là lý do chính giúp nó được sử dụng phổ biến trong việc phân vùng da.

HIS là viết tắt của Hue, Saturation, Intensity Không gian màu gồm 3 thành phần H,

S, I Trong không gian màu này, các màu đều được biểu diễn dựa trên 3 thành phần H, S,

H, viết tắt của Hue, đại diện cho màu sắc như đỏ, xanh da trời, da cam, với giá trị từ 0 đến 360 độ S, viết tắt của Saturation, thể hiện độ bão hòa, tương tự như khái niệm nồng độ.

BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 19 trong hóa học, sử dụng dung môi màu trắng và chất tan màu Ký hiệu I, viết tắt cho Intensity, thể hiện cường độ sáng.

Công thức chuyển từ không gian RGB sang không gian HIS như sau:

HSV, viết tắt của Hue, Saturation, Value, là một không gian màu trong đó H và S tương tự như trong HIS, còn V thể hiện giá trị độ sáng Tất cả các màu sắc trong không gian này đều được biểu diễn thông qua ba thành phần H, S và V.

Công thức biến đổi từ không gian RGB sang không gian HSV như sau:

Hình 3.2 Không gian màu HSV 3.1.2.6 Không gian màu HSL

HSL, viết tắt của Hue, Saturation, Lightness, là một không gian màu tương tự như HSV, trong đó L tương ứng với V chỉ cường độ sáng Không gian HSL tập trung vào các thành phần cảm nhận màu sắc của mắt hơn là không gian RGB Tuy nhiên, HSL thực chất chỉ là một phép biến đổi gần đúng của không gian RGB.

Công thức biến đổi từ không gian RGB sang không gian HSL như sau:

Chú ý: Khi S=0 thì H là tùy ý và ta sẽ không định nghĩa H (H vô định)

Ba không gian màu này cho phép tính toán Hue và Saturation bằng cách sử dụng hàm log cho các thành phần màu trong không gian RGB, giúp giảm sự độc lập của các thành phần màu theo mức sáng.

Hệ tọa độ giữa Hue và Saturation thường gây khó khăn trong việc mô phỏng màu da Do đó, nhiều người chuyển đổi sang hệ tọa độ Đề các theo một công thức nhất định để cải thiện độ chính xác trong việc nhận diện màu sắc.

TSL, viết tắt của Tint, Saturation, Lightness, là một hệ thống mô tả màu sắc Trong đó, hai thành phần Saturation và Lightness tương tự như trong HSL, còn Tint đại diện cho sắc thái của màu Các màu sắc trong không gian TSL được biểu diễn dựa trên ba thành phần này, tạo nên một cách tiếp cận rõ ràng và hiệu quả trong việc xác định màu sắc.

Không gian chuẩn hóa thành phần màu và độ sáng TSL được chuyển từ không gian chuẩn hóa RGB theo công thức:

PHÂN TÍCH THÀNH PHẦN CHÍNH PCA

3.2.1 Tổng quan về phương pháp PCA

Phân tích thành phần chính (Principal Compoment Analysis – PCA) được trình bày theo nhiều quan điểm khác nhau khác nhau

Kỹ thuật phân tích nhân tố cổ điển được áp dụng trong trường hợp phương sai bằng không hoặc gần bằng không Phương pháp này thường được sử dụng trong phân tích tâm lý và đã được đề xuất bởi Horst (1965) và Harman (1966).

PCA, hay Phân tích thành phần chính, là một kỹ thuật tối ưu hóa biểu diễn dữ liệu theo tiêu chuẩn đại số và hình học, không yêu cầu giả thuyết thống kê hay mô hình đặc biệt Kỹ thuật này đã trở nên phổ biến từ khi có máy tính điện tử, và được C.R Rao (1964) trình bày một cách đơn giản và rõ ràng trong công trình của ông.

Phương pháp PCA có ứng dụng rộng rãi trong nhiều lĩnh vực như công nghiệp, nông nghiệp, kinh tế và khoa học cơ bản Nó sử dụng bảng số liệu với các cột đại diện cho các biến và các dòng là các cá thể, từ đó đo lường giá trị của các biến này.

