Luận văn tốt nghiệp: Xây dựng ứng dụng phát hiện khuôn mặt trong ảnh sử dụng OpenCV

• Tác giả: Cao Tiến Đạt
• Người hướng dẫn: TS. Ngô Trường Giang
• Trường học: Trường Đại học Dân lập Hải Phòng
• Chuyên ngành: Công nghệ Thông tin
• Đề tài: Xây dựng ứng dụng phát hiện khuôn mặt trong ảnh sử dụng OpenCV
• Loại tài liệu: đồ án tốt nghiệp
• Năm xuất bản: 2019
• Địa điểm: Hải Phòng

• PHẦN MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ PHÁT HIỆN KHUÔN MẶT
• 1.1. Giới thiệu phát hiện khuôn mặt
• 1.2. Các hướng tiếp cận trong phát hiện khuôn mặt
• 1.2.1. Hướng tiếp cận dựa trên tri thức
• 1.2.2. Hướng tiếp cận dựa trên đặc trưng không đổi
• 1.2.3. Hướng tiếp cận dựa trên so khớp mẫu
• 1.2.4. Hướng tiếp cận dựa trên diện mạo
• 1.3. Khó khăn và thách thức trong bài toán phát hiện khuôn mặt
• 1.4. Một số lĩnh vực ứng dụng phát hiện khuôn mặt
• 2. CHƯƠNG 2: PHÁT HIỆN KHUÔN MẶT SỬ DỤNG ĐẶC TRƯNG HAAR
• 2.1. Đặc trưng của Haar
• 2.1.1. Đối tượng nhận dạng
• 2.1.2. Đặc trưng
• 2.2. Bộ phân lớp AdaBoost
• 2.2.1. Các hướng tiếp cận dò tìm khuôn mặt nhanh
• 2.2.2. Thuật toán AdaBoost
• 2.2.3. Bộ phân lớp AdaBoost
• 2.2.4. Nhược điểm
• 3. CHƯƠNG 3: THỰC NGHIỆM PHÁT HIỆN KHUÔN MẶT
• 3.1. Mô tả bài toán
• 3.2. Phân tích và lựa chọn công cụ
• 3.3. Phát hiện khuôn mặt sử dụng hàm OpenCV
• 3.3.1. Cấu trúc OpenCV
• 3.3.2. Phát hiện khuôn mặt với các hàm trong OpenCV
• 3.3.3. Một số kết quả chương trình
• DANH MỤC HÌNH

I. Tổng quan về phát hiện khuôn mặt

Phát hiện khuôn mặt là một lĩnh vực quan trọng trong computer vision. Nó liên quan đến việc xác định vị trí và kích thước của khuôn mặt trong ảnh. Các hệ thống nhận dạng khuôn mặt thường bao gồm bốn bước chính: phát hiện khuôn mặt, phân đoạn khuôn mặt, rút trích đặc trưng và phân lớp khuôn mặt. Phát hiện khuôn mặt là bước đầu tiên và quan trọng nhất, vì nó ảnh hưởng đến độ chính xác của các bước tiếp theo. Các phương pháp phát hiện khuôn mặt đã phát triển từ những kỹ thuật đơn giản đến những phương pháp phức tạp hơn, có khả năng nhận diện khuôn mặt trong nhiều điều kiện khác nhau. Việc áp dụng machine learning và các thuật toán như Haar-like features đã giúp cải thiện đáng kể hiệu suất của các hệ thống này. Theo một nghiên cứu, việc phát hiện khuôn mặt có thể đạt tỷ lệ chính xác cao nếu được thực hiện trong điều kiện ánh sáng tốt và với các khuôn mặt nhìn thẳng. Tuy nhiên, việc phát hiện khuôn mặt trong các tình huống phức tạp vẫn là một thách thức lớn.

1.1 Giới thiệu phát hiện khuôn mặt

Trong những năm gần đây, nghiên cứu về phát hiện khuôn mặt đã trở nên phổ biến. Các phương pháp phát hiện khuôn mặt đã được cải tiến để có thể nhận diện khuôn mặt trong các điều kiện khác nhau, từ ảnh đen trắng đến ảnh màu. Phát hiện khuôn mặt không chỉ đơn thuần là xác định vị trí mà còn cần phân tích các đặc trưng của khuôn mặt. Hệ thống nhận dạng khuôn mặt thường bao gồm các bước như phát hiện, phân đoạn và rút trích đặc trưng. Việc phát hiện khuôn mặt chính xác sẽ giúp nâng cao hiệu quả của các ứng dụng như an ninh, giám sát và nhận diện người nổi tiếng.

