I. Nhận diện cảm xúc khuôn mặt Tổng quan và mục tiêu nghiên cứu
Đồ án tốt nghiệp "Nhận dạng cảm xúc khuôn mặt người" tại HCMUTE tập trung vào việc xây dựng hệ thống nhận diện cảm xúc cơ bản (vui, buồn, ngạc nhiên) trên khuôn mặt. Nghiên cứu sử dụng xử lý ảnh, kết hợp board mạch Arduino và phần mềm Matlab. Mục tiêu chính là tạo ra một hệ thống có thể nhận diện cảm xúc và điều khiển các thiết bị ngoại vi (cửa, đèn LED) tương ứng với mỗi cảm xúc được phát hiện. Hệ thống này ứng dụng công nghệ nhận diện khuôn mặt, đặc biệt là phân tích cảm xúc. Đây là một ứng dụng thực tiễn của machine learning và deep learning trong lĩnh vực xử lý ảnh. Nhận diện cảm xúc thời gian thực là một thách thức quan trọng được đề cập trong nghiên cứu.
1.1 Đặt vấn đề và tầm quan trọng
Trong lĩnh vực xử lý ảnh, nhận dạng và phân loại hình ảnh đang phát triển nhanh chóng. Nhận dạng cảm xúc trên khuôn mặt người là một bài toán quan trọng, có ứng dụng rộng rãi trong nhiều lĩnh vực như: an ninh, giám sát, quản lý, marketing, và thương mại điện tử. Việc phát triển hệ thống nhận diện cảm xúc tự động giúp tăng hiệu quả và chính xác trong việc ra quyết định. Ứng dụng thực tế của nghiên cứu này bao gồm giám sát an ninh, quản lý cảm xúc khách hàng trong marketing, hay tạo ra các ứng dụng tương tác người máy thông minh hơn. Nghiên cứu này cũng đóng góp vào sự phát triển của công nghệ nhận diện khuôn mặt tại Đại học Công nghệ Thành phố Hồ Chí Minh (HCMUTE).
1.2 Phương pháp tiếp cận và giới hạn
Đồ án sử dụng phương pháp phân tích thành phần chính (PCA), hay còn gọi là Eigenfaces, để trích xuất đặc trưng từ ảnh khuôn mặt. Thuật toán nhận diện được cài đặt trên Matlab, kết hợp với Arduino để điều khiển thiết bị. Hệ thống chỉ nhận diện ba cảm xúc cơ bản: vui, buồn, và ngạc nhiên. Dữ liệu huấn luyện được tạo ra từ ảnh chụp, việc thu thập và chuẩn hóa dữ liệu khuôn mặt là một khía cạnh quan trọng. Độ chính xác của nhận diện phụ thuộc vào chất lượng dữ liệu và hiệu quả của thuật toán. OpenCV và các thư viện xử lý ảnh khác trong Python, TensorFlow, hay PyTorch có thể được xem xét cho các nghiên cứu mở rộng. Các kỹ thuật xử lý ảnh số đóng vai trò quan trọng trong việc đạt được độ chính xác nhận diện cao.
II. Cơ sở lý thuyết và công nghệ
Phần này trình bày về Arduino, Matlab, và thuật toán PCA - Eigenfaces. Arduino Uno được sử dụng như nền tảng điều khiển phần cứng. Matlab cung cấp môi trường lập trình và xử lý ảnh. PCA là một kỹ thuật giảm chiều dữ liệu hiệu quả trong nhận dạng khuôn mặt. Việc xây dựng mô hình nhận diện khuôn mặt dựa trên cơ sở dữ liệu khuôn mặt được thu thập và tiền xử lý cẩn thận. Phân tích biểu cảm khuôn mặt cần sự chính xác cao, do đó, các bước tiền xử lý ảnh đóng vai trò quan trọng trong việc tối ưu hóa hiệu năng của hệ thống.
2.1 Kit Arduino và phần mềm Matlab
Arduino Uno là một nền tảng phần cứng hiệu quả, dễ sử dụng và giá thành thấp. Nó được tích hợp với Matlab để điều khiển các thiết bị ngoại vi. Kết nối Arduino với Matlab là một bước quan trọng trong việc triển khai hệ thống. Các thư viện hỗ trợ trong Matlab giúp đơn giản hóa quá trình lập trình và tương tác giữa phần cứng và phần mềm. Cài đặt camera trên Matlab cũng là một bước cần thiết để thu thập dữ liệu hình ảnh. Việc lựa chọn thư viện hỗ trợ phần cứng phù hợp giúp đảm bảo sự ổn định và hiệu quả của hệ thống. Quá trình lập trình cho cả Arduino và Matlab cần được thiết kế một cách hợp lý để đảm bảo sự tương tác hiệu quả giữa hai phần.
2.2 Thuật toán PCA Eigenfaces và xử lý ảnh
Thuật toán PCA (Eigenfaces) được sử dụng để trích xuất các đặc trưng chính từ ảnh khuôn mặt. Phương pháp này giảm chiều dữ liệu, giúp tăng tốc độ và hiệu quả của quá trình nhận dạng. Các bước cơ bản trong Eigenfaces bao gồm: tính toán giá trị trung bình, ma trận hiệp phương sai, và các vectơ riêng. Các hàm xử lý ảnh trong Matlab được sử dụng để tiền xử lý ảnh, trích xuất đặc trưng, và phân loại cảm xúc. Tính toán và thiết kế hệ thống yêu cầu sự hiểu biết sâu sắc về xử lý tín hiệu số, thu thập dữ liệu khuôn mặt, và xây dựng cơ sở dữ liệu hiệu quả. Độ chính xác của thuật toán phụ thuộc vào nhiều yếu tố như chất lượng ảnh, số lượng dữ liệu huấn luyện, và cách thức thiết kế hệ thống.
