Phát hiện và nhận dạng khuôn mặt từ camera, ứng dụng trong điểm danh

LỜI CAM ĐOAN

Tôi - Nguyễn Thế Thụy xin cam đoan những nội dung trình bày luận văn này là kết quả
tìm hiểu, nghiên cứu của bản thân dƣới sự hƣớng dẫn của TS. Nguyễn Văn Tảo và tham
khảo từ các nhà nghiên cứu đi trƣớc. Nội dung tham khảo, kế thừa, phát triển từ các công
trình đã đƣợc công bố đƣợc trích dẫn, ghi rõ nguồn gốc.
Nếu có gì sai phạm tôi xin hoàn toàn chịu trách nhiệm.
Ngƣời cam đoan

Nguyễn Thế Thụy

1

Số hoá bởi Trung tâm Học liệu –
ĐHTN

n


LỜI CẢM ƠN

Trong quá trình thực hiện luận văn mặc dù gặp rất nhiều khó khăn nhƣng em luôn nhận
đƣợc sự quan tâm, giúp đỡ từ thầy cô, đồng nghiệp, bạn bè và ngƣời thân. Đây là nguồn
động lực giúp em hoàn thành luận văn này.
Em xin gửi lời cảm ơn chân thành tới TS. Nguyễn Văn Tảo đã tận tình giúp đỡ, hƣớng dẫn
và chỉ bảo trong quá trình thực hiện luận văn.
Em xin chân thành cảm ơn tới quý Thầy, Cô giáo đang công tác tại Viện Công nghệ thông
tn Việt Nam, Trƣờng Đại học Công nghệ thông tin và Truyền thông Thái Nguyên đã tận tình
chỉ bảo, truyền đạt những kiến thức qúy báu giúp em hoàn thành nhiệm vụ học tập trong
suốt thời gian theo học tại trƣờng. Quý Thầy Cô đã giúp em có đƣợc những kiến thức quan
trọng trong lĩnh vực Công nghệ thông tn, là nền tảng vững chắc cho những nghiên cứu của

bản thân trong thời gian tới.
Em xin cảm ơn các đồng nghiệp đã giúp đỡ, ủng hộ tnh thần trong thời gian em
tham gia học tập và nghiên cứu.
Cuối cùng, em xin cảm ơn tất cả những ngƣời đã luôn luôn quan tâm, sẻ chia và động
viên em.
Thái Nguyên, ngày 17 tháng 07 năm 2015
Nguyễn Thế Thụy

2

Số hoá bởi Trung tâm Học liệu –
ĐHTN

n


MỤC LỤC
LỜI CAM ĐOAN ............................................................................................................ 1
LỜI CẢM ƠN.................................................................................................................. 3
DANH MỤC CÁC HÌNH VẼ ......................................................................................... 6
LỜI MỞ ĐẦU ................................................................................................................. 7
CHƢƠNG 1: SINH TRẮC HỌC VÀ BÀI TOÁN NHẬN DẠNG KHUÔN MẶT ỨNG DỤNG
TRONG ĐIỂM DANH ............................................................................. 8
1.1. Tổng quan về sinh trắc học ..................................................................................8
1.1.1. Hệ thống sinh trắc học................................................................................ 10
1.1.1.1. Hệ thẩm định (Verificaton) ...............................................................10
1.1.1.2. Nhận dạng (Identficaton, Recogniton) ............................................11
1.1.1.3. Các thành phần chức năng chủ yếu ....................................................11
1.1.1.4. Hoạt động của hệ thống ......................................................................11
1.1.2. Đánh giá hiệu năng và chất lƣợng hoạt động của hệ sinh trắc học ............ 11

1.1.3. Hệ thống an ninh bảo mật dựa trên sinh trắc học....................................... 13
1.2. Phát hiện và nhận dạng khuôn mặt ....................................................................13
1.3. Những khó khăn và thách thức trong bài toán nhận dạng khuôn mặt ............... 16
1.4. Các ứng dụng của bài toán nhận dạng khuôn mặt ............................................. 16
1.5. Bài toán điểm danh dựa trên khuôn mặt ............................................................ 18
1.5.1. Bài toán điểm danh và quản lý nhân sự ..................................................... 18
1.5.2. Đầu vào của bài toán .................................................................................. 19
1.5.3. Đầu ra và ý nghĩa thực tễn ........................................................................ 20
CHƢƠNG 2: MỘT SỐ KỸ THUẬT PHÁT HIỆN VÀ NHẬN DẠNG KHUÔN MẶT21
2.1. Một số kỹ thuật phát hiện mặt ngƣời trong ảnh .................................................21
2.1.1. Hƣớng tếp cận dựa trên đặc trƣng của ảnh ............................................... 22
2.1.1.1. Phân tích mức thấp (Low level analysis)............................................23
2.1.1.2. Phân tích đặc trƣng (Feature Analysis) ..............................................27
2.1.1.3. Mô hình hình dạng động (Actve shape models)................................33
2.1.2. Hƣớng tếp cận dựa trên ảnh (Image based detecton)............................... 37
2.1.2.1. Phƣơng pháp không gian con tuyến tính (Linear subspace methods) 38
2.1.2.2. Mạng neural ........................................................................................41
2.1.2.3. Phƣơng pháp thống kê (Statstcal approachs) ...................................44

