9349_4.3.6. Nhận dạng người dựa vào thông tin khuôn mặt xuất hiện trên ảnh

Khoa CNTT – ÐH KHTN TP.HCM
Khoa CNTT – ÐH KHTN TP.HCM
TRƯỜNG ĐẠI HỌC KHOA HỌC TỰNHIÊN
KHOA CÔNG NGHỆTHÔNG TIN
BỘMÔN CÔNG NGHỆTRI THỨC
LUẬN VĂN TỐT NGHIỆP
CỬNHÂN TIN HỌC
ĐỀTÀI :
NHẬN DẠNG NGƯỜI
DỰA VÀO THÔNG TIN KHUÔN MẶT
XUẤT HIỆN TRÊN ẢNH
GIÁO VIÊN HƯỚNG DẪN
TS LÊ HOÀI BẮC
SINH VIÊN THỰC HIỆN
TRẦN PHƯỚC LONG
9912606
NGUYỄN VĂN LƯỢNG
9912608
TP. HỒCHÍ MINH, 07/ 2003
Khoa CNTT – ÐH KHTN TP.HCM
Khoa CNTT – ÐH KHTN TP.HCM
i
LỜI CẢM ƠN
XW
Xin chân thành cảm ơn các thầy, các cô khoa Công NghệThông Tin, Đại Học
Khoa Học TựNhiên đã tận tình dạy dỗ, truyền đạt cho chúng tôi nhiều kiến thức
quý báu.
Xin tỏlòng biết ơn sâu sắc đến thầy Lê Hoài Bắc, người đã tận tình giúp
đỡvà truyền đạt nhiều kinh nghiệm đểđềtài có thểđược thực hiện và hoàn thành.
Xin chân thành cảm ơn thầy Võ Đức Khánh, anh Phạm Nam Trung, anh
Nguyễn Đức Hoàng Hạ, anh Hoàng Thân Anh Tuấn đã giúp đỡ, động viên chúng
tôi rất nhiều trong quá trình thực hiện đềtài.
Lời cảm ơn sâu sắc nhất xin dành cho bốmẹvì ơn sinh thành và giáo
dưỡng.
Xin cảm ơn tất cả.
TP. HồChí Minh tháng 07 năm 2003.
Trần Phước Long
Nguyễn Văn Lượng
Khoa CNTT – ÐH KHTN TP.HCM
Khoa CNTT – ÐH KHTN TP.HCM
ii
LỜI MỞĐẦU
Trong những năm gần đây, các ứng dụng vềtrí tuệnhân tạo ngày càng phát
triển và được đánh giá cao. Một lĩnh vực đang được quan tâm của trí tuệ
nhân tạo nhằm tạo ra các ứng dụng thông minh, có tính người đó là nhận
dạng. Đối tượng cho việc nghiên cứu nhận dạng cũng rất phong phú và đa
dạng. Trong đềtài này chúng tôi chọn đối tượng là khuôn mặt.
Khuôn mặt đóng vai trò quan trọng trong quá trình giao tiếp giữa người với
người, và cũng mang một lượng thông tin giàu có, chẳng hạn có thểxác định giới
tính, tuổi tác, trạng thái cảm xúc của người đó, … hơn nữa khảo sát chuyển động
của các đường nét trên khuôn mặt có thểbiết được người đó muốn nói gì. Do đó,
nhận dạng khuôn mặt là điều quan trọng và cần thiết trong xã hôi loài người. Đó
là lý do chúng tôi chọn đềtài :
“NHẬN DẠNG NGƯỜI DỰA VÀO THÔNG TIN KHUÔN MẶT
XUẤT HIỆN TRÊN ÁNH”
Đểcó hệthống nhận dạng khuôn mặt với chất lượng tốt, chúng tôi đã tiếp
cận bằng hai mô hình xửlý được đánh giá là mạnh trong lĩnh vực trí tuệnhân tạo,
đó là mô hình phân cách với thuật toán SVM và mô hình thống kê với thuật toán
HMM làm công cụxửlý chính cho việc nhận dạng người dựa vào thông tin
khuôn mặt trên ảnh.
Đềtài được tổchức thành chín chương với nội dung :
— Chương 1: Phát biểu bài toán nhận dạng người dựa vào thông tin khuôn mặt
xuất hiện trên ảnh.
— Chương 2: Mô tảdữliệu.
— Chương 3: Dò tìm khuôn mặt.
— Chương 4: Rút trích đặc trưng từkhuôn mặt.
— Chương 5: Phương pháp SVM và ứng dụng nhận dạng khuôn mặt.
— Chương 6: Phương pháp Mô hình Makov ẩn và ứng dụng nhận dạng khuôn
mặt.
— Chương 7: Thiết kếchương trình và hướng dẫn sửdụng.
— Chương 8: Thực nghiệm và kết qủa.
— Chương 9: Nhận xét và hướng phát triển.
