Luận văn thạc sĩ: Xác định khuôn mặt người sử dụng các đặc trưng hình học 3D

Luận văn thạc sĩ nghiên cứu vnu uet xác định mặt người sử dụng các đặc trưng hình học 3d, đánh giá hiện trạng, phân tích vấn đề, đề xuất biện pháp hoàn thiện trong lĩnh vực .

• Tác giả: Vũ Thị Tuyết
• Người hướng dẫn: PGS.TS Đỗ Năng Toàn
• Trường học: Trường Đại học Công Nghệ - Đại học Quốc Gia Hà Nội
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Xác Định Mặt Ngƣời Sử Dụng Các Đặc Trƣng Hình Học 3D
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2015
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CẢM ƠN
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: KHÁI QUÁT VỀ NHẬN DẠNG MẶT NGƯỜI
• 1.1. Bài toán nhận dạng mặt người
• 1.1.1. Giới thiệu
• 1.2. Tầm quan trọng của nhận dạng mặt người
• 1.3. Ứng dụng của bài toán nhận dạng mặt người
• 1.4. Các hướng tiếp cận trong nhận dạng mặt người
• 1.4.1. Hướng tiếp cận dựa trên tri thức
• 1.4.2. Hướng tiếp cận dựa trên đặc trưng bất biến
• 1.4.3. Hướng tiếp cận dựa trên đối sánh mẫu
• 1.4.4. Hướng tiếp cận dựa trên diện mạo
• 2. CHƯƠNG 2: PHÁT HIỆN MẶT NGƯỜI SỬ DỤNG ĐẶC TRƯNG 3D
• 3. CHƯƠNG 3: CÀI ĐẶT VÀ THỬ NGHIỆM
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về xác định khuôn mặt người sử dụng đặc trưng hình học 3D

Xác định khuôn mặt người sử dụng đặc trưng hình học 3D là một lĩnh vực nghiên cứu quan trọng trong công nghệ thông tin. Công nghệ này không chỉ giúp nhận diện khuôn mặt mà còn mang lại nhiều ứng dụng thực tiễn trong an ninh và bảo mật. Việc sử dụng các đặc trưng hình học 3D giúp cải thiện độ chính xác và khả năng nhận diện trong nhiều điều kiện ánh sáng và góc độ khác nhau. Nghiên cứu này sẽ đi sâu vào các phương pháp và ứng dụng của công nghệ nhận diện khuôn mặt 3D.

1.1. Ứng dụng của xác định khuôn mặt trong đời sống

Công nghệ xác định khuôn mặt người sử dụng đặc trưng hình học 3D được ứng dụng rộng rãi trong nhiều lĩnh vực như an ninh, giám sát, và nhận diện tội phạm. Hệ thống nhận diện khuôn mặt giúp theo dõi nhân sự trong các cơ quan, xác định tội phạm, và bảo vệ trẻ em khỏi bọn bắt cóc. Những ứng dụng này không chỉ nâng cao hiệu quả công việc mà còn đảm bảo an toàn cho cộng đồng.

1.2. Tầm quan trọng của nhận diện khuôn mặt 3D

Nhận diện khuôn mặt 3D mang lại nhiều lợi ích so với các phương pháp truyền thống. Đặc trưng hình học 3D giúp nhận diện chính xác hơn trong các điều kiện ánh sáng khác nhau và từ nhiều góc độ. Điều này làm cho công nghệ này trở thành một giải pháp tối ưu cho các hệ thống an ninh hiện đại.

II. Thách thức trong xác định khuôn mặt người sử dụng đặc trưng hình học 3D

Mặc dù công nghệ xác định khuôn mặt 3D có nhiều ưu điểm, nhưng vẫn tồn tại một số thách thức lớn. Độ phức tạp trong việc xử lý hình ảnh 3D và yêu cầu về phần cứng mạnh mẽ là những vấn đề cần được giải quyết. Ngoài ra, việc phát hiện khuôn mặt trong các điều kiện không thuận lợi như ánh sáng yếu hoặc góc nhìn không chính xác cũng là một thách thức lớn.

2.1. Các yếu tố ảnh hưởng đến độ chính xác

Độ chính xác của hệ thống nhận diện khuôn mặt 3D phụ thuộc vào nhiều yếu tố như chất lượng hình ảnh, góc độ chụp và điều kiện ánh sáng. Những yếu tố này có thể làm giảm hiệu suất của hệ thống và dẫn đến sai sót trong việc nhận diện.

2.2. Giải pháp khắc phục thách thức

Để khắc phục những thách thức này, cần áp dụng các thuật toán tiên tiến và cải thiện công nghệ phần cứng. Việc sử dụng các mô hình học sâu có thể giúp nâng cao độ chính xác và khả năng nhận diện trong các điều kiện khó khăn.

