Nhận Dạng Vật Thể Sử Dụng Giải Thuật SIFT và Bộ Từ Điển Trực Quan

Luận văn thạc sĩ kỹ thuật điện tử nghiên cứu nhận dạng vật thể bằng giải thuật SIFT và bộ từ điển trực quan, ứng dụng trong công nghệ hiện đại.

• Tác giả: Phạm Hữu Thiện
• Người hướng dẫn: PGS. Hoàng Trang
• Trường học: Đại học Quốc gia TP. HCM
• Chuyên ngành: Kỹ thuật Điện Tử
• Đề tài: Nhận Dạng Vật Thể Sử Dụng Giải Thuật SIFT Và Bộ Từ Điển Trực Quan
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2017
• Địa điểm: TP. Hồ Chí Minh

Tóm tắt

I. Tổng Quan Nhận Dạng Vật Thể Bằng SIFT và Từ Điển Trực Quan

Nhận dạng vật thể ngày nay không còn là một lĩnh vực nghiên cứu xa lạ. Những thành tựu trong lĩnh vực này ngày càng lớn mạnh, thể hiện qua hiệu quả của các thuật toán nhận dạng ban đầu và hiện đại. Nghiên cứu và ứng dụng các thuật toán nhận dạng vật thể đã dẫn đến những tiến bộ trong tự động hóa công nghiệp, văn phòng và giao thông. Điều này được thể hiện thông qua các hệ thống nhận dạng ký tự quang học, biển báo, kiểm tra lỗi trong dây chuyền lắp ráp và nhận dạng lỗi sản phẩm. Hơn nữa, nó đóng góp quan trọng vào các ứng dụng trong y tế, quốc phòng và sinh trắc học. Nhận dạng vật thể là một lĩnh vực liên kết nhiều lĩnh vực khác nhau, đòi hỏi kiến thức về xử lý ảnh, lập trình và máy học. Bất kỳ giải thuật nhận dạng nào cũng có ưu và nhược điểm riêng, và các thuật toán phát triển gần đây thường cho kết quả tối ưu hơn. Luận văn này tập trung vào việc tạo ra một phần mềm nhận dạng vật thể sử dụng SIFT và bộ từ điển trực quan.

1.1. Ứng Dụng Thực Tiễn của Nhận Dạng Vật Thể Trong Cuộc Sống

Ứng dụng nhận dạng vật thể ngày càng phổ biến và đóng vai trò quan trọng trong nhiều lĩnh vực của đời sống. Từ các hệ thống an ninh thông minh sử dụng Image Recognition để nhận diện khuôn mặt, đến các ứng dụng trong y học giúp phân tích hình ảnh y tế để chẩn đoán bệnh, hay trong công nghiệp để kiểm tra chất lượng sản phẩm. Giải thuật SIFT và BoW góp phần quan trọng trong việc xây dựng các hệ thống này, mang lại hiệu quả và độ chính xác cao trong việc Object Detection và Object Recognition. Điều này thúc đẩy sự phát triển của Computer Vision và Machine Learning.

1.2. Tổng Quan Phương Pháp Bag of Words BoW trong Nhận Dạng

Phương pháp Bag of Words (BoW) là một kỹ thuật phổ biến trong Image Classification và Object Recognition. Thay vì xem xét cấu trúc không gian của hình ảnh, BoW tập trung vào tần suất xuất hiện của các Visual Words, tương tự như cách xử lý văn bản trong xử lý ngôn ngữ tự nhiên. Các bước cơ bản bao gồm Feature Extraction (ví dụ sử dụng SIFT), xây dựng Visual Vocabulary (hoặc Codebook) thông qua Clustering (ví dụ K-Means), và biểu diễn mỗi hình ảnh bằng một Feature Vector thể hiện tần suất của các Visual Words. Phương pháp này đơn giản, hiệu quả và có thể được kết hợp với các classifier như SVM hoặc k-NN để đạt được kết quả tốt.

