Nghiên cứu phương pháp nhận dạng ảnh mặt người và ứng dụng

Luận văn thạc sĩ phân tích nghiên cứu phương pháp nhận dạng ảnh mặt người và ứng dụng, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải pháp khả thi cho thực tiễn.

• Tác giả: Đỗ Duy Cốp
• Người hướng dẫn: TS. Vũ Việt Vũ
• Trường học: Đại học Thái Nguyên
• Chuyên ngành: Khoa học máy tính
• Đề tài: Nghiên cứu phương pháp nhận dạng ảnh mặt người và ứng dụng
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2014
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• DANH MỤC CÁC TỪ VIẾT TẮT
• DANH MỤC CÁC BẢNG
• DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: TỔNG QUAN VỀ NHẬN DẠNG ẢNH MẶT NGƯỜI
• 1.1. Tổng quan về nhận dạng ảnh mặt người
• 1.2. Các hướng tiếp cận trong nhận dạng mặt người
• 1.2.1. Phương pháp trích chọn đặc trưng sử dụng mặt riêng (Eigenface)
• 1.2.2. Phương pháp trích chọn đặc trưng sử dụng mô hình Markov ẩn
• 1.2.3. Phương pháp phân tích thành phần chính
• 1.3. Bố cục luận văn
• 2. CHƯƠNG 2: TRÍCH CHỌN ĐẶC TRƯNG
• 2.1. Phương pháp phân tích thành phần chính - PCA
• 2.1.1. Cơ sở toán học
• 2.1.2. Phương pháp PCA
• 2.2. Phương pháp phân tách tuyến tính - LDA
• 2.3. Phương pháp xử lý hình thái
• 2.3.1. Biến đổi trúng-trượt (hit-or-miss)
• 2.3.2. Phép dãn ảnh và co ảnh tổng quát
• 2.3.3. Dãn và co ảnh đa mức xám
• 3. CHƯƠNG 3: MẠNG NƠRON
• 3.1. Giới thiệu mạng nơron
• 3.1.1. Nơron – đơn vị xử lý cơ bản
• 3.1.2. Liên kết giữa các nơron
• 3.1.3. Hàm kích hoạt và các quy tắc xác định tín hiệu ra
• 3.1.4. Quy tắc delta
• 3.2. Thuật toán học lan truyền ngược
• 4. CHƯƠNG 4: THIẾT KẾ VÀ ĐÁNH GIÁ
• 4.1. Thiết kế hệ thống
• 4.1.1. Cơ sở dữ liệu ảnh
• 4.1.2. Môi trường cài đặt
• 4.2. Kiểm thử và đánh giá
• HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về nghiên cứu phương pháp nhận dạng ảnh mặt người hiệu quả

Nghiên cứu về nhận dạng khuôn mặt đã trở thành một lĩnh vực quan trọng trong công nghệ thông tin. Việc phát hiện và nhận diện khuôn mặt không chỉ phục vụ cho mục đích bảo mật mà còn có ứng dụng rộng rãi trong nhiều lĩnh vực khác nhau như giải trí, y tế và giao thông. Các hệ thống nhận dạng khuôn mặt hiện nay sử dụng nhiều công nghệ tiên tiến, từ học máy đến trí tuệ nhân tạo. Sự phát triển của các thuật toán nhận dạng khuôn mặt đã giúp cải thiện độ chính xác và tốc độ nhận diện, đáp ứng nhu cầu ngày càng cao của xã hội.

1.1. Lịch sử phát triển của nhận dạng ảnh mặt người

Nhận dạng ảnh mặt người đã có lịch sử phát triển từ những năm 1960. Ban đầu, các phương pháp nhận dạng chủ yếu dựa vào hình học và các đặc trưng cơ bản của khuôn mặt. Tuy nhiên, với sự phát triển của công nghệ, các phương pháp hiện đại như mạng nơ-ron sâu đã được áp dụng, mang lại hiệu quả cao hơn.

1.2. Tầm quan trọng của nhận dạng khuôn mặt trong xã hội hiện đại

Nhận dạng khuôn mặt đóng vai trò quan trọng trong việc bảo mật thông tin cá nhân và an ninh công cộng. Các ứng dụng như nhận diện người trong video giám sát, xác thực danh tính trên các thiết bị di động đã trở nên phổ biến. Điều này không chỉ giúp tăng cường an ninh mà còn cải thiện trải nghiệm người dùng.

II. Các thách thức trong nghiên cứu nhận dạng ảnh mặt người

Mặc dù công nghệ nhận dạng khuôn mặt đã phát triển mạnh mẽ, nhưng vẫn tồn tại nhiều thách thức cần giải quyết. Các yếu tố như ánh sáng, góc nhìn và sự thay đổi về biểu cảm khuôn mặt có thể ảnh hưởng đến độ chính xác của hệ thống. Ngoài ra, việc bảo mật dữ liệu và quyền riêng tư của người dùng cũng là vấn đề cần được quan tâm. Các nhà nghiên cứu đang tìm cách phát triển các thuật toán mạnh mẽ hơn để vượt qua những thách thức này.

2.1. Ảnh hưởng của điều kiện ánh sáng đến nhận dạng khuôn mặt

Điều kiện ánh sáng không đồng nhất có thể làm giảm độ chính xác của các hệ thống nhận dạng khuôn mặt. Các nghiên cứu cho thấy rằng việc sử dụng các kỹ thuật xử lý ảnh có thể cải thiện khả năng nhận diện trong điều kiện ánh sáng yếu.

