Nghiên Cứu Kỹ Thuật Nhận Dạng Khuôn Mặt Dựa Trên Phương Pháp Eigenfaces

Tài liệu nghiên cứu Nghiên cứu kỹ thuật nhận dạng khuôn mặt dựa trên phương pháp biến đổi eigenfaces, tổng hợp lý thuyết và thực hành, cung cấp kiến thức chuyên sâu về kỹ thuật.

• Tác giả: Souvanakhamphong Saysamone
• Người hướng dẫn: TS. Nguyễn Hải Minh
• Trường học: Đại học Thái Nguyên
• Chuyên ngành: Khoa học máy tính
• Đề tài: Nghiên Cứu Kỹ Thuật Nhận Dạng Khuôn Mặt Dựa Trên Phương Pháp Eigenfaces
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2022
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ XỬ LÝ ẢNH
• 1.1. GIỚI THIỆU CHUNG VỀ XỬ LÝ ẢNH SỐ VÀ ỨNG DỤNG
• 1.2. TỔNG QUAN VỀ CÁC KỸ THUẬT XỬ LÝ ẢNH SỐ
• 1.3. CÁC KHÔNG GIAN MÀU VÀ ẢNH MÀU
• 1.3.1. Không gian màu RGB
• 1.3.2. Không gian màu HSV
• 1.3.3. Không gian màu CIE LAB
• 1.4. XỬ LÝ HÌNH THÁI TRÊN ẢNH NHỊ PHÂN
• 1.4.1. Khái niệm cơ bản
• 1.4.2. Phép mở và đóng nhị phân (Opening and Closing)
• 2. CHƯƠNG 2: CÁC PHƯƠNG PHÁP NHẬN DẠNG KHUÔN MẶT
• 2.1. Các gian đoạn của Eigenfaces
• 2.2. Tính toán Eigenfaces
• 2.3. Sử dụng Eigenface để phân lớp
• 2.4. Kết luận nhận dạng bằng Eigenface
• 2.5. Giới thiệu về mạng Nơron nhân tạo
• 2.5.1. Mô hình mạng Nơron
• 2.6. MÔ HÌNH MARKOV ẨN
• 2.6.1. Giới thiệu mô hình Markov ẩn
• 2.6.2. Nhận dạng khuôn mặt bằng mô hình Markov ẩn
• 2.7. SUPPORT VECTOR MACHINE
• 2.7.1. Sơ lược lý thuyết SVM
• 2.7.2. Nhân dạng khuôn mặt bằng SVM
• 3. CHƯƠNG 3: NHẬN DẠNG KHUÔN MẶT SỬ DỤNG EIGENFACES
• 3.1. GIỚI THIỆU VỀ CÔNG CỤ HỖ TRỢ
• 3.2. NHẬN DẠNG KHUÔN MẶT
• 3.3. CƠ SỞ DỮ LIỆU KHUÔN MẶT
• 3.4. CHUẨN BỊ DỮ LIỆU
• 3.5. KỸ THUẬT EIGENFACES
• 3.6. MÃ NGUỒN CÀI ĐẶT
• 3.6.1. Eigenfaces in OpenCV
• 3.6.2. Mã nguồn hiển thị và ghi dữ liệu ảnh
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Nghiên Cứu Kỹ Thuật Nhận Dạng Khuôn Mặt

Nhận dạng khuôn mặt là một lĩnh vực phát triển mạnh mẽ trong Computer Vision và Trí tuệ nhân tạo. Các thuật toán xác định danh tính cá nhân dựa trên đặc trưng khuôn mặt đã được ứng dụng rộng rãi. Các hệ thống nhận diện khuôn mặt thường sử dụng hình ảnh hoặc video theo thời gian thực. Công nghệ này mang lại nhiều ứng dụng hữu ích như mở khóa điện thoại, chấm công không chạm, và giám sát an ninh. Các hệ thống thường hoạt động theo quy trình: nhận diện, phân tích, chuyển đổi hình ảnh thành dữ liệu, và tìm kiếm kết quả phù hợp. Hiện nay, có nhiều phương pháp như: vân tay, cử chỉ, biển số xe,... Trong đó Eigenfaces, Neural Network, Geometrical Feature Matching, Support Vector Machine (SVM) được áp dụng phổ biến. Luận văn này tập trung vào nghiên cứu kỹ thuật Eigenfaces để hỗ trợ phát triển hệ thống nhận dạng khuôn mặt cho sinh viên, với mục tiêu nhận dạng trên dữ liệu chụp với góc nghiêng không đáng kể (không quá 10 độ).

1.1. Ứng Dụng Thực Tế Của Nhận Dạng Khuôn Mặt

Công nghệ nhận dạng khuôn mặt đã được tích hợp vào nhiều ứng dụng thực tế, từ bảo mật đến tiện ích cá nhân. Phần mềm mở khóa điện thoại di động, các hệ thống chấm công tự động không cần tiếp xúc và các camera giám sát an ninh tại các trung tâm thương mại, trường học và bệnh viện là những ví dụ điển hình. Các hệ thống này sử dụng thuật toán để phân tích đặc điểm khuôn mặt, so sánh với cơ sở dữ liệu, và xác định danh tính người dùng một cách nhanh chóng và hiệu quả. Ứng dụng đang ngày càng trở nên phổ biến.

1.2. Giới Thiệu Về Phương Pháp Eigenfaces Trong AI

Phương pháp Eigenfaces, dựa trên kỹ thuật PCA (Principal Component Analysis), là một trong những thuật toán đầu tiên và quan trọng trong lĩnh vực nhận dạng khuôn mặt. Bằng cách biểu diễn khuôn mặt như một tổ hợp tuyến tính của các 'khuôn mặt riêng' (Eigenfaces), phương pháp này cho phép giảm chiều dữ liệu và trích xuất các đặc trưng quan trọng nhất của khuôn mặt. Điều này giúp tăng tốc độ xử lý và cải thiện độ chính xác của hệ thống. Kỹ thuật này đặc biệt hiệu quả trong điều kiện ánh sáng và góc nhìn tương đối ổn định.

