Chương 1: Tổng quan : Giới thiệu tình hình nghiên cứu hiện tại,các ứng dụng của hệ thống nhận dạng cử chỉ,tính cấp thiết của đề tài,mục tiêu,nhiệm vụ,phƣơng pháp, đối tƣợng,phạm vi nghiên cứu và giới hạn của đề tài. - Chương 2: Cơ sở lí thuyết : 3 do an Các khái niệm và lí thuyết liên quan trong xử lí ảnh,phƣơng pháp trích đặc trƣng PCA,phân biệt màu da,hệ thống nhận dạng dùng mạng nơ-ron nhân tạo,các không gian màu. - Chương 3: Thiết kế hệ thống : Lƣu đồ giải thuật quá trình huấn luyện và nhận dạng ảnh nhờ phân biệt màu da,xác định diện tích bàn tay kết hợp PCA và mạng nơ-ron. - Chương 4: Kết quả mô phỏng : Cho biết kết quả mô phỏng,xác suất nhận dạng thành công qua các lần thử nghiệm.
- Chương 5: Kết luận và hướng phát triển : Kết luận về những gì tìm hiểu đƣợc và các hạn chế chƣa thể khắc phục. Đƣa ra hƣớng phát triển đề tài. 4 do an Chƣơng 2: CƠ SỞ LÝ THUYẾT 2. Các khái niệm vàlý thuyết liên quan trong xử lí ảnh 2.
Xử lí ảnh Xử lý ảnh là quá trình xử lý tín hiệu 2 chiều, trong đó tín hiệu đầu vào là một bức ảnh, ngõ ra của quá trình xử lý ảnh có thể là một bức ảnh cũng có thể là một chuỗi các đặc trƣng hoặc thông số liên quan đến bức ảnh. Xử lý ảnh thƣờng đƣợc quy vào xử lý ảnh số. Xử lý ảnh nhằm giải quyết các bài toán: - Đo lƣờng đối tƣợng: Xác định vết nứt trên tƣờng dựa vào ảnh chụp từ camera, đo lƣờng kích cỡ chân ic, đo lƣờng khoảng cách từ đối tƣợng đến camera, đo lƣờng nhịp tim, nhiệt độ… - Bám đối tƣợng: Sử dụng máy bay không ngƣời lái để bám theo mục tiêu nào đấy, sử dụng camera để giám sát cảnh báo lái xe ngủ gật, - Nhận dạng: Nhận dạng biển số xe, nhận dạng mặt ngƣời, nhận dạng vân tay, nhận dạng chữ viết, nhận dạng đám cháy… - Phân loại: Phân loại sản phẩm theo màu sắc, kích cỡ; đánh giá chất lƣợng nông sản… - Xây dựng phần mềm xử lý ảnh chuyên nghiệp: photoshop, camera 360… Ứng dụng xử lý ảnh hiện nay vô cùng phong phú đã có một ngành khoa học nghiên cứu về nó trên khắp thể giới “Thị giác máy tính” (Computer vision). Ảnh số Ảnh số là tập hợp hữu hạn các điểm ảnh với mức xám phù hợp dùng để mô tả ảnh gần với ảnh thật.
Số điểm ảnh xác định độ phân giải của ảnh. Ảnh có độ phân giải càng cao thì càng thể hiện rõ nét các đặt điểm của tấm hình càng làm cho tấm ảnh trở nên thực và sắc nét hơn[1].1 : Ảnh số 5 do an 2. Điểm ảnh Điểm ảnh (Picture Element – Pixel) là một phần tử của ảnh số tại toạ độ (x, y) với độ xám hoặc màu nhất định. Kích thƣớc và khoảng cách giữa các điểm ảnh đó đƣợc chọn thích hợp sao cho mắt ngƣời cảm nhận sự liên tục về không gian và mức xám (hoặc màu) của ảnh số gần nhƣ ảnh thật.
Mỗi phần tử trong ma trận đƣợc gọi là một phần tử ảnh[1]. Độ phân giải Độ phân giải của ảnh (Resolution)là mật độ điểm ảnh đƣợc ấn định trên một ảnh số đƣợc hiển thị. Theo định nghĩa, khoảng cách giữa các điểm ảnh phải đƣợc chọn sao cho mắt ngƣời vẫn thấy đƣợc sự liên tục của ảnh. Việc lựa chọn khoảng cách thích hợp tạo nên một mật độ phân bổ, đó chính là độ phân giải và đƣợc phân bố theo trục x và y trong không gian hai chiều[1].3 : Độ phân giải 6 do an 2.