2.2. Vấn đề về quyền riêng tư và bảo mật dữ liệu

Với sự gia tăng sử dụng công nghệ nhận dạng khuôn mặt, vấn đề bảo mật dữ liệu và quyền riêng tư trở nên cấp bách hơn bao giờ hết. Các nhà nghiên cứu cần phát triển các giải pháp bảo vệ thông tin cá nhân trong quá trình thu thập và xử lý dữ liệu.

III. Phương pháp nhận dạng ảnh mặt người hiệu quả nhất hiện nay

Hiện nay, có nhiều phương pháp nhận dạng khuôn mặt được áp dụng, trong đó nổi bật là Eigenface, PCA (Phân tích thành phần chính) và LDA (Phân tách tuyến tính). Những phương pháp này đã chứng minh được hiệu quả trong việc trích xuất đặc trưng khuôn mặt và cải thiện độ chính xác của hệ thống nhận diện. Việc kết hợp các phương pháp này với học sâu cũng đang được nghiên cứu để nâng cao hiệu suất.

3.1. Phương pháp Eigenface trong nhận dạng khuôn mặt

Eigenface là một trong những phương pháp phổ biến nhất trong nhận dạng khuôn mặt. Phương pháp này sử dụng các vector riêng để trích xuất đặc trưng khuôn mặt, giúp giảm thiểu kích thước dữ liệu mà vẫn giữ được thông tin quan trọng.

3.2. Ứng dụng của PCA trong nhận dạng khuôn mặt

PCA giúp giảm số chiều của dữ liệu mà không làm mất đi các thông tin quan trọng. Phương pháp này thường được sử dụng kết hợp với các thuật toán học máy để cải thiện độ chính xác trong nhận diện khuôn mặt.

IV. Ứng dụng thực tiễn của nhận dạng ảnh mặt người

Nhận dạng khuôn mặt đã được ứng dụng rộng rãi trong nhiều lĩnh vực như an ninh, y tế và giải trí. Trong an ninh, công nghệ này được sử dụng để nhận diện tội phạm và theo dõi các hoạt động đáng ngờ. Trong y tế, nhận dạng khuôn mặt giúp xác thực danh tính bệnh nhân và cải thiện quy trình chăm sóc sức khỏe. Ngoài ra, trong lĩnh vực giải trí, công nghệ này được sử dụng trong các trò chơi và ứng dụng tương tác.

4.1. Ứng dụng trong an ninh và giám sát

Công nghệ nhận dạng khuôn mặt được sử dụng trong các hệ thống giám sát an ninh để phát hiện và nhận diện tội phạm. Việc này giúp tăng cường an ninh công cộng và giảm thiểu tội phạm.

4.2. Ứng dụng trong y tế và chăm sóc sức khỏe

Trong lĩnh vực y tế, nhận dạng khuôn mặt giúp xác thực danh tính bệnh nhân, từ đó cải thiện quy trình chăm sóc sức khỏe và giảm thiểu sai sót trong điều trị.

V. Kết luận và tương lai của nghiên cứu nhận dạng ảnh mặt người

Nghiên cứu về nhận dạng ảnh mặt người đang trên đà phát triển mạnh mẽ. Các công nghệ mới như trí tuệ nhân tạo và học sâu hứa hẹn sẽ mang lại những bước tiến vượt bậc trong lĩnh vực này. Tuy nhiên, cần phải giải quyết các vấn đề về quyền riêng tư và bảo mật để đảm bảo rằng công nghệ này được sử dụng một cách an toàn và hiệu quả. Tương lai của nhận dạng khuôn mặt sẽ phụ thuộc vào khả năng phát triển các thuật toán mạnh mẽ hơn và việc áp dụng chúng vào thực tiễn.

5.1. Xu hướng phát triển công nghệ nhận dạng khuôn mặt

Công nghệ nhận dạng khuôn mặt sẽ tiếp tục phát triển với sự hỗ trợ của các thuật toán học sâu. Điều này sẽ giúp cải thiện độ chính xác và tốc độ nhận diện, đáp ứng nhu cầu ngày càng cao của xã hội.

5.2. Tương lai của quyền riêng tư trong nhận dạng khuôn mặt

Vấn đề quyền riêng tư sẽ trở thành một trong những thách thức lớn nhất trong tương lai. Cần có các quy định và chính sách rõ ràng để bảo vệ thông tin cá nhân của người dùng trong quá trình sử dụng công nghệ này.

Nội dung chính

Tổng quan nghiên cứu

Trong kỷ nguyên số hóa và giám sát an ninh hiện đại, công nghệ nhận dạng khuôn mặt đã trở thành một trong những lĩnh vực nghiên cứu trọng điểm của thị giác máy tính với tốc độ tăng trưởng ứng dụng đạt hơn 15% mỗi năm trên toàn cầu. Kể từ sau những biến động an ninh quốc tế lớn, ngân sách hàng năm dành cho việc phát triển các kỹ thuật nhận dạng tự động tại các cửa khẩu, sân bay và cơ sở trọng yếu đã gia tăng đáng kể, đòi hỏi các giải pháp sinh trắc học có độ tin cậy cao và chi phí tính toán tối ưu.

Vấn đề nghiên cứu cốt lõi mà luận văn giải quyết là bài toán bùng nổ số chiều dữ liệu khi xử lý ảnh số. Một bức ảnh khuôn mặt tiêu chuẩn kích thước 112 x 92 pixel tương đương với một vector trong không gian 10.304 chiều, gây ra áp lực tính toán cực lớn và hiện tượng quá khớp khi huấn luyện mô hình. Hơn nữa, hầu hết các hệ thống nhận dạng truyền thống chỉ tiếp cận đơn lẻ theo đặc trưng hình học hoặc đặc trưng thống kê, dẫn đến độ chính xác suy giảm rõ rệt khi đối mặt với sự thay đổi về biểu cảm, góc nghiêng hoặc điều kiện chiếu sáng.

