MỞ ĐẦU Xử lý ảnh và Thị giác máy đang phát triển mạnh mẽ và đang đƣợc thu hút sự quan tâm của nhiều nhà khoa học. Trong những năm qua, nhận dạng khuôn mặt trong video đã nhận đƣợc sự chú ý đáng kể. Đã xuất hiện những công nghệ khả thi sau nhiều thập niên nghiên cứu đóng góp vào xu thế này, chúng không chỉ ứng dụng vào các ứng dụng thƣơng mại, ứng dụng bảo mật mà còn nhiều lĩnh vực khác trong cuộc sống. Mặc dù hệ thống nhận dạng khuôn mặt hiện tại đã đạt đến một mức độ phát triển nhất định, nhƣng chúng vẫn còn nhiều hạn chế khi áp dụng vào các điều kiện thực tế.
Ví dụ, các hình ảnh nhận dạng của video đƣợc lấy trong môi trƣờng thực tế với sự thay đổi độ sáng, khuôn mặt nghiêng hoặc độ phân giải thấp của hình ảnh thu đƣợc vẫn là vấn đề khó giải quyết. Nói cách khác, các thuật toán hiện tại vẫn chƣa đƣợc hoàn thiện tốt nhất. Nhận dạng khuôn mặt có nhiều ứng dụng, đặc biệt là ứng dụng trong giám sát tự động. Trong thời đại chuyển đổi số và ứng dụng công nghệ thông tin mạnh nhƣ hiện nay, nhu cầu phát hiện, nhận dạng và giám sát tự động đang trở nên cấp thiết hơn cả.
Với lƣợng camera có thể lắp đặt nhiều nơi, tính thực tiễn của giám sát tự động qua camera là rất cao, ứng dụng vào nhiều mục đích và lĩnh vực, phục vụ nhiều nhu cầu trong đời sống. Với những phân tích trên, tôi xin chọn nghiên cứu đề tài “NGHIÊN CỨU NHẬN DẠNG KHUÔN MẶT VÀ ỨNG DỤNG TRONG GIÁM SÁT TỰ ĐỘNG ”. Mục đích nghiên cứu - Nghiên cứu các đặc trƣng khuôn mặt và các thuật toán trích chọn các đặc trƣng đó. - Nghiên cứu phân loại khuôn mặt và xây dựng tập CSDL.
2 - Xây dựng mô hình hệ thống giám sát tự động. - Cài đặt thử nghiệm và đánh giá kết quả 3. Đối tƣợng và phạm vi nghiên cứu 3. Đối tượng nghiên cứu: Đối tƣợng nghiên cứu của đề tài là ảnh có khuôn mặt ngƣời và các thuật toán trích chọn các đặc trƣng khuôn mặt.
Phạm vi nghiên cứu: Phạm vi nghiên cứu của đề tài này là nghiên cứu các phƣơng pháp trích chọn đặc trƣng khuôn mặt trên ảnh khuôn mặt của ngƣời Việt Nam và Lào, ứng dụng vào xây dựng hệ thống giám sát tự động cho đơn vị công tác. Phƣơng pháp nghiên cứu Phƣơng pháp nghiên cứu của đề tài đƣợc lựa chọn là lý thuyết kết hợp với thực nghiệm. Phƣơng pháp phân tích kỹ thuật và tổng hợp ứng dụng các thuật toán để giải quyết bài toán thực nghiệm. Ý nghĩa khoa học và thực tiễn của đề tài Những giá trị khoa học và thực tiễn của đề tài: - Các đặc trƣng để phát hiện và nhận biết khuôn mặt ngƣời trên ảnh và video, các kỹ thuật trích chọn đặc trƣng.
- Xây dựng mô hình phát hiện và nhận dạng mặt ngƣời thời gian thực. - So sánh hiệu suất đối với khuôn mặt ngƣời Lào và Việt Nam. NỘI DUNG CHÍNH Nội dung của đề tài đƣợc chia thành 3 chƣơng. Chƣơng 1: Giới thiệu tổng quan về nhận dạng khuôn mặt Trong chƣơng này, đề tài giới thiệu tổng quan về các khái niệm cơ bản trong xử lý ảnh và nhận dạng mặt ngƣời, một số phƣơng pháp và kỹ thuật phát hiện cũng nhƣ nhận dạng khuôn mặt.