Khoa CNTT – ÐH KHTN TP.HCM
Khoa CNTT – ÐH KHTN TP.HCM
iii
MỤC LỤC
Chương 1
PHÁT BIỂU BÀI TOÁN NHẬN DẠNG NGƯỜI DỰA VÀO
THÔNG TIN KHUÔN MẶT XUẤT HIỆN TRÊN ẢNH………………………………..1
1.1
Tổng quan và các khái niệm liên quan đến nhận dạng khuôn mặt…………….2
1.1.1 Hệthống sinh trắc học…………………………………………………………………….2
1.1.2 Hệthống nhận dạng khuôn mặt ……………………………………………………….2
1.1.3 Hệthống xác minh hay xác thực khuôn mặt là gì?……………………………..2
1.1.4 Những thách thức trong bài toán nhận dạng khuôn mặt………………………3
1.2
Tổng quan vềcác ứng dụng tương tác người máy (Human computer
interactive) liên quan đến khuôn mặt…………………………………………………………….4
1.3
Các hướng tiếp cận chính trong lĩnh vực nhận dạng khuôn mặt……………….7
1.3.1 Các công trình nghiên cứu vềphương pháp nhận dạng và kiểm chứng
chất lượng cho một hệthống nhận dạng khuôn mặt ……………………………………7
1.3.2 Hướng tiếp cận được thửnghiệm trong luận văn………………………………10
Chương 2
MÔ TẢDỮLIỆU …………………………………………………………………..11
2.1
Thu thập dữliệu……………………………………………………………………………….12
2.2
Biểu diễn dữliệu khuôn mặt trong máy tính ………………………………………..14
Chương 3
DÒ TÌM KHUÔN MẶT………………………………………………………….15
3.1
Giới thiệu ………………………………………………………………………………………..16
3.1.1 Các thách thức trong việc dò tìm khuôn mặt ……………………………………16
3.1.2 Tiếp cận theo khung nhìn kết hợp mạng nơron…………………………………18
3.1.3 Dò tìm khuôn mặt bằng phương pháp mạng neural…………………………..20
3.2
Chuẩn bịdữliệu cho hệthống dò tìm khuôn mặt………………………………….21
3.2.1 Giới thiệu…………………………………………………………………………………….21
3.2.2 Gán nhãn và canh biên các đặc trưng khuôn mặt………………………………21
3.2.3 Tiền xửlý vềđộsáng và độtương phản trên tập mẫu học …………………25
3.3
Phương pháp dò tìm khuôn mặt thẳng…………………………………………………27
3.3.1 Giới thiệu…………………………………………………………………………………….27
3.3.2 Huấn luyện dò tìm khuôn mặt………………………………………………………..28
3.3.2.1
Ảnh huấn luyện khuôn mặt……………………………………………………30
3.3.2.2
Ảnh huấn luyện không phải khuôn mặt…………………………………..30
3.3.2.3
Phương pháp huấn luyện chủđộng ………………………………………..31
Khoa CNTT – ÐH KHTN TP.HCM
Khoa CNTT – ÐH KHTN TP.HCM
iv
3.3.3 Phương pháp cải tiến chất lượng dò tìm khuôn mặt ………………………….34
3.3.3.1
Các Heuristic loại bỏthông tin thừa……………………………………….34
3.3.3.2
Hệthống Mạng Kết Hợp ………………………………………………………37
Chương 4
RÚT TRÍCH ĐẶC TRƯNG TỪKHUÔN MẶT……………………….39
4.1
Tiếp cận theo phương pháp phân tích thành phần chính (Principal
Component Analysis hay PCA) ………………………………………………………………….40
4.1.1 Vector riêng, Trịriêng và sựchéo hoá của ma trận……………………………40
4.1.2 Kì vọng và phương sai trong thống kê đa chiều ……………………………….41
4.1.3 Kỹthuật rút trích trích đặc trưng bằng phương pháp phân tích thành
phần chính …………………………………………………………………………………………..42
4.2
Tiếp cận theo phương pháp Biến đổi Cosine rời rạc ……………………………..47
4.2.1 Ý nghĩa phép biến đổi DCT …………………………………………………………..47
4.2.2 Các khái niệm quan trọng ……………………………………………………………..47
4.2.3 Kĩ thuật mã hoá hệsốDCT……………………………………………………………49
4.2.4 Quét Zigzag…………………………………………………………………………………53
Chương 5
SVM VÀ ỨNG DỤNG NHẬN DẠNG KHUÔN MẶT ………………54
5.1
Cởsởlý thuyết của SVM…………………………………………………………………..55
5.1.1 Các khái niệm nền tảng…………………………………………………………………55
5.1.1.1
Đường bao tổng quát cho một hệmáy học………………………………55
5.1.1.2
Chiều VC (VC-dimension)……………………………………………………56
5.1.1.3
Phân hoạch tập dữliệu bằng các siêu mặt có hướng…………………56
5.1.1.4
Cực tiểu đường bao lỗi trên cơ sởcực tiểu chiều VC ……………….57
5.1.1.5
Cực tiểu hoá lỗi theo cấu trúc (SRM)……………………………………..58
5.1.2 SVM tuyến tính……………………………………………………………………………58
5.1.2.1
Trường hợp dữliệu có thểphân cách được……………………………..58
5.1.2.2
Điều kiện tối ưu Karush-Kuhn-Tucker……………………………………61
5.1.2.3
Trường hợp dữliệu không thểphân cách được………………………..61
5.1.3 SVM phi tuyến …………………………………………………………………………….64
5.1.4 Chiều VC của SVM………………………………………………………………………68
5.1.5 Hạn chếcủa phương pháp SVM …………………………………………………….68
5.2
Nhận dạng khuôn mặt người với SVM………………………………………………..69
5.2.1 Nhận dạng đa lớp dùng SVM với cây nhịphân………………………………..69
5.2.2 Nhận dạng khuôn mặt dùng SVM…………………………………………………..71
5.2.2.1
Giai đoạn huấn luyện hệthống………………………………………………71
5.2.2.1.1
Huấn luyện SVM cho bài toán nhận dạng khuôn mặt ………..71
5.2.2.1.2
Vector hoá tập mẫu khuôn mặt thô…………………………………..72
Khoa CNTT – ÐH KHTN TP.HCM
Khoa CNTT – ÐH KHTN TP.HCM
v
5.2.2.1.3
Rút trích đặc trưng khuôn mặt ………………………………………..73
5.2.2.1.4
Tạo các bộphân loại nhịphân ………………………………………..75
5.2.2.1.5
Huấn luyện cho mỗi bộphân loại nhịphân từcác tập mẫu
nhịphân hoá hai lớp khuôn mặt với nhau………………………………………..76
5.2.2.1.6
Khởi tạo kiến trúc cây nhịphân………………………………………87
5.2.2.2
Giai đoạn nhận dạng khuôn mặt…………………………………………….87
5.2.2.2.1
Nhận dạng khuôn mặt dùng SVM……………………………………87
5.2.2.2.2
Kỹthuật nhận dạng khuôn mặt SVM ………………………………87
5.2.2.2.2.1
Vector hoá tập mẫu khuôn mặt thô……………………………87
