Hệ thống phát hiện khuôn mặt dựa trên mạng neural

THƯ VIỆN ĐIỆN TỬ TRỰC TUYẾN
TĨM T T
Phát hi n khn m t là m t v n đ c b n trong ngành h c quan sát b ng

OBO
OK S
.CO
M

máy tính. Là m t trong nh ng giai đo n c a h th ng nh n d ng m t ng

i cùng

v i nhi u ng d ng r ng rãi và ph bi n khác nh ch s hóa n i dung trong
nh, h th ng giám sát, h i th o truy n hình…, phát hi n khn m t đã và đang
dành đ

c s quan tâm nghiên c u c a nhi u ng

i trong su t hai th p k qua.

Tuy nhiên, v i nh ng thách th c r t l n gây ra do tính bi n đ ng c a mơi tr
c ng nh tính bi n đ i cao c a khn m t, phát hi n m t ng

ng

i v n đang là m t

trong nh ng v n đ m đ i v i các nhà nghiên c u. Và cho đ n nay v n ch a có
m t ph

ng pháp nào th c s gi i quy t h t các thách th c c a phát hi n khn

m t. Nhi u c i ti n, nhi u đ xu t đã đ

c đ a ra nh m c i thi n ch t l

ng phát

hi n khn m t. Và m t trong nh ng c i ti n đó là d a trên nh ng đ c đi m b t
bi n ho c có s bi n đ ng có th phân vùng đ
con ng

c c a khn m t mà màu da c a

i chính là m t trong nh ng đ c đi m đó.

Xu t phát t ý t

ng k t h p gi a màu da và m t ph

ng pháp phát hi n

khn m t hi u qu , đ án đã t p trung xây d ng m t h th ng k t h p gi a h
th ng phát hi n khn m t d a trên m ng neural và ph

ng pháp phân vùng

màu da d a trên mơ hình màu da có tham s s d ng phân ph Gaussian.
H th ng phát hi n đ

c xây d ng v c b n có ngun t c ho t đ ng

theo mơ hình m ng neural kinh đi n.

ó là mơ hình m ng neural Perceptron đa

KIL

l p, s d ng thu t tốn lan truy n ngu c và ph

ng pháp gi m gradient đ h c

m ng. V c b n ki n trúc m ng neural xây d ng khơng có gì thay đ i, tuy
nhiên,

đây chúng ta s c i ti n ki n trúc m t đi m v i vi c s d ng thêm mơ

hình xác su t d a trên lý thuy t Bayes đ có th có s m m d o h n trong vi c
đánh giá k t qu cu i cùng c a m ng. Ngồi ra, đ án c ng nêu ra m t chi n
thu t hu n luy n h p lý, cho phép hu n luy n nhanh mà v n đ m b o đ

1

c tính



THệ VIEN ẹIEN Tệ TRệẽC TUYEN
t ng quỏt v hi u qu c a m ng. ú l chi n thu t hu n luy n m ng ch ng cú

h c.
Ph

ng phỏp phõn vựng mu da

c k t h p vo h th ng nh l m t

KIL
OBO
OKS
.CO
M

gi i h n cho phộp gi m khụng gian tỡm ki m, t c l khuụn m t s ch

c tỡm

ki m trờn cỏc vựng mu da. Vi c phõn vựng ny ó giỳp cho th i gian phỏt hi n
c a h th ng c i thi n ỏng k , h n n a nú cũn giỳp cho h th ng ho t ng hi u
qu h n.

giỳp cho k t qu phỏt hi n

c rừ rng v ch t l

ng, ỏn c ng ó

nờu ra cỏc heuristic c th phự h p cho h th ng, Nh ng heursitic ny d a trờn
k t qu th c t c ng nh th ng kờ c a quỏ trỡnh hu n luy n v ki m th h
th ng.

ỏn v i tờn g i l H th ng phỏt hi n khuụn m t d a trờn m ng
neural v ph
Ch

ng phỏp võn vựng mu da

ng I: Gi i thiờu L ch

Ph n u l t ng quan cỏc h
ó

c b c c lm n m m c chớnh.

ng gi i thi u, bao g m ba ph n nh .

ng ti p c n, cỏc ph

c xu t. Ph n hai l t ng quan cỏc ph

ng phỏp phỏt hi n m t ng

ng phỏp phõn vựng mu da d a

trờn tớnh ch t i m nh. Qua ph n ny v i nh ng ỏnh giỏ cỏc ph
giỳp chỳng ta ch n

c ph

i

ng phỏp phõn vựng phự h p cho h

ng phỏp s
th ng. Ph n

ba s l c s lý thuy t c b n nh t v m ng neural MPL v thu t toỏn lan truy n
ng

c.

õy l ki n trỳc m ng v thu t toỏn s

c s d ng cho h th ng m ng

neural c a ỏn.
Ch
d li u

ng II: T ng th ho t ng c a h th ng v v n chu n b c s
õy l ch

h th ng s

ng miờu t mụ hỡnh thu t toỏn ho t ng t ng th nh t c a

c xõy d ng.

ng th i s c p v n chu n b v ti n x lý

cho cỏc t p c s d li u oc dựng hu n luy n m ng neural c ng nh luy n
t p phõn vựng mu da.
n ch t l

õy l m t trong nh ng cụng vi c quan tr ng quy t nh

ng c a h th ng.
2



THƯ VIỆN ĐIỆN TỬ TRỰC TUYẾN
Ch

ng III: Phát hi n khn m t d a trên m ng neural và ph

pháp phân vùng màu da –

ây là ch

miêu t đ y đ ki n trúc h th ng đ

ng

ng quan tr ng nh t c a đ án. Nó s

c xây d ng. Thu t tốn và ph

ng pháp hu n luy n phân vùng màu

KIL
OBO
OKS
.CO
M

hu n luy n m ng neural. Thu t tốn và ph

ng pháp

da. Và s đ xu t ra nh ng heuristic giúp c i thi n ch t l

ng phát hi n và th i

gian ch y c a h th ng.
Ch

ng IV: Phân tích thi t k và cài đ t ch

ng trình

Ch ong V: Kh o sát th c nghi m và đánh giá ch
ch

ng s miêu t k t qu vi c ki m th ch

b test t t o.
ch

ng trình.

ng trình –

ây là

ng trình d a trên b test chu n và

ng th i s có nh ng đánh giá và nh n xét v k t qu c a

K t lu n và h

ng phát tri n

Trong ph m vi bài đ án, v i vi c h th ng đ

c xây d ng trên m t m ng

neural đ n l , vì v y em đã ti n hành hu n luy n cho m ng nh n bi t nh ng
khn m t v i t th nhìn th ng (frontal), có đ nghiêng và góc quay khơng
đáng k . Các khn m t có th có nhi u tr ng thái khác nhau. Các nh đ
dùng đ ki m th bao g m c

nh chân dung và nh t p th .

nh khơng và có

nhi u (t thêm) đ ki m tra thêm v tính hi u qu c a h th ng. Các nh đ
ki m th có kích th

c

c bao g m 240 x 180, 320 x 240, 480 x 360 đi m nh.

V i b test bao g m 300 nh chân dung kích th
này đ oc thêm nhi u, 320 nh này đ

c 320 x 240; 320 nh

c thu nh l i kích th

ki m tra h th ng có th phát hi n các khn m t có kích th
nh này đ

c

c 240 x 180 đ
c khác nhau, 320

c thêm nhi u.