1.2 Các hướng tiếp cận trong phát hiện khuôn mặt

Có nhiều hướng tiếp cận khác nhau trong việc phát hiện khuôn mặt. Một số phương pháp dựa trên tri thức, trong khi những phương pháp khác dựa trên các đặc trưng không thay đổi của khuôn mặt. Hướng tiếp cận dựa trên tri thức thường sử dụng các luật để mô tả các đặc trưng của khuôn mặt, trong khi hướng tiếp cận dựa trên đặc trưng không thay đổi tìm kiếm các đặc trưng có thể nhận diện được trong nhiều điều kiện khác nhau. Các phương pháp hiện đại thường kết hợp nhiều kỹ thuật khác nhau để đạt được hiệu quả cao nhất trong việc phát hiện khuôn mặt.

II. Phát hiện khuôn mặt sử dụng đặc trưng Haar

Đặc trưng Haar là một trong những phương pháp phổ biến nhất trong phát hiện khuôn mặt. Phương pháp này sử dụng các đặc trưng hình học để xác định khuôn mặt trong ảnh. Thuật toán phát hiện khuôn mặt dựa trên đặc trưng Haar thường sử dụng một bộ phân lớp như AdaBoost để cải thiện độ chính xác. Đặc trưng Haar có thể được tính toán nhanh chóng, giúp tăng tốc độ phát hiện khuôn mặt trong các ứng dụng thực tế. Tuy nhiên, phương pháp này cũng có những nhược điểm, chẳng hạn như khả năng phát hiện khuôn mặt trong các tư thế khác nhau hoặc trong điều kiện ánh sáng không tốt. Việc áp dụng các kỹ thuật như deep learning có thể giúp cải thiện khả năng phát hiện khuôn mặt trong các tình huống phức tạp.

2.1 Đặc trưng của Haar

Đặc trưng Haar là một tập hợp các đặc trưng hình học được sử dụng để phát hiện khuôn mặt. Chúng có thể được tính toán nhanh chóng và hiệu quả, giúp tăng tốc độ phát hiện. Các đặc trưng này thường được sử dụng trong các mô hình phân lớp để xác định khuôn mặt trong ảnh. Việc sử dụng đặc trưng Haar đã giúp cải thiện đáng kể hiệu suất của các hệ thống nhận dạng khuôn mặt. Tuy nhiên, để đạt được kết quả tốt nhất, cần phải kết hợp với các phương pháp khác như machine learning.

2.2 Thuật toán AdaBoost

Thuật toán AdaBoost là một trong những phương pháp phổ biến nhất trong việc phát hiện khuôn mặt. Nó giúp cải thiện độ chính xác của các mô hình phân lớp bằng cách kết hợp nhiều mô hình yếu thành một mô hình mạnh. AdaBoost hoạt động bằng cách tập trung vào các mẫu khó phân loại và cải thiện độ chính xác cho những mẫu này. Việc áp dụng thuật toán này trong phát hiện khuôn mặt đã giúp nâng cao hiệu suất của các hệ thống nhận dạng khuôn mặt, đặc biệt là trong các điều kiện phức tạp.

III. Thực nghiệm phát hiện khuôn mặt

Thực nghiệm phát hiện khuôn mặt sử dụng OpenCV là một phần quan trọng trong nghiên cứu này. OpenCV cung cấp nhiều hàm và công cụ hữu ích cho việc phát hiện khuôn mặt. Việc sử dụng OpenCV giúp đơn giản hóa quá trình phát triển ứng dụng phát hiện khuôn mặt. Các hàm trong OpenCV cho phép người dùng dễ dàng thực hiện các bước như chuyển đổi ảnh sang ảnh xám, phát hiện khuôn mặt và hiển thị kết quả. Kết quả thực nghiệm cho thấy rằng việc phát hiện khuôn mặt có thể đạt được độ chính xác cao trong các điều kiện ánh sáng tốt và với các khuôn mặt nhìn thẳng. Tuy nhiên, việc phát hiện khuôn mặt trong các tư thế khác nhau vẫn là một thách thức lớn.

3.1 Mô tả bài toán

Bài toán phát hiện khuôn mặt được mô tả thông qua việc xác định vị trí và kích thước của khuôn mặt trong ảnh. Việc phát hiện khuôn mặt có thể được thực hiện thông qua nhiều phương pháp khác nhau, từ các phương pháp truyền thống đến các phương pháp hiện đại như deep learning. Mục tiêu chính là phát hiện khuôn mặt trong các điều kiện khác nhau và với nhiều tư thế khác nhau. Việc áp dụng OpenCV giúp đơn giản hóa quá trình này và cải thiện hiệu suất của hệ thống.

3.2 Phát hiện khuôn mặt sử dụng hàm OpenCV

OpenCV cung cấp nhiều hàm hữu ích cho việc phát hiện khuôn mặt. Các hàm này cho phép người dùng thực hiện các bước như chuyển đổi ảnh sang ảnh xám, phát hiện khuôn mặt và hiển thị kết quả. Việc sử dụng OpenCV giúp đơn giản hóa quá trình phát triển ứng dụng phát hiện khuôn mặt. Kết quả thực nghiệm cho thấy rằng việc phát hiện khuôn mặt có thể đạt được độ chính xác cao trong các điều kiện ánh sáng tốt và với các khuôn mặt nhìn thẳng.