5.2.2.2.2.2
Rút trích đặc trưng khuôn mặt………………………………….87
5.2.2.2.2.3
Đưa mẫu thửnghiệm khuôn mặt x vào cấu trúc nhị
phân và thực hiện đối sánh trên từng mô hình nhịphân SVMs……….87
5.2.2.2.3
Mô phỏng quá trình nhận dạng khuôn mặt ……………………….90
5.2.3 Nhận xét và hướng phát triển tương lai……………………………………………92
5.2.3.1
Ưu điểm……………………………………………………………………………..92
5.2.3.2
Khuyết điểm và hạn chế……………………………………………………….93
5.2.3.3
Những đềxuất và cải tiến……………………………………………………..93
5.2.3.3.1
Vềmặt thuật toán học ……………………………………………………93
5.2.3.3.2
Vềmặt chương trình ứng dụng ……………………………………….94
Chương 6
MÔ HÌNH MAKOV ẨN VÀ ỨNG DỤNG NHẬN DẠNG
KHUÔN MẶT ……………………………………………………………………………………………95
6.1
Giới thiệu mô hình Makov ẩn…………………………………………………………….96
6.1.1 Mô hình Markov…………………………………………………………………………..96
6.1.2 Mô hình Markov ẩn………………………………………………………………………97
6.1.2.1
Xác suất của chuỗi quan sát…………………………………………………..98
6.1.2.1.1
Thủtục tiến ………………………………………………………………….99
6.1.2.1.2
Thủtục lùi ………………………………………………………………….100
6.1.2.2
Dãy trạng thái tối ưu…………………………………………………………..101
6.1.2.3
Hiệu chỉnh các tham sốcủa mô hình…………………………………….103
6.2
ỨNG DỤNG MÔ HÌNH MARKOV ẨN NHẬN DẠNG KHUÔN MẶT
NGƯỜI………………………………………………………………………………………………….104
6.2.1 Ý tưởng……………………………………………………………………………………..104
6.2.2 Nhận dạng khuôn mặt bằng mô hình Markov ẩn…………………………….105
6.2.2.1
Giai đoạn huấn luyện hệthống…………………………………………….105
6.2.2.1.1 Ảnh khuôn mặt huấn luyện…………………………………………..105
6.2.2.1.2
Biểu diễn dữliệu khuôn mặt theo mô hình Makov ………….106
Khoa CNTT – ÐH KHTN TP.HCM
Khoa CNTT – ÐH KHTN TP.HCM
vi
6.2.2.1.3
Kỹthuật trích đặc trưng trên mẫu khuôn mặt………………….109
6.2.2.1.4
Huấn luyện HMM ……………………………………………………….112
6.2.2.1.5 Đồthịbiểu diễn tác vụhọc qua các vòng lặp và cực đại xác
suất ước lượng mô hình từdữliệu quan sát……………………………………113
6.2.2.2
Giai đoạn nhận dạng khuôn mặt…………………………………………..131
6.2.3 Nhận xét và hướng phát triển tương lai………………………………………….131
6.2.3.1
Ưu điểm……………………………………………………………………………131
6.2.3.2
Khuyết điểm ……………………………………………………………………..132
Chương 7
THIẾT KẾCHƯƠNG TRÌNH VÀ HƯỚNG DẪN SỬDỤNG..133
7.1
Giới thiệu ………………………………………………………………………………………134
7.2
Thiết kếvà cài đặt chương trình ……………………………………………………….134
7.3
Giao diện màn hình và hướng dẫn sửdụng………………………………………..135
Chương 8
THỰC NGHIỆM VÀ KẾT QUẢ……………………………………………140
8.1
Dữliệu và phương pháp thửnghiệm nhận dạng khuôn mặt …………………141
8.2
Kết quảKết quảtheo tiếp cận HMM…………………………………………………143
8.2.1 Thực nghiệm trên từng bộtham số……………………………………………….143
8.2.2 Nhận xét ……………………………………………………………………………………148
8.3
Kết quảtheo tiếp cận SVM………………………………………………………………148
8.3.1 Thực nghiệm trên từng bộtham số……………………………………………….148
8.3.2 Nhận xét ……………………………………………………………………………………155
8.4
So sánh kết quảHMM và SVM………………………………………………………..156
Chương 9
NHẬN XÉT VÀ HƯỚNG PHÁT TRIỂN……………………………….158
9.1
Thuận lợi……………………………………………………………………………………….159
9.2
Khó khăn……………………………………………………………………………………….160
9.3
Hướng phát triển tương lai……………………………………………………………….161
9.4
Tổng kết ………………………………………………………………………………………..163
Khoa CNTT – ÐH KHTN TP.HCM
Khoa CNTT – ÐH KHTN TP.HCM
vii
DANH SÁCH CÁC HÌNH
Hình 1-1 So sánh tác vụnhận dạng khuôn mặt và xác minh khuôn………………………3
Hình 1-2 Mô phỏng hệthống nhận dạng khuôn mặt …………………………………………10
Hình 2-1 Dữliệu gồm 30 người được gán nhãn theo thứtựtừ1 đến 30. …………….13
Hình 2-2 Dữliệu gồm 10 người được gán nhãn theo thứtựtừ1 đến 10 ……………..13
Hình 2-3 Kích thước chuẩn hoá của một mẫu khuôn mặt trong tập học………………14
Hình 3-1 Sơ đồluồng xửlý các bước chính trong tiến trình dò tìm khuôn mặt…….20
Hình 3-2 Trái: Mẫu khuôn mặt chuẩn. Phải: Các vịtrí đặc trưng khuôn mặt chuẩn
(tròn trắng), và phân phối của các vịtrí đặc trưng thực (sau khi canh biên) từmọi
mẫu (các điểm đen)………………………………………………………………………………………23
Hình 3-3 Ví dụảnh khuôn mặt thẳng được canh biên. ………………………………………23
Hình 3-4 Các bước trong việc tiền xửlý window. Đầu tiên, xây dựng hàm ánh xạ
tuyến tính với các giá trịmật độtrong window, và sau đó trừđi nó, đểhiệu chỉnh
vềđộsáng. Tiếp theo, áp dụng cân bằng lược đồ, đểhiệu chỉnh đầu vào camera
khác nhau và cải thiện độtương phản. Trong mỗi bước, việc ánh xạđược tính với
các pixel bên trong hình tròn, và được áp dụng với toàn window……………………….26
Hình 3-5 Thuật toán dò tìm khuôn mặt……………………………………………………………28
Hình 3-6 Trong khi huấn luyện, hệthống đã huấn luyện một phần được áp dụng
với các ảnh phong cảnh không chứa khuôn mặt (như bên trái). Bất kỳvùng nào
trong ảnh được dò là khuôn mặt là lỗi, và được thêm vào tập mẫu huấn luyện âm. 32
Hình 3-7 Ảnh mẫu đểthửnghiệm đầu ra của bộdò tìm thẳng……………………………32
Hình 3-8 Đầu ra của mạng dò tìm…………………………………………………………………..33
Hình 3-9 Kết qủa áp dụng threshold(4,2) với các ảnh trong Hình 3-8. ………………..34
