Luận Văn Thạc Sĩ: Phát Hiện Khuôn Mặt Trong Ảnh Theo Hướng Tiếp Cận Thành Phần

Luận văn thạc sĩ VNU UET nghiên cứu phát hiện mặt người trong ảnh bằng phương pháp tiếp cận thành phần, mang lại ứng dụng thực tiễn cao.

• Tác giả: Đào Vũ Chiến
• Người hướng dẫn: PGS. Đỗ Năng Toàn
• Trường học: Trường Đại Học Công Nghệ - Đại Học Quốc Gia Hà Nội
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Phát Hiện Mặt Người Trong Ảnh Theo Hướng Tiếp Cận Thành Phần
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2011
• Địa điểm: Hà Nội

Mục lục chi tiết

• PHẦN MỞ ĐẦU
• DANH SÁCH TỪ VIẾT TẮT
• 1. CHƯƠNG 1: KHÁI QUÁT VỀ XỬ LÝ ẢNH VÀ PHÁT HIỆN MẶT NGƯỜI TRONG ẢNH
• 1.1. Khái quát về xử lý ảnh
• 1.1.1. Xử lý ảnh là gì?
• 1.1.2. Các vấn đề cơ bản trong xử lý ảnh
• 1.1.2.1. Một số khái niệm cơ bản
• 1.1.2.2. Nắn chỉnh biến dạng
• 1.1.2.3. Trích chọn đặc điểm
• 1.1.3. Phát hiện mặt người trong xử lý ảnh
• 1.1.3.1. Những khó khăn của bài toán phát hiện khuôn mặt
• 1.1.3.1.1. Sự xuất hiện hoặc thiếu một số thành phần của khuôn mặt
• 1.1.3.1.2. Sự biểu cảm của khuôn mặt
• 1.1.3.1.3. Sự che khuất
• 1.1.3.1.4. Điều kiện của ảnh
• 2. CHƯƠNG 2: PHÁT HIỆN MẶT NGƯỜI TRONG ẢNH THEO HƯỚNG TIẾP CẬN THÀNH PHẦN
• 2.1. Sử dụng kỹ thuật PCA
• 2.1.1. Các khái niệm cơ bản
• 2.1.2. Phương sai
• 2.1.3. Hiệp phương sai
• 2.1.4. Ma trận hiệp phương sai
• 2.1.5. Ma trận đại số
• 2.2. Kỹ thuật phân tích thành phần chính (PCA–Principal Components Analysis)
• 2.2.1. Phương pháp
• 2.2.2. Phương pháp sử dụng đặc trưng Haar kết hợp Adaboost
• 2.2.2.1. Đặc trưng Haar
• 2.2.2.2. Hệ thống xác định vị trí khuôn mặt trong ảnh
• 2.3. Dựa trên đặc trưng không thay đổi
• 2.3.1. Các đặc trưng khuôn mặt
• 2.3.1.1. Sắc màu của da
• 2.3.1.2. Đa đặc trưng
• 2.4. Dựa trên so khớp mẫu
• 2.4.1. Xác định các mẫu trước
• 2.4.2. Các mẫu bị biến dạng
• 3. CHƯƠNG 3: CHƯƠNG TRÌNH THỬ NGHIỆM
• 3.1. Hướng nghiên cứu
• 3.1.1. Phân loại thành phần khuôn mặt
• 3.1.2. Cấu trúc các bộ nhận dạng
• 3.1.3. Phân tích, thiết kế
• 3.1.4. Giao diện và cách sử dụng
• 3.1.5. Kết quả thử nghiệm
• 3.1.5.1. Góc chụp so với hướng ống kính
• 3.1.5.2. Kích thước khuôn mặt
• 3.1.5.3. Các kết quả thực nghiệm khác
• PHẦN KẾT LUẬN

Tóm tắt

I. Tổng Quan Về Phát Hiện Khuôn Mặt Trong Ảnh

Phát hiện khuôn mặt trong ảnh là một lĩnh vực nghiên cứu quan trọng trong công nghệ thông tin. Khuôn mặt con người chứa nhiều thông tin và có thể được sử dụng trong nhiều ứng dụng khác nhau như an ninh, nhận diện người, và tương tác người-máy. Việc phát hiện khuôn mặt không chỉ đơn thuần là xác định vị trí mà còn bao gồm việc nhận diện các đặc trưng của khuôn mặt. Trong bối cảnh hiện nay, với sự phát triển của công nghệ, việc phát hiện khuôn mặt đã trở nên dễ dàng hơn nhưng vẫn còn nhiều thách thức cần giải quyết.

