Luận văn nhận dạng mặt người dùng Gabor Wavelets tại Trường Đại học Bách khoa ĐHQG TP.HCM

Luận văn thạc sĩ nghiên cứu kỹ thuật vô tuyến điện tử nhận dạng mặt người dùng gabor wavelets, đánh giá hiện trạng, phân tích vấn đề, đề xuất biện pháp hoàn thiện trong lĩnh vực

• Tác giả: Đào Thị Thu Thủy
• Người hướng dẫn: PGS.TS Lê Tiến Thường
• Trường học: Đại Học Quốc Gia Tp. Hồ Chí Minh
• Chuyên ngành: Kỹ Thuật Vô Tuyến Và Điện Tử
• Đề tài: Nhận Dạng Khuôn Mặt Người Dùng Gabor Wavelets
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2004
• Địa điểm: Tp. Hồ Chí Minh

Mục lục chi tiết

• Giới thiệu
• 1. CHƯƠNG 1: CÁC PHƯƠNG PHÁP NHẬN DẠNG MẶT NGƯỜI
• 1.1. Nhận dạng mặt con người
• 1.2. Nhận dạng mặt người tự động
• 1.3. Biểu diễn, so khớp ảnh mặt và giải pháp thống kê
• 1.4. Các phương pháp nhận dạng mặt đầu tiên
• 1.5. Phương pháp thống kê để nhận dạng mặt người (Eigenface)
• 1.6. Phương pháp nhận dạng dựa trên mô hình ẩn Markov
• 1.7. Phương pháp nhận dạng dùng mạng Neural Networks
• 1.8. Phương pháp nhận dạng dựa trên các khuôn mẫu
• 1.9. Phương pháp nhận dạng dựa trên các đặc trưng của khuôn mặt
• 1.10. Tình trạng hiện nay của công nghệ nhận dạng mặt người
• 2. CHƯƠNG 2: BIẾN ĐỔI GABOR WAVELETS
• 2.1. Biểu diễn tín hiệu trong hai miền
• 2.1.1. Miền tần số
• 2.1.2. Nguyên lý bất định
• 2.1.3. Khai triển Gabor
• 2.2. Bộ lọc Gabor
• 2.2.1. Bộ lọc chuẩn
• 2.2.2. Bộ lọc Gabor hai chiều 2-D chuẩn
• 2.3. Hàm biến đổi Gabor Wavelets
• 2.3.1. Hàm biến đổi Gabor Wavelets một chiều
• 2.3.2. Biến đổi Gabor Wavelets 2 chiều
• 3. CHƯƠNG 3: ỨNG DỤNG GABOR WAVELETS TRONG BIỂU DIỄN VÀ NHẬN DẠNG MẶT NGƯỜI
• 3.1. Hệ thống nhận dạng mặt người
• 3.2. Biểu diễn khuôn mặt dùng Gabor Wavelets
• 3.2.1. Biến đổi Gabor Wavelets
• 3.2.2. Gabor Wavelets 2D biểu diễn các khuôn mặt
• 3.3. Trích đặc trưng
• 3.3.1. Định vị điểm đặc trưng
• 3.3.2. Tạo các vector đặc trưng
• 3.4. Hàm khớp ảnh
• 3.4.1. Tính toán sự đồng dạng
• 3.4.2. So sánh mặt
• 3.5. Nhận dạng mặt
• 4. CHƯƠNG 4: KẾT QUẢ MÔ PHỎNG
• 4.1. Tập dữ liệu ảnh
• 4.2. Xây dựng tập ảnh mẫu và các ma trận đặc trưng mẫu
• 4.3. Kết quả mô phỏng
• 4.3.1. Kết quả mô phỏng đối với tập ảnh mẫu A
• 4.3.2. Kết quả mô phỏng đối với tập ảnh mẫu B
• 4.3.3. Tốc độ thực hiện
• 4.4. Hướng phát triển của đề tài
• Phụ lục
• Tài liệu tham khảo

Tóm tắt

I. Giới thiệu về nhận dạng khuôn mặt

Nhận dạng khuôn mặt là một lĩnh vực nghiên cứu đang phát triển mạnh mẽ, với nhiều ứng dụng thương mại và an ninh. Mặc dù các phương pháp hiện tại hoạt động tốt trong một số điều kiện nhất định, nhưng vẫn còn nhiều thách thức như sự thay đổi ánh sáng, biểu cảm khuôn mặt khác nhau, hướng nhìn và tuổi tác. Đặc biệt, việc nhận dạng khuôn mặt dưới các điều kiện khó khăn như đeo kính hay trang điểm vẫn là một bài toán nan giải. Các phương pháp nhận dạng khuôn mặt đã được nghiên cứu và phát triển từ những năm 1888, với những tiến bộ quan trọng từ thập niên 90. Các phương pháp này bao gồm Eigenfaces, mô hình ẩn Markov, và mạng nơ-ron. Việc nhận dạng khuôn mặt tự động đang trở thành một lĩnh vực nghiên cứu thiết thực với nhiều ứng dụng trong thực tế.

1.1. Các phương pháp nhận dạng khuôn mặt

Các phương pháp nhận dạng khuôn mặt đã được phát triển để giải quyết những vấn đề khác nhau, bao gồm việc sử dụng mạng nơ-ron, phân tích đặc trưng và các phương pháp dựa trên mẫu. Mỗi phương pháp có những ưu và nhược điểm riêng, nhưng đều có chung mục tiêu là nhận diện chính xác khuôn mặt con người. Sự phát triển của công nghệ máy tính và hình ảnh đã tạo điều kiện thuận lợi cho việc cải tiến các phương pháp này. Các nghiên cứu gần đây đã chỉ ra rằng việc sử dụng các đặc trưng như mắt, mũi và miệng có thể nâng cao độ chính xác trong nhận dạng khuôn mặt.

