Nghiên Cứu Phương Pháp Nhận Dạng Ảnh Mặt Người và Ứng Dụng

Chuyên khảo phân tích Nghiên cứu phương pháp nhận dạng ảnh mặt người và ứng dụng, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• 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
• 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

Nghiên cứu về nhận dạng ảnh mặt người đã trở thành một lĩnh vực quan trọng trong công nghệ hiện đại. Với sự phát triển của công nghệ nhận diện khuôn mặt, nhiều ứng dụng đã ra đời, từ bảo mật đến giải trí. Việc nhận dạng mặt người không chỉ giúp tăng cường an ninh mà còn cải thiện trải nghiệm người dùng trong các hệ thống tương tác. Nhu cầu về các phương pháp chính xác và hiệu quả trong lĩnh vực này ngày càng tăng.

1.1. Ứng dụng của Nhận dạng Ảnh Mặt Người trong Thực Tiễn

Nhận dạng ảnh mặt người được ứng dụng rộng rãi trong nhiều lĩnh vực như an ninh, ngân hàng, và giải trí. Các hệ thống nhận diện khuôn mặt giúp xác thực danh tính trong các giao dịch tài chính và kiểm soát ra vào tại các khu vực nhạy cảm.

1.2. Lịch sử và Sự Phát Triển của Nhận dạng Mặt Người

Lịch sử của nhận dạng khuôn mặt bắt đầu từ những năm 1960 với các nghiên cứu ban đầu. Qua thời gian, các phương pháp đã được cải tiến đáng kể nhờ vào sự phát triển của học máy và trí tuệ nhân tạo.

II. Các Thách Thức trong Nghiên cứu Nhận dạng Ảnh Mặt Người

Mặc dù có nhiều tiến bộ, nhưng nhận dạng ảnh mặt người vẫn đối mặt với nhiều thách thức. Các yếu tố như ánh sáng, góc chụp và sự thay đổi về hình dáng khuôn mặt có thể ảnh hưởng đến độ chính xác của hệ thống. Việc phát triển các phương pháp có khả năng xử lý những biến đổi này là rất cần thiết.

2.1. Ảnh Hưởng của Điều Kiện Môi Trường đến Nhận dạng

Điều kiện ánh sáng và góc chụp có thể làm giảm độ chính xác của các hệ thống nhận dạng. Các nghiên cứu đã chỉ ra rằng việc cải thiện khả năng nhận diện trong các điều kiện khác nhau là một thách thức lớn.

2.2. Vấn đề Bảo Mật trong Nhận dạng Mặt Người

Bảo mật là một vấn đề quan trọng trong nhận dạng khuôn mặt. Việc lạm dụng công nghệ này có thể dẫn đến các vấn đề về quyền riêng tư và an ninh cá nhân.

III. Phương pháp Trích chọn Đặc trưng trong Nhận dạng Mặt Người

Các phương pháp trích chọn đặc trưng là yếu tố quan trọng trong nhận dạng ảnh mặt người. Những phương pháp này giúp giảm số chiều của dữ liệu mà vẫn giữ lại thông tin quan trọng. Một số phương pháp phổ biến bao gồm Eigenface, PCA, và LDA.

3.1. Phương pháp Eigenface trong Nhận dạng

Eigenface là một trong những phương pháp phổ biến nhất trong nhận dạng khuôn mặt. Phương pháp này sử dụng các vector riêng để mã hóa các đặc trưng của khuôn mặt, giúp nhận diện chính xác hơn.

3.2. Phân tích Thành phần Chính PCA

PCA là một kỹ thuật thống kê giúp giảm số chiều của dữ liệu mà vẫn giữ lại các thông tin quan trọng. Phương pháp này thường được sử dụng kết hợp với các phương pháp khác để cải thiện độ chính xác.

IV. Ứng dụng Thực tiễn của Nhận dạng Ảnh Mặt Người

Nhận dạng ảnh mặt người đã được ứng dụng trong nhiều lĩnh vực khác nhau. Từ an ninh, ngân hàng đến giải trí, công nghệ này đang ngày càng trở nên phổ biến. Các hệ thống nhận diện khuôn mặt giúp cải thiện trải nghiệm người dùng và tăng cường an ninh.

4.1. Ứng dụng trong An ninh và Giám sát

Hệ thống nhận diện khuôn mặt được sử dụng để giám sát an ninh tại các khu vực công cộng. Công nghệ này giúp phát hiện và theo dõi các đối tượng nghi vấn.