Ngồi t p nh chân dung chu n ra, ch

ng trình còn test v i 100 nh t p

th t t o v i nhi u m c đích khác nhau. 100 nh này c ng đ
ti n hành ki m th .

3

c thêm nhi u đ

THệ VIEN ẹIEN Tệ TRệẽC TUYEN

CH

ng phỏp phỏt hi n m t ng

KIL
OBO
OKS
.CO
M

1. T ng quan v cỏc ph

NG I: GI I THI U

1.1 Phỏt hi n m t ng
Nh n bi t i t

i

i v ng d ng

ng núi chung v nh n bi t m t ng

i núi riờng l bi

toỏn c b n v quan tr ng trong l nh v c quan sỏt b ng mỏy tớnh. Nh n bi t m t
ngu i thu hỳt s t p trung nghiờn c u c a nhi u nh nghiờn c u trong su t nhi u
th p k qua. Tuy nhiờn v n ch a cú m t h

ng ti p c n no th c s tr n v n

mang l i hi u qu v gi i quy t h t cỏc thỏch th c v tỡnh hu ng trong v n
phỏt hi n m t ng
ng

i, nguyờn nhõn l do tớnh bi n i cao c a khuụn m t con

i. Chớnh vỡ v y, õy v n l v n m v ti p t c thu hỳt s nghiờn c u sõu

h n v i cỏc k thu t m i

c xu t. Cỏc k thu t ó

c ỏp d ng cú th chia

thnh m t trong hai ti p c n: so sỏnh s phự h p v i cỏc mụ hỡnh hỡnh h c hai,
ba chi u vo nh, hay ph

ng phỏp so sỏnh s phự h p cỏc mụ hỡnh khung nhỡn

vo nh cú ch a khuụn m t c n nh n bi t. Cỏc nghiờn c u tr
r ng cỏc h

c õy cho th y

ng phỏp d a trờn khung nhỡn cú th nh n bi t cỏc khuụn m t th ng

trong n n ph c t p m t cỏch hi u qu .

V i m c ớch t n d ng nh ng u i m c a cỏc k thu t ó u c xu t,
k t h p chỳng l i cú th xõy d ng u c m t h th ng phỏt hi n m t ng
m t cỏch hi u qu .

ỏn ó t p trung vo v n phỏt hi n m t ng

mu t nh, nh m k t h p nh ng c tr ng c a m t ng
s d ng k thu t phõn vựng mu da ng

i

i trong nh

i trong nh mu c th l

i trong nh mu k t h p v i h

ng ti p

c n d a trờn khung nhỡn v i m c ớch s d ng m ng neural nhõn t o - m t
ph

ng phỏp tuy kinh i n nh ng v n r t m v ch a ng nhi u u i m trong

v n nh n d ng, xõy d ng h th ng phỏt hi n m t ng

4

i.



THƯ VIỆN ĐIỆN TỬ TRỰC TUYẾN
K thu t phân vùng da ngu i trong nh màu đ
nh n bi t m t ng

i v i m c đích cu i cùng là gi m khơng gian tìm ki m m t

i trong nh, giúp cho hi u n ng ho t đ ng c a h th ng đ

c nâng cao h n.

Còn u đi m n i b t c a m ng neural nhân t o nói riêng và ph

ng ti p c n d a

KIL
OBO
OKS
.CO
M

ng

c áp d ng trong h th ng

trên máy h c nói chung trong vi c phát hi n m t ngu i đó là có th miêu t và
phát hi n khn m t trong nhi u tình hu ng khác nhau. Nh ng tình hu ng g p
ph i khi phát hi n khn m t bao g m:
 T

th c a khn m t (Pose): Khn m t là nghìn th ng (frontal),

nghiêng m t ph n (partial profile) hay nghiêng hồn tồn (full profile).
Khn m t h

ng th ng đ ng (upright) hay là khn m t xoay m t góc

nào đó (rotate)

 N i dung khn m t: Khn m t ch a đ y đ các đ c tr ng nh m t,
m i, mi ng, tai hay thi u m t vài đ c tr ng nào đó.
 Tr ng thái c a khn m t:

ó chính là tr ng thái tình c m c a khn

m t nh cu i, khóc, t c gi n…

ây là nh ng tình hu ng mà các h
s c và ph c t p đ có th miêu t đ

ng ti p c n khác ph i m t nhi u cơng

c. Nh ng v i m ng neural, thơng qua t p

m u và q trình hu n luy n m ng hi u qu , k t qu mang l i là có th r t kh

quan.

ng d ng

Cơng ngh nh n bi t m t ng

i có s

ng d ng r ng rãi trong th c t .

Trong nh n d ng sinh tr c h c, trong h i th o truy n hình, trong ch s hố nh
và c s d li u video, trong t

ng tác ng

đo n đ u trong h th ng nh n d ng m t ng

i máy. Nh n bi t m t ng

i.

Hai bài tốn nh n bi t và nh n d ng đ i t
th ng nh n d ng đ i t
t

i là giai

ng có liên quan m t thi t. H

ng có th xây d ng mà khơng có t p b nh n bi t đ i

ng, m i b nh n bi t phát hi n m t đ i t
5

ng quan tâm. T

ng t , b nh n



THƯ VIỆN ĐIỆN TỬ TRỰC TUYẾN
bi t đ i t

ng có th đ

b nh n d ng đ i t
t

c xây d ng mà khơng có h th ng nh n d ng đ i t

ng này c n phân bi t đ i t

ng khác có th xu t hi n hay là l p đ i t

ng mong mu n v i m i đ i

ng ch a bi t. Do đó hai bài tốn là

KIL
OBO

OKS
.CO
M

nh nhau, dù trong th c hành h u h t các h th ng nh n d ng đ i t
gi i quy t n n tu ý, và các h th ng nh n bi t đ i t
trên đ lo i đ i t

ng;

ng ít khi đ

ng đ xây d ng h th ng nh n d ng.

ng ít khi

c hu n luy n

i m chú tr ng khác

nhau c a các bài tốn này d n đ n các trình bày và thu t tốn khác nhau.
Thơng th
tr

ng, các h th ng nh n d ng khn m t làm vi c b ng cách

c h t áp d ng b nh n bi t khn m t đ đ nh v khn m t, sau đó áp d ng

thu t tốn nh n d ng đ nh n di n khn m t.

1.2 Các thách th c trong v n đ phát hi n m t ng
Vi c nh n bi t đ i t
v t p các nh c a đ i t
c a t p nh đ i t

i

ng là bài tốn xác đ nh c a s con c a nh có thu c

ng quan tâm hay khơng. Do đó, đ

ng biên quy t đ nh

ng ph c t p s làm t ng đ khó c a bài tốn và có th t ng s

l i nh n bi t. Gi s ta mu n phát hi n khn m t nghiêng trong m t ph ng nh,
ngồi các khn m t th ng. Vi c thêm các khn m t nghiêng vào t p các nh ta
mu n nh n bi t làm t ng đ bi n thiên c a t p, và có th làm t ng đ ph c t p
c ađ

ng biên quy t đ nh c a t p nh.

ph c t p này làm bài tốn nh n bi t

khó h n. Vi c thêm nh m i vào t p nh đ i t
đ nh đ n gi n h n và d h c h n. Có th t
quy t đ nh đ

ng có th làm đ

ng t

ng biên quy t

ng đi u này là đ

ng biên

c làm tr n b ng vi c thêm các nh vào t p. Có nhi u ngu n bi n

đ i trong bài tốn nh n bi t đ i t

ng, và c th trong bài tốn nh n bi t khn

m t. Có các ngu n bi n đ i sau [6]:

 Bi n đ i trong m t ph ng nh: lo i bi n đ i nh khn m t đ n gi n
nh t có th đ

c bi u di n đ c l p v i khn m t, b ng cách quay, d ch

chuy n, bi n đ i t l và l y đ i x ng nh.