1.1. Khái Niệm Cơ Bản Về Phát Hiện Khuôn Mặt

Phát hiện khuôn mặt là quá trình xác định vị trí và kích thước của khuôn mặt trong ảnh. Kỹ thuật này sử dụng các đặc trưng như hình dạng, màu sắc và kết cấu của khuôn mặt để phân biệt với các đối tượng khác trong ảnh. Các phương pháp hiện đại thường áp dụng các thuật toán học máy để cải thiện độ chính xác.

1.2. Ứng Dụng Của Phát Hiện Khuôn Mặt

Phát hiện khuôn mặt có nhiều ứng dụng thực tiễn như trong hệ thống an ninh, nhận diện tội phạm, và quản lý nhân sự. Ngoài ra, công nghệ này còn được sử dụng trong các hệ thống giao tiếp người-máy, giúp cải thiện trải nghiệm người dùng.

II. Những Thách Thức Trong Phát Hiện Khuôn Mặt

Mặc dù công nghệ phát hiện khuôn mặt đã có nhiều tiến bộ, nhưng vẫn tồn tại nhiều thách thức lớn. Các yếu tố như góc chụp, ánh sáng, và sự che khuất có thể ảnh hưởng đến độ chính xác của hệ thống. Việc phát hiện khuôn mặt trong các điều kiện khác nhau là một bài toán phức tạp.

2.1. Ảnh Hưởng Của Góc Chụp

Góc chụp là một trong những yếu tố quan trọng ảnh hưởng đến khả năng phát hiện khuôn mặt. Khi khuôn mặt được chụp từ các góc khác nhau, các đặc trưng như mắt, mũi, và miệng có thể bị che khuất, làm giảm độ chính xác của hệ thống.

2.2. Ảnh Hưởng Của Ánh Sáng

Điều kiện ánh sáng cũng đóng vai trò quan trọng trong việc phát hiện khuôn mặt. Ánh sáng quá mạnh hoặc quá yếu có thể làm cho khuôn mặt trở nên khó nhận diện, dẫn đến sai sót trong quá trình phát hiện.

III. Phương Pháp Phát Hiện Khuôn Mặt Hiện Đại

Có nhiều phương pháp khác nhau được sử dụng để phát hiện khuôn mặt, từ các kỹ thuật truyền thống đến các phương pháp hiện đại dựa trên học sâu. Mỗi phương pháp có những ưu điểm và nhược điểm riêng, và việc lựa chọn phương pháp phù hợp là rất quan trọng.

3.1. Kỹ Thuật PCA Trong Phát Hiện Khuôn Mặt

Phân tích thành phần chính (PCA) là một trong những kỹ thuật phổ biến trong phát hiện khuôn mặt. Kỹ thuật này giúp giảm số chiều của dữ liệu mà vẫn giữ lại các thông tin quan trọng, từ đó cải thiện hiệu suất của hệ thống.

3.2. Sử Dụng Mạng Nơ ron Để Phát Hiện Khuôn Mặt

Mạng nơ-ron sâu đã trở thành một công cụ mạnh mẽ trong việc phát hiện khuôn mặt. Các mô hình này có khả năng học hỏi từ dữ liệu lớn và có thể nhận diện khuôn mặt trong nhiều điều kiện khác nhau.

IV. Kết Quả Nghiên Cứu Về Phát Hiện Khuôn Mặt

Nghiên cứu về phát hiện khuôn mặt đã cho thấy nhiều kết quả khả quan. Các hệ thống hiện đại có thể đạt được độ chính xác cao trong việc phát hiện khuôn mặt trong các điều kiện khác nhau. Tuy nhiên, vẫn cần tiếp tục nghiên cứu để cải thiện hơn nữa độ chính xác và khả năng ứng dụng.

4.1. Đánh Giá Hiệu Suất Của Hệ Thống

Đánh giá hiệu suất của các hệ thống phát hiện khuôn mặt thường dựa trên các chỉ số như độ chính xác, tốc độ xử lý và khả năng nhận diện trong các điều kiện khác nhau. Các nghiên cứu đã chỉ ra rằng các hệ thống hiện đại có thể đạt được độ chính xác lên đến 95%.