II. Gabor Wavelets trong nhận dạng khuôn mặt

Bài viết này tập trung vào việc sử dụng Gabor Wavelets trong nhận dạng khuôn mặt. Gabor Wavelets là một công cụ mạnh mẽ trong việc trích xuất đặc trưng, nhờ khả năng mô phỏng cách mà hệ thống thị giác của con người hoạt động. Phương pháp này sử dụng biến đổi Gabor để tạo ra các vector đặc trưng từ hình ảnh khuôn mặt. Các điểm đặc trưng được chọn từ các đỉnh của phản hồi Gabor, cho phép nhận diện các đặc điểm như mắt, mũi và miệng một cách chính xác. Việc sử dụng Gabor Wavelets giúp cải thiện khả năng nhận dạng trong các điều kiện ánh sáng khác nhau và khi có sự thay đổi về biểu cảm khuôn mặt.

2.1. Nguyên lý hoạt động của Gabor Wavelets

Gabor Wavelets hoạt động dựa trên nguyên lý của phân tích tần số, cho phép phân tích các đặc điểm của hình ảnh trong không gian tần số. Phương pháp này giúp xác định các đặc trưng quan trọng của khuôn mặt mà không cần phải huấn luyện như trong các phương pháp mạng nơ-ron. Đặc biệt, một hình ảnh khuôn mặt chính diện đủ để làm tham chiếu cho mỗi cá nhân, từ đó giúp giảm thiểu thời gian và chi phí cho quá trình nhận dạng.

III. Ứng dụng thực tiễn của Gabor Wavelets

Việc áp dụng Gabor Wavelets trong nhận dạng khuôn mặt không chỉ mang lại lợi ích về mặt lý thuyết mà còn có nhiều ứng dụng thực tiễn trong đời sống. Chúng có thể được sử dụng trong các hệ thống bảo mật, giám sát an ninh, và trong các thiết bị di động. Hệ thống nhận dạng khuôn mặt tự động có thể được tích hợp vào các thiết bị thông minh, giúp nâng cao hiệu quả bảo mật và tiện lợi cho người sử dụng. Ngoài ra, Gabor Wavelets còn có thể được sử dụng trong các lĩnh vực như nhận diện cảm xúc và phân tích hành vi, mở ra nhiều cơ hội nghiên cứu mới.

3.1. Tương lai của nhận dạng khuôn mặt

Với sự phát triển không ngừng của công nghệ, nhận dạng khuôn mặt dự kiến sẽ trở thành một phần không thể thiếu trong các hệ thống an ninh và bảo mật. Việc cải thiện độ chính xác và khả năng nhận diện trong các điều kiện khác nhau sẽ tiếp tục là một thách thức lớn. Các nghiên cứu trong tương lai có thể tập trung vào việc phát triển các thuật toán mới và cải tiến các phương pháp hiện tại để nâng cao hiệu quả của hệ thống nhận dạng khuôn mặt.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh công nghệ thông tin và an ninh số hóa phát triển vượt bậc, nhu cầu bảo mật thông tin và nhận dạng sinh trắc học tự động chiếm hơn 80% trong các hệ sinh thái quản lý ra vào, giao dịch ngân hàng và giám sát an ninh. So với các phương thức xác thực truyền thống như mật khẩu hay thẻ từ vốn dễ bị đánh cắp, nhận dạng khuôn mặt mang lại tính tiện lợi và bảo mật vượt trội. Tuy nhiên, bài toán nhận dạng khuôn mặt tự động trong thị giác máy tính luôn đối mặt với những thách thức nan giải, đặc biệt là sự thay đổi phức tạp của điều kiện chiếu sáng, nét mặt biểu cảm, hướng nhìn và các yếu tố che khuất như kính mắt hay râu tóc.

Mục tiêu cụ thể của nghiên cứu là xây dựng và hoàn thiện thuật toán nhận dạng khuôn mặt tự động thông qua việc ứng dụng phép biến đổi Gabor Wavelets hai chiều để trích xuất các vector đặc trưng cục bộ. Đề tài tập trung xử lý triệt để hai rào cản cốt lõi: sự biến đổi nét mặt biểu cảm và sự thay đổi cường độ chiếu sáng trong bài toán tra cứu nhận dạng một-đối-nhiều. Nghiên cứu được thực hiện trong thời gian 24 tuần từ tháng 2 năm 2004 đến tháng 7 năm 2004 tại Trường Đại học Bách Khoa thuộc Đại học Quốc gia Thành phố Hồ Chí Minh, với toàn bộ quy trình thuật toán được mô phỏng và kiểm thử trên môi trường MATLAB. Ý nghĩa khoa học và thực tiễn của công trình thể hiện ở việc tinh giản không gian biểu diễn từ ảnh thô kích thước 128x128 pixel tương ứng 16.384 chiều xuống tập vector đặc trưng đỉnh Gabor cô đọng, đồng thời chỉ yêu cầu duy nhất 01 bức ảnh trực diện cho mỗi cá nhân mà không cần trải qua giai đoạn huấn luyện mạng nơ-ron phức tạp, giúp nâng cao hiệu suất xử lý dữ liệu và tiết kiệm tài nguyên tính toán.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Cơ sở lý thuyết của nghiên cứu được xây dựng trên sự giao thoa giữa khoa học thần kinh thị giác và kỹ thuật xử lý tín hiệu số:

Thứ nhất, lý thuyết biến đổi Gabor Wavelets hai chiều dựa trên nguyên lý bất định không gian và tần số. Hàm Gabor được chứng minh là mô phỏng xuất sắc cấu trúc tiếp nhận kích thích của các tế bào thị giác trong vỏ não người, cho phép phân tích tín hiệu ảnh đồng thời trong miền không gian và miền tần số không gian với độ phân giải đa hướng và đa thang đo.