6



THƯ VIỆN ĐIỆN TỬ TRỰC TUYẾN
 Bi n đ i đ sáng và ng c nh: bi n đ i do đ i t
ra, c th các thu c tính b m t c a đ i t

ng và mơi tr

ng gây

ng và các ngu n sáng. Các thay

đ i v ngu n sáng nói riêng có th bi n đ i hồn tồn v b ngồi c a

KIL
OBO
OKS
.CO
M

khn m t.

 Bi n đ i n n: Nhi u nhà nghiên c u cho r ng v i k thu t nh n d ng m u
hi n nay, ti p c n d a trên khung nhìn đ nh n bi t đ i t
h p cho các đ i t
t

ng có “đ

ng có hình dáng d đốn đ

pixel bên trong đ i t

ng biên nh có th d đốn đ

ng ch thích
c”. Khi đ i

c, ta có th trích ra window ch ch a các

ng, và b qua n n.

 Bi n đ i hình dáng: v i khn m t, lo i bi n đ i này bao g m bi u l
tình c m khn m t, mi ng và m t m hay đóng, và hình dáng khn m t
c a t ng ng

i.

1.3 Các v n đ liên quan đ n phát hi n m t ng
Bên c nh v n đ phát hi n m t ng
m t thi t v i phát hi n m t ng

i

i, có nhi u v n đ khác có quan h

i mà nhi u khi gây ra nh m l n n u khơng đ

c

tìm hi u m t cách k càng.

Nh ng v n đ đó bao g m [7]


nh v khn m t hay xác đ nh v trí khn m t:
g n v i v n đ phát hi n m t ng

ây là v n đ r t

i. N u nh phát hi n m t ng

i trong

nh là ph i tr l i các câu h i có t n t i khn m t trong nh hay khơng ?
N u t n t i thì t n t i bao nhiêu khn m t? V trí c a khn m t
Thì v n đ đ nh v m t ng
trong m t nh đã bi t tr

i ch tr l i cho câu h i v trí m t ng

c là có m t m t ng

i

đâu

i . Nh v y có th th y,

đ nh v khn m t là m t ph n cơng vi c c a phát hi n m t ng

7

đâu ?

i.



THÖ VIEÄN ÑIEÄN TÖÛ TRÖÏC TUYEÁN
 Phát hi n các đ c tr ng c a khuôn m t:

ây là v n đ c ng r t g n v i

v n đ đ nh v khuôn m t. Nó c ng gi thi t r ng ch có m t khuôn m t
trong nh. Và vi c phát hi n đ c tr ng khuôn m t là tìm ra v trí c a các

KIL
OBO
OKS
.CO
M

đ c tr ng nh đôi m t, m i, mi ng, môi, tai…

 Bám sát khuôn m t: M c đích c a v n đ này là

cl

ng liên t c s

thay đ i v v trí và hu ng c a khuôn m t trong m t chu i nh th i gian
th c.

 Nh n bi t tr ng thái khuôn m t: M c tiêu c a v n đ này là nh n bi t

tr ng thái c a khuôn m t con ng

i (h nh phúc, t c gi n, đau kh …). ây

là v n đ r t khó và thú v vì tr ng thái khuôn m t c a t ng ng

i có th là

r t khác nhau trong cùng m t tr ng thái tâm lý.

 Nh n d ng khuôn m t: Trong v n đ này, chúng ta ph i đ i sánh khuôn
m t c n nh n d ng v i các khuôn m t có s n trong th vi n và tìm ra
nh ng thông tin c n thi t v khuôn m t c n nh n d ng n u nó có đ c tr ng
t

ng đ ng v i khuôn m t nào đó trong th vi n.

 Th m tra và xác minh khuôn m t: ây là v n đ n m trong v n đ nh n
d ng khuôn m t. Thông th

ng sau khi nh n d ng khuôn m t, ng

i ta

ph i ti n hành m t giai đo n n a g i là th m tra và xác minh tính đúng
đ n c a khuôn m t đ

c nh n d ng. Nó cho phép t ng s đúng đ n c a

v n đ nh n d ng khuôn m t.

Trong nh ng v n đ nêu trên, có th th y nh n bi t khuôn m t và nh n
d ng khuôn m t là hai v n đ c b n và có th ch a đ ng các v n đ còn l i. Và
thông th

ng, nh n bi t khuôn m t s là giai đo n đ u c a h th ng nh n d ng

khuôn m t. S khác nhau c b n gi a phát hi n khuôn m t v i nh n d ng khuôn
m t đó là: N u nh nh n d ng khuôn m t là phân bi t nh ng khuôn m t khác
nhau trong t p danh m c các khuôn m t, còn nh n bi t khuôn m t đó là phân l p
đu c đâu là danh m c các khuôn m t và đâu là danh m c các nh không ph i
khuôn m t.
8



THệ VIEN ẹIEN Tệ TRệẽC TUYEN

1.4 T nq quan cỏc h

ng ti p c n phỏt hi n khuụn m t

Trong su t quỏ trỡnh h n ba th p k , ó cú r t nhi u cỏc h
h

c xu t gi i quy t bi toỏn phỏt hi n m t ng

KIL
OBO
OKS

.CO
M

x lý khỏc nhau

ng ti p c n v

ng ti p c n v x lý thụng th

i. Cỏc

ng nh m gi i quy t nh ng yờu c u c th v

khỏc nhau ,trong t ng ng d ng c th . Chớnh vỡ v y cú nhi u cỏch cú th
phõn lo i cỏc ph

ng phỏp, cỏc k thu t, cỏc h

m t. Trong bi lu n v n ny, s phõn lo i cỏc h
ú l chia cỏc h

ng ti p c n phỏt hi n khuụn

ng ti p c n theo ph



c s d ng nhi u nh t.

ng ti p c n theo hai h

H

ng ti p c n d a trờn c tr ng c a nh (Feature-based) v h

ng phỏp
ng chớnh:

ng ti p c n

d a trờn thụng tin xu t hi n trờn nh (Image-based).
Cỏc ph
s d

ng phỏp, k thu t phõn chia theo cỏch ny cú th nhỡn th y trong

i õy [7]:

9




KIL
OBO
OKS
.CO
M

THÖ VIEÄN ÑIEÄN TÖÛ TRÖÏC TUYEÁN

Hình 1: S đ các h
ng

i
1.4.1 H

ng ti p c n và ph

ng pháp phát hi n m t

ng ti p c n d a trên đ c tr ng c a

approaches)
10

nh (Feature-based



THÖ VIEÄN ÑIEÄN TÖÛ TRÖÏC TUYEÁN
Ph

ng pháp ti p c n d a trên đ c tr ng c a khuôn m t đ

c chia thành

ba v n đ . Gi s c n ph i phát hi n m t khuôn m t trong m t n n nh l n x n,
phân tích m c th p (low-level analysis) th c hi n phân đo n các đ c tr ng c a