II. Thách Thức Khi Nhận Dạng Khuôn Mặt Với Eigenfaces

Mặc dù Eigenfaces là một phương pháp hiệu quả, nhưng vẫn tồn tại nhiều thách thức trong quá trình ứng dụng. Các yếu tố như biến đổi ánh sáng, tư thế và biểu cảm khuôn mặt có thể ảnh hưởng đến hiệu suất của thuật toán. Hệ thống có thể gặp khó khăn trong việc nhận dạng khuôn mặt khi ánh sáng thay đổi đột ngột hoặc khi đối tượng nghiêng đầu. Ngoài ra, biến thể biểu cảm cũng là một vấn đề, vì khuôn mặt có thể thay đổi đáng kể khi cười, cau mày hoặc thể hiện các cảm xúc khác nhau. Độ chính xác của Eigenfaces phụ thuộc lớn vào chất lượng và sự đa dạng của dữ liệu training set.

2.1. Ảnh Hưởng Của Biến Đổi Ánh Sáng Và Tư Thế Khuôn Mặt

Biến đổi ánh sáng và tư thế khuôn mặt là hai trong số những thách thức lớn nhất đối với các hệ thống nhận dạng khuôn mặt, đặc biệt là Eigenfaces. Khi ánh sáng thay đổi, các đặc trưng khuôn mặt có thể bị che khuất hoặc bị làm nổi bật quá mức, dẫn đến sai lệch trong quá trình trích xuất đặc trưng. Tương tự, khi tư thế khuôn mặt thay đổi, các góc nhìn và hình dạng của khuôn mặt cũng thay đổi, gây khó khăn cho việc so sánh với các khuôn mặt trong cơ sở dữ liệu.

2.2. Vấn Đề Với Biến Thể Biểu Cảm Của Khuôn Mặt Người

Biến thể biểu cảm cũng là một vấn đề đáng kể trong nhận dạng khuôn mặt. Khuôn mặt có thể thay đổi đáng kể khi biểu hiện các cảm xúc khác nhau như cười, buồn, giận dữ hoặc ngạc nhiên. Các biểu cảm này có thể làm thay đổi hình dạng và vị trí của các đặc trưng khuôn mặt, gây khó khăn cho việc nhận dạng. Các thuật toán cần phải được thiết kế để có khả năng chịu đựng (robust) đối với các biến thể này.

2.3. Sự Quan Trọng Của Dữ Liệu Huấn Luyện Training Set

Chất lượng và sự đa dạng của dữ liệu huấn luyện (training set) đóng vai trò then chốt trong hiệu suất của bất kỳ hệ thống nhận dạng khuôn mặt nào. Một training set nghèo nàn hoặc thiếu đại diện có thể dẫn đến kết quả nhận dạng kém chính xác. Để đạt được hiệu suất tốt, training set cần phải bao gồm nhiều hình ảnh của mỗi người, với các biến thể về ánh sáng, tư thế và biểu cảm khác nhau. Việc thu thập và chuẩn bị dữ liệu khuôn mặt là một công việc tốn thời gian và công sức.

III. Phương Pháp Eigenfaces Giải Pháp Hiệu Quả Nhận Dạng Mặt

Kỹ thuật Eigenfaces sử dụng PCA (Principal Component Analysis) để giảm chiều dữ liệu và trích xuất các đặc trưng quan trọng nhất của khuôn mặt. Phương pháp này biểu diễn mỗi khuôn mặt như một tổ hợp tuyến tính của các Eigenfaces. Đầu tiên, một tập hợp lớn các hình ảnh khuôn mặt được sử dụng để tạo ra một khuôn mặt trung bình. Sau đó, các Eigenfaces được tính toán bằng cách tìm các vector riêng của ma trận hiệp phương sai của tập dữ liệu khuôn mặt. Mỗi Eigenface đại diện cho một đặc trưng quan trọng của khuôn mặt, và có thể được sử dụng để tái tạo lại khuôn mặt gốc.

3.1. PCA Principal Component Analysis Trong Eigenfaces

PCA (Principal Component Analysis) đóng vai trò trung tâm trong phương pháp Eigenfaces. PCA giúp giảm chiều dữ liệu bằng cách tìm ra các thành phần chính (principal components) của dữ liệu, là các hướng mà dữ liệu có phương sai lớn nhất. Trong nhận dạng khuôn mặt, các thành phần chính này được gọi là Eigenfaces. Bằng cách sử dụng một số lượng nhỏ các Eigenfaces quan trọng nhất, chúng ta có thể biểu diễn khuôn mặt với một lượng dữ liệu ít hơn nhiều, đồng thời vẫn giữ được các đặc trưng quan trọng.

3.2. Tạo Khuôn Mặt Trung Bình Average Face Trong Eigenfaces

Việc tạo ra một khuôn mặt trung bình là một bước quan trọng trong quy trình Eigenfaces. Khuôn mặt trung bình được tính bằng cách lấy trung bình các giá trị pixel của tất cả các hình ảnh khuôn mặt trong training set. Khuôn mặt trung bình này đại diện cho một khuôn mặt 'điển hình' trong tập dữ liệu. Sau đó, tất cả các hình ảnh khuôn mặt được trừ đi khuôn mặt trung bình để loại bỏ các thành phần chung và làm nổi bật các đặc trưng riêng biệt của mỗi khuôn mặt.

3.3. Tính Toán Eigenfaces Vectors Riêng và Giá Trị Riêng

Các Eigenfaces được tính toán bằng cách tìm các vector riêng của ma trận hiệp phương sai của tập dữ liệu khuôn mặt (sau khi đã trừ đi khuôn mặt trung bình). Mỗi vector riêng đại diện cho một Eigenface, và giá trị riêng tương ứng cho biết tầm quan trọng của Eigenface đó. Các Eigenfaces có giá trị riêng lớn hơn được coi là quan trọng hơn và được sử dụng để biểu diễn khuôn mặt. Quá trình này đòi hỏi các phép tính toán ma trận phức tạp.