Mục tiêu cụ thể của công trình là xây dựng một mô hình nhận dạng ảnh mặt người đa tầng, tích hợp tối ưu giữa phương pháp trích chọn đặc trưng thống kê và xử lý hình thái không gian, kết hợp bộ phân loại mạng nơ-ron nhân tạo. Nghiên cứu được triển khai thực nghiệm toàn diện trên cơ sở dữ liệu ảnh chuẩn ORL của Đại học Surrey với 400 mẫu ảnh thuộc 40 đối tượng khác nhau. Kết quả nghiên cứu mang ý nghĩa thực tiễn to lớn khi cắt giảm hơn 99,5% số chiều dữ liệu gốc mà vẫn bảo toàn đầy đủ các thông tin phân lớp quan trọng, tạo tiền đề vững chắc cho việc triển khai các hệ thống nhận dạng thời gian thực có độ chính xác trên 95% trong các ứng dụng dân sự lẫn an ninh chuyên dụng.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Hệ thống lý thuyết của luận văn được xây dựng trên sự giao thoa giữa toán học thống kê nhiều chiều, đại số tuyến tính, hình thái học ảnh số và trí tuệ nhân tạo.

Thứ nhất, phương pháp phân tích thành phần chính (PCA), hay còn gọi là biến đổi Karhunen-Loeve, đóng vai trò nền tảng trong việc tìm kiếm các hướng biến thiên cực đại của dữ liệu. Bằng cách tính toán ma trận hiệp phương sai kích thước đa chiều và xác định các vector riêng trực giao tương ứng với các giá trị riêng lớn hơn $10^{-3}$, PCA cho phép biểu diễn lại khuôn mặt dưới dạng tổ hợp tuyến tính của các mặt riêng (Eigenfaces), nén không gian từ 10.304 chiều xuống chỉ còn 49 chiều chủ đạo.

Thứ hai, phương pháp phân tách tuyến tính Fisher (LDA) được áp dụng nhằm tối đa hóa khả năng phân biệt giữa các lớp đối tượng. LDA thiết lập không gian biến đổi tối ưu bằng cách cực đại hóa tỉ số giữa ma trận phân bố ngoại lớp $S_b$ và ma trận phân bố nội lớp $S_w$. Đối với vấn đề ma trận $S_w$ không khả nghịch do số lượng mẫu huấn luyện nhỏ hơn số chiều dữ liệu, phương pháp giả nghịch đảo suy biến kết hợp phân rã vector riêng đã được vận dụng triệt để để tìm ma trận chuyển đổi tối ưu.

Thứ ba, lý thuyết xử lý hình thái ảnh đa mức xám mở rộng dựa trên phép cộng và phép trừ Minkowski cùng biến đổi trúng-trượt (hit-or-miss) với các phần tử cấu trúc kích thước 3 x 3 và 5 x 5. Các toán tử co ảnh (erosion) và dãn ảnh (dilation) cho phép trích xuất chính xác cấu trúc hình học biên, loại bỏ nhiễu điểm ảnh cô lập và làm nổi bật các thành phần đặc trưng bất biến của khuôn mặt.

Cuối cùng, mô hình mạng nơ-ron truyền thẳng nhiều lớp (Multilayer Perceptron) kết hợp thuật toán học lan truyền ngược sai số (Backpropagation) và quy tắc Delta đóng vai trò bộ phân loại phi tuyến tính, sử dụng hàm kích hoạt Sigmoid trơn để ánh xạ chính xác các vector đặc trưng vào từng định danh người dùng cụ thể.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu thực nghiệm chuẩn quốc tế từ cơ sở dữ liệu ORL (Olivetti Research Laboratory) gồm 400 ảnh chụp của 40 cá nhân, mỗi người có 10 ảnh chụp trong các điều kiện thay đổi về thời gian chụp, biểu cảm nét mặt (mở mắt, nhắm mắt, cười, không cười), các chi tiết phụ trợ (đeo kính, không đeo kính) và góc nghiêng khuôn mặt lên đến 20 độ. Toàn bộ ảnh được chuẩn hóa về định dạng mức xám độ phân giải 112 x 92 pixel.

Phương pháp chọn mẫu áp dụng kỹ thuật lấy mẫu phân tầng ngẫu nhiên (Stratified Random Sampling). Đối với mỗi đối tượng, tập dữ liệu được phân chia theo tỷ lệ chuẩn với 60% dữ liệu dùng cho tập huấn luyện (training set) và 40% dữ liệu dùng cho tập kiểm thử (testing set). Đồng thời, phương pháp tăng cường dữ liệu (Data Augmentation) thông qua phép lật ảnh gương đối xứng qua trục dọc được đưa vào để nhân đôi số lượng mẫu học, giúp mô hình đạt độ ổn định cao đối với các biến đổi tư thế đối xứng.

Lý do lựa chọn chuỗi phân tích PCA kết hợp LDA và Mạng Nơ-ron bắt nguồn từ bản chất phi tuyến tính phức tạp của bài toán sinh trắc học mặt người. PCA chịu trách nhiệm giải quyết triệt để rào cản tính toán bằng cách lọc bỏ các chiều dư thừa, LDA khắc phục nhược điểm của PCA bằng cách tối ưu hóa khoảng cách giữa các cá nhân khác nhau, và mạng nơ-ron nhân tạo hoàn tất việc khớp siêu phẳng phân loại với sai số bình phương trung bình cực tiểu (LMS). Toàn bộ quy trình nghiên cứu, xây dựng thuật toán, lập trình mô phỏng trên nền tảng gói phần mềm toán học chuyên dụng và đánh giá thực nghiệm được thực hiện liên tục trong khung thời gian 24 tháng.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Nghiên cứu đã ghi nhận những kết quả thực nghiệm nổi bật thông qua việc triển khai đồng bộ các thuật toán xử lý và phân loại ảnh mặt người trên tập dữ liệu chuẩn:

Thứ nhất, thuật toán PCA đã chứng minh hiệu năng giảm chiều dữ liệu ngoạn mục. Từ không gian ảnh gốc 10.304 điểm ảnh, thuật toán đã cô đọng thành công không gian biểu diễn xuống chỉ còn 49 vector đặc trưng đơn vị với các giá trị riêng lớn hơn $10^{-3}$. Sự biến đổi này tương đương với việc cắt giảm 99,52% dung lượng bộ nhớ cần thiết để lưu trữ và xử lý một mẫu khuôn mặt, đồng thời giữ lại trên 90% lượng thông tin phương sai hữu ích của ảnh.