KIL
OBO
OKS
.CO
M

nh d a trên nh ng thu c tính c a đi m nh nh đ xám hay màu s c. S phân
đo n lúc này còn m p m và ch a rõ ràng. V n đ th hai là phân tích đ c tr ng,
các đ c tr ng c a nh đ

c t ch c thành các đ c tr ng khuôn m t có tính t ng

quát h n d a trên đ c tính hình h c c a khuôn m t. Sau giai đo n này, tính m p
m c a các đ c tr ng c a nh đã đ

cùng v i các đ c tr ng khuôn m t đã đ

c gi m b t, đ ng th i, v trí khuôn m t
c xác đ nh. Ti p theo s là vi c s d ng

mô hình hình d ng (active shape models). Nh ng mô hình này bao g m t mô
hình d ng r n (snakes - đ

c đ xu t vào nh ng n m 80) cho t i mô hình phân

tán đi m (PDM – Point Distributed Model) đ

c đ xu t vào nh ng n m g n đây

đ trích ch n đ c tr ng có s bi n đ ng ph c t p nh m t, môi,…

1.4.1.1 Phân tích m c th p (Low-level analysis)
Ng

i ta g i là phân tích m c th p vì vi c phân tích

đây là phân tích d a

trên các đ c tr ng r t c b n và mang tính tr c quan, nh ng đ c tr ng đó bao
g m biên nh, thông tin đa m c xám, màu s c, chuy n đ ng, tính đ i x ng c a
khuôn m t.

1.4.1.1.1 Biên nh (Edges)

ây là m t đ c tr ng c b n nh t trong các ng d ng v x lý nh, s
d ng biên đ phát hi n khuôn m t đ
vi c phân tích các đ

ng nh c a khuôn m t, v i m c đích là đ nh v nh ng đ c

đi m trên khuôn m t. M t mô hình đ
m t ng
m tđ

c th c hi n đ u tiên b i Sakai. D a trên
c đ xu t đ tìm ra nh ng đ

i. Công vi c tìm ra hình dáng c a m t ng

iđ

ng nét c a

c tri n khai bao g m

ng cong bám sát vào khuôn m t v i m t đ cong xác đ nh và ràng bu c

đ tránh s

nh h

ng c a các nhi u biên. Nh ng đ c tính c a đ
11

ng trong hình



THệ VIEN ẹIEN Tệ TRệẽC TUYEN
dỏng c a u ng

i sau ú

c a ra phõn tớch c tr ng s d ng nột v

v trớ c a khuụn m t. K thu t dũ tỡm d a vo

ng biờn ny cũn

c ỏp d ng

phỏt hi n c p kớnh trờn khuụn m t.


ng ti p c n phỏt hi n m t ng

i d a vo

KIL
OBO
OKS
.CO
M

Trong h

ng biờn c n

c gỏn nhón v

ng bi n, nh ng

c phự h p v i mụ hỡnh khuụn m t

c

s p x p cú th giỳp chỳng ta xỏc minh s ỳng n c a vi c phỏt hi n ú.
Ng

i ta cú th thi t l p s gỏn nhón biờn ú b ng cỏc s d ng m t trỏi,

ng

túc ho c m t ph i c a khuụn m t. Vi c gỏn nhón ny lm cho kh n ng phỏt hi n
chớnh xỏc khuụn m t trong m t b c nh v i khụng gian ph c t p v cú nhi u
khuụn m t.

M t trong nh ng ph
c a Govindaraju, ph

ng phỏp

c bi t n ú l ph

ng phỏp gỏn nhón

ng phỏp ny s d ng h s vng c a khuụn m t lý t

ng ,

ú l h s gi a di v r ng c a khuụn m t:

(I.1)

S d ng ph

ng phỏp ny, ng

i ta ó ki m th 60 nh cú n n ph c t p

bao g m 90 khuụn m t thỡ th y kh n ng h th ng cú th phỏt hi n chớnh xỏc l

76% v i m c trung bỡnh l sai 2 m t l i / nh.

1.4.1.1.2 Thụng tin a m c xỏm (Grayscale Information)
Bờn c nh
th

ng biờn, thỡ thụng tin v m c xỏm trong khuụn m t c ng cú

c xem nh l m t c tr ng. Nh ng c tr ng khuụn m t nh l lụng

my, ng t hay, mụi th

ng xu t hi n v i m c xỏm l n h n nh ng thnh ph n

ph c n bao quanh chỳng. Tớnh ch t ny cú th

c khai thỏc phõn bi t cỏc

thnh ph n khỏc nhau c a khuụn m t. Nh ng thu t toỏn trớch ch n c tr ng
khuụn m t g n õy th

ng d a vo m c xỏm nh nh t trong m t vựng khuụn

m t. Trong nh ng thu t toỏn ny, b c nh u vo u tiờn
12

c c i thi n b ng

THÖ VIEÄN ÑIEÄN TÖÛ TRÖÏC TUYEÁN
viêc làm t ng đ t

ng ph n và bi n hình m c xám (gray-scale morphological)

đ có th t ng đ t i c a nh ng vùng nói trên, t đó vi c nhân bi t s d dàng
h n. Nh ng vùng t i này đ

ng d

i. Bên c nh

i ta đã ti n hành xây d ng h th ng t đ ng tìm ki m các vùng t i thu c

KIL
OBO
OKS
.CO
M

đó, ng

c trích ch n b ng phép l y ng

m t thông qua s phân tích v màu s c. H th ng s d ng m t m u m t gán
tr ng s đ xác đ nh cac v trí có th có c a c p m t.
1.4.1.1.3 Màu (color)

Trong khi thông tin v m c xám đ

c xem là m t đ c tr ng c b n c a

nh, màu s c có ý ngh a nhi u trong vi c nh n bi t s xu t hi n c a đ i t
M t trong nh ng không gian màu đ

ng.

c bi t đ n r ng rãi nh t đó là không gian

RGB, đó là không gian mà m i màu đ

c đ nh ngh a b i s k t h p c a ba

thành ph n màu là Red, Green và Blue. Do đó s thanh đ i ch y u trong màu
s c c a da đó là do s thay đ i v đ chói, thông th

ng các màu RGB đ

tr ng h n, do đó, nh h

c l c b . Ng

ng c a đ chói có th đ

c coi

i ta có th

chu n hóa các thành ph n màu t RGB thành rgb nh sau:

(I.2)

T h th c trên chúng ta có th th y r ng r+g+b = 1. Vi c chu n hóa màu
này có ý ngh a là, ch c n vi t hai trong s ba giá tr trên là chúng ta có th tìm ra
giá tr còn l i. Trong vi c phân tích màu s c c a da, m t bi u đ màu d a vào r
và g ch ra r ng màu c a khuôn m t t p trung thành m t c m nh trong bi u đ
m c xám.

