Nghiên cứu phương pháp nhận dạng ảnh mặt người và ứng dụng( Luận án tiến sĩ)

ĐẠI HỌC THÁI NGUYÊN
TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG
----------------

ĐỖ DUY CỐP

NGHIÊN CỨU PHƢƠNG PHÁP
NHẬN DẠNG ẢNH MẶT NGƢỜI VÀ ỨNG DỤNG

LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH

Thái Nguyên – 2014
Số hóa bởi Trung tâm Học liệu

/>

ĐẠI HỌC THÁI NGUYÊN
TRƢỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG
----------------

ĐỖ DUY CỐP

NGHIÊN CỨU PHƢƠNG PHÁP
NHẬN DẠNG ẢNH MẶT NGƢỜI VÀ ỨNG DỤNG
Chuyên ngành: Khoa học máy tính
Mã số: 60.48.01

LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH
NGƢỜI HƢỚNG DẪN KHOA HỌC: TS. Vũ Việt Vũ

Thái Nguyên - 2014

Số hóa bởi Trung tâm Học liệu

/>

i

MỤC LỤC
MỤC LỤC .......................................................................................................... i
DANH MỤC CÁC TỪ VIẾT TẮT .................................................................. ii
DANH MỤC CÁC BẢNG................................................................................ ii
DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ .......................................................... iii
LỜI CẢM ƠN ................................................................................................... 1
LỜI CAM ĐOAN ............................................................................................. 2
CHƢƠNG 1 TỔNG QUAN VỀ NHẬN DẠNG ẢNH MẶT NGƢỜI ............ 3
1.1 Tổng quan về nhận dạng ảnh mặt ngƣời ................................................. 3
1.2 Các hƣớng tiếp cận trong nhận dạng mặt ngƣời...................................... 4
1.2.1 Phƣơng pháp trích chọn đặc trƣng sử dụng mặt riêng (Eigenface) .. 4
1.2.2 Phƣơng pháp trích chọn đặc trƣng sử dụng mô hình Markov ẩn ..... 5
1.2.3 Phƣơng pháp phân tích thành phần chính ......................................... 5
1.3 Bố cục luận văn ....................................................................................... 6
CHƢƠNG 2 TRÍCH CHỌN ĐẶC TRƢNG ................................................... 7
2.1 Phƣơng pháp phân tích thành phần chính - PCA .................................... 7
2.1.1 Cơ sở toán học ................................................................................... 8
2.1.2 Phƣơng pháp PCA ........................................................................... 17
2.2 Phƣơng pháp phân tách tuyến tính - LDA ............................................. 24
2.3 Phƣơng pháp xử lý hình thái.................................................................. 27
2.3.1 Biến đổi trúng-trƣợt (hit-or-miss) ................................................... 29
2.3.2 Phép dãn ảnh và co ảnh tổng quát ................................................... 33
2.3.3 Dãn và co ảnh đa mức xám ............................................................. 40

CHƢƠNG 3 MẠNG NƠRON ........................................................................ 42
3.1 Giới thiệu mạng nơron ........................................................................... 42
3.1.1 Nơron – đơn vị xử lý cơ bản ........................................................... 42
3.1.2. Liên kết giữa các nơron .................................................................. 43
3.1.3. Hàm kích hoạt và các quy tắc xác định tín hiệu ra ........................ 44
3.1.4 Quy tắc delta.................................................................................... 45
3.2 Thuật toán học lan truyền ngƣợc ........................................................... 46
Số hóa bởi Trung tâm Học liệu