4.2. Ứng Dụng Thực Tế Của Công Nghệ

Công nghệ phát hiện khuôn mặt đã được áp dụng trong nhiều lĩnh vực như an ninh, y tế, và giải trí. Các ứng dụng này không chỉ giúp cải thiện hiệu suất mà còn mang lại giá trị thực tiễn cho người dùng.

V. Tương Lai Của Phát Hiện Khuôn Mặt

Tương lai của phát hiện khuôn mặt hứa hẹn sẽ có nhiều tiến bộ với sự phát triển của công nghệ học máy và trí tuệ nhân tạo. Các nghiên cứu hiện tại đang tập trung vào việc cải thiện độ chính xác và khả năng ứng dụng của công nghệ này trong các lĩnh vực khác nhau.

5.1. Xu Hướng Phát Triển Công Nghệ

Xu hướng phát triển công nghệ phát hiện khuôn mặt sẽ tập trung vào việc cải thiện khả năng nhận diện trong các điều kiện khó khăn như ánh sáng yếu hoặc góc chụp không thuận lợi.

5.2. Tác Động Đến Xã Hội

Công nghệ phát hiện khuôn mặt có thể mang lại nhiều lợi ích cho xã hội, nhưng cũng đặt ra nhiều thách thức về quyền riêng tư và bảo mật. Cần có các quy định rõ ràng để đảm bảo rằng công nghệ này được sử dụng một cách hợp lý.

Nội dung chính

Tổng quan nghiên cứu

Bài toán phát hiện khuôn mặt người trong ảnh số giữ vai trò nền tảng trong lĩnh vực thị giác máy tính và nhận dạng sinh trắc học. Lịch sử thực nghiệm ghi nhận nhiều hệ thống nhận diện giai đoạn đầu gặp thất bại lớn khi triển khai thực địa; điển hình là thử nghiệm năm 2001 tại thành phố Tampa bị đình chỉ vào năm 2003 do đối tượng che chắn khuôn mặt, hay cuộc kiểm tra kéo dài 3 tháng tại sân bay Logan ở Boston chỉ đạt tỷ lệ chính xác 61.4%. Vấn đề nghiên cứu trọng tâm là giải quyết các thách thức cố hữu khi nhận dạng khuôn mặt trong điều kiện tự nhiên: sự thay đổi tư thế, góc quay ống kính, biểu cảm phức tạp, sự che khuất bởi phụ kiện và điều kiện chiếu sáng không đồng đều.

Mục tiêu cụ thể của luận văn là nghiên cứu, phân tích và xây dựng hệ thống phát hiện khuôn mặt người theo hướng tiếp cận thành phần, kết hợp linh hoạt giữa các thuật toán thống kê, học máy và mô hình hình học cục bộ. Phạm vi nghiên cứu tập trung vào việc xử lý các tập dữ liệu ảnh xám và ảnh màu đa dạng, từ môi trường phòng thí nghiệm có kiểm soát đến môi trường tự nhiên phức tạp, được thực hiện trong khuôn khổ chuyên ngành Hệ thống thông tin tại Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội. Ý nghĩa nghiên cứu thể hiện qua việc giảm thiểu chi phí tính toán đại số, nâng cao năng lực định vị chính xác các thành phần đặc trưng như mắt, mũi, miệng, hướng tới việc gia tăng tỷ lệ phát hiện khuôn mặt đạt ngưỡng 85% đến hơn 94% nhằm phục vụ các ứng dụng giám sát an ninh, chấm công tự động và tương tác người - máy trực quan.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn vận dụng hai trụ cột lý thuyết chính trong xử lý ảnh hiện đại:

• Kỹ thuật Phân tích thành phần chính (Principal Components Analysis - PCA) và không gian Eigenface: Phương pháp thống kê này cho phép giảm số chiều không gian mẫu từ 16.384 chiều (đối với ảnh kích thước 128x128 pixel) xuống một không gian con chỉ gồm 40 đến 50 vector riêng đặc trưng, trong khi vẫn duy trì từ 95% đến 97% lượng thông tin và phương sai của tập dữ liệu ban đầu.
• Lý thuyết học tăng cường AdaBoost kết hợp đặc trưng dạng Haar (Haar-like features): Cơ chế kết hợp tuyến tính các bộ phân loại yếu có độ chính xác trên 50% để tạo thành bộ phân loại mạnh. Kỹ thuật này tích hợp bảng diện tích tích phân (SAT) và bảng diện tích tích phân xoay 45 độ (RSAT) giúp tối ưu hóa việc tính toán tổng giá trị điểm ảnh cục bộ với độ phức tạp hằng số.