3.2.1.2 Ý tưởng Ý tưởng chính của phương pháp PCA để trích chọn đặc trưng khuôn mặt người là diễn tả một số lượng lớn các vector pixel một chiều được hình thành từ ảnh một chiều bởi các thành phần thiết yếu không gian đặc trưng Bước này được gọi là chiếu lên không gian đặc trưng mặt Không gian đặc trưng được tính toán từ định nghĩa vector đặc trưng của ma trận hợp phương sai tình hình từ tập các khuôn mặt người (ở dạng vector)

Mỗi bức ảnh có kích thước M*N có thể được coi là một vector trong không gian M*N chiều Các vector đại diện cho khuôn mặt không phân bố ngẫu nhiên mà tuân theo một quy luật nhất định, tạo thành một không gian con gọi là không gian khuôn mặt Từ các vector trong tập huấn luyện, chúng ta có thể xác định một cơ sở trực chuẩn cho không gian khuôn mặt, với các vector thuộc cơ sở này mang đặc trưng tông thể của khuôn mặt.

Giả sử tập huấn luyện có P ảnh, khi đó ta sẽ có P vector:

Tính vector ảnh trung bình:

Sự khác biệt giữa các khuôn mặt và ảnh trung bình được thể hiện qua các vector Phân tích thành phần chính nhằm mục đích tìm ra một tập hợp các vector trực chuẩn, giúp mô tả chính xác sự phân bố của các vector khuôn mặt trong không gian Những vector này được lựa chọn để tối ưu hóa khả năng biểu diễn sự đa dạng của khuôn mặt.

Những vector và giá trị vô hướng chính là những vector riêng và trị riêng tương ứng của ma trận ⟨ | ⟩ là tích vô hướng giữa hai vector u,v

Ta thấy ma trận A có kích thước M*N x P, còn ma trận có kích thước

Do kích thước ma trận M*N x M*N quá lớn, việc tìm kiếm các vector riêng và trị riêng trực tiếp trở nên khó khăn Thay vào đó, chúng ta sẽ tập trung vào việc xác định các vector riêng của ma trận có kích thước P x P.

Nếu v là một vector riêng của và λ là trị riêng tương ứng, khi đó ta có :

Tức là Av là một trị riêng của ma trận

Thông thương ta chỉ lấy một số q vector riêng ứng với Q trị riêng có giá trị lớn nhất

Sau khi xác định các vector riêng của ma trận, chúng ta sẽ chuẩn hóa chúng để tạo ra một cơ sở trực chuẩn cho không gian khuôn mặt Đặt L là ma trận, tìm V là tập hợp các vector riêng, trong khi L và D là tập hợp các trị riêng tương ứng.

V bao gồm Q vector riêng ứng với những trị riêng lớn hơn một giá trị nào đó

E = AV là tập hợp các vector riêng, được gọi là Eigenfaces do chúng có hình dạng giống khuôn mặt Ma trận E có kích thước M*N x Q, trong đó mỗi cột tương ứng với một vector riêng.

Chuẩn hóa ccs vector cột trong E (chia mỗi vector cho độ dài của vector đó)

Bây giờ ta có thể coi E là một cơ sở trực chuẩn của không gian khuôn mặt

Với H, chúng ta sẽ kiểm tra xem bức ảnh này có phải là bức ảnh khuôn mặt hay không, đồng thời tìm kiếm bức ảnh tương tự nhất trong tập huấn luyện, đảm bảo kích thước của nó phù hợp với các bức ảnh trong tập dữ liệu.

