Luận Văn Thạc Sĩ VNU UET: Tìm Kiếm và Nhận Dạng Khuôn Mặt Trong Ảnh

Luận văn thạc sĩ VNU UET nghiên cứu công nghệ tìm kiếm và nhận dạng khuôn mặt người trong ảnh, ứng dụng trong công nghệ thông tin.

• Tác giả: Phạm Trung Kiên
• Người hướng dẫn: PGS. Ngô Quốc Tạo
• Trường học: Trường Đại học Công nghệ - ĐHQGHN
• Chuyên ngành: Xử lý ảnh
• Đề tài: Tìm Kiếm và Nhận Dạng Khuôn Mặt Người Trong Ảnh
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2007
• Địa điểm: Hà Nội

Mục lục chi tiết

• MỞ ĐẦU
• 1. CHƯƠNG 1: PHÁT BIỂU BÀI TOÁN
• 1.1. Tổng quan và các khái niệm liên quan đến nhận dạng khuôn mặt
• 1.1.1. Hệ thống sinh trắc học
• 1.1.2. Hệ thống nhận dạng khuôn mặt
• 1.1.3. Hệ thống xác minh hay xác thực khuôn mặt là gì?
• 1.1.4. Hệ thống nhận dạng tĩnh - tĩnh, tĩnh - động, động - động
• 1.1.4.1. Hệ thống nhận dạng tĩnh - tĩnh
• 1.1.4.2. Hệ thống nhận dạng tĩnh - động
• 1.1.4.3. Hệ thống nhận dạng động - động
• 1.1.5. Những thách thức trong bài toán nhận dạng khuôn mặt
• 1.1.6. Sai số trong hệ nhận dạng
• 1.2. Các ứng dụng tương tác người máy (Human computer interactive) liên quan đến khuôn mặt
• 1.3. Các hướng tiếp cận chính trong lĩnh vực nhận dạng khuôn mặt
• 1.3.1. Các công trình nghiên cứu về phương pháp nhận dạng và kiểm chứng chất lượng cho một hệ thống nhận dạng khuôn mặt
• 1.3.2. Hướng tiếp cận được thử nghiệm trong luận văn
• 2. CHƯƠNG 2: DÒ TÌM KHUÔN MẶT TRONG ẢNH MÀU
• 2.1. Các thách thức trong việc dò tìm khuôn mặt
• 2.2. Một số hướng tiếp cận thường được dùng trong dò tìm khuôn mặt nhanh
• 2.3. Tìm kiếm khuôn mặt người trong ảnh dựa trên màu da
• 2.3.1. Dò tìm da trên ảnh màu
• 2.3.1.1. Mô hình hóa da
• 2.3.1.2. Không gian màu cho mô hình da
• 2.3.1.2.1. Phân tách vùng da trong không gian màu rg
• 2.3.1.3. Xác định vùng da sử dụng entropy
• 2.3.1.3.1. Khái niệm về entropy
• 2.3.1.3.2. Phát hiện màu da bằng mô hình Entropy cực đại
• 2.3.2. Định vị khuôn mặt bên trong các vùng da
• 2.3.2.1. Định vị vùng khả năng mặt
• 2.3.2.2. Ra quyết định sử dụng đối sánh mẫu
• 2.3.3. Kết luận về tìm kiếm khuôn mặt dựa trên màu da
• 3. CHƯƠNG 3: RÚT TRÍCH ĐẶC TRƯNG TỪ KHUÔN MẶT
• 3.1. Tiếp cận theo phương pháp phân tích thành phần chính (Principal Component Analysis hay PCA)
• 3.1.1. Vector riêng, Trị riêng và sự chéo hoá của ma trận
• 3.1.2. Kì vọng và phương sai trong thống kê đa chiều
• 3.1.3. Phương pháp phân tích thành phần chính (Principal Component Anlysis hay PCA)
• 3.1.4. Trích đặc trưng bằng phương pháp PCA
• 3.1.5. Kỹ thuật tính đặc trưng bằng PCA
• 3.1.6. Phương pháp PCA toàn cục và cục bộ
• 3.1.6.1. Phương pháp PCA toàn cục
• 3.1.6.2. Phương pháp PCA cục bộ
• 3.1.7. Mộ số đánh giá quan trọng về rút trích đặc trưng bằng phương pháp PCA
• 3.1.8. So sánh phương pháp PCA toàn cục và PCA cục bộ
• 4. CHƯƠNG 4: MÔ HÌNH MARKOV ẨN VÀ ỨNG DỤNG NHẬN DẠNG KHUÔN MẶT
• 4.1. Giới thiệu mô hình Markov ẩn
• 4.1.1. Mô hình Markov
• 4.1.2. Mô hình Markov ẩn
• 4.1.2.1. Xác suất của chuỗi quan sát
• 4.1.2.2. Dãy trạng thái tối ưu
• 4.1.2.3. Hiệu chỉnh các tham số của mô hình
• 4.1.2.4. Khoảng cách giữa các mô hình Markov ẩn
• 4.2. Mô hình Markov ẩn và nhận dạng mặt người
• 4.2.1. Mô hình Markov ẩn biểu diễn ảnh mặt
• 4.2.2. Trích chọn đặc trưng
• 4.2.3. Luyện mô hình mặt
• 4.2.4. Nhận dạng khuôn mặt người trong ảnh
• 4.2.5. Tìm kiếm khuôn mặt người trong ảnh
• 4.2.6. Các dạng của mô hình Markov ẩn trong mô tả khuôn mặt
• 4.3. Kết chương
• 5. CHƯƠNG 5: KẾT LUẬN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Tìm Kiếm và Nhận Dạng Khuôn Mặt Trong Ảnh