II. Thách Thức Đảm Bảo Độ Chính Xác Nhận Dạng với SIFT BoW

Mặc dù SIFT và BoW là những công cụ mạnh mẽ, việc đảm bảo độ chính xác trong nhận dạng vật thể vẫn là một thách thức lớn. Các yếu tố như sự thay đổi về ánh sáng, góc nhìn, tỷ lệ và sự che khuất có thể ảnh hưởng đến hiệu suất của hệ thống. Bên cạnh đó, việc xây dựng một bộ từ điển trực quan phù hợp và đủ lớn để đại diện cho nhiều loại đối tượng khác nhau đòi hỏi sự cẩn trọng và tốn nhiều thời gian. Việc lựa chọn các tham số phù hợp cho Clustering và Feature Matching cũng đóng vai trò quan trọng trong việc đạt được độ chính xác cao. Cần có những phương pháp để cải thiện khả năng phân biệt và giảm thiểu sai sót trong Image Recognition.

2.1. Vấn Đề Biến Đổi Ánh Sáng và Góc Nhìn Ảnh Hưởng Đến SIFT

Giải thuật SIFT được thiết kế để bất biến với thay đổi tỷ lệ và xoay ảnh, tuy nhiên, biến đổi về ánh sáng và góc nhìn vẫn có thể ảnh hưởng đến hiệu suất của nó. Sự thay đổi ánh sáng có thể làm thay đổi cường độ pixel và ảnh hưởng đến quá trình Keypoint Detection. Tương tự, góc nhìn khác nhau có thể làm biến dạng hình dạng của vật thể và làm thay đổi các Feature Descriptor được trích xuất. Để giảm thiểu ảnh hưởng này, cần sử dụng các kỹ thuật tiền xử lý ảnh như cân bằng histogram hoặc các phương pháp Feature Matching mạnh mẽ hơn.

2.2. Hạn Chế của Phương Pháp BoW trong Việc Lưu Giữ Thông Tin Không Gian

Một trong những hạn chế của phương pháp BoW là nó bỏ qua thông tin không gian giữa các Visual Words. Điều này có nghĩa là hệ thống không thể phân biệt được giữa các hình ảnh có cùng tần suất xuất hiện của các Visual Words nhưng có cấu trúc không gian khác nhau. Các phương pháp như Spatial Pyramid Matching (SPM) có thể được sử dụng để giải quyết vấn đề này bằng cách chia hình ảnh thành nhiều vùng nhỏ và tính histogram của các Visual Words cho từng vùng.

III. Phương Pháp Xây Dựng Hệ Thống Nhận Dạng Vật Thể SIFT BoW Hiệu Quả

Để xây dựng một hệ thống nhận dạng vật thể hiệu quả dựa trên SIFT và BoW, cần tuân theo một quy trình chặt chẽ. Đầu tiên, thu thập một Image Database lớn và đa dạng, bao gồm nhiều hình ảnh của các đối tượng cần nhận dạng, với các biến đổi về ánh sáng, góc nhìn và tỷ lệ. Tiếp theo, sử dụng SIFT để trích xuất các Feature Descriptor từ các hình ảnh này. Sau đó, xây dựng Visual Vocabulary bằng cách sử dụng Clustering (ví dụ K-Means) trên các Feature Descriptor này. Cuối cùng, huấn luyện một classifier (ví dụ SVM hoặc k-NN) để phân loại các hình ảnh dựa trên tần suất của các Visual Words.

3.1. Tối Ưu Hóa Quá Trình Trích Xuất Đặc Trưng với Giải Thuật SIFT

Để tối ưu hóa quá trình trích xuất đặc trưng bằng SIFT, cần điều chỉnh các tham số của thuật toán sao cho phù hợp với đặc điểm của Image Database. Các tham số quan trọng bao gồm số lượng octave, số lượng lớp trong mỗi octave và ngưỡng loại bỏ các điểm cực trị yếu. Việc lựa chọn tham số phù hợp có thể giúp tăng số lượng Keypoint Detection chất lượng và giảm thiểu thời gian tính toán. Bên cạnh đó, có thể sử dụng các biến thể của SIFT như SURF hoặc ORB để tăng tốc độ tính toán.

3.2. Xây Dựng Bộ Từ Điển Trực Quan Visual Vocabulary Chất Lượng

Việc xây dựng một Visual Vocabulary chất lượng là yếu tố then chốt để đạt được hiệu suất cao trong Object Recognition. Số lượng Visual Words trong Codebook cần được lựa chọn cẩn thận. Quá ít Visual Words có thể dẫn đến mất thông tin, trong khi quá nhiều Visual Words có thể làm tăng độ phức tạp tính toán. Các phương pháp Clustering khác nhau như K-Means, Hierarchical Clustering hoặc Vocabulary Tree có thể được sử dụng để xây dựng Visual Vocabulary. Cần đánh giá chất lượng của Visual Vocabulary bằng cách sử dụng các chỉ số như độ chính xác và độ bao phủ.