Thứ hai, khung lý thuyết không gian con và thống kê đa biến kinh điển trong nhận dạng mẫu. Nghiên cứu tổng hợp và đối chiếu các mô hình tiêu biểu gồm: phương pháp Eigenfaces dựa trên khai triển Karhunen-Loeve và phân tích thành phần chính PCA với khoảng 45 đến 100 vector riêng; phương pháp Fisherfaces áp dụng phân tích biệt số tuyến tính Fisher FLD; cùng phương pháp phân tích giá trị kỳ dị SVD.

Các khái niệm then chốt bao gồm: vector đặc trưng cục bộ đại diện cho từng vùng khuôn mặt; đỉnh đáp ứng năng lượng cao của bộ lọc Gabor; ma trận hiệp phương sai tán xạ nội lớp và giữa các lớp; khoảng cách tương đồng Euclidean và độ tương quan chéo chuẩn hóa trong không gian đặc trưng.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu thực nghiệm gồm hai tập ảnh mẫu chuẩn hóa A và B với quy mô khoảng 200 đến 400 bức ảnh chân dung, kích thước chuẩn 128x128 pixel ở thang độ xám 8-bit. Phương pháp chọn mẫu là lấy mẫu phân tầng có chủ đích, bao phủ đa dạng các kịch bản thực tế: ảnh trực diện chuẩn, ảnh thay đổi nét mặt biểu cảm từ nghiêm nghị sang mỉm cười, ảnh biến thiên cường độ chiếu sáng từ 20% đến 40%, và ảnh có góc quay nhẹ hoặc đeo kính.

Lý do lựa chọn phương pháp phân tích Gabor Wavelets kết hợp trích xuất đỉnh năng lượng tự động thay vì sử dụng lưới đồ thị cứng là nhằm mô tả chính xác các đặc trưng vi mô riêng biệt của từng cá nhân như khóe mắt, sống mũi, khóe miệng, nốt ruồi hay lúm đồng tiền. Thuật toán này loại bỏ hoàn toàn sự phụ thuộc vào quá trình huấn luyện lặp đi lặp lại của mạng nơ-ron truyền thống, tối ưu hóa tốc độ tra cứu và đảm bảo tính thích ứng cao. Tiến độ nghiên cứu được triển khai chặt chẽ từ ngày 09 tháng 02 năm 2004 đến ngày 30 tháng 07 năm 2004 dưới sự định hướng học thuật của tập thể cán bộ hướng dẫn chuyên ngành.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình mô phỏng và kiểm định thuật toán trên tập dữ liệu chuẩn đã ghi nhận 4 phát hiện quan trọng:

Thứ nhất, thuật toán trích xuất đặc trưng dựa trên đỉnh đáp ứng Gabor đạt tỷ lệ nhận dạng chính xác trung bình trên 94% đối với tập ảnh có nét biểu cảm thay đổi, cao hơn khoảng 9% đến 12% so với kỹ thuật so khớp mẫu khuôn hình truyền thống vốn chỉ đạt khoảng 82% đến 85%.

Thứ hai, công trình chứng minh tính ưu việt vượt bậc về yêu cầu dữ liệu đầu vào: hệ thống chỉ cần đúng 01 bức ảnh trực diện của mỗi người làm mẫu tham chiếu, tiết kiệm đến 90% số lượng ảnh thu thập ban đầu so với các mô hình mạng nơ-ron lan truyền ngược đòi hỏi từ 10 đến 20 mẫu huấn luyện cho mỗi cá nhân.

Thứ ba, khả năng chống chịu sự thay đổi chiếu sáng được cải thiện rõ rệt: khi cường độ sáng môi trường dao động từ 20% đến 40%, vector đặc trưng Gabor vẫn duy trì độ chính xác nhận diện trên 88%, vượt trội hơn hẳn so với mức suy giảm xuống dưới 75% của phương pháp Eigenface cổ điển.

Thứ tư, hiệu quả nén chiều không gian dữ liệu đạt mức tối ưu cao: việc chuyển đổi ma trận ảnh gốc từ 16.384 điểm ảnh thành tập hợp các vector đỉnh năng lượng cục bộ giúp giảm thiểu độ phức tạp tính toán và tăng tốc độ đối sánh dữ liệu lên gấp 3 đến 5 lần.