Nhận dạng khuôn mặt là một lĩnh vực quan trọng trong công nghệ xử lý ảnh và thị giác máy tính. Nó không chỉ giúp xác định danh tính của một người mà còn có nhiều ứng dụng trong an ninh, giám sát và tương tác người-máy. Hệ thống nhận dạng khuôn mặt sử dụng các thuật toán phức tạp để phân tích và so sánh các đặc điểm khuôn mặt, từ đó đưa ra kết quả chính xác. Việc tìm kiếm và nhận dạng khuôn mặt trong ảnh đã trở thành một chủ đề nghiên cứu sôi nổi, đặc biệt là sau sự kiện 11/9, khi nhu cầu về an ninh gia tăng.

1.1. Khái Niệm Cơ Bản Về Nhận Dạng Khuôn Mặt

Nhận dạng khuôn mặt là quá trình xác định danh tính của một người dựa trên các đặc điểm sinh học của khuôn mặt. Hệ thống này thường sử dụng các kỹ thuật như phân tích thành phần chính (PCA) và mạng nơ-ron để trích xuất và so sánh các đặc điểm khuôn mặt.

1.2. Các Hệ Thống Nhận Dạng Khuôn Mặt Hiện Nay

Có nhiều loại hệ thống nhận dạng khuôn mặt, bao gồm hệ thống tĩnh và động. Hệ thống tĩnh sử dụng ảnh tĩnh để nhận dạng, trong khi hệ thống động có thể nhận dạng khuôn mặt trong video. Mỗi loại hệ thống có những ưu điểm và thách thức riêng.

II. Những Thách Thức Trong Nhận Dạng Khuôn Mặt

Mặc dù công nghệ nhận dạng khuôn mặt đã phát triển mạnh mẽ, nhưng vẫn tồn tại nhiều thách thức. Các yếu tố như ánh sáng, góc chụp và trạng thái cảm xúc có thể ảnh hưởng đến độ chính xác của hệ thống. Ngoài ra, sự đa dạng về hình dáng và kích thước khuôn mặt cũng tạo ra khó khăn trong việc nhận dạng.

2.1. Ảnh Hưởng Của Ánh Sáng và Góc Chụp

Ánh sáng không đồng đều và góc chụp khác nhau có thể làm biến dạng hình ảnh khuôn mặt, dẫn đến sai số trong quá trình nhận dạng. Việc phát triển các thuật toán có khả năng xử lý các biến đổi này là rất cần thiết.

2.2. Độ Chính Xác Của Hệ Thống Nhận Dạng

Độ chính xác của hệ thống nhận dạng khuôn mặt thường được đo bằng các chỉ số như tỷ lệ sai số bắt nhầm (FAR) và tỷ lệ sai số bỏ sót (FRR). Việc cải thiện các chỉ số này là một trong những mục tiêu chính của nghiên cứu trong lĩnh vực này.

III. Phương Pháp Tìm Kiếm Khuôn Mặt Trong Ảnh

Có nhiều phương pháp khác nhau để tìm kiếm khuôn mặt trong ảnh, bao gồm các kỹ thuật dựa trên màu da, hình dạng và các đặc điểm sinh học khác. 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. Tìm Kiếm Khuôn Mặt Dựa Trên Màu Da

Phương pháp này sử dụng các mô hình màu để xác định vùng da trong ảnh. Việc phân tách vùng da giúp tăng khả năng phát hiện khuôn mặt, đặc biệt trong các điều kiện ánh sáng khác nhau.

3.2. Sử Dụng Kỹ Thuật Phân Tích Thành Phần Chính PCA

PCA là một trong những phương pháp phổ biến để rút trích đặc trưng khuôn mặt. Kỹ thuật này giúp giảm số lượng biến và tập trung vào các đặc điểm quan trọng nhất của khuôn mặt, từ đó cải thiện độ chính xác trong nhận dạng.

IV. Ứng Dụng Thực Tiễn Của Nhận Dạng Khuôn Mặt

Nhận dạng khuôn mặt có nhiều ứng dụng thực tiễn trong đời sống, từ an ninh đến thương mại điện tử. Các hệ thống nhận dạng khuôn mặt đang được áp dụng rộng rãi trong các lĩnh vực như giám sát an ninh, kiểm soát truy cập và nhận diện khách hàng.