Bên cạnh đó, nghiên cứu khai thác 4 khái niệm cốt lõi: Ma trận hiệp phương sai đa chiều, Trọng số phân lớp thích nghi, Không gian màu chuyên biệt (HSV, YCg'Cr') và Mô hình quan hệ hình học bất biến của các cấu trúc cục bộ trên khuôn mặt.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm sử dụng tập hợp từ 100 đến 115 ảnh mẫu chuẩn hóa có kích thước từ 60x60 đến 128x128 pixel, bổ sung hơn 200 ảnh chụp thử nghiệm thực tế với độ phân giải đa cấp. Phương pháp chọn mẫu áp dụng kỹ thuật chọn mẫu phân tầng có chủ đích, bao phủ đầy đủ các điều kiện thử thách: góc chụp nghiêng từ -20 độ đến +20 độ (bước nhảy 5 độ), ảnh có kính mắt, râu tóc, cùng 4 kịch bản ánh sáng gồm trong nhà, ngoài trời, ngược sáng và chói đèn.

Phương pháp phân tích dựa trên sự kết hợp giữa biến đổi đại số ma trận, thuật toán cây phân loại, toán tử hình thái học và suy diễn logic mờ. Lý do lựa chọn cách tiếp cận này là nhằm khắc phục triệt để hiện tượng quá tải bộ nhớ khi xử lý ma trận điểm ảnh kích thước lớn, đồng thời đảm bảo khả năng nhận dạng bền vững khi khuôn mặt bị che khuất một phần. Quy trình nghiên cứu được triển khai theo 3 mốc thời gian chặt chẽ: 4 tháng đầu tổng hợp và mô hình hóa toán học, 5 tháng tiếp theo lập trình thiết kế kiến trúc bộ nhận dạng, và 3 tháng cuối cùng tiến hành kiểm thử thực nghiệm trên các bộ dữ liệu đối chuẩn.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Nghiên cứu mang lại 4 phát hiện thực nghiệm quan trọng:

• Tối ưu hóa không gian biểu diễn: Bằng cách áp dụng biến đổi đại số trên ma trận cỡ 100x100 thay vì ma trận hiệp phương sai kích thước 16.384 x 16.384, hệ thống giảm tải hơn 99% khối lượng phép tính ma trận mà chỉ phát sinh sai số tái tạo tương đối dưới 5%.
• Tốc độ xử lý vượt trội của tầng lọc Haar-AdaBoost: Việc ứng dụng bảng SAT và RSAT cho phép tính nhanh tổng điểm ảnh chỉ qua 4 đỉnh của hình chữ nhật, giúp bộ phân loại loại bỏ ngay hơn 80% các vùng ảnh nền không chứa đối tượng ngay từ những tầng phân loại đầu tiên.
• Độ chính xác vượt trội của tiếp cận thành phần: Khác với phương pháp so khớp mẫu toàn cục chỉ đạt độ chính xác khoảng 70%, phương pháp phân đoạn thành phần cục bộ (mắt, mũi, miệng) kết hợp mạng Bayes và mô hình hình thái học đạt tỷ lệ phát hiện chính xác từ 85% đến 94.25%.
• Năng lực phân tách trên ảnh màu phức tạp: Khi kết hợp trích xuất màu da trên không gian YCg'Cr' với bộ điều khiển mờ, thuật toán duy trì độ chính xác phát hiện ổn định trong khoảng 87% đến 89%, đồng thời phân tách thành công các khuôn mặt dính liền nhau trong môi trường tự nhiên.