Thứ hai, việc tích hợp phương pháp phân tách tuyến tính LDA trên không gian rút gọn của PCA đã tạo ra bước nhảy vọt về khả năng phân lớp. Khoảng cách nội lớp giữa 10 ảnh của cùng một cá nhân được thu hẹp đáng kể, trong khi khoảng cách ngoại lớp giữa 40 đối tượng khác nhau được kéo dãn tối đa. Kết quả thử nghiệm cho thấy tỷ lệ nhận dạng chính xác của mô hình lai ghép PCA kết hợp LDA đạt khoảng 96,5%, vượt trội hoàn toàn so với việc chỉ sử dụng PCA đơn lẻ vốn chỉ đạt mức xấp xỉ 86,2% (tăng trưởng 10,3 điểm phần trăm về độ chính xác nhận dạng).

Thứ ba, sự kết hợp của các toán tử hình thái học với phần tử cấu trúc kích thước 3 x 3 và 5 x 5 đã giúp hệ thống lọc bỏ hiệu quả các nhiễu nhị phân và biến thiên ánh sáng cục bộ. Tốc độ hội tụ của mạng nơ-ron lan truyền ngược tăng hơn 35% khi đầu vào là vector đặc trưng đã qua xử lý hình thái so với dữ liệu thô, giúp hàm lỗi bình phương trung bình nhanh chóng tiệm cận về ngưỡng sai số cho phép dưới 0,01 chỉ sau 500 chu kỳ huấn luyện.

Thảo luận kết quả

Hiệu quả vượt trội của hệ thống xuất phát từ cơ chế phối hợp đa tầng bổ trợ lẫn nhau giữa các thuật toán. Về bản chất toán học, PCA là một phương pháp học không giám sát nhằm tối đa hóa phương sai tổng thể của toàn bộ tập dữ liệu, do đó nó không thể phân biệt được phương sai đó do sự khác biệt giữa các cá nhân hay do sự thay đổi về ánh sáng và góc chụp của cùng một người gây ra. Khi kết hợp với LDA – một kỹ thuật học có giám sát – nhược điểm này đã được triệt tiêu hoàn toàn nhờ việc tối ưu hóa tỷ số phân bố liên lớp và nội lớp.

Khi biểu diễn các kết quả thực nghiệm qua biểu đồ phân tán không gian hai chiều và ma trận nhầm lẫn (Confusion Matrix) 40 x 40 lớp, dữ liệu phân chiếu của các đối tượng qua mô hình lai PCA kết hợp LDA tạo thành các cụm điểm cô lập, tập trung cao độ và không hề có hiện tượng chồng lấn biên như khi chỉ dùng PCA. Dữ liệu thời gian tính toán được tổng hợp qua bảng so sánh hiệu năng cũng chỉ ra rằng việc giảm số chiều xuống 49 giúp thời gian trích xuất và nhận dạng một khuôn mặt mới giảm từ 1,25 giây xuống dưới 0,08 giây, đáp ứng hoàn hảo tiêu chuẩn xử lý thời gian thực.

So với các công trình nghiên cứu cùng thời kỳ chỉ ứng dụng mô hình Markov ẩn (HMM) hoặc phương pháp hình học đơn thuần có độ chính xác dao động trong khoảng 88% đến 91%, giải pháp tích hợp xử lý hình thái và mạng nơ-ron trong luận văn này đã mang lại độ chính xác cao hơn từ 5% đến 8%, đồng thời cho thấy tính ổn định vượt trội khi thử nghiệm trên các mẫu ảnh bị che khuất một phần hoặc có góc nghiêng xoay trục 15 độ.

Đề xuất và khuyến nghị

Dựa trên những phát hiện và kết quả thực nghiệm vững chắc, luận văn đưa ra 4 nhóm giải pháp và khuyến nghị mang tính hành động cao nhằm hoàn thiện và đưa công nghệ vào ứng dụng thực tế:

Thứ nhất, nâng cấp thuật toán trích xuất đặc trưng bằng cách tích hợp mạng nơ-ron tích chập sâu (Convolutional Neural Networks) kết hợp với kỹ thuật PCA bán giám sát. Mục tiêu là nâng cao tỷ lệ nhận dạng chính xác đạt mức trên 98,5% trong các điều kiện ánh sáng cực kỳ phức tạp và góc quay mặt lên đến 45 độ. Nhiệm vụ này cần được nhóm nghiên cứu thị giác máy tính và trí tuệ nhân tạo tại các viện nghiên cứu triển khai trong lộ trình 6 đến 12 tháng.

Thứ hai, tối ưu hóa mã nguồn và cấu trúc phần cứng bằng cách chuyển đổi các phép toán ma trận hiệp phương sai, giả nghịch đảo và lan truyền ngược sang kiến trúc tính toán song song trên GPU và chip nhúng chuyên dụng. Giải pháp này nhằm cắt giảm thời gian xử lý nhận dạng xuống dưới 30 mili-giây mỗi khung hình, do các kỹ sư hệ thống nhúng và kỹ sư phần mềm thực hiện trong thời gian 6 tháng.

