Nghiên Cứu Phương Pháp Trích Chọn Đặc Trưng Ảnh và Ứng Dụng Trong Phân Loại Cảm Xúc Khuôn Mặt

Luận văn thạc sĩ toán học nghiên cứu hay nghiên cứu một số phương pháp trích chọn đặc trưng cho ảnh và ứng dụng trong bài toán phân loại, khảo sát thực trạng, phân tích nguyên

• Tác giả: Dương Văn Cường
• Người hướng dẫn: TS. Vũ Việt Vũ
• Trường học: Trường Đại học Công Nghệ Thông Tin Và Truyền Thông - Đại học Thái Nguyên
• Chuyên ngành: Khoa học máy tính
• Đề tài: Nghiên cứu một số phương pháp trích chọn đặc trưng cho ảnh và ứng dụng trong bài toán phân loại trạng thái cảm xúc khuôn mặt
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2018
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• MỤC LỤC
• DANH MỤC CÁC CHỮ VIẾT TẮT
• DANH MỤC CÁC HÌNH VẼ
• MỞ ĐẦU
• 0.1. Tổng quan về khai phá dữ liệu ứng dụng
• 0.2. Khái niệm về lĩnh vực khai phá dữ liệu và phát hiện tri thức
• 0.3. Các mô hình học máy cơ bản
• 0.4. Ứng dụng của học máy
• 0.5. Tổng quan về bài toán trích chọn đặc trưng, trích chọn đặc trưng cho dữ liệu hình ảnh
• 0.6. Bài toán phân loại cảm xúc khuôn mặt
• 0.7. Những vấn đề nghiên cứu của luận văn
• 1. CHƯƠNG 1: TỔNG QUAN VỀ KHAI PHÁ DỮ LIỆU VÀ ỨNG DỤNG
• 1.1. Khái niệm về lĩnh vực khai phá dữ liệu và phát hiện tri thức
• 1.2. Các mô hình học máy cơ bản
• 1.3. Ứng dụng của học máy
• 1.4. Tổng quan về bài toán trích chọn đặc trưng, trích chọn đặc trưng cho dữ liệu hình ảnh
• 1.5. Bài toán phân loại cảm xúc khuôn mặt
• 1.6. Những vấn đề nghiên cứu của luận văn
• 2. CHƯƠNG 2: NGHIÊN CỨU MỘT SỐ PHƯƠNG PHÁP TRÍCH CHỌN ĐẶC TRƯNG CHO ẢNH
• 2.1. Tổng quan về trích chọn đặc trưng

Tóm tắt

I. Tổng quan về phương pháp trích chọn đặc trưng ảnh

Phương pháp trích chọn đặc trưng ảnh đóng vai trò quan trọng trong việc phân loại cảm xúc khuôn mặt. Việc hiểu rõ về các phương pháp này giúp nâng cao hiệu quả trong việc nhận diện và phân tích cảm xúc. Các phương pháp này không chỉ giúp giảm thiểu kích thước dữ liệu mà còn tăng cường độ chính xác trong việc phân loại. Trong bối cảnh hiện nay, khi công nghệ nhận diện khuôn mặt ngày càng phát triển, việc áp dụng các phương pháp trích chọn đặc trưng trở nên cần thiết hơn bao giờ hết.

1.1. Khái niệm về trích chọn đặc trưng ảnh

Trích chọn đặc trưng ảnh là quá trình xác định và lựa chọn các đặc điểm quan trọng từ ảnh để phục vụ cho việc phân loại. Các đặc trưng này có thể là hình dạng, màu sắc, hoặc kết cấu của đối tượng trong ảnh. Việc trích chọn đặc trưng giúp giảm thiểu dữ liệu không cần thiết, từ đó cải thiện hiệu suất của các thuật toán học máy.

1.2. Tầm quan trọng của trích chọn đặc trưng trong phân loại cảm xúc

Trích chọn đặc trưng là bước quan trọng trong quy trình phân loại cảm xúc khuôn mặt. Nó giúp xác định các yếu tố chính ảnh hưởng đến cảm xúc, từ đó cải thiện độ chính xác của các mô hình học máy. Việc áp dụng các phương pháp trích chọn đặc trưng hiệu quả sẽ giúp hệ thống nhận diện cảm xúc hoạt động tốt hơn.

II. Vấn đề và thách thức trong trích chọn đặc trưng ảnh

Mặc dù có nhiều phương pháp trích chọn đặc trưng, nhưng vẫn tồn tại nhiều thách thức trong việc áp dụng chúng vào thực tế. Các vấn đề như độ sáng, độ phân giải và nhiễu trong ảnh có thể ảnh hưởng đến chất lượng của các đặc trưng được trích chọn. Ngoài ra, việc lựa chọn phương pháp phù hợp với từng loại dữ liệu cũng là một thách thức lớn.