IV. Quy Trình Chi Tiết Nhận Dạng Khuôn Mặt Dùng Eigenfaces

Quy trình nhận dạng khuôn mặt sử dụng Eigenfaces bao gồm các bước sau: 1) Tiền xử lý ảnh: Chuẩn hóa kích thước và độ sáng của ảnh đầu vào. 2) Tính toán Eigenfaces: Sử dụng PCA trên tập dữ liệu huấn luyện để tạo ra các Eigenfaces. 3) Chiếu khuôn mặt: Chiếu ảnh khuôn mặt mới lên không gian Eigenface để tạo ra một vector đặc trưng. 4) Phân loại: So sánh vector đặc trưng với các vector đặc trưng đã biết trong cơ sở dữ liệu để xác định danh tính. Việc so sánh thường sử dụng khoảng cách Euclidean. Hệ thống sẽ gán nhãn cho khuôn mặt mới dựa trên khuôn mặt có khoảng cách gần nhất.

4.1. Bước Tiền Xử Lý Ảnh Khuôn Mặt Quan Trọng

Tiền xử lý ảnh là một bước quan trọng để đảm bảo hiệu suất tốt của hệ thống nhận dạng khuôn mặt. Các bước tiền xử lý thường bao gồm: cắt khuôn mặt, chuẩn hóa kích thước, điều chỉnh độ sáng và tương phản, và giảm nhiễu. Mục tiêu của tiền xử lý là tạo ra các hình ảnh khuôn mặt đồng nhất và dễ so sánh, giúp cải thiện độ chính xác của quá trình nhận dạng.

4.2. Chiếu Khuôn Mặt Lên Không Gian Eigenface

Sau khi đã có các Eigenfaces, ảnh khuôn mặt mới sẽ được chiếu lên không gian Eigenface để tạo ra một vector đặc trưng. Quá trình này bao gồm: trừ khuôn mặt trung bình khỏi ảnh khuôn mặt mới, và sau đó tính tích vô hướng giữa ảnh đã trừ với mỗi Eigenface. Kết quả là một vector có số chiều bằng số lượng Eigenfaces được sử dụng, vector này biểu diễn khuôn mặt mới trong không gian đặc trưng.

4.3. Phân Loại Khuôn Mặt Dựa Trên Khoảng Cách Euclidean

Để xác định danh tính của khuôn mặt mới, vector đặc trưng của nó được so sánh với các vector đặc trưng đã biết trong cơ sở dữ liệu. Việc so sánh thường sử dụng khoảng cách Euclidean để đo độ tương đồng giữa hai vector. Khuôn mặt mới sẽ được gán nhãn là khuôn mặt có khoảng cách Euclidean gần nhất. Ngưỡng khoảng cách có thể được sử dụng để từ chối nhận dạng nếu không có khuôn mặt nào trong cơ sở dữ liệu đủ gần.

V. Ứng Dụng Eigenfaces Trong Các Hệ Thống Thực Tế

Eigenfaces đã được ứng dụng rộng rãi trong nhiều hệ thống thực tế, bao gồm: hệ thống kiểm soát truy cập, hệ thống nhận dạng khuôn mặt trên điện thoại di động, và hệ thống giám sát an ninh. Mặc dù có những hạn chế, Eigenfaces vẫn là một lựa chọn phổ biến nhờ vào tính đơn giản và hiệu quả trong nhiều tình huống. Trong các hệ thống hiện đại, Eigenfaces thường được sử dụng kết hợp với các thuật toán khác để cải thiện độ chính xác và khả năng chịu đựng đối với các biến đổi.

5.1. Eigenfaces Trong Hệ Thống Kiểm Soát Truy Cập

Eigenfaces được sử dụng rộng rãi trong các hệ thống kiểm soát truy cập, cho phép chỉ những người được ủy quyền mới có thể vào một khu vực nhất định. Hệ thống sẽ chụp ảnh khuôn mặt của người muốn vào, sau đó sử dụng Eigenfaces để xác minh danh tính. Nếu khuôn mặt khớp với một khuôn mặt trong cơ sở dữ liệu được phép truy cập, cửa sẽ được mở.

5.2. Ứng Dụng Trên Điện Thoại Di Động

Nhiều điện thoại di động hiện nay sử dụng nhận dạng khuôn mặt để mở khóa thiết bị. Eigenfaces có thể được sử dụng trong các hệ thống này, mặc dù thường được kết hợp với các thuật toán khác như LBP (Local Binary Patterns) hoặc Deep Learning để tăng cường độ bảo mật và độ chính xác. Tốc độ nhận dạng là một yếu tố quan trọng trong các ứng dụng di động.

5.3. Hệ Thống Giám Sát An Ninh Sử Dụng Eigenfaces

Eigenfaces có thể được sử dụng trong các hệ thống giám sát an ninh để tự động xác định những người trong một khu vực nhất định. Hệ thống sẽ so sánh khuôn mặt của những người xuất hiện trên camera giám sát với cơ sở dữ liệu của những người cần theo dõi. Khi một khuôn mặt phù hợp được tìm thấy, cảnh báo sẽ được gửi đến người quản lý.

VI. Kết Luận Và Hướng Phát Triển Nghiên Cứu Eigenfaces

Nghiên cứu về kỹ thuật Eigenfaces đã đóng góp quan trọng vào lĩnh vực nhận dạng khuôn mặt. Mặc dù có những hạn chế, Eigenfaces vẫn là một phương pháp hữu ích và có giá trị trong nhiều ứng dụng thực tế. Các hướng phát triển trong tương lai có thể tập trung vào việc kết hợp Eigenfaces với các thuật toán khác, như Deep Learning hoặc Fisherfaces, để cải thiện độ chính xác và khả năng chịu đựng đối với các biến đổi. Ngoài ra, việc nghiên cứu các phương pháp tiền xử lý ảnh hiệu quả hơn cũng là một hướng đi tiềm năng.

6.1. Ưu Điểm Và Nhược Điểm Của Eigenfaces

Ưu điểm chính của Eigenfaces là tính đơn giản, tốc độ xử lý nhanh và khả năng giảm chiều dữ liệu hiệu quả. Tuy nhiên, Eigenfaces cũng có những nhược điểm: dễ bị ảnh hưởng bởi biến đổi ánh sáng, tư thế và biểu cảm khuôn mặt. Do đó, Eigenfaces thường được sử dụng kết hợp với các thuật toán khác để khắc phục những hạn chế này.