Hình 3-10 Kết qủa áp dụng trùng lấp với các ảnh của Hình 9…………………………….35
Hình 3-11 Cơ cấu trộn nhiều dò tìm từmột mạng đơn: A) Các dò tìm được ghi
trong chóp “đầura”. B) tính sốdò tìm trong lân cận của mỗi dò tìm. C) Bước cuối
cùng là kiểm tra các vịtrí khuôn mặt đã đưa ra vềtính chồng lấp, và D) loại bỏ
các dò tìm chồng lấp nếu tồn tại. ……………………………………………………………………36
Hình 3-12 AND các đầu ra từhai mạng trên các vịtrí và tỷlệkhác nhau có thểcải
thiện độchính xác dò tìm………………………………………………………………………………37
Hình 4-1 Hai trục tương ứng với hai thành phần quan trọng nhất và ít quan trọng
nhất đối với tập mẫu có hai cluster như trên…………………………………………………….44
Hình 4-2 Các hàm cơ sởcủa phép biến đổi Cosine rời rạc, Miền quang phổcủa
phép biến đổi Cosine rời rạc bao gồm một mảng hai chiều 8´8, mỗi phần từtrong
Khoa CNTT – ÐH KHTN TP.HCM
Khoa CNTT – ÐH KHTN TP.HCM
viii
mảng là giá trịbiên độcủa một trong 64 hàm cơ sở………………………………………….50
Hình 4-3 Quá trình mã hoá DCT trên một khối 8×8………………………………………….52
Hình 4-4 Vẽkhối zigzag dạng 1 …………………………………………………………………….53
Hình 4-5 Vẽkhối zigzag dạng 2 …………………………………………………………………….53
Hình 5-1 Ba điểm trong R2…………………………………………………………………………….57
Hình 5-2 Độtin cậy VC là hàm đơn điệu theo h ………………………………………………57
Hình 5-3 Các tập hàm học lồng vào nhau được sắp thứtựtheo chiều VC……………58
Hình 5-4 Siêu mặt phân cách tuyến tính cho trường hợp phân cách được và kí
hiệu các support vector chính là các điểm được bao bằng viền tròn ……………………59
Hình 5-5 Siêu mặt phân cách tuyến tính cho trường hợp không phân cách được….63
Hình 5-6 Ảnh, trong H, với hình vuông [1-,1] X [-1,1] ∈R2 dưới ánh xạΦ ………65
Hình 5-7 Trái: Cấu trúc cây nhịphân với sốlớp bằng sốmũ của 2. Phải: sốlớp
không bằng sốmũ của 2………………………………………………………………………………..70
Hình 5-8 Các tác vụhuấn luyện hệthống SVMs nhận dạng khuôn mặt………………71
Hình 5-9 Vector hoá mẫu khuôn mặt ………………………………………………………………72
Hình 5-10 Mô phỏng phân lớp khuôn mặt giữa hai người bằng hàm tuyến tính …..77
Hình 5-11 Biểu diễn sốliệu bảng 1 lên đồthị…………………………………………………..79
Hình 5-12 Mô phỏng phân lớp khuôn mặt giữa hai người quá nhiều đặc trưng
tương đương hay biến động. ………………………………………………………………………….80
Hình 5-13 Biểu diễn sốliệu bảng 1(Linear), bảng 2(Poly-2), bảng 3(Poly-3), bảng
4 (Poly-4) trên cùng một đồthị………………………………………………………………………84
Hình 5-14 Các tác vụnhận dạng khuôn mặt…………………………………………………….87
Hình 5-15 Mô phỏng cách ghép thành từng cặp nhịphân từcác Node lá của cây
nhịphân………………………………………………………………………………………………………88
Hình 5-16 Kết xuất phân loại mẫu x ởcấp 1. …………………………………………………..88
Hình 5-17 Kết quảmẫu x được nhận dạng với nhãn thuộc vềkhuôn mặt của người
“Lớp1”………………………………………………………………………………………………………..89
Hình 5-18 Mô phỏng cách ghép thành từng cặp nhịphân từcác Node lá của cây
nhịphân………………………………………………………………………………………………………90
Hình 5-19 Quá trình xây dựng cây nhịphân từcấp có L-1 cặp đến cấp có 2K/2
cặp phân loại nhịphân…………………………………………………………………………………..90
Hình 5-20 Nhận dạng Mẫu thửnghiệm chưa được quan sát thuộc vềNgười 1 là
đúng……………………………………………………………………………………………………………91
Hình 6-1 Mô hình Markov ba trạng thái biểu diễn thời tiết………………………………..96
Hình 6-2 Mô phỏng mô hình Markov ẩn rời rạc bằng mô hình bình banh……………97
Hình 6-3 Tính toán theo thủtục tiến ởmột thời điểm ……………………………………….99
Khoa CNTT – ÐH KHTN TP.HCM
Khoa CNTT – ÐH KHTN TP.HCM
ix
Hình 6-4 Tính toán theo thủtục lùi ởmột thời điểm……………………………………….100
Hình 6-5 Huấn luyện khuôn mặt bằng mô hình Markov ẩn rời rạc……………………105
Hình 6-6 Mẫu khuôn mặt cho việc huấn luyện mô hình Markov ẩn rời rạc với kích
thước chuẩn 32×32 (pixels)………………………………………………………………………….106
Hình 6-7 Tách mẫu huấn luyện HxW thành một chuỗi các khối con PxW. ………..106
Hình 6-8 Mẫu khuôn mặt sẽđược tách thành 7 khối theo thứtựtừtrái sang phải
với mỗi khối là 32×8(pixels)………………………………………………………………………..108
Hình 6-9 Mẫu khuôn mặt được tách thành 7 khối theo thứtựtừtrên xuống dưới
với mỗi khối là 32×8(pixels)………………………………………………………………………..109
Hình 6-10 Khối đầu tiên trong 7 khối cần được lượng hoá thành vector quan sát.110
Hình 6-11 Tách khối 8×8 (pixels)…………………………………………………………………110
Hình 6-12 Chuỗi quan sát từngười thứnhất được gán nhãn “Người 1”…………….114
Hình 6-13 Các tiến trình huấn luyện mô hình Markov ẩn rời rạc cho tập khuôn
mặt “Người 1” với N = 4……………………………………………………………………………..116
Hình 6-14 Các tiến trình huấn luyện mô hình Markov ẩn rời rạc cho tập khuôn
mặt “Người 1” với N = 6……………………………………………………………………………..118
Hình 6-15 Các tiến trình huấn luyện HMM cho tập khuôn mặt “Người 1” với N =
8……………………………………………………………………………………………………………….120
Hình 6-16 Các tiến trình huấn luyện mô hình Markov ẩn rời rạc cho tập khuôn
mặt “Người 1” với N = 10……………………………………………………………………………121