H được xem là một vector trong không gian M*N chiều Đặt K = H – m với m là vector ảnh trung bình

Cho V là một không gian có tích vô hướng hữu hạn chiều và Ư là một không gian con của V Giả sử Ư có một cơ sở trực chuẩn là { } Khi đó hình chiếu trực giao của vector u bất kỳ lên Ư được xác định như sau

(3.20) Độ dài ‖ ‖ được gọi là khoảng cách từ u đến W

Tập hợp ⟨ | ⟩, i = 1,…, Q được gọi là tọa độ của trong không gian W

Tìm C = K là tọa độ của hình chiếu của K lên không gian khuôn mặt C là vector cột Qx1

Với là một cột trong ma trận A (tương ứng với bức ảnh trong tập huấn luyện)

Ta tính là tọa độ của hình chiếu của lên không gian khuôn mặt

Ta tính hai đại lượng sau:

‖ ‖ xem như khoản cách từ bức ảnh H đến không gian mặt

‖ ‖ xem như khoản cách từ bức ảnh H đến bức ảnh trong tập huấn luyện

Xét α và β là hai ngưỡng nào đó s < α thì H là bức ảnh khuôn mặt (do H đủ gần với không gian mặt)

< β thì là bức ảnh của cùng một người với H (H dủ gần với )

Chúng ta có khả năng tìm kiếm bức ảnh trong tập huấn luyện để xác định xem nó có giống bức ảnh H hay không, cũng như nhận diện liệu đó có phải là khuôn mặt hay không Tuy nhiên, bức ảnh H cần phải có kích thước tương đương với các bức ảnh trong tập huấn luyện Trong trường hợp bức ảnh lớn H chứa nhiều khuôn mặt, chúng ta sẽ tiến hành xác định vị trí của từng khuôn mặt trong bức ảnh đó.

Tại mỗi vị trí (x,y) trong H, đặt H(x,y) là một vùng trong ảnh H có kích thước MxN tại (x,y), ta xem ảnh con H(x,y) là một vector M*N chiều

Tìm K(x,y) là hình chiếu của K(x,y) lên không gian khuôn mặt

Tập hợp các giá trị s(x,y) tạo thành một bản đồ khuôn mặt (face map) của H, từ đó ta có thể xác định vị trí những khuôn mặt trong ảnh

Hình 3.3 Ý tưởng chính của PCA 3.2.2 Trích chọn đặc trưng khuôn mặt người dựa trên phương pháp PCA

Khuôn mặt người có nhiều đặc điểm để nhận diện, cho phép ta nhận ra bạn bè dù thời gian trôi qua và các chi tiết như da, tóc có thể thay đổi Chúng ta không chỉ nhớ đôi mắt, mũi hay môi, mà là diện mạo tổng thể của người đó Điều này cho thấy trên khuôn mặt tồn tại một nét tổng thể giúp nhận diện, và thuật toán của chúng tôi được xây dựng dựa trên ý tưởng này.

Phân tích thành phần chính (PCA) là một thuật toán trích chọn đặc trưng dựa trên các đặc điểm tổng thể của khuôn mặt con người Thuật toán này được áp dụng để thực hiện hai nhiệm vụ chính trong việc nhận diện và phân tích khuôn mặt.

Thức nhất là tìm một khuôn mặt người giống với khuôn mặt người cho trước

Thức hai là xác đinh đặc trưng những khuôn mặt người trong một bức ảnh

Sơ đồ tiến trình trích chọn đặc tưng khuôn mặt người:

Biểu diễn M ảnh trong không gian 2-D thành 1-D Tạo vector có kích thước N (số hàng của ảnh x số cột của ảnh) như mô tả sau:

Với: là giá trị pixel của ảnh

T là chuyển vị của ma trận

Kết quả chuyển cho M ảnh đưa vào ma trận như sau:

Mỗi ảnh là một ma trận cột, ghép M ma trận cột ứng với M ảnh thành một ma trận có kích thước NxM

Chỉ số đầu là thành phần của vector, chỉ số sau là số thứ tụ của ảnh

3.2.2.2 Tính khuôn mặt người trung bình

Chi tiết công thức trên:

3.2.2.3 Trừ mỗi ảnh cho mặt trung bình

Nhằm mục đích tạo ra sự giãn tương đối giá trị pixel của các ảnh

Xây dụng ma trận từ các ⃗⃗⃗⃗⃗⃗ vừa tìm được Đặt: A =( ⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗ … ⃗⃗⃗⃗⃗⃗⃗⃗ ) sẽ được ma trận có kích thước NxM

3.2.2.4 Xây dựng ma trận hợp phương sai

Nhằm mục đích thể hiện sự tương quan của từng vector

Tính trị riêng (eigenvalue: ), và vector riêng (eigenvector: ) của ma trận trận hợp phương sai này Đó chính ;à đặc trưng thành phần thiết yếu của ảnh

Khi ảnh có kích thước 200x230, ma trận covariance sẽ có kích thước 46000x46000, gây khó khăn trong việc tính toán trị riêng và vector riêng Do đó, cần áp dụng lý thuyết đại số tuyến tính để giải quyết vấn đề này, cho phép tính toán trị riêng λ và vector riêng của ma trận A có kích thước MxM nhỏ hơn nhiều.