Thảo luận kết quả

Nguyên nhân cốt lõi giúp hướng tiếp cận thành phần đạt hiệu quả cao là việc khai thác các đặc trưng hình học bất biến. Trong thực tế, khi biểu cảm thay đổi hoặc khi một phần khuôn mặt bị che khuất, các phương pháp nhận dạng toàn cục thường sụt giảm hiệu năng nghiêm trọng (tương tự mức thất bại 61.4% tại sân bay Logan). Ngược lại, việc định vị độc lập các cấu trúc như mắt và lông mày – vốn là những đặc trưng ổn định nhất – cho phép thuật toán suy diễn vị trí tổng thể dựa trên các ràng buộc hình học.

So sánh với các công trình kinh điển, kết quả đạt được tương thích và củng cố các nghiên cứu của Han (đạt 94%), Jin (đạt 94.25%) và vượt trội hơn phương pháp mạng nơ-ron truyền thống của Chan và Lewis (chỉ đạt 53%). Để trực quan hóa hiệu năng, toàn bộ dữ liệu thực nghiệm có thể được trình bày thông qua biểu đồ cột thể hiện tương quan giữa góc xoay khuôn mặt (từ -20 độ đến +20 độ) với tỷ lệ phát hiện thành công, kết hợp bảng ma trận nhầm lẫn biểu diễn tỷ lệ nhận diện đúng (True Positive) và dương tính giả (False Positive) trên từng điều kiện chiếu sáng.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và nâng cao khả năng ứng dụng thực tế của mô hình, 4 khuyến nghị hành động cụ thể được đề xuất:

• Chuẩn hóa bộ tiền xử lý ảnh và tích hợp mô hình phân đoạn màu da đa không gian (kết hợp HSV và YCg'Cr') nhằm nâng tỷ lệ lọc ứng viên chính xác đạt trên 92% trong vòng 3 tháng đầu, do nhóm kỹ sư thị giác máy tính chủ trì.
• Tối ưu hóa chuỗi phân loại tầng AdaBoost kết hợp đặc trưng xoay RSAT 45 độ nhằm giảm thời gian trễ xử lý xuống dưới 25 mili-giây trên mỗi khung hình video độ phân giải tiêu chuẩn trong vòng 6 tháng, do nhóm nghiên cứu thuật toán phụ trách.
• Ứng dụng mô hình lai kết hợp đồ thị quan hệ không gian và máy học vector hỗ trợ (SVM) để kiểm soát và hạ tỷ lệ nhận diện sai xuống dưới 10% trong vòng 9 tháng, do chuyên gia phân tích dữ liệu thực hiện.
• Mở rộng tập dữ liệu huấn luyện mẫu lên quy mô trên 10.000 ảnh với đầy đủ các kịch bản ngược sáng, góc chụp từ trên cao và che khuất phức tạp nhằm duy trì độ ổn định phát hiện trên 90% tại hiện trường thực tế trong thời hạn 12 tháng, do giám đốc dự án an ninh sinh trắc học điều phối.

Đối tượng nên tham khảo luận văn

Nội dung luận văn mang lại giá trị thiết thực cho 4 nhóm đối tượng chuyên môn:

• Học viên cao học và nghiên cứu sinh ngành Công nghệ thông tin: Nắm vững phương pháp luận xây dựng thuật toán thị giác máy tính, từ cơ sở đại số tuyến tính của PCA đến các mô hình học máy tăng cường AdaBoost.
• Kỹ sư phát triển phần mềm Trí tuệ nhân tạo (AI Engine): Vận dụng trực tiếp cấu trúc thuật toán Haar-like, bảng tính tích phân SAT/RSAT và trích xuất đặc trưng cục bộ để tối ưu hóa hiệu năng các phần mềm camera giám sát thông minh.
• Chuyên gia kiến trúc hệ thống an ninh và nhân sự: Tham khảo giải pháp kỹ thuật nhằm triển khai các bài toán kiểm soát cửa tự động, giám sát an ninh công cộng và chấm công với độ tin cậy vận hành đạt trên 85%.
• Giảng viên các trường đại học khối kỹ thuật: Sử dụng làm tài liệu tham khảo chuyên sâu và tình huống học tập mẫu cho các học phần Xử lý ảnh số, Nhận dạng mẫu và Tương tác người - máy.