2.1. Ảnh hưởng của độ sáng và độ phân giải

Độ sáng và độ phân giải của ảnh có thể làm thay đổi các đặc trưng được trích chọn. Những ảnh có độ sáng không đồng đều hoặc độ phân giải thấp có thể dẫn đến việc mất mát thông tin quan trọng, ảnh hưởng đến kết quả phân loại cảm xúc.

2.2. Nhiễu trong ảnh và cách xử lý

Nhiễu trong ảnh là một trong những vấn đề phổ biến trong quá trình trích chọn đặc trưng. Việc xử lý nhiễu là cần thiết để đảm bảo rằng các đặc trưng được trích chọn là chính xác và đáng tin cậy. Các phương pháp như lọc ảnh có thể được áp dụng để giảm thiểu nhiễu.

III. Phương pháp trích chọn đặc trưng Gabor trong phân loại cảm xúc

Phương pháp Gabor là một trong những kỹ thuật phổ biến trong việc trích chọn đặc trưng cho ảnh. Nó sử dụng các bộ lọc Gabor để phát hiện các đặc trưng hình ảnh như kết cấu và hình dạng. Phương pháp này đã được chứng minh là hiệu quả trong việc nhận diện cảm xúc khuôn mặt.

3.1. Nguyên lý hoạt động của bộ lọc Gabor

Bộ lọc Gabor hoạt động dựa trên nguyên lý phân tích tần số và không gian. Nó cho phép phát hiện các đặc trưng hình ảnh ở nhiều tần số và hướng khác nhau, từ đó giúp nhận diện các đặc điểm quan trọng trong khuôn mặt.

3.2. Ứng dụng của phương pháp Gabor trong phân loại cảm xúc

Phương pháp Gabor đã được áp dụng thành công trong nhiều nghiên cứu về phân loại cảm xúc khuôn mặt. Nó giúp cải thiện độ chính xác của các mô hình học máy bằng cách cung cấp các đặc trưng hình ảnh mạnh mẽ và đáng tin cậy.

IV. Phương pháp trích chọn đặc trưng HoG và ứng dụng

Phương pháp HoG (Histogram of Oriented Gradients) là một kỹ thuật hiệu quả trong việc trích chọn đặc trưng cho ảnh. Nó tập trung vào việc phân tích hướng của các gradient trong ảnh, từ đó tạo ra các đặc trưng mạnh mẽ cho việc phân loại cảm xúc khuôn mặt.

4.1. Cách thức hoạt động của HoG

HoG phân tích hướng của các gradient trong ảnh để tạo ra một biểu đồ hướng. Biểu đồ này giúp xác định các đặc trưng hình ảnh quan trọng, từ đó cải thiện khả năng phân loại của các mô hình học máy.

4.2. Lợi ích của HoG trong nhận diện cảm xúc

Phương pháp HoG đã được chứng minh là hiệu quả trong việc nhận diện cảm xúc khuôn mặt. Nó giúp tăng cường độ chính xác của các mô hình học máy bằng cách cung cấp các đặc trưng hình ảnh mạnh mẽ và đáng tin cậy.

V. Phương pháp trích chọn đặc trưng LBP và ứng dụng

Phương pháp LBP (Local Binary Patterns) là một kỹ thuật đơn giản nhưng hiệu quả trong việc trích chọn đặc trưng cho ảnh. Nó giúp phát hiện các đặc trưng hình ảnh bằng cách so sánh các điểm ảnh lân cận, từ đó tạo ra các đặc trưng mạnh mẽ cho việc phân loại cảm xúc khuôn mặt.

5.1. Nguyên lý hoạt động của LBP

LBP hoạt động bằng cách so sánh giá trị của một điểm ảnh với các điểm ảnh lân cận. Nếu giá trị của điểm ảnh lớn hơn hoặc bằng giá trị lân cận, nó sẽ được gán giá trị 1, ngược lại sẽ gán giá trị 0. Kết quả là một chuỗi nhị phân đại diện cho đặc trưng của vùng ảnh.

5.2. Ứng dụng của LBP trong phân loại cảm xúc

Phương pháp LBP đã được áp dụng thành công trong nhiều nghiên cứu về phân loại cảm xúc khuôn mặt. Nó giúp cải thiện độ chính xác của các mô hình học máy bằng cách cung cấp các đặc trưng hình ảnh mạnh mẽ và đáng tin cậy.