NxN) Đặt và là các trị riêng và vector riêng của ma trận A Kết quả như sau:

Nhân mỗi vế của (3.6) cho A sẽ được:

Với X = A Điều này cho thấy: M vector riêng và M trị riêng đầu tiên của tương ứng chính là tích ( A với vector riêng của A) và

PHÂN TÍCH HOG

The Histogram of Oriented Gradients (HOG) is a feature descriptor utilized in computer vision and image processing for object detection Primarily, HOG is employed to describe the shape and appearance of objects within images The computation of HOG typically involves five key steps.

 Chuẩn hóa hình ảnh trước khi xử lý

 Tính toán gradient theo cả hướng x và y

 Lấy phiếu bầu cùng trọng số trong các cell

 Thu thập tất cả các biểu đồ cường độ gradient định hướng để tạo ra feature vector cuối cùng

3.3.2 Chuẩn hóa hình ảnh trước khi xử lý

Bước chuẩn hóa không bắt buộc nhưng có thể nâng cao hiệu suất của bộ mô tả HOG trong một số trường hợp Chúng ta có ba phương pháp chuẩn hóa chính để xem xét.

 Quy định về chuẩn Gamma /power : Trong trường hợp này, ta lấy log(p) của mỗi pixel p trong hình ảnh đầu vào

Chuẩn hoá gốc-vuông là quá trình lấy căn bậc hai của mỗi pixel p trong hình ảnh đầu vào Theo định nghĩa, việc này giúp nén các cường độ điểm ảnh đầu vào thấp hơn nhiều so với chuẩn bình thường của gamma.

Biến đổi chuẩn hóa phương sai: Chúng ta tính giá trị cường độ điểm ảnh trung bình (μ) và độ lệch chuẩn (σ) của hình ảnh đầu vào Để chuẩn hóa, với mỗi điểm ảnh, ta trừ đi giá trị trung bình cường độ điểm ảnh và chia cho độ lệch chuẩn, công thức là p′=(p−μ)/σ.

3.3.3 Tính toán gradient Để lấy được hình ảnh gradient, chúng ta sẽ sử dụng tích chập(convolution): Gx=I⋆Dx và Gy=I⋆Dy với I là hình ảnh đầu vào, Dx là bộ lọc cho chiều x, và Dy là bộ lọc cho chiều y Sau khi có các ảnh gradient, chúng ta có thể tính toán cường độ gradient của hình ảnh: | | √ Cuối cùng, định hướng của gradient cho mỗi pixel trong hình ảnh ban đầu được tính bằng cách: ) Dự vào |G| và , chúng ta có thể tính được một biểu đồ cường độ gradient, trong đó cột của histogram dựa trên \theta và trọng số của mỗi cột của biểu đồ được dựa trên

Hình 3.4 Biểu đồ dựa trên Gy,Gx 3.3.4 Lấy votes trong mỗi cell

Chúng ta cần chia hình ảnh thành các cell và block, trong đó một cell là vùng hình chữ nhật được xác định bởi số điểm ảnh Ví dụ, với hình ảnh 128 x 128 pixel và pixel_per_cell là 4 x 4, sẽ có 32 x 32 = 1024 cell Nếu pixel_per_cell là 32 x 32, sẽ có 4 x 4 = 16 cell Mỗi cell trong bức ảnh sẽ cần được xây dựng.