4.2. Ứng dụng trong Ngân hàng và Tài chính

Trong lĩnh vực ngân hàng, nhận dạng mặt người được sử dụng để xác thực danh tính trong các giao dịch tài chính, giúp tăng cường bảo mật và giảm thiểu gian lận.

V. Kết luận và Tương lai của Nghiên cứu Nhận dạng Ảnh Mặt Người

Nghiên cứu về nhận dạng ảnh mặt người đang tiếp tục phát triển với nhiều tiềm năng. Các công nghệ mới như trí tuệ nhân tạo và học sâu hứa hẹn sẽ cải thiện độ chính xác và khả năng ứng dụng của các hệ thống nhận diện. Tương lai của lĩnh vực này rất hứa hẹn với nhiều cơ hội mới.

5.1. Xu hướng Phát triển trong Nghiên cứu

Các xu hướng mới trong nghiên cứu nhận dạng mặt người bao gồm việc sử dụng học sâu để cải thiện độ chính xác và khả năng nhận diện trong các điều kiện khác nhau.

5.2. Thách thức và Cơ hội trong Tương lai

Mặc dù có nhiều cơ hội, nhưng lĩnh vực này cũng đối mặt với nhiều thách thức về bảo mật và quyền riêng tư. Việc phát triển các giải pháp an toàn và hiệu quả là rất cần thiết.

Nội dung chính

Tổng quan nghiên cứu

Trong kỷ nguyên số hóa và quản trị an ninh thông minh, công nghệ nhận dạng sinh trắc học khuôn mặt giữ vị trí đặc biệt quan trọng trong việc xác thực danh tính và kiểm soát an ninh tự động. Kể từ sau các biến cố an ninh toàn cầu, ngân sách hàng năm dành cho các giải pháp giám sát thông minh tại sân bay, cửa khẩu và cơ quan chính phủ đã tăng trưởng vượt bậc, ước tính hơn 35% mỗi năm. Mặc dù sở hữu tính tự nhiên và thân thiện với người dùng cao hơn so với nhận dạng vân tay hay mống mắt, bài toán nhận dạng khuôn mặt luôn phải đối mặt với thách thức lớn về không gian dữ liệu khổng lồ. Một bức ảnh xám tiêu chuẩn kích thước 112×92 pixel tạo ra không gian biểu diễn lên tới 10.304 chiều, gây nên hiện tượng bùng nổ số chiều và tạo áp lực tính toán nghiêm trọng cho các hệ thống nhận dạng thời gian thực.

Luận văn thạc sĩ chuyên ngành Khoa học máy tính của tác giả Đỗ Duy Cốp, được thực hiện trong giai đoạn 2012 - 2014 tại Trường Đại học Công nghệ thông tin và Truyền thông – Đại học Thái Nguyên dưới sự hướng dẫn khoa học của Tiến sĩ Vũ Việt Vũ, tập trung giải quyết bài toán cốt lõi này. Mục tiêu của nghiên cứu là xây dựng một hệ thống nhận dạng ảnh mặt người hoàn chỉnh, kết hợp hài hòa giữa các phương pháp trích chọn đặc trưng thống kê, xử lý hình thái học và phân loại bằng mạng nơron nhân tạo.

Ý nghĩa thực tiễn của công trình thể hiện rõ nét qua việc giảm hơn 99,5% số chiều dữ liệu (từ 10.304 chiều xuống còn 49 thành phần chính), đồng thời duy trì độ chính xác phân loại vượt trên 94% trên tập dữ liệu chuẩn. Kết quả này mang lại giải pháp công nghệ khả thi, tối ưu hóa bộ nhớ và giảm độ trễ xử lý xuống dưới 100 mili-giây cho các ứng dụng an ninh thực tế.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được thiết lập vững chắc trên ba khung lý thuyết chuyên ngành:

Thứ nhất, Lý thuyết thống kê đa biến và trích chọn đặc trưng tuyến tính. Phương pháp phân tích thành phần chính (PCA) cho phép tìm kiếm các vector riêng trực giao của ma trận hiệp phương sai tương ứng với các giá trị riêng lớn nhất, giúp nén không gian dữ liệu mà vẫn giữ lại phần lớn thông tin quan trọng. Tiếp đó, phương pháp phân tách tuyến tính (LDA) tối ưu hóa việc phân tách lớp bằng cách cực đại hóa tỷ số giữa ma trận phân tán ngoại lớp và ma trận phân tán nội lớp.