III. Thiết kế thi công và đánh giá hệ thống
Phần này mô tả quá trình thiết kế hệ thống, lập trình, thử nghiệm, và đánh giá kết quả. Sơ đồ khối hệ thống cho thấy sự tương tác giữa các thành phần. Lập trình hệ thống bao gồm việc viết code cho cả Arduino và Matlab. Tập dữ liệu huấn luyện được tạo ra từ ảnh chụp khuôn mặt với các biểu hiện cảm xúc khác nhau. Kết quả thử nghiệm được phân tích và đánh giá dựa trên tính toán hiệu năng và độ chính xác của nhận diện.
3.1 Thiết kế hệ thống và lập trình
Thiết kế hệ thống bao gồm việc xác định các thành phần phần cứng và phần mềm. Sơ đồ khối minh họa quá trình xử lý ảnh, trích xuất đặc trưng, và điều khiển thiết bị. Lập trình Arduino tập trung vào việc điều khiển các thiết bị ngoại vi như servo motor và đèn LED. Lập trình Matlab thực hiện việc xử lý ảnh, nhận diện cảm xúc, và truyền dữ liệu đến Arduino. Cài đặt các gói hỗ trợ phần cứng cho Matlab giúp đơn giản hóa quá trình tích hợp phần cứng và phần mềm. Viết tài liệu hướng dẫn sử dụng giúp người dùng dễ dàng vận hành hệ thống. Thu thập dữ liệu khuôn mặt cần đảm bảo tính đa dạng và chất lượng cao để đảm bảo hiệu quả huấn luyện.
3.2 Thử nghiệm và đánh giá hệ thống
Thử nghiệm hệ thống bao gồm việc kiểm tra khả năng nhận diện cảm xúc từ ảnh chụp và từ webcam. Kết quả nhận dạng được thống kê và phân tích để đánh giá hiệu quả của hệ thống. Độ chính xác nhận diện là một chỉ tiêu quan trọng để đánh giá chất lượng của hệ thống. Phân tích biểu đồ giúp hiểu rõ hơn về hiệu suất của hệ thống trong các điều kiện khác nhau. Nhận xét và đánh giá được đưa ra dựa trên kết quả thử nghiệm. Các điểm mạnh và điểm yếu của hệ thống được nêu rõ để phục vụ cho việc cải tiến trong tương lai. Việc đánh giá hệ thống cần dựa trên các tiêu chí khách quan và số liệu cụ thể.
IV. Kết luận và hướng phát triển
Đồ án đã thành công trong việc xây dựng hệ thống nhận dạng cảm xúc khuôn mặt cơ bản. Tuy nhiên, vẫn còn một số hạn chế cần được khắc phục trong tương lai. Hướng phát triển bao gồm việc mở rộng số lượng cảm xúc được nhận diện, cải thiện độ chính xác, và tích hợp với các ứng dụng thực tế khác. Việc sử dụng các thuật toán deep learning tiên tiến có thể nâng cao hiệu quả của hệ thống. Nghiên cứu này đóng góp vào việc ứng dụng trí tuệ nhân tạo và học máy trong lĩnh vực xử lý ảnh tại HCMUTE.
4.1 Kết quả đạt được và hạn chế
Hệ thống nhận dạng cảm xúc đã đạt được độ chính xác nhất định trong việc nhận diện ba cảm xúc cơ bản. Tuy nhiên, độ chính xác này còn phụ thuộc vào nhiều yếu tố như điều kiện ánh sáng, góc chụp, và chất lượng ảnh. Hạn chế của hệ thống hiện tại là chỉ nhận diện được ba cảm xúc cơ bản. Việc mở rộng cơ sở dữ liệu khuôn mặt và sử dụng các thuật toán tiên tiến hơn sẽ giúp cải thiện độ chính xác và khả năng nhận diện nhiều cảm xúc hơn. Tối ưu hóa thuật toán và xử lý dữ liệu cũng là những hướng cần được nghiên cứu sâu hơn. Hệ thống cần được đánh giá một cách toàn diện hơn nữa, bao gồm cả tốc độ xử lý.
4.2 Hướng phát triển trong tương lai
Trong tương lai, hệ thống có thể được phát triển để nhận diện nhiều cảm xúc phức tạp hơn. Việc tích hợp với các ứng dụng thực tế như giám sát an ninh, chăm sóc sức khỏe, và tương tác người máy là những hướng phát triển tiềm năng. Sử dụng các thuật toán deep learning như CNN hoặc RNN sẽ giúp nâng cao độ chính xác và khả năng tổng quát hóa của hệ thống. Việc xây dựng một hệ thống nhận diện cảm xúc thời gian thực hiệu quả là một thách thức cần được giải quyết. Nghiên cứu mở rộng cần tập trung vào việc thu thập dữ liệu lớn hơn, đa dạng hơn, và chất lượng cao hơn. Việc đánh giá hệ thống một cách toàn diện sẽ giúp định hướng phát triển hiệu quả hơn.