3.3. Lựa Chọn và Huấn Luyện Classifier Phù Hợp cho Bài Toán

Việc lựa chọn một classifier phù hợp là bước cuối cùng và quan trọng trong quy trình xây dựng hệ thống nhận dạng vật thể. Support Vector Machine (SVM) và k-Nearest Neighbors (k-NN) là hai lựa chọn phổ biến. SVM thường cho hiệu suất tốt hơn trong các bài toán Image Classification phức tạp, nhưng có thể tốn nhiều thời gian huấn luyện. k-NN đơn giản và nhanh chóng, nhưng hiệu suất có thể giảm khi số lượng Training Data lớn. Cần điều chỉnh các tham số của classifier và đánh giá hiệu suất trên một tập dữ liệu kiểm tra độc lập để đảm bảo tính tổng quát của hệ thống.

IV. Ứng Dụng Kết Quả Nhận Dạng Vật Thể Quen Thuộc Sử Dụng SIFT BoW

Luận văn đã triển khai thành công hệ thống nhận dạng vật thể dựa trên SIFT và BoW cho một số đối tượng quen thuộc như con cọp, hộp sữa, PCB và tiền. Hệ thống có khả năng nhận dạng vật thể trong điều kiện ánh sáng và góc nhìn khác nhau, mặc dù hiệu suất có thể giảm khi cảnh nền phức tạp. Kết quả cho thấy SIFT và BoW là một phương pháp hiệu quả cho Object Recognition trong nhiều ứng dụng thực tế. Việc cải thiện chất lượng của Image Database và Visual Vocabulary có thể giúp tăng độ chính xác của hệ thống.

4.1. Kết Quả Nhận Dạng Vật Thể Với Ảnh Có Nền Đơn Giản và Phức Tạp

Kết quả thử nghiệm cho thấy hệ thống hoạt động tốt với ảnh có nền đơn giản, đạt độ chính xác cao trong việc nhận diện các đối tượng mục tiêu. Tuy nhiên, khi ảnh có nền phức tạp, độ chính xác giảm do sự xuất hiện của nhiều Keypoint Detection không liên quan đến đối tượng, gây nhiễu cho quá trình Feature Matching và Image Classification. Cần áp dụng các kỹ thuật lọc nhiễu hoặc sử dụng các phương pháp Feature Extraction mạnh mẽ hơn để cải thiện hiệu suất trong trường hợp này.

4.2. Đánh Giá Thời Gian Thực Hiện và Độ Chính Xác của Hệ Thống

Thời gian thực hiện của hệ thống phụ thuộc vào kích thước ảnh, số lượng Keypoint Detection và số lượng Visual Words trong Codebook. Trung bình, hệ thống có thể nhận dạng một ảnh trong vòng vài trăm mili giây đến vài giây trên một máy tính cá nhân thông thường. Độ chính xác của hệ thống đạt khoảng 80-90% trên tập dữ liệu kiểm tra. Việc tối ưu hóa mã nguồn và sử dụng phần cứng mạnh mẽ hơn có thể giúp giảm thời gian thực hiện và tăng độ chính xác.

V. Kết Luận Ưu Điểm Hạn Chế và Hướng Phát Triển SIFT BoW

Luận văn đã trình bày một phương pháp hiệu quả để nhận dạng vật thể sử dụng SIFT và BoW. Mặc dù phương pháp này có những ưu điểm như khả năng bất biến với tỷ lệ và xoay ảnh, nhưng vẫn còn những hạn chế như độ nhạy cảm với sự thay đổi ánh sáng và góc nhìn, cũng như việc bỏ qua thông tin không gian. Hướng phát triển trong tương lai có thể tập trung vào việc kết hợp SIFT và BoW với các kỹ thuật Deep Learning để tạo ra các hệ thống Object Recognition mạnh mẽ hơn.

5.1. Ưu Điểm và Nhược Điểm của Phương Pháp Nhận Dạng SIFT BoW

Ưu điểm chính của phương pháp SIFT-BoW là khả năng bất biến với tỷ lệ và xoay ảnh, giúp hệ thống có thể nhận dạng vật thể trong nhiều điều kiện khác nhau. Tuy nhiên, phương pháp này cũng có những nhược điểm như độ nhạy cảm với sự thay đổi ánh sáng và góc nhìn, cũng như việc bỏ qua thông tin không gian giữa các Visual Words. Việc khắc phục những nhược điểm này sẽ giúp tăng hiệu suất của hệ thống.