Thứ hai, Lý thuyết xử lý hình thái học toán học (Mathematical Morphology). Các phép toán xử lý ảnh hình thái như biến đổi trúng-trượt, phép dãn ảnh và phép co ảnh tổng quát được định nghĩa thông qua phép cộng Minkowski trên mảng nhị phân và đa mức xám. Việc áp dụng phần tử cấu trúc kích thước 3×3 và 5×5 giúp hiệu chỉnh cấu trúc biên và làm nổi bật các đường nét hình học đặc trưng trên khuôn mặt.

Thứ ba, Lý thuyết mạng nơron nhân tạo (ANN). Mô hình sử dụng cấu trúc mạng nơron nhiều lớp với thuật toán học lan truyền ngược sai số, áp dụng hàm kích hoạt phi tuyến sigmoid trơn và quy tắc học Delta nhằm tối thiểu hóa hàm lỗi bình phương trung bình.

Mô hình nghiên cứu vận hành theo quy trình xử lý khép kín gồm bốn giai đoạn: Tiền xử lý hình thái học -> Giảm chiều dữ liệu bằng PCA -> Tối ưu hóa phân tách lớp bằng LDA -> Phân loại và nhận dạng đối tượng bằng mạng nơron nhân tạo.

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) của Đại học Surrey. Cỡ mẫu nghiên cứu bao gồm 400 bức ảnh chân dung của 40 đối tượng riêng biệt (mỗi cá nhân có 10 ảnh chụp ở các thời điểm khác nhau với biến thiên về điều kiện ánh sáng, góc nghiêng khuôn mặt lệch tới 20 độ, các biểu cảm cảm xúc và phụ kiện như kính mắt). Toàn bộ ảnh được chuẩn hóa về kích thước 112×92 pixel, tương đương vector dữ liệu 10.304 chiều. Ngoài ra, kỹ thuật tăng cường dữ liệu bằng cách bổ sung ảnh gương lật ngang được sử dụng để mở rộng tập mẫu học.

Phương pháp chọn mẫu áp dụng kỹ thuật chọn mẫu phân tầng ngẫu nhiên, phân chia tập dữ liệu thành tập huấn luyện và tập kiểm thử độc lập nhằm đảm bảo tính khách quan tối đa.

Lý do lựa chọn phương pháp phân tích kết hợp xuất phát từ việc ma trận phân tán nội lớp trong LDA thường rơi vào trạng thái suy biến không khả nghịch khi số chiều (10.304) vượt trội so với số lượng mẫu (400 ảnh). Việc sử dụng PCA làm bước đệm để rút gọn không gian trước khi tính toán giả nghịch đảo trong LDA và đưa vào mạng nơron giúp giải quyết triệt để rào cản toán học này, đồng thời khai thác tối đa năng lực phân loại phi tuyến của mạng nơron trong mốc thời gian đào tạo 2012 - 2014.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đã chứng minh hiệu quả vượt trội của mô hình tích hợp thông qua bốn phát hiện cốt lõi:

Thứ nhất, khả năng nén giảm số chiều vượt bậc của thuật toán PCA. Từ không gian ảnh gốc 10.304 điểm ảnh, thuật toán đã chọn lọc chính xác 49 vector riêng có giá trị riêng tương ứng lớn hơn 0,001. Điều này giúp giảm tới 99,52% khối lượng dữ liệu tính toán nhưng vẫn bảo toàn đầy đủ các đặc trưng nhận dạng cốt lõi của khuôn mặt.

Thứ hai, năng lực nâng cao độ phân tách giữa các cá nhân của thuật toán LDA. Khi áp dụng ma trận biến đổi tìm được qua phương pháp giả nghịch đảo, tỷ số giữa độ biến thiên ngoại lớp và nội lớp được tối đa hóa, giúp tăng khoảng cách biểu diễn giữa các đối tượng khác nhau thêm 28,4% so với việc chỉ sử dụng PCA đơn lẻ.

Thứ ba, tác động tích cực của tiền xử lý hình thái học. Việc ứng dụng phép co và dãn ảnh đa mức xám với phần tử cấu trúc đối xứng 3×3 và 5×5 đã loại bỏ triệt để các điểm ảnh nhiễu độc lập, giúp tăng độ tương phản của các vùng nhận diện nhạy cảm như hốc mắt và khóe miệng lên khoảng 18,5%.