Biểu đồ cường độ gradient được xây dựng từ việc mỗi pixel tham gia bỏ phiếu, với trọng số của mỗi phiếu bầu tương ứng với cường độ gradient tại pixel đó Mỗi pixel sẽ đóng góp một phiếu bầu có trọng số, với trọng lượng là cường độ gradient |G| tại vị trí của nó Sau khi thu thập các biểu đồ này, chúng ta có thể kết hợp chúng để tạo ra feature vector cuối cùng Để đạt được kết quả tốt hơn, quá trình chuẩn hóa các block là cần thiết.

Hình 3.5 Các cell trong một block 3.3.5 Chuẩn hóa các block

Để xử lý các block, chúng ta cần chia chúng tương tự như cách chia các cell trước đó Đơn vị sử dụng không còn là điểm ảnh mà là các cell, thường là 2x2 hoặc 3x3 cell_per_block, giúp đạt được độ chính xác hợp lý trong nhiều trường hợp Các block này sẽ chồng lên nhau; ví dụ, với 3x3 cells và cell_per_block là 2x2, chúng ta sẽ có 4 block Sau đó, chúng ta sẽ thu thập và ghép các histogram của các cell trong mỗi block.

3.3.6 Sử dụng trong bài toán object recognition

HOG (Histogram of Oriented Gradients) được triển khai trong OpenCV và Scikit-image, nhưng Scikit-image mang lại tính linh hoạt cao hơn Bài toán đặt ra là xác định các chữ số có kích thước khác nhau trong một bức ảnh Đầu tiên, chúng ta sử dụng OpenCV2 để tải ảnh, thay đổi kích thước và chuyển đổi ảnh sang màu xám.

3.4 KẾT NỐI VỚI THIẾT BỊ NGOẠI VI

Thiết kế sơ đồ hệ thống kết nối với thiết bị ngoại vi

Hình 3.6 Sơ đồ kết nối ngoại vi

 Khối nguồn: cung cấp nguồn 5V cho khối hiển thị và báo động nguồn 4.5V DC cho Module Sim 800A; nguồn 9V DC cấp cho khối xử lý trung tâm board Arduino Uno R3

Khối xử lý trung tâm sử dụng Arduino Uno R3 để thu thập dữ liệu từ các thiết bị, sau đó tiến hành xử lý và điều khiển các khối chấp hành cũng như khối hiển thị.

 Khối Module Sim 800A: Gửi dữ liệu cảnh báo khi nhận diện khuôn mặt không có trong cơ sở dữ liệu

 Khối hiển thị và báo dộng: sử dụng led và buzzer để báo dộng khi có chuyển động trong một khu vực nhất định

 Khối động cơ servo: đóng mở cửa do động cơ servo thực hiện.

THI CÔNG HỆ THỐNG

GIỚI THIỆU

Đồ án hệ thống chống trộm thông minh tích hợp ba công nghệ chính: nhận diện chuyển động, nhận diện khuôn mặt người và hệ thống cảnh báo, nhằm nâng cao hiệu quả bảo vệ tài sản.

Hệ thống nhận diện chuyển động và nhận diện khuôn mặt người được xây dựng dựa trên phương pháp phân tích thành phần chính (PCA) và Histogram of Oriented Gradients (HOG), nhằm áp dụng lý thuyết thông tin để cải thiện khả năng truy xuất dữ liệu.

Hệ thống cảnh báo được phát triển dựa trên nền tảng Arduino, kết hợp với thuật toán lập trình và các linh kiện có sẵn Quá trình thi công hệ thống này được thực hiện theo các tính toán và thiết kế đã được chuẩn bị trước.

THI CÔNG HỆ THỐNG

4.2.1 Hệ thống nhận hiện chuyển động

Lưu đồ hệ thống nhận hiện chuyển động

Hình 4.1 Lưu đồ của hệ thống nhận hiện chuyển động

CHƯƠNG 4.THI CÔNG THIẾT KẾ

Hệ thống sẽ lấy ảnh đầu vào từ camera và tiến hành nâng cao độ tương phản, khử nhiễu, khử bóng, và loại bỏ các đối tượng không quan tâm để giảm sai số trong quá trình đếm Kết quả cuối cùng là nhận diện chuyển động và lưu lại lịch sử người đã qua lại trong khu vực lắp đặt camera.