4.1. Ứng Dụng Trong An Ninh

Hệ thống nhận dạng khuôn mặt được sử dụng để giám sát an ninh tại các sân bay, ngân hàng và các khu vực công cộng. Việc nhận diện nhanh chóng và chính xác giúp ngăn chặn các hành vi phạm tội.

4.2. Ứng Dụng Trong Thương Mại Điện Tử

Trong thương mại điện tử, nhận dạng khuôn mặt có thể được sử dụng để xác thực danh tính người dùng, từ đó tăng cường bảo mật và giảm thiểu gian lận trong giao dịch.

V. Kết Luận và Tương Lai Của Nhận Dạng Khuôn Mặt

Nhận dạng khuôn mặt là một lĩnh vực đang phát triển nhanh chóng với nhiều tiềm năng ứng dụng. Tuy nhiên, để đạt được độ chính xác cao hơn và giảm thiểu sai số, cần tiếp tục nghiên cứu và phát triển các thuật toán mới. Tương lai của công nghệ này hứa hẹn sẽ mang lại nhiều cải tiến trong an ninh và tiện ích cho người dùng.

5.1. Xu Hướng Nghiên Cứu Trong Tương Lai

Các nghiên cứu trong tương lai sẽ tập trung vào việc cải thiện độ chính xác và khả năng xử lý của hệ thống nhận dạng khuôn mặt, đồng thời phát triển các ứng dụng mới trong nhiều lĩnh vực khác nhau.

5.2. Thách Thức Cần Đối Mặt

Mặc dù có nhiều tiến bộ, nhưng vẫn còn nhiều thách thức cần giải quyết, bao gồm vấn đề về quyền riêng tư và bảo mật thông tin cá nhân trong quá trình sử dụng công nghệ nhận dạng khuôn mặt.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh an ninh toàn cầu có nhiều biến động sâu sắc sau sự kiện ngày 11 tháng 9 năm 2001, công nghệ nhận dạng sinh trắc học đã trở thành ưu tiên chiến lược của nhiều quốc gia. Theo thống kê từ Tổ chức Hàng không Dân dụng Quốc tế (ICAO), có khoảng 34 quốc gia đã triển khai tích hợp dữ liệu sinh trắc học vào hộ chiếu điện tử nhằm phục vụ việc kiểm soát biên giới tự động. Tại Việt Nam, các chương trình nghiên cứu ứng dụng thông tin sinh trắc vào giấy tờ công dân và hộ chiếu điện tử cũng được thúc đẩy mạnh mẽ với kế hoạch thử nghiệm thực tế từ năm 2008.

Nhận dạng khuôn mặt nổi bật như một phương thức thu nhận sinh trắc học thuận tiện, nhanh chóng và không xâm lấn thông qua hệ thống camera giám sát. Tuy nhiên, thách thức cốt lõi của bài toán này nằm ở sự biến thiên phức tạp của dữ liệu hình ảnh trong thực tế. Các yếu tố như điều kiện chiếu sáng thay đổi, góc nghiêng khuôn mặt, trạng thái cảm xúc, sự che khuất và nhiễu từ môi trường làm suy giảm đáng kể độ chính xác của các thuật toán xử lý ảnh truyền thống.

Luận văn thạc sĩ "Tìm kiếm và nhận dạng khuôn mặt người trong ảnh" của tác giả Phạm Trung Kiên, dưới sự hướng dẫn khoa học của Phó Giáo sư Ngô Quốc Tạo tại Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội, tập trung giải quyết bài toán phát hiện và nhận diện khuôn mặt tự động bằng cách kết hợp các mô hình toán học và thống kê hiện đại. Mục tiêu nghiên cứu hướng đến việc nâng cao độ chính xác tổng thể, giảm thiểu sai số bắt nhầm (FAR) và sai số bỏ sót (FRR), từ đó tối ưu hóa tỷ lệ chấp nhận đúng (TAR = 1 - FRR) trong các điều kiện môi trường phức tạp.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng dựa trên ba trụ cột lý thuyết chính trong lĩnh vực xử lý ảnh và thị giác máy tính:

Thứ nhất là lý thuyết phân đoạn màu da trong không gian sắc độ chuẩn hóa rg. Không gian màu RGB truyền thống chứa cả thông tin sắc độ lẫn độ chói, khiến thuật toán rất nhạy cảm với sự thay đổi của nguồn sáng. Bằng cách thực hiện phép chuẩn hóa r = R / (R + G + B) và b = B / (R + G + B), thành phần độ chói được loại bỏ hiệu quả, cho phép mô hình hóa phân phối màu da thông qua phân phối xác suất Gaussian đơn biến hoặc kết hợp với ma trận hiệp phương sai.

Thứ hai là nguyên lý Entropy cực đại (Maximum Entropy) và phân phối Gibbs. Thay vì xem các điểm ảnh là độc lập, nghiên cứu áp dụng mô hình liên kết lân cận (hệ thống 4 điểm lân cận và 8 điểm lân cận) để biểu diễn sự phân bố đồng nhất của các vùng da liên tục, giúp loại bỏ nhiễu biên và hiện tượng phân mảnh vùng ảnh.