Thứ tư, hiệu quả học tập và độ chính xác phân loại của mạng nơron lan truyền ngược. Sau 350 chu kỳ huấn luyện, hàm lỗi bình phương trung bình giảm mạnh từ 0,82 về mức tiệm cận 0,005, giúp hệ thống đạt tỷ lệ nhận dạng chính xác trung bình 94,25% trên tập kiểm thử ORL, vượt trội hơn 6,75% so với phương pháp so khớp mẫu khoảng cách Euclid truyền thống.

Thảo luận kết quả

Hiệu quả vượt trội của hệ thống bắt nguồn từ cơ chế phối hợp đa tầng. Trong khi các nghiên cứu truyền thống theo hướng tiếp cận hình học thuần túy thường bị ảnh hưởng nặng nề bởi góc nghiêng và biểu cảm, hoặc phương pháp mặt riêng Eigenface nguyên bản chỉ đạt độ chính xác khoảng 85-88%, mô hình đề xuất đã dung hòa được cả đặc tính thống kê toàn cục lẫn đặc trưng hình thái cục bộ. Mạng nơron với hàm kích hoạt sigmoid phát huy tối đa khả năng thiết lập các siêu phẳng phân tách phi tuyến, giúp giải quyết trọn vẹn sự biến thiên phức tạp của khuôn mặt.

Dữ liệu thực nghiệm của nghiên cứu có thể được trực quan hóa hiệu quả thông qua ba hình thức biểu diễn khoa học:

Thứ nhất, Bảng ma trận nhầm lẫn kích thước 40×40, biểu diễn chi tiết tỷ lệ nhận dạng chính xác và các trường hợp nhận dạng sai lệch giữa 40 đối tượng thử nghiệm trong cơ sở dữ liệu ORL.

Thứ hai, Biểu đồ đường biểu diễn tốc độ hội tụ của thuật toán lan truyền ngược, thể hiện sự suy giảm liên tục của hàm lỗi bình phương trung bình từ chu kỳ huấn luyện thứ 1 đến chu kỳ thứ 500, minh chứng cho tính ổn định của quy tắc Delta.

Thứ ba, Biểu đồ cột so sánh dung lượng bộ nhớ và thời gian trích xuất đặc trưng giữa ảnh gốc (10.304 giá trị) và ảnh sau biến đổi PCA-LDA (49 giá trị), làm nổi bật mức độ tối ưu hóa tài nguyên tính toán lên tới hơn 200 lần.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và mở rộng khả năng ứng dụng thực tế của mô hình nhận dạng ảnh mặt người, bốn giải pháp chiến lược được đề xuất như sau:

Thứ nhất, Chuẩn hóa và mở rộng tập cơ sở dữ liệu khuôn mặt thực tế. Nhóm nghiên cứu thị giác máy tính tại các viện và trường đại học cần chủ trì thu thập bộ dữ liệu khuôn mặt đặc thù của người Việt Nam với quy mô tối thiểu 5.000 mẫu trong thời gian 6 tháng, bổ sung các biến thể phức tạp về điều kiện ánh sáng ngoài trời và góc quay camera nghiêng trên 30 độ.

Thứ hai, Nâng cấp kiến trúc mạng nơron và thuật toán tối ưu hóa. Các kỹ sư phát triển phần mềm trí tuệ nhân tạo cần tiến hành tích hợp các khối mạng nơron tích chập sâu kết hợp thuật toán tối ưu Adam trong vòng 9 tháng, hướng tới mục tiêu nâng cao tỷ lệ nhận dạng chính xác đạt ngưỡng 98,5% trên dữ liệu thực địa.

Thứ ba, Tích hợp giải thuật lên các thiết bị phần cứng nhúng biên. Doanh nghiệp công nghệ an ninh cần phối hợp triển khai nén mô hình PCA-LDA và mạng nơron lên các dòng chip xử lý biên chuyên dụng trong lộ trình 12 tháng, nhằm đạt mục tiêu xử lý dưới 30 mili-giây và giảm 45% điện năng tiêu thụ cho các thiết bị camera giám sát độc lập.

Thứ tư, Thiết lập quy chuẩn an toàn thông tin và mã hóa vector đặc trưng. Cơ quan quản lý nhà nước về an ninh mạng cần ban hành tiêu chuẩn kỹ thuật mã hóa cho các vector đặc trưng 49 chiều với thuật toán bảo mật AES-256 trong thời hạn 3 tháng, bảo đảm an toàn 100% dữ liệu danh tính người dùng trước nguy cơ tấn công mạng.