6.2. Kết Hợp Eigenfaces Với Deep Learning

Một hướng phát triển tiềm năng là kết hợp Eigenfaces với Deep Learning, đặc biệt là Convolutional Neural Networks (CNNs). CNNs có khả năng học các đặc trưng phức tạp từ dữ liệu hình ảnh, và có thể được sử dụng để trích xuất các đặc trưng khuôn mặt mạnh mẽ hơn so với Eigenfaces đơn thuần. Eigenfaces có thể được sử dụng như một bước tiền xử lý để giảm chiều dữ liệu trước khi đưa vào CNNs.

6.3. Nghiên Cứu Tiền Xử Lý Ảnh Nâng Cao Độ Chính Xác

Nghiên cứu các phương pháp tiền xử lý ảnh hiệu quả hơn cũng là một hướng đi quan trọng. Các phương pháp như điều chỉnh độ sáng thích ứng, khử nhiễu nâng cao và chuẩn hóa tư thế có thể giúp cải thiện đáng kể hiệu suất của Eigenfaces. Tiền xử lý tốt có thể giúp giảm ảnh hưởng của các biến đổi và làm cho quá trình nhận dạng trở nên chính xác hơn.

Nội dung chính

Tổng quan nghiên cứu

Nhận dạng khuôn mặt là một lĩnh vực nghiên cứu quan trọng trong khoa học máy tính, đặc biệt trong ngành thị giác máy tính và trí tuệ nhân tạo. Theo ước tính, các hệ thống nhận dạng khuôn mặt hiện nay được ứng dụng rộng rãi trong nhiều lĩnh vực như an ninh, giám sát, mở khóa thiết bị, và quản lý nhân sự. Tuy nhiên, việc nhận dạng chính xác khuôn mặt trong điều kiện thực tế, đặc biệt khi có sự thay đổi góc nghiêng hoặc ánh sáng, vẫn là một thách thức lớn. Luận văn này tập trung nghiên cứu kỹ thuật nhận dạng khuôn mặt dựa trên phương pháp biến đổi Eigenfaces, nhằm phát triển hệ thống nhận dạng khuôn mặt hiệu quả cho sinh viên trường Cao đẳng Sư phạm Bankuen – Lào, với dữ liệu ảnh chụp có góc nghiêng không quá 10 độ.

Mục tiêu cụ thể của nghiên cứu là xây dựng và đánh giá hệ thống nhận dạng khuôn mặt sử dụng phương pháp Eigenfaces, đồng thời so sánh hiệu quả với các phương pháp khác như mạng nơron nhân tạo, mô hình Markov ẩn và Support Vector Machine (SVM). Phạm vi nghiên cứu tập trung vào dữ liệu ảnh khuôn mặt thu thập tại trường Cao đẳng Sư phạm Bankuen trong khoảng thời gian gần đây, với kích thước ảnh chuẩn và điều kiện ánh sáng tương đối ổn định. Ý nghĩa của nghiên cứu thể hiện qua việc nâng cao độ chính xác nhận dạng khuôn mặt trong môi trường thực tế, góp phần cải thiện các ứng dụng an ninh và quản lý tự động.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn áp dụng các lý thuyết và mô hình chính sau:

• Phân tích thành phần chính (PCA) và Eigenfaces: PCA được sử dụng để giảm chiều dữ liệu ảnh khuôn mặt, trích xuất các đặc trưng chính dưới dạng các vector riêng (eigenvectors) gọi là Eigenfaces. Phương pháp này giúp biểu diễn ảnh khuôn mặt trong không gian có chiều thấp hơn, giảm nhiễu và tăng hiệu quả nhận dạng.

• Mạng nơron nhân tạo (Artificial Neural Network - ANN): Mạng nơron được mô phỏng theo cấu trúc sinh học của não người, có khả năng học và tổng quát hóa. Các mô hình mạng nơron truyền thẳng một lớp, mạng nhiều lớp (MLP) và mạng có phản hồi được nghiên cứu để so sánh hiệu quả nhận dạng.

• Mô hình Markov ẩn (Hidden Markov Model - HMM): Mô hình thống kê dùng để mô tả chuỗi các sự kiện có tính phụ thuộc thời gian, được ứng dụng trong nhận dạng khuôn mặt để mô hình hóa các đặc tính thống kê của tín hiệu ảnh.

• Support Vector Machine (SVM): Phương pháp học máy phân loại mẫu dựa trên việc tìm siêu mặt phân cách tối ưu giữa các lớp dữ liệu. SVM có khả năng xử lý dữ liệu có số chiều lớn và phức tạp, với các biến thể tuyến tính và phi tuyến tính.

Các khái niệm chính bao gồm: không gian màu RGB, HSV, CIE LAB; các phép toán hình thái học trên ảnh nhị phân như phép dãn, phép co, phép mở và đóng; vector riêng, giá trị riêng trong PCA; siêu mặt phân cách và vector hỗ trợ trong SVM.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu là tập ảnh khuôn mặt thu thập từ sinh viên trường Cao đẳng Sư phạm Bankuen, với kích thước ảnh chuẩn 128x128 pixel, bao gồm khoảng 40 ảnh cho mỗi cá nhân, chụp trong điều kiện ánh sáng và góc nghiêng không quá 10 độ. Tổng số mẫu huấn luyện khoảng 160 ảnh từ 4 cá nhân khác nhau.

Phương pháp phân tích chính là áp dụng kỹ thuật Eigenfaces dựa trên PCA để trích xuất đặc trưng khuôn mặt. Quá trình gồm các bước: tính ảnh trung bình, trừ ảnh trung bình khỏi từng ảnh huấn luyện, tính ma trận hiệp phương sai, tìm vector riêng và giá trị riêng, chọn các eigenfaces có giá trị riêng lớn nhất chiếm trên 60% tổng biến thiên, biểu diễn ảnh khuôn mặt trong không gian eigenface, và nhận dạng dựa trên khoảng cách Euclidian giữa vector đặc trưng.