III. Phương pháp xác định khuôn mặt người sử dụng đặc trưng hình học 3D

Có nhiều phương pháp khác nhau để xác định khuôn mặt người sử dụng đặc trưng hình học 3D. Các phương pháp này bao gồm việc sử dụng các thuật toán học máy, phân tích hình ảnh và các kỹ thuật xử lý tín hiệu. 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. Thuật toán học máy trong nhận diện khuôn mặt

Thuật toán học máy như mạng nơ-ron sâu (Deep Neural Networks) đã được áp dụng thành công trong việc nhận diện khuôn mặt. Những thuật toán này có khả năng học hỏi từ dữ liệu lớn và cải thiện độ chính xác của hệ thống.

3.2. Kỹ thuật xử lý hình ảnh

Kỹ thuật xử lý hình ảnh đóng vai trò quan trọng trong việc rút trích các đặc trưng hình học 3D. Việc sử dụng các bộ lọc và thuật toán phân tích hình ảnh giúp cải thiện chất lượng hình ảnh và tăng cường khả năng nhận diện.

IV. Ứng dụng thực tiễn của xác định khuôn mặt người sử dụng đặc trưng hình học 3D

Xác định khuôn mặt người sử dụng đặc trưng hình học 3D đã được áp dụng trong nhiều lĩnh vực khác nhau. Từ an ninh công cộng đến các ứng dụng thương mại, công nghệ này đang ngày càng trở nên phổ biến và quan trọng.

4.1. Ứng dụng trong an ninh công cộng

Hệ thống nhận diện khuôn mặt 3D được sử dụng để theo dõi và phát hiện tội phạm trong các khu vực công cộng. Công nghệ này giúp nâng cao hiệu quả của các lực lượng an ninh và giảm thiểu tội phạm.

4.2. Ứng dụng trong thương mại

Trong lĩnh vực thương mại, công nghệ nhận diện khuôn mặt 3D được sử dụng để cải thiện trải nghiệm khách hàng. Các cửa hàng có thể sử dụng công nghệ này để nhận diện khách hàng và cung cấp dịch vụ cá nhân hóa.

V. Kết luận và tương lai của xác định khuôn mặt người sử dụng đặc trưng hình học 3D

Xác định khuôn mặt người sử dụng đặc trưng hình học 3D là một lĩnh vực đầy tiềm năng với nhiều ứng dụng thực tiễn. Mặc dù còn nhiều thách thức, nhưng với sự phát triển của công nghệ, tương lai của lĩnh vực này hứa hẹn sẽ mang lại nhiều cải tiến và ứng dụng mới.

5.1. Tương lai của công nghệ nhận diện khuôn mặt

Công nghệ nhận diện khuôn mặt 3D sẽ tiếp tục phát triển và mở rộng ứng dụng trong nhiều lĩnh vực khác nhau. Sự tiến bộ trong công nghệ học máy và xử lý hình ảnh sẽ giúp cải thiện độ chính xác và khả năng nhận diện.

5.2. Những nghiên cứu tiếp theo

Các nghiên cứu tiếp theo cần tập trung vào việc cải thiện độ chính xác và khả năng nhận diện trong các điều kiện khó khăn. Việc phát triển các thuật toán mới và cải thiện công nghệ phần cứng sẽ là những hướng đi quan trọng trong tương lai.

Nội dung chính

Tổng quan nghiên cứu

Năm 2012, các vụ gian lận và xâm nhập trái phép vào hệ thống thông tin tại Mỹ đã gây thiệt hại tài chính vượt mức 200 triệu USD, gióng lên hồi chuông cảnh báo về tính dễ bị tổn thương của các phương thức xác thực người dùng truyền thống. Đa số các cơ chế bảo mật cũ chỉ dựa vào những yếu tố sở hữu như mật mã, số thẻ tín dụng hay chứng minh thư nhân dân vốn rất dễ bị sao chép hoặc đánh cắp. Để giải quyết triệt để lỗ hổng này, công nghệ sinh trắc học đã phát triển mạnh mẽ, trong đó nhận dạng mặt người nổi lên như một giải pháp vượt trội nhờ tính trực quan, khả năng giám sát từ xa không cần tiếp xúc vật lý và phạm vi ứng dụng rộng rãi tại các địa điểm công cộng. Tuy nhiên, các kỹ thuật nhận dạng 2D truyền thống vẫn đối mặt với thách thức lớn khi độ chính xác suy giảm nghiêm trọng trước sự thay đổi phức tạp của góc chụp, biểu cảm và điều kiện chiếu sáng.