5.2. Hướng Phát Triển Kết Hợp SIFT BoW và Deep Learning

Một hướng phát triển tiềm năng là kết hợp SIFT-BoW với các kỹ thuật Deep Learning. Các mạng nơ-ron tích chập (Convolutional Neural Networks - CNNs) có khả năng tự động học các đặc trưng phức tạp từ dữ liệu, và có thể được sử dụng để thay thế hoặc bổ sung cho SIFT trong quá trình Feature Extraction. Sự kết hợp này có thể tận dụng ưu điểm của cả hai phương pháp và tạo ra các hệ thống Object Recognition mạnh mẽ hơn.

Trích đoạn nội dung tài liệu

Chương 1: Giới thiệu – Nêu lên ý định, mục tiêu và mục tiêu nghiên cứu của tác giả. Đồng thời xác định nội dung nghiên cứu và phạm vi nghiên cứu của luận văn. Chương 2: Tình hình nghiên cứu và phân tích tổng quan lý thuyết – Trong chương này, tác giả trình bày tổng quan về tình hình nghiên cứu trong và ngoài nước, những lý thuyết liên quan đến luận văn này. Chương 3: Nhận dạng vật thể – Tác giả sẽ trình bày sơ lược về phương pháp sẽ được sử dụng trong luận văn và cách thức thực hiện luận văn.

Nội dung của các công việc được làm sẽ trình bày ở chương này. Chương 4: Kiểm chứng và đánh giá đề tài – Trong chương này, tác giả trình bày phương pháp kiểm chứng cho hệ thống tạo ra và kết quả của quá trình kiểm chứng, từ đó đưa ra đánh giá về hệ thống đã tạo ra. Chương 5: Kết luận và kiến nghị - Trong chương này, tác giả tóm tắt lại kết quả đạt được, ưu điểm, nhược điểm của hệ thống và đóng góp của luận văn (gồm có đóng góp khoa học và đóng góp thực tiễn). Ngoài ra, tác giả còn nêu lên hướng mở rộng và kiến nghị cho phương pháp BoW.

5 CHƯƠNG 2: TÌNH HÌNH NGHIÊN CỨU VÀ PHÂN TÍCH TỔNG QUAN LÝ THUYẾT Với sự hạn chế về thời gian và kiến thức, tác giả cố gắng thu thập, nghiên cứu và trình bày trong chương 2 một cách tổng quan các giải thuật, lý thuyết liên quan và các công trình nghiên cứu của các nhà khoa học trong và ngoài nước có liên quan đến nội dung của luận văn. Trong đó các giải thuật trích xuất đặc trưng SIFT, chia cụm K- Means và máy học SVM sẽ được tác giả sử dụng để thực hiện nhận dạng vật thể ở chương kế tiếp.1 Tình hình nghiên cứu trong và ngoài nước 2.1 Nghiên cứu ngoài nước 1- Phương pháp dựa trên hình học (Geometry-Based): 1960 – 198x Đây là phương pháp được sử dụng ở thời kì ban đầu của lĩnh vực nhận dạng (vào khoảng những năm 1960 đến trước 1990). Phương pháp này nhận dạng chủ yếu dựa vào đặc điểm hình học của vật thể. Hình dạng của vật thể được trích xuất thành các hình học dưới dạng 3D và được đưa đi nhận dạng.

Một vài công trình nghiên cứu có thể kể đến như sau: Năm 1962, Ming-Kuei Hu [1] đưa ra một phương pháp nghiên cứu sơ khai cho nhận dạng bằng đặc điểm hình học của vật thể. Đây được xem là một công trình khởi xướng cho lĩnh vực nhận dạng dựa trên hình học của vật thể. Năm 1965, Lawrence Roberts [2] đã giới thiệu một máy học mà có thể chuyển đổi một vật thể khối thành một vật thể được mô tả dưới dạng hình học 3D. Sau đó, một giải thuật nhận dạng được giới thiệu năm 1965 của cùng tác giả [3], giải thuật này là tạo ra một thư viện các hình học cơ bản mà có thể lắp ghép với nhau để tạo thành hình học của một vật thể.