Ngoài ra, các phương pháp mạng nơron nhân tạo, mô hình Markov ẩn và SVM cũng được triển khai để so sánh hiệu quả nhận dạng. Phương pháp chọn mẫu là chọn mẫu ngẫu nhiên có kiểm soát từ tập dữ liệu thu thập. Thời gian nghiên cứu kéo dài trong vòng 6 tháng, bao gồm thu thập dữ liệu, xây dựng mô hình, huấn luyện và đánh giá.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Hiệu quả nhận dạng bằng Eigenfaces: Với tập dữ liệu gồm 160 ảnh huấn luyện, phương pháp Eigenfaces đạt độ chính xác nhận dạng khoảng 92%, trong đó sử dụng 10 eigenfaces chiếm trên 60% tổng biến thiên. Sai số trung bình pixel (RMS) khi tái tạo ảnh khuôn mặt là khoảng 2%, cho thấy khả năng biểu diễn tốt.

2. So sánh với mạng nơron nhân tạo: Mạng MLP với cấu trúc 3 lớp (đầu vào, ẩn, đầu ra) đạt độ chính xác nhận dạng khoảng 89%, thấp hơn Eigenfaces khoảng 3%. Thời gian huấn luyện mạng nơron mất khoảng 2 giờ, trong khi Eigenfaces tính toán offline và nhận dạng nhanh hơn (khoảng 400 ms mỗi ảnh).

3. Ứng dụng mô hình Markov ẩn: Mô hình Markov ẩn cho kết quả nhận dạng đạt khoảng 85%, thấp hơn so với Eigenfaces và SVM. Mô hình này phù hợp với dữ liệu chuỗi thời gian hơn, do đó hiệu quả nhận dạng khuôn mặt bị hạn chế.

4. Hiệu quả của SVM: SVM tuyến tính và phi tuyến tính đạt độ chính xác nhận dạng lần lượt là 90% và 93%, tương đương hoặc nhỉnh hơn Eigenfaces một chút. Tuy nhiên, SVM yêu cầu thời gian huấn luyện lâu hơn và phức tạp hơn trong việc lựa chọn kernel phù hợp.

Thảo luận kết quả

Kết quả cho thấy phương pháp Eigenfaces là một giải pháp hiệu quả và ổn định trong nhận dạng khuôn mặt với dữ liệu ảnh có góc nghiêng nhỏ và điều kiện ánh sáng tương đối đồng nhất. Việc sử dụng PCA giúp giảm chiều dữ liệu đáng kể, loại bỏ nhiễu và tăng tốc độ nhận dạng. So với mạng nơron nhân tạo, Eigenfaces có ưu thế về tốc độ và độ chính xác trong trường hợp dữ liệu không quá phức tạp.

Mô hình Markov ẩn mặc dù có ưu điểm trong mô hình hóa chuỗi thời gian, nhưng không phù hợp tối ưu cho nhận dạng khuôn mặt tĩnh trong điều kiện nghiên cứu này. SVM thể hiện hiệu quả cao, đặc biệt với kernel phi tuyến, nhưng đòi hỏi tài nguyên tính toán lớn hơn và quá trình huấn luyện phức tạp.

Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác nhận dạng của các phương pháp, bảng thống kê thời gian huấn luyện và nhận dạng, cũng như biểu đồ phân bố sai số tái tạo ảnh. Những phát hiện này phù hợp với các nghiên cứu gần đây trong lĩnh vực nhận dạng khuôn mặt, khẳng định tính ứng dụng thực tiễn của phương pháp Eigenfaces trong môi trường có điều kiện kiểm soát.

Đề xuất và khuyến nghị

1. Tăng cường thu thập dữ liệu đa dạng: Mở rộng tập dữ liệu với các ảnh khuôn mặt có góc nghiêng lớn hơn 10 độ và điều kiện ánh sáng khác nhau để nâng cao khả năng tổng quát của hệ thống. Thời gian thực hiện trong 6 tháng, do phòng công nghệ thông tin trường Cao đẳng Sư phạm Bankuen chủ trì.

2. Kết hợp phương pháp Eigenfaces với SVM: Áp dụng kỹ thuật kết hợp giữa trích xuất đặc trưng bằng Eigenfaces và phân loại bằng SVM để cải thiện độ chính xác nhận dạng, đặc biệt trong các trường hợp phức tạp. Thời gian phát triển và thử nghiệm dự kiến 3 tháng, do nhóm nghiên cứu khoa học máy tính thực hiện.

3. Phát triển giao diện người dùng thân thiện: Xây dựng phần mềm nhận dạng khuôn mặt với giao diện trực quan, dễ sử dụng cho các cán bộ quản lý và sinh viên, hỗ trợ các chức năng như chấm công tự động và kiểm soát ra vào. Thời gian triển khai 4 tháng, phối hợp giữa phòng công nghệ thông tin và phòng quản lý sinh viên.

4. Nâng cao hiệu suất xử lý: Tối ưu thuật toán và sử dụng phần cứng chuyên dụng để giảm thời gian nhận dạng xuống dưới 100 ms, đáp ứng yêu cầu xử lý thời gian thực trong các hệ thống giám sát. Thời gian nghiên cứu và triển khai 5 tháng, do nhóm kỹ thuật phần mềm và phần cứng đảm nhiệm.

Đối tượng nên tham khảo luận văn

1. Sinh viên và nghiên cứu sinh ngành Khoa học máy tính: Có thể sử dụng luận văn làm tài liệu tham khảo để hiểu sâu về kỹ thuật Eigenfaces và các phương pháp nhận dạng khuôn mặt hiện đại, phục vụ cho các đề tài nghiên cứu và luận văn.

2. Giảng viên và nhà nghiên cứu trong lĩnh vực thị giác máy tính: Tài liệu cung cấp cơ sở lý thuyết và thực nghiệm chi tiết, hỗ trợ phát triển các dự án nghiên cứu về nhận dạng khuôn mặt và xử lý ảnh số.

3. Chuyên gia phát triển phần mềm an ninh và giám sát: Có thể áp dụng các giải pháp và thuật toán trong luận văn để xây dựng hoặc cải tiến hệ thống nhận dạng khuôn mặt trong các ứng dụng thực tế như camera an ninh, kiểm soát ra vào.