Trước thực trạng đó, đề tài nghiên cứu tập trung giải quyết bài toán phát hiện khuôn mặt thông qua việc khai thác các đặc trưng hình học 3D bất biến dạng lồi và lõm ở nhiều thang đo tỉ lệ khác nhau. Mục tiêu cụ thể của luận văn là xây dựng giải thuật trích xuất vùng lồi lõm, biểu diễn cấu trúc giải phẫu khuôn mặt dưới dạng cây cấp bậc và thiết lập không gian cây thống kê nhằm phát hiện chính xác vị trí khuôn mặt. Nghiên cứu được thực hiện tại Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội vào năm 2015, giới hạn trong phạm vi xử lý ảnh tĩnh đa dạng góc nhìn và bối cảnh môi trường. Ý nghĩa khoa học và thực tiễn của công trình thể hiện rõ qua việc nâng tỷ lệ nhận diện chính xác lên mức 97,0% và tối ưu hóa thời gian xử lý xuống còn 1,85 giây trên cấu hình phần cứng phổ thông.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được phát triển dựa trên sự giao thoa giữa lý thuyết nhận dạng diện mạo truyền thống và lý thuyết hình học vi phân đa tỉ lệ. Khung lý thuyết diện mạo kế thừa các nền tảng kinh điển như phương pháp phân tích thành phần chính (PCA - Eigenface), phân tích phân lớp tuyến tính (LDA) và mô hình đồ thị đàn hồi (EBGM) với mạng lưới khoảng 80 điểm nút. Đồng thời, luận văn vận dụng lý thuyết hình học vi phân biểu diễn ảnh mức xám dưới dạng mặt phẳng không gian hai biến, trong đó các đặc trưng hình học được phát hiện thông qua đạo hàm bậc hai và toán tử Laplacian-of-Gaussian kết hợp các bộ lọc sai phân.

Mô hình nghiên cứu đề xuất phân tích khuôn mặt thành một cấu trúc không gian hoàn chỉnh gồm 4 khái niệm trụ cột:

1. Điểm lồi và điểm lõm: Các điểm cực trị hình học tương ứng với các cấu trúc giải phẫu nhô cao như đỉnh mũi, xương gò má hoặc trũng sâu như hốc mắt, rãnh miệng.
2. Bộ lọc sai phân đa hình dạng: Tập hợp gồm ba bộ lọc tích phân (bộ lọc vuông, bộ lọc chữ nhật ngang và bộ lọc chữ nhật đứng) cho phép trích xuất linh hoạt các vùng lồi lõm theo kích thước thực nghiệm.
3. Cây cấp bậc: Cấu trúc dữ liệu hình cây biểu diễn mối quan hệ phụ thuộc không gian giữa các vùng lồi lõm từ mức tổng thể đến mức chi tiết.
4. Không gian cây: Không gian toán học định nghĩa khoảng cách chuẩn hóa giữa các cây, làm cơ sở cho thuật toán học thống kê chọn ra k cây chuẩn đại diện cho lớp khuôn mặt.

Phương pháp nghiên cứu

Nguồn dữ liệu thực nghiệm được lấy từ bộ cơ sở dữ liệu ảnh chuẩn của Markus Weber, bao gồm 100 ảnh khuôn mặt chụp trong các điều kiện chụp thẳng, nghiêng, thiếu sáng, nền phức tạp, bị che khuất và 100 ảnh phi khuôn mặt thuộc nhóm phương tiện giao thông, nhà cửa và cảnh quan. Phương pháp chọn mẫu phân tầng có kiểm soát được áp dụng nhằm đảm bảo tính đại diện khách quan cho các kịch bản môi trường thực tế.

Phương pháp phân tích kết hợp kỹ thuật canh biên affine 5 điểm đặc trưng (hai hốc mắt, đỉnh mũi, hai khóe miệng) với tốc độ hội tụ trung bình sau 5 chu kỳ lặp, cùng giải thuật cân bằng lược đồ mức xám nhằm triệt tiêu độ lệch chiếu sáng. Để giải quyết triệt để độ phức tạp tính toán, nghiên cứu ứng dụng kỹ thuật ảnh tích phân kết hợp quy hoạch động, giúp thời gian tính tổng độ sáng trong mọi cửa sổ con đạt độ phức tạp hằng số. Toàn bộ quy trình thực nghiệm và kiểm thử thuật toán được tiến hành từ tháng 10 năm 2014 đến tháng 10 năm 2015 trên ngôn ngữ C# và bộ thư viện Luxand FaceSDK.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình kiểm thử giải thuật trên tập dữ liệu chuẩn đã ghi nhận 4 phát hiện thực nghiệm quan trọng:

1. Hiệu năng trích xuất 2 mức thang đo: Khi thiết lập trích xuất đặc trưng hình học ở 2 mức độ phân giải với tham số 60 và 120, hệ thống đạt độ chính xác 95,0% (95 trên 100 ảnh nhận diện đúng) với thời gian xử lý trung bình 1,50 giây mỗi bức ảnh.
2. Cải thiện vượt trội với mô hình 3 mức: Khi mở rộng quy trình lên 3 mức phân giải với tham số 20, 60 và 120, độ chính xác tăng thêm 2,0%, đạt mức 97,0% (97 trên 100 ảnh phát hiện chính xác) cùng thời gian xử lý trung bình là 1,85 giây.
3. Khả năng loại trừ âm tính giả xuất sắc: Thử nghiệm trên tập 100 ảnh không chứa khuôn mặt ghi nhận tỷ lệ phân loại chính xác đạt 98,0% (chỉ có 2 trường hợp cảnh quan phức tạp bị nhận diện nhầm), thời gian xử lý duy trì ổn định ở mức 1,85 giây.
4. Ưu thế rõ rệt so với mạng nơ-ron: Khi đối chiếu với mô hình phân loại diện mạo bằng mạng nơ-ron nhân tạo, phương pháp đặc trưng 3D đạt độ chính xác cao hơn 6,0% trên tập ảnh khuôn mặt (97,0% so với 91,0%) và rút ngắn thời gian tính toán tới 41,1% (1,85 giây so với 3,14 giây).

Thảo luận kết quả

Sự vượt trội của phương pháp đề xuất bắt nguồn từ việc cấu trúc cây cấp bậc 3D có khả năng mã hóa cấu trúc topo hình học bất biến của khuôn mặt, thay vì chỉ dựa vào giá trị cường độ sáng điểm ảnh đơn thuần như các mô hình 2D truyền thống. Kỹ thuật tỉa nhánh cây dư thừa và khử trùng lắp với ngưỡng diện tích giao thoa một phần ba đã loại bỏ triệt để các ứng viên nhiễu ở giai đoạn hậu xử lý. Dữ liệu thực nghiệm này có thể được trình bày trực quan thông qua bảng so sánh đa tiêu chí và biểu đồ cột kết hợp đường biểu diễn mối quan hệ giữa số mức phân giải, tỷ lệ nhận dạng chính xác và thời gian xử lý.

Tuy nhiên, phân tích sâu về 3% trường hợp nhận diện sai cho thấy hạn chế xảy ra chủ yếu ở những bức ảnh chụp trong điều kiện ánh sáng quá tối hoặc phông nền có các họa tiết sọc giao thoa tạo nên cấu trúc lồi lõm giả. So sánh với các nghiên cứu cùng thời kỳ, mô hình phân cấp cây 3D chứng minh được tính ổn định cao, mở ra hướng tiếp cận cân bằng hoàn hảo giữa độ chính xác nhận dạng và chi phí tài nguyên tính toán.

Đề xuất và khuyến nghị

Dựa trên các kết quả đạt được, luận văn đưa ra 4 khuyến nghị then chốt nhằm thúc đẩy khả năng ứng dụng thực tiễn của công nghệ nhận diện 3D:

1. Tích hợp giải thuật phân cấp cây 3 mức vào các hệ thống kiểm soát ra vào thời gian thực tại các tòa nhà công quyền và doanh nghiệp, đặt mục tiêu duy trì tỷ lệ nhận diện chính xác trên 98,0% và giảm độ trễ xử lý xuống dưới 1,00 giây mỗi lượt quét, hoàn thành triển khai thử nghiệm trong quý 4 năm 2026 do bộ phận kỹ thuật phần mềm chủ trì.
2. Bổ sung mô-đun tiền xử lý thích nghi tự động cân chỉnh độ tương phản và bù sáng cục bộ cho hệ thống camera an ninh đô thị, hướng tới mục tiêu hạ thấp tỷ lệ cảnh báo sai xuống dưới 1,5% trong vòng 6 tháng kể từ khi vận hành, giao cho nhóm phát triển giải pháp thị giác máy tính thực hiện.
3. Tái cấu trúc và tối ưu hóa mã nguồn bằng kỹ thuật xử lý song song trên chip đồ họa hoặc bộ vi xử lý nhúng, phấn đấu đạt tốc độ xử lý trên 30 khung hình mỗi giây nhằm đáp ứng tiêu chuẩn giám sát video luồng động vào năm 2027 dưới sự phụ trách của các kỹ sư hệ thống nhúng.
4. Xây dựng cơ sở dữ liệu khuôn mặt 3D mở rộng với quy mô tối thiểu 10.000 mẫu đặc trưng của người Việt Nam, tạo tiền đề nâng cao tính chính xác cho các thuật toán sinh trắc học nội địa trong giai đoạn 2026-2028 dưới sự phối hợp giữa các viện nghiên cứu và doanh nghiệp công nghệ.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu mang lại giá trị học thuật và thực tiễn sâu sắc cho 4 nhóm đối tượng trọng tâm:

1. Kỹ sư thị giác máy tính và trí tuệ nhân tạo: Tiếp cận giải thuật trích xuất đặc trưng hình học lồi lõm và phương pháp so khớp không gian cây; áp dụng trực tiếp vào việc xây dựng các bộ công cụ nhận diện khuôn mặt tối ưu tài nguyên cho thiết bị cận biên.
2. Học viên cao học và nghiên cứu sinh ngành Công nghệ thông tin: Nắm vững phương pháp luận xây dựng mô hình toán học vi phân và quy trình thiết kế thực nghiệm chuẩn mực; sử dụng làm tài liệu nền tảng để phát triển các đề tài kết hợp giữa học máy và hình học tính toán.
3. Chuyên gia an ninh và phát triển giải pháp sinh trắc học: Nắm bắt cơ chế nhận diện đa mức để đánh giá và triển khai các hệ thống kiểm soát ra vào, cổng kiểm soát sân bay và cơ chế phòng chống giả mạo danh tính sinh học tại các tổ chức tài chính.
4. Nhà phát triển ứng dụng di động và thiết bị thông minh: Khai thác nguyên lý ảnh tích phân và quy hoạch động để tối ưu hóa hiệu năng thuật toán bắt nét khuôn mặt tự động trên các thiết bị chụp hình có phần cứng hạn chế.

Câu hỏi thường gặp

1. Điểm khác biệt cốt lõi giữa nhận diện khuôn mặt bằng đặc trưng 3D và phương pháp 2D truyền thống là gì? Phương pháp 2D truyền thống dựa chủ yếu vào cường độ mức xám và màu sắc điểm ảnh nên rất nhạy cảm với ánh sáng và góc chụp. Ngược lại, phương pháp 3D trong luận văn trích xuất các đặc trưng hình học lồi lõm bất biến như sống mũi, hốc mắt và biểu diễn thành cây cấp bậc, giúp duy trì độ chính xác 97,0% ngay cả khi môi trường thay đổi.

2. Vì sao luận văn sử dụng kỹ thuật ảnh tích phân trong quá trình dò tìm vùng lồi lõm? Trong quá trình quét ảnh đa mức, việc tính tổng độ sáng trên hàng ngàn cửa sổ con lặp lại gây tiêu tốn bộ nhớ và thời gian. Ảnh tích phân cho phép tính tổng mức sáng của bất kỳ hình chữ nhật nào chỉ qua 4 phép truy xuất điểm ảnh, giúp giữ nguyên tốc độ xử lý 1,85 giây mà không phụ thuộc vào kích thước vùng lọc.

3. Việc tăng số mức trích xuất từ 2 mức lên 3 mức mang lại hiệu quả như thế nào? Thử nghiệm trên 100 ảnh mẫu cho thấy mô hình 3 mức nâng độ chính xác từ 95,0% lên 97,0% (tăng 2,0%) nhờ bổ sung mức phân giải chi tiết 20 bên cạnh hai mức 60 và 120. Mặc dù thời gian xử lý tăng nhẹ từ 1,50 giây lên 1,85 giây, mức tăng độ trễ 0,35 giây hoàn toàn xứng đáng với độ tin cậy vượt trội.

4. Giải thuật xử lý như thế nào khi khuôn mặt chụp trong điều kiện ánh sáng không đồng đều? Hệ thống tích hợp quy trình tiền xử lý hai bước: thiết lập hàm biến đổi tuyến tính để khử độ lệch chiếu sáng cục bộ trong cửa sổ tròn, sau đó áp dụng cân bằng lược đồ mức xám. Kỹ thuật này giúp phân bố đều dải tương phản, cho phép trích xuất chính xác 97 trên 100 ảnh thử nghiệm đa nguồn sáng.

5. Tốc độ và độ chính xác của giải thuật cây 3D so với mạng nơ-ron truyền thống chênh lệch ra sao? Trên cùng tập dữ liệu thử nghiệm 100 ảnh của Markus Weber, mô hình cây 3D đạt độ chính xác 97,0% với thời gian 1,85 giây, trong khi mạng nơ-ron chỉ đạt 91,0% và mất tới 3,14 giây. Như vậy, phương pháp đặc trưng 3D chạy nhanh hơn 41,1% và có tỷ lệ nhận diện cao hơn 6,0%.