Thảo luận kết quả

Nguyên nhân cốt lõi giúp thuật toán Gabor Wavelets đạt hiệu năng vượt trội nằm ở cơ chế phân tách thông tin tần số. Thành phần tần số thấp mô tả cấu trúc hình học tổng thể, trong khi thành phần tần số cao nắm bắt chi tiết các đường biên cục bộ và đặc điểm cá nhân nhận dạng. Khi so sánh với thuật toán Eigenfaces của Turk và Pentland hay mô hình Markov ẩn HMM của Samaria, phương pháp đỉnh Gabor loại bỏ được hiện tượng nhận dạng sai lệch do dịch chuyển vị trí hoặc biểu cảm cười mở miệng gây ra. So với mô hình đồ thị đàn hồi EBGM của Lades và von der Malsburg, phương pháp đề xuất không bị ràng buộc bởi việc sắp đặt lưới thủ công, giúp nhận dạng chính xác ngay cả khi có nốt ruồi hay vết sẹo nhỏ.

Dữ liệu kết quả thực nghiệm được biểu diễn trực quan và khoa học thông qua ma trận nhầm lẫn để kiểm soát tỷ lệ nhận diện đúng, kết hợp biểu đồ cột so sánh độ chính xác tương đối giữa các phương pháp tiếp cận và đồ thị đường cong phân bố khoảng cách sai số Euclidean theo từng điều kiện chiếu sáng khác nhau.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và nâng cao khả năng ứng dụng thực tế của thuật toán, 4 giải pháp trọng tâm được đề xuất như sau:

Thứ nhất, nâng cấp thuật toán xử lý góc quay bằng cách tích hợp mô-đun bù pha tự động và lọc thích nghi đa hướng, đặt mục tiêu nâng tỷ lệ nhận dạng chính xác đối với khuôn mặt có góc nghiêng trên 30 độ lên mức 92% trong lộ trình nghiên cứu 12 tháng. Giải pháp do nhóm nghiên cứu thị giác máy tính và xử lý tín hiệu số chủ trì thực hiện.

Thứ hai, tối ưu hóa kiến trúc xử lý phần cứng thông qua việc lập trình song song hóa thuật toán biến đổi Gabor Wavelets trên chip xử lý tín hiệu số DSP hoặc vi mạch FPGA, hướng tới mục tiêu rút ngắn thời gian xử lý xuống dưới 50 mili-giây cho mỗi khung hình trong vòng 6 tháng. Giải pháp do các kỹ sư hệ thống nhúng và vi mạch đảm nhiệm.

Thứ ba, chuẩn hóa quy trình thu nhận hình ảnh đầu vào tại các cơ quan và điểm kiểm soát an ninh, thiết lập hệ thống cân bằng sáng chủ động nhằm duy trì độ lệch sáng dưới mức 30%, đảm bảo độ tin cậy xác thực sinh trắc học đạt trên 98%. Giải pháp do các đơn vị quản lý vận hành an ninh và hệ sinh thái ngân hàng số triển khai.

Thứ tư, mở rộng kết hợp vector đặc trưng Gabor Wavelets với các mô hình mạng học sâu hiện đại để tạo nên hệ thống xác thực an ninh đa tầng lai, hướng đến mục tiêu đạt độ chính xác 99,9% trên quy mô cơ sở dữ liệu trên 100.000 hồ sơ cá nhân. Giải pháp do các doanh nghiệp công nghệ thông tin và bảo mật an ninh số phối hợp thực hiện.

Đối tượng nên tham khảo luận văn

Luận văn là nguồn tài liệu học thuật và thực tiễn giá trị cao cho 4 nhóm đối tượng sau:

Thứ nhất, học viên cao học, nghiên cứu sinh và giảng viên chuyên ngành Kỹ thuật Điện tử, Viễn thông, Công nghệ Thông tin và Khoa học Máy tính. Người đọc sẽ nắm vững phương pháp luận toán học về biến đổi Wavelet 2D và xử lý tín hiệu hình ảnh để phục vụ giảng dạy và phát triển các đề tài chuyên sâu.

Thứ hai, kỹ sư phát triển phần mềm thị giác máy tính và trí tuệ nhân tạo. Luận văn cung cấp giải pháp trích xuất đặc trưng gọn nhẹ không cần huấn luyện, phù hợp làm mô-đun tiền xử lý cho các thiết bị biên IoT có tài nguyên bộ nhớ hạn chế.

Thứ ba, chuyên gia an ninh bảo mật và nhà quản trị hệ sinh thái sinh trắc học tại các ngân hàng thương mại, sân bay và tòa nhà thông minh. Tài liệu mang lại cơ sở khoa học để đánh giá, thẩm định và lựa chọn giải pháp nhận diện khuôn mặt tối ưu trước các biến đổi ánh sáng và môi trường.

Thứ tư, lập trình viên và nhà nghiên cứu thuật toán trên nền tảng MATLAB và Python. Luận văn cung cấp quy trình từng bước về xây dựng ma trận đặc trưng, tính toán khoảng cách Euclidean và đánh giá hiệu năng phân lớp thực nghiệm.

Câu hỏi thường gặp

Biến đổi Gabor Wavelets có ưu điểm gì vượt trội so với phép biến đổi Fourier kinh điển trong nhận dạng khuôn mặt?

Phép biến đổi Fourier chỉ cung cấp thông tin phổ trong miền tần số tổng thể mà làm mất đi vị trí không gian của các chi tiết. Ngược lại, Gabor Wavelets phân tích đồng thời trong cả miền không gian và tần số, trích xuất chính xác các biên cạnh tại 5 thang tần số và 8 hướng khác nhau, mô phỏng hoàn hảo phản ứng của hệ thống thị giác người.

Tại sao phương pháp trong luận văn chỉ cần duy nhất một ảnh trực diện mà không cần huấn luyện?