Thứ ba là phương pháp phân tích thành phần chính (PCA) và mô hình Markov ẩn (HMM). PCA được sử dụng để giảm số chiều không gian vector đặc trưng từ n chiều xuống k chiều (với k nhỏ hơn rất nhiều so với n) dựa trên phép biến đổi ma trận trực giao và tối thiểu hóa sai số toàn phương trung bình (MSE). Mô hình Markov ẩn dạng Left - Right 6 trạng thái được thiết lập để mô tả cấu trúc topo tự nhiên của khuôn mặt theo thứ tự từ trên xuống dưới: trán, chân mày, mắt, mũi, miệng và cằm.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm của đề tài sử dụng bộ cơ sở dữ liệu quốc tế Compaq với khoảng 20.000 ảnh màu được gán nhãn chi tiết cho lớp màu da và không phải màu da. Bên cạnh đó, nghiên cứu tham chiếu tập dữ liệu của Henry Chang và Ulises Robles gồm 32.500 mẫu da từ 17 bức ảnh màu thuộc nhiều chủng tộc (Châu Á, da trắng, Châu Phi) đã qua bộ lọc trung bình để khử nhiễu.

Phương pháp chọn mẫu phân tầng ngẫu nhiên được áp dụng để chia dữ liệu thành hai tập huấn luyện và kiểm thử độc lập. Quy trình này đảm bảo tính khách quan khi ước lượng tham số và đánh giá khả năng tổng quát hóa của mô hình.

Lý do lựa chọn phương pháp phân tích kết hợp giữa PCA cục bộ và HMM xuất phát từ việc cân bằng giữa độ chính xác và chi phí tính toán. Thay vì áp dụng PCA toàn cục trên toàn bộ ảnh kích thước 30x30 điểm ảnh, việc chia nhỏ thành 9 vùng cục bộ kích thước 10x10 điểm ảnh giúp giảm độ phức tạp tính toán của phép nhân ma trận từ bậc $O(n^4)$ xuống mức xấp xỉ một phần tư, đồng thời bảo toàn các đặc trưng cấu trúc cục bộ quan trọng trên khuôn mặt.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Nghiên cứu đã ghi nhận những kết quả thực nghiệm nổi bật qua từng giai đoạn xử lý của hệ thống:

Thứ nhất, việc ứng dụng mô hình Entropy cực đại kết hợp ràng buộc lân cận (mô hình Markov ngẫu nhiên) cho kết quả vượt trội so với mô hình Baseline độc lập. Quá trình lấy mẫu Gibbs và tối thiểu hóa hàm năng lượng đã xác định được các tham số tối ưu $a_0 \approx 3,76$ và $a_1 \approx 3,94$. Nhờ khả năng lan truyền màu sắc theo vùng liên thông, tỷ lệ phát hiện chính xác vùng da tăng hơn 20% so với phương pháp phân ngưỡng đơn giản, loại bỏ hiệu quả hiện tượng thủng lỗ trên bề mặt da mặt.

Thứ hai, trong bước định vị khuôn mặt, việc tích hợp các đặc trưng hình học như góc nghiêng $\theta$ tính qua mô men bậc hai, trọng tâm vùng ảnh và bộ lọc tỷ lệ co giãn (duy trì tỷ số chiều cao trên chiều rộng trong khoảng 0,8 đến 1,6) đã loại trừ hơn 85% các vùng da không phải mặt (như bàn tay, cánh tay, nền trùng màu). Phép đối sánh mẫu tương quan chéo chuẩn hóa đạt độ hội tụ cao nhất tại ngưỡng quyết định tối ưu $\gamma_{xy} \approx 0,60 - 0,70$.

Thứ ba, kỹ thuật PCA cục bộ theo hướng phụ thuộc (chọn đặc trưng dựa trên độ biến thiên trị riêng) mang lại hiệu quả nhận dạng cao hơn PCA toàn cục truyền thống từ 3% đến 5%, đồng thời rút ngắn thời gian xử lý ma trận trên từng khung hình, tạo tiền đề vững chắc cho việc nhận dạng theo thời gian thực.

Thảo luận kết quả

Nguyên nhân giúp mô hình đạt hiệu suất cao là nhờ việc tách bạch rõ ràng giữa xử lý màu sắc và cấu trúc hình học. Phân tích màu da trong không gian sắc độ rg giúp thu hẹp không gian tìm kiếm ban đầu, sau đó HMM và PCA cục bộ đóng vai trò phân lớp chính xác cấu trúc giải phẫu của khuôn mặt.

Khi so sánh với các kỹ thuật cùng thời kỳ như Active Shape Models (ASM) hay AdaBoost (xử lý khoảng 15 đến 20 khung hình mỗi giây), giải pháp đề xuất trong luận văn cho thấy sự cân bằng xuất sắc giữa tính linh hoạt đối với ảnh tĩnh có nền phức tạp và tính khả thi khi triển khai trên phần cứng máy tính phổ thông.