so sánh thông tin màu c a m t pixel v i giá tr c a r và g trong
13



THƯ VIỆN ĐIỆN TỬ TRỰC TUYẾN
c m trên, và t đó t o ra kh n ng các pixel thu c vùng da c a m t có th đ

c

tìm ra.
Bên c nh mơ hình RGB, chúng ta còn có m t vài mơ hình màu khác đ

i. Mơ hình HIS là m t

KIL
OBO
OKS
.CO
M

s d ng trong vi c nghiên c u v n đ nh n d ng m t ng

c

ví d , mơ hình này có nh ng u đi m so v i các mơ hình khác trong vi c mang
l i s phân bi t rõ ràng gi a các c m màu c a các đ c tr ng khn m t. Do đó
mơ hình này th

ng đ

c s d ng cho cơng vi c trích ch n đ c tr ng c a khn

m t nh mơi, m t, lơng mày. Do vi c này có quan h ch t ch v i vi c c m th
màu s c

con ng

khn m t.

i, nó c ng đ

M t mơ hình khác đ
m t đó là mơ hình YIQ.

c s d ng ph bi n trong các s đ ph n vùng

c bi t đ n trong vi c áp d ng đ nh n d ng khn

chuy n đ i t khơng gian màu RGB sang khơng gian

YIQ, chúng ta th y có thành ph n I, đó là kho ng màu t cam (orange) -> xanh

l (Cyan), gi ng nh
c ng nh h

kho ng màu c a da ng

ng t i vi c tri t tiêu n n các màu khác và cho phép nh n bi t nh ng

khn m t nh trong m t mơi tr
đ

i châu á. Vi c chuy n đ i này

ng t nhiên. Các mơ hình màu khác c ng

c áp d ng cho vi c nh n bi t m t ng

i còn có HSV, YES, YCrCb, YUV,

CIE-xyz, L*u*v, CSN và UCS(Farnsworth).
Vi c phân vùng màu có th đ
x p x màu khi màu da đ

c th c hi n b ng vi c s d ng các ng

ng

c mơ hình hóa thơng qua bi u đ m c xám. Ph

ng

pháp ph c t p h n đó là s d ng ph

ng pháp tính tốn th ng kê, s thay đ i

khn m t c a mơ hình là trong m t ph r ng. Ng

i ta đã ti n hành s d ng

phân ph i Gaussian đ t p h p hàng ngàn m u màu c a da t các lồi khác nhau.
Phân ph i Gaussian đ
ph

c đ c tr ng b i vector trung bình µ và ma tr n hi p

ng sai ∑. Màu c a đi m nh t

nh đ u vào có th đ

c so sánh v i màu

da c a mơ hình b ng cách tính h s kho ng cách Mahalanobis. H s này s cho
bi t đ t

ng đ ng c a màu pixel v i màu da c a mơ hình.

14



THƯ VIỆN ĐIỆN TỬ TRỰC TUYẾN

M t u đi m c a mơ hình màu d a vào ph
khác v màu c a nh ng đ i t
ph

ng m i có th đ

ng pháp hu n luy n. S d ng ph

ng pháp th ng kê đó là s sai
c phù h p vào mơ hình b ng

ng pháp này, s nh n bi t màu có th s

KIL
OBO
OKS
.CO
M

hi u qu h n, ch ng l i s thay đ i c a các nhân t mơi tr

ng nh là đi u ki n

chi u sáng và đ c tính riêng c a máy nh.
1.4.1.1.4 Chuy n đ ng

N u nh chúng ta phát hi n khn m t cho video, khi đó thơng tin v s
chuy n đ ng, c ch , dáng đi u có ý ngh a r t l n trong vi c xác đ nh đ i t
chuy n đ ng. Các chuy n đ ng liên t c k nhau đ
tích các frame khác nhau. H

ng

c phân chia b ng vi c phân

ng ti p c n này, nói chúng là khá đ n gi n, đ

c

h tr đ phân bi t m t chuy n đ ng c n c nh và có hi u qu khơng ph thu c
đi u ki n n i dung b i c nh. Bên c nh vùng m t, ng

i ta còn ti n hành th c

hi n trên nhi u frame khác nhau đ đ nh v các đ c tr ng c a khn m t. Nh là
tr ng thái c a đơi m t b ng cách tính tốn đ l n v chi u ngang và chi u d c
gi a nh ng vùng liên ti p nh n đ

c trong các frame khác nhau.

M t cách khác đ có th tính tốn các chuy n đ ng tr c quan đó là thơng
qua vi c

cl

ng s chuy n đ ng c a các đ

frame khác nhau, k t qu có đ

ng vi n c a nh. So sánh các

c t s chuy n đ ng c a các đ

ng vi n là có

th tin c y, đ c bi t là khi chuy n đ ng đó là khơng quan tr ng. M t b l c
Gaussian có tính khơng gian và th i gian đ

c s d ng b i h th ng McKenna

đ phát hi n chuy n đ ng c a vùng bao khn m t c ng nh vùng bao tồn b
c th con ng

i. Ti n trình này u c u giá tr m c xám c a nh I(x,y) v i m t

tốn t biên ph th

c th i gian m(x,y,t) đ

c đ nh ngh a t b l c Gaussian

G(x,y,t) nh sau:

(I.3)
15



THệ VIEN ẹIEN Tệ TRệẽC TUYEN

KIL
OBO
OKS
.CO
M

Trong ú u l h s th i gian, a l r ng b l c. Toỏn t biờn ph thu c
th i gian sau ú

c nhõn ch p v i cỏc frame c a nh theo b i cụng th c:
(I.4)

K t qu c a ti n trỡnh x lý mi n th i gian ny S(x,y,t) s cho ta m t ch
s tr c ti p c a s chuy n ng biờn trong I(x,y,t).
M c dự ph

ng phỏp ny miờu t vi c nh n bi t biờn v vựng chuy n

ng, nh ng chỳng c ng cho phộp chỳng ta tin vo s chớnh xỏc c a vi c
l

c

ng t c c a chuy n ng lu ng sỏng hay cũn g i l lu ng quang (optical

flow). B i vỡ vi c

cl

g ny d a trờn cỏc m u chuy n ng trong m t kho ng

ng n, v cú c m giỏc nh chuy n ng ú l r t tr n v m n. D a vo thụng tin
c a chuy n ng, khuụn m t chuy n ng trong nh tu n t
Lu ng quang

c mụ hỡnh b i lu ng nh v i ph

c phõn vựng.

ng trỡnh rng bu c sau õy:
(I.5)

Trong ú, Ix, Iy v It l cỏc o hm mi n th i gian c a c
Vx v Vy l t c chuy n nh.

gi i ph

ng

nh v

ng trỡnh trờn cho Vx, Vy, m t vựng

bao g m cỏc i m nh chuy n ng theo m t qu o

vựng ỏp ng t i nh ng qu o chuy n ng khỏc nhau

c ghi nh n. Nh ng
c phõn l p trong

vựng chuy n ng v vựng khụng chuy n ng.