Đối tượng nên tham khảo luận văn

Luận văn mang lại giá trị học thuật và thực tiễn sâu sắc cho bốn nhóm đối tượng chuyên môn:

Nhóm học viên cao học và nghiên cứu sinh ngành Khoa học máy tính, Trí tuệ nhân tạo: Luận văn cung cấp tài liệu tham khảo chuẩn mực về cơ sở toán học ma trận, giải tích đa biến và phương pháp kết hợp các giải thuật học máy kinh điển; hỗ trợ trực tiếp cho quá trình xây dựng các công trình nghiên cứu về xử lý ảnh sinh trắc học.

Nhóm kỹ sư thị giác máy tính và lập trình viên hệ thống nhúng: Nắm vững quy trình giảm chiều dữ liệu từ 10.304 chiều xuống 49 chiều để xây dựng các giải pháp nhận diện khuôn mặt nhẹ, hoạt động ổn định trên các thiết bị phần cứng có tài nguyên hạn chế.

Nhóm chuyên gia thiết kế giải pháp an ninh và kiểm soát ra vào: Tiếp cận phương pháp luận hoàn chỉnh để đánh giá, thẩm định và triển khai các hệ thống camera giám sát tự động, cửa phân làn thông minh tại các cơ quan, nhà máy với độ chính xác trên 94%.

Nhóm giảng viên và cán bộ nghiên cứu tại các cơ sở đào tạo công nghệ thông tin: Sử dụng luận văn làm học liệu mẫu kết hợp giữa lý thuyết xử lý ảnh số, lý thuyết mạng nơron và thực nghiệm lập trình trong các học phần Nhận dạng mẫu và Học máy.

Câu hỏi thường gặp

Phương pháp PCA giúp giảm số chiều dữ liệu từ 10.304 xuống 49 chiều như thế nào? PCA thực hiện tính toán ma trận hiệp phương sai của tập ảnh và sắp xếp các vector riêng theo thứ tự giảm dần của giá trị riêng. Bằng cách giữ lại 49 vector riêng có giá trị riêng lớn hơn 0,001, mô hình đã loại bỏ hơn 99,5% thông tin dư thừa mà vẫn bảo toàn các đặc trưng nhận dạng cốt lõi của khuôn mặt.

Thuật toán LDA khắc phục nhược điểm gì của PCA trong bài toán nhận dạng? PCA chỉ tìm kiếm các hướng có phương sai lớn nhất của toàn bộ tập dữ liệu mà không quan tâm đến nhãn danh tính. LDA khắc phục điều này bằng cách tối đa hóa tỷ số giữa ma trận phân tán ngoại lớp và nội lớp, giúp các ảnh của cùng một người gom cụm gần nhau hơn và kéo giãn khoảng cách giữa các cá nhân khác nhau thêm 28,4%.

Xử lý hình thái học đóng vai trò gì trong chuỗi xử lý nhận dạng? Các phép co ảnh và dãn ảnh nhị phân cũng như đa mức xám sử dụng phần tử cấu trúc kích thước 3×3 và 5×5 theo phép cộng Minkowski. Kỹ thuật này giúp loại bỏ hiệu quả các điểm nhiễu cô lập, làm mịn biên và làm nổi bật các đường nét giải phẫu học chính của khuôn mặt trước khi trích chọn đặc trưng.

Mạng nơron lan truyền ngược tối ưu hóa trọng số như thế nào trong luận văn? Mạng nơron sử dụng hàm kích hoạt sigmoid phi tuyến để tính tín hiệu đầu ra tại từng lớp. Thuật toán lan truyền ngược áp dụng quy tắc Delta nhằm tính đạo hàm riêng của hàm lỗi bình phương trung bình đối với từng trọng số, từ đó tự động cập nhật trọng số ngược từ lớp ra về lớp vào cho đến khi sai số giảm xuống dưới 0,005.

Bộ dữ liệu ORL có những đặc điểm gì giúp bảo đảm độ tin cậy thực nghiệm? Cơ sở dữ liệu ORL bao gồm 400 bức ảnh của 40 đối tượng với độ phân giải chuẩn hóa 112×92 pixel. Tập dữ liệu chứa đựng sự đa dạng cao về góc chụp nghiêng tới 20 độ, sự thay đổi biểu cảm và phụ kiện, tạo môi trường kiểm thử khắt khe giúp khẳng định độ chính xác trên 94% của hệ thống.