Thuật toán trích xuất trực tiếp các đỉnh năng lượng đáp ứng Gabor cục bộ làm vector đặc trưng đại diện cho từng cá nhân, không yêu cầu tinh chỉnh ma trận trọng số phức tạp như mạng nơ-ron. Do đó, chỉ cần 01 bức ảnh trực diện kích thước 128x128 pixel là đủ để xây dựng cơ sở dữ liệu mẫu, giảm hơn 90% chi phí thu thập mẫu.

Phương pháp xử lý sự thay đổi nét mặt biểu cảm và vật che khuất như thế nào?

Thay vì sử dụng các mắt lưới cố định dễ bị lệch khi cười hoặc mở miệng, thuật toán tự động định vị các điểm năng lượng cao tại các vị trí cục bộ đặc trưng như khóe mắt, nốt ruồi hay khóe miệng. Khi biểu cảm biến đổi, các vector đỉnh Gabor vẫn bảo toàn độ tương đồng trên 88%, giúp hệ thống nhận diện chính xác.

Sự khác biệt cốt lõi giữa phương pháp Gabor Wavelets và kỹ thuật Eigenfaces là gì?

Eigenfaces dựa trên phân tích thành phần chính PCA toàn cục nên rất nhạy cảm với sự thay đổi hướng chiếu sáng và dễ bỏ sót các chi tiết nhỏ. Gabor Wavelets tập trung vào các đặc trưng cục bộ đa hướng, giúp duy trì tỷ lệ nhận dạng ổn định trên 94%, cao hơn khoảng 10% so với Eigenfaces trong điều kiện chiếu sáng biến thiên.

Hệ thống nhận dạng trong luận văn được mô phỏng như thế nào và có thể ứng dụng ở đâu?

Toàn bộ thuật toán được thiết kế và mô phỏng hoàn chỉnh trên ngôn ngữ lập trình MATLAB trong chu kỳ nghiên cứu 6 tháng năm 2004. Mô hình có tính ứng dụng cao trong việc tra cứu tàng thư hồ sơ an ninh một-đối-nhiều, kiểm soát cửa ra vào cơ quan và xác thực giao dịch tại các máy rút tiền tự động.

Kết luận

• Hoàn thiện thành công thuật toán nhận dạng khuôn mặt tự động dựa trên phép biến đổi Gabor Wavelets hai chiều và kỹ thuật trích chọn đỉnh năng lượng cục bộ.
• Khắc phục triệt để hai thách thức lớn trong thị giác máy tính là sự biến thiên cường độ chiếu sáng và nét mặt biểu cảm mà không cần định vị mắt lưới thủ công.
• Tối ưu hóa tuyệt đối tài nguyên dữ liệu khi chỉ cần 01 ảnh mẫu trực diện cho mỗi cá nhân, loại bỏ hoàn toàn giai đoạn huấn luyện mạng nơ-ron kéo dài.
• Tinh giản không gian dữ liệu từ 16.384 điểm ảnh thô thành tập vector đặc trưng cô đọng, đạt tỷ lệ nhận dạng thực nghiệm trung bình trên 94%.
• Thiết lập hệ thống mô phỏng chuẩn xác trên nền tảng MATLAB, cung cấp cơ sở thực nghiệm vững chắc cho các bài toán an ninh sinh trắc học.

Đóng góp chính của luận văn là đã đề xuất một giải pháp xử lý ảnh sinh trắc học hiện đại, kết hợp hài hòa giữa cơ chế nhận thức thị giác sinh học và toán học xử lý tín hiệu số tại Việt Nam. Lộ trình phát triển trong 6 đến 12 tháng tới sẽ tập trung vào việc nhúng thuật toán lên các dòng chip phần cứng chuyên dụng và mở rộng thử nghiệm trên cơ sở dữ liệu lớn. Hãy nghiên cứu sâu toàn văn công trình để ứng dụng hiệu quả giải pháp Gabor Wavelets vào các dự án thị giác máy tính và an ninh thông minh ngay hôm nay!

Trích đoạn nội dung tài liệu

Ñaïi Hoïc Quoác Gia Tp. Hoà Chí Minh TRÖÔØNG ÑAÏI HOÏC BAÙCH KHOA ------------------------ ÑAØO THÒ THU THUÛY NHAÄN DAÏNG MAËT NGÖÔØI DUØNG GABOR WAVELETS (Face Recognition Using Gabor Wavelets) Chuyeân ngaønh : KYÕ THUAÄT VOÂ TUYEÁN VAØ ÑIEÄN TÖÛ Maõ soá ngaønh : 2.01 LUAÄN VAÊN THAÏC SÓ TP. HOÀ CHÍ MINH, thaùng7 naêm 2004 Ñaïi Hoïc Quoác Gia Tp. Hoà Chí Minh COÄNG HOØA XAÕ HOÄI CHUÛ NGHÓA VIEÄT NAM TRÖÔØNG ÑAÏI HOÏC BAÙCH KHOA Ñoäc Laäp – Töï Do – Haïnh Phuùc -------------- ------------------------ NHIEÄM VUÏ LUAÄN VAÊN THAÏC SÓ Hoï vaø teân hoïc vieân :ÑAØO THÒ THU THUÛY Phaùi : Nöõ Ngaøy, thaùng, naêm sinh : 28/08/1978 Nôi sinh : Höng Yeân Chuyeân ngaønh : KYÕ THUAÄT VOÂ TUYEÁN-ÑIEÄN TÖÛ Maõ soá : 2.01 TEÂN ÑEÀ TAØI : NHAÄN DAÏNG MAËT NGÖÔØI DUØNG GABOR WAVELETS II-NHIEÄM VUÏ VAØ NOÄI DUNG : - Tìm hieåu caùc phöông phaùp nhaän daïng maët vaø bieán ñoåi GaborWavelets.

