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.

Nội dung chính

Tổng quan nghiên cứu

Trong kỷ nguyên số hóa và phát triển mạnh mẽ của Trí tuệ nhân tạo, nhận dạng cảm xúc khuôn mặt (Facial Expression Recognition) đóng vai trò nền tảng trong việc nâng cao trải nghiệm tương tác người - máy, giám sát an ninh và chăm sóc sức khỏe thông minh. Khuôn mặt con người phản ánh trực tiếp 7 trạng thái cảm xúc cơ bản gồm hạnh phúc, ngạc nhiên, ghê tởm, buồn, sợ hãi, giận dữ và bình thường. Tuy nhiên, việc trích xuất và phân loại chính xác các trạng thái này từ hàng nghìn điểm ảnh ma trận gặp nhiều thách thức do sự biến thiên phức tạp về cường độ ánh sáng, góc nghiêng và độ phân giải của thiết bị ghi hình.

Nghiên cứu tập trung giải quyết bài toán cốt lõi: tối ưu hóa quá trình trích chọn đặc trưng không gian của dữ liệu hình ảnh và ứng dụng các mô hình học máy bán giám sát để phân loại cảm xúc khuôn mặt một cách chính xác. Mục tiêu cụ thể là nghiên cứu chuyên sâu ba kỹ thuật trích xuất đặc trưng kinh điển gồm Gabor, HoG (Histogram of Oriented Gradients) và LBP (Local Binary Pattern), sau đó kết hợp với thuật toán phân cụm cải tiến MCSSDBS nhằm xử lý hiệu quả tập dữ liệu có lượng nhãn giới hạn.

Phạm vi nghiên cứu được triển khai trên hai bộ dữ liệu thực nghiệm tiêu chuẩn gồm bộ dữ liệu quốc tế CK+ và bộ dữ liệu khuôn mặt người Việt Nam ITI tại Trường Đại học Công nghệ Thông tin và Truyền thông - Đại học Thái Nguyên. Kết quả nghiên cứu mang ý nghĩa thực tiễn to lớn khi thuật toán đề xuất đạt chỉ số chính xác Rand Index lên đến 97.0% trên tập dữ liệu CK+ và 87.0% trên tập dữ liệu ITI, mở ra giải pháp tối ưu chi phí gán nhãn cho các hệ thống thị giác máy tính hiện đại.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên quy trình 5 bước của Khai phá dữ liệu và Phát hiện tri thức từ dữ liệu (KDD), bao gồm: hình thành bài toán, tiền xử lý dữ liệu thô, trích chọn và biến đổi đặc trưng, khai phá dữ liệu thông qua mô hình học máy, và diễn giải tri thức. Luận văn đi sâu vào ba lý thuyết trích chọn đặc trưng không gian và kết cấu bề mặt ảnh:

• Bộ lọc Gabor 2 chiều: Sử dụng hàm Gaussian kết hợp sóng sin phức hợp để phân tích kết cấu ảnh đa tần số và đa hướng. Mô hình sử dụng 5 loại tần số và 8 hướng khác nhau, tạo nên một ngân hàng 40 bộ lọc Gabor giúp thu nhận toàn diện các biến thiên góc cạnh trên khuôn mặt.
• Mô hình Histogram of Oriented Gradients (HoG): Phân tích phân bố cường độ gradient và hướng biên cạnh của ảnh. Không gian hướng nghiêng được chia thành 9 bin rời rạc trong phạm vi từ 0 đến 180 độ, kết hợp kỹ thuật chuẩn hóa khối theo chuẩn L2-norm để giảm thiểu ảnh hưởng của sự thay đổi ánh sáng.
• Mẫu nhị phân địa phương (Local Binary Pattern - LBP): Đo độ tương phản cục bộ thông qua việc so sánh giá trị mức xám của điểm ảnh trung tâm với 8 điểm lân cận. Biến thể LBP đồng dạng (Uniform LBP) rút gọn không gian đặc trưng xuống còn 59 nhãn mẫu, mang lại khả năng bất biến vượt trội trước sự thay đổi đơn điệu về độ sáng.
• Khung học máy bán giám sát (Semi-supervised Learning): Khai thác cấu trúc dữ liệu kết hợp giữa một lượng nhỏ mẫu có gán nhãn (seeds) cùng hai loại ràng buộc cơ bản là Must-link (hai đối tượng bắt buộc cùng cụm) và Cannot-link (hai đối tượng bắt buộc khác cụm).