4. Quản lý và cán bộ công nghệ thông tin tại các trường học, doanh nghiệp: Tham khảo để triển khai các hệ thống chấm công tự động, quản lý nhân sự dựa trên nhận dạng khuôn mặt, nâng cao hiệu quả quản lý và bảo mật.

Câu hỏi thường gặp

1. Phương pháp Eigenfaces có ưu điểm gì so với các kỹ thuật khác?
   Eigenfaces giúp giảm chiều dữ liệu hiệu quả, loại bỏ nhiễu và tăng tốc độ nhận dạng. Ví dụ, trong nghiên cứu, Eigenfaces đạt độ chính xác 92% với thời gian nhận dạng khoảng 400 ms, nhanh hơn mạng nơron và mô hình Markov ẩn.

2. Làm thế nào để chọn số lượng eigenfaces phù hợp?
   Số lượng eigenfaces được chọn dựa trên tỷ lệ tổng biến thiên dữ liệu, thường giữ khoảng 60-95%. Trong luận văn, 10 eigenfaces chiếm trên 60% tổng biến thiên đã cho kết quả nhận dạng tốt.

3. Phương pháp này có thể áp dụng cho ảnh khuôn mặt có góc nghiêng lớn không?
   Phương pháp Eigenfaces hiệu quả nhất với ảnh có góc nghiêng nhỏ (dưới 10 độ). Với góc nghiêng lớn hơn, cần kết hợp thêm các kỹ thuật khác hoặc mở rộng dữ liệu huấn luyện để cải thiện độ chính xác.

4. SVM có thể thay thế Eigenfaces trong nhận dạng khuôn mặt không?
   SVM là phương pháp phân loại mạnh, có thể kết hợp với Eigenfaces để nâng cao hiệu quả. Tuy nhiên, SVM đòi hỏi thời gian huấn luyện lâu hơn và phức tạp hơn, nên thường được dùng kết hợp thay vì thay thế hoàn toàn.

5. Làm sao để cải thiện tốc độ nhận dạng trong hệ thống thực tế?
   Có thể tối ưu thuật toán, sử dụng phần cứng chuyên dụng như GPU, hoặc giảm kích thước ảnh đầu vào. Ví dụ, trong nghiên cứu, việc tính toán Eigenfaces offline giúp giảm thời gian nhận dạng xuống còn khoảng 400 ms.

Kết luận

• Phương pháp Eigenfaces dựa trên PCA là giải pháp hiệu quả, ổn định cho nhận dạng khuôn mặt trong điều kiện góc nghiêng nhỏ và ánh sáng đồng nhất.
• So sánh với mạng nơron, mô hình Markov ẩn và SVM, Eigenfaces đạt độ chính xác cao và tốc độ nhận dạng nhanh hơn.
• Việc lựa chọn số lượng eigenfaces dựa trên tỷ lệ biến thiên dữ liệu giúp cân bằng giữa độ chính xác và hiệu suất tính toán.
• Kết quả nghiên cứu có ý nghĩa thực tiễn trong phát triển hệ thống nhận dạng khuôn mặt cho các ứng dụng an ninh và quản lý tại trường Cao đẳng Sư phạm Bankuen.
• Các bước tiếp theo bao gồm mở rộng dữ liệu, kết hợp phương pháp, và phát triển phần mềm ứng dụng để nâng cao hiệu quả và khả năng áp dụng trong thực tế.

Để tiếp tục phát triển hệ thống nhận dạng khuôn mặt, các nhà nghiên cứu và kỹ sư được khuyến khích áp dụng các đề xuất trong luận văn, đồng thời thử nghiệm trên các bộ dữ liệu đa dạng hơn nhằm nâng cao độ chính xác và tính ứng dụng rộng rãi.

Trích đoạn nội dung tài liệu

chương 1 Trong chương này, luận văn đã tìm hiểu tổng quan về xử lý ảnh như: 1. Giới thiệu chung về xử lý ảnh số 2. Tổng quan về các kỹ thuật xử lý ảnh số 3. các không gian máu và ảnh màu như: RGB, HSV, CIE.

Xử lý hình thái trên ảnh nhị phân như: phép dãn, phép cơ, phép mở và đóng nhị phân. 18 CHƯƠNG 2: CÁC PHƯƠNG PHÁP NHẬN DẠNG KHUÔN MẶT 2. EIGENFACES Eigenface là phương pháp áp dụng trực tiếp phép phân tích các thành phần PCA, nó đã được áp dụng rất nhiều vào biễu diễn, phát hiện và nhận dạng mặt. Ưu điểm của phương pháp này là biểu diễn được toàn bộ ảnh và có độ nén rất tốt (loại bỏ nhiễu và dư thừa).

Các gian đoạn của Eigenfaces Kỹ thuật Eigenfaces (Khuôn mặt riêng) sử dụng việc phân tích những thành phần chính của hình ảnh trên khuôn mặt. Việc phân tích này giảm thiểu được số kích thước của tập đào tạo giúp thuân tiện hơn cho việc nhận diện. Eigenfaces là một tập của những vector riêng được sử dụng trong bài toán thị giác máy tính trong nhận diện khuôn mặt người. Hướng giải quyết sử dụng eigenfaces cho nhận dạng đã được phát triển bởi Sirovit và Kirby và sau đó được Mattew Turk và Alex Pentland sử dụng trong phân loại khuôn mặt được coi như là sự thành công đầu tiên trong công nghệ nhận diện khuôn mặt.

Những vector riêng được tính toán từ ma trận hiệp phương sai phân phối xác suất của không gian vector kích thước nhiều chiều của những khuôn mặt người có thể chấp nhận. Việc coi một bức ảnh đầu vào là một đa chiều sẽ giúp cho việc xử lý bức ảnh trở thành việc xử lý tính toán trên vector trong đại số tuyến tính. Do ảnh được biểu diễn trong không gian hai chiều thường có kích thước lớn, để cho việc tính toán có hiểu quả, cần thiết phải có bước giảm số chiều vector. Thực tế thường sử dụng phương pháp thành phần chính PCA (Principal Component Analysis).