/>

ii

CHƢƠNG 4 THIẾT KẾ VÀ ĐÁNH GIÁ ...................................................... 52
4.1 Thiết kế hệ thống ................................................................................... 52
4.1.1 Cơ sở dữ liệu ảnh ............................................................................ 52
4.1.2 Môi trƣờng cài đặt ........................................................................... 53
4.1.3 Cài đặt.............................................................................................. 53
4.2 Kiểm thử và đánh giá ............................................................................. 56
KẾT LUẬN ..................................................................................................... 58
HƢỚNG PHÁT TRIỂN .................................................................................. 59
TÀI LIỆU THAM KHẢO ............................................................................... 60
DANH MỤC CÁC TỪ VIẾT TẮT
LDA (Linear Discriminant Analysis): Phƣơng pháp phân tách tuyến tính
LMS (Least Mean Square): Phƣơng pháp bình phƣơng trung bình tối
thiểu
ORL (Olivetti Research Laboratory, Surrey University): Cơ sở dữ liệu
ảnh dùng trong luận văn
PCA(Principal Components Analysis): Phƣơng pháp phân tích thành phần
chính

DANH MỤC CÁC BẢNG
Bảng 2.1. Tính toán độ lệch chuẩn ................................................................. 10
Bảng 2.2. Tập dữ liệu hai chiều và tính toán hiệp phương sai ....................... 12
Bảng 4.1. Các module chính của chương trình .............................................. 53

Số hóa bởi Trung tâm Học liệu

/>

iii

DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ
Hình 2.1. Ví dụ minh họa PCA .............................................................................................. 8
Hình 2.2. Dữ liệu và đồ thị biểu diễn dữ liệu ...................................................................... 18
Hình 2.3. Đồ thị biểu diễn dữ liệu đã chuẩn hóa với các vector riêng................................ 20
Hình 2.4. Ảnh gốc trong cơ sở dữ liệu ORL ........................................................................ 23
Hình 2.5. Ảnh sau khi biến đổi theo PCA ............................................................................ 23
Hình 2.6. Ví dụ minh họa LDA ............................................................................................ 24
Hình 2.7. Ảnh sau khi biến đổi theo LDA ............................................................................ 27
Hình 2.8. Sự liên thông ........................................................................................................ 28
Hình 2.9. Phép dãn ảnh nhị phân ........................................................................................ 31
Hình 2.10. Phép co ảnh nhị phân ........................................................................................ 32
Hình 2.11. Các toán tử đại số ảnh trên các mảng nhị phân ................................................ 34
Hình 2.12. Lật và dịch một mảng nhị phân ......................................................................... 34
Hình 2.13. Phép dãn ảnh tổng quát dựa theo phép cộng Minkowski .................................. 37
Hình 2.14. So sánh các kết quả của hai phép co ảnh .......................................................... 39
Hình 2.15. Phép dãn ảnh và co ảnh tổng quát với phần tử cấu trúc 55 ............................ 40
Hình 2.16. Ảnh sau khi xử lý hình thái ................................................................................ 41
Hình 3.1. Các thành phần cơ bản của mạng nơron nhân tạo.............................................. 43
Hình 3.2. Một số dạng hàm kích hoạt của nơron ................................................................ 44

Hình 3.3. Mạng nơron l lớp ................................................................................................. 47
Hình 4.1. Ảnh gốc trong bộ ảnh ORL .................................................................................. 52
Hình 4.2. Ảnh gốc được bổ sung ảnh gương ....................................................................... 54
Hình 4.3. Giao diện chính của chương trình ....................................................................... 56

Số hóa bởi Trung tâm Học liệu

/>

1

LỜI CẢM ƠN
Lời đầu tiên tôi xin bày tỏ lòng biết ơn sâu sắc tới TS. Vũ Việt Vũ, công
tác tại trƣờng Đại học Kỹ thuật Công nghiệp - Đại học Thái Nguyên, ngƣời đã
tận tình hƣớng dẫn và giúp tôi hoàn thành luận văn tốt nghiệp này.
Tôicũng xin gửi lời cảm ơn chân thành đến các thầy cô giáo của trƣờng
Đại học Công nghệ thông tin và truyền thông - Đại học Thái Nguyên, cùng
các thầy cô giáo của Viện Công nghệ thông tin - Viện khoa học Việt Nam đã
nhiệt tình giảng dạy, truyền đạt kiến thức cho tôi trong suốt 2 năm học qua.
Tôi xin cảmơn sự động viên và giúp đỡ của tất cả những ngƣời thân trong
gia đình, của các bạn bè, đồng nghiệp trong quá trìnhthực hiện luận văn này.
Thái Nguyên, ngày 20 tháng 05 năm 2014
Học viên

