Luận Văn Thạc Sĩ: Nghiên Cứu Phát Hiện Và Theo Dõi Khuôn Mặt Trên Smartphone Trong Lĩnh Vực Điều Khiển Và Tự Động Hóa

• Tác giả: Cao Kỳ Hãn
• Người hướng dẫn: PGS. Dương Hoài Nghĩa
• Trường học: Trường Đại học Bách Khoa – ĐHQG - HCM
• Chuyên ngành: Kỹ thuật điều khiển và tự động hóa
• Đề tài: Phát hiện và theo dõi khuôn mặt trên smartphone
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2015
• Địa điểm: Thành phố Hồ Chí Minh

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• 1. Chương 1: Giới thiệu đề tài
• 1.1. Đặt vấn đề
• 1.2. Mục tiêu đề tài
• 1.3. Tóm lược nội dung luận văn
• 2. Chương 2: Cơ sở lý thuyết liên quan
• 2.1. Giới thiệu mô hình Cascade của Viola và Jones
• 2.2. Phương pháp rút trích đặc trưng Haar-like
• 2.3. Thuật toán Adaboost
• 2.4. Mô hình Cascade của Viola và Jones sử dụng phát hiện khuôn mặt
• 2.5. Bộ lọc màu da
• 2.6. Đặc trưng LBP
• 2.7. Thuật toán CamShift
• 2.8. Bộ lọc Particle
• 3. Chương 3: Thuật Toán Theo Dõi Khuôn Mặt
• 3.1. Tính histogram của khuôn mặt
• 3.2. Cải tiến thuật toán Camshift
• 3.3. Chiến lược phân bố số mẫu Particle
• 3.4. Áp dụng thuật toán cải tiến CamShift cùng với bộ lọc Particle
• 4. Chương 4: Hệ Thống phát hiện và theo dõi khuôn mặt trên IOS
• 4.1. Giới thiệu thư viện Opencv
• 4.2. Tích hợp OpenCV lên Xcode
• 4.3. Giao diện sử dụng của hệ thống phát hiện và theo dõi khuôn mặt trên Smartphone
• 4.4. Thực hiện thuật toán đề xuất qua ứng dụng trên IOS
• 4.5. Kết quả của hệ thống phát hiện và theo dõi khuôn mặt trên điện thoại thông minh
• 5. Chương 5: Mô phỏng thuật toán trên Matlab
• 5.1. Mô phỏng Matlab
• 5.2. So sánh với các công trình nghiên cứu liên quan khác
• 6. Chương 6: Kết Luận
• 6.1. Kết luận
• 6.2. Hướng phát triển đề tài
• Tài liệu tham khảo

I. Giới thiệu đề tài

Luận văn thạc sĩ này tập trung vào việc phát hiện và theo dõi khuôn mặt trên smartphone, một lĩnh vực quan trọng trong kỹ thuật điều khiển và tự động hóa. Đề tài nhằm giải quyết các thách thức trong việc tích hợp các thuật toán nhận diện khuôn mặt và theo dõi khuôn mặt trên thiết bị di động, đặc biệt là trong điều kiện thời gian thực. Công nghệ di động và hệ thống giám sát đang ngày càng phát triển, và việc ứng dụng trí tuệ nhân tạo cùng học máy vào xử lý hình ảnh trên smartphone là một hướng đi tiềm năng.

1.1 Đặt vấn đề

Phát hiện khuôn mặt và theo dõi khuôn mặt có ứng dụng rộng rãi trong các lĩnh vực như bảo mật, quân sự và giải trí. Tuy nhiên, việc triển khai các thuật toán này trên smartphone gặp nhiều thách thức do hạn chế về phần cứng. Đề tài này tập trung vào việc tối ưu hóa các thuật toán như Haar-like, CamShift, và bộ lọc Particle để đạt hiệu quả cao trên thiết bị di động.

1.2 Mục tiêu đề tài

Mục tiêu chính của đề tài là xây dựng một hệ thống phát hiện và theo dõi khuôn mặt thời gian thực trên smartphone. Hệ thống này sẽ tích hợp các thuật toán tiên tiến như Haar-like và CamShift để đảm bảo độ chính xác và tốc độ xử lý. Đề tài cũng hướng đến việc khắc phục các vấn đề như khuôn mặt bị che khuất hoặc nhiễu màu da.

