Nhận dạng khuôn ng khuôn m khuôn mặt dùng mạng nơron

Nhận dạng khuôn mặt
dùng mạng nơron
Thành viên:

Nguyễn Trần Đức Duy
Nguyễn Chí Định
Cù Xuân Đức
Nguyễn Vinh Quang

41000485
41000694
41000722
41002587

Company

LOGO

Ngày 13 tháng 12 năm 2013


NỘI DUNG THUYẾT TRÌNH
1

Giới thiệu

2

Các phương pháp trích đặc trưng

3

Huấn luyện mạng neuron

4

Kết quả và mô phỏng matlap
2


1.GIỚI THIỆU

3


NHẬN DẠNG KHUÔN MẶT
KHÁI NIỆM:


Hệ thống nhận dạng ảnh là một ứng dụng tự động phát hiện và
nhận dạng khuôn mặt người từ một ảnh số hay là một khung
ảnh từ một luồng video. Cách làm là so sánh các đặc trưng được
lựa chọn của ảnh chụp thật với một cơ sở dữ liệu ảnh chụp gốc.

 Các dữ liệu dùng để so sánh trong nhận dạng ảnh:
1. Khoảng cách giữa 2 hốc mắt
2. Khoảng cách giữa môi và mũi
3. Khoảng cách giữa sống mũi và mắt
4. Khoảng cách giữa môi và sống mũi
5. Độ lệch tâm của khuôn mặt
6. Tỉ lệ kích thước khung giới hạn của khuôn mặt

7 Độ rộng môi
7.
4


Ứng dụng của nhận dạng khuôn mặt
 Kiểm
ể tra hộ chiếu
ế tại cổng
ổ sân bay
 Nhận dạng các cá nhân trong một
cuộc họp
 Điều
Điề khiển
khiể hệ thống
thố
 Nhận
ậ dạng
ạ g tội
ộ p
phạm
ạ
 Sử dụng trong giao dịch thẻ ATM
5


SƠ ĐỒ NHẬN DẠNG MẪU

6

.

2.. C
CÁC
C PHƯƠNG
ƯƠNG PHÁP
TRÍCH ĐẶC TRƯNG

7


CÁC PHƯƠNG PHÁP

 Phân tích thành phần
ầ chính
(Principle Component Analysis-PCA)

 Phân tích phân biệt tuyến tính
((Linear Discriminant Analysis-LDA)
y
)

8


SƠ ĐỒ KHỐI

9

PCA

10


Nhận dạng bằng PCA

PCA

11


Nhận dạng bằng PCA

12


Nhận dạng bằng PCA

Kết
ết quả :
Sau khi tìm được các eigenface,
eigenface các ảnh trong tập
cơ sở dữ liệu sẽ được chiếu lên không gian các
eigenface
g
này
y để tạo
ạ ra vector đặc

ặ tính.
Vector này có kích thước nhỏ hơn nhiều so với
kích thước ảnh nhưngg vẫn mangg nhiều nhất
thông tin chứa trong ảnh.

13


Nhược điểm của PCA

 Độ sáng của ảnh khác nhau
 Sắp xếp ảnh khác nhau
 Biểu cảm khuôn mặt khác nhau
14


Sơ đồ khối của nhận
ậ dạng
ạ g LDA

15


CÁC GIẢ ĐỊNH
 Ảnh là vuông với W=H=N
ợ g ảnh trongg cơ
 M là số lượng
sở dữ liệu
 P là sốố người
ời trong

t
cơ sở
ở dữ
liệu
ệ

16


Thuật toán nhận dạng ảnh dùng LDA
1. Cơ sở dữ liệu
2 Tính toán trung bình tất cả các khuôn mặt
2.
3 Tính toán trung bình khuôn mặt của từng người
3.
4 Trừ đi các khuôn
4.
kh ôn mặt huấn
h ấn luyện.
l ện

17


Thuật toán nhận dạng ảnh dùng LDA

5. Sử dụng ma trận S1, S2, S3, S4
6. Ma trận rải rác
( within-class scatter matrix –sw)
7. Từ ma trận rải rác này tính toán vector

fisher face.
face
18


Thuật toán tính toán vector Fisherface

 Cơ sở dữ liệu
 a1 


a2 


 


a
2
 N 

 b1 


b
2


 



b
2
 N 

 c1 


c
2


 


c
2
 N 

 d1 


d
2


 


d

2
 N 

 e1 


e
2 

 


e
 N2 








 g1 


g
2 

 



g
2
 N 

 h1 


h
2


 


h
2
 N 

f1 

f2 
 

f N 2 

19


Thuật toán tính toán vector Fisherface

Tính toán trung bình tất cả các khuôn mặt

20


Thuật toán tính toán vector Fisher face
Tính toán trung bình khuôn mặt của từng người

21


Thuật toán tính toán vector Fisher face
Trừ đi các khuôn mặt được huấn luyện

22


Thuật toán tính toán vector Fisher face
Xây dựng ma trận rải S1, S2, S3, S4
 
 
 
 
S 1  a m a m  bm bm , S 2  c m c m  d m d m ,
 
 
 
 
S 3  em em  f m f m , S 4  g m g m  hm hm













Ma trận ( within-class scatter matrix )SW

SW  S1  S 2  S3  S 4

23


Nhận dạng dùng phương pháp huấn luyện LDA

24


Ưu điểm của LDA-NN
 Nhanh hơn phương pháp eigenface (PCA)
 Tỉ lệ lỗi thấp hơn
 Hoạt động tốt
ố thậm chí trong các điều
ề kiện ánh sáng khác

nhau
 Hoạt động tốt với các biểu cảm khuôn mặt khác nhau
 Hoạt động tốt với các cách sắp xếp khác nhau
25

25