Đỗ Duy Cốp

Số hóa bởi Trung tâm Học liệu

/>

2

LỜI CAM ĐOAN
Tôi là: Đỗ Duy Cốp
Lớp: CK11A
Khoá học: 2012 - 2014
Chuyên ngành: Khoa học máy tính
Mã số chuyên ngành: 60 48 01
Cơ sở đào tạo: Trƣờng Đại học Công nghệ thông tin và Truyền thông Thái
Nguyên.
Giáo viên hƣớng dẫn: TS. Vũ Việt Vũ
Cơ quan công tác: Trƣờng Đại học Kỹ thuật Công nghiệp - Đại học Thái
Nguyên
Tôi xin cam đoan luận văn “Nghiên cứu phương pháp nhận dạng ảnh
mặt người và ứng dụng” này là công trình nghiên cứu của riêng tôi. Các số
liệu sử dụng trong luận văn là trung thực. Các kết quả nghiên cứu đƣợc trình
bày trong luận văn chƣa từng đƣợc công bố tại bất kỳ công trình nào khác.
Thái Nguyên, ngày 20 tháng 05 năm 2014
Học viên

Đỗ Duy Cốp

Số hóa bởi Trung tâm Học liệu

/>

3

CHƢƠNG 1. TỔNG QUAN VỀ NHẬN DẠNG ẢNH MẶT NGƢỜI

1.1 Tổng quan về nhận dạng ảnh mặt ngƣời
Xử lý ảnh là một lĩnh vực đƣợc quan tâm rất nhiều trong khoảng 10 năm
trở lại đây. Bài toán nhận dạng ảnh nhằm mục đích phát hiện và nhận dạng
đối tƣợng trong ảnh. Bài toán nhận dạng ảnh đƣợc ứng dụng trong nhiều lĩnh
vực, đặc biệt là nhận dạng mặt ngƣời đã đƣợc ứng dụng trong các hệ thống
bảo mật, nhận dạng ngƣời trên các bằng lái xe, hộ chiếu, nhận dạng ngƣời
trong các hệ thống tƣơng tác ngƣời-máy, trong lĩnh vực giải trí,…
Đặc biệt sau thảm họa ngày 11/9, các chính phủ trên toàn thế giới đã bắt
đầu chú ý hơn tới các mức an ninh ở sân bay và biên giới. Ngân sách hằng
năm của các nƣớc đã tăng lên nhiều cho các kỹ thuật hiện đại để xác định,
nhận dạng và lần theo các đối tƣợng nghi vấn. Nhu cầu tăng lên trong các ứng
dụng này đã giúp các nhà khoa học có thêm quỹ để phát triển các dự án
nghiên cứu. Mặc dù việc nhận dạng mặt ngƣời không thể chính xác đƣợc nhƣ
các phƣơng pháp nhận dạng khác nhƣ nhận dạng vân tay, nhƣng nó vẫn nhận
đƣợc sự quan tâm lớn của các nhà nghiên cứu trong lĩnh vực thị giác máy. Lý
do chủ yếu là trên thực tế, mặt ngƣời vẫn là cách truyền thống để con ngƣời
nhận ra nhau.
Một hệ thống nhận dạng mặt ngƣời điển hình bao gồm các thành phần
chính nhƣ hình1.1.
Ảnh
mặt
ngƣời