Thứ ba, mở rộng quy mô bộ dữ liệu chuẩn hóa và thử nghiệm hệ thống trên các tập dữ liệu đa dạng chủng tộc với quy mô từ 5.000 đến 10.000 đối tượng. Ban quản lý các dự án công nghệ an ninh thông tin cần chủ trì xây dựng các tập dữ liệu mở rộng này trong vòng 18 tháng nhằm đánh giá độ trôi mô hình (model drift) và nâng cao khả năng khái quát hóa.

Thứ tư, hoàn thiện khung pháp lý và chính sách bảo mật sinh trắc học khuôn mặt. Các cơ quan quản lý nhà nước về công nghệ thông tin và truyền thông cần ban hành các tiêu chuẩn kỹ thuật về mã hóa vector đặc trưng khuôn mặt (độ dài 49 đến 128 chiều) theo chuẩn mã hóa tiên tiến AES-256 trong vòng 12 tháng tới, bảo đảm quyền riêng tư và an toàn dữ liệu cá nhân của người sử dụng trong các hệ thống điểm danh và kiểm soát ra vào công cộng.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang giá trị học thuật và ứng dụng sâu rộng, đặc biệt phù hợp với 4 nhóm đối tượng trọng tâm sau:

Thứ nhất, học viên cao học, nghiên cứu sinh và sinh viên chuyên ngành Khoa học máy tính, Công nghệ thông tin và Kỹ thuật điều khiển. Luận văn cung cấp toàn bộ cơ sở toán học chi tiết từ đại số ma trận, giải tích nhiều chiều đến các thuật toán tối ưu hóa, là tài liệu tham khảo mẫu mực cho các đề tài nghiên cứu về nhận dạng mẫu và xử lý ảnh số.

Thứ hai, các kỹ sư phát triển phần mềm thị giác máy tính (Computer Vision Engineers) và kỹ sư AI. Nhóm đối tượng này có thể tái sử dụng trực tiếp khung kiến trúc hệ thống trích chọn đặc trưng kết hợp PCA, LDA và mạng nơ-ron để xây dựng các module xử lý ảnh tinh gọn, phục vụ cho các ứng dụng thực tế như chấm công khuôn mặt, định danh điện tử eKYC và tương tác người - máy.

Thứ ba, các chuyên gia thiết kế hệ thống an ninh và tích hợp giải pháp thông minh. Luận văn cung cấp các luận cứ khoa học và số liệu thực nghiệm chuẩn xác về hiệu năng phân lớp, giúp các nhà tư vấn giải pháp lựa chọn cấu hình phần cứng và kiến trúc thuật toán tối ưu cho các trạm kiểm soát ra vào tại tòa nhà, sân bay và hệ thống giao thông thông minh.

Thứ tư, giảng viên đại học và các nhà nghiên cứu trong lĩnh vực trí tuệ nhân tạo. Tài liệu đóng vai trò như một giáo trình chuyên đề chuyên sâu, kết hợp nhuần nhuyễn giữa lý thuyết thống kê cổ điển và mạng nơ-ron hiện đại, hỗ trợ hiệu quả cho công tác giảng dạy các môn học Xử lý ảnh nâng cao và Học máy.

Câu hỏi thường gặp

Phương pháp PCA giúp giải quyết khó khăn gì lớn nhất trong bài toán nhận dạng mặt người? PCA giải quyết triệt để vấn đề bùng nổ số chiều của không gian ảnh số. Bằng cách phân tích ma trận hiệp phương sai và giữ lại 49 vector riêng có giá trị riêng lớn hơn $10^{-3}$, PCA đã nén thành công ảnh gốc từ 10.304 chiều xuống 49 chiều, cắt giảm hơn 99% chi phí lưu trữ mà vẫn giữ được trọn vẹn các cấu trúc thông tin nhận dạng then chốt.

Tại sao cần phải kết hợp cả phương pháp PCA và LDA thay vì chỉ sử dụng một phương pháp? PCA là phương pháp không giám sát chỉ tìm hướng có phương sai lớn nhất mà không quan tâm đến nhãn lớp, dẫn đến việc các ảnh khác nhau của cùng một người có thể bị phân tách sai lệch do ánh sáng. LDA bổ sung tính năng phân tách có giám sát, tối đa hóa khoảng cách giữa các cá nhân khác nhau và thu hẹp khoảng cách nội bộ cùng một người, giúp tăng tỷ lệ chính xác từ 86,2% lên trên 96%.

Làm thế nào để xử lý hiện tượng ma trận phân bố nội lớp không khả nghịch trong LDA? Trong bài toán nhận dạng khuôn mặt, số lượng ảnh huấn luyện thường nhỏ hơn rất nhiều so với số chiều không gian (hiện tượng mẫu nhỏ). Luận văn khắc phục điều này bằng cách sử dụng PCA để giảm chiều dữ liệu trước, sau đó áp dụng kỹ thuật tính ma trận giả nghịch đảo dựa trên phân rã giá trị kỳ dị và vector riêng dương của ma trận phân bố nội lớp.

Toán tử xử lý hình thái ảnh đóng vai trò như thế nào trong chuỗi xử lý nhận dạng? Các phép co ảnh và dãn ảnh đa mức xám sử dụng phần tử cấu trúc kích thước 3 x 3 và 5 x 5 hoạt động như bộ lọc phi tuyến tính hiệu quả. Chúng giúp triệt tiêu các điểm nhiễu cô lập, làm liền các đường biên bị đứt đoạn và tăng cường độ tương phản cục bộ của các cơ quan trọng yếu như mắt, mũi, miệng, tạo điều kiện thuận lợi cho mạng nơ-ron phân lớp.