Mức xám Mức xám là kết quả của sự biến đổi tƣơng ứng 1 giá trị độ sáng của 1 điểm ảnh với 1 giá trị nguyên dƣơng. Thông thƣờng nó xác định trong [0, 255] tuỳ thuộc vào giá trị mà mỗi điểm ảnh đƣợc biểu diễn. Các thang giá trị mức xám thông thƣờng: 16, 32, 64, 128, 256 Mức 256 là mức phổ dụng. Lý do: từ kỹ thuật máy tính dùng 1 byte (8 bit) để biểu diễn mức xám.
Mức xám dùng 1 byte biểu diễn: 28 =256 mức, tức là từ 0 đến 255[1]. Lƣợc đồ ảnh xám Một phƣơng pháp thƣờng dùng trong xử lí ảnh số là xem xét cƣờng độ sáng của ảnh f(x,y) nhƣ là biến ngẫu nhiên có hàm phân bố xác suất là pk (f). Hàm phân bố xác suất của ảnh mang thông tin toàn cục về nội dung chứa trong ảnh. Tuy nhiên hàm phân bố xác suất tổng quát thƣờng không đáp ứng đƣợc do đó thƣờng dùng hàm phân bố xác suất thực nghiệm xác định từ ảnh để thay thế gọi là hàm histogram.
Histogram của ảnh số với mức xám có tầm trong khoảng [0, L-1] là hàm: 𝑝𝑘 𝑓 𝑛𝑘 (2.1) 𝑘 =𝑛 Với 𝑓𝑘 là mức xám thứ k 𝑛𝑘 là số pixel trong ảnh có mức xám thứ k 𝑛 tổng số pixel trong ảnh 𝑘: 0,1,2,…., L-1 Lƣợc đồ xám bao gồm trục hoành biểu diễn mức xám và trục tung biểu diễn số lƣợng điểm sáng tƣơng ứng. Đối với ảnh xám thông thƣờng, giá trị của trục hoành nằm trong khoảng từ 0 - 255.4 : Lƣợc đồ histogram 7 do an 2. Phân loại ảnh Có 4 dạng quan trọng trong ảnh số đƣợc dùng với nhiều mục đích khác nhau là[1]: Ảnh xám (hay còn gọi là ảnh đen trắng): là ảnh đƣợc xây dựng từ nhiều pixel mà tại đó biểu diễn một giá trị nhất định tƣơng ứng với một mức xám. Giá trị mức xám nằm trong [0, 255] nhƣ vậy mỗi pixel đƣợc biểu diễn bởi 1 byte.5 :Ảnh xám Ảnh màu: là ảnh đƣợc tạo thành từ nhiều pixel,trong đó mỗ pixel đƣợc biễu diễn bằng 3 giá trị tƣơng ứng với các mức trong các kênh màu đỏ (Red), xanh lá (Green) và xanh dƣơng (Blue).
Các kênh màu trên thuộc không gian màu RGB, là những màu cơ bản,mà từ đó có thể tạo ra nhiều màu khác bằng phƣơng pháp pha trộn.6 :Ảnh màu 8 do an Ảnh nhị phân: chỉ sử dụng duy nhất 1 bit để biểu diễn một pixel. Do 1 bit chỉ xác lập đƣợc 2 trạng thái là 1 và 0 tƣơng ứng với 2 màu trắng và đen. Do đặc trƣng này nên ảnh nhị phân ít khi đƣợc sử dụng trong thực tế.7 :Ảnh nhị phân Ảnh chỉ số (indexed): một vài ảnh màu (hay đen trắng) đƣợc tạo thành từ một bảng màu có sẵn bị giới hạn. Phƣơng pháp Phân tích thành phần chính (PCA) 2.
Khái niệm PCA (Principal Component Analysis: phân tích thành phần chính) là một thuật toán đƣợc sử dụng để khảo sát, phân loại và phân nhóm dữ liệu. PCA biến đổi một số lƣợng lớn các biến tƣơng quan thành một số lƣợng nhỏ hơn các biến không tƣơng quan (thành phần chính) trong khi vẫn giữ đƣợc lƣợng phƣơng sai tối đa. Tuy nhiên, phƣơng pháp này cũng có những ƣu, nhƣợc điểm. Ƣu điểm: - Tìm đƣợc các đặc trƣng tiêu biểu của đối tƣợng cần nhận dạng mà không cần phải xác nhận các thành phần và mối quan hệ giữa các thành phần đó.
