KĨ THUẬT PHÁT HIỆN VÀ NHẬN DẠNG MẶT NGƯỜI TỰ ĐỘNG DƯỚI SỰ HỖ TRỢ CỦA CAMERA

TRƯỜNG ĐẠI HỌC ĐÀ LẠT
KHOA CÔNG NGHỆ THÔNG TIN
------------

BÁO CÁO HỘI THẢO CNTT

MỘT KỸ THUẬT PHÁT HIỆN VÀ NHẬN DẠNG MẶT NG ƯỜI T Ự
ĐỘNG DƯỚI SỰ HỖ TRỢ CỦA CAMERA

Nguyễn Thị Lương, Đặng Thanh Hải, Võ Phương Bình
Khoa Công nghệ Thông tin, Trường Đại học Đà lạt

Đà lạt- 12/2010


Nội dung
 Một sôốvấố
n đềềnhận dạng ảnh
 Mô hình đềềtài
 Phương pháp nhận dạng PCA
 Phát hiện mặt người
 Kềố
t quả thử nghiệm

2


Một sốốvấốn đềềnhận dạng ảnh
 Một sôốkhó khăn trong nhận dạng mặt

người








Máy ảnh không rõ và nhiễu
Nềền phức tạp
Độ sáng
Sự dịch chuyển, xoay, biềốn đổi tỉ lệ giữa các thành phấề
n
Cảm xúc thể hiện trền gương mặt
Hóa trang, kiểu tóc

3


Một sốốphương pháp nhận dạng mặt người
 Eigenfaces
 Neural Networks
 Graph Matching
 Geometrical Feature Matching
 Line Edge Map (LEM)
 Support Vector Machine (SVM)
 Multiple Classifier Systems (MCSs)

4

Mố hình đềềtài

5


Phương pháp PCA
 Phương pháp này dựa trền mô hình của lý thuyềố
t

thông tin:




Phấn chia gương mặt người thành một tập nhỏ các ảnh đặc
trưng gọi là các mặt riềng.
Các mặt riềng này được xem như các thành phấền chính của tập
các ảnh gương mặt ban đấề
u.

 Quá trình nhận dạng được thực hiện băề
ng cách:
 Chiềố
u gương mặt mới lền không gian con được định hướng bởi
các mặt riềng,
 Sau đó so sánh nó với vị trí của các ảnh trong tập ban đấề
u
trong không gian mặt riềng.

6

Phương pháp PCA
 Tác giả: Turk and Pentland
 Phương pháp này tỏ ra vượt trội hơn các mô hình

nhận dạng mặt người khác ở:





Tôố
c độ
Tính đơn giản
Khả năng học
Không nhạy cảm với những thay đổi tương đôố
i nhỏ hay từ từ
của gương mặt.

 Chia thành 2 giai đoạn chính:
 Giai đoạn tìm các mặt riềng (EigenFace)
 Giai đoạn nhận dạng
7


Phương pháp PCA
Bắt đầu

Tập dữ liệu khuôn

mặt huấn luyện
(trainingSet)

Input: Ảnh X
chưa biết

Giai đoạn 1: tìm các mặt riềng (EigenFace)

E= eigenfaces(trainingSet)

Wx=weight(E,X)

W= weights(E, trainingSet)

D=avg(distance(W,Wx))

X không là
khuôn mặt

X là khuôn mặt
Giai đoạn 2:
nhận dạng

Lưu X và Wx

Kết thúc
8


Tìm mặt riềng (EigenFace)

 Bước 1: Giả sử tập ảnh huấố
n luyện gôềm M ảnh

khuôn mặt:

có kích thước N*N.

9


Tìm mặt riềng (EigenFace)
 Bước 2: Tìm ảnh trung bình theo công thức:

Với tập ảnh huấốn luyện trền ta tính được ảnh trung bình như sau:

 Bước 3: Tính độ sai khác giữa ảnh huấố
n luyện

với ảnh trung bình

so

:

10


Tìm mặt riềng (EigenFace)
 Bước 4: Tính ma trận hiệp phương sai C (covariance

matrix)



Với:

Vậy C có kích thước: N2 x N2
 Vấốn đềềvềềtìm vector riềng (eigenvector) ui của ma trận C khó
thực hiện được vì kích thước quá lớn.


