PHẦN MỞ ĐẦU 1. Tên đề tài/dự án: PHÁT TRIỂN MỘT SỐ MÔ HÌNH TÍNH TOÁN MỀM CHO BÀI TOÁN TRUY TÌM ẢNH MẶT NGƯỜI NHÌN THẲNG. Chủ nhiệm đề tài/dự án: Lê Hoàng Thái Cơ quan chủ trì:Trường Đại học Khoa học tự nhiên. Thời gian thực hiện: 10/2007 – 06/2010 Kinh phí được duyệt: 317.000 Kinh phí đã cấp: 200.000 theo TB số: TB-SKHCN ngày / 2.
Mục tiêu Trên cơ sở nghiên cứu các kỹ thuật tính toán mềm đã có, chúng tôi đề xuất một số mô hình tính toán mềm riêng nhằm giải quyết từng giai đoạn của bài toán truy tìm ảnh mặt người. Các mô hình đề xuất được chỉ ra tính ưu việt thông qua việc so sánh đánh giá nó với một số phương pháp truyền thống khác. Mục đích chính của nghiên cứu này nhằm chỉ ra tính hiệu quả của mô hình tính toán mềm trong ứng dụng: truy tìm dữ liệu trong cơ sở dữ liệu thông qua khóa tìm là ảnh mặt người nhìn thẳng. Hơn nữa, vai trò thực tiễn của nghiên cứu cũng được khẳng định thông qua lĩnh vực thực tế: phần mềm truy tìm ảnh các đối tượng bị truy nã thông qua khóa tìm là ảnh chụp hộ chiếu cá nhân.
Phần mềm này sẽ được ứng dụng thử nghiệm tại Cục Quản lý xuất nhập cảnh, 254 Nguyễn Trãi, Q1, tp. Hồ Chí Minh. Nội dung Đề tài gồm ba giai đoạn chính: Giai đoạn 1: Tìm hiểu, nghiên cứu các kỹ thuật tính toán mềm, tìm hiểu thử nghiệm việc kết hợp các kỹ thuật. Giai đoạn 2: Khảo sát về bài toán Truy tìm ảnh mặt người (các bước cần thiết để giải quyết bài toán, các nghiên cứu đã có).
Tiến tới, đề xuất mô hình tính toán mềm riêng cho từng bước, minh chứng tính khả thi của các mô hình đề xuất thông qua các kết quả thử nghiệm. Cuối cùng, đề xuất mô hình truy tìm ảnh mặt người nhìn thẳng tổng quát cho một ứng dụng thực nghiệm (tự xây dựng). -7- Giai đoạn 3: Tìm hiểu ứng dụng thực tế của bài toán truy tìm ảnh mặt người nhìn thẳng: bài toán nhận diện thông tin đối tượng thông qua ảnh hộ chiếu. Đề xuất mô hình phù hợp với ứng dụng này, và kiểm chứng các kết quả thử nghiệm.
Dưới đây trích nội dung nghiên cứu của đề tài: STT Nội dung 1 Tìm hiểu, nghiên cứu các kỹ thuật tính toán thông minh (NN, FL, GA, SVM,…) và các ứng dụng của nó. 2 So sánh các kỹ thuật thông minh: nêu ưu khuyết điểm từng kỹ thuật, lớp bài toán mà kỹ thuật đó có thể giải quyết, sự thể hiện của từng kỹ thuật như thế nào trong từng lớp bài toán. 3 Tìm hiểu về các nghiên cứu đã có về bài toán nhận dạng mặt người nhìn thẳng: mô hình thực hiện qua các bước, các kỹ thuật đã nghiên cứu và áp dụng. 4 Phát triển các kỹ thuật tính toán thông minh ứng dụng cho từng khâu trong mô hình nhận dạng mặt người nhìn thẳng để có được những giải pháp tốt hơn cho từng khâu trong mô hình.
Trong từng kỹ thuật đề xuất, đều có so sánh đánh giá với các kỹ thuật hiện có để chỉ ra tính ưu việt của kỹ thuật đề xuất. Kỹ thuật đề xuất ở đây có thể sử dụng một, nhiều hay phối hợp các kỹ thuật thông minh để có hiệu ứng tốt nhất. 5 Xây dựng mô hình thông minh tổng quát cho bài toán nhận dạng mặt người nhìn thẳng. 6 Cài đặt một chương trình ứng dụng thể hiện mô hình thông minh giải quyết bài toán nhận dạng mặt người nhìn thẳng.