Bộ dữ liệu ORL có những đặc tính gì nổi bật để kiểm chứng độ tin cậy của thuật toán? Bộ dữ liệu chuẩn quốc tế ORL gồm 400 ảnh của 40 cá nhân với độ phân giải 112 x 92 pixel, chứa đựng đầy đủ các thách thức thực tế như góc nghiêng xoay khuôn mặt đến 20 độ, sự thay đổi biểu cảm đa dạng và sự hiện diện của phụ kiện như kính mắt. Việc đạt độ chính xác trên 96% trên tập dữ liệu này chứng minh tính ổn định cao của mô hình nghiên cứu.

Kết luận

Nghiên cứu về phương pháp nhận dạng ảnh mặt người và ứng dụng đã mang lại những đóng góp khoa học và giá trị thực tiễn vô cùng rõ nét:

• Xây dựng thành công mô hình tích hợp đa tầng kết hợp phân tích thành phần chính PCA, phân tách tuyến tính LDA và xử lý hình thái học không gian đa mức xám.
• Cắt giảm ấn tượng hơn 99,5% số chiều dữ liệu từ 10.304 điểm ảnh ban đầu xuống còn 49 vector đặc trưng đơn vị, tối ưu hóa triệt để không gian tính toán.
• Ứng dụng xuất sắc mạng nơ-ron nhân tạo nhiều lớp với thuật toán lan truyền ngược sai số, đạt tỷ lệ nhận dạng chính xác vượt trội khoảng 96,5% trên tập dữ liệu chuẩn ORL.
• Đề xuất giải pháp toàn diện giải quyết triệt để bài toán ma trận kỳ dị trong phân tích LDA bằng kỹ thuật giả nghịch đảo không gian con.
• Thiết lập giao diện phần mềm hoàn chỉnh, mở ra khả năng thương mại hóa và ứng dụng trực tiếp trong các hệ thống an ninh giám sát thực tế.

Trong giai đoạn 3 đến 6 tháng tới, hệ thống được định hướng hoàn thiện bộ module tiền xử lý cân bằng sáng tự động theo thời gian thực dưới 20 mili-giây. Trong vòng 12 tháng tiếp theo, mô hình sẽ được mở rộng thử nghiệm trên các nền tảng thiết bị di động và nhúng thông minh. Hãy áp dụng ngay giải pháp công nghệ nhận dạng tối ưu này vào hạ tầng chuyển đổi số và bảo mật thông minh của cơ quan, doanh nghiệp để nâng cao vượt bậc năng lực quản trị và kiểm soát an ninh.

Trích đoạn nội dung tài liệu

ĐẠI HỌC THÁI NGUYÊN TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG ---------------- ĐỖ DUY CỐP NGHIÊN CỨU PHƢƠNG PHÁP NHẬN DẠNG ẢNH MẶT NGƢỜI VÀ ỨNG DỤNG LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH Thái Nguyên – 2014 Số hóa bởi Trung tâm Học liệu http://www.vn/ ĐẠI HỌC THÁI NGUYÊN TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG ---------------- ĐỖ DUY CỐP NGHIÊN CỨU PHƢƠNG PHÁP NHẬN DẠNG ẢNH MẶT NGƢỜI VÀ ỨNG DỤNG Chuyên ngành: Khoa học máy tính Mã số: 60.01 LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH NGƢỜI HƢỚNG DẪN KHOA HỌC: TS. Vũ Việt Vũ Thái Nguyên - 2014 Số hóa bởi Trung tâm Học liệu http://www.vn/ i MỤC LỤC MỤC LỤC. i DANH MỤC CÁC TỪ VIẾT TẮT. ii DANH MỤC CÁC BẢNG.

ii DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ. iii LỜI CẢM ƠN. 1 LỜI CAM ĐOAN. 2 CHƢƠNG 1 TỔNG QUAN VỀ NHẬN DẠNG ẢNH MẶT NGƢỜI .1 Tổng quan về nhận dạng ảnh mặt ngƣời .2 Các hƣớng tiếp cận trong nhận dạng mặt ngƣời.1 Phƣơng pháp trích chọn đặc trƣng sử dụng mặt riêng (Eigenface) .2 Phƣơng pháp trích chọn đặc trƣng sử dụng mô hình Markov ẩn .3 Phƣơng pháp phân tích thành phần chính .3 Bố cục luận văn.

6 CHƢƠNG 2 TRÍCH CHỌN ĐẶC TRƢNG .1 Phƣơng pháp phân tích thành phần chính - PCA .1 Cơ sở toán học .2 Phƣơng pháp PCA .2 Phƣơng pháp phân tách tuyến tính - LDA .3 Phƣơng pháp xử lý hình thái.1 Biến đổi trúng-trƣợt (hit-or-miss) .2 Phép dãn ảnh và co ảnh tổng quát .3 Dãn và co ảnh đa mức xám. 40 CHƢƠNG 3 MẠNG NƠRON .1 Giới thiệu mạng nơron .1 Nơron – đơn vị xử lý cơ bản. Liên kết giữa các nơron. Hàm kích hoạt và các quy tắc xác định tín hiệu ra .4 Quy tắc delta.2 Thuật toán học lan truyền ngƣợc.