3

Số hoá bởi Trung tâm Học liệu –
ĐHTN

n


2.2. Một số kỹ thuật nhận dạng khuôn mặt...............................................................47
2.2.1. Phƣơng pháp phân tích thành phần chính (PCA)....................................... 48
2.2.2. Phƣơng pháp phân tách tuyến tính (LDA) ................................................. 49

2.2.3. Phƣơng pháp mạng neural.......................................................................... 52
CHƢƠNG 3: CÀI ĐẶT THỬ NGHIỆM .................................................................. 54
3.1. Yêu cầu thực nghiệm, ứng dụng ........................................................................54
3.2. Phân tích lựa chọn giải pháp, công cụ ...............................................................55
3.3. Một số kết quả cài đặt thực nghiệm ..................................................................56
3.3.1. Giao diện của chƣơng trình ........................................................................ 56
3.3.2. Một số kết quả điểm danh dựa trên khuôn mặt .......................................... 60
KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN ................................................................ 64
TÀI LIỆU THAM KHẢO......................................................................................... 65

4

Số hoá bởi Trung tâm Học liệu –
ĐHTN

n


DANH MỤC CÁC HÌNH VẼ
Hình 1.1. Các đặc trƣng sinh trắc phổ biến .....................................................................8
Hình 1.2. Mô hình hệ thống sinh trắc học .......................................................................9
Hình 1.3. Các giá trị ngƣỡng của FAR và FRR ............................................................11
Hình 1.4. Mô hình hệ thống nhận dạng mặt ngƣời .......Error! Bookmark not defined. Hình
2.1. Sơ đồ các hƣớng tếp cận và phƣơng pháp phát hiện mặt ngƣời .......... Error! Bookmark
not defined.
Hình 2.2. Hệ thống tìm kiếm mặt của Maio và MaltoniError! Bookmark not defined.
Hình 2.3. Một số không gian riêng của CSDL ảnh ORL ..............................................38
Hình 2.4. Mô hình mạng neural của Rowley và cộng sựError!

Bookmark

not defined.

Hình 2.5. Hệ thống nhận dạng khuôn mặt .....................Error! Bookmark not defined.
Hình 2.6. Ví dụ minh họa LDA .....................................................................................47
Hình 2.7. Ảnh sau khi biến đổi theo LDA.....................................................................49
Hình 2.8. Mạng neural 2 lớp truyền thẳng ....................Error! Bookmark not defined.
Hình 3.1. Quy trình hoạt động của hệ thống điểm danh dựa trên khuôn mặt …Error! Bookmark
Hình 3.2. Giao diện chính của chƣơng trình .................Error! Bookmark not defined. Hình 3.3.
Hình ảnh từ camera và xử lý tƣơng ứng ........Error! Bookmark not defined. Hình 3.4. Giao
diện quản lý danh sách điểm danh và điểm danhError! Bookmark not defined.
Hình 3.5. Giao diện quản lý danh sách ảnh ...................................................................60
Hình 3.6. Cơ sở dữ liệu ảnh...........................................................................................60
Hình 3.7. Giao diện các lựa chọn trên thanh thực đơn ..................................................61

5

Số hoá bởi Trung tâm Học liệu –
ĐHTN

n


LỜI MỞ ĐẦU
Công nghệ Sinh trắc học (Biometric) là một công nghệ sử dụng những thuộc tính vật lý
hoặc các mẫu hành vi, các đặc điểm sinh học đặc trƣng nhƣ dấu vân tay, mẫu mống mắt,
giọng nói, khuôn mặt, dáng đi... để nhận diện con ngƣời.
Công nghệ sinh trắc học đƣợc áp dụng phổ biến và lâu đời, trong đó phƣơng pháp sử
dụng nhận dạng khuôn mặt là tự nhiên nhất. Phƣơng pháp này đƣợc chính bản thân con
ngƣời sử dụng từ khi đƣợc sinh ra để phân biệt giữa ngƣời này và ngƣời khác. Ứng dụng