Một số ứng dụng của nhận dạng khuôn mặt trong giám sát tự động. 3 Chƣơng 2: Một số kỹ thuật nhận dạng khuôn mặt Lý thuyết về kỹ thuật dựa vào phân tích đặc trƣng, kỹ thuật dựa vào phân lớp và ứng dụng vào bài toán giám sát tự động. Chƣơng 3: Chƣơng trình thử nghiệm Giới thiệu bài toán, mô tả tập dữ liệu đầu vào đƣợc sử dụng, cài đặt thử nghiệm, và phân tích đánh giá kết quả thực nghiệm. KHÁI QUÁT VỀ NHẬN DẠNG KHUÔN MẶT VÀ BÀI TOÁN GIÁ SÁT TỰ ĐỘNG 1.
Khái quát về nhận dạng khuôn mặt 1. Hệ thống sinh trắc học Hệ thống sinh trắc học là một hệ thống đƣợc thiết kế để xác minh và nhận dạng một ngƣời dựa vào những đặc trƣng sinh học duy nhất của ngƣời đó. Hệ thống nhận dạng khuôn mặt Hệ thống nhận dạng khuôn mặt là một hệ thống đƣợc thiết kế để tìm thông tin của một ngƣời. Kĩ thuật nhận dạng là kiểm tra sự phù hợp dựa trên phép so sánh một-nhiều cụ thể là tìm ra một ngƣời là ai trong số những ngƣời đã đƣợc lƣu trữ trong hệ thống dựa vào thông tin khuôn mặt.
Hệ thống xác minh hay xác thực khuôn mặt Hệ thống xác minh/xác thực khuôn mặt là một hệ thống đƣợc thiết kế để xác minh thông tin của một ngƣời .Kĩ thuật xác minh là kiểm tra sự phù hợp trên phép so sánh một-một cụ thể là đối chiếu thông tin mới nhận về một ngƣời với thông tin đã lƣu trữ về ngƣời này có khớp hay không dựa trên thông tin khuôn mặt. Những thách thức trong bài toán nhận dạng khuôn mặt Những biến đổi quá lớn giữa các ảnh khuôn mặt khác nhau từ một ngƣời cần nhận dạng gồm trạng thái cảm xúc trên khuôn mặt, ánh sáng, và các thay đổi vị trí của khuôn. Giới hạn về số ảnh cần thiết cho việc nhận dạng, tập học không thể bao quát đƣợc tất cả các biến đổi có thể có trên khuôn mặt của một ngƣời cần nhận dạng trong thế giới thực. Một số nghiên cứu về nhận dạng khuôn mặt Bài toán nhận dạng khuôn mặt cần xác định hai vấn đề chính: dùng thông tin nào để nhận dạng: chân mày, cặp mắt, mũi, môi, tai, hay kết hợp các thông tin trên.Và dùng phƣơng pháp nào để huấn luyện cho máy nhận dạng 5 dùng nguồn thông tin đó.
Nhận dạng khuôn mặt trên máy tính đã trãi qua nhiều bƣớc thăng trầm với các kết quả nhƣ sau: o Wenyi Zhao, Arvindh Krishnaswamy, Rama Chellappa, Danie L.Swets, ohn Weng (1998)[1] sử dụng phƣơng pháp PCA (phân tích thành phần chính) kết hợp LDA (phân tích độc lập tuyến tính). Bƣớc 1, chiếu ảnh khuôn mặt từ không gian ảnh thô sang không gian các không gian khuôn mặt (Mỗi lớp khuôn mặt đƣợc nhận dạng sẽ đƣợc mô hình hóa bằng một không gian khuôn mặt) dùng PCA. Bƣớc 2, sử dụng phƣơng pháp LDA để tạo bộ phân loại tuyến tính có khả năng phân lớp các lớp khuôn mặt. o Emmanuel Viennet và Francoise Fogelman Soulie (1998),[3] sử dụng phƣơng pháp mạng neural nhân tạo để xử lý và nhận dạng khuôn mặt o Antonio J.Colmenarez và Thomas S.Huang (1998),[4] sử dụng kỹ thuật học thị giác 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 về một lớp và các đối tƣợng khác thuộc về lớp còn lại bằng cách ƣớc lƣợng mô hình xác suất cho mỗi lớp, và việc dò tìm sử dụng luật quyết định Maximum- likelihood. o 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 phƣơng pháp phù hợp đồ thị bó. Với ý tƣởng dùng đồ thị để biểu diễn khuôn mặt, ảnh khuôn mặt đƣợc đánh dấu tại các vị trí đã đƣợc xác định trƣớc trên khuôn mặt, gọi các vị trí này chính là các vị trí chuẩn. Khi thực hiện thao tác so khớp đồ thị với một ảnh, các điểm chuẩn (Jets) sẽ trích ra từ ảnh và so sánh các điểm chuẩn này với tất cả các điểm chuẩn tƣơng ứng trong các đồ thị khác nhau, và đồ thị nào phù hợp nhất với ảnh sẽ đƣợc chọn.