- Thuật toán có thể thực hiện với các ảnh có độ phân giải cao, do phƣơng pháp PCA này sẽ thu gọn ảnh này lại thành một ảnh mới có kích thƣớc nhỏ hơn. - Phƣơng pháp PCA có thể kết hợp với các phƣơng pháp nhận dạng khác nhƣ : máy vector hỗ trợ (SVM), mạng nơ-ron nhân tạo (sẽ đƣợc kết hợp ở đồ án này),… để mang lại hiệu quả cao hơn. Nhƣợc điểm: 9 do an - Phƣơng pháp PCA sẽ phân loại theo chiều lớn nhất của tập vector. Tuy nhiên,chiều phân bố lớn không phải lúc nào cũng mang lại hiệu quả tốt nhất cho bài toán nhận dạng.
Vì vậy đây chính là nhƣợc điểm cơ bản của phƣơng pháp PCA. - Phƣơng pháp PCA rất nhạy với nhiễu. Nội dung thuật toán Trích chọn đặc trưng PCA và huấn luyện Bước 1: Cơ sở dữ liệu - Đầu tiên chúng ta sẽ đọc cơ sở dữ liệu và nhận vào các ảnh luyện Ii. Các ảnh luyện ở đây đều có cùng kích thƣớc với nhau.
- Giả sử có M ảnh, khi đó I = 1. Sau đó ta tƣơng ứng mỗi ảnh I i với một vector Γi Ii (ảnh N×N) → Γi(vector N2×1) (2.2) Bước 2: Tính giá trị trung bình 1 Giá trị vector trung bình: M i M n 1 (2.3) - Với M là số ảnh trong tập luyện, Γi là vector 1 chiều (N2×1) đại diện cho mỗi ảnh. - Ψ là vector trung bình (kích thƣớc N2×1)của tập tất cả các Γi trên. - Ψ còn đƣợc gọi là vector trung bình của tập luyện.
Bước 3: Tính sai lệch ảnh đầu vào so với giá trị trung bình - Sai số của các ảnh so với giá trị vector trung bình đƣợc tính toán theo công thức: i i (2.4) Trong đó, i là vector sai số ứng với mỗi ảnh, i là vector 1 chiều của ảnh, là vector trung bình. Bước 4: Ma trận hiệp phương sai 1 M Ma trận hiệp biến đƣợc tính theo công thức sau: C M T AAT n 1 n n (2.5) 2 2 TrongđóClàma trậnhiệpbiến(kíchthƣớcN ×N ) 10 do an 1 A 12 .6) A là ma trận N2xM, n là giá trị sai số đƣợc tính ở công thức trên. Bước 5: Tính trị riêng và vector riêng - Để tính các trị riêng và vector đặc trƣng của ma trận hiệp biến ta phải tính với ma trận C hay chính là tính cho ma trận AAT. Tuy nhiên điều này là không khả thi, do C là ma trận N2×N2 nên số chiều là quá lớn, khối lƣợng tính toán là vô cùng nhiều (đặc biệt khi kích thƣớc ảnh luyện lớn thì N lớn, N2 và N2×N2 là cực kì lớn).
- Ta nhận thấy 2 ma trận AAT và ATA luôn có chung trị riêng và vector đặc trƣng thì có liên hệ với nhau bởi biểu thức ui = Avi mà ma trận ATA lại có số chiều ít hơn hẳn (ma trận M×M) nên ta sẽ chuyển đổi về ma trận ATA. - Sau khi tính toán ta đƣợc M vector đặc trƣng của AAT (ui = Avi)tƣơng ứng với M giá trị riêng. Chuẩn hóa các vector đặc trƣng ui về vector đơn vị: ||ui|| =1 Bước 6: Lựa chọn các thành phần xây dựng vector đặc trưng riêng - Để giảm thiểu tối đa số chiều cũng nhƣ giảm độ phức tạp tính toán, ta chỉ giữ lại K vector đặc trƣng (tƣơng ứng K là giá trị riêng lớn nhất). Khi đó mỗi ảnh sau khi trừ đi giá trị trung bình sẽ đƣợc đại diện bởi K vector đặc trƣng: i mean J 1 w j u j ,(w j wTj i ) K (2.7) w1i i w Mỗi ảnh trainning i sẽ đƣợc biểu diễn bởi 1 vector: i 2 , i 1, 2,.