khả năng phân biệt dựa trên các đặc điểm khác nhau của khuôn mặt, bài toán “Phát hiện
và nhận dạng khuôn mặt từ camera, ứng dụng trong điểm danh” là bài toán có khả năng
ứng dụng cao với chi phí thấp đƣợc áp dụng trong các cơ quan, doanh nghiệp.
Với sự hỗ trợ của camera, máy tính và phần mềm điểm danh, nhà quản lý thu đƣợc
thông tn về sự có mặt và thời gian làm việc của ngƣời lao động một cách chính xác và khách
quan với chi phí thấp. Việc áp dụng nhận dạng khuôn mặt có thể đƣợc sử dụng một cách độc
lập với ƣu điểm hơn các phƣơng pháp sinh trắc học khác ở tính tự nhiên của nó, đồng thời
đây cũng có thể là một phƣơng pháp đƣợc sử dụng kết hợp với các phƣơng pháp sinh trắc
khác để nâng cao tính chính xác của hệ thống khi vận hành.
Chính vì tầm quan trọng của phát hiện, nhận dạng khuôn mặt nói riêng và công nghệ sinh
trắc nói chung, tôi thực hiện đề tài “Phát hiện và nhận dạng khuôn mặt từ camera, ứng
dụng trong điểm danh” với mục têu tìm hiểu các thuật toán phát hiện và nhận dạng
khuôn mặt ngƣời từ đó xây dựng chƣơng trình điểm danh dựa trên khuôn mặt. Tôi hy vọng
đề tài này sẽ đem lại một số kiến thức hữu ích cho những ai quan tâm đến vấn đề về phát
hiện và nhận dạng khôn mặt cũng nhƣ lĩnh vực sinh trắc học.
Nội dung luận văn đƣợc chia làm 3 phần chính: Chƣơng 1 trình bày khái quát về quản lý
học viên và bài toán điểm danh, trong đó nêu rõ đầu vào và đầu ra của bài toán cũng nhƣ ứng
dụng thực tễn của bài toán. Chƣơng 2 là những nghiên cứu, tìm hiểu về các thuật toán phát
hiện và nhận dạng khuôn mặt. Chƣơng 3 trình bày thực nghiệm và ứng dụng của chƣơng
trình điểm danh dựa trên nhận dạng khuôn mặt. Phần cuối cùng là kết luận và hƣớng phát
triển tếp theo của luận văn.

6

Số hoá bởi Trung tâm Học liệu –
ĐHTN

n

CHƢƠNG 1: SINH TRẮC HỌC VÀ BÀI TOÁN NHẬN DẠNG KHUÔN
MẶT ỨNG DỤNG TRONG ĐIỂM DANH
1.1. Tổng quan về sinh trắc học
Sinh trắc học hay công nghệ sinh trắc học (thuật ngữ khoa học là Biometric) là công
nghệ sử dụng những thuộc tính vật lý, đặc điểm sinh học riêng của mỗi cá nhân nhƣ vân
tay, mống mắt, khuôn mặt... để nhận diện. Thuật ngữ sinh trắc học (Biometric) đƣợc
dùng ghép theo tếng Hy Lạp từ 2 từ: Bio (thuộc về thực thể sinh vật sống) và metriko (kỹ
thuật độ đo, đo lƣờng), thuật ngữ này đã đƣợc hình thành trong quá trình phát triển loài
ngƣời và đƣợc biết đến từ lâu để thể hiện các đặc trƣng về thể chất hay về hành vi của từng
cá thể con ngƣời. Có nhiều loại đặc trƣng sinh trắc học: vân tay (Fingerprint), lòng bàn tay
(Palm print), dạng hình học bàn tay (Hand geometry), chữ ký viết tay (Hand written
Signature), khuôn mặt (Face), tếng nói (Voice), con ngƣơi mắt (Iris), võng mạc (Retina)...
Những đặc trƣng này đã đƣợc phát hiện từ rất sớm để nhận dạng, xác thực chủ thể con
ngƣời và hiện nay đang đƣợc quan tâm nghiên cứu triển khai ứng dụng trong các lĩnh vực an
ninh, quốc phòng, thƣơng mại, công nghiệp, dịch vụ... Các đặc trƣng sinh trắc học của cơ
thể ngƣời đƣợc sử dụng phải đảm bảo các têu chuẩn sau đây: [1]
- Tính rộng rãi: là tính chất cho biết thông thƣờng mọi ngƣời đều có đặc trƣng này, có thể
tạo ra khả năng sử dụng hệ thống an ninh sinh trắc học cho một số lƣợng ngƣời lớn.
- Tính phân biệt: là tính chất phân biệt đặc trƣng sinh trắc học giữa hai ngƣời bất kỳ
phải khác nhau, đảm bảo sự duy nhất của chủ thể sinh trắc.
- Tính ổn định: là tính chất mà đặc trƣng sinh trắc phải có tính ổn định trong một thời
gian tƣơng đối dài.
- Tính dễ thu thập: là tính chất đặc trƣng sinh trắc học phải dễ dàng thu nhận mẫu
khi đăng ký, kiểm tra xác thực, nâng cao tính khả thi trong sử dụng.
- Tính hiệu quả: là tính chất mà việc xác thực sinh trắc phải chính xác, nhanh chóng
và tài nguyên cần sử dụng đƣợc chấp nhận.
- Tính chấp nhận đƣợc: là tính chất mà quá trình thu thập mẫu sinh trắc phải đƣợc sự
đồng ý của ngƣời dùng.

7

Số hoá bởi Trung tâm Học liệu –
ĐHTN

n


- Chống giả mạo: là tính chất ƣu việt của việc sử dụng đặc trƣng sinh trắc, khả
năng mẫu sinh trắc khó bị giả mạo cao...