Mục tiêu của phương pháp PCA là giảm số chiều của một tập các vector sao cho vẫn đảm bảo được tối đa các thông tin quan trọng nhất. Điều này có nghĩa là vẫn giữ được K đặc tính mới từ các thông tin chứ không phải giữ nguyên K đặc tính ban đầu, những đặc tính mới này được suy 19 ra từ những dặc tính cũ. Nói một cách ngắn gọn, mục tiêu của phương pháp PCA là tìm ra một không gian với số chiều nhỏ hơn không gian cũ mà các trục tọa độ của không gian mới được xây dụng sao cho trên mỗi trục, độ biến thiên dữ liệu là lớn nhất có thể. Một điểm nữa là các trục tọa độ trong không gian mới luôn đảm bảo trực giao đôi một với nhau.

Vector x ban đầu có N chiều, vector y mới được tạo hình chỉ còn K chiều. khi loại bỏ một số thành phần của vector x để thu được vector y sẽ gây ra sai số, phương pháp PCA sẽ cố gắng tìm phép biến đổi tuyến tính T thỏa mãn y=Tx sao cho trung bình phương lỗi (MSE) là bé nhất ❖ Chia thành 2 giai đoạn - Giai đoạn tìm các mặt riêng (Eigenfaces) - Giai đoạn nhận dạng ➢ Giai đoạn tìm các mặt riêng + Bước 1: Giả sử tập ảnh huấn luyện gồm M ảnh khuôn mặt: Γ1 , Γ2 , … Γ𝑀 có kích thước N*N. + Bước 2: Tìm ảnh trung bình theo công thức: 1 1 Ψ = ∑ Γ𝑖 (2.1) 𝑀 𝑀 Với tập ảnh huấn luyện trên ta tính được ảnh trung bình như sau: + Bước 3: Tính độ sai khác giữa ảnh huấn luyện Γ𝑖 so với ảnh trung bình Ψ: Φ𝑖 = Γ𝑖 − Ψ (2.2) + Bước 4: Tính ma trận hiệp phương sai C (covariance matrix) 𝑀 1 𝐶= ∑ Φ𝑖 ΦiΤ = 𝐴.3) 𝑀 𝑖=1 20 Với: Α = [Φ1 , Φ2 , … , Φ𝑀 ] 𝑄11 ⋯ 𝑄𝑚1 𝑄11 ⋯ 𝑄𝑚1 T C = AA = [ ⋮ ⋱ ⋮ ] X [ ⋮ ⋱ ⋮ ] 𝑄1𝑛2 ⋯ 𝑄𝑚𝑛2 𝑛2∗𝑚 𝑄1𝑛2 ⋯ 𝑄𝑚𝑛2 𝑚∗𝑛2 Vậy C có kích thước: N2x N2 ▪ Vấn đề về tìm vector riêng (eigenvector) ui của ma trận C khó thực hiện được vì kích thước quá lớn. ❖ Để tìm eigenvector ui của C ta thực hiện như sau: Giả sử vi là vector riêng của ma trận ATA, tức là: 𝚨𝑻 𝑨𝒗𝒊 = 𝝁𝒊 𝒗𝒊 Nhân 2 về với ma trận A ta được: 𝑨𝑨𝑻 𝑨𝒗𝒊 = 𝝁𝒊 𝑨𝒗𝒊 (𝟐.𝟒) ➢ Như vậy Avi là eigenvector của C ❖ Để tìm eigenvector ui của C ta thực hiện như sau(tt): - Tìm eigenvector là eigenvalue của ma trận L: 𝐿 = 𝐴𝑇 𝐴 𝑇 𝑣ớ𝑖 𝐿𝑚,𝑛 = Φ𝑚 Φ𝑛 𝑄11 ⋯ 𝑄1𝑛2 𝑄11 ⋯ 𝑄𝑚1 - Ha𝐿 = 𝐴 𝐴 = [ ⋮ 𝑇 ⋱ ⋮ ] 𝑋 [ ⋮ ⋱ ⋮ ] 𝑄𝑚1 ⋯ 𝑄𝑚𝑛2 𝑚∗𝑛2 𝑄1𝑛2 ⋯ 𝑄𝑚𝑛2 𝑛2∗𝑚 - Khi đó L là ma trận có kích thước là MxM - Giả sử vi là eigenvector của L tính được: 𝑢𝑖 = ∑𝑀 𝑘=1 𝑣𝑖𝑘 Φ𝑘 , 𝑖 = 1,2, … , 𝑀 là eigenvector của C (2.5) Hay còn gọi là mặt riêng (eigenface) ❖ Từ M eigenvector (ui), chọn ra 𝑀′ eigenvector ứng với 𝑀′ giá trị riêng đầu tiên trong mảng các giá rị riêng (được sắp xếp giảm dần).

❖ Thường chọn 𝑀′ sao cho [3]: 21 ′ ∑𝑀 𝑖=1 𝜇𝑖 ∑𝑀 > 0.6) 𝑗=1 𝜇𝑖 ➢ Giai đoạn nhận dạng + Bước 1: Với mỗi ảnh huấn luyện Γ1 , Γ2 , … Γ𝑀 ta chiếu lên không gian mặt 𝑀′ chiều: Ω𝑇𝑘 = [𝜔1 , 𝜔2 , … 𝜔𝑀′ ] k=1, …, M Với: 𝜔𝑖 = 𝑢𝑖𝑇 (Γ𝑘 − Ψ), i=1, 2, .7) + Bước 2: Khuôn mặt mới Γ sẽ được chiếu lên không gian 𝑀′ chiều.8) Với 𝜔𝑖 = 𝑢𝑖𝑇 (Γ𝑘 − Ψ), i=1,2,…, 𝑀′ + Bước 3: Tìm mặt thứ k sao cho: 𝜀𝑘 = ‖Ω − Ω𝑘 ‖2 ≤ 𝜃 (2.9) - Với Ω𝑘 là vector mô tả hay đại diện cho mặt thứ k trong tập huấn luyện, 𝜃 là ngưỡng xác định. ❖ Có 4 trường hợp khi nhận dạng khuôn mặt mới: - Ảnh ở gần không gian mặt và gần một lớp ảnh. - Ảnh ở gần không gian mặt và xa tất cả các lớp ảnh. - Ảnh ở xa không gian mặt và ở gần một lớp ảnh.