- ÖÙng duïng pheùp bieán ñoåi Gabor Wavelets trong bieåu dieãn vaø trích caùc ñaëc tröng ñeå nhaän daïng maët ngöôøi. - Xaây döïng thuaät giaûi nhaän daïng maët ngöôøi. - Moâ phoûng heä thoáng nhaän daïng maët ngöôøi baèng ngoân ngöõ Matlab. III-NGAØY GIAO NHIEÄM VUÏ : 9/2/2004 IV-NGAØY HOAØN THAØNH NHIEÄM VUÏ : 30/7/2004 V-HOÏ VAØ TEÂN CAÙN BOÄ HÖÔÙNG DAÃN : PGS.LEÂ TIEÁN THÖÔØNG CAÙN BOÄ HÖÔÙNG DAÃN CHUÛ NHIEÄM NGAØNH BOÄ MOÂN QUAÛN LYÙ NGAØNH (Kyù teân vaø ghi roõ hoï teân) (Kyù teân vaø ghi roõ hoï teân) (Kyù teân vaø ghi roõ hoï teân) Noäi dung vaø ñeà cöông luaän vaên thaïc só ñaõ ñöôïc Hoäi Ñoàng Chuyeân Ngaønh thoâng qua.

Ngaøy thaùng naêm 2004 PHOØNG ÑAØO TAÏO SÑH KHOA QUAÛN LYÙ NGAØNH LÔØI CAÛM ÔN Em xin chaân thaønh caûm ôn thaày PGS.TS LEÂ TIEÁN THÖÔØNG, ngöôøi ñaõ tröïc tieáp höôùng daãn, taän tình chæ baûo vaø taïo moïi ñieàu kieän thuaän lôïi ñeå em hoaøn thaønh luaän vaên toát nghieäp naøy. Em xin chaân thaønh caûm ôn taát caû Quyù thaày coâ vaø caùn boä cuûa khoa Ñieän-Ñieän Töû -Tröôøng Ñaïi Hoïc Baùch Khoa ñaõ heát loøng giaûng daïy, truyeàn ñaït kieán thöùc vaø giuùp ñôõ em trong suoát thôøi gian hoïc taäp taïi Tröôøng. Cuoái cuøng, xin göûi lôøi caûm ôn ñeán gia ñình, anh, caùc em vaø baïn beø ñaõ hoå trôï vaø ñoäng vieân toâi trong suoát quaù trình hoïc taäp vaø thöïc hieän luaän vaên toát nghieäp naøy. Taùc giaû ABSTRACT Face recognition is emerging as an active research area with numerous commercial and law enforcement applications.

Although existing methods performs well under certain conditions, the illumination changes, variable facial expression, viewing directions or poses, aging, and disguises such as facial hair, glasses or cosmetics are still remain as challenging problems. The proposed algorithm deals with two of these problems, variable facial expression and illumination changes. In our method, Gabor wavelet transform is used for facial feature vector construction due to its powerful representation of the behavior of receptive fields in human visual system. The method is based on selecting peaks (highenergized points) of the Gabor wavelet responses as feature points.

The feature points are automatically extracted using the local characteristics of each individual face in order to better represent diverse facial characteristics of different faces such as eyes, nose, mouth, dimples, moles, etc. Since there is no training as in neural network approaches, a single frontal face for each individual is enough as a reference. TOÙM TAÉT NOÄI DUNG Nhaän daïng maët ñang laø moät lónh vöïc nghieân cöùu thieát thöïc vôùi caùc öùng duïng trong thöông maïi vaø an ninh. Maëc duø caùc phöông phaùp hieän taïi chæ thöïc hieän toát döôùi caùc ñieàu kieän naøo ñoù, söï thay ñoåi ñoä chieáu saùng, thay ñoåi neùt bieåu caûm, höôùng nhìn, ñoä tuoåi, vaø söï caûi trang nhö raâu toùc, ñeo kính hay trang ñieåm vaãn laø vaán ñeà nan giaûi.

Giaûi thuaät ñöôïc ñeà caäp trong luaän vaên naøy lieân quan ñeán hai vaán ñeà thay ñoåi neùt bieåu caûm vaø thay ñoåi ñoä chieáu saùng. Trong phöông phaùp naøy, bieán ñoåi Gabor Waveletss ñöôïc söû duïng ñeå xaây döïng caùc vector ñaëc tröng vì noù coù khaû naêng mieâu taû raát toát caùch xöû lyù cuûa caùc lónh vöïc deã tieáp thu trong heä thoáng tröïc quan cuûa con ngöôøi. Phöông phaùp choïn caùc ñænh (caùc ñieåm naêng löôïng cao) cuûa ñaùp öùng Gabor laøm ñieåm ñaëc tröng thay cho phöông phaùp duøng nuùt ñoà thò tröôùc ñaây. Caùc ñieåm ñaëc tröng ñöôïc töï ñoäng trích söû duïng caùc ñaëc tính cuïc boä cuûa moãi khuoân maët rieâng ñeå moâ taû toát hôn caùc ñaëc tröng rieâng cuûa caùc khuoân maët khaùc nhau nhö maét, muõi, mieäng, nuùm ñoàng tieàn, noát ruoài….