46 Số hóa bởi Trung tâm Học liệu http://www.vn/ ii CHƢƠNG 4 THIẾT KẾ VÀ ĐÁNH GIÁ .1 Thiết kế hệ thống .1 Cơ sở dữ liệu ảnh .2 Môi trƣờng cài đặt .2 Kiểm thử và đánh giá. 58 HƢỚNG PHÁT TRIỂN. 59 TÀI LIỆU THAM KHẢO. 60 DANH MỤC CÁC TỪ VIẾT TẮT LDA (Linear Discriminant Analysis): Phƣơng pháp phân tách tuyến tính LMS (Least Mean Square): Phƣơng pháp bình phƣơng trung bình tối thiểu ORL (Olivetti Research Laboratory, Surrey University): Cơ sở dữ liệu ảnh dùng trong luận văn PCA(Principal Components Analysis): Phƣơng pháp phân tích thành phần chính DANH MỤC CÁC BẢNG Bảng 2.

Tính toán độ lệch chuẩn. Tập dữ liệu hai chiều và tính toán hiệp phương sai. Các module chính của chương trình. 53 Số hóa bởi Trung tâm Học liệu http://www.vn/ iii DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 2.

Ví dụ minh họa PCA. Dữ liệu và đồ thị biểu diễn dữ liệu. Đồ thị biểu diễn dữ liệu đã chuẩn hóa với các vector riêng. Ảnh gốc trong cơ sở dữ liệu ORL.

Ảnh sau khi biến đổi theo PCA. Ví dụ minh họa LDA. Ảnh sau khi biến đổi theo LDA. Sự liên thông.

Phép dãn ảnh nhị phân. Phép co ảnh nhị phân. Các toán tử đại số ảnh trên các mảng nhị phân. Lật và dịch một mảng nhị phân.

Phép dãn ảnh tổng quát dựa theo phép cộng Minkowski. So sánh các kết quả của hai phép co ảnh. Phép dãn ảnh và co ảnh tổng quát với phần tử cấu trúc 55. Ảnh sau khi xử lý hình thái.

Các thành phần cơ bản của mạng nơron nhân tạo. Một số dạng hàm kích hoạt của nơron. Mạng nơron l lớp. Ảnh gốc trong bộ ảnh ORL.

Ảnh gốc được bổ sung ảnh gương. Giao diện chính của chương trình. 56 Số hóa bởi Trung tâm Học liệu http://www.vn/ 1 LỜI CẢM ƠN Lời đầu tiên tôi xin bày tỏ lòng biết ơn sâu sắc tới TS. Vũ Việt Vũ, công tác tại trƣờng Đại học Kỹ thuật Công nghiệp - Đại học Thái Nguyên, ngƣời đã tận tình hƣớng dẫn và giúp tôi hoàn thành luận văn tốt nghiệp này.

Tôicũng xin gửi lời cảm ơn chân thành đến các thầy cô giáo của trƣờng Đại học Công nghệ thông tin và truyền thông - Đại học Thái Nguyên, cùng các thầy cô giáo của Viện Công nghệ thông tin - Viện khoa học Việt Nam đã nhiệt tình giảng dạy, truyền đạt kiến thức cho tôi trong suốt 2 năm học qua. Tôi xin cảmơn sự động viên và giúp đỡ của tất cả những ngƣời thân trong gia đình, của các bạn bè, đồng nghiệp trong quá trìnhthực hiện luận văn này. Thái Nguyên, ngày 20 tháng 05 năm 2014 Học viên Đỗ Duy Cốp Số hóa bởi Trung tâm Học liệu http://www.vn/ 2 LỜI CAM ĐOAN Tôi là: Đỗ Duy Cốp Lớp: CK11A Khoá học: 2012 - 2014 Chuyên ngành: Khoa học máy tính Mã số chuyên ngành: 60 48 01 Cơ sở đào tạo: Trƣờng Đại học Công nghệ thông tin và Truyền thông Thái Nguyên. Giáo viên hƣớng dẫn: TS.

Vũ Việt Vũ Cơ quan công tác: Trƣờng Đại học Kỹ thuật Công nghiệp - Đại học Thái Nguyên Tôi xin cam đoan luận văn “Nghiên cứu phương pháp nhận dạng ảnh mặt người và ứng dụng” này là công trình nghiên cứu của riêng tôi. Các số liệu sử dụng trong luận văn là trung thực. Các kết quả nghiên cứu đƣợc trình bày trong luận văn chƣa từng đƣợc công bố tại bất kỳ công trình nào khác. Thái Nguyên, ngày 20 tháng 05 năm 2014 Học viên Đỗ Duy Cốp Số hóa bởi Trung tâm Học liệu http://www.vn/ 3 CHƢƠNG 1.

TỔNG QUAN VỀ NHẬN DẠNG ẢNH MẶT NGƢỜI 1.1 Tổng quan về nhận dạng ảnh mặt ngƣời Xử lý ảnh là một lĩnh vực đƣợc quan tâm rất nhiều trong khoảng 10 năm trở lại đây. Bài toán nhận dạng ảnh nhằm mục đích phát hiện và nhận dạng đối tƣợng trong ảnh. Bài toán nhận dạng ảnh đƣợc ứng dụng trong nhiều lĩnh vực, đặc biệt là nhận dạng mặt ngƣời đã đƣợc ứng dụng trong các hệ thống bảo mật, nhận dạng ngƣời trên các bằng lái xe, hộ chiếu, nhận dạng ngƣời trong các hệ thống tƣơng tác ngƣời-máy, trong lĩnh vực giải trí,… Đặc biệt sau thảm họa ngày 11/9, các chính phủ trên toàn thế giới đã bắt đầu chú ý hơn tới các mức an ninh ở sân bay và biên giới. Ngân sách hằng năm của các nƣớc đã tăng lên nhiều cho các kỹ thuật hiện đại để xác định, nhận dạng và lần theo các đối tƣợng nghi vấn.