Giải thuật này trở thành tâm điểm chính cho lĩnh vực nhận dạng suốt bốn thập kỉ sau đó. Một trong những phương pháp dựa trên hình học của vật thể này nữa là nhận diện bằng những thành phần - Recognition-by-Components, 1987 [4]. Dựa vào năm đặc tính dễ dàng nhận biết của các đường (hay cạnh) trong bức ảnh hai chiều của Lowe, 1984 [5]: độ cong, độ thẳng, đặc tính đối xứng, đặc tính song song và đặc tính liền kề. Tóm lại, phương pháp nhận dạng này có những khuyết điểm sau như: chất lượng nhận dạng phụ thuộc vào quá trình trích xuất các cạnh hình học (đường thẳng, 7 đường cong…) của vật thể, vật thể nhận dạng không được phức tạp quá (về mặt hình học) và tạo cơ sở dữ liệu cho vật thể được làm một cách thủ công [6].

2- Phương pháp dựa trên sự xuất hiện (Appearance Based): 199x Phương pháp này được thực hiện bằng cách cách ghi nhớ các lần xuất hiện của một vật thể đã xảy ra. Các nghiên cứu chính cho phương pháp này như: Matthew Turk và Alex Pentland, 1991 [7] đã thực hiện phương pháp này để phát hiện phần đầu của một vật thể và sau đó nhận diện xem đó có phải là khuôn mặt hay không. Tác giả đã sử dụng biện pháp ghi nhớ lại hàng nghìn khuôn mặt xuất hiện trong cuộc sống bình thường của tác giả, và sử dụng nó cho việc nhận dạng khuôn mặt dựa vào những dữ liệu đã được thu thập được. Hay nhận dạng bằng cách đánh dấu hình ảnh của Hiroshi Murase và Shree K.

Cách thực hiện này là ta thu thập một số lượng lớn các bức ảnh với các góc chụp và kích thước khác nhau. Sau đó các bức ảnh này được nén lại theo một cách thức riêng và cho vào một cơ sở dữ liệu. Trong quá trình nhận dạng thì ảnh đầu vào được trích ra một phần để so sánh với ảnh trong cơ sở dữ liệu, xem phần đó có thuộc về vật thể có trong cơ sở dữ liệu hay không và nó thuộc về góc chụp nào. Phương pháp nhận dạng dựa trên sự xuất hiện có một ưu thế là ta không cần trích xuất đặc trưng của một bức ảnh.

Nhưng chúng lại yêu cầu các ảnh huấn luyện phải được tách khỏi cảnh nền. Ngoài ra, chúng cũng yêu cầu số lượng lớn của hình ảnh mẫu cho quá trình học và các hình ảnh ngõ vào không bị che khuất hay nền hỗn loạn quá nhiều. 3- Phương pháp Bags of Words: 2003-2012 Năm 1999, Lowe cho ra đời giải thuật tìm và mô tả điểm ảnh đặc trưng cục bộ trên bức ảnh mà bất biến với ánh sáng, kích thước và góc chụp của bức ảnh – SIFT 8 (Scale-Invariant Feature Transform) [9]. Đây là giải thuật mà được ứng dụng rất rộng rãi trong các lĩnh vực xử lý ảnh.

Kể từ khi giải thuật này ra đời đã tạo ra 2 hướng cho phương pháp nhận dạng dựa vào đặc trưng cục bộ. Đó là tìm điểm tương thích (Matching) và Bags of Feature (BoF). Trong cùng thời điểm giải thuật SIFT ra đời, Lowe đã ứng dụng cho giải thuật nhận dạng mới. Giải thuật này sử dụng phương pháp tìm điểm tương thích.

Tìm những điểm đặc trưng giống nhau của bức ảnh đầu vào trong cơ sở dữ liệu. Một hướng khác nữa là BoF, phương pháp này khác với phương pháp tìm điểm tương thích là ta phải tạo ra bộ từ điển trực quan và sử dụng nó để mô tả số lượng điểm đặc trưng trong bức ảnh. Trong quá trình nhận dạng ta chỉ cần xét số lượng điểm đặc trưng là có thể kết luận vật thể có trong bức ảnh hay không. Một kết quả nghiên cứu theo phương pháp BoF là: Gabriella Csurka [10] và các tác giả đã thực hiện giải thuật nhận dạng theo phương pháp BoF năm 2004.