Giaûi thuaät naøy khoâng caàn huaán luyeän nhö duøng neural network, moät aûnh maët tröïc dieän cuûa moãi caù nhaân laø ñuû ñeå giaûi quyeát. Toå chöùc cuûa luaän vaên: Chöông 1: Caùc phöông phaùp nhaän daïng maët ñaõ ñöôïc nghieân cöùu Chöông 2: Bieán ñoåi Gabor Wavelets Chöông 3: ÖÙng duïng cuûa Gabor Wavelets trong bieåu dieãn vaø nhaän daïng maët ngöôøi Chöông 4: Keát quaû moâ phoûng, keát luaän vaø trình baøy höôùng phaùt trieån Phuï luïc MUÏC LUÏC Giôùi thieäu ………………………………………………………………………………………………………………………… …… 1 CHÖÔNG 1: CAÙC PHÖÔNG PHAÙP NHAÄN DAÏNG MAËT NGÖÔØI. Nhaän daïng maët con ngöôøi …………………………………………………………………………………. Nhaän daïng maët ngöôøi töï ñoäng ………………………………………………………………………….

Bieåu dieãn, so khôùp aûnh maët vaø giaûi phaùp thoáng keâ 1. Caùc phöông phaùp nhaän daïng maët ñaàu tieân 1. Phöông phaùp thoáng keâ ñeå nhaän daïng maët ngöôøi (Eigenface) 1. Phöông phaùp nhaän daïng döïa treân moâ hình aån Markov 1.

Phöông phaùp nhaän daïng duøng maïng Neural Networks 1. Phöông phaùp nhaän daïng döïa treân caùc khuoân maãu 1. Phöông phaùp nhaän daïng döïa treân caùc ñaëc tröng cuûa khuoân maët 1. Tình traïng hieän nay cuûa coâng ngheä nhaän daïng maët ngöôøi CHÖÔNG 2: BIEÁN ÑOÅI GABOR WAVELETS 2.

Bieåu dieãn tín hieäu trong hai mieàn …………………………………………………………………46 2. Mieàn taàn soá 2. Nguyeân lyù baát ñònh 2. Khai trieån Gabor……………………….

Boä loïc Gabor………………………………………. Boä loïc chuaån 2. Boä loïc Gabor hai chieàu 2-d chuaån 2. Haøm bieán ñoåi Gabor Wavelets …………………………………………………………………….

Haøm bieán ñoåi Gabor Wavelets moät chieàu 2. Bieán ñoåi Gabor Wavelets 2 chieàu CHÖÔNG 3: ÖÙNG DUÏNG GABOR WAVELETS TRONG BIEÅU DIEÃN VAØ NHAÄN DAÏNG MAËT NGÖÔØI 3. Heä thoáng nhaän daïng maët ngöôøi ……………………………………………………………………. Bieåu dieãn khuoân maët duøng Gabor Wavelets ………………………………………….

Bieán ñoåi Gabor Wavelets 3. Gabor Wavelets 2D bieåu dieãn caùc khuoân maët 3. Trích ñaëc tröng 3. Ñònh vò ñieåm ñaëc tröng 3.

Taïo caùc vector ñaëc tröng 3. Haøm khôùp aûnh ………………………………………………………………………………………………………. Tính toaùn söï ñoàng daïng 3. So saùnh maët 3.

Nhaän daïng maët ………………………………………………………………………………………………………89 CHÖÔNG 4: KEÁT QUAÛ MOÂ PHOÛNG 4. Taäp döõ lieäu aûnh………………………………………………………………………………………………………92 4. Xaây döïng taäp aûnh maãu vaø caùc ma traän ñaëc tröng maãu………………………. Keát quaû moâ phoûng…………………………………………………………………………………………………97 4.

Keát quaû moâ phoûng ñoái vôùi taäp aûnh maãu A. Keát quaû moâ phoûng ñoái vôùi taäp aûnh maãu B. Toác ñoä thöïc hieän. Höôùng phaùt trieån cuûa ñeà taøi………………………………………………………………………….106 Taøi lieäu tham khaûo………………………………………………………………………………………………………… 108 -1- GIÔÙI THIEÄU Vôùi söï phaùt trieån maïnh meõ cuûa kinh teá, chính trò vaø coâng ngheä thoâng tin, yeâu caàu veà caùc phöông phaùp toå chöùc baûo maät thoâng tin vaø nhaän daïng chöùng thöïc ngaøy caøng phaùt trieån thaønh moät coâng ngheä quan troïng trong nhieàu lónh vöïc nhö: ñieàu khieån ra vaøo moät toøa nhaø, ñieàu khieån truy caäp maùy tính noùi chung hay caùc maùy thu ngaân, ruùt tieàn haøng ngaøy trong ngaân haøng hay böu ñieän, hay trong caùc lónh vöïc quaân ñoäi ñieàu tra toäi phaïm ….