Kết luận

• Luận văn đã xây dựng thành công giải pháp xác định mặt người dựa trên đặc trưng hình học 3D lồi lõm đa mức, khắc phục hiệu quả các nhược điểm cố hữu của phương pháp 2D truyền thống.
• Đề xuất hoàn chỉnh mô hình cấu trúc cây cấp bậc và thiết lập không gian cây thống kê, hỗ trợ định lượng độ tương đồng giữa các cấu trúc khuôn mặt với độ chính xác thực nghiệm đạt 97,0%.
• Ứng dụng thành công kỹ thuật ảnh tích phân và quy hoạch động, giúp rút ngắn thời gian xử lý xuống còn 1,85 giây mỗi ảnh trên phần cứng Pentium Dual-Core 2,0 GHz.
• Chứng minh ưu thế toàn diện trước mô hình mạng nơ-ron khi cải thiện 6,0% độ chính xác và giảm 41,1% thời gian tính toán trên tập dữ liệu chuẩn.
• Định hướng tiếp theo trong giai đoạn 2026-2027 tập trung tối ưu hóa thuật toán trên nền tảng tính toán song song GPU và nhúng thời gian thực; các nhà nghiên cứu và doanh nghiệp hãy kết nối ngay để chuyển giao và ứng dụng công nghệ sinh trắc học tiên tiến này vào thực tế.

Trích đoạn nội dung tài liệu

phần mở đầu, mục lục, kết luận, tài liệu tham khảo, đề tài gồm 3 chƣơng nhƣ sau: Chƣơng 1: Khái quát về nhận dạng mặt ngƣời. Tìm hiểu chung về bài toán nhận dạng mặt ngƣời, ứng dụng của bài toán và một số phƣơng pháp nhận dạng mặt ngƣời. Chƣơng 2: Phát hiện mặt ngƣời sử dụng đặc trƣng 3D. Trình bày các đặc trƣng lồi lõm của khuôn mặt và phát hiện mặt ngƣời dựa vào đặc trƣng lồi lõm.

Chƣơng 3: Cài đặt và thử nghiệm. Xây dựng chƣơng trình ứng dụng và một số kết quả thu đƣợc. LUAN VAN CHAT LUONG download : add [e-mail] 8 Chƣơng 1. KHÁI QUÁT VỀ NHẬN DẠNG MẶT NGƢỜI 1.

Bài toán nhận dạng mặt ngƣời 1. Giới thiệu Nhận dạng khuôn mặt là một khái niệm còn khá mới mẻ, nó chỉ mới đƣợc phát triển vào những năm 60 của thế kỷ trƣớc. Khi đó, ngƣời ta phải dùng tới những phƣơng pháp tính toán thủ công để xác định vị trí, khoảng cách và các bộ phận trên khuôn mặt. Về sau, vào cuối thập niên 80, kỹ thuật nhận diện khuôn mặt dần đƣợc cải thiện khi M.

Sirovich [11] phát triển phƣơng pháp tìm mặt riêng (eigenface) sử dụng phƣơng pháp phân tích thành phần chính (Principal component analysis - PCA), đánh dấu một bƣớc ngoặt mới trong ngành công nghệ nhận diện khuôn mặt. Ngày nay, chúng ta có thể dễ dàng nhìn thấy ứng dụng của công nghệ nhận diện khuôn mặt trong việc điều tra tội phạm, kiểm tra hành khách ở sân bay hay việc xác thực truy cập vào hệ thống. Thuật toán nhận diện khuôn mặt đƣợc chia làm hai loại chính là hình học (geometric) và trắc quang (photometric). Hình học là nhận diện khuôn mặt dựa vào các đặc trƣng trên khuôn mặt nhƣ mắt, mũi, miệng, gò má; còn trắc quang là phƣơng pháp biến hình ảnh thành các giá trị và so sánh với giá trị mẫu để nhận diện.

Ngày nay các nhà nghiên cứu đã phát triển những kỹ thuật nhận diện khuôn mặt riêng, nhƣng phổ biến nhất có ba loại chính là phân tích thành phần chính (Principal component analysis - PCA), phân tích phân lớp tuyến tính (Linear discriminant analysis - LDA) và phƣơng pháp đồ thị đàn hồi (Elastic Bunch Graph Matching - EBGM). Cách nhận diện khuôn mặt sử dụng phƣơng pháp phân tích thành phần chính phụ thuộc rất nhiều vào cơ sở dữ liệu ban đầu chứa các ảnh mẫu và góc quay camera cũng nhƣ ánh sáng. Phƣơng pháp này sử dụng các thuật toán đại số để tìm giá trị mặt riêng và vector riêng rồi so sánh với giá trị mẫu, ta thu đƣợc khuôn mặt cần nhận diện. Ƣu điểm của phƣơng pháp này là giảm thiểu đƣợc dữ liệu cần sử dụng làm mẫu.