Hình 1.1. Các đặc trưng sinh trắc phổ biến
Đã có rất nhiều đặc trƣng sinh học khác nhau đã và đang đƣợc sử dụng. Mỗi loại đặc
trƣng sinh trắc có điểm mạnh và điểm yếu riêng. Tuy nhiên không một đặc trƣng nào thỏa
mãn tốt và đầy đủ tất cả các yêu cầu tính chất của một đặc trƣng sinh trắc học nêu trên,
nghĩa là không có một đặc trƣng sinh trắc học hoàn toàn tối ƣu. Trong một công trình
nghiên cứu, các chuyên gia đã đƣa ra một bảng so sánh khái quát các têu chuẩn đánh giá
các tính chất tƣơng ứng các đặc trƣng sinh trắc học sau đây: [1]
Bảng 1.1: So sánh các công nghệ nhận dạng sinh trắc học
Tính

Tính

Tính

rộng

phân

ổn

rãi

biệt

định

M

M

M

M

M

M

M

Vân tay

M

H

Dáng đi

M

Khuôn mặt

Đặc trƣng sinh

Tính
chấp

Chống

nhận

giả mạo

M

đƣợc
M

L

H

M

M

M

H

M

H

M

M

L

L

H

L

H

M

H

L

M

H

L

H

H

Võng mạc

H

H

M

L

H

L

L

Mống mắt

H

H

H

M

H

L

L

Chỉ tay

M

H

H

M

H

M

M

Giọng nói

M

L

L

M

L

H

H

trắc học
Vân bàn tay
Dạng hình học
bàn tay

Tính dễ

Tính

thu thập

hiệu
quả

Trong đó: Các ký hiệu có ý nghĩa nhƣ sau: H (cao), M (trung bình) và L (thấp).

8

Số hoá bởi Trung tâm Học liệu –
ĐHTN

n

1.1.1. Hệ thống sinh trắc học

Hình 1.2. Mô hình hệ thống sinh trắc học [2]
Một hệ thống sinh trắc học (Biometric System) thực chất là một hệ nhận dạng dựa
trên các đặc điểm về hành vi hay thuộc tính vật lý của ngƣời cần nhận dạng. Hệ thống sinh
trắc học đƣợc phân ra thành hai loại chính: hệ thẩm định (Verificaton) và hệ nhận dạng
(Identificaton, Recogniton) [1]
1.1.1.1. Hệ thẩm định (Verificaton)
Hệ thẩm định (Verificaton) là hệ thống thực hiện nhiệm vụ đối sánh 1-1 giữa mẫu
sinh trắc học thu nhận đƣợc (biometric sample) với mẫu dạng sinh trắc học (biometric
template) đã có trong hệ thống từ trƣớc. Kết quả trả lời câu hỏi mẫu sinh trắc thu nhận có
liên quan tới mẫu dạng sinh trắc hay không? Thông thƣờng trong hệ thẩm định có kết hợp
với thông tn định danh chủ thể để thực hiện chức năng xác thực
9

Số hoá bởi Trung tâm Học liệu –
ĐHTN

n


thẩm định sinh trắc (Authentcaton). Trong hệ xác thực thẩm định đòi hỏi cao về độ chính
xác để kết quả trả lời câu hỏi “Sinh trắc học sống thu nhận đƣợc (biometric sample) có
phải là sinh trắc của chủ thể đã lƣu trong hệ thống không?” [1]
1.1.1.2. Nhận dạng (Identfication, Recogniton)
Hệ nhận dạng (Identficaton, Recogniton) là hệ thống thực hiện chức năng tìm kiếm
(1-n) từ một cơ sở dữ liệu lƣu trữ một tập các mẫu sinh trắc học để tìm ra một mẫu sinh
trắc cụ thể trong các mẫu khuôn dạng sinh trắc thu thập từ trƣớc và sau đó thực hiện đối

sánh xấp xỉ để nhận dạng phân lớp (Classificaton) hoặc nhận dạng đồng nhất (Identficaton),
ví dụ nhƣ việc tìm mẫu vân tay tội phạm trong hồ sơ các vân tay, từ đó xác định danh tính
của chủ sở hữu vân tay. [1]
1.1.1.3. Các thành phần chức năng chủ yếu
- Thu nhận (Sensor, Capture): là thành phần có chức năng thu nhận mẫu sinh trắc học và
biểu diễn chúng dƣới dạng số hóa.
- Xử lý và trích chọn đặc trƣng (Feature Extracton): là thành phần chức năng thực hiện
các phép xử lý phân tích và trích chọn các đặc trƣng từ mẫu sinh trắc học.
- Đối sánh (Matching): là thành phần chức năng thực hiện so sánh các đặc trƣng
vừa trích chọn với khuôn mẫu sinh trắc đã có trƣớc.
- Ra quyết định (Decision): là thành phần chức năng khẳng định danh tính ngƣời dùng
(với hệ nhận dạng) dựa trên kết quả đối sánh của chức năng đối sánh có thể là một câu
trả lời đúng hoặc một câu trả lời sai về mẫu sinh trắc học so với khuôn mẫu sinh trắc có
từ trƣớc (với hệ thẩm định). [1]
1.1.1.4. Hoạt động của hệ thống
Hoạt động của một hệ thống sinh trắc bao gồm 2 giai đoạn cơ bản sau đây:
- Đăng ký (Enrollment): là giai đoạn đăng ký mẫu sinh trắc vào hệ thống.
- Thẩm định hoặc nhận dạng (Verificaton/Identfication): là giai đoạn thẩm định, nhận
dạng mẫu sinh trắc vừa trích chọn với khuôn mẫu sinh trắc đã có trƣớc.
1.1.2. Đánh giá hiệu năng và chất lƣợng hoạt động của hệ sinh trắc học
Một hệ sinh trắc học khi hoạt động thƣờng gặp hai vấn đề về lỗi sau đây:

10

Số hoá bởi Trung tâm Học liệu –
ĐHTN

n

- Lỗi phát sinh khi đối sánh mẫu sinh trắc của hai ngƣời khác nhau nhƣng cho kết quả là
của cùng một ngƣời. Lỗi này đƣợc gọi là loại bỏ sai (false reject hay false match).
- Lỗi phát sinh khi đối sánh hai mẫu sinh trắc của cùng một ngƣời nhƣng cho kết quả
sai, vì cho rằng là của hai ngƣời khác nhau. Lỗi này đƣợc gọi là chấp nhận sai (false
accept hay false nonmatch). Để đo lƣờng mức độ lỗi của hệ thống sinh trắc, các độ đo
lƣờng thƣờng dùng đƣợc định nghĩa nhƣ sau:
- FMR (False Match Rate): còn gọi là FAR (False Accept Rato) - Tỷ số chấp nhận sai: cho
biết tỉ lệ trả lời là đúng đối với dữ liệu vào là sai.
- FNMR (False Nonmatch Rate): còn gọi là FRR (False Rejecton Ratio).
- Tỷ số từ chối sai: cho biết tỉ lệ trả lời là sai đối với dữ liệu vào là đúng.
Một vấn đề là hai độ đo lƣờng này có sự ràng buộc với nhau nhƣ sau: nếu FAR cao thì
FRR sẽ giảm tƣơng đối và ngƣợc lại. Mức độ chấp nhận đƣợc của FAR và FRR tùy thuộc
vào từng hệ xác thực sinh trắc cụ thể. Với hệ yêu cầu tính bảo mật cao, và đặt nặng vấn đề
an toàn của xác thực hơn sự tện dụng của ngƣời dùng, thì FAR sẽ nhỏ và FRR sẽ cao. Ngoài
hai độ đo trên, ngƣời ta còn sử dụng độ đo FTC (Failure To Capture - thu nhận mẫu thất bại)
và FTE (Failure to Enroll - chấp nhận mẫu thất bại) để đánh giá hiệu năng của hệ xác thực
sinh trắc học. [1]

Hình 1.3. Các giá trị ngưỡng của FAR và FRR [3]

11

Số hoá bởi Trung tâm Học liệu –
ĐHTN

n


1.1.3. Hệ thống an ninh bảo mật dựa trên sinh trắc học
Hệ thống sinh trắc học có những ƣu điểm mà hệ bảo mật thông thƣờng không có,

trong những cuộc nghiên cứu hệ thống an ninh, bảo mật dựa trên hệ sinh trắc học
(Biometric Security System) đã đƣợc quan tâm nghiên cứu và đƣa vào ứng dụng thực tễn.
Hƣớng nghiên xây dựng hệ thống trên cơ sở kết hợp hệ thống sinh trắc học với hệ mật mã
(Biometric Cryptosystem) đang là vấn đề thời sự đƣợc quan tâm nghiên cứu phát triển. Sự
kết hợp này nhằm mục têu nâng cao tính an toàn của hệ mật mã dựa trên các ƣu điểm
của hệ thống sinh trắc học. Hệ thống an ninh, bảo mật sinh trắc học (Biometric based
Security System) dựa trên sự nhận biết hoặc thẩm định các đặc trƣng về thể chất hay về
hành vi con ngƣời để nhận dạng, xác thực từng chủ thể. Cùng với sự phát triển nhanh chóng
của CNTT và truyền thông, hệ thống an ninh dựa trên nhận dạng, thẩm định xác thực sinh
trắc học đã và đang đƣợc quan tâm nghiên cứu và có nhiều triển khai ứng dụng trong
những năm gần đây trên thế giới. Đối với các giao dịch điện tử và truyền thông, đây là
một trong các hƣớng tếp cận mới về an ninh thông tn và mạng, an toàn dữ liệu. Phƣơng
pháp này mở ra triển vọng lớn về an toàn trong các giao dịch điện tử, chính phủ điện tử,
thƣơng mại điện tử... [1]
Các lĩnh vực nghiên cứu về hệ thống an ninh sinh trắc học (Biometric Security
Systems).
- Các các nghiên cứu cơ bản về các loại sinh trắc học, về phƣơng pháp trích chọn
đặc trƣng sinh trắc và về nhận dạng, thẩm định xác thực chủ thể con ngƣời.
- Các hệ nhận dạng, thẩm định xác thực sinh trắc học chủ thể trong hệ thống.
- Mật mã sinh trắc học (Biometric Cryptography). Trong hệ mật mã thông thƣờng, điểm
yếu thƣờng ở quá trình bảo vệ, quản lý và phân phối khóa. Nguy cơ này đe dọa các
mục tiêu về xác thực và chống phủ nhận. Hệ sinh trắc học đƣợc ứng dụng giải
quyết vấn đề đó. Hiện nay có hai hƣớng tếp cận để kết hợp sinh trắc học và mật mã
học nhƣ sau: [1]
- Dùng sinh trắc học quản lý khóa (biometric-based key release).
- Dùng sinh trắc học để tạo khóa (biometric-based key generaton).
1.2. Phát hiện và nhận dạng khuôn mặt
Vấn đề nhận dạng mặt ngƣời có thể trình bày một cách tổng quan nhƣ sau: Cho một
ảnh tĩnh hay một đoạn video, hãy phát hiện và nhận ra những ngƣời trong ảnh hay