Hình 6-17 Các tiến trình huấn luyện mô hình Markov ẩn rời rạc cho tập khuôn
mặt “Người 1” với M = 2…………………………………………………………………………….124
Hình 6-18 Các tiến trình huấn luyện mô hình Markov ẩn rời rạc cho tập khuôn
mặt “Người 1” với M = 4…………………………………………………………………………….126
Hình 6-19 Các tiến trình huấn luyện mô hình Markov ẩn rời rạc cho tập khuôn
mặt “Người 1” với M = 6…………………………………………………………………………….128
Hình 6-20 Các tiến trình huấn luyện mô hình Markov ẩn rời rạc cho tập khuôn
mặt “Người 1” với M = 8…………………………………………………………………………….129
Hình 6-21 Các tiến trình huấn luyện mô hình Markov ẩn rời rạc cho tập khuôn
mặt “Người 1” với M = 10nh Markov ẩn rời rạc cho tập khuôn mặt “Người 1” với
M = 10………………………………………………………………………………………………………131
Khoa CNTT – ÐH KHTN TP.HCM
Khoa CNTT – ÐH KHTN TP.HCM
x
DANH SÁCH CÁC BẢNG
Bảng 4-1 Dữliệu trên Matrận hai hiều 8×8 ……………………………………………………..51
Bảng 4-2 Dữliệu qua phép biến đổi 2D-DCT………………………………………………….52
Bảng 5-1 SốVector hỗtrợtính được từ29 bộphân loại nhịphân đầu tiên đểphân
biệt khuôn mặt “lớp 1” với 29 lớp khuôn mặt khác…………………………………………..79
Bảng 5-2 Kết quảcủa việc huấn luyện từ29 bộphân loại nhịphân đầu tiên để
phân biệt khuôn mặt “Lớp 1” với các khuôn mặt của 29 người còn lại bằng SVM
phi tuyến có dạng đa thức bậc 2 (Poly-2). ……………………………………………………….83
Bảng 5-3 Kết quảcủa việc huấn luyện từ29 bộphân loại nhịphân đầu tiên để
phân biệt khuôn mặt “Lớp 1” với các khuôn mặt của 29 người còn lại bằng SVM
phi tuyến có dạng đa thức bậc 2 (Poly-3). ……………………………………………………….83
Bảng 5-4 Kết quảcủa việc huấn luyện từ29 bộphân loại nhịphân đầu tiên để
phân biệt khuôn mặt “Lớp 1” với các khuôn mặt của 29 người còn lại bằng SVM
phi tuyến có dạng đa thức bậc 2 (Poly-4). ……………………………………………………….83
Bảng 6-1 Bảng sốliệu khi thửnghiệm huấn luyện mô hình Markov ẩn rời rạc với
sốtrạng thái là 4 và hệsốMixture thay đổi từ2Æ20………………………………………116
Bảng 6-2 Bảng sốliệu khi thửnghiệm huấn luyện mô hình Markov ẩn rời rạc với
sốtrạng thái là 6 và hệsốMixture thay đổi từ2→12………………………………………118
Bảng 6-3 Bảng sốliệu khi thửnghiệm huấn luyện mô hình Markov ẩn rời rạc với
sốtrạng thái là 8 và hệsốMixture thay đổi từ2→16………………………………………119
Bảng 6-4 Bảng sốliệu khi thửnghiệm huấn luyện mô hình Markov ẩn rời rạc với
sốtrạng thái là 10 và hệsốMixture thay đổi từ2→10…………………………………….121
Bảng 6-5 Bảng sốliệu khi thửnghiệm huấn luyện mô hình Markov ẩn rời rạc Hệ
sốMixture bằng 2 và hệsốtrạng thái thay đổi từ4→10………………………………….123
Bảng 6-6 Bảng sốliệu khi thửnghiệm huấn luyện mô hình Markov ẩn rời rạc Hệ
sốMixture bằng 4 và hệsốtrạng thái thay đổi từ4→10………………………………….125
Bảng 6-7 Bảng sốliệu khi thửnghiệm huấn luyện mô hình Markov ẩn rời rạc Hệ
sốMixture bằng 6 và hệsốtrạng thái thay đổi từ4→10………………………………….127
Bảng 6-8 Bảng sốliệu khi thửnghiệm huấn luyện mô hình Markov ẩn rời rạc Hệ
sốMixture bằng 8 và hệsốtrạng thái thay đổi từ4→10………………………………….128
Bảng 6-9 Bảng sốliệu khi thửnghiệm huấn luyện mô hình Markov ẩn rời rạc Hệ
sốMixture bằng 10 và hệsốtrạng thái thay đổi từ4→10………………………………..129
Bảng 8-1 Mô tảdữliệu thửnghiệm thu thập từmỗi người trong hệthống nhận
dạng………………………………………………………………………………………………………….142
Khoa CNTT – ÐH KHTN TP.HCM
Khoa CNTT – ÐH KHTN TP.HCM
xi
Bảng 8-2 Kết quảhệthống nhận dạng theo mô hình Markov với sốtrạng thái N =
4……………………………………………………………………………………………………………….144
Bảng 8-3 Kết quảhệthống nhận dạng theo mô hình Markov với sốtrạng thái N =
6……………………………………………………………………………………………………………….145
Bảng 8-4 Kết quảhệthống nhận dạng theo mô hình Markov với sốtrạng thái N =
8……………………………………………………………………………………………………………….146
Bảng 8-5 Kết quảhệthống nhận dạng theo mô hình Markov với sốtrạng thái N =
10……………………………………………………………………………………………………………..147
Bảng 8-6 Kết quảnhận dạng tốt nhất với phương pháp mô hình Markov tại N = 6
và M = 10 ………………………………………………………………………………………………….148
Bảng 8-7 Kết quảnhận dạng với phương pháp SVMs với C = 30…………………….150
Bảng 8-8 Kết quảnhận dạng với phương pháp SVMs với C = 50…………………….151
Bảng 8-9 Kết quảnhận dạng với phương pháp SVMs với C = 100…………………..152
Bảng 8-10 Kết quảnhận dạng với phương pháp SVMs với C = 200…………………153
Bảng 8-11 Kết quảnhận dạng với phương pháp SVMs với C = 400 …………………154
Bảng 8-12 Kết quảnhận dạng tốt nhất với phương pháp SVMs tại C = 400 và K là
hàm xửlý chính dạng đa thức bậc 3 ……………………………………………………………..155
Khoa CNTT – ÐH KHTN TP.HCM
Khoa CNTT – ÐH KHTN TP.HCM
1
Chương 1
PHÁT BIỂU BÀI TOÁN NHẬN
DẠNG NGƯỜI DỰA VÀO THÔNG TIN
KHUÔN MẶT XUẤT HIỆN TRÊN ẢNH
Khoa CNTT – ÐH KHTN TP.HCM
Khoa CNTT – ÐH KHTN TP.HCM
2
1.1 Tổng quan và các khái niệm liên quan đến nhận
dạng khuôn mặt
1.1.1 Hệthống sinh trắc học
Hệthống sinh trắc học là một hệthống được thiết kếđểxác minh và nhận dạng
một người dựa vào những đặc trưng sinh học duy nhất của người đó.