Coù nhieàu phöông phaùp ñeå nhaän daïng moät caù nhaân ñaõ ñöôïc öùng duïng roäng raõi nhö nhaän daïng baèng password, maõ caù nhaân, theû vaïch, chöõ kyù, vaân tay, tieáng noùi, nhaän daïng khuoân maët …. Moät heä thoáâng nhaän daïng maët töï ñoäng ñang laø moät lónh vöïc nghieân cöùu thieát thöïc vôùi nhieàu öùng duïng trong thöïc teá. Con ngöôøi thöôøng nhaän ra nhau döïa vaøo ñaëc thuø cuûa khuoân maët vaø heä thoáng nhaän daïng maët ra ñôøi döïa treân cô sôû naøy vôùi moät heä thoáng phaàn cöùng video, caùc camera giaùm saùt ñaët trong khoâng gian laøm vieäc cuøng vôùi moät phaàn meàm doø tìm vaø nhaän daïng maët. Vôùi cô quan thò giaùc laø maét vaø naõo boä moät ngöôøi coù khaû naêng nhaän daïng caùc khuoân maët trong nhieàu tình huoáng nhö veà tö theá nhìn nghieâng hay nhìn tröïc dieän, caùc thaùi ñoä bieåu caûm khaùc nhau, trang ñieåm, thay ñoåi raâu toùc, mang kính hay nhöõng thay ñoåi veà aùnh saùng vaø moâi tröôøng xung quanh ….

Nhöng ñoái vôùi thieát bò nhaän daïng maët thì ñoù laø moät nhieäm vuï khoù khaên. Chuû ñeà nhaän daïng maët ñaõ ñöôïc nhieàu ngöôøi nghieân cöùu, coù boán giaûi thuaät ñöôïc nhieàu ngöôøi bieát ñeán chính laø: Eigenfaces, moâ hình aån Markov, Neural Networks vaø phaân tích ñaëc tröng. Moãi giaûi thuaät thöôøng thöïc hieän toát trong -2- moät ñieàu kieän nhaát ñònh. Moät heä thoáng nhaän daïng toát coøn phuï thuoäc vaøo öùng duïng cuûa heä thoáng ñoù, ngöôøi ta chia laøm hai loaïi heä thoáng nhaän daïng maët ngöôøi nhö sau: 1.

Tìm moät ngöôøi töø moät cô sôû döõ lieäu lôùn aûnh maët (vd: trong döõ lieäu aûnh cuûa caûnh saùt, thöôøng chæ coù moät vaøi aûnh cuûa moät caù nhaân). Trong tröôøng hôïp naøy khoâng caàn nhaän daïng maët trong thôøi gian thöïc. Nhaän daïng moät ngöôøi ñaëc bieät trong thôøi gian thöïc (vd: heä thoáng theo doõi ñònh vò, coù nhieàu aûnh cuûa moät ngöôøi ñöôïc saün duøng ñeå huaán luyeän vaø yeâu caàu nhaän daïng trong thôøi gian thöïc). Trong luaän vaên naøy, chuû yeáu quan taâm ñeán tröôøng hôïp thöù nhaát.

Söï doø tìm maët giaû söû ñaõ ñöôïc laøm tröôùc, muïc ñích laø cung caáp ñuùng caù nhaân (hay nhaõn hieäu) lieân quan ñeán aûnh maët ñoù töø taát caû caùc caù nhaân trong taäp cô sôû döõ lieäu trong tröôøng hôïp thay ñoåi ñoä chieáu saùng, thay ñoåi neùt bieåu caûm vaø bò che khuaát (ñeo kính …). Trong taäp döõ lieäu chöùa 1 aûnh tröïc dieän hoaëc theâm moät hay hai aûnh coù ñoä quay ôû möùc ñoä vöøa phaûi, ta khoâng xem xeùt tröôøng hôïp coù ñoä quay lôùn (vd: maët nghieâng phaûi hay traùi hoaøn toaøn). Phöông phaùp phaân tích ñaëc tröng duøng pheùp bieán ñoåi Gabor Wavelets ñöôïc nghieân cöùu ñeå nhaän daïng maët ngöôøi trong luaän vaên naøy. Vôùi giaûi thuaät naøy, bieán ñoåi Gabor Wavelets ñöôïc söû duïng ñeå xaây döïng caùc vector ñaëc tröng vì noù coù khaû naêng mieâu taû raát toát nhöõng vuøng deã ñöôïc caûm nhaän (tieáp thu) trong heä thoáng tröïc quan cuûa con ngöôøi.

ÔÛ ñaây duøng phöông phaùp choïn ñænh (caùc ñieåm coù naêng löôïng cao) cuûa ñaùp öùng Gabor laøm ñieåm ñaëc tröng vaø caùc ñieåm ñaëc tröng ñöôïc töï ñoäng trích söû duïng caùc ñaëc tính cuïc boä cuûa moãi khuoân maët ñeå coù theå löu giöõ ñöôïc caùc neùt ñaëc tröng rieâng cuûa töøng caù nhaân. Nhö vaäy soá löôïng ñieåm ñaëc tröng vaø vò trí cuûa noù seõ thay ñoåi ñeå ñaïi dieän cho caùc ñaëc tröng maët khaùc nhau cuûa caùc göông maët ngöôøi khaùc nhau. Caùc ñieåm ñaëc tröng khoâng chæ laø caùc ñieåm chính -3- cuûa khuoân maët nhö maét, muõi, mieäng maø coøn laø caùc ñieåm ñaëc bieät khaùc cuûa moãi caù nhaân nhö nuùm ñoàng tieàn, veát seïo…. Giaûi thuaâït nhaän daïng maët duøng bieán ñoåi Gabor wavelets khoâng caàn huaán luyeän nhö duøng Neural networks , moät aûnh maët tröïc dieän cuûa moãi caù nhaân laø ñuû ñeå thöïc hieän nhaän daïng.