I. Giới thiệu về nhận dạng khuôn mặt và bài toán SSPP
Nhận dạng khuôn mặt là một lĩnh vực quan trọng trong công nghệ nhận dạng, đặc biệt là trong điều kiện chỉ có một ảnh cho mỗi người trong cơ sở dữ liệu, được gọi là single sample per person (SSPP). Bài toán này đặt ra thách thức lớn cho các phương pháp nhận dạng khuôn mặt, vì tỷ lệ nhận dạng thường giảm mạnh khi chỉ có một mẫu duy nhất. Các phương pháp truyền thống thường dựa vào các đặc trưng toàn cục, nhưng trong trường hợp SSPP, việc sử dụng các đặc trưng cục bộ như pixel cạnh trở nên cần thiết. Các pixel cạnh không chỉ phản ánh cấu trúc khuôn mặt mà còn có khả năng chịu đựng các điều kiện không lý tưởng như ánh sáng khác nhau. Do đó, việc phát triển các phương pháp nhận dạng khuôn mặt hiệu quả trong điều kiện SSPP là rất cần thiết.
1.1 Lý do chọn đề tài
Lý do chọn đề tài này xuất phát từ thực tế rằng các phương pháp nhận dạng khuôn mặt hiện tại gặp khó khăn trong việc xử lý các tình huống SSPP. Việc nghiên cứu và phát triển các phương pháp mới có thể cải thiện tỷ lệ nhận dạng trong các điều kiện này là rất quan trọng. Đặc biệt, việc áp dụng kỹ thuật viễn thông trong nhận dạng khuôn mặt có thể mở ra nhiều cơ hội mới cho các ứng dụng thực tế, từ an ninh đến thương mại điện tử.
1.2 Mục tiêu đề tài
Mục tiêu chính của nghiên cứu này là phát triển một phương pháp nhận dạng khuôn mặt mới dựa trên đo LTMHD. Phương pháp này không chỉ cải thiện tỷ lệ nhận dạng mà còn giảm độ phức tạp tính toán, giúp ứng dụng dễ dàng hơn trong thực tế. Việc sử dụng công nghệ nhận dạng khuôn mặt trong các ứng dụng thực tế sẽ được tối ưu hóa thông qua nghiên cứu này.
II. Các phương pháp nhận dạng khuôn mặt trong điều kiện SSPP
Trong lĩnh vực nhận dạng khuôn mặt, có nhiều phương pháp khác nhau được phát triển để giải quyết bài toán SSPP. Các phương pháp này có thể được chia thành nhiều nhóm, bao gồm các phương pháp sử dụng đặc trưng toàn cục, đặc trưng cục bộ, và các phương pháp tạo ảnh ảo. Các phương pháp dựa trên đặc trưng cục bộ thường được ưa chuộng hơn vì tính đơn giản và khả năng triển khai dễ dàng trong thực tế. Đặc biệt, việc sử dụng đo LTMHD trong các phương pháp này đã chứng minh được hiệu quả cao trong việc cải thiện tỷ lệ nhận dạng. Các nghiên cứu trước đây đã chỉ ra rằng việc áp dụng các phương pháp này có thể giúp tăng tỷ lệ nhận dạng từ 2-10% so với các phương pháp truyền thống.
2.1 Các phương pháp sử dụng đặc trưng toàn cục
Các phương pháp sử dụng đặc trưng toàn cục thường dựa vào việc phân tích toàn bộ hình ảnh khuôn mặt để nhận diện. Tuy nhiên, trong điều kiện SSPP, các phương pháp này thường không đạt hiệu quả cao. Việc áp dụng các phương pháp này trong thực tế gặp nhiều khó khăn do sự biến đổi lớn trong các điều kiện ánh sáng và góc chụp. Do đó, cần thiết phải phát triển các phương pháp mới có khả năng xử lý tốt hơn trong các tình huống này.
2.2 Các phương pháp sử dụng đặc trưng cục bộ
Các phương pháp dựa trên đặc trưng cục bộ, như pixel cạnh, đã cho thấy hiệu quả cao trong việc nhận dạng khuôn mặt trong điều kiện SSPP. Những đặc trưng này không chỉ phản ánh cấu trúc khuôn mặt mà còn có khả năng chịu đựng các điều kiện không lý tưởng. Việc sử dụng công nghệ nhận dạng khuôn mặt dựa trên các đặc trưng cục bộ đã mở ra nhiều cơ hội mới cho việc cải thiện tỷ lệ nhận dạng trong các ứng dụng thực tế.
III. Phương pháp LT MHD và ứng dụng trong nhận dạng khuôn mặt
Phương pháp Least Trimmed Modified Hausdorff Distance (LT-MHD) được đề xuất trong nghiên cứu này nhằm cải thiện tỷ lệ nhận dạng trong điều kiện SSPP. LT-MHD không chỉ giúp đo lường sự khác biệt giữa các tập hợp đặc trưng khuôn mặt mà còn giảm thiểu ảnh hưởng của các điểm ngoại lai. Kết quả thực nghiệm cho thấy rằng việc sử dụng LT-MHD có thể tăng tỷ lệ nhận dạng từ 2-10% so với các phương pháp truyền thống. Điều này chứng tỏ rằng LT-MHD là một công cụ mạnh mẽ trong lĩnh vực nhận dạng khuôn mặt.
3.1 Phương pháp LT NMHD cho nhận dạng khuôn mặt
Phương pháp Least Trimmed New Modified Hausdorff Distance (LT-NMHD) được phát triển dựa trên LT-MHD nhằm tối ưu hóa quá trình nhận dạng khuôn mặt. LT-NMHD cho phép đo lường sự khác biệt giữa các tập hợp đặc trưng một cách chính xác hơn, từ đó cải thiện tỷ lệ nhận dạng. Kết quả thực nghiệm cho thấy rằng LT-NMHD có thể đạt được tỷ lệ nhận dạng cao hơn so với các phương pháp khác trong điều kiện SSPP.
3.2 Giảm độ phức tạp tính toán cho phương pháp LT MHD
Độ phức tạp tính toán là một trong những thách thức lớn trong việc áp dụng LT-MHD trong thực tế. Nghiên cứu này đã áp dụng các phương pháp như EARLYBREAK và Local Start Search (LSS) để giảm độ phức tạp tính toán cho LT-MHD. Kết quả cho thấy rằng độ phức tạp tính toán của LT-MHD giảm đáng kể, giúp phương pháp này trở nên khả thi hơn trong các ứng dụng thực tế.