Còn phƣơng pháp phân lớp tuyến tính lại phân loại các lớp chƣa biết thành các lớp đã biết, mà ở đó các khuôn mặt tạo thành một lớp và sự khác biệt giữa các khuôn mặt trong một lớp là rất nhỏ. Cả phân tích thành phần chính và phân lớp tuyến tính đều chọn cách thống kê lấy mẫu, chọn lọc để nhận diện khuôn mặt. Phƣơng pháp còn lại là đồ thị đàn hồi chia mặt thành mạng lƣới gồm các nút với mỗi khuôn mặt có khoảng 80 điểm nút. Vị trí của các nút giúp xác định khoảng cách giữa hai mắt, độ dài của sống mũi, độ sâu của hốc mắt, hình dạng của gò má… Điểm khó của phƣơng pháp này là cần tính toán chính xác khoảng cách giữa các điểm nút, và do đó đôi khi nó phải dùng LUAN VAN CHAT LUONG download : add [e-mail] 9 kết hợp với các phƣơng pháp nhƣ phân tích thành phần chính hay phân lớp tuyến tính.

Với những hạn chế khi sử dụng công nghệ nhận diện khuôn mặt truyền thống, phƣơng pháp nhận diện 3D đã trở thành hƣớng đi mới trong việc ứng dụng công nghệ nhận diện khuôn mặt. Phƣơng pháp này lƣu lại hình ảnh 3D của khuôn mặt với các điểm đặc trƣng nhƣ độ cong của cằm, mũi, hốc mắt… Ƣu điểm của nó là có thể nhận diện khuôn mặt ở nhiều góc độ khác nhau và không phụ thuộc vào ánh sáng. Cũng nhƣ những phƣơng pháp truyền thống, phƣơng pháp nhận diện khuôn mặt 3D cũng dựa trên các thuật toán. Nó tính toán các đƣờng cong, những điểm đặc trƣng trên khuôn mặt để tạo thành những dòng lệnh duy nhất và so sánh với cơ sở dữ liệu.

Với cơ sở dữ liệu đầu vào là một ảnh hoặc một đoạn video (một chuỗi các ảnh), qua xử lý tính toán hệ thống xác định đƣợc vị trí mặt ngƣời trong ảnh (nếu có) và xác định là ngƣời nào trong số những ngƣời hệ thống đã đƣợc biết hoặc là ngƣời lạ. Ảnh tĩnh Rút trích đặc trƣng Nhận dạng khuôn mặt Hình 1.1: Hệ thống nhận dạng mặt người 1. Tầm quan trọng của nhận dạng mặt người Nếu nhƣ công nghệ nhận dạng giọng nói phù hợp với các ứng dụng trong call-center thì nhƣợc điểm của nó là bị ảnh hƣởng tiếng ồn nên không phù hợp với những nơi công cộng. Còn công nghệ nhận dạng chữ ký cũng gây không ít phiền phức cho ngƣời sử dụng bởi vì việc duy trì chữ ký giống nhau trong những thời điểm khác nhau.

Bên cạnh đó công nghệ nhận dạng vân tay cũng đƣợc sử dụng khá phổ biến nhƣng cũng có nhƣợc điểm đó là bị ảnh hƣởng bởi LUAN VAN CHAT LUONG download : add [e-mail] 10 độ ẩm của da và đặc biệt độ chính xác sẽ giảm đối với ngƣời thƣờng xuyên tiếp xúc với hóa chất, không những thế nhận dạng bằng vân tay có thể giả mạo, kẻ gian có thể sử dụng tay của ngƣời khác để xác thực. Còn công nghệ nhận dạng mống mắt là một công nghệ có nhiều ƣu điểm về độ chính xác và khả năng chống giả mạo. Công nghệ này đƣợc dựa trên nhận dạng sơ đồ mạch máu trong võng mạc mắt. Sơ đồ này rất ít khi thay đổi kể từ khi sinh ra cho đến khi già đi và đặc biệt khi chết thì hệ thống sơ đồ mạch máu này sẽ biến mất vì thế không thể dùng ngƣời chết để xác thực cho việc truy cập trái phép.

Tuy nhiên công nghệ này có điểm hạn chế đó là chịu sự tác động của nhiều yếu tố nhƣ độ rộng của mặt, lông mi, kính đeo và khó thực hiện trên diện rộng do độ phức tạp của các thiết bị. Trong khi đó nhận dạng mặt ngƣời không phải là phƣơng pháp tối ƣu song đây là công nghệ nhận dạng không cần đến sự tiếp xúc trực tiếp giữa các đối tƣợng và thiết bị thu nhận. Thay vào đó, công nghệ này mang tính theo dõi, giám sát và rất thuận tiện cho các ứng dụng bảo vệ, chống khủng bố tại những nơi công cộng. Đây là một trong những ƣu điểm nổi trội của nhận dạng mặt ngƣời mà công nghệ khác khó có đƣợc.

