PHẦN MỞ ĐẦU Hơn một thập kỷ vừa qua, thế giới đã chứng kiến sự xuất hiện của rất nhiều công trình nghiên cứu về bài toán xác định khuôn mặt ngƣời, từ ảnh đen trắng, xám đến ảnh màu, từ ảnh tĩnh đến những dữ liệu ảnh thu nhận đƣợc từ camera nhƣ ngày hôm nay. Phát hiện khuôn mặt trong ảnh số là vấn đề đang đƣợc quan tâm và phát triển. Nhiều hƣớng tiếp cận, nhiều phƣơng pháp đƣợc nghiên cứu và đề xuất để phát hiện khuôn mặt trong ảnh hoặc chuỗi ảnh. Các nghiên cứu đi từ bài toán đơn giản, mỗi ảnh chỉ có một khuôn mặt ngƣời nhìn thẳng vào thiết bị thu hình và đầu ở tƣ thế thẳng đứng trong ảnh đen trắng.
Cho đến ngày hôm nay bài toán mở rộng cho ảnh màu, có nhiều khuôn mặt trong cùng một ảnh, có nhiều tƣ thế thay đổi trong ảnh. Không những vậy mà còn mở rộng cả phạm vi từ môi trƣờng xung quanh khá đơn giản (trong phòng thí nghiệm) cho đến môi trƣờng xung quanh rất phức tạp (nhƣ trong tự nhiên) nhằm đáp ứng nhu cầu thật sự và rất nhiều của con ngƣời. Bài toán xác định khuôn mặt ngƣời (Face Detection) là một phần quan trọng trong bài toán nhận dạng mặt ngƣời, một bài toán liên quan đến rất nhiều ứng dụng trong thực tế đời sống. Sau đây là một số ứng dụng đã và đang đƣợc thiết kế: Hệ thống phát hiện tội phạm: camera đƣợc đặt tại một số điểm công cộng nhƣ: siêu thị, nhà sách, trạm xe buýt, sân bay,.
Khi phát hiện đƣợc sự xuất hiện của các đối tƣợng là tội phạm, hệ thống sẽ gởi thông điệp về cho trung tâm xử lý. Hệ thống theo dõi nhân sự trong một đơn vị: giám sát giờ ra vào của từng nhân viên và chấm công. Hệ thống giao tiếp ngƣời máy: thay thế việc tƣơng tác giữa ngƣời và máy theo những cách truyền thống nhƣ: Bàn phím, chuột,.thay vào đó là sử dụng các giao tiếp trực quan: Biểu cảm khuôn mặt, dấu hiệu, cử chỉ bằng tay (visual input, visual interaction). Hệ thống tìm kiếm thông tin trên ảnh, video dựa trên nội dung (chỉ mục theo ngƣời).
Chẳng hạn nhƣ: Đài truyền hình Việt Nam (VTV) có một kho dữ liệu video tin tức khá lớn cần tìm kiếm nhanh những đoạn video nào có G. Bush hoặc Bin Laden. 1 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Các hệ thống bảo mật dựa trên thông tin trắc sinh học: Mặt ngƣời, vân tay,. thay vì xác nhận mật khẩu, khoá,.
Đề tài đƣợc tổ chức thành ba chƣơng với nội dung: Chƣơng 1. Khái quát về xử lý ảnh và phát phát hiện mặt ngƣời trong ảnh: Giới thiệu tổng quan về các khái niệm căn bản trong lĩnh vực xử lý ảnh và của bài toán phát hiện mặt ngƣời trong ảnh, xác định bài toán và những khó khăn gặp phải khi giải quyết bài toán này. Phát hiện mặt ngƣời trong ảnh theo hƣớng tiếp cận thành phần: Giới thiệu một số kĩ thuật phát hiện mặt ngƣời trong ảnh theo hƣớng tiếp cận thành phần. Chƣơng trình thử nghiệm: Xác định yêu cầu của bài toán, phân tích thiết kế và giới thiệu chức năng chính, cài đặt thử nghiệm một chƣơng trình phát hiện mặt ngƣời trong ảnh theo hƣớng tiếp cận thành phần.