12

Số hoá bởi Trung tâm Học liệu –
ĐHTN

n


trong đoạn video đó dựa trên một tập cho trƣớc các dữ liệu về các mặt ngƣời đã biết. Giải
pháp cho vấn đề này bao gồm bốn vấn đề: phát hiện các mặt ngƣời từ ảnh (video), trích chọn
đặc trƣng từ vùng ảnh, nhận dạng ảnh và xác minh. Với quá trình nhận dạng, đầu vào là
một ảnh chƣa biết, sau quá trình nhận dạng, hệ thống đƣa ra định danh về ngƣời trong
ảnh và trong quá trình xác minh, hệ thống phải đƣợc xác định rằng việc nhận dạng đấy là
chính xác hay không. Về mặt tổng quát, mỗi phƣơng pháp nhận dạng mặt ngƣời đều có thể
đƣợc chia thành 2 module: Module phát hiện mặt ngƣời trong ảnh và module nhận dạng
mặt ngƣời.
Đƣợc khởi đầu vào những năm 70, nhận dạng mặt ngƣời là một trong những ứng dụng
của phân tích và xử lý ảnh đạt đƣợc nhiều thành tựu nhất. Trong thời gian gần đây, do sự
phát triển nhƣ vũ bão của khoa học máy tính và yêu cầu thực tễn trong các lĩnh vực kinh tế,
luật pháp…, vấn đề nhận dạng mặt ngƣời đang đƣợc đặc biệt chú ý. Một loạt các hội thảo
đƣợc tổ chức bàn về vấn đề này nhƣ AFGR, AVBPA và những đánh giá mang tính hệ thống về
các kỹ thuật nhận dạng mặt ngƣời (Face Recogniton Techniques - FRT), bao gồm phƣơng
pháp FERET và XM2VTS.
Nhu cầu cấp thiết về các hệ thống thân thiện với ngƣời sử dụng đã đảm bảo cho các
nghiên cứu về sau không bị lãng phí trong hàng loạt những nghiên cứu đã đƣợc thực thi
trƣớc đó. Hiện nay, để rút tiền từ ATM ta phải nhập PIN, hay để truy cập một máy tính ta
phải nhập mật khẩu hay hàng loạt phƣơng pháp khác để truy cập vào Internet. Hiện đã
có hàng loạt các phƣơng pháp nhận dạng có độ tn cậy cao dựa vào các kỹ thuật nhân trắc
học; chẳng hạn nhƣ, kỹ thuật phát hiện vân tay hay kỹ thuật quét nhận dạng võng mạc.
Tuy nhiên, những hệ thống này có chung nhƣợc điểm là phức tạp và yêu cầu cần có sự

phối hợp của nhiều ngƣời cùng xử lý. Bên cạnh đó, một hệ thống nhận dạng dựa trên kỹ
thuật phân tích ảnh mặt nhìn thẳng của một ngƣời sẽ đơn giản hơn nhiều, không đòi hỏi có
nhiều ngƣời cùng xử lý và cũng không đòi hỏi các kiến thức chuyên môn sâu. Chính vì thế, hệ
thống nhận dạng ngƣời dựa trên kỹ thuật phân tích ảnh mặt đang ngày càng đƣợc ứng dụng
rộng rãi.
Bảng 1.2. Các ứng dụng tiêu biểu của nhận dạng mặt người.
Lĩnh vực

Các ứng dụng đặc trƣng
Driver’s licences, Entitlement Programs

Nhân trắc học
Immigration, National ID, Passports, Voter Registration

13

Số hoá bởi Trung tâm Học liệu –
ĐHTN

n


Welfare
Desktop Logon (Windows 95, Windows NT)
Application Security, Database Security, File Encryption
An toàn thông tin
Intranet Security, Internet Access, Medical Records
Secure Trading Terminals
Advanced Video Surveillance, CCTV Control
Law Enforcement

and Surveillance

Portal Control, Post-Event Analysis
Shoftlifting and Suspect Tracking and Investigation

SmartCards
Access Control

Stored Value Security, User Authentfcation
Facility Access, Vehicular Access

Một hệ thống nhận dạng mặt ngƣời điển hình bao gồm các thành phần chính nhƣ
Hình 1.4.