Khối ảnh đầu vào: đƣa hình ảnh thu đƣợc từ camera vào hệ thống

Khối tiền xử lý: giúp cải thiện và nâng cao chất lƣợng hình ảnh lấy đƣợc

Hình 4.2 Lưu đồ đưa hình ảnh vào hệ thống phát hiện chuyển động

Hệ thống sẽ lấy hình ảnh trực tiếp từ camera hoặc video, nhanh chóng chuyển đổi sang ảnh xám khi phát hiện chuyển động Kết quả so sánh sẽ được khử bóng và tăng độ chi tiết, sau đó ảnh sẽ được nhị phân hóa Tiếp theo, các phương pháp hình thái học như co giãn ảnh, xói mòn và đóng mở đối tượng sẽ được áp dụng để thu được các đối tượng mong muốn và loại bỏ những đối tượng không cần thiết.

Khối phát hiện và nhận diện chuyển động: phát hiện chuyển động thu đƣợc từ camera hoặc video

Hình 4.3 Lưu đồ của nhận diện chuyển động

Sau khi nhận diện được hình ảnh từ khối tiền xử lý, hệ thống sẽ quét nền và phát hiện chuyển động của con người thông qua camera hoặc video Sau đó, nó sẽ khoanh vùng khu vực có chuyển động và gửi dữ liệu đến khối hiển thị.

Khối hiển thị cho phép hiển thị trực tiếp trên video chiếu trên màn hình giám sát, với một khung vuông bao quanh chuyển động, giúp người xem dễ dàng theo dõi hơn.

Hình 4.4 Hệ thống nhận diện có chuyển động và khoanh vùng chuyển động

4.2.2 Hệ thống nhận diện khuôn mặt

Phương pháp đề xuất bao gồm mã hóa và giải mã hình ảnh khuôn mặt, tập trung vào các điểm đặc trưng quan trọng Thông tin liên quan trong quá trình nhận diện khuôn mặt sẽ được so sánh với các khuôn mặt có sẵn trong cơ sở dữ liệu, từ đó đưa ra giải pháp hiệu quả cho hệ thống.

4.2.2.1 Lưu đồ giải thuật của hệ thống nhận diện khuôn mặt

Hình 4.5 Lưu đồ của hệ thống nhận diện khuôn mặt

Khối bắt đầu thực hiện quét hình ảnh ngay sau khi nhận được ảnh đầu vào từ camera Tiếp theo, khối tiền xử lý giúp cải thiện và nâng cao chất lượng hình ảnh, tạo điều kiện thuận lợi cho hệ thống trong quá trình xử lý.

Khối nhận diện khuôn mặt người: phát hiện khuôn mặt người ban đầu với không gian RGB

Khối hiển thị và khoanh vùng khuôn mặt vừa được nhận diện sẽ xuất kết quả ngay lập tức và lưu trữ hình ảnh khuôn mặt để so sánh với cơ sở dữ liệu hiện có.

4.2.2.2 Lưu đồ giải thuật của hệ thống huấn luyện

Hình 4.6 Lưu đồ của hệ thống huấn luyện

Khối ảnh thu đƣợc: những ảnh đƣợc chọn làm tập mẫu

Khối phát hiện khuôn mặt từ ảnh thu được: phát hiện khuôn mặt người ban đầu với không gian RGB

Khối trích chọc đặc trưng của khuôn mặt bằng phương pháp PCA: dùng phương pháp PCA để phát hiện khuôn mặt người đang đặt trước camera

Khối lưu trữ khuôn mặt được thiết lập để thu thập và lưu trữ các thông số của khuôn mặt vào cơ sở dữ liệu.