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu thực nghiệm từ hai tập ảnh độc lập: tập dữ liệu tiêu chuẩn quốc tế CK+ gồm hàng trăm khung hình khuôn mặt chất lượng cao và tập dữ liệu ITI được thu thập từ video thực tế của người Việt Nam. Cỡ mẫu nghiên cứu bao gồm hàng trăm ảnh khuôn mặt thuộc 7 nhóm trạng thái cảm xúc, được chọn lựa theo phương pháp chọn mẫu phân tầng có chủ đích nhằm đảm bảo sự cân bằng giữa các nhóm cảm xúc và tính đại diện về đặc điểm nhân trắc học.

Lý do lựa chọn phương pháp phân tích: Việc phân loại cảm xúc thực tế thường đối mặt với tình trạng thiếu hụt dữ liệu gán nhãn sẵn. Do đó, tác giả lựa chọn phương pháp phân tích bán giám sát dựa trên mật độ (SSDBSCAN và cải tiến MCSSDBS) thay vì các mô hình phân cụm khoảng cách truyền thống. Các thuật toán này có khả năng tự động thích ứng với các cụm dữ liệu phi tuyến có hình dạng bất kỳ trong không gian nhiều chiều.

Quy trình nghiên cứu được triển khai qua hai giai đoạn công nghệ:

1. Giai đoạn 1: Tiền xử lý ảnh, trích xuất đặc trưng Gabor và giảm số chiều dữ liệu từ không gian ma trận đa chiều xuống còn 36 chiều đặc trưng chính bằng thuật toán phân tích thành phần chính (PCA) trên môi trường MATLAB.
2. Giai đoạn 2: Cài đặt và thực thi các thuật toán phân cụm K-Means, Seed K-Means, SSDBSCAN và MCSSDBS trên nền tảng ngôn ngữ Java. Hiệu năng phân loại được đo lường thông qua chỉ số Rand Index (RI) với thang điểm từ 0 đến 1, tính trung bình qua 20 đến 50 lần chạy ngẫu nhiên để triệt tiêu sai số khởi tạo.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đã ghi nhận nhiều phát hiện định lượng quan trọng về hiệu năng của các giải thuật trích chọn đặc trưng và phân cụm dữ liệu:

• Thuật toán phân cụm bán giám sát MCSSDBS kết hợp đặc trưng Gabor đạt hiệu năng xuất sắc nhất với chỉ số Rand Index đạt 97.0% trên tập dữ liệu CK+ khi tích hợp 25 nhãn lớp hạt giống và 400 ràng buộc quan hệ.
• Trên tập dữ liệu thực tế ITI của người Việt Nam, thuật toán MCSSDBS duy trì độ chính xác ấn tượng với chỉ số Rand Index đạt 87.0%, chứng minh tính thích nghi cao với dữ liệu khuôn mặt thực tế ngoài phòng thí nghiệm.
• Thuật toán phân cụm không giám sát truyền thống K-Means chỉ đạt chỉ số Rand Index trung bình 67.6% sau 50 lần chạy thực nghiệm, thấp hơn 29.4% so với mô hình MCSSDBS.
• Phương pháp Seed K-Means cho thấy sự cải thiện không đáng kể so với K-Means cơ bản ngay cả khi được cung cấp thêm dữ liệu gán nhãn, phản ánh hạn chế cố hữu của các mô hình giả định cụm dạng hình cầu đối với không gian đặc trưng khuôn mặt.

Thảo luận kết quả

Nguyên nhân cốt lõi dẫn đến sự vượt trội của MCSSDBS nằm ở bản chất phân bố không gian của dữ liệu ảnh sau khi trích xuất đặc trưng Gabor. Dữ liệu cảm xúc khuôn mặt trong không gian 36 chiều sau PCA tạo thành các cụm có mật độ không đồng đều và ranh giới phi tuyến tính phức tạp. Thuật toán K-Means và Seed K-Means dựa trên khoảng cách Euclidean đến tâm điểm nên thường xuyên phân loại nhầm các biên cảm xúc tương đồng như sợ hãi (fear) và ngạc nhiên (surprise).

Ngược lại, MCSSDBS tận dụng hiệu quả các thông tin ràng buộc Must-link và Cannot-link để hướng dẫn quá trình lan truyền mật độ, giúp phân tách rõ ràng 7 vùng cảm xúc rời rạc. Khi so sánh với các nghiên cứu sử dụng học có giám sát hoàn toàn vốn đòi hỏi 100% dữ liệu phải dán nhãn thủ công tốn kém, mô hình đề xuất chỉ cần sử dụng dưới 10% dữ liệu hướng dẫn nhưng vẫn đạt độ chính xác xấp xỉ các hệ thống phân lớp chuyên sâu.