1.4.1.1.5 Ti u chu n suy r ng (Generalized Measure)
Nh ng c tr ng tr c quan nh

ng biờn, mu s c hay chuy n ng l

giai o n u tiờn trong h th ng quan tr c con ng
16

i. Quỏ trỡnh ny cho phộp



THệ VIEN ẹIEN Tệ TRệẽC TUYEN
nh ng thụng tin tr c quan

c t ch c l i thnh nh ng nhúm ho t ng m c

cao. D a vo vi c quan sỏt, Reisfeld ó xu t r ng m t h th ng quan sỏt b ng
c b t u v i vi c tớnh toỏn m c th p

tớnh ch t nh

giai o n ti n t p trựng cỏc

c t ng h p. Ban u, Reisfeld v Yeshurun ó gi i thi u m t

KIL
OBO

OKS
.CO
M

mỏy nờn

toỏn t i x ng t ng quỏt d a vũ toỏn t i m bi n. Do nh ng c tr ng c a
khuụn m t cú tớnh i x ng m t cỏch t nhiờn. Khi th c hi n, toỏn t i x ng
ny s tớnh toỏn v gỏn cho m i i m nh m t c
nh d a trờn m c

nh h

M (p), cho m i i m nh

ng c a vựng bao i m dú. C

ng i m

ng i x ng ú ,

c xỏc nh b ng:

Trong ú, C(i,j) l m c
trong t p cỏc pixel

ng g i l c

nh h

(I.6)

ng c a vựng biờn i m i,j (c a pixel)

c nh ngh a b i (p). Nú

c xỏc nh theo cụng th c:

(I.7)

Trong ú, D(i,j) l hm h s di, P(i,j) l hm h s phase, ri v rj
xỏc nh theo cụng th c d

i õy:

(I.8)
17

c




KIL
OBO
OKS
.CO
M

THÖ VIEÄN ÑIEÄN TÖÛ TRÖÏC TUYEÁN

Trong đó pk ch đi m (xk, yk) v i k = 1…K,
t i đi m pk,

ij

là góc theo chi u ng

pj so v i m t ngang. Hình d
gradient c a m tj tr

là gradient c a c

c kim đ ng h gi a đ

ng đ

ng th ng qua pi và

i đây miêu t m t ví d v cách tính M (p) t

c nh m t ng

i. C

ng đ đ i x ng đ

c tham chi u m t

cách rõ ràng th hi n s đ nh v các đ c tr ng c a khuôn m t nh là m t và

mi ng.

1.4.1.2 Phân tích đ c tr ng (Feature analysis)
Nh ng đ c tr ng đ

c t o ra t quá trình phân tích m c th p th c ra là

không rõ ràng. Qu v y, trong vi c đ nh v vùng m t s d ng mô hình màu da,
các đ i t

ng có cùng màu n n t

i u này có th đ

ng t nh màu da có th c ng đ

c nh n bi t.

c gi i quy t b ng vi c phân tích m c cao. Trong nhi u k

thu t nh n bi t khuôn m t, nh ng tích l y hi u bi t hình thái v khuôn m t đó s
đ

c áp d ng đ có th đ c tính hóa và đ xác minh l i nh ng đ c tr ng đó t

nh ng tr ng thái m p m . Có hai h
khuônn m t. H

ng ti p c n trong ng d ng v hình thái

ng ti p c n đ u tiên liên quan đ n chi n l

c truy tìm đ c tr ng

d a vào m i quan h v v trí d a các đ c tr ng. Nh ng đ c tr ng đ

c nh n

bi t nh các đ c tr ng đã t n t i. K thu t th hai đó s d ng k thu t nhóm đ c
tr ng thnàh các “chòm sao” b ng cách s d ng m t s mô hình khuôn m t khác
nhau.

14.1.2.1 Tìm ki m đ c tr ng

18



THệ VIEN ẹIEN Tệ TRệẽC TUYEN
Vi c truy tỡm cỏc c tr ng c a khuụn m t l truy tỡm cỏc c tr ng n i
b t c a khuụn m t b ng cỏch d a vo hỡnh thỏi c a chỳng. Vi c truy tỡm ny d a
khuụn m t.

KIL
OBO
OKS
.CO
M

vo m i quan h d a cỏc c tr ng ú v kho ng cỏch hỡnh h c, v tr trong

Nhi u thu t toỏn, mụ hỡnh ó

c xõy d ng cho cụng vi c ny. De Silva

l m t thu t toỏn tiờu bi u. Mụ hỡnh c a Jeng c ng l h th ng phỏt hi n c
tr ng

c bi t n r ng rói. Trong h th ng ny, vi c kh i t o s

c xỏc nh

b ng vi c nh v v trớ c a ụi m t trong b c nh. T vi c xỏc nh ụi m t, quỏ
trỡnh s truy tỡm cỏc c tr ng khỏc nh m i, mi ng v ng t . M i c tr ng
sau khi truy tỡm u thi t l p cỏc hm quan h v i cỏc c tr ng khỏc, i u ny
giỳp cho vi c xỏc nh khuụn m t cú th tin c y h n, cỏc hm quan h ny chớnh
l cỏc h s

c miờu t nh trong ng th c d

i dõy:

(I.9)

Bờn c nh ú, nhi u h th ng truy tỡm c tr ng c ng

c xu t nh h

th ng GAZE c a Herpers d a vo s chuy n ng c a m t trong h th ng tr c
quan con ng

i HVS.

i m c t y u c a h th ng l thu t toỏn nh v cỏc c

tr ng n i b t. M t thu t toỏn a m c s d ng b l c a h

ng Gaussian.

1.4.1.2.2 Phõn tớch chũm sao

M t vi thu t toỏn c p n trong ph n trờn cú tin c y ph thu c vo
m c t ỳng n v thụng tin

c tỡm ra t cỏc t p mụ hỡnh nh m t v i d

i

nh ng i u ki n c nh. N u nh khi i u ki n ú khụng cũn th a món, nh l
nh v khuụn m t trong m t b i c nh ph c t p, nhi u thu t toỏn cú th khụng
cũn chớnh xỏc. Vỡ v y v n ờ t ra l lm th no chỳng ta cú th nhúm cỏc
c tr ng khuụn m t ú l i thnh t ng chựm v i nh ng tham s i di n chung
nh t, ph n ỏnh

c h t cỏc tr

ng h p x y ra c a cỏc c tr ng, b ng vi c s

19

THệ VIEN ẹIEN Tệ TRệẽC TUYEN
d ng ph

ng phỏp mụ hỡnh húa hi u qu nh l ph

ng phỏp phõn tớch th ng

kờ.
n i b t l ph

ng phỏp nhúm thnh cỏc chũm sao

c xu t. Trong ú

ng phỏp s d ng lý thuy t nột th ng kờ t b l c a c p

KIL
OBO
OKS
.CO
M

Nhi u ph

Gaussian. M t mụ hỡnh th ng kờ trong mi n khụng gian c a cỏc c tr ng khuụn
m t cho phộp phỏt hi n m t cỏch linh ho t h n. Thu t toỏn h tr vi c qu n lý s
thi u h t c tr ng c ng nh cho phộp s d ng cỏc h s m r ng. M c thnh
cụng c a mụ hỡnh ny l 84% khi nghiờn c u t p 150 b c nh. Vi c phỏt hi n sai

c xỏc nh l do h s ph thu c c a c tr ng u.