2 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com DANH SÁCH TỪ VIẾT TẮT PCA Principal Components Analysis SVM Support vector machine SAT Summed Area Table RSAT Rotated Summed Area Table CART Classification and Regression Trees SGLD Self-Guided Langevin Dynamics QMF Query Management Facility PDM Point Distribution Model ASM Active Shape Model 3 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com CHƢƠNG 1 KHÁI QUÁT VỀ XỬ LÝ ẢNH VÀ PHÁT HIỆN MẶT NGƢỜI TRONG ẢNH 1.1 Khái quát về xử lý ảnh 1.1 Xử lý ảnh là gì? Con ngƣời thu nhận thông tin qua các giác quan, trong đó thị giác đóng vai trò quan trọng nhất. Những năm trở lại đây với sự phát triển của phần cứng máy tính, xử lý ảnh và đồ hoạ đó phát triển một cách mạnh mẽ và có nhiều ứng dụng trong cuộc sống. Xử lý ảnh và đồ hoạ đóng một vai trò quan trọng trong tƣơng tác ngƣời máy. Quá trình xử lý ảnh đƣợc xem nhƣ là quá trình thao tác ảnh đầu vào nhằm cho ra kết quả mong muốn.
Kết quả đầu ra của một quá trình xử lý ảnh có thể là một ảnh “tốt hơn” hoặc một kết luận.1: Mô hình quá trình xử lý ảnh Ảnh có thể xem là tập hợp các điểm ảnh và mỗi điểm ảnh đƣợc xem nhƣ là đặc trƣng cƣờng độ sáng hay một dấu hiệu nào đó tại một vị trí nào đó của đối tƣợng trong không gian và nó có thể xem nhƣ một hàm n biến P(c1, c2,. Do đó, ảnh trong xử lý có thể xem nhƣ n chiều.2 Các vấn đề cơ bản trong xử lý ảnh 1.1 Một số khái niệm cơ bản Ảnh và điểm ảnh: Điểm ảnh đƣợc xem nhƣ là dấu hiệu hay cƣờng độ sáng tại một toạ độ trong không gian của đối tƣợng và ảnh đƣợc xem nhƣ là một tập hợp các điểm ảnh. Mức xám, màu: Là số các giá trị có thể có của các điểm ảnh của ảnh. 4 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.2 Nắn chỉnh biến dạng Ảnh thu nhận thƣờng bị biến dạng do các thiết bị quang học và điện tử.2: Mô hình việc nắn chỉnh biến dạng Để khắc phục ngƣời ta sử dụng các phép chiếu, các phép chiếu thƣờng đƣợc xây dựng trên tập các điểm điều khiển.
Giả sử (P i , P i' ) in1 có n các tập điều khiển Tìm hàm f: P i f(P i ) sao cho: Giả sử ảnh bị biến đổi chỉ bao gồm: Tịnh tiến, quay, tỷ lệ, biến dạng bậc nhất tuyến tính. Khi đó hàm f có dạng: f (x, y) = (a1x + b1y + c1, a2x + b2y + c2) Ta có: Để cho φ → min 5 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Giải hệ phƣơng trình tuyến tính tìm đƣợc a1, b1, c1 Tƣơng tự tìm đƣợc a2, b2, c2 Xác định đƣợc hàm f 1.3 Khử nhiễu Có 2 loại nhiễu cơ bản trong quá trình thu nhận ảnh - Nhiễu hệ thống: Nhiễu có quy luật có thể khử bằng các phép biến đổi. - Nhiễu ngẫu nhiên: Vết bẩn không rõ nguyên nhân → khắc phục bằng các phép lọc.4 Chỉnh mức xám Nhằm khắc phục tính không đồng đều của hệ thống gây ra. Thông thƣờng có 2 hƣớng tiếp cận: - Giảm số mức xám: Thực hiện bằng cách nhóm các mức xám gần nhau thành một bó.
Trƣờng hợp chỉ có hai mức xám thì chính là chuyển về ảnh đen trắng. Ứng dụng: In ảnh màu ra máy in đen trắng. - Tăng số mức xám: Thực hiện nội suy ra các mức xám trung gian bằng kỹ thuật nội suy. Kỹ thuật này nhằm tăng cƣờng độ mịn cho ảnh 1.5 Trích chọn đặc điểm Các đặc điểm của đối tƣợng đƣợc trích chọn tuỳ theo mục đích nhận dạng trong quá trình xử lý ảnh.