Câu hỏi thường gặp

• Phương pháp tiếp cận theo thành phần có ưu điểm gì vượt trội so với nhận dạng toàn cục? Phương pháp tiếp cận theo thành phần chia nhỏ khuôn mặt thành các đặc trưng cục bộ như mắt, lông mày, mũi và miệng. Khi đối tượng đeo kính, đổi góc nhìn hoặc bị che khuất một phần, hệ thống vẫn duy trì độ chính xác từ 85% đến 94%, khắc phục hiện tượng mất dấu hoàn toàn của các mô hình so khớp toàn cục.

• Kỹ thuật PCA giúp giải quyết vấn đề khối lượng tính toán lớn như thế nào? Đối với ảnh 128x128 pixel có không gian 16.384 chiều, PCA trích xuất các vector riêng đại diện và giảm ma trận hiệp phương sai về kích thước tương đương số lượng ảnh mẫu (ví dụ 100x100). Việc chọn lọc khoảng 40 đến 50 thành phần chính giúp giữ lại trên 95% đặc trưng cốt lõi nhưng giảm thiểu tối đa tài nguyên xử lý.

• Bảng diện tích tích phân SAT và RSAT hỗ trợ tăng tốc độ xử lý ra sao? Bảng SAT và RSAT tính trước tổng tích lũy mức xám của các điểm ảnh. Nhờ đó, việc tính toán giá trị của các đặc trưng Haar hình chữ nhật (kể cả dạng xoay 45 độ) chỉ cần thực hiện thông qua 4 phép truy xuất đỉnh, cho phép quét hàng chục nghìn cửa sổ con trong thời gian thực.

• Không gian màu YCg'Cr' và HSV đóng vai trò gì trong việc tìm kiếm khuôn mặt? Các không gian màu này phân tách rõ ràng giữa thành phần độ chói và thành phần sắc màu. Thuật toán tận dụng vùng phân bố tập trung của sắc tố da người để lọc bỏ nhanh các vùng nền không liên quan, thu hẹp phạm vi quét ảnh và duy trì độ chính xác phát hiện từ 87% đến 89%.

• Vì sao các thử nghiệm thực tế tại sân bay Logan năm 2001 lại chỉ đạt độ chính xác 61.4%? Thử nghiệm thất bại do hệ thống thời kỳ đó phụ thuộc vào ảnh chụp thẳng lý tưởng và thuật toán đối sánh toàn bộ khuôn mặt. Khi triển khai tại sân bay, sự biến động liên tục về ánh sáng, góc di chuyển tự do của hành khách và phụ kiện che khuất đã làm sai lệch hoàn toàn các mẫu chuẩn.

Kết luận

Luận văn đã giải quyết toàn diện bài toán phát hiện khuôn mặt người thông qua các đóng góp khoa học nổi bật:

• Hệ thống hóa toàn diện các lý thuyết xử lý ảnh từ kỹ thuật nắn chỉnh biến dạng, lọc nhiễu đến các thuật toán nhận dạng mẫu hiện đại.
• Mô hình hóa toán học thành công kỹ thuật PCA và Eigenface, giảm chiều dữ liệu từ 16.384 chiều xuống 40 thành phần chính mà vẫn bảo toàn 95% thông tin.
• Làm sáng tỏ cơ chế tăng tốc tính toán của đặc trưng Haar kết hợp cấu trúc dữ liệu SAT và RSAT trong bộ phân loại AdaBoost.
• Đánh giá thực nghiệm chi tiết các hướng tiếp cận thành phần, đạt độ chính xác nhận dạng từ 85% đến trên 94% trên các kịch bản ảnh đa dạng.
• Đề xuất khung kiến trúc lai kết hợp màu sắc, hình học cục bộ và phân loại thống kê phục vụ chuyển giao công nghệ ứng dụng.

Lộ trình phát triển tiếp theo cần tập trung tích hợp các mạng nơ-ron tích chập sâu (CNN) và tối ưu hóa phần cứng nhúng trong vòng 12 đến 18 tháng tới. Luận văn là tài liệu tham khảo học thuật giá trị, đóng góp nền tảng quan trọng cho các nhà nghiên cứu và kỹ sư đang theo đuổi lĩnh vực thị giác máy tính và an ninh số.

Trích đoạn nội dung tài liệu

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 [e-mail]  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 [e-mail] 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 [e-mail] 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' ) in1 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 [e-mail] 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 [e-mail] - 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 [e-mail]  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.