II. Cơ sở lý thuyết

Chương này trình bày các lý thuyết nền tảng liên quan đến phát hiện khuôn mặt và theo dõi khuôn mặt. Các thuật toán như Haar-like, Adaboost, và CamShift được phân tích chi tiết, cùng với các phương pháp xử lý hình ảnh và học máy để tối ưu hóa hiệu suất.

2.1 Mô hình Cascade của Viola và Jones

Mô hình Cascade của Viola và Jones là một phương pháp hiệu quả để phát hiện khuôn mặt dựa trên các đặc trưng Haar-like và thuật toán Adaboost. Mô hình này sử dụng một chuỗi các bộ phân loại để loại bỏ nhanh các vùng không chứa khuôn mặt, giúp tăng tốc độ xử lý.

2.2 Thuật toán CamShift và bộ lọc Particle

CamShift là một thuật toán cải tiến từ MeanShift, được sử dụng để theo dõi khuôn mặt dựa trên màu sắc. Tuy nhiên, thuật toán này có nhược điểm là dễ bị sai lệch khi màu nền gần giống màu da. Để khắc phục, đề tài đề xuất kết hợp CamShift với bộ lọc Particle để dự đoán vị trí khuôn mặt chính xác hơn.

III. Thuật toán đề xuất

Chương này trình bày thuật toán đề xuất của đề tài, kết hợp CamShift và bộ lọc Particle để cải thiện hiệu quả theo dõi khuôn mặt. Thuật toán này được thiết kế để xử lý các tình huống khuôn mặt bị che khuất hoặc nhiễu màu da, đảm bảo độ chính xác cao trong điều kiện thời gian thực.

3.1 Cải tiến thuật toán CamShift

Thuật toán CamShift được cải tiến bằng cách tích hợp thêm bộ lọc Particle để dự đoán vị trí khuôn mặt dựa trên mô hình chuyển động. Phương pháp này giúp giảm thiểu sai lệch khi khuôn mặt bị che khuất hoặc khi màu nền gần giống màu da.

3.2 Tích hợp thuật toán trên smartphone

Thuật toán đề xuất được tích hợp vào hệ thống phát hiện và theo dõi khuôn mặt trên smartphone sử dụng nền tảng iOS. Thư viện OpenCV được sử dụng để triển khai các thuật toán xử lý hình ảnh và học máy, đảm bảo hiệu suất cao trên thiết bị di động.

IV. Kết quả và đánh giá

Chương này trình bày các kết quả thực nghiệm và đánh giá hiệu quả của thuật toán đề xuất. Các thử nghiệm được thực hiện trên smartphone với các điều kiện khác nhau, và kết quả được so sánh với các công trình nghiên cứu liên quan.

4.1 Kết quả thực nghiệm

Các thử nghiệm cho thấy thuật toán đề xuất đạt độ chính xác cao trong việc phát hiện và theo dõi khuôn mặt, ngay cả trong điều kiện khuôn mặt bị che khuất hoặc nhiễu màu da. Hệ thống cũng đáp ứng được yêu cầu thời gian thực trên smartphone.

4.2 So sánh với các công trình liên quan

Kết quả của đề tài được so sánh với các công trình nghiên cứu khác trong lĩnh vực nhận diện khuôn mặt và theo dõi khuôn mặt. Thuật toán đề xuất cho thấy ưu thế về độ chính xác và tốc độ xử lý, đặc biệt là trên nền tảng công nghệ di động.

V. Kết luận và hướng phát triển

Đề tài đã thành công trong việc xây dựng một hệ thống phát hiện và theo dõi khuôn mặt thời gian thực trên smartphone. Các kết quả nghiên cứu cho thấy tiềm năng ứng dụng của trí tuệ nhân tạo và học máy trong lĩnh vực công nghệ thông minh. Hướng phát triển tiếp theo bao gồm tối ưu hóa thuật toán và mở rộng ứng dụng vào các lĩnh vực khác như an ninh và giám sát.

5.1 Kết luận

Đề tài đã giải quyết được các vấn đề chính trong phát hiện và theo dõi khuôn mặt trên smartphone, bao gồm việc xử lý khuôn mặt bị che khuất và nhiễu màu da. Thuật toán đề xuất cho thấy hiệu quả cao trong điều kiện thời gian thực.

5.2 Hướng phát triển

Hướng phát triển tiếp theo của đề tài bao gồm việc tối ưu hóa thuật toán để giảm thiểu tài nguyên phần cứng và mở rộng ứng dụng vào các lĩnh vực như an ninh, giám sát và công nghệ thông minh.