Trong các báo cáo phân tích, toàn bộ dữ liệu thực nghiệm có thể được trực quan hóa tối ưu thông qua hai dạng thức biểu diễn:

• Biểu đồ cột so sánh trực quan chỉ số Rand Index giữa 4 thuật toán (K-Means: 67.6%, Seed K-Means: khoảng 70.0%, SSDBSCAN: 89.5%, MCSSDBS: 97.0%).
• Đồ thị đường thể hiện tốc độ tăng trưởng của độ chính xác phân cụm tương ứng với số lượng ràng buộc tăng dần từ 50, 100, 200 đến 400 ràng buộc, minh họa rõ nét tác động tích cực của tri thức chuyên gia đối với chất lượng mô hình.

Đề xuất và khuyến nghị

Dựa trên các kết quả đạt được, luận văn đưa ra 4 nhóm giải pháp mang tính hành động cao nhằm thúc đẩy ứng dụng nhận dạng cảm xúc khuôn mặt vào thực tiễn:

• Mở rộng và chuẩn hóa cơ sở dữ liệu khuôn mặt người Việt: Thu thập và chuẩn hóa bổ sung ít nhất 5.000 mẫu ảnh khuôn mặt trong điều kiện ánh sáng tự nhiên và góc quay đa dạng. Mục tiêu nâng độ chính xác nhận dạng trên tập dữ liệu nội địa từ 87.0% lên trên 92.0%. Thời gian thực hiện: 6 tháng. Chủ thể: Các viện nghiên cứu thị giác máy tính và trường đại học công nghệ.
• Tích hợp kiến trúc học sâu lai ghép (Hybrid Architecture): Kết hợp kỹ thuật trích chọn đặc trưng kết cấu Gabor/LBP với mạng nơ-ron tích chập (CNN) để tự động hóa khâu học biểu diễn đặc trưng sâu, hướng tới mục tiêu đạt chỉ số Rand Index trên 98.5% trên mọi tập dữ liệu. Thời gian thực hiện: 9 tháng. Chủ thể: Đội ngũ kỹ sư Trí tuệ nhân tạo và các nhóm nghiên cứu học máy.
• Tối ưu hóa thuật toán phục vụ xử lý thời gian thực (Real-time Optimization): Tái cấu trúc và chuyển đổi mã nguồn thuật toán MCSSDBS từ Java sang C++ hoặc CUDA, tối ưu hóa các phép nhân chập ma trận để giảm thời gian xử lý xuống dưới 30ms cho mỗi khung hình video độ phân giải Full HD. Thời gian thực hiện: 4 tháng. Chủ thể: Kỹ sư lập trình hệ thống nhúng và xử lý ảnh.
• Triển khai thử nghiệm trong hệ thống an toàn giao thông và EdTech: Ứng dụng mô hình vào hệ thống camera hành trình nhằm phát hiện sớm trạng thái buồn ngủ, mệt mỏi của tài xế với độ chính xác mục tiêu trên 95.0%, đồng thời ứng dụng trong lớp học thông minh để phân tích mức độ tập trung của học viên. Thời gian thực hiện: 12 tháng. Chủ thể: Doanh nghiệp công nghệ phát triển giải pháp phần mềm và thiết bị giao thông thông minh.

Đối tượng nên tham khảo luận văn

Tài liệu luận văn mang lại giá trị học thuật và ứng dụng thực tiễn chuyên sâu cho 4 nhóm đối tượng chính:

• Giảng viên, nghiên cứu sinh và học viên cao học chuyên ngành Khoa học máy tính và Trí tuệ nhân tạo: Tiếp cận tài liệu tham khảo hệ thống về toán học của các bộ lọc ảnh 2 chiều (Gabor, HoG, LBP) và các biến thể phân cụm bán giám sát dựa trên mật độ.
• Kỹ sư thị giác máy tính (Computer Vision Engineers) và lập trình viên AI: Khai thác quy trình kỹ thuật kết hợp giữa xử lý ảnh trên MATLAB và xây dựng mô hình thuật toán trên Java, cùng phương pháp giảm chiều dữ liệu PCA từ hàng nghìn chiều về 36 chiều đặc trưng.
• Chuyên gia phát triển hệ thống tương tác người - máy (HCI) và trải nghiệm người dùng: Ứng dụng kiến trúc nhận dạng 7 trạng thái cảm xúc tự nhiên để thiết kế các giao diện thông minh có khả năng phản hồi linh hoạt theo tâm trạng người dùng.
• Doanh nghiệp công nghệ phát triển camera thông minh và giám sát an ninh: Tiếp cận giải pháp phân loại trạng thái tâm lý và hành vi con người hiệu quả trong bối cảnh dữ liệu camera giám sát thực tế phần lớn chưa được gán nhãn.