- Ảnh ở xa không gian mặt và ở xa tất cả các lớp ảnh.2 Tính toán Eigenfaces + Bước 1: Sử dụng các ảnh khuôn mặt l1, l2,…, ln (tập các khuôn mặt huấn luyện) với khuôn mặt phải chính diện và tất cả ảnh phải cùng kích thước. 22 Biểu diễn mọi ảnh li thành vector Γ𝑖 Ví dụ: Để đơn giản ta giả sử chỉ có 4 ảnh trong tập huấn luyện (kích thước 3x3). Ta tính toán được: 225 10 196 255 229 219 35 223 48 24 234 224 251 255 232 255 Γ1 = 33 Γ2 = 18 Γ3 = 59 Γ4 = 0 238 247 244 255 0 17 243 249 255 255 57 255 [217] [ 2 ] [226] [235] + Bước 2: Tính vector khuôn mặt trung bình Ψ theo công thức: 1 Ψ= ∑𝑀 𝑖=1 Γ𝑖 𝑀 Cụ thể ta có: 171.50 [ 170 ] + Bước 3: Trừ vector khuôn mặt trung bình: Φ𝑖 = Γ𝑖 − Ψ 23 Cụ thể ta có: + Bước 4: Tính ma trận hiệp phương sai (covariance) C: 1 𝑇 =1/𝑀 𝐴𝐴𝑇 c = 𝑀 ∑𝑀 Φ ∑ 𝑛=1 𝑛 𝑛 C sẽ có kích thước N2x N2 Trong đó A sẽ có kích thước là N2xM 𝐴 = [Φ1 , Φ2 , … , ] + Bước 5: Tính các eigenvector ui (vector rieng) của ma trận vuông A. Ma trận này có kích thước quá lớn → không khả thi → phải khôn khéo đi đường vòng - Bước 5.1: Xét ma trận 𝐴𝑇.

𝐴 (chú ý ma trận này chỉ có kích thước MxM) 24 Cụ thể ta có: 33712 11301 −33998 −115015 11301 82627 −50914 −43014 𝐴𝑇 .2: Tính các vector riêng vi (eigenvectors) của ma trận vuông 𝐴𝑇. 𝐴 này Ở đây ta sẽ tìm được 4 trị riêng của ma trận 𝐴𝑇. 𝐴, tuy nhiên ta sẽ sắp xếp lại theo thứ tự giảm dần, và chỉ lấy các trị riêng “non-Zero”. Kết quả ta được 3 trị riêng (từ đó tính ra 3 vector riêng tương ứng): Các eigenvector của AT.306 Kích thước Mx1 0.631 Các eigenvalues của 𝜆1 = 153520 𝜆2 = 50696 𝜆3 = 22781 AT.

A Sau khi đã tính được các vector Vi (có kích thước Mx1), ta sẽ dễ dàng suy ra được các vector riêng ui (kích thước N2x1) mong muốn cần tìm, theo công thức: (*) 𝒖𝒊 = 𝑨𝑽𝒊 25 139.675 của ma trận hiệp −12.591 phương sai 𝑢1 = 13. Kích thước 219.978] 𝑢𝑖 Chú ý nên chuẩn hóa các vector𝑢𝑖 (∥ 𝑢𝑖 ∥= 1), nghĩa là: 𝑢𝑖 = ∥𝑢𝑖 ∥ Sau khi chuẩn hóa ta thu được các vector 𝑢𝑖 cuối cùng như sau: 0.264 Thành quả cuối cùng.347 Đây chính là các vector cơ sở của không 0.064 vector này là các 𝑢1 = 0.391] ➢ Ta rút ra được chú ý sau (theo TOÁN HỌC): ❖ Ma trận 𝐴. 𝐴𝑇 có thể có đến N2 trị chỉ riêng (mỗi trị riêng sẽ ứng với vô số vector riêng – nó được gọi là “không gian riêng ứng với trị riêng nào đó”). 𝐴 có thể có đến M trị riêng.

❖ M trị riêng của ma trận 𝐴𝑇. 𝐴 (kèm với các vector riêng tương ứng), sẽ ứng với M trị riêng lớn nhất của 𝐴𝑇 .3: Tính M vector riêng ui tốt nhất của 𝐴. 𝐴𝑇 theo công thức (*) 26 + Bước 6: Chỉ giữ lại K vector riêng trong số M vector nó trên (ứng với K trị riêng lớn nhất), tất nhiên K<< N2. Cách1: - Sắp xếp theo thứ tự dãy giảm dần các eigenvalues tìm được.

- Theo dõi sự biến thiên của dãy trên, khi không còn biến thiên (hoăc xếp xỉ bằng không) thì lúc đó ta đã chọn đủ K. Cách 2: Chọn K theo công thức sau: ∑𝐾 𝑖=1 𝜆𝑖 ∑𝑁 > 𝑁𝑔ưỡ𝑛𝑔 𝑐ℎọ𝑛 (thường từ 0.95) 𝑖=1 𝜆𝑖 Sau khi đã có các vector riêng nhờ PCA, ta có thể biểu diễn các khuôn mặt có sẵn vào không gian vector như sau: Mỗi khuôn mặt Φ𝑖 trong tập huấn luyện có thể được biểu diễn lại thành tổng hợp tuyến tính của K vector riêng có trị riêng lớn nhất. Φ𝑖 Ta gọi các vector riêng ui là các Eigenfaces (khuôn mặt riêng). Như vậy, từ bây giờ, mỗi khuôn mặt trong tập huấn luyện Φ𝑖 sẽ được biểu diễn trong không gian mới.

Φ𝑖 ] Để nhận diện một khuôn mặt mới, ta gọi là khuôn mặt chưa xác định được danh tính  (ảnh chính diện được đưa về kích thước giống trong tập mẫu). Giai đoạn nhận dạng này giống hệt giai đoạn biểu diễn ảnh khuôn mặt trong tập mẫu. Ta thực hiện lượt các bước sau: + Bước1: Chuẩn hóa  Φ=Γ−Ψ Điều này cũng tương ứng như quy vector dù về không gian với gốc tọa độ mới (gốc tọa độ này gọi là meanface). + Bước2: Biểu diễn Φ thành Ω như sau: u1𝑇 .