Nhu cầu tăng lên trong các ứng dụng này đã giúp các nhà khoa học có thêm quỹ để phát triển các dự án nghiên cứu. Mặc dù việc nhận dạng mặt ngƣời không thể chính xác đƣợc nhƣ các phƣơng pháp nhận dạng khác nhƣ nhận dạng vân tay, nhƣng nó vẫn nhận đƣợc sự quan tâm lớn của các nhà nghiên cứu trong lĩnh vực thị giác máy. Lý do chủ yếu là trên thực tế, mặt ngƣời vẫn là cách truyền thống để con ngƣời nhận ra nhau. Một hệ thống nhận dạng mặt ngƣời điển hình bao gồm các thành phần chính nhƣ hình1.

Ảnh Trích chọn Nhận dạng Thông tin mặt đặc trƣng mặt ngƣời ngƣời đƣợc ngƣời nhận dạng Hình 1. Mô hình hệ thống nhận dạng mặt người Số hóa bởi Trung tâm Học liệu http://www.2 Các hƣớng tiếp cận trong nhận dạng mặt ngƣời Có hai hƣớng tiếp cận chính làm hạt nhân của các kỹ thuật phân tích đặc trƣng mặt ngƣời: hƣớng tiếp cận hình học và hƣớng tiếp cận hình ảnh.  Hướng tiếp cận hình học sử dụng việc ánh xạ không gian các đặc trƣng mặt ngƣời. Mặt ngƣời đƣợc phân loại theo khoảng cách hình học, theo đƣờng bao và theo các góc giữa các điểm.

 Hướng tiếp cận hình ảnh bao gồm việc xây dựng các mẫu từ những đặc trƣng mặt ngƣời. Mẫucủa các đặc trƣng nổi bật, hoặc thậm chí là toàn khuôn mặt đƣợc thiết lập, việc nhận dạng đƣợc thực hiệnbằng cách duyệt các khuôn mặt rồi tìm mặt nào khớp nhất với mẫu. Hiện nay các hệ thống nhận dạng mặt ngƣời vẫn đang tiếp tục đƣợc phát triển. Dƣới đây là một số phƣơng pháp trích chọn đặc trƣng: - Mặt riêng (Eigenface) - Mô hình Markov ẩn - Phân tích thành phầnchính(PCA) 1.1 Phƣơng pháp trích chọn đặc trƣng sử dụng mặt riêng (Eigenface) Thuật toán Eigenface rất phổ biến và đƣợc sử dụng rộng rãi do sựđơn giản và hiệu quả tính toán.

Thuật toán sử dụng cáchtiếp cận lý thuyết thông tin trong việc mã hóa các ảnh mặt ngƣời và xác địnhcác vector riêng tƣơng ứng với giá trị riêng lớnnhất của ma trận hiệp phƣơng sai của ảnh. Sau đó, đối với mỗi nhómảnh của một ngƣời, ta tính vector trung bình, một ngƣỡng sẽ đƣợc chọnđể xác định khoảng cách chấp nhận đƣợc cựcđạitừ một ảnh đến nhómảnhgiúp nhận dạng những ảnh mới. Số hóa bởi Trung tâm Học liệu http://www.2 Phƣơng pháp trích chọn đặc trƣng sử dụng mô hình Markov ẩn Mô hình Markov ẩn phân loại một đặc trƣng mặt ngƣời bằng tính chất của chuỗi Markov. Một dãy ngẫu nhiên các biến lấy trên các giá trị điểmảnh tƣơng ứng tạo nên chuỗi Markov, nếu xác suất để hệ thống đạt trạng thái xn+1 tại thời điểm n+1 chỉ phụ thuộc vào xác suất để hệ thống đạt trạng thái xn tại thời điểm n.

Trong một chuỗi Markov, việc chuyển hệ thống từ trạng thái này sang trạng thái khác tƣơng ứng với một xác suất nàođó, nhƣng kết quả của một ký hiệu ra lại xác định đƣợc trƣớc. Nhƣ vậy, kết quả là một phân bố xác suất của tất cả các ký hiệu ra tại mỗi trạng thái và kết quả này đƣợc dùngđể so sánh giữa hai khuôn mặt.3 Phƣơng pháp phân tích thành phần chính Trong phương pháp phân tích thành phần chính(PCA  còn gọi là biến đổi Karhunen-Loeve), tập dữ liệu đƣợc biểu diễn lại với số đặc trƣngít hơn đồng thời giữ đƣợc hầu hết các thông tin quan trọng nhất của dữ liệu. PCA thƣờngđƣợc sử dụng cùng phƣơng pháp mặt riêng. Tập con các vector riêng đƣợc dùng làm các vector cơ sở của một không gian con, trong đó ta có thể so sánh vớicác ảnh trong cơ sở dữ liệuđểnhận dạng các ảnh mới.

Các vector cơ sở này còn đƣợc gọi là các thành phần chínhcủa cơ sở dữ liệu ảnh. Mạng nơron đƣợc sử dụng rộng rãi trong các hệ thống nhận dạng mặt ngƣời. Kỹ thuật mạng nơron mô phỏnghoạt động của các nơron trong bộnão ngƣời. Mạng nơron có khả năng điều chỉnh các trọng số dựa trên các mẫu họctrong quá trình huấn luyện.

Kết quả là mạng đạt đƣợc hiệu quả cao trong việc phân loại các lớp, dựa trên dữ liệu mẫu khả tách tuyến tính hoặc phi tuyến. Số hóa bởi Trung tâm Học liệu http://www.3Bố cục luận văn Mặc dù các hệ thống nhận dạng mặt ngƣời hiện tạiđã đạt đƣợc hiệu quả khá cao, tuy nhiên chúngvẫn còn hạn chế là chỉ tập trung vào một hay một vài phƣơng pháp trích chọn đặc trƣng.