VI. Kết luận và tương lai của phương pháp trích chọn đặc trưng

Phương pháp trích chọn đặc trưng ảnh đóng vai trò quan trọng trong việc phân loại cảm xúc khuôn mặt. Các phương pháp như Gabor, HoG và LBP đã chứng minh được hiệu quả của mình trong nhiều ứng dụng thực tiễn. Tương lai của nghiên cứu trong lĩnh vực này hứa hẹn sẽ mang lại nhiều tiến bộ mới, đặc biệt là trong việc phát triển các mô hình học máy mạnh mẽ hơn.

6.1. Xu hướng phát triển trong nghiên cứu trích chọn đặc trưng

Nghiên cứu về trích chọn đặc trưng đang ngày càng được quan tâm, với nhiều phương pháp mới được phát triển. Các công nghệ như học sâu (deep learning) đang mở ra nhiều cơ hội mới cho việc cải thiện độ chính xác trong phân loại cảm xúc.

6.2. Ứng dụng trong tương lai

Các phương pháp trích chọn đặc trưng sẽ tiếp tục được áp dụng trong nhiều lĩnh vực khác nhau, từ nhận diện khuôn mặt đến phân tích cảm xúc trong các hệ thống tương tác người-máy. Điều này sẽ góp phần nâng cao trải nghiệm người dùng và cải thiện hiệu quả của các hệ thống công nghệ.

Trích đoạn nội dung tài liệu

Chương 1. Tổng quan về khai phá dữ liệu và ứng dụng 1. Khái niệm về lĩnh vực khai phá dữ liệu và phát hiện tri thức 1. Khái niệm Lĩnh vực khai phá dữ liệu và phát hiện tri thức từ dữ liệu (KDD) nhằm mục đích tạo ra các mẫu, các luật, các tri thức quý từ một số lượng dữ liệu lớn thu nhận được [12],[13].

Các ứng dụng của lĩnh vực này có thể kể như nhận dạng hình ảnh, âm thanh, chẩn đoán trong y học, sử dụng trong các công cụ tìm kiếm như Google,… Quy trình phát hiện tri thức thường tuân theo các bước trong hình 1.1: Tri thức Các mẫu Chuyển đổi dữ liệu dữ liệu Dữ liệu đã tiền xử lý Diễn giải, Dữ liệu đánh giá mục tiêu Khai phá dữ liệu Lựa chọn và Cơ sở Tiền xử lý trích xuất dữ liệu Lựa chọn và làm sạch đặc trưng Hình 1.1: Các bước của quá trình khai phá dữ liệu - Bước thứ nhất: Hình thành, xác định và định nghĩa bài toán. Tìm hiểu lĩnh vực ứng dụng từ đó hình thành bài toán, xác định các nhiệm vụ cần phải hoàn thành, thu thập dữ liệu. Bước này sẽ quyết định cho việc rút ra được các LUAN VAN CHAT LUONG download : add [e-mail] 4 tri thức hữu ích và cho phép chọn các phương pháp khai phá dữ liệu thích hợp với mục đích ứng dụng và bản chất của dữ liệu. - Bước thứ hai: Xử lý thô, còn được gọi là tiền xử lý dữ liệu nhằm loại bỏ nhiễu (làm sạch dữ liệu), xử lý việc thiếu dữ liệu (làm giàu dữ liệu), biến đổi dữ liệu, trích rút đặc trưng và rút gọn dữ liệu nếu cần thiết, bước này thường chiếm nhiều thời gian nhất trong toàn bộ qui trình phát hiện tri thức.

Do dữ liệu được lấy từ nhiều nguồn khác nhau, không đồng nhất, có thể gây ra các nhầm lẫn. Sau bước này, dữ liệu sẽ nhất quán, đầy đủ, được rút gọn và rời rạc hoá. - Bước thứ ba: Lựa chọn đặc trưng, trích chọn đặc trưng và biến đổi đặc trưng của dữ liệu. Đây là một bước rất quan trọng.