Có thể nêu ra một số đặc điểm của ảnh sau đây: - Đặc điểm không gian: Phân bố mức xám, phân bố xác suất, biên độ, điểm uốn. 6 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com - Đặc điểm biến đổi: Các đặc điểm loại này đƣợc trích chọn bằng việc thực hiện lọc vùng (zonal filtering). Các bộ vùng đƣợc gọi là “mặt nạ đặc điểm” (feature mask) thƣờng là các khe hẹp với hình dạng khác nhau (chữ nhật, tam giác, cung tròn,.) - Đặc điểm biên và đƣờng biên: Đặc trƣng đƣờng biên của đối tƣợng rất hữu ích trong việc trích chọn các thuộc tính bất biến và đƣợc dùng khi nhận dạng đối tƣợng. Các đặc điểm này có thể đƣợc trích chọn nhờ toán tử gradient, toán tử la bàn, toán tử Laplace, toán tử “chéo không” (zero crossing),.
Việc trích chọn hiệu quả các đặc điểm giúp cho việc nhận dạng các đối tƣợng ảnh chính xác, với tốc độ tính toán cao và dung lƣợng nhớ lƣu trữ giảm xuống.6 Nhận dạng Xét trên phƣơng diện tổng quát, nhận dạng đối tƣợng là một công việc đƣợc thực hiện hàng ngày của những sinh vật sống và là khả năng vốn có và cần thiết của sinh vật để thích nghi với môi trƣờng. Công việc này đƣợc thực hiện trong trong những tình huống khác nhau nhƣ là tìm kiếm nguồn thức ăn, di trú, phát hiện ra thú dữ hay là để nhận biết những ngƣời bạn v. một cách rất hiệu quả. Nhận dạng đối tƣợng đƣợc xem nhƣ là một khái niệm nhận thức rộng nó có thể là một nhiệm vụ rất đơn giản, ví dụ nhƣ khi một vi sinh vật biến mất khỏi môi trƣờng không đủ độ pH, hay là những nhiệm vụ phức tạp đòi hỏi khả năng suy luận, mô tả và hiểu biết nhất định, ví dụ khi một ngƣời phải tìm một cái kéo từ ngăn thứ hai đếm từ dƣới lên của một cái tủ.
Nhận dạng tự động (automatic recognition), mô tả đối tƣợng, phân loại và phân nhóm các mẫu là những vấn đề quan trọng trong thị giác máy, đƣợc ứng dụng trong nhiều ngành khoa học khác nhau. Tuy nhiên, một câu hỏi đặt ra là: Mẫu (pattern) là gì? Watanabe, một trong những ngƣời đi đầu trong lĩnh vực này đã định nghĩa: “Ngƣợc lại với hỗn loạn (chaos), mẫu là một thực thể (entity), đƣợc xác định một cách ang áng (vaguely defined) và có thể gán cho nó một tên gọi nào đó”. Ví dụ mẫu có thể là ảnh của vân tay, ảnh của một vật nào đó đƣợc chụp, một chữ viết, khuôn mặt ngƣời hoặc một ký đồ tín hiệu tiếng nói. Khi có một mẫu nào đó, để nhận dạng hoặc phân loại mẫu đó có thể: 7 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.com Hoặc phân loại có mẫu (supervised classification), chẳng hạn phân tích phân biệt (discriminant analyis), trong đó mẫu đầu vào đƣợc định danh nhƣ một thành phần của một lớp đã xác định.
Hoặc phân loại không có mẫu (unsupervised classification hay clustering) trong đó các mẫu đƣợc gán vào các lớp khác nhau dựa trên một tiêu chuẩn đồng dạng nào đó. Các lớp này cho đến thời điểm phân loại vẫn chƣa biết hay chƣa đƣợc định danh. Những ứng dụng của các hệ thống nhận dạng mẫu nói chung và hệ thống nhận dạng trong xử lý ảnh với dữ liệu hình ảnh là rất lớn và bao trùm một phạm vi rộng lớn của cuộc sống. Sau đây là một số ví dụ trong một vài hoạt động chuyên ngành: Nông nghiệp: Phân tích cây trồng.
Đánh giá đất trồng. Thiên văn học: Phân tích ảnh chụp từ kính viễn vọng. Tự động hoá quang phổ học. Sinh học: Tự động hoá tế bào học.
Đặc trƣng của các nhiễm sắc thể. Các nghiên cứu di truyền học. Quản lý công dân: Phân tích và điều khiển luồng giao thông.