o Baback Moghaddam và Alex Pentland (1998) [6], đƣa ra phƣơng pháp phù hợp thị giác trực tiếp từ các ảnh cần sử dụng cho mục đích nhận 6 dạng khuôn mặt và dùng độ đo xác suất để tính độ tƣơng tự. o Massimo Tistaelli và Enrico Grosso (1998) [7], đƣa ra kỹ thuật thị giác động. Vì khả năng quan sát các chuyển động của khuôn mặt và xử lý các tính huống theo dự định là thông tin rất quan trọng, từ đó nhận đƣợc mô tả đầy đủ hơn về khuôn mặt cho m1ục đích thu thập mẫu và nhận dạng. o Jeffrey Huang, Chengjun Liu, và Harry Wechsler (1998)[8], đề xuất thuật toán căn cứ trên tính tiến hóa (Evolutionary computation) và di truyền (Genetic) cho các tác vụ nhận dạng khuôn mặt.
Đối với cách tiếp cận này, hai mắt sẽ đƣợc dò tìm trƣớc tiên và thông tin này đƣợc xem là vết để quan sát khuôn mặt, trình xử lý dò tiếp mắt bằng cách sử dụng một thuật toán lai để kết hợp thao tác học và tiến hóa trong quá trình học. o Daniel Bgraham và Nigel M Allinson (1998)[9], sử dụng phƣơng pháp đƣợc gọi là tạo bản sao không gian đặc trƣng để biểu diễn và nhận dạng hƣớng di chuyển của khuôn mặt. o Oi Bin Sun, Chian Prong Lam và Jian Kang Wu (1998)[10], sử dụng phƣơng pháp tìm vùng hai chân mày, hai mắt, mũi, miệng và cằm. Ảnh khuôn mặt thẳng ban đầu đƣợc chiếu theo chiều ngang để tìm các giá trị điểm ảnh thỏa ngƣỡng cho trƣớc, đồ thị biểu diễn theo trục ngang sẽ định vị vị trí biên trên và biên dƣới của hình chữ nhật bao các đặc trƣng cục bộ khuôn mặt.
Tƣơng tự với chiều đứng để tìm ra đƣờng biên bên trái và phải cho các vùng đặc trƣng.Nefian và Monson H.Hayes III (1998)[12] trình bày hƣớng tiếp cận theo mô hình mô hình Markov ẩn (HMM) trong đó ảnh mẫu khuôn mặt đƣợc lƣợng hóa thành chuỗi quan sát trên khuôn mặt theo quan niệm dựa trên thứ tự xuất hiện các đặc trƣng 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 đƣợc sử dụng để đặc trƣng 7 cho mỗi trạng thái trong chuỗi trạng trạng thái của HMM. Mỗi ngƣời đƣợc ƣớc lƣợng bằng một mô hình của HMM. o Guodong Guo, stan Z.LI, Kap luk chan(17 january 2001), dùng phƣơng pháp SVM để nhận dạng khuôn mặt.
Sử dụng chiến lƣợc kết hợp nhiều bộ phận loại nhị phân để xây dựng bộ phân loại SVM đa lớp. Một số ứng dụng liên quan đến nhận dạng khuôn mặt Từ những năm 1990 trở lại đây, chúng ta đã chứng kiến sự phát triển nhƣ vũ bão của các ngành công nghiệp, đặc biệc là ngành công nghiệp chế tạo điện tử.Tuy nhiên hiện nay các thiết bị điện tử cao cấp nhƣ máy ảnh số, camera kĩ thuậtsố,vànhiều sản phẩm khác dƣờng nhƣ chỉ phù hợp cho các phòng thí nghiệm, các công ty sản xuất kinh doanh, thƣơng mại, tài chính, ngân hàng,. Trong thời gian không xa từ 3 đến 10 năm nữa, chi phí cho các thiết bị này sẽ giảm đáng kể.