7 So sánh đối chiếu với các mô hình, ứng dụng đã có thông qua thực nghiệm để chứng minh tính ưu việt của mô hình đề xuất. Sản phẩm của đề tài/dự án Phần mềm truy tìm ảnh mặt người của các đối tượng bị truy nã thông qua khóa là ảnh chụp hộ chiếu cá nhân. Đề tài sẽ được ứng dụng thử nghiệm tại Cục Quản Lý Xuất Nhập Cảnh- Bộ Công An. Địa chỉ: 254 Nguyễn Trãi, Q1, tp.
Hồ Chí Minh. -8- CHƢƠNG 1: TÌM HIỂU VỀ CÁC KỸ THUẬT TÍNH TOÁN MỀM 1.1 Các kỹ thuật tính toán mềm ứng dụng trong đề tài Trong đề tài, chúng tôi nghiên cứu tìm hiểu nhóm kỹ thuật sau: Nhóm 1gồm các kỹ thuật trích chọn không gian biểu diễn mẫu: Phân tích thành phần chính (Principal Component Analysis - PCA), Phân tích thành phần độc lập (Independence Component Analysis - ICA), Phân tích tách lớp tuyến tính (LDA). Nhóm 2 gồm các kỹ thuật phân lớp mẫu phổ cập: Phân lớp tuyến tính (Ada-Boost), phân lớp bằng mạng Nơron nhân tạo (ANN) và phân lớp Suport Vector Machine (SVM). Nhóm 3 gồm các kỹ thuật tính toán gần đúng hỗ trợ cho bài toán nhận dạng mẫu: Số mờ (Fuzzy), Thuật giải di truyền (Genetic Algorithms - GA).2 Các kỹ thuật trích chọn không gian biểu diễn mẫu 1.1 Phƣơng pháp phân tích thành phần chính : Quá trình rút trích đặc trưng đã được thực hiện bởi các phương pháp truyền thống : chia ô lưới, phép phân tích thành phần chính PCA, phân tích đặc trưng hình học bằng cách xác định các thành phần quan trọng của khuôn mặt như mắt, mũi, miệng… Trong các phương pháp trên phổ biến nhất là phương pháp PCA.
PCA (Principal Componens Analysis) [4][5][6] còn được gọi là Karhunen-Loeve Transform (KLT) hay Hotelling transform. PCA tìm phép biến đổi tuyến tính để: Giảm số chiều của không gian đặc trưng nhưng vẫn giữ được các đặc trưng chính. Cực tiểu hóa việc mất mát thông tin. Phương pháp PCA chiếu dữ liệu theo chiều biến đổi nhiều nhất.
Hình 1-1 Hƣớng của vector riêng Ví dụ của phương pháp PCA: Rút trích đặc trưng cho tập mẫu khuôn mặt Các tác giả đã trình bày phương pháp rút trích đặc trưng ảnh mặt người bằng phương pháp kết hợp các đặc trưng hình học và PCA. Ý tưởng chính là: Khuôn mặt sau khi chuẩn hoá sẽ được biểu diễn bằng vector có kích thước 30x30: x face ( x1 , x 2 ,. Sau đó vector x sẽ được ánh xạ vào trong không gian đặc trưng của khuôn mặt. Vector biểu diễn trong không gian đặc trưng của khuôn mặt: y face ( y1 , y 2 ,., y K ) K: số chiều trong không gian đặc trưng.
Vector trên được gọi là vector toàn cục của khuôn mặt. Việc rút trích đặc trưng bằng phương pháp cho tập mẫu học gồm 2 bước chính: Phân tích các thành phần chính của tập mẫu và ánh xạ tập mẫu vào trong miền không gian đặc trưng. Các bước PCA rút trích đặc trưng cho tập mẫu khuôn mặt: Tính vector trung bình của tập mẫu M có kích thước 900 (30 x 30). Tính ma trận hiệp phương sai C (900 x 900).
Tính các giá trị riêng (eigenvalue) và vector riêng (eigenvector) tương ứng của ma trận hiệp phương sai C. Chọn K vector riêng tương ứng với K giá trị riêng tương ứng lớn nhất. Xây dựng ma trận U mà mỗi cột là một vector đặc trưng 900 chiều. Vậy kích thước của ma trận U là 900 x K.