11


Tìm mặt riềng (EigenFace)
 Để tìm eigenvector ui của C ta thực hiện như sau:


Giả sử vi là vector riềng của ma trận ATA, tức là:



Nhấn 2 vềốvới ma trận A ta được:

 Như vậy

là eigenvector của C

12

Tìm mặt riềng (EigenFace)
 Để tìm eigenvector ui của C ta thực hiện như sau (tt):


Tìm eigenvector và eigenvalue của ma trận L:



Hay:



Khi đó L là ma trận có kích thước là MxM
Giả sử vi là eigenvector của L tính được:



là eigenvector của C
Hay còn gọi là mặt riềng (eigenface)
13


Tìm mặt riềng (EigenFace)
 Từ M eigenvector (ui), chọn ra M’ eigenvector ứng với

M’ giá trị riềng đấều tiền trong mảng các giá trị riềng
(được săốp xềốp giảm dấền).
 Thường chọn M’ sao cho [3]:

14


Tìm mặt riềng (EigenFace)
 Với ví dụ tập huấố
n luyện trền tìm được 7 mặt riềng

có giá trị riềng lớn nhấốt (M=12 > M’=7)

15


Nhận dạng
 Bước 1: Với mỗi ảnh huấố
n luyện

, ta chiềốu

lền không gian mặt M’ chiềều:



Với:

16


Nhận dạng
 Bước 2: Khuôn mặt mới

sẽ được chiềốu lền không

gian M’ chiềều. Kềốt quả:


Với:

 Bước 3: Tìm mặt thứ k sao cho:



Với
là vector mô tả hay đại diện cho mặt thứ k trong tập
huấốn luyện, là ngưỡng xác định.
17


Nhận dạng
 Có 4 trường hợp khi nhận dạng khuôn mặt mới:
 Ảnh ở gấề
n không gian mặt và gấề
n 1 lớp ảnh
 Ảnh ở gấề
n không gian mặt và xa tấốt cả các lớp ảnh
 Ảnh ở xa không gian mặt và ở gấề
n một lớp ảnh
 Ảnh ở xa không gian mặt và ở xa tấố
t cả các lớp ảnh

18

Phát hiện mặt người
Phân ngưỡng
màu

Xử lý ảnh
nhị phân

Loại bỏ các
vùng có kích
thước nhỏ

 Chuyển sang hệ màu YCrCb, phấn ngưỡng với điềề
u

kiện:
135 < Cr < 180
 85 < Cb < 135
 Y > 80


19


Phát hiện mặt người
 Với ảnh đấề
u vào Г, ta tính Ф = Г – Ψ
 Tính weight vector w = u .Ф
 Tính reconstructed image Ѓ = u.w

 Tính khoảng cách đềố
n không gian khuôn mặt Fsm =

|| Ф - Ѓ ||
 Nềố
u Fsm < θ thì kềốt luận Г là khuôn mặt ( θ là một
ngưỡng cho trước ).

20


Kềốt quả thử nghiệm
 Tập dữ liệu
 Tập dữ liệu AT&T: gôề
m 400 hình khuôn mặt (ứng với 40
ngHuấn
ười).luyện
Nhận dạng
Đúng
Sai
280 ảnh



120 ảnh

88 (73.3%)

32 ( 26.7% )

Tập dữ liệu yalefaces: gôề
m 165 hình khuôn mặt (ứng với 15
ng
ười).
Huấn
luyện
Nhận dạng
Đúng
Sai
120 ảnh

45 ảnh

38 (84.4%)

7 ( 15.6% )

21


Tài liệu tham khảo
1.

2.

3.

4.

Shang – Hun Lin, Ph.D (IC Media Corporation) (2000): An

introduction to Face Recognition Technology. Informing
Science Special Issue on Multimedia Informing Technology
– Part 2, volume 3 no 1, 2000
M. Turk and A. Pentland. Eigenfaces for recognition. Journal
of Cognitive Neuroscience, 3(1), 1991a. URL
(URL
accessed on November 27, 2002).
Tat-Jun Chin* and David Suter, A Study of the Eigenface
Approach for Face Recognition, Dept of ECSE, P.O. Box 35,
Monash University, Clayton 3800, Australia, 2004
“Khảo sát ứng dụng tập thô trong lựa chọn và rút gọn đặc
trưng cho bài toán nhận dạng mặt người”, Luận văn tôốt
nghiệp, Khoa Công nghệ Thông tin, Đại học Khoa học Tự
nhiền Tp.HCM
22


Thank you!

23