Nhiệm vụ của bước này không những làm giảm kích thước của dữ liệu mà còn chọn ra những đặc điểm đặc trưng nhất nhằm tăng chất lượng của các bước sau. Tùy từng nhiệm vụ và lĩnh vực bài toán, chúng ta sẽ có các phương pháp trích rút đặc trưng cho dữ liệu khác nhau. - Bước thứ tư: Khai phá dữ liệu, rút ra các tri thức, trích ra các mẫu hoặc/và các mô hình ẩn dưới các dữ liệu [13]. Giai đoạn này rất quan trọng, bao gồm các công đoạn như: chức năng, nhiệm vụ và mục đích của khai phá dữ liệu là gì, dùng phương pháp khai phá nào? Thông thường, các bài toán khai phá dữ liệu bao gồm: các bài toán mang tính mô tả - đưa ra tính chất chung nhất của dữ liệu, các bài toán dự báo - bao gồm cả việc phát hiện các suy diễn dựa trên dữ liệu hiện có, các bài toán phân lớp, phân cụm, phát hiện cấu trúc dữ liệu,… Tùy theo bài toán xác định được mà ta lựa chọn các phương pháp khai phá dữ liệu cho phù hợp.

- Bước thứ năm: Là hiểu và giải thích các tri thức/các mẫu/các luật đã tìm được, đặc biệt là làm sáng tỏ các mô tả và dự đoán. Các công cụ có dùng LUAN VAN CHAT LUONG download : add [e-mail] 5 như mô phỏng, thống kê, vẽ các biểu đồ, sơ đồ,… để làm rõ hơn nữa kết quả của khai phá dữ liệu. Các bước trên có thể lặp đi lặp lại một số lần, kết quả thu được có thể được lấy trung bình trên tất cả các lần thực hiện. Các kết quả của quá trình phát hiện tri thức có thể được đưa và ứng dụng trong các lĩnh vực khác nhau.

Do các kết quả có thể là các dự đoán hoặc các mô tả nên chúng có thể được đưa vào các hệ thống hỗ trợ ra quyết định nhằm tự động hoá quá trình này. Nghiên cứu về lĩnh vực khai phá dữ liệu liên quan đến nhiều lĩnh vực như toán học, thống kê, tối ưu hóa, tính toán tiến hóa, khoa học máy tính, cơ sở dữ liệu, dữ liệu lớn,… Một vấn đề quan trọng nữa là các nghiên cứu cho các ứng dụng chuyên ngành, trường hợp này chúng ta phải làm việc với các chuyên gia lĩnh vực, chẳng hạn lĩnh vực khai phá dữ liệu y sinh, khai phá dữ liệu gene,… 1. Các mô hình học máy cơ bản Trên thực tế có một số mô hình học sau đây [15]: - Học có giám sát - Học không giám sát - Học bán giám sát - Học tăng cường - Học sâu (deep learning) Phần sau đây sẽ trình bày một số phương pháp học cơ bản thuộc các loại trên. - Học có giám sát là phương pháp học máy thông qua sử dụng tập mẫu.

Tập mẫu được cung cấp, hệ thống sẽ xây dựng mô hình học trên bộ dữ liệu này và có thể phân lớp/dự đoán,… cho các dữ liệu mới. Các phương pháp LUAN VAN CHAT LUONG download : add [e-mail] 6 học có giám sát có thể kể đến như mạng nơ ron, phân lớp Bayes, cây quyết định, SVM (Support Vector Machine),… (xem hình 1.2) x y Đầu vào mới x Vào 1 - Ra 1 Vào 2 - Ra 2 Thuật Vao 3 - Ra 3 Mô hình toán học Vào - n - Ra - n m Đầu ra y Hình 1.2 Mô hình học có giám sát - Học không giám sát là phương pháp phát hiện cấu trúc, xác định mối liên kết, phát hiện dị thường, của một tập dữ liệu cho trước [14]. Loại học này không có tập dữ liệu mẫu. Một số phương pháp trong loại học này như phân cụm K-Means, Fuzzy C-Means, phát hiện dị thường ,… (xem hình 1.3) Học không giám sát Hình 1.3 Mô hình học không giám sát LUAN VAN CHAT LUONG download : add [e-mail] 7 - Học bán giám sát nằm giữa học có giám sát và học không giám sát, loại học này sẽ sử dụng một lượng ít dữ liệu mẫu, dữ liệu hướng dẫn để thực hiện mô hình (xem hình 1.