4.2.2.3 Yêu cầu về dữ liệu ảnh Ảnh trong cơ sở dữ liệu phải đảm bảo một số yêu cầu sau để quá trình nhận diện ảnh tốt nhất: ảnh chụp khuôn mặt người được dung cho phân tích làm tập ảnh cở sở dữ liệu phải bao gồm các từ thế khác nhau nhƣ nhìn đối diện, nhìn nghiêng trái, nhìn nghiêng phải, cúi xuống và ngửa lên

Cơ sở dữ liệu chứa các ảnh của cùng một cá nhân chụp ở thời điểm khác nhau có thể ảnh hưởng đến quá trình nhận diện Thêm vào đó, sự thay đổi về phụ kiện như kính hay bông tai, cũng như kiểu tóc, đều có thể tác động đến kết quả Điều kiện chụp không đồng nhất, sử dụng các loại máy ảnh và ánh sáng khác nhau cũng gây ra sự khác biệt trong nhận diện Tuy nhiên, trong cài đặt hệ thống ứng dụng này, những yếu tố đó không được chú trọng mà tập trung vào việc làm nổi bật khả năng nhận diện của ứng dụng.

Tập ảnh kiểm tra nhận diện được xây dựng tương tự như tập ảnh cơ sở dữ liệu, bao gồm cả những bức ảnh khuôn mặt của cùng một cá nhân đã có trong cơ sở dữ liệu.

Hình 4.8 Lưu đồ tiến trình nhận diện 4.2.2.4 Chuẩn hóa ảnh đầu vào

Mục đích tạo ra tập ảnh theo yêu cầu phân tích của quá trình sử dụng phương pháp nhận diện

Kích thước ảnh được chuẩn hóa và chuyển đổi sang mức xám để tiền xử lý, giúp giảm bớt hình ảnh khuôn mặt người thành dạng X*Y pixel theo yêu cầu của người dùng Quá trình này phân bố cường độ ảnh khuôn mặt, nâng cao hiệu suất nhận diện Hình ảnh khuôn mặt được lưu trữ trong thư viện ảnh của hệ thống, nơi mọi quá trình huấn luyện và trích xuất đều diễn ra.

4.2.2.5 Trích xuất ảnh đặc trưng của khuôn mặt

Mục đích của việc tìm eigenface là sử dụng cơ sở dữ liệu đã được chuẩn hóa trong quá trình trước đó Eigenfaces được tính toán từ quá trình huấn luyện và lưu trữ, cho phép mỗi khuôn mặt cá nhân được biểu diễn chính xác qua sự kết hợp tuyến tính của các eigenfaces Những vector này xác định không gian con của khuôn mặt, được gọi là “không gian mặt”, với mỗi vector có kích thước NxM, mô tả một ảnh NxN Các vector này là eigenvectors của ma trận hiệp phương sai tương ứng với hình ảnh khuôn mặt ban đầu, và nhờ vào sự tương đồng với khuôn mặt người, chúng được gọi là eigenfaces Qua đó, khuôn mặt người có thể được xấp xỉ bằng cách áp dụng eigenfaces.

Các bước tính eigenfaces được thực hiện qua các bước như sau:

Bước 1: các ảnh trong cơ sở dữ liệu đƣợc chuyển thành các vector một chiều rồi sau đó chuyển thành ảnh đa mức xám

Bước 2: tập hợp các vector ở mức một thành một ma trận

Bước 3: Tính toán mặt trung bình (đã được nêu trong chương 3)

Bước 4: Từ mỗi ảnh trong cơ sỏ dữ liệu với mặt trung bình

Kết quả tạo ra tâpj vector ( ⃗⃗⃗⃗⃗⃗⃗ ⃗⃗⃗⃗⃗⃗⃗⃗ Từ các vector này sẽ tạo ra ma trận A có các cột là ⃗⃗⃗⃗⃗⃗ ; i = ⃗⃗⃗⃗⃗⃗⃗⃗

Ma trận phương sai: có kích thước NxN

Việc tính toán các trị riêng của ma trận hợp phương sai có thể trở nên không hiệu quả do kích thước lớn Để đơn giản hóa, chỉ cần tập trung vào việc tính số lượng trị riêng, giúp giảm bớt số chiều của ma trận tương quan giữa các ảnh.