Trích chọn
đặc trƣng

Nhận dạng
mặt ngƣời

Thông tin

ngƣời đƣợc
nhận dạng

Hình 1.1. Mô hình hệ thống nhận dạng mặt người

Số hóa bởi Trung tâm Học liệu

/>

4

1.2 Các hƣớng tiếp cận trong nhận dạng mặt ngƣời
Có hai hƣớng tiếp cận chính làm hạt nhân của các kỹ thuật phân tích đặc
trƣng mặt ngƣời: hƣớng tiếp cận hình học và hƣớng tiếp cận hình ảnh.
 Hướng tiếp cận hình học sử dụng việc ánh xạ không gian các đặc
trƣng mặt ngƣời. Mặt ngƣời đƣợc phân loại theo khoảng cách hình
học, theo đƣờng bao và theo các góc giữa các điểm.
 Hướng tiếp cận hình ảnh bao gồm việc xây dựng các mẫu từ những
đặc trƣng mặt ngƣời. Mẫucủa các đặc trƣng nổi bật, hoặc thậm chí
là toàn khuôn mặt đƣợc thiết lập, việc nhận dạng đƣợc thực
hiệnbằng cách duyệt các khuôn mặt rồi tìm mặt nào khớp nhất với
mẫu.
Hiện nay các hệ thống nhận dạng mặt ngƣời vẫn đang tiếp tục đƣợc phát
triển. Dƣới đây là một số phƣơng pháp trích chọn đặc trƣng:
- Mặt riêng (Eigenface)
- Mô hình Markov ẩn
- Phân tích thành phầnchính(PCA)
1.2.1 Phƣơng pháp trích chọn đặc trƣng sử dụng mặt riêng (Eigenface)
Thuật toán Eigenface rất phổ biến và đƣợc sử dụng rộng rãi do sựđơn giản
và hiệu quả tính toán. Thuật toán sử dụng cáchtiếp cận lý thuyết thông tin

trong việc mã hóa các ảnh mặt ngƣời và xác địnhcác vector riêng tƣơng ứng
với giá trị riêng lớnnhất của ma trận hiệp phƣơng sai của ảnh. Sau đó, đối với
mỗi nhómảnh của một ngƣời, ta tính vector trung bình, một ngƣỡng sẽ đƣợc
chọnđể xác định khoảng cách chấp nhận đƣợc cựcđạitừ một ảnh đến
nhómảnhgiúp nhận dạng những ảnh mới.
Số hóa bởi Trung tâm Học liệu

/>

5

1.2.2 Phƣơng pháp trích chọn đặc trƣng sử dụng mô hình Markov ẩn
Mô hình Markov ẩn phân loại một đặc trƣng mặt ngƣời bằng tính chất của
chuỗi Markov. Một dãy ngẫu nhiên các biến lấy trên các giá trị điểmảnh
tƣơng ứng tạo nên chuỗi Markov, nếu xác suất để hệ thống đạt trạng thái xn+1
tại thời điểm n+1 chỉ phụ thuộc vào xác suất để hệ thống đạt trạng thái xn tại
thời điểm n. Trong một chuỗi Markov, việc chuyển hệ thống từ trạng thái này
sang trạng thái khác tƣơng ứng với một xác suất nàođó, nhƣng kết quả của
một ký hiệu ra lại xác định đƣợc trƣớc. Nhƣ vậy, kết quả là một phân bố xác
suất của tất cả các ký hiệu ra tại mỗi trạng thái và kết quả này đƣợc dùngđể so
sánh giữa hai khuôn mặt.
1.2.3 Phƣơng pháp phân tích thành phần chính
Trong phương pháp phân tích thành phần chính(PCA  còn gọi là biến
đổi Karhunen-Loeve), tập dữ liệu đƣợc biểu diễn lại với số đặc trƣngít hơn
đồng thời giữ đƣợc hầu hết các thông tin quan trọng nhất của dữ liệu. PCA
thƣờngđƣợc sử dụng cùng phƣơng pháp mặt riêng. Tập con các vector riêng
đƣợc dùng làm các vector cơ sở của một không gian con, trong đó ta có thể so
sánh vớicác ảnh trong cơ sở dữ liệuđểnhận dạng các ảnh mới. Các vector cơ
sở này còn đƣợc gọi là các thành phần chínhcủa cơ sở dữ liệu ảnh.
Mạng nơron đƣợc sử dụng rộng rãi trong các hệ thống nhận dạng mặt

ngƣời. Kỹ thuật mạng nơron mô phỏnghoạt động của các nơron trong bộnão
ngƣời. Mạng nơron có khả năng điều chỉnh các trọng số dựa trên các mẫu
họctrong quá trình huấn luyện. Kết quả là mạng đạt đƣợc hiệu quả cao trong
việc phân loại các lớp, dựa trên dữ liệu mẫu khả tách tuyến tính hoặc phi
tuyến.

