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