Ánh xạ toàn bộ tập mẫu khuôn mặt vào miền không gian đặc trưng (K chiều). Qua quá trình thực nghiệm, chọn giá trị K = 100 cho tất cả các bộ dữ liệu thử nghiệm vì nó đáp ứng được yêu cầu nhận dạng. Khuyết điểm của phương pháp PCA: Đích đến của PCA là tìm một tập ảnh cơ sở tốt hơn, để trong tập ảnh cơ sở mới này sự phối hợp các ảnh là không tương quan (các thành phần chính là không tương quan). Để làm được điều đó, PCA đã sử dụng thống kê bậc hai (ma trận hiệp phương sai).
Vì vậy các sự phụ thuộc thống kê bậc cao vẫn còn tồn tại trong phép phân tích PCA. Trong các công việc như nhận dạng mặt người, nhiều thông tin quan trọng có thể được chứa trong mối quan hệ thống kê bậc cao giữa các pixel của ảnh, không chỉ là thống kê bậc hai, như PCA. Vì vậy chúng ta cần tìm một phương pháp tống quát hơn PCA.2 Phƣơng pháp phân tích thành phần độc lập: Với các khuyết điểm của PCA ta cần tìm một phương pháp tổng quát hơn PCA, đó chính là ICA (Independent Component Analysis) [2][10][13][14]. ICA đã được áp dụng thành công trong bài toán tách nguồn mù (cocktail party problem), tách tín hiệu điện não đồ (Electroencephalo gram – EEG).
PCA có thể được xem như một trường hợp đặc biệt của ICA khi các nguồn có phân phối Gauss, trong trường hợp này thì ma trận trộn không xác định được. Phương pháp PCA chưa phải là một phương pháp tốt trong trường hợp các nguồn có phân phối phi Gauss. Theo kinh nghiệm quan sát, người ta đã xác định được rằng nhiều tín hiệu tự nhiên như âm thanh, ảnh tự nhiên, và EEG là sự tổ hợp tuyến tính của các nguồn với phân phối siêu Gauss (kurtosis dương), trong trường hợp này, ICA là một phương pháp tốt hơn PCA vì: Cung cấp một mô hình xác suất tốt hơn của dữ liệu. Nó xác định duy nhất ma trận trộn.
Nó tìm thấy một cơ sở không cần thiết trực giao mà có thể xây dựng lại dữ liệu tốt hơn PCA. Nó áp dụng các thống kê bậc cao trong dữ liệu không chỉ là ma trận hiệp phương sai như PCA. ICA tốt hơn PCA trong môi trường nhiễu chẳng hạn như độ sáng biến đổi, các biến đổi cảm xúc trên khuôn mặt, trang điểm trên khuôn mặt. Hình 1-2 chỉ ra các mẫu trong một không gian ba chiều, được xây dựng bởi sự kết hợp tuyến tính của hai nguồn có phân phối siêu Gauss.
Các vector cơ sở của PCA và ICA cũng được xác định, bởi vì ba vector cơ sở của ICA là không trực giao nên chúng sẽ thay đổi khoảng cách giữa các điểm dữ liệu, vì nếu các vector là trực giao thì khi chiếu dữ liệu xuốn g không gian trực giao mới này thì khoảng cách giữa các điểm dữ liệu không thay đổi (PCA). Điều này có thể hữu dụng cho các thuật toán phân lớp, giống như thuật toán người láng giềng gần nhất, luật quyết định dựa trên khoảng cách giữa các điểm dữ liệu. Hình 1-2 Sự phân phối dữ liệu, và các trục tƣơng ứng của PCA & ICA Mỗi trục là một cột của ma trận nghịch đảo của ma trận trộn W-1 tìm thấy bởi PCA và ICA. Các trục của PCA trực giao trong khi ICA thì không, do đó khoảng cách các điểm dữ liệu sẽ thay đổi khi chiếu xuống không gian mới này.
Có hai kiến trúc để áp dụng ICA rút trích đặc trưng trong ảnh. Hàng giữa trong hình 1-3 chỉ ra 8 ảnh cơ sở sinh ra bởi kiến trúc 1, chúng xác định không gian khuôn mặt không giống như PCA (hàng trên) và ICA kiến trúc 2 (hàng cuối).