1.1.2 Hệthống nhận dạng khuôn mặt
Hệthống nhận dạng khuôn mặt là một hệthống được thiết kếđểtìm thông tin của
một người. Kĩ thuật nhận dạng là kiểm tra sựphù hợp dựa trên phép so sánh
một-nhiều cụthểlà tìm ra một người là ai trong sốnhững người đã được lưu trữ
trong hệthống dựa vào thông tin khuôn mặt.
1.1.3 Hệthống xác minh hay xác thực khuôn mặt là gì?
Hệthống xác minh/xác thực khuôn mặt là một hệthống được thiết kếđểxác minh
thông tin của một người . Kĩ thuật xác minh là kiểm tra sựphù hợp trên phép so
sánh một-một cụthểlà đối chiếu thông tin mới nhận vềmột người với thông tin
đã lưu trữvềngười này có khớp hay không dựa trên thông tin khuôn mặt.
Khoa CNTT – ÐH KHTN TP.HCM
Khoa CNTT – ÐH KHTN TP.HCM
3
Hoaøn toaøn chöa bieát thoâng tin
Ñaõ bieát tröôùc thoâng tin
Nhaän daïng ngöôøi
Xaùc minh ngöôøi
Ngöôøi naøy laø ai?
Ñaây laø Peter phaûi khoâng?
Keát quaû
Keát quaû
Ñuùng/Sai
Peter
Hình 1-1 So sánh tác vụnhận dạng khuôn mặt và xác minh khuôn
1.1.4 Những thách thức trong bài toán nhận dạng khuôn
mặt
Những biến đổi quá lớn giữa các ảnh khuôn mặt khác nhau từmột người cần nhận
dạng gồm trạng thái cảm xúc trên khuôn mặt, ánh sáng, và các thay đổi vịtrí của
khuôn mặt..vv.
Giới hạn vềsốảnh cần thiết cho việc nhận dạng, tập học không thểbao quát
được tất cảcác biến đổi có thểcó trên khuôn mặt của một người cần nhận dạng
trong thếgiới thực.
Khoa CNTT – ÐH KHTN TP.HCM
Khoa CNTT – ÐH KHTN TP.HCM
4
1.2 Tổng quan vềcác ứng dụng tương tác người máy
(Human computer interactive) liên quan đến khuôn mặt
Từnhững năm 1990 trởlại đây, chúng ta đã chứng kiến sựphát triển như vũ bão
của các ngành công nghiệp, đặc biệc là ngành công nghiệp chếtạo điện tử. Tuy
nhiên hiện nay các thiết bịđiện tửcao cấp như máy ảnh số, camera kĩ thuật số, và
nhiều sản phẩm khác dường như chỉphù hợp cho các phòng thí nghiệm, các công
ty sản xuất kinh doanh, thương mại, tài chính, ngân hàng, … Trong thời gian
không xa từ3 đến 10 năm nữa, chi phí cho các thiết bịnày sẽgiảm đáng kể. Khi
đó sẽmởra nhiều hướng nghiên cứu vềthịgiác máy tính, đồng thời sẽcó nhiều
ứng dụng trong giao tiếp giữa người với máy tính mà trong đó hệthống nhận
dạng mặt người đóng một vai trò không nhỏ. Dưới đây chúng tôi liệt kê một số
ứng dụng.
¾ Các ứng dụng chuyên biệt cho ngành hàng không
9 Đảm bảo sựtruy cập và tính hợp lệtrong công việc cho từng nhân
viên: Mỗi nhân viên làm việc tại cảng hàng không cũng như nhân
viên phi hành đoàn được cung cấp quyền truy cập đểđến vịtrí làm
việc. Làm thếnào đểxác minh nhân viên này vào đúng khu vực làm
việc hay không?
9 Làm sao đểđảm bảo trong sốnhững hành khách không có sựtrà
trộn của một sốkẻkhủng bố/tội phạm quốc gia/ quốc tế?
Khoa CNTT – ÐH KHTN TP.HCM
Khoa CNTT – ÐH KHTN TP.HCM
5
¾ Bảo vệtrẻem ởnhà trẻtừbọn bắt cóc
9 Quy định rằng, chỉcó những nhân viên của nhà trẻmới được phép
dẫn trẻem ra ngoài và trao tận tay cho bốmẹđón về. Nhưng trong
xã hôi cũng có một sốtrường hợp giảdanh nhân viên đểbắt cóc trẻ
em với mục đích xấu. Làm thểnào đểngăn chặn hành vi xấu này?
¾ Nhận dạng khuôn mặt được sửdụng kèm với thẻquy cập
9 Trong các nước phát triển, hầu như mọi người dân đều dùng thẻtín
dụng đểmua bán, rút tiền, trao đổi hàng hóa. Điều này rất nguy
hiểm khi thẻtruy cập này bịngười khác nhặt đựợc hay biết được
mật khẩu của sởhữu thẻnày? Làm cách nào có thểbảo đảm an toàn
nhất?
Có thểdùng song mật khẩu: Có nghĩa sửdụng khuôn mặt
như là một mật khẩu thứhai đểtruy cập vào hệthống cùng với
thông tin từcard truy cập. Đểrút được tiền
•
Đưa thẻvào hệthống
•
Đưa khuôn mặt vào đểnhận dạng
•
Xác minh người này có phải là chủsởhữu của thẻ
hay không?
Nếu khớp thì hệthống cho rút tiền
Nếu không thì hệthống không cho rút tiền.
Khoa CNTT – ÐH KHTN TP.HCM
Khoa CNTT – ÐH KHTN TP.HCM
6
¾ Kinh doanh thương mại điện tử
9 Với sựtiến bộcủa khoa học công nghệ, nhiều hình thức kinh doanh
thương mại xuất hiện, đặc biệt là thương mại điện tử. Việc buôn bán
và trao đổi giữa hai bên đối tác không cần diễn ra trực tiếp (mặt đối
mặt), mà chỉcần qua mạng với hình ảnh của người đại diện. Tuy
nhiên bên cạnh đó sẽcó nhiều mặt tiêu cực trên hình thức kinh
doanh này, đó là các vụlừa đảo, giảmạo, giảdanh..vv. Làm sao để
biết được đối tác của mình là thật hay giả?