Các điểm đặc trưng của ảnh huấn luyện được trích xuất từ giải thuật SIFT và đem đi huấn luyện để tạo bộ từ điển trực quan. Trong quá trình nhận dạng các tác giả lại trích xuất điểm đặc trưng lần nữa cho ảnh đầu vào và lượng tử các điểm đặc trưng thành các từ ngữ. Các từ ngữ này được đưa vào một máy học khác để đưa ra quyết định trong ảnh có chứa vật thể hay không. Ưu điểm của phương pháp BoF là đặc trưng của bức ảnh và bộ từ điển trực quan được tính hoàn toàn tự động.

Phương pháp BoF còn có ưu điểm nữa là các đối tượng bị che khuất và nền của bức ảnh hỗn loạn vẫn có thể nhận dạng được. Do ta chỉ xét sự xuất hiện của vật thể trong bức ảnh dựa vào số lượng điểm đặc trưng chứ không bị phụ thuộc vào hình dáng của vật thể. Trong nhiều công trình nghiên cứu, không chỉ có trích xuất đặc trưng theo giải thuật SIFT mà còn có các giải thuật khác như: SURF, RIFT. Mặc dù khác nhau về 9 cách thức sử dụng giải thuật trích xuất đặc trưng nhưng những công trình này vẫn mang tính chất của phương pháp BoF.

4- Phương pháp máy học sâu (deep learning hoặc DNN) Năm 2006, máy học sâu có tổ chức (deep learning) xuất hiện một cách phổ biến. Có vài nghiên cứu về máy học sâu này như “A fast learning algorithm for deep belief nets” của Hinton và các tác giả [11], hay “Learning deep architectures for AI” của Bengio [12]. Đây là một khởi đầu cho sự ứng dụng máy học sâu vào nhiều lĩnh vực. Đầu tiên là các ứng dụng trong xử lý âm thanh.

Có thể kể đến nghiên cứu của Hinton và các tác giả năm 2012 [13]. Sau đó, nó tiếp tục đóng góp trong lĩnh vực nhận dạng giọng nói rất nhiều sau vài năm phát triển. Trong lĩnh vực nhận dạng vật thể, máy học sâu lần đầu được giới thiệu bởi nhóm của Hinton [14] trong cuộc thi ILSVRC (ImageNet Large Scale Visaul Recogni- tion Challenge) năm 2012. Thông qua kết quả của nhóm Hinton, cho thấy sự vượt trội của phương pháp nhận dạng bằng máy học sâu so với các phương pháp trước đó.

Trong các cuộc thi ILSVRC sau đó, nhận dạng bằng phương pháp máy học sâu được nhiều người sử dụng. Các người giành chiến thắng trong cuộc thi đều sử dụng phương pháp máy học sâu này. Điểm tối ưu của phương pháp này là nó có thể học từ số lượng rất lớn các ảnh mẫu đem huấn luyện và nó cho kết quả nhận dạng với độ chính xác rất cao. Và hiện nay, lĩnh vực nhận dạng vật thể sử dụng phương pháp máy học sâu đang được quan tâm chính.

Nó được nhiều sự đầu tư vào nghiên cứu của các người nghiên cứu do độ chính xác cao của nó.2 Nghiên cứu trong nước Hiện tại các công trình nghiên cứu trong nước về lĩnh vực nhận dạng là rất hạn chế. Chỉ có vài sinh viên, học viên cao học thực hiện đề tài nhận dạng làm khoá luận tốt nghiệp hay các nhà khoa học viết báo cáo đề tài khoa học. Các nghiên cứu theo hai hướng chính như sau: 1- Phương pháp nhận dạng dựa vào đặc trưng cục bộ: Phương pháp này được thực hiện bởi luận văn của Đặng Đức Duy năm 2014 [15]. Giải thuật này được tác giả thực hiện thông qua hai bước: đầu tiên tác giả trích xuất đặc trưng cho bức ảnh bởi giải thuật SURF, sau đó tác giả đem các đặc trưng đi so khớp (matching) với các ảnh khác trong cơ sở dữ liệu.

2- Phương pháp dựa trên hình học (Geometry-Based): Luận văn của Đỗ Ngọc Hùng năm 2004 [16] đã thực hiện theo phương pháp này. Tác giả đã phân tích hình học của vật thể bằng cách tách cạnh cho bức ảnh để tìm các đặc trưng của vật thể thông qua các cạnh đã tách được và đem nó đi nhận dạng.