Câu hỏi thường gặp

Tại sao nghiên cứu lựa chọn thuật toán phân cụm bán giám sát thay vì mô hình học có giám sát hoàn toàn? Trong thực tế, việc thu thập và gán nhãn thủ công cho hàng chục nghìn bức ảnh khuôn mặt đòi hỏi chi phí nhân lực và thời gian rất lớn. Phương pháp bán giám sát như MCSSDBS giải quyết triệt để bài toán này khi chỉ cần khoảng 10% đến 15% dữ liệu được gán nhãn định hướng nhưng vẫn đạt độ chính xác phân loại ấn tượng 97.0%.

Thuật toán MCSSDBS có điểm gì vượt trội so với thuật toán SSDBSCAN truyền thống? Thuật toán SSDBSCAN tiêu chuẩn chỉ khai thác các điểm hạt giống có gán nhãn sẵn để định hình cụm mật độ. Trong khi đó, MCSSDBS tích hợp đồng thời cả tập nhãn hạt giống lẫn các ràng buộc quan hệ Must-link và Cannot-link, giúp mô hình kiểm soát chặt chẽ quá trình mở rộng cụm và triệt tiêu đáng kể hiện tượng phân cụm sai lệch do nhiễu dữ liệu.

Tại sao phương pháp phân cụm K-Means lại cho kết quả thấp nhất trong các thử nghiệm? K-Means chỉ đạt 67.6% chỉ số Rand Index do thuật toán này hoạt động dựa trên giả định các cụm dữ liệu phân bố đều theo dạng hình cầu xung quanh tâm điểm. Trong khi đó, không gian đặc trưng cảm xúc khuôn mặt có phân bố phi tuyến tính phức tạp, khiến các đường biên cụm bị chồng lấn nghiêm trọng.

Sự khác biệt căn bản giữa ba phương pháp trích chọn đặc trưng Gabor, HoG và LBP là gì? Bộ lọc Gabor phân tích tần số và hướng sóng sin ở nhiều góc độ (40 bộ lọc), rất nhạy với nếp nhăn và cơ mặt. HoG tập trung vào độ lớn và hướng của gradient biên cạnh (9 bin góc). LBP mã hóa sự sai khác mức xám cục bộ với 59 mẫu đồng dạng, có ưu thế tính toán cực nhanh và bất biến trước thay đổi ánh sáng.

Chỉ số Rand Index (RI) phản ánh chất lượng phân loại cảm xúc như thế nào? Chỉ số Rand Index đo lường tỷ lệ các cặp mẫu được phân vào cùng một cụm hoặc khác cụm một cách chính xác so với phân bố nhãn thực tế. Giá trị RI dao động từ 0 đến 1, trong đó chỉ số 0.97 (tương đương 97.0%) của thuật toán MCSSDBS chứng minh khả năng phân tách chuẩn xác gần như tuyệt đối giữa 7 trạng thái cảm xúc.

Kết luận

Nghiên cứu đã giải quyết thành công bài toán phân loại trạng thái cảm xúc khuôn mặt thông qua việc kết hợp tối ưu giữa kỹ thuật trích chọn đặc trưng không gian và học máy bán giám sát:

• Hệ thống hóa toàn diện cơ sở toán học và quy trình tính toán của ba kỹ thuật trích chọn đặc trưng hình ảnh hàng đầu gồm Gabor (40 bộ lọc), HoG (9 bin hướng) và LBP (59 mẫu đồng dạng).
• Chứng minh tính ưu việt vượt trội của giải thuật phân cụm bán giám sát MCSSDBS khi đạt độ chính xác Rand Index 97.0% trên tập dữ liệu CK+ và 87.0% trên tập dữ liệu ITI.
• Khẳng định giải pháp giảm chiều dữ liệu PCA về 36 thành phần chính giúp bảo toàn tối đa thông tin cấu trúc khuôn mặt trong khi giảm thiểu đáng kể chi phí tính toán.
• Cung cấp mô hình thực nghiệm hoàn chỉnh, tạo tiền đề vững chắc cho việc phát triển các ứng dụng nhận diện cảm xúc tự động trong điều kiện dữ liệu thiếu nhãn.
• Xác định lộ trình nghiên cứu trong 6 đến 12 tháng tiếp theo nhằm tích hợp mạng nơ-ron học sâu (Deep Learning) và tối ưu hóa thuật toán cho các thiết bị biên thời gian thực.

Quý độc giả, các nhà nghiên cứu và doanh nghiệp quan tâm đến giải pháp phân tích thị giác máy tính có thể tham khảo toàn văn công trình luận văn thạc sĩ để ứng dụng các thuật toán trích chọn đặc trưng và phân cụm bán giám sát vào các dự án công nghệ thực tế.

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.