¾ Ngăn chặn việc xuất/nhập cảnh bất hợp pháp
9 Một sốngười không được xuất/nhập cảnh vào nước, song họcốtình
khai gian giấy tờđểxuất/nhập cảnh bất hợp pháp. Làm sao đểngăn
chặn được sựgian lận này?
¾ Lần dấu vết đi tìm kẻkhủng bố
9 Từnhững bức ảnh sốhay những đoạn video sốđã được ghi lại tự
động vềhiện trường trước khi vụkhủng bốxảy ra. Cần nhận dạng
những đối tượng khảnghi của vụkhủng bốnày?
¾ Hệthống giám sát công nhân và chấm công tựđộng
9 Hiện nay trong các khu công nghiệp hay những công ty sản xuất lớn
có hàng ngàn công nhân vào ra mỗi ngày nên việc giám sát kẻgian
vào công ty cũng như công việc chấm công rất phức tạp. Vậy làm
thếnào đểnhận ra từng nhân viên của công ty.
Khoa CNTT – ÐH KHTN TP.HCM
Khoa CNTT – ÐH KHTN TP.HCM
7
™ Tóm lại: nhu cầu sửdụng các hệthống xửlý dùng trí tuệnhân tạo ngày
càng phát triển, mà trong đó nhận dạng khuôn mặt đểmã hóa mật khẩu cá
nhân là một nhu cầu thiết yếu hiện nay và trong tương lai. Đặc biệt vụ
khủng bốngày 11-9-2001 tại Mỹđã đánh dấu một bước ngoặc mới trong
xu hướng nghiên cứu và giá trịthương mại của các hệthống sinh trắc học
đểbảo vệsựan toàn cho con người.
1.3 Các hướng tiếp cận chính trong lĩnh vực nhận dạng
khuôn mặt
1.3.1 Các công trình nghiên cứu vềphương pháp nhận
dạng và kiểm chứng chất lượng cho một hệthống
nhận dạng khuôn mặt
Bài toán nhận dạng khuôn mặt cần xác định hai vấn đềchính: dùng thông tin nào
đểnhận dạng: chân mày, cặp mắt, mũi, môi, tai, hay kết hợp các thông tin trên. Và
dùng phương pháp nào đểhuấn luyện cho máy nhận dạng dùng nguồn thông tin
đó. Nhận dạng khuôn mặt trên máy tính đã trãi qua nhiều bước thăng trầm với các
kết quảnhư sau:
¾ Wenyi Zhao, Arvindh Krishnaswamy, Rama Chellappa, Danie L.Swets,
John Weng (1998)[1] sửdụng phương pháp PCA (phân tích thành phần
chính) kết hợp LDA (phân tích độc lập tuyến tính). Bước 1, chiếu ảnh
khuôn mặt từkhông gian ảnh thô sang không gian các không gian khuôn
mặt (Mỗi lớp khuôn mặt được nhận dạng sẽđược mô hình hóa bằng một
không gian khuôn mặt) dùng PCA. Bước 2, sửdụng phương pháp LDA
đểtạo bộphân loại tuyến tính có khảnăng phân lớp các lớp khuôn mặt.
¾ John Daugnman (1998)[2], đưa ra phương pháp dùng đặc trưng vềtròng
của mắt đểphân biệt cặp (trai/gái) song sinh.
¾ Emmanuel Viennet và Francoise Fogelman Soulie (1998),[3] sửdụng
phương pháp mạng neural nhân tạo đểxửlý và nhận dạng khuôn mặt.
¾ Antonio J.Colmenarez và Thomas S.Huang (1998),[4] sửdụng kỹthuật
học thịgiác và phù hợp mẫu 2-D. Ông quan niệm bài toán dò tìm khuôn
mặt là thao tác phân loại khuôn mặt trong đó khuôn mặt thuộc vềmột
lớp và các đối tượng khác thuộc vềlớp còn lại bằng cách ước lượng mô
Khoa CNTT – ÐH KHTN TP.HCM
Khoa CNTT – ÐH KHTN TP.HCM
8
hình xác suất cho mỗi lớp, và việc dò tìm sửdụng luật quyết định
Maximum-likelihood.
¾ Kazunori Okada, Johannes Steffens, Thomas Maurer, Hai Hong, Egor
Elagin, Hartmut Neven, and Christoph (1998),[5] nhận dạng khuôn mặt
dựa vào sóng Gabor và phương pháp phù hợp đồthịbó. Với ý tưởng
dùng đồthịđểbiểu diễn khuôn mặt, ảnh khuôn mặt được đánh dấu tại
các vịtrí đã được xác định trước trên khuôn mặt, gọi các vịtrí này chính
là các vịtrí chuẩn. Khi thực hiện thao tác so khớp đồthịvới một ảnh,
các điểm chuẩn (Jets) sẽtrích ra từảnh và so sánh các điểm chuẩn này
với tất cảcác điểm chuẩn tương ứng trong các đồthịkhác nhau, và đồ
thịnào phù hợp nhất với ảnh sẽđược chọn.
¾ Baback Moghaddam và Alex Pentland (1998) [6], đưa ra phương pháp
phù hợp thịgiác trực tiếp từcác ảnh cần sửdụng cho mục đích nhận
dạng khuôn mặt và dùng độđo xác suất đểtính độtương tự.
Khoa CNTT – ÐH KHTN TP.HCM
Khoa CNTT – ÐH KHTN TP.HCM
9
¾ Massimo Tistaelli và Enrico Grosso (1998) [7], đưa ra kỹthuật thịgiác
động. Vì khảnăng quan sát các chuyển động của khuôn mặt và xửlý các
tính huống theo dựđịnh là thông tin rất quan trọng, từđó nhận được mô
tảđầy đủhơn vềkhuôn mặt cho mục đích thu thập mẫu và nhận dạng.
¾ Jeffrey Huang, Chengjun Liu, và Harry Wechsler (1998)[8], đềxuất
thuật toán căn cứtrên tính tiến hóa (Evolutionary computation) và di
truyền (Genetic) cho các tác vụnhận dạng khuôn mặt. Đối với cách tiếp
cận này, hai mắt sẽđược dò tìm trước tiên và thông tin này được xem là
vết đểquan sát khuôn mặt, trình xửlý dò tiếp mắt bằng cách sửdụng
một thuật toán lai đểkết hợp thao tác học và tiến hóa trong quá trình
học.