Số hóa bởi Trung tâm Học liệu

/>

6

1.3Bố cục luận văn
Mặc dù các hệ thống nhận dạng mặt ngƣời hiện tạiđã đạt đƣợc hiệu quả
khá cao, tuy nhiên chúngvẫn còn hạn chế là chỉ tập trung vào một hay một vài
phƣơng pháp trích chọn đặc trƣng. Có hệ thống chỉ thực hiện nhận dạng dựa
trên các đặcđiểm về hình học của mặt ngƣời hoặc có hệ thống chỉ dựa trên các
đặcđiểm thống kê.
Trong luận văn này, việc trích chọn đặc trƣng sẽ đƣợc thực hiệndựa trên
những đặcđiểm thống kê của khuôn mặt (cụ thể là phƣơng pháp phân tích
thành phầnchính– PCA và phƣơng pháp phân tách tuyến tính – LDA) và
những đặcđiểm về hình thái của khuôn mặt. Chƣơng 2 trình bàychi tiết về các
phƣơng pháp trích chọn đặc trƣng đƣợc lựa chọn để xây dựng chƣơng trình.
Chƣơng 3 trình bày về mạng noron với thuật toán họclan truyền ngƣợc lỗi,
đƣợc dùng để phân loạiảnh. Chƣơng 4 trình bày cụ thểviệc thiết kế hệ thống
và đánh giáhiệu quả thực hiện. Cuối cùng làphầnkết luận.

Số hóa bởi Trung tâm Học liệu

/>

7

CHƢƠNG 2. TRÍCH CHỌN ĐẶC TRƢNG
Chương này sẽ trình bày về các phương pháp trích chọn đặc trưng được
sử dụng trong luận văn. Mục đích thứ nhất của việc trích chọn đặc trưng là
giảm số chiều của dữ liệu. Dữ liệu ảnh mặt người có số điểm ảnh lớn (cỡ vài
nghìn đến vài chục nghìn điểm ảnh), do đócần có một phép biến đổi để giảm
lượng thông tin sử dụng để biểu diễn,đồng thời không làm mất quá nhiều
thông tin quan trọng. Mục đích thứ hai của việc trích chọn đặc trưng là giúp
phân biệt tốt hơn đối với các mẫu dữ liệu. Các ảnh mặt người sẽ được biểu
diễn trong một không gian mới sao cho có thể làm nổi bật được sự khác biệt
giữa các ảnh với nhau.Các phần sau sẽ trình bày về phương pháp phân tích
thành phần chính, phương pháp phân tách tuyến tính và phương pháp xử lý
hình thái ảnh mặt người.

2.1 Phƣơng pháp phân tích thành phầnchính - PCA
Phƣơng pháp phân tích thành phầnchính [4](PCA – Principal Components
Analysis) là một kỹ thuật thống kê hữu ích trong các ứng dụng nhận dạng mặt
ngƣời và nénảnh, đồng thờiđây cũng là một kỹ thuật phổ biến cho việc tìm
kiếmcác mẫutrong không gian dữ liệu có số chiều lớn.
Mụcđích của phƣơng pháp phân tích này có thể diễnđạt ngắn gọn nhƣ
sau:Ảnh gốc có kích thƣớc 112×92 (10304 điểmảnh).Nhữngảnh này
cầnđƣợcrút gọn sao cho lƣợng thông tin dùng để biểu diễnảnhđó giảmđi,đồng
thờikhông làm mất những đặcđiểm quan trọng nhất của khuôn mặt. Kết
quảcủa việc phân tích này sẽđạt đƣợcnhƣ hình 2.1.