Trên thực tế các thông tin có được từ ban đầu gồm hai dạng cơ bản: (1) một lượng nhỏ dữ liệu được gán nhãn (seed) hoặc (2) một số lượng nhỏ các thông tin về các cặp dữ liệu must-link (phải liên kết), cannot-link (không thể liên kết) thể hiện mối quan hệ giữa các cặp dữ liệu trong tập dữ liệu cho trước: must-link (u,v) thể hiện u và v sẽ thuộc cùng một cụm trong khi cannot-link (u,v) cho biết u và v sẽ thuộc về hai cụm khác nhau.4 Dữ liệu cho việc học bán giám sát - Học tăng cường là phương pháp học được bổ sung liên tục kỹ năng trong quá trình giải quyết bài toán. Ví dụ như hai người chơi cờ A và B, người A có thể vừa thi đấu với người B nhưng lại có thể vừa học từ người B và ngược lại. Bản chất của loại học này là dựa trên mạng nơ ron nhiều lớp. Các ứng dụng hiệu quả cho loại học này là nhận dạng đối tượng, nhận dạng âm thanh, và ứng dụng trong xử lý ngôn ngữ tự nhiên.5 minh họa ví dụ về việc xác định đối tượng trong bức ảnh.

Phương pháp LUAN VAN CHAT LUONG download : add [e-mail] 8 học này còn có khả năng chỉ rõ xem người trong ảnh là ai, đang làm gì,… Đối với phương pháp học sâu chúng ta phải có đủ dữ liệu cần thiết (thường là lớn) cũng như các hệ thống máy tính đủ lớn để thực hiện.5 Ví dụ về khả năng của deep learning 1. Ứng dụng của học máy Ứng dụng của học máy ngày càng đa dạng và quan trọng, sau đây là một số ví dụ: - Xe tự lái: các hệ thống này là những ứng dụng rất nổi trội, hiện nay đã có một số nơi triển khai thử nghiệm. Hệ thống học của xe sẽ học khả năng điều khiển xe qua các thực nghiệm mẫu của người lái xe trên đường. - Xe tự dò tìm đường đi trong rừng: các hệ thống này sẽ được học qua camera khi con người thực hiện đi mẫu trong rừng.

- Trợ lý ảo: Đã ứng dụng thực tế, đây là những hệ thống lưu trữ, suy diễn dữ liệu rất lớn và thông minh. - Nhận dạng đối tượng trong ảnh và video. - Chẩn đoán bệnh thông qua dữ liệu lâm sàng - Ứng dụng trong nhà thông minh, thành phố thông minh: các ứng dụng cụ thể như bật tắt đèn tự động, bãi đỗ xe thông minh, tìm kiếm phương tiện thông minh - IoT: các bài toán thu thập dữ liệu từ nhiều nguồn khác nhau như sensor, điện thoại, máy tính, camera để xử lý dữ liệu tổng hợp. LUAN VAN CHAT LUONG download : add [e-mail] 9 - Robot, người máy - Xử lý ngôn ngữ tự nhiên,… - Hệ hỗ trợ quyết định - Phân lớp, phân cụm, phát hiện cấu trúc của dữ liệu - Phát hiện dị thường - Mua sắm thông minh,… 1.

Tổng quan về bài toán trích chọn đặc trưng, trích chọn đặc trưng cho dữ liệu hình ảnh Bài toán trích trọn đặc trưng trên ảnh khuôn mặt người đã được quan tâm từ khá lâu do có rất nhiều ứng dụng như: Sử dụng trong hệ thống nhận dạng cảm xúc, hệ thống tương tác giữa người và máy (điều khiển máy tính qua các cử động của khuôn mặt), hệ thống nhận dạng người (giúp cho các cơ quan an ninh quản lý con người), hệ thống quan sát theo dõi như hệ thống quản lý việc ra vào cho các cơ quan và công ty, hệ thống kiểm tra người lái xe có ngủ gật hay không, hệ thống phân tích cảm xúc trên khuôn mặt, hệ thống nhận dạng khuôn mặt cho các máy ảnh kỹ thuật số,. Trích chọn đặc trưng là trích ra những đặc trưng quan trọng cơ bản nhất của mỗi đối tượng [5]. Yêu cầu của trích chọn đặc trưng là phải đủ các thuộc tính tuy nhiên với số lượng nhỏ nhất có thể và vẫn đảm bảo được việc phân biệt đối tượng này với đối tượng kia (xem hình 1. Các từ Đặc trưng hình ảnh Từ điển hình (a) LUAN VAN CHAT LUONG download : add luanvanchat@agmail.6 Ví dụ về trích chọn đặc trưng từ ảnh: (a) ảnh sẽ được trích từng vùng và cho vào túi đựng các đối tượng đặc trưng, (b), các đặc trưng được trích chọn sử dụng các biến đổi toán học để tìm ra các điểm (vùng điểm) quan trọng.

Đối với bài toán trích chọn đặc trưng cho ảnh, cụ thể là ảnh mặt người, trước hết chúng ta phải hiểu ảnh là gì. Ảnh bản chất là một ma trận các số, mỗi số tương ứng với thông tin trên các điểm ảnh.