14

Số hoá bởi Trung tâm Học liệu –
ĐHTN

n


Ảnh
mặt
ngƣời

Trích chọn
đặc trƣng

Nhận dạng

mặt ngƣời

Thông tin
ngƣời đƣợc
nhận dạng

Hình 1.4. Mô hình hệ thống nhận dạng mặt người.
Nhận dạng mặt ngƣời (Face recognition) đƣợc nghiên cứu từ những năm 1980, là một
lĩnh vực nghiên cứu của ngành thị giác máy tính (Computer Vision) và cũng đƣợc xem là một
lĩnh vực nghiên cứu của ngành sinh trắc học (Biometrics) tƣơng tự nhƣ nhận dạng vân tay
(Fingerprint recognition), hay nhận dạng mống mắt (Iris recogniton)… Trong khi nhận dạng
vân tay và mống mắt có thể áp dụng trên thực tế một cách rộng rãi thì nhận dạng mặt ngƣời
vẫn còn nhiều thách thức. So với nhận dạng vân tay và mống mắt, nhận dạng mặt có nguồn
dữ liệu phong phú hơn và ít đòi hỏi sự tƣơng tác có kiểm soát hơn. Bài toán nhận dạng mặt
ngƣời còn nhiều thách thức nên hàng năm trong và ngoài nƣớc vẫn có nhiều nghiên cứu
về các phƣơng pháp nhận dạng mặt ngƣời.

15

Số hoá bởi Trung tâm Học liệu –
ĐHTN

n


Nhận dạng khuôn mặt là một nhiệm vụ dễ dàng đối với con ngƣời. Thí nghiệm trong
[9] đã chỉ ra, ngay cả trẻ sơ sinh 1-3 ngày tuổi có thể phân biệt khuôn mặt. Nhƣng
làm thế nào với một máy tính? Cho đến nay chúng ta biết rất ít về nhận dạng con ngƣời.
Có phải đặc điểm bên trong (mắt, mũi, miệng) hoặc các đặc điểm bên ngoài (hình dạng đầu,
chân tóc) đƣợc sử dụng cho một nhận dạng khuôn mặt. Bộ não con ngƣời phân tích một

hình ảnh và mã hóa nhƣ thế nào? Theo nghiên cứu đƣợc bởi David Hubel và Torsten Wiesel,
rằng não của chúng ta có tế bào thần kinh chuyên biệt phản ứng với từng hoàn cảnh cụ thể,
chẳng hạn nhƣ đƣờng, cạnh, góc độ hoặc chuyển động. Vì chúng ta không nhìn thấy thế
giới nhƣ những mảnh phân tán, vỏ não của chúng ta bằng cách nào đó phải kết hợp các
nguồn thông tin khác nhau vào các mẫu hữu ích. Nhận diện khuôn mặt tách ra những đặc
điểm có ý nghĩa từ một hình ảnh, đƣa chúng vào một sự biểu diễn hữu ích và thực hiện một
số phân loại.
1.3. Những khó khăn và thách thức trong bài toán nhận dạng khuôn mặt
Việc xác định khuôn mặt ngƣời có những khó khăn nhất định nhƣ:
- Hƣớng (pose) của khuôn mặt đối với máy ảnh, nhƣ: nhìn thẳng, nhìn nghiêng hay nhìn
từ trên xuống. Cùng trong một ảnh có thể có nhiều khuôn mặt ở những tƣ thế khác
nhau.
- Sự có mặt của các chi tết không phải là đặc trƣng riêng của khuôn mặt ngƣời,
nhƣ: râu quai nón, mắt kính...
-

Các nét mặt (facial expression) khác nhau trên khuôn mặt, nhƣ: vui, buồn, ngạc
nhiên...

- Mặt ngƣời bị che khuất bởi các đối tƣợng khác có trong ảnh.
- Sự biểu cảm của khuôn mặt (The expression of the face): sự biểu cảm có thể làm thay
đổi đáng kể các đặc trƣng và thông số của khuôn mặt, ví dụ nhƣ khuôn mặt của cùng
một ngƣời sẽ rất khác khi ngƣời đó cƣời, tức giận hay sợ hãi…
1.4. Các ứng dụng của bài toán nhận dạng khuôn mặt
Xác định mặt ngƣời thƣờng là một phần của một hệ thống (facial recognition
system) [4]. Nó thƣờng đƣợc dùng trong giám sát video, giao tếp ngƣời - máy và quản lý cơ
sở dữ liệu ảnh…
 Các ứng dụng cơ bản của xác định mặt ngƣời có thể kể đến là:

- Xác minh tội phạm: Dựa vào ảnh của một ngƣời, nhận dạng xem ngƣời đấy có phải là
tội phạm hay không bằng cách so sách với các ảnh tội phạm đang đƣợc lƣu trữ.
Hoặc có thể sử dụng camera để phát hiện tội phạm trong đám đông. Ứng dụng
này giúp cơ quan an ninh quản lý con ngƣời tốt hơn.
- Camera chống trộm: Các hệ thống camera sẽ xác định đâu là con ngƣời và theo dõi
xem con ngƣời đó có làm gì phạm pháp không, ví dụ nhƣ lấy trộm đồ, xâm nhập bất
hợp pháp vào một khu vực nào đó.
- Bảo mật: Các ứng dụng về bảo mật rất đa dạng, một trong số đó là công nghệ nhận
dạng mặt ngƣời của laptop, công nghệ này cho phép chủ nhân của máy tính chỉ
cần ngồi trƣớc máy là có thể đăng nhập đƣợc. Để sử dụng công nghệ này, ngƣời
dùng phải sử dụng một webcam để chụp ảnh khuôn mặt của mình và cho máy
“học” thuộc các đặc điểm của khuôn mặt giúp cho quá trình đăng nhập sau này.
- Lƣu trữ khuôn mặt: Xác định mặt ngƣời có thể đƣợc ứng dụng trong các trạm rút
tền tự động (ATM) để lƣu trữ khuôn mặt của ngƣời rút tền. Hiện nay có những
ngƣời bị ngƣời khác lấy trộm thẻ ATM, mã PIN và bị rút tền trộm hoặc có
những chủ tài khoản đi rút tền nhƣng lại báo với ngân hàng là bị mất thẻ và bị rút
tền trộm. Nếu lƣu trữ đƣợc khuôn mặt của ngƣời rút tiền, ngân hàng có thể đối
chứng và xử lý dễ dàng hơn.
 Một số ứng dụng khác:
- Điều khiển vào ra: Văn phòng, công ty, trụ sở, máy tính, Palm,… kết hợp thêm vân tay
và mống mắt, cho phép nhân viên đƣợc ra vào nơi cần thiết.
- An ninh sân bay, xuất nhập cảnh (hiện nay cơ quan xuất nhập cảnh Mỹ đang sử dụng).
Dùng camera quan sát để xác thực ngƣời nhập cảnh và kiểm tra xem ngƣời đó có
phải là tội phạm hay phần tử khủng bố không.
- Tìm kiếm và tổ chức dữ liệu liên quan đến con ngƣời thông qua khuôn mặt ngƣời
trên nhiều hệ cơ sở dữ liệu lƣu trữ thật lớn, nhƣ internet, các hãng truyền
hình… Ví dụ: tìm các đoạn video có tổng thống Obama phát biểu, tìm các phim có
diễn viên Thành Long đóng…

- Kiểm tra trạng thái ngƣời lái xe có ngủ gật, mất tập trung hay không và hỗ trợ thông
báo khi cần thiết.
- Tƣơng lai sẽ phát triển các loại thẻ thông minh có tích hợp sẵn đặc trƣng của ngƣời
dùng trên đó, khi bất cứ ngƣời dùng khác dùng để truy cập hay xử lý tại các hệ thống
sẽ đƣợc yêu cầu kiểm tra các đặc trƣng khuôn mặt so với thẻ để biết ngƣời này có
phải là chủ thẻ hay không.
- Hãng máy chụp hình Canon đã ứng dụng bài toán xác định khuôn mặt ngƣời vào
máy chụp hình thế hệ mới để cho kết quả hình ảnh đẹp hơn, nhất là khuôn mặt
ngƣời.
1.5. Bài toán điểm danh dựa trên khuôn mặt
1.5.1. Bài toán điểm danh và quản lý nhân sự
Trong thời đại ngày nay, cùng với sự phát triển của khoa học kỹ thuật và xu hƣớng công
nghiệp hóa, hiện đại hóa: máy móc đang và sẽ tếp tục thay thế con ngƣời trong những công
việc nặng nhọc và mang tính lặp đi lặp lại. Máy móc có những ƣu điểm không thể phủ nhận
nhƣ không biết mệt mỏi, sẵn sàng phục vụ liên tục, không mang tính chủ quan, khả năng xử
lý nhanh, lƣu trữ lớn...
Đối với bài toán điểm danh, chấm công với mục têu chủ yếu là kiểm soát nguồn nhân lực
về thời gian. Các nhà quản lý quan tâm tới hai vấn đề chính là một lao động tên là “A” có mặt
hay không, có đúng giờ hay không, “A” có làm đủ số giờ quy định hay không?. Để giải quyết
bài toán này thông thƣờng các công ty, doanh nghiệp, các nhà quản lý sẽ sử dụng một nhóm
ngƣời có chức năng chấm công và quản lý hoặc sử dụng một hệ thống sinh trắc học. Đối với
việc sử dụng con ngƣời có rất nhiều nhƣợc điểm nhƣ: chi phí lớn, tính khách quan không cao,
không hoạt động tốt liên tục trong nhiều giờ liền, không thể sử dụng với phạm vi lớn (một
cán bộ chấm công không thể nhớ đƣợc quá nhiều ngƣời, đặc biệt với những ngƣời mới gặp
vài lần)... Vì thế các hệ thống sinh trắc học tỏ ra khá hiệu quả và là lựa chọn hàng đầu trong
bài toán này.
Với sự hỗ trợ của camera, máy tính và phần mềm điểm danh, nhà quản lý thu đƣợc
thông tn về sự có mặt và thời gian làm việc của ngƣời lao động một cách chính xác và khách
quan với chi phí thấp. Việc áp dụng nhận dạng khuôn mặt có thể đƣợc sử dụng một cách độc
lập với ƣu điểm hơn các phƣơng pháp sinh trắc học khác ở tính tự nhiên

của nó, đồng thời đây cũng có thể là một phƣơng pháp đƣợc sử dụng kết hợp với các
phƣơng pháp sinh trắc khác để nâng cao tính chính xác của hệ thống khi vận hành.
1.5.2. Đầu vào