Ứng dụng của bài toán nhận dạng mặt người Bài toán nhận dạng mặt ngƣời đƣợc áp dụng rộng rãi trong nhiều ứng dụng thực tế khác nhau. Đây cũng chính là lý do hấp dẫn nhiều nhà nghiên cứu trong thời gian dài. Các ứng dụng liên quan đến nhận dạng mặt ngƣời có thể kể đến là: - Hệ thống theo dõi nhân sự trong các cơ quan, công ty: Trong các khu công nghiệp hay những công ty có quy mô lớn thì số lƣợng công nhân ra vào hàng ngày lên đến hàng ngàn ngƣời nên việc phát hiện kẻ gian cũng nhƣ việc theo dõi chấm công rất phức tạp. Do vậy cần có hệ thống nhận dạng để nhận diện từng nhân viên trong công ty.

- Xác định tội phạm: Ngày nay hệ thống nhận diện khuôn mặt đƣợc triển khai khá rộng rãi ở Mỹ. Chính phủ Mỹ hiện đang ứng dụng công nghệ này để đảm bảo an ninh quốc gia thông qua việc nhận diện khuôn mặt tội phạm ngay khi chúng xuống sân bay và loại bỏ những lá phiếu gian lận thông qua việc xác định khuôn mặt ngƣời đi bầu cử. - Camera chống trộm: Các hệ thống camera sẽ xác định đâu là con ngƣời và theo dõi ngƣời đó xem họ có vi phạm gì không. - Lưu trữ: Một ứng dụng khác rất tiềm năng đó là bảo đảm an ninh cho việc rút tiền tại các máy ATM.

Hệ thống có thể nhận diện đƣợc khuôn mặt của LUAN VAN CHAT LUONG download : add [e-mail] 11 một khách hàng. Sau khi đƣợc sự đồng ý của khách hàng, máy ATM sẽ ghi lại hình ảnh số của khách hàng đó, rồi thiết lập dấu mặt trên ảnh để bảo vệ khách hàng khỏi nạn ăn cắp nhận dạng và trộm tiền. Bằng cách sử dụng phần mềm nhận dạng khuôn mặt, sẽ không cần dùng đến giấy chứng minh thƣ hay mã số nhận diện cá nhân (PIN) để xác định danh tính của khách hàng, nhờ đó các công ty có thể ngăn chặn nạn lừa đảo. - Lần tìm dấu vết kẻ khủng bố: Từ những bức ảnh hay những đoạn video đƣợc ghi lại tự động trên hiện trƣờng trƣớc khi vụ khủng bố xảy ra có thể nhận dạng đƣợc những đối tƣợng khả nghi.

- Bảo vệ trẻ em ở nhà trẻ khỏi bọn bắt cóc: Quy định rằng chỉ có nhân viên của nhà trẻ mới đƣợc phép dẫn trẻ em ra ngoài và trao tận tay cho bố mẹ đón về. Nhƣng trong xã hội có một số trƣờng hợp giả danh nhân viên để bắt cóc trẻ em. Nhờ có công nghệ nhận dạng mà những hành vi xấu này đã đƣợc ngăn chặn. - Hệ thống giao tiếp người máy: Nếu trƣớc kia việc tƣơng tác giữa ngƣời và máy đƣợc thực hiện thông qua các phƣơng tiện truyền thống nhƣ: bàn phím, chuột.

thì hiện nay việc giao tiếp đƣợc thực hiện thông qua biểu cảm của khuôn mặt, dấu hiệu, cử chỉ bằng tay. - Giải trí: Trong hầu hết các máy ảnh hiện đại đều có chức năng nhận diện mặt ngƣời để có thể lấy độ nét, tự động điều chỉnh ánh sáng cho phù hợp với khung cảnh xung quanh. Các hướng tiếp cận trong nhận dạng mặt người Đến nay có khá nhiều hƣớng tiếp cận đã đƣợc thực hiện liên quan đến nhận dạng mặt ngƣời. Nhƣng theo Ming-Hsuan Yang [13] có thể chia làm bốn hƣớng tiếp cận chính: - Dựa trên tri thức (knowledge-based): Phƣơng pháp này dựa trên những luật đƣợc định nghĩa trƣớc về khuôn mặt.

Những luật này thƣờng là mối quan hệ giữa các thành phần cấu tạo nên khuôn mặt. - Dựa trên đặc trƣng bất biến (feature invariant): Các thuật toán này nhằm mục đích tìm các đặc điểm cấu trúc của khuôn mặt mà các đặc điểm này tồn tại ngay cả khi điều kiện tƣ thế hoặc ánh sáng thay đổi. Các đặc trƣng nhƣ thế đƣợc gọi là bất biến và đƣợc sử dụng để phát hiện khuôn mặt.