Số hóa bởi Trung tâm Học liệu

/>

8

Hình 2.1. Ví dụ minh họa PCA
Ảnh gốc cần 10304 giá trị để biểu diễn trong khi ảnh biến đổi chỉ cần49
giá trị.
2.1.1 Cơ sở toán học
a. Lý thuyết thống kê
Các nhà thống kê thƣờng quan tâm đến việc lấy mẫutrên một tập dữ liệu.
Ví dụ vềcuộc bầu cử, tập dữ liệu là toàn bộ dân số trong một đất nƣớc, trong
khi đó mẫu là một tập con của dân số nhà thống kê muốn đánh giá. Một vấn
đề lớn của thống kê học là thông qua phƣơng pháp đánh giá một mẫu của dân
số, kết quả thống kê cho phép đánh giá đƣợc xu hƣớng chính của toàn bộdân
số.
Xét một tập ví dụ X = [1 2 4 6 12 15 25 45 68 67 65 98]. Chỉ số dƣới của
ký hiệuX đƣợc dùng để trỏ tới một số cụ thể trong tập. Ví dụ X3 trỏ tới số thứ
ba trong Xvới giá trị là 4. Lƣu ý rằng X1 là số đầu tiên trong X. Ngoài ra ký
hiệu ncòn đƣợc sử dụngđể chỉ tổng số các phần tử trong tập X.
Giá trị trung bình của mẫu là:

Số hóa bởi Trung tâm Học liệu

/>

9

Giá trị trung bình không thể hiệnđƣợcnhiều về dữ liệu ngoại trừ điểm
trung bình. Ví dụ, hai tập sau có cùng một giá trị trung bình là 10, nhƣng
chúng hoàn toànkhác nhau:
[0 8 12 20] và [8 9 11 12]

Sự khác nhau đó là sự trải rộng của dữ liệu. Độ lệch chuẩncủa tập dữ liệu
sẽ đánh giá đƣợc sự trải rộng của dữ liệu.Độ lệch chuẩnkí hiệu là s trong công
thức (2.2) làkhoảng cách trung bình từ điểm trung bình của dữ liệu đến các
điểm. Công thức tínhnhƣ sau:

Câu hỏi đặt ra: “Vì sao lại sử dụng giá trị (n1) mà không phải là n?”
Nguyên nhân là, nếu mẫu của tập dữ liệu đƣợc lấy là tập con của thế giới thực
thì phải sử dụng (n1) vì giá trị nhận đƣợc gần với độ lệch chuẩn hơn so với
sử dụngn. Tuy nhiên, nếu tính độ lệch chuẩncho toàn bộ dân số, giá trị cần
dùng làn chứ không phải (n1).
Với hai tập dữ liệu trên, việc tính độ lệch chuẩnđƣợc thực hiện nhƣ bảng
2.1. Tập thứ nhất có độ lệch chuẩnlớn hơn do dữ liệu trải ra xa hơn so
vớiđiểm trung bình. Một ví dụ khác, tập [10 10 10 10] cũng có điểm trung
bình là 10, nhƣng độ lệch chuẩnlại bằng 0, bởi vì tất cả các số là giống nhau.
Không số nào chệch ra khỏi điểm trung bình.
Phƣơng sailà một hàm đo khác về sự trải rộng của dữ liệu trong một tập.
Thực tế nó gầnnhƣ giống hoàn toànvới độ lệch chuẩn:

Số hóa bởi Trung tâm Học liệu

/>

10

Bảng 2.1. Ví dụ về tính độ lệch chuẩn
Tập 1:
Xi
0

10

100

8

2

4

12

2

4

20

10

100

Tổng

208

Chia cho (n-1)

69.333

Khai căn

8.3266

Tập 2:
Xi
8

2

4

9

1

1

11

1

1

12

2

4

Tổng

10

Chia cho (n-1)

3.333

Khai căn

1.8257

Số hóa bởi Trung tâm Học liệu

/>

Luận án đầy đủ ở file: Luận án Full