Về mặt trực quan hóa, dữ liệu thực nghiệm có thể được biểu diễn rõ ràng qua đồ thị hàm sai số FAR và FRR theo các ngưỡng quyết định $t$. Giao điểm của hai đường cong này xác định điểm sai số cân bằng (Equal Error Rate - EER), phản ánh ngưỡng vận hành tối ưu cho hệ thống an ninh. Đồng thời, bảng ma trận đối sánh thời gian xử lý giữa PCA toàn cục và PCA cục bộ 9 phân vùng minh chứng rõ rệt sự sụt giảm tài nguyên tính toán khi phân rã dữ liệu đa chiều.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu và bối cảnh thực tiễn, luận văn đưa ra 4 khuyến nghị then chốt nhằm hoàn thiện và ứng dụng công nghệ nhận dạng khuôn mặt:

1. Nâng cấp mô hình phân đoạn vùng da bằng cách tích hợp không gian màu TSL hoặc YCbCr cùng hệ thống 8 điểm lân cận. Giải pháp này giúp giảm sai số bắt nhầm (FAR) xuống dưới mức 0,5% trong điều kiện nguồn sáng phức tạp, dự kiến thực hiện trong vòng 6 tháng bởi các nhóm kỹ sư thị giác máy tính.
2. Tối ưu hóa kiến trúc PCA cục bộ phân cấp để nhúng trực tiếp vào các hệ thống xử lý thời gian thực, nâng tốc độ nhận dạng lên mốc 15 đến 20 khung hình mỗi giây trên luồng video camera. Mục tiêu này cần được các đơn vị phát triển giải pháp công nghệ an ninh triển khai trong vòng 12 tháng.
3. Mở rộng tập dữ liệu mẫu khuôn mặt người Việt Nam với quy mô tối thiểu 50.000 ảnh đa dạng về độ tuổi, giới tính và góc quay nghiêng từ -30 độ đến +30 độ. Đề xuất các viện nghiên cứu phối hợp cùng cơ quan quản lý dữ liệu quốc gia thực hiện trong thời hạn 9 tháng.
4. Chuẩn hóa quy trình kiểm định chất lượng hệ thống sinh trắc học theo các tiêu chuẩn quốc tế ICAO Doc 9303, hướng tới mục tiêu tích hợp hoàn chỉnh công nghệ nhận diện vào cổng kiểm soát xuất nhập cảnh tự động tại các cảng hàng không trước năm 2010 do Bộ Giao thông Vận tải và Cục Hàng không chủ trì.

Đối tượng nên tham khảo luận văn

Nội dung và kết quả của luận văn mang lại giá trị học thuật và ứng dụng thực tiễn cao cho 4 nhóm đối tượng chính:

1. Học viên cao học và nghiên cứu sinh ngành Công nghệ Thông tin, Khoa học Máy tính: Tiếp cận hệ thống lý thuyết chuẩn mực về ma trận hiệp phương sai, đại số tuyến tính trong PCA, phân phối Gibbs và mô hình Markov ẩn ứng dụng trong thị giác máy tính.
2. Kỹ sư phát triển phần mềm và hệ thống trí tuệ nhân tạo: Tham khảo quy trình xây dựng pipeline xử lý ảnh hoàn chỉnh từ lọc màu da, tách vùng liên thông, trích xuất đặc trưng đến ra quyết định phân lớp.
3. Chuyên gia an ninh hàng không và kiểm soát biên giới: Nắm bắt kiến trúc hệ thống xác minh một-một (1:1) và nhận dạng một-nhiều (1:N) để xây dựng giải pháp hộ chiếu điện tử và cổng an ninh tự động.
4. Doanh nghiệp công nghệ trong lĩnh vực Fintech và chấm công tự động: Ứng dụng cơ chế xác thực khuôn mặt như một lớp bảo mật sinh trắc học thứ hai, kết hợp với thẻ thông minh nhằm ngăn chặn gian lận danh tính trong giao dịch thương mại điện tử.

Câu hỏi thường gặp

Sự khác biệt cốt lõi giữa hệ thống nhận dạng và xác minh khuôn mặt là gì? Hệ thống xác minh (verification) thực hiện phép đối sánh một-một (1:1) để kiểm tra một người có đúng với danh tính đã đăng ký hay không (ví dụ kiểm tra thẻ căn cước). Ngược lại, hệ thống nhận dạng (identification) thực hiện phép so sánh một-nhiều (1:N) nhằm tìm kiếm danh tính của một cá nhân chưa biết trong toàn bộ cơ sở dữ liệu đã lưu trữ.

Tại sao không gian màu rg chuẩn hóa lại vượt trội hơn không gian màu RGB trong dò tìm da? Trong không gian RGB nguyên bản, các kênh màu đều bị ảnh hưởng nặng bởi cường độ ánh sáng. Khi chuyển sang không gian sắc độ rg chuẩn hóa với tổng $r + g + b = 1$, thành phần độ chói bị triệt tiêu hoàn toàn. Phân phối màu da của các chủng tộc khác nhau lúc này tụ lại thành một cụm hẹp, giúp mô hình hóa bằng hàm Gaussian chính xác hơn.

Phương pháp PCA cục bộ mang lại ưu thế gì so với PCA toàn cục? PCA cục bộ chia ảnh khuôn mặt 30x30 thành 9 khối nhỏ kích thước 10x10 để trích xuất đặc trưng độc lập hoặc phụ thuộc. Kỹ thuật này giúp giảm kích thước ma trận hiệp phương sai, tăng tốc độ xử lý ma trận lên khoảng 4 lần và bảo toàn tốt các đặc trưng phân biệt quan trọng tại mắt, mũi, miệng.

Mô hình Markov ẩn (HMM) giải quyết bài toán biến dạng cấu trúc khuôn mặt như thế nào? Mô hình HMM phân rã khuôn mặt thành chuỗi 6 trạng thái quan sát theo trục dọc từ trán xuống cằm. Nhờ cơ chế chuyển trạng thái thống kê linh hoạt, HMM có khả năng thích ứng tốt với các biến đổi nhỏ về biểu cảm, độ nghiêng nhẹ hoặc sự dịch chuyển vị trí của các nét trên khuôn mặt.

Các chỉ số FAR, FRR và EER có ý nghĩa gì trong đánh giá hệ thống sinh trắc học? FAR (False Acceptance Rate) đo tỷ lệ nhận nhầm người lạ, FRR (False Reject Rate) đo tỷ lệ từ chối nhầm người hợp lệ. EER (Equal Error Rate) là điểm mà tại đó FAR bằng FRR. Chỉ số EER càng thấp thì hệ thống nhận dạng càng ổn định và có độ tin cậy càng cao.

Kết luận

• Luận văn đã xây dựng thành công quy trình tích hợp toàn diện từ dò tìm màu da trong không gian rg, lọc hình học, đến trích chọn đặc trưng bằng PCA và nhận dạng bằng HMM.
• Đóng góp khoa học nổi bật là việc ứng dụng nguyên lý Entropy cực đại và phân phối Gibbs để giải quyết triệt để bài toán nhiễu và đứt gãy vùng da trong môi trường ánh sáng biến đổi.
• Kỹ thuật PCA cục bộ 9 phân vùng chứng minh tính ưu việt về tốc độ tính toán và khả năng nắm bắt chi tiết cấu trúc giải phẫu khuôn mặt so với phương pháp toàn cục.
• Kế hoạch thử nghiệm tiếp theo định hướng mở rộng tập dữ liệu đa dạng góc nhìn và nâng cao tốc độ xử lý khung hình để ứng dụng trực tiếp vào hệ thống hộ chiếu điện tử và an ninh hàng không.
• Đây là tài liệu tham khảo nền tảng, có giá trị học thuật cao cho các nhà nghiên cứu và kỹ sư đang phát triển các giải pháp thị giác máy tính và sinh trắc học hiện đại.

Trích đoạn nội dung tài liệu

Chương 1 PHÁT BIỂU BÀI TOÁN 1.1 Tổng quan và các khái niệm liên quan đến nhận dạng khuôn mặt 1.1 Hệ thống sinh trắc học Hệ thống sinh trắc học là một hệ thống được thiết kế để xác minh và nhận dạng một người dựa vào những đặc trưng sinh học duy nhất của người đó.2 Hệ thống nhận dạng khuôn mặt Hệ thống nhận dạng khuôn mặt là một hệ thống được thiết kế để tìm thông tin của một người. Kĩ thuật nhận dạng là kiểm tra sự phù hợp dựa trên phép so sánh một-nhiều cụ thể là tìm ra một người là ai trong số những người đã được lưu trữ trong hệ thống dựa vào thông tin khuôn mặt.3 Hệ thống xác minh hay xác thực khuôn mặt là gì? Hệ thống xác minh/xác thực khuôn mặt là một hệ thống được thiết kế để xác minh thông tin của một người. Kĩ thuật xác minh là kiểm tra sự phù hợp trên phép so sánh một-một cụ thể là đối chiếu thông tin mới nhận về một người với thông tin đã lưu trữ về người này có khớp hay không dựa trên thông tin khuôn mặt. Hoàn toàn không biết thông tin Đã biết trước thông tin Nhận dạng người Xác minh người (identification) (verification) ngưòi này là ai ? Đây là Hùng phải không? Kết quả Kết quả Hùng Đúng / sai Hình 1-1.

So sánh hai tác vụ nhận dạng khuôn mặt và xác nhận khuôn mặt 9 LUAN VAN CHAT LUONG download : add luanvanchat@agmail.4 Hệ thống nhận dạng tĩnh - tĩnh, tĩnh - động, động - động 1.1 Hệ thống nhận dạng tĩnh - tĩnh Hệ thống nhận dạng tĩnh - tĩnh là hệ thống được thiết kế bằng cách sử dụng một số ảnh tĩnh làm mẫu để nhận dạng khuôn mặt người trong ảnh tĩnh. Kỹ thuật nhận dạng này kiểm tra sự phù hợp dựa trên phép so sánh một - nhiều như hệ thống nhận dạng nói chung ở trên.2 Hệ thông nhận dạng tĩnh - động Hệ thống nhận dạng tĩnh - động là hệ thống được thiết kế bằng cách sử dụng một số ảnh tĩnh làm mẫu để nhận dạng khuôn mặt người trong ảnh động. Kỹ thuật nhận dạng này kiểm tra sự phù hợp dựa trên phép so sánh một - nhiều như hệ thống nhận dạng nói chung ở trên, song ảnh cần kiểm tra là các khung ảnh động trong các đoạn phim từ các máy camera. Kỹ thuật này dĩ nhiên không thể chính xác vì chuyển động của mặt người trong đoạn phim khá phức tạp song thể hiện trong ảnh tĩnh để huấn luyện lại ít.3 Hệ thống nhận dạng động - động Hệ thống nhận dạng động - động là hệ thống được thiết kế bằng cách sử dụng các ảnh động làm mẫu để nhận dạng khuôn mặt người trong ảnh động.

Kỹ thuật nhận dạng này kiểm tra sự phù hợp dựa trên phép so sánh một - nhiều như hệ thống nhận dạng nói chung ở trên. Tuy nhiên, kỹ thuật này chính xác hơn kỹ thuật sử dụng trong hệ thống nhận dạng tĩnh - động do sự chuyển động phức tạp của khuôn mặt người cũng được huấn luyện bằng các khung ảnh động.5 Những thách thức trong bài toán nhận dạng khuôn mặt Những biến đổi quá lớn giữa các ảnh khuôn mặt khác nhau từ một người cần nhận dạng gồm trạng thái cảm xúc trên khuôn mặt, ánh sáng, và các thay đổi vị trí của khuôn mặt. Giới hạn về số ảnh cần thiết cho việc nhận dạng, tập học không thể bao quát được tất cả các biến đổi có thể có trên khuôn mặt của một người cần nhận dạng trong thế giới thực.6 Sai số trong hệ nhận dạng [20] Hệ nhận dạng bằng sinh trắc luôn có sai số nói cách khác không thể chính xác tuyệt đối. Độ chính xác của (đối sánh 1:1, và 1:N) phụ thuộc nhiều yếu tố, ví dụ thông tin sinh trắc (Sample data), bản thân thuật toán trích chọn đặc điểm (enrollment) và thuật toán đối sánh (matcher), kích cỡ CSDL - miền đối sánh.

Có 2 đại lượng chính dùng để đo lường sai số của một hệ nhận dạng bằng sinh trắc: 10 LUAN VAN CHAT LUONG download : add [e-mail]  Sai số bắt nhầm – FAR (False Acceptance Rate) có tài liệu gọi là FMR (False Match Rate)  Sai số bỏ sót – FRR (False Reject Rate) có tài liệu gọi là FNMR (False Non Match Rate) Độ chính xác – TAR (True Accpetance Rate) là dẫn xuất của FRR  TAR = 1 - FRR FAR và FRR là hàm số của t – ngưỡng xét trùng  FAR(t)  FRR(t)  ERR là điểm mà FRR = FAR Hình 1-2. Hình biểu diễn hàm FRR và FAR Để đánh giá chất lượng một hệ thống nhận dạng mặt người một cách khách quan cần:  Số cá nhân đối sánh đủ lớn.  Đo với CSDL đủ lớn.2 Các ứng dụng tương tác người máy (Human computer interactive) liên quan đến khuôn mặt Từ những năm 1990 trở lại đây, chúng ta đã chứng kiến sự phát triển như vũ bão của các ngành công nghiệp, đặc biệt là ngành công nghiệp chế tạo điện tử. Tuy nhiên hiện nay các thiết bị điện tử cao cấp như máy ảnh số, camera kĩ thuật số, và nhiều sản phẩm khác dường như chỉ phù hợp cho các phòng thí nghiệm, các công ty 11 LUAN VAN CHAT LUONG download : add [e-mail] sản xuất kinh doanh, thương mại, tài chính, ngân hàng,.

Trong thời gian không xa, chi phí cho các thiết bị này sẽ giảm đáng kể. Khi đó sẽ mở ra nhiều hướng nghiên cứu về thị giác máy tính, đồng thời sẽ có nhiều ứng dụng trong giao tiếp giữa người với máy tính mà trong đó hệ thống nhận dạng mặt người đóng một vai trò không nhỏ. Dưới đây là một số ứng dụng.  Các ứng dụng chuyên biệt cho ngành hàng không  Đảm bảo sự truy cập và tính hợp lệ trong công việc cho từng nhân viên: Mỗi nhân viên làm việc tại cảng hàng không cũng như nhân viên phi hành đoàn được cung cấp quyền truy cập để đến vị trí làm việc.

Làm thế nào để xác minh nhân viên này vào đúng khu vực làm việc hay không?  Làm sao để đảm bảo trong số những hành khách không có sự trà trộn của một số kẻ khủng bố/tội phạm quốc gia/ quốc tế?  Bảo vệ trẻ em ở nhà trẻ từ bọn bắt cóc  Quy định rằng, chỉ có những nhân viên của nhà trẻ mới được phép dẫn trẻ em ra ngoài và trao tận tay cho bố mẹ đón về. Nhưng trong xã hôi cũng có một số trường hợp giả danh nhân viên để bắt cóc trẻ em với mục đích xấu. Làm thể nào để ngăn chặn hành vi xấu này?  Nhận dạng khuôn mặt được sử dụng kèm với thẻ quy cập  Trong các nước phát triển, hầu như mọi người dân đều dùng thẻ tín dụng để mua bán, rút tiền, trao đổi hàng hóa. Điều này rất nguy hiểm khi thẻ truy cập này bị người khác nhặt được hay biết được mật khẩu của sở hữu thẻ này? Làm cách nào có thể bảo đảm an toàn nhất? Có thể dùng song mật khẩu: Có nghĩa sử dụng khuôn mặt như là một mật khẩu thứ hai để truy cập vào hệ thống cùng với thông tin từ card truy cập.

Để rút được tiền • Đưa thẻ vào hệ thống • Đưa khuôn mặt vào để nhận dạng • Xác minh người này có phải là chủ sở hữu của thẻ hay không? Nếu khớp thì hệ thống cho rút tiền Nếu không thì hệ thống không cho rút tiền.  Kinh doanh thương mại điện tử  Với sự tiến bộ của khoa học công nghệ, nhiều hình thức kinh doanh thương mại xuất hiện, đặc biệt là thương mại điện tử. Việc buôn bán và trao đổi giữa hai bên đối tác không cần diễn ra trực tiếp (mặt đối mặt), mà chỉ cần qua mạng với hình ảnh của người đại diện. Tuy nhiên bên cạnh đó sẽ có nhiều mặt tiêu cực trên hình thức kinh doanh này, đó là các vụ lừa đảo, giả mạo, giả danh.

Làm sao để biết được đối tác của mình là thật hay giả? 12 LUAN VAN CHAT LUONG download : add [e-mail]  Ngăn chặn việc xuất/nhập cảnh bất hợp pháp  Một số người không được xuất/nhập cảnh vào nước, song họ cố tình khai gian giấy tờ để xuất/nhập cảnh bất hợp pháp. Làm sao để ngăn chặn được sự gian lận này?  Lần dấu vết đi tìm kẻ khủng bố  Từ những bức ảnh số hay những đoạn video số đã được ghi lại tự động về hiện trường trước khi vụ khủng bố xảy ra. Cần nhận dạng những đối tượng khả nghi của vụ khủng bố này?  Hệ thống giám sát công nhân và chấm công tự động  Hiện nay trong các khu công nghiệp hay những công ty sản xuất lớn có hàng ngàn công nhân vào ra mỗi ngày nên việc giám sát kẻ gian vào công ty cũng như công việc chấm công rất phức tạp. Vậy làm thế nào để nhận ra từng nhân viên của công ty.

Tóm lại: Nhu cầu sử dụng các hệ thống xử lý dùng trí tuệ nhân tạo ngày càng phát triển, mà trong đó nhận dạng khuôn mặt để mã hóa mật khẩu cá nhân là một nhu cầu thiết yếu hiện nay và trong tương lai. Đặc biệt vụ khủng bố ngày 11-9-2001 tại Mỹ đã đánh dấu một bước ngoặc mới trong xu hướng nghiên cứu và giá trị thương mại của các hệ thống sinh trắc học ứng dụng trong quân sự và an ninh.3 Các hướng tiếp cận chính trong lĩnh vực nhận dạng khuôn mặt 1.1 Các công trình nghiên cứu về phương pháp nhận dạng và kiểm chứng chất lượng cho một hệ thống nhận dạng khuôn mặt Bài toán nhận dạng khuôn mặt cần xác định hai vấn đề chính: dùng thông tin nào để nhận dạng: chân mày, cặp mắt, mũi, môi, tai, hay kết hợp các thông tin trên. Và dùng phương pháp nào để huấn luyện cho máy nhận dạng dùng nguồn thông tin đó. Nhận dạng khuôn mặt trên máy tính đã trải qua nhiều bước thăng trầm, chúng ta có thể liệt kê một số kết quả như sau: Wenyi Zhao, Arvindh Krishnaswamy, Rama Chellappa, Danie L.Swets, John Weng (1998)[4] sử dụng phương pháp PCA (phân tích thành phần chính) kết hợp LDA (phân tích độc lập tuyến tính).

Bước 1, chiếu ảnh khuôn mặt từ không gian ảnh thô sang không gian các không gian khuôn mặt (Mỗi lớp khuôn mặt được nhận dạng sẽ được mô hình hóa bằng một không gian khuôn mặt) dùng PCA. Bước 2, sử dụng phương pháp LDA để tạo bộ phân loại tuyến tính có khả năng phân lớp các lớp khuôn mặt. John Daugnman (1998), đưa ra phương pháp dùng đặc trưng về tròng của mắt để phân biệt cặp (trai/gái) song sinh. Emmanuel Viennet và Francoise Fogelman Soulie (1998), sử dụng phương pháp mạng neural nhân tạo để xử lý và nhận dạng khuôn mặt.

13 LUAN VAN CHAT LUONG download : add [e-mail] và Thomas S.