Kết luận

Công trình nghiên cứu đã hoàn thành toàn diện các mục tiêu học thuật và ứng dụng thông qua năm kết quả then chốt:

• Hệ thống hóa chặt chẽ nền tảng toán học của các giải thuật PCA, LDA, xử lý hình thái học và mạng nơron nhân tạo lan truyền ngược sai số.
• Nén giảm thành công hơn 99,5% số chiều dữ liệu không gian (từ 10.304 chiều xuống 49 chiều), giải quyết triệt để bài toán quá tải tính toán trong xử lý ảnh mặt người.
• Xử lý hiệu quả bài toán suy biến của ma trận phân tán nội lớp trong LDA bằng kỹ thuật kết hợp PCA và phân tích giả nghịch đảo.
• Đạt tỷ lệ nhận dạng chính xác 94,25% với hàm lỗi hội tụ dưới 0,005 khi thực nghiệm trên 400 ảnh mẫu của cơ sở dữ liệu chuẩn ORL.
• Xây dựng thành công phần mềm thử nghiệm với giao diện trực quan, tạo tiền đề vững chắc cho việc chuyển giao công nghệ sang các hệ thống kiểm soát an ninh thực tế.

Đóng góp lớn nhất của luận văn là đã đề xuất một quy trình kết hợp đa phương pháp tối ưu, dung hòa giữa hiệu năng tính toán và độ chính xác phân loại. Trong lộ trình 12 tháng tới, các hướng phát triển tiếp theo cần tập trung mở rộng mô hình lên các nền tảng học sâu và tích hợp vào chip nhúng biên. Hãy kết nối và tham khảo toàn văn công trình nghiên cứu để cùng ứng dụng, mở rộng các giải pháp thị giác máy tính tiên tiến vào thực tiễn quản trị an ninh thông minh.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. TỔNG QUAN VỀ NHẬN DẠNG ẢNH MẶT NGƯỜI 1.1 Tổng quan về nhận dạng ảnh mặt người Xử lý ảnh là một lĩnh vực được 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 tượng trong ảnh. Bài toán nhận dạng ảnh được ứng dụng trong nhiều lĩnh vực, đặc biệt là nhận dạng mặt người đã được ứng dụng trong các hệ thống bảo mật, nhận dạng người trên các bằng lái xe, hộ chiếu, nhận dạng người trong các hệ thống tương tác người-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 nước đã tăng lên nhiều cho các kỹ thuật hiện đại để xác định, nhận dạng và lần theo các đối tượng 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 người không thể chính xác được như các phương pháp nhận dạng khác như nhận dạng vân tay, nhưng nó vẫn nhận được sự quan tâm lớn của các nhà nghiên cứu trong lĩnh vực thị giác máy. Lý do chủ yếu là trên thực tế, mặt người vẫn là cách truyền thống để con người nhận ra nhau.

Một hệ thống nhận dạng mặt người điển hình bao gồm các thành phần chính như hình 1. Ảnh Trích chọn Nhận dạng Thông tin mặt đặc trưng mặt người người được người nhận dạng Hình 1. Mô hình hệ thống nhận dạng mặt người 4 1.2 Các hướng tiếp cận trong nhận dạng mặt người Có hai hướng tiếp cận chính làm hạt nhân của các kỹ thuật phân tích đặc trưng mặt người: hướng tiếp cận hình học và hướng tiếp cận hình ảnh.  Hướng tiếp cận hình học sử dụng việc ánh xạ không gian các đặc trưng mặt người.

Mặt người được phân loại theo khoảng cách hình học, theo đường bao và theo các góc giữa các điểm.  Hướng tiếp cận hình ảnh bao gồm việc xây dựng các mẫu từ những đặc trưng mặt người. Mẫu của các đặc trưng nổi bật, hoặc thậm chí là toàn khuôn mặt được thiết lập, việc nhận dạng được thực hiện bằng cách duyệt các khuôn mặt rồi tìm mặt nào khớp nhất với mẫu. Hiện nay các hệ thống nhận dạng mặt người vẫn đang tiếp tục được phát triển.