Bước 6: tiến hành chiếu từng khuôn mặt người trong cơ sở dữ liệu lên không gian eigenfaces

Hình ảnh khuôn mặt người trong cơ sở dữ liệu không phân bố ngẫu nhiên trong không gian mặt, mà có thể được mô tả bằng số chiều giảm bớt trong không gian con Phân tích thành phần chính (PCA) nhằm tìm ra các vector tối ưu để mô tả sự phân bố hình ảnh khuôn mặt trong toàn bộ không gian mặt.

So sánh với hình ảnh trong cơ sở dữ liệu

Tiến hành so sánh với ảnh đã lấy đƣợc so sánh với những hình ảnh có sẵn để đƣa ra hướng giải quyết

Có hai trường hợp sẽ xảy ra:

GIỚI THIỆU CHƯƠNG TRÌNH

Chương trình này được viết bằng ngôn ngữ lập trình Matlab Rất đơn giản và dễ sử dụng

Hình 4.11 Giao diện chính của hệ thống chống trộm thông minh 4.3.1 Hệ thống phát hiện chuyển động

Giao diện chính của hệ thống phát hiện chuyển động

Hình 4.12 Giao diện chính của hệ thống phát hiện chuyển động

Nhấn vào “BẮT ĐẦU” để kích hoạt chương trình, camera sẽ chụp liên tục và tự động lưu lại hình ảnh vào cơ sở dữ liệu khi phát hiện có chuyển động.

Hình 4.13 Giao diện của hệ thống phát hiện chuyển động khi đang hoạt động

4.3.2 Hệ thống nhận diện khuôn mặt

Mở ứng dụng, khởi động chương trình:

Giao diện chính của hệ thống nhận diện khuôn mặt cho phép người dùng thêm hình ảnh vào cơ sở dữ liệu bằng cách nhấn “THÊM ẢNH” Sau đó, người dùng có thể chọn camera sử dụng, trong trường hợp này là camera “logitech” với độ phân giải 1024x576.

Hình 4.15 Thêm ảnh cho cơ sở dữ liệu

Chương trình tiến hành lấy hình ảnh cho cơ sở dữ liêu và tiến hành nhập tên

Sau đó chúng ta sẽ nhận vào “HUẤN LUYỆN” để huấn luyện tập ảnh

Hình 4.16 Huấn luyện cho cơ sở dữ liệu

Sau khi kết thúc huấn luyện ta tiến hành ta nhấn “NHẬN DIỆN”rồi tương tự ta chọn thiết bị để nhận dạng và độ phân giải

Hình 4.17 Tiến hành so sánh khuôn mặt với ảnh trong cơ sở dữ liệu

Ngoải ra chúng ta còn có thế xóa bớt ảnh có trong cơ sở dữ liệu bằng nút nhấn

Hình 4.18 Cho phép xóa ảnh trong cơ sở dữ liệu

Ngoài ra chúng ta còn có thể kiểm tra trong cơ sở dữ liệu qua nút nhấn “LƯU TRỮ” và “GHI LẠI”

Hình 4.19 Các khuôn mặt có sẵn trong cơ sở dữ liệu (database)

Nút “ĐẶT LẠI” để xóa hết mọi thứ từng lưu lại trong chương trình

Hình 4.20 Xóa tất cả ảnh trong cơ sở dữ liệu

Chương trình nhận diện khuôn mặt bắt đầu bằng việc quét khuôn mặt trước camera, sau đó so sánh với hình ảnh có sẵn trong cơ sở dữ liệu để đưa ra giải pháp cho hệ thống cảnh báo.

KẾT QUẢ_NHẬN XÉT_ĐÁNH GIÁ

Tiêu đề	Ứng Dụng Xử Lý Ảnh Thiết Kế Thi Công Mạch Chống Trộm Thông Minh
Tác giả	Tăng Nguyễn Công Thiên
Người hướng dẫn	ThS. Võ Đức Dũng
Trường học	Trường Đại Học Sư Phạm Kỹ Thuật Tp. Hồ Chí Minh
Chuyên ngành	Công Nghệ Kỹ Thuật Điện Tử Truyền Thông
Thể loại	Đồ Án Tốt Nghiệp
Năm xuất bản	2018
Thành phố	Tp. Hồ Chí Minh

Định dạng
Số trang	108
Dung lượng	7,17 MB