Mụ hỡnh th ng kờ cho nh cú s xu t hi n nhi u khuụn m t c ng
xu t, trong mụ hỡnh ny, cỏc khuụn m t

c

c phõn l p thnh t ng nhúm v i

nh ng c tr ng chung nh t. Nh ng nhúm ny l i

c phõn l p ti p trong cỏc

thnh ph n c tr ng khuụn m t. Sau khi c tr ng ny nh n

c t vi c x lý

m c th p. Vi c nhúm c tr ng ny cú tỏc d ng gi m b t sai s c tr ng sinh ra
do nh h

ng c a b i c nh h n t p. M t m ng theo lu t Bayesian s

c h tr

k t h p v i vi c phỏt hi n riờng cho t ng nhúm c tr ng cú th ch c ch n
r ng gi thuy t v s ỳng n c a khuụn m t cú
cao.

H th ng s d ng ph

ng phỏp ny n i ti ng nh t l h th ng c a Maio v

Maltoni. Trong h th ng ny nh u vo

c chuy n i tr c ti p b ng cỏch

s d ng m t toỏn t gradient cú c a s 7*7. T
ng

c s tin c y v i m c

nh chuy n i tr c ti p ny,

i ta ỏp d ng hai giai o n nh n bi t khuụn m t.

nh

c nh n bi t s

c

khoanh vựng trong m t hỡnh ellipse. H th ng c a Maio v Maltoni l h th ng
th i gian th c v i m c phỏt hi n khi test l 69/70 b c nh m khụng b m t
l i no.

1.4.1.3 Cỏc mụ hỡnh hỡnh d ng tớch c c (Active shape models)

20

THệ VIEN ẹIEN Tệ TRệẽC TUYEN
õy l mụ hỡnh th i gian th c hi u qu v l thnh t u quan tr ng c a
h

ng ti p c n d a vo phõn tớch c tr ng. Mụ hỡnh d a vo tớnh ch t v t lý

th t s v s xu t hi n m c cao c a cỏc c tr ng. Mụ hỡnh ASM t

ng tỏc v i

KIL
OBO
OKS
.CO
M

cỏc c tr ng nh c c b (biờn, sỏng) v d n d n lm bi n d ng nột c a
c tr ng ú. Co ba d ng c a mụ hỡnh ASM ang

c nghiờn c u.

u tiờn l

mụ hỡnh s d ng m t

ng i kớch ho t (active contour) g i l snakes (d ng

con r n). Mụ hỡnh th

hai l mụ hỡnh d a vo cỏc d ng m u bi n i

(deformable templates) cho phộp th c hi n hi u qu h n mụ hỡnh snakes. Mụ
hỡnh th ba l mụ hỡnh Smart snakes (con r n ho t thụng minh) v PDM (mụ
hỡnh phõn b i m). Mụ hỡnh ny d a trờn t p cỏc i m

c gỏn nhón v ch

cho phộp bi n i theo m t vi hỡnh d ng d a trờn quỏ trỡnh h c.
1.4.1.3.1 Mụ hỡnh d ng con r n (Snake)
c s d ng xỏc nh
con r n ban u

ng bao c a u.

th c hi n vi c ny, m t

c kh i t o t i m t vựng lõn c n xung quanh vựng biờn u.

Sau ú co d n v phớa cỏc

ng biờn v a ra hỡnh d ng gi nh c a vựng

u. S ti n húa c a con r n oc th c hi n thụng qua vi c c c ti u húa m t
hm n ng l
sau:

ng d ng Esnake (t

ng t nh trong v t lý) v

Esnake = Ebờn trong + Ebờn ngoi

Trong ú Ebờn trong v Ebờn ngoi l n l
bờn ngoi. N ng l

c bi u di n nh

(I.10)

t l cỏc hm n ng l

ng bờn trong l ph n n ng l

ng bờn trong v

ng ph thu c v cỏc thu c tớnh

b n ch t c a con r n v t o nờn s ti n húa t nhiờn c a

ng biờn ng. Cỏc

ti n húa t nhiờn v i n hỡnh c a con r n l s co ng n v s m r ng. Trong
khi ú, n ng l

ng bờn ngoi cú khuynh h

v lm cho cỏc

ng ch ng l i n ng l

ng bờn trong

ng biờn ng sai l ch so v i ti n húa t nhiờn th m chớ th a
21



THệ VIEN ẹIEN Tệ TRệẽC TUYEN
nh n hỡnh d ng c a cỏc c tớnh g n nh t l hỡnh d ng c a vựng u khi

tr ng

thỏi cõn b ng.
Hai v n chớnh c n quan tõm trong vi c ỏp d ng mụ hỡnh con r n l l a
l

ng Elastic

ng chớnh xỏc v k thu t c c ti u húa h ng l

KIL
OBO
OKS
.CO
M

ch n cỏch tớnh n ng l

c s d ng ph bi n nh l n ng l

gi a cỏc i m i u khi n trờn

ng biờn ng

ng. N ng

ng bờn trong. Kho ng cỏch

c cõn i v do ú em l i

cho

ng biờn c tớnh gi ng nh s i dõy cao su cú th co ho c dón. V n

n ng l

ng bờn ngoi

c xem xột d a vo ki u d ng c a c tr ng nh

xem xột. Cú th tớnh n ng l
cỏchny, cỏc

ng biờn ng th

ng ny theo cỏc thụng s

c

gradient. V theo

ng h i t v phớa cỏc v trớ bi n. Bờn c nh cỏc

thụng s v gradient, m s cỏch tớnh n ng l

ng bờn ngoi khỏc cũn bao g m

c cỏc hm liờn t c liờn quan n mu da trong ú h p d n cỏc con r n v phớa
cỏc vựng m t.

M c dự ph


ng phỏp con r n m t cỏch t ng quỏt cú th xỏc nh oc cỏc

ng bao quanh cỏc vựng c tr ng nh ng vi c tri n khai ph

ng phỏp v n b

c n tr b i hai v n . Th nh t l cỏc ph n c a con r n hay b b y vo cỏc vựng
c tr ng nh khụng ỳng. Th hai l ph

ng phỏp con r n khụng th c s hi u

qu trong xỏc nh cỏc c tr ng khụng l i ( c tr ng xu t hi n n i b t) do xu
h

ng ti n t i c c ti u cong c a con r n.

1.4.1.3.2 D ng m u cú th bi n i (Deformable templates)
Xỏc nh

ng bao c a m t vựng c tr ng khuụn m t khụng ph i l m t

v n d gi i quy t b i vỡ cỏc d u hi u c c b c a cỏc

ng biờn m t khú cú

th oc t ch c thnh cỏc th th t ng th nh n bi t thụng qua cỏc
t

ng biờn.

ng ph n th p v sỏng xung quanh m t s vựng c tr ng nh c ng lm

cho quỏ trỡnh do tỡm biờn khú th c hi n. Yuille v c ng s ó m r ng khỏi ni m
con r n thụng qua vi c k t h p cỏc thụng tin t ng th v c p m t nõng cao
tin c y c a quỏ trỡnh trớch ch n c tr ng. M t m u cú th thay i c a m t d a
22



THệ VIEN ẹIEN Tệ TRệẽC TUYEN
trờn cỏc c tr ng n i b t c a chỳng

c tham s húa s d ng 11 tham s . Ho t

ng theo nguyờn t c gi ng nh con r n, m t m u n u

cỏc c tr ng m t s t bi n i h
h p n ng l

ng bao c tr ng t i u. C ch

ng phỏp c c ti u húa gi m gradient d c nh t c a t

KIL
OBO
OKS
.CO
M

bi n i liờn quan n ph

ng t i

ng ngoi do cỏc vựng tr ng,

(Ev, Ee, Ep, Ei)

c kh i u g n v i

ng biờn, nh v sỏng c a nh

c tớnh theo cụng th c:

E = Ev+ Ee+ Ep+ Ei + Ebờn trong (I.11)

T t c cỏc bi u th c n ng l

d ng cỏc thu c tớnh m u nh
parabol.

n um u

nh h

c bi u di n b ng m t tớch phõn s

di n tớch v di c a

Cú th th y r ng, chi n l
c a cỏc m u s

ng trờn

ng trũn v

ng

c i sỏnh m u l c nh, do ú v trớ kh i u

ng nhi u n quỏ trỡnh ti n húa. Ng

i ta ó ch ra r ng,

c kh i õu t i trờn m t thỡ nú s b h p d n b i lụng my thay vỡ c p

m t. Ngoi ra, th i gian x lý c ng s r t l n trong quỏ trỡnh th c hi n c c ti u
húa. Vỡ v y nh ng nghiờn c u g n y t p trung vo vi c gi m th i gian th c

hi n, thay i cỏc m u v bi u th c n ng l

ng. Trong m t phỏt tri n g n õy,

Lam v Yan s d ng cỏc thụng tin v gúc m t ỏnh giỏ cỏc tham s kh i u
c a mụ hỡnh m u m t. S gia t ng v thụng tin lm cho phộp so sỏnh m u s
chớnh xỏc, tin c y h n. Th i gian m u t

c v trớ t i u c ng ó gi m n

40% (so sỏnh v i m u ban u). Bờn c nh m u m t, cỏc m u mi ng c ng
s d ng v i cựng m t chi n l

c

c.

1.4.1.3.3 Mụ hỡnh phõn ph i i m (PDM Point Distributed Models)
L m t mụ hỡnh mụ t tham s húa t i u c a hỡnh d ng d a trờn ph ong
phỏp th ng kờ. Ki n trỳc c a quỏ trỡnh so kh p c a PDM khỏc v i cỏc mụ hỡnh
hỡnh d ng ng khỏc. Cỏc

ng biờn ng c a PDM
23

c r i r c húa thnh cỏc



THệ VIEN ẹIEN Tệ TRệẽC TUYEN

t p i m

c ỏnh nhón. S bi n i c a cỏc t p i m ny tr

s húa thụng qua cỏc t p m u h c.ch a cỏc i t
khỏc nhau. S d ng ph

ch t

c tham

ng cú hỡnh d ng v t thộ

ng phỏp phõn tớch thnh ph n chớnh PCA, s bi n i
c xõy d ng thnh m t mụ hỡnh linh

KIL
OBO
OKS
.CO
M

c a cỏc c tr ng trong t p m u h c

ng tuy n tớnh. Mụ hỡnh oc c u thnh t trung bỡnh c a t t c cỏc c tr ng
trong t p h p v mụ hỡnh c b n c a s bi n i t ng i m nh: x = xtb + Pv
(I.12)

Trong ú, x bi u di n m t i m trong PDM v xtb l c tớnh trung bỡnh
trong t p m u i v i i m ú, P = [p1, p2, , pt ] l ma tr n ch a t vector bi n

i quan t ng nh t c a ma tr n hi p ph

ng sai, cũn v l vector tr ng s .

Mụ hỡnh PDM u tiờn oc phỏt tri n b i Lanitis v c ng s . Mụ hỡnh
minh h a dỏng v t ng th c a khuụn m t bao g m c tớnh nh lụng my, m i,
m t. S d ng 152 i m i u khi n
mụ hỡnh PDM


c ch n b ng tay v 160 nh m t m u, m t

c xõy d ng. Ch s d ng 16 tr ng s , mụ hỡnh cú th x p x

c 95% cỏc hỡnh d ng khuụn m t trong t p m u.

so kh p m t mụhnhf

PDM v i m t m t, mụ hỡnh hỡnh d ng trung bỡnh (v i i m ỏnh nhón l xtb) u
tiờn


c t g n m t. Sau ú cỏc chi n l

c s d ng a t ng i m h

c tỡm ki m trờn m c xỏm c c b

ng n i m t ng ng thu c

Trong su t quỏ trỡnh bi n i ny, hỡnh d ng ch

ng bao.

c phộp thay i theo m t

cỏch phự h p v i cỏc thụng tin oc mụ hỡnh húa trong t p m u.
u i m cua PDM l s d ng mụ hỡnh khuụn m t v i cỏc tham s t i u.
c tớnh t ng th c a mụ hỡnh c ng cho phộp t t c cỏc c tr ng

c xỏc nh

song song v i nhau v do ú gi m b t oc yờu c u ph i tỡm ki m l n l

t cỏc

c tr ng. H n n , s thi u v ng m t c tr ng no ú khụng ph il m t v n
nghiờm tr ng khi m n cỏc c tr ng khỏc trong mụ hỡnh v n cú th t t i
m t gi i phỏp t i u ton th .

24



THƯ VIỆN ĐIỆN TỬ TRỰC TUYẾN
1.4.2 H

ng ti p c n d a trên thơng tin xu t hi n trong nh (Image-based

approach)

H n ch c a h

ng ti p c n d a vào đ c tr ng c a hình nh đó là kh

KIL
OBO
OKS
.CO
M

n ng nh n bi t nhi u khn m t trong m t b c nh có b i c nh ph c t p là
khơng cao cho dù đã có nhi u n l c c i ti n và nâng cao ch t l
i u đó đòi h i m t ph
v n đ này. Và h

ng pháp m i, m t h

ng dò tìm.

ng ti p c n m i đ gi i quy t

ng ti p c n d a vào thơng tin hình nh là h

ng ti p c n có

th đáp ng nhu c u đó.
H u h t các ph

ng pháp trong h

ng ti p c n này đ u s d ng chung

m t k thu t đó la k thu t qt c a s hay còn g i là k thu t qt khung nhìn
đ nh n bi t khn m t. Thu t tốn qt c a s s dò tìm trong nh đ u vào t t
c các khn m t có th có trong nh. Kích th
kích th

cc ab

c c a c a s , h s l y m u,

c qt ph thu c vào m c đích c a ph

ng pháp c ng nh

hi u n ng c a h th ng.

Nh n bi t khn m t d a vào thơng tin hình nh đ

c chia làm ba h

ng

nghiên c u con chính đó là ph

ng pháp khơng gian con tuy n tính, ph

ng

pháp d a vào m ng neural và ph

ng pháp th ng kê.

1.4.2.1. Ph
Methods)

ng pháp khơng gian con tuy n tính (Linear Subspace

Hình nh c a khn m t con ng
b khơng gian hình nh.
d ng ph

i n m trên m t khơng gian con c a tồn

th hi n khơng gian con này, ng

ng pháp v th n kinh, tuy nhiên v n có vài ph

i ta có th s

ng pháp có liên quan

ch t ch h n v i phân tích th ng kê đ bi n thiên tiêu chu n cái mà có th
d ng đ

c. Các k thu t trong ph

ng

ng pháp này bao g m phân tích thành ph n

chính (PCA principal component analysis), phân tích bi t s tuy n tính (LDA),
và phân tích h s (FA).

25