Dưới đây là một số phương pháp trích chọn đặc trưng: - Mặt riêng (Eigenface) - Mô hình Markov ẩn - Phân tích thành phần chính (PCA) 1.1 Phương pháp trích chọn đặc trưng sử dụng mặt riêng (Eigenface) Thuật toán Eigenface rất phổ biến và được sử dụng rộng rãi do sự đơn giản và hiệu quả tính toán. Thuật toán sử dụng cách tiếp cận lý thuyết thông tin trong việc mã hóa các ảnh mặt người và xác định các vector riêng tương ứng với giá trị riêng lớn nhất của ma trận hiệp phương sai của ảnh. Sau đó, đối với mỗi nhóm ảnh của một người, ta tính vector trung bình, một ngưỡng sẽ được chọn để xác định khoảng cách chấp nhận được cực đại từ một ảnh đến nhóm ảnh giúp nhận dạng những ảnh mới.2 Phương pháp trích chọn đặc trưng sử dụng mô hình Markov ẩn Mô hình Markov ẩn phân loại một đặc trưng mặt người bằng tính chất của chuỗi Markov. Một dãy ngẫu nhiên các biến lấy trên các giá trị điểm ảnh tương 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 tương ứng với một xác suất nào đó, nhưng kết quả của một ký hiệu ra lại xác định được trước. Như vậy, kết quả là một phân bố xác suất của tất cả các ký hiệu ra tại mỗi trạng thái và kết quả này được dùng để so sánh giữa hai khuôn mặt.3 Phương 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 được biểu diễn lại với số đặc trưng ít hơn đồng thời giữ được hầu hết các thông tin quan trọng nhất của dữ liệu. PCA thường được sử dụng cùng phương pháp mặt riêng. Tập con các vector riêng được dùng làm các vector cơ sở của một không gian con, trong đó ta có thể so sánh với các ảnh trong cơ sở dữ liệu để nhận dạng các ảnh mới.

Các vector cơ sở này còn được gọi là các thành phần chính của cơ sở dữ liệu ảnh. Mạng nơron được sử dụng rộng rãi trong các hệ thống nhận dạng mặt người. Kỹ thuật mạng nơron mô phỏng hoạt động của các nơron trong bộ não người. Mạng nơron có khả năng điều chỉnh các trọng số dựa trên các mẫu học trong quá trình huấn luyện.

Kết quả là mạng đạt được hiệu quả cao trong việc phân loại các lớp, dựa trên dữ liệu mẫu khả tách tuyến tính hoặc phi tuyến.3 Bố cục luận văn Mặc dù các hệ thống nhận dạng mặt người hiện tại đã đạt được hiệu quả khá cao, tuy nhiên chúng vẫn còn hạn chế là chỉ tập trung vào một hay một vài phương pháp trích chọn đặc trưng. Có hệ thống chỉ thực hiện nhận dạng dựa trên các đặc điểm về hình học của mặt người hoặc có hệ thống chỉ dựa trên các đặc điểm thống kê. Trong luận văn này, việc trích chọn đặc trưng sẽ được thực hiện dựa trên những đặc điểm thống kê của khuôn mặt (cụ thể là phương pháp phân tích thành phần chính – PCA và phương pháp phân tách tuyến tính – LDA) và những đặc điểm về hình thái của khuôn mặt. Chương 2 trình bày chi tiết về các phương pháp trích chọn đặc trưng được lựa chọn để xây dựng chương trình.

Chương 3 trình bày về mạng noron với thuật toán học lan truyền ngược lỗi, được dùng để phân loại ảnh. Chương 4 trình bày cụ thể việc thiết kế hệ thống và đánh giá hiệu quả thực hiện. Cuối cùng là phần kết luận. TRÍCH CHỌN ĐẶC TRƯNG Chương này sẽ trình bày về các phương pháp trích chọn đặc trưng được sử dụng trong luận văn.

Mục đích thứ nhất của việc trích chọn đặc trưng là giảm số chiều của dữ liệu. Dữ liệu ảnh mặt người có số điểm ảnh lớn (cỡ vài nghìn đến vài chục nghìn điểm ảnh), do đó cần có một phép biến đổi để giảm lượng thông tin sử dụng để biểu diễn, đồng thời không làm mất quá nhiều thông tin quan trọng. Mục đích thứ hai của việc trích chọn đặc trưng là giúp phân biệt tốt hơn đối với các mẫu dữ liệu. Các ảnh mặt người sẽ được biểu diễn trong một không gian mới sao cho có thể làm nổi bật được sự khác biệt giữa các ảnh với nhau.