¾ Daniel Bgraham và Nigel M Allinson (1998)[9], sửdụng phương pháp
được gọi là tạo bản sao không gian đặc trưng đểbiểu diễn và nhận dạng
hướng di chuyển của khuôn mặt.
¾ Oi Bin Sun, Chian Prong Lam và Jian Kang Wu (1998)[10], sửdụng
phương pháp tìm vùng hai chân mày, hai mắt, mũi, miệng và cằm. Ảnh
khuôn mặt thẳng ban đầu được chiếu theo chiều ngang đểtìm các giá trị
điểm ảnh thỏa ngưỡng cho trước, đồthịbiểu diễn theo trục ngang sẽ
định vịvịtrí biên trên và biên dưới của hình chữnhật bao các đặc trưng
cục bộkhuôn mặt. Tương tựvới chiều đứng đểtìm ra đường biên bên
trái và phải cho các vùng đặc trưng.
¾ Ara V.Nefian và Monson H.Hayes III (1998)[12] trình bày hướng tiếp
cận theo mô hình mô hình Markov ẩn (HMM) trong đó ảnh mẫu khuôn
mặt được lượng hóa thành chuỗi quan sát trên khuôn mặt theo quan
niệm dựa trên thứtựxuất hiện các đặc trưng khuôn mặt {hai chân mày,
hai lông mi, mũi, miệng, cằm}. Trong chuỗi quan sát đó, mỗi quan sát
lại là một vector nhiều chiều và mỗi vector quan sát này được sửdụng
đểđặc trưng cho mỗi trạng thái trong chuỗi trạng trạng thái của HMM.
Mỗi người được ước lượng bằng một mô hình của HMM.
¾ Guodong Guo, Stan Z.Li, Kap Luk Chan (17 January 2001) [13], dùng
phương pháp SVM đểnhận dạng khuôn mặt. Sửdụng chiến lược kết
hợp nhiều bộphân loại nhịphân đểxây dựng bộphân loại SVM đa lớp.
Khoa CNTT – ÐH KHTN TP.HCM
Khoa CNTT – ÐH KHTN TP.HCM
10
1.3.2 Hướng tiếp cận được thửnghiệm trong luận văn
Trong đềtài này chúng tôi thửnghiệm hai phương pháp nhận dạng: SVM và
HMM. Hai phương pháp: PCA (phân tích thành phần chính) và DCT (biến đổi
Cosine rời rạc) đểrút ra các vector đặc trưng làm đầu vào cho hai bộnhận dạng
trên.
Việc cô lập khuôn mặt trong ảnh đầu vào (ảnh chứa khuôn mặt) được thực
hiện với phương pháp dò tìm khuôn mặt trong ảnh dùng mạng neural.
Sơ đồhệthống nhận dạng khuôn mặt được minh họa trong hình sau:
Doø tìm
khuoân maët
Tieàn xöû lyù
aûnh khuoân maët
Chuaån hoaù
khuoân maët
Trích ñaëc tröng
Phöông phaùp PCA
Trích ñaëc tröng
Phöông phaùp DCT
Phöông phaùp
SVM
Phöông phaùp
HMM
Lôùp 1
Lôùp 2 Lôùp i-1
Lôùp i Lôùp i+1 Lôùp N-1
Lôùp N
?
?
?
Ñaây laø ai
?
Hình 1-2 Mô phỏng hệthống nhận dạng khuôn mặt
Khoa CNTT – ÐH KHTN TP.HCM
Khoa CNTT – ÐH KHTN TP.HCM
11
Chương 2
MÔ TẢDỮLIỆU
Khoa CNTT – ÐH KHTN TP.HCM
Khoa CNTT – ÐH KHTN TP.HCM
12
2.1 Thu thập dữliệu
Cơ sởdữliệu ảnh khuôn mặt gồm 30 người được thu thập từnhiều nguồn khác
nhau.
Ảnh
của
10
người
đầu
tiên
được
lấy
từ
website
http://www.humanscan.de/support/downloads/facedb.php của công ty Human
Scan và nguồn dữliệu này chuyện phục vụcho bài toán dò tìm khuôn mặt, Ảnh
của 3 người tiếp theo được lấy từwebsite http://www.mis.atr.co.jp/~mlyons/,
Kyushu University, mỗi người gồm 20 ảnh khác nhau, và nguồn dữliệu này
chuyên phục vụcho bài toán nhận dạng cảm xúc, 17 người còn lại từđược lấy từ
website http://cswww.essex.ac.uk/ projects/ vision/allfaces, mỗi người bao gồm
20 ảnh khác nhau, và nguồn dữliệu này chuyên phục vụcho các ứng dụng nhận
dạng khuôn mặt. Cơ sởdữliệu này được minh hoạtrong Hình 2-1.
Ngoài ra, còn có tập dữliệu do chúng tôi tạo ra trong lúc thực hiện đềtài.
Đó là dữliệu được thu thập bằng WebCam gồm 10 người khác nhau. Chính sự
chủđộng trong việc tạo mẫu nên sốlượng ảnh khoảng trên 50 ảnh / 1 người. Tập
mẫu này được minh hoạtrong Hình 2-2.
Nhận xét vềtập mẫu dữliệu: Hầu hết các khuôn mặt xuất hiện trong ảnh là
khuôn mặt trực diện với mặt phẳng ảnh và mỗi khuôn mặt đều đầy đủthông tin
đặc trưng như {Hai chân mày, hai mắt, mũi, miệng, cằm}. Một sốkhuôn mặt quay
với một góc không đáng kể.
Kích thước chuẩn hoá của mỗi mẫu trong tập huấn luyện 30×30 (pixels) hoặc
32×32 (pixels) như mô tảtrên Hình 2-3. Tuỳthuộc vào đặc trưng xửlý của mỗi
thuật toán ta sửdụng một trong hai dạng kích thước ảnh chuẩn trên.
Khoa CNTT – ÐH KHTN TP.HCM
Khoa CNTT – ÐH KHTN TP.HCM
13
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
Hình 2-1 Dữliệu gồm 30 người được gán nhãn theo thứtựtừ1 đến 30.
1
2
3
4
5
6
7
8
9
10
Hình 2-2 Dữliệu gồm 10 người được gán nhãn theo thứtựtừ1 đến 10