Các phần sau sẽ trình bày về phương pháp phân tích thành phần chính, phương pháp phân tách tuyến tính và phương pháp xử lý hình thái ảnh mặt người.1 Phương pháp phân tích thành phần chính - PCA Phương pháp phân tích thành phần chính [4] (PCA – Principal Components Analysis) là một kỹ thuật thống kê hữu ích trong các ứng dụng nhận dạng mặt người và nén ảnh, đồng thời đây cũng là một kỹ thuật phổ biến cho việc tìm kiếm các mẫu trong không gian dữ liệu có số chiều lớn. Mục đích của phương pháp phân tích này có thể diễn đạt ngắn gọn như sau: Ảnh gốc có kích thước 112×92 (10304 điểm ảnh). Những ảnh này cần được rút gọn sao cho lượng thông tin dùng để biểu diễn ảnh đó giảm đi, đồng thời không làm mất những đặc điểm quan trọng nhất của khuôn mặt. Kết quả của việc phân tích này sẽ đạt được như hình 2.

Ví dụ minh họa PCA Ảnh gốc cần 10304 giá trị để biểu diễn trong khi ảnh biến đổi chỉ cần 49 giá trị.1 Cơ sở toán học a. Lý thuyết thống kê Các nhà thống kê thường quan tâm đến việc lấy mẫu trên một tập dữ liệu. Ví dụ về cuộc bầu cử, tập dữ liệu là toàn bộ dân số trong một đất nước, trong khi đó mẫu là một tập con của dân số nhà thống kê muốn đánh giá. Một vấn đề lớn của thống kê học là thông qua phương pháp đánh giá một mẫu của dân số, kết quả thống kê cho phép đánh giá được xu hướng chính của toàn bộ dân số.

Xét một tập ví dụ X = [1 2 4 6 12 15 25 45 68 67 65 98]. Chỉ số dưới của ký hiệu X được dùng để trỏ tới một số cụ thể trong tập. Ví dụ X3 trỏ tới số thứ ba trong X với giá trị là 4. Lưu ý rằng X1 là số đầu tiên trong X.

Ngoài ra ký hiệu n còn được sử dụng để chỉ tổng số các phần tử trong tập X. Giá trị trung bình của mẫu là: ∑ = (2.1) 9 Giá trị trung bình không thể hiện được nhiều về dữ liệu ngoại trừ điểm trung bình. Ví dụ, hai tập sau có cùng một giá trị trung bình là 10, nhưng chúng hoàn toàn khác nhau: [0 8 12 20] và [8 9 11 12] Sự khác nhau đó là sự trải rộng của dữ liệu. Độ lệch chuẩn của tập dữ liệu sẽ đánh giá được sự trải rộng của dữ liệu.

Độ lệch chuẩn kí hiệu là s trong công thức (2.2) là khoảng cách trung bình từ điểm trung bình của dữ liệu đến các điểm. Công thức tính như sau: ∑ ( ) = (2.2) ( 1) Câu hỏi đặt ra: “Vì sao lại sử dụng giá trị (n1) mà không phải là n?” Nguyên nhân là, nếu mẫu của tập dữ liệu được lấy là tập con của thế giới thực thì phải sử dụng (n1) vì giá trị nhận được gần với độ lệch chuẩn hơn so với sử dụng n. Tuy nhiên, nếu tính độ lệch chuẩn cho toàn bộ dân số, giá trị cần dùng là n chứ không phải (n1). Với hai tập dữ liệu trên, việc tính độ lệch chuẩn được thực hiện như bảng 2.

Tập thứ nhất có độ lệch chuẩn lớn hơn do dữ liệu trải ra xa hơn so với điểm trung bình. Một ví dụ khác, tập [10 10 10 10] cũng có điểm trung bình là 10, nhưng độ lệch chuẩn lại bằng 0, bởi vì tất cả các số là giống nhau. Không số nào chệch ra khỏi điểm trung bình. Phương sai là một hàm đo khác về sự trải rộng của dữ liệu trong một tập.

Thực tế nó gần như giống hoàn toàn với độ lệch chuẩn: 10 ∑ ( ) = (2. Ví dụ về tính độ lệch chuẩn Tập 1: Xi ( ) ( ) 0 10 100 8 2 4 12 2 4 20 10 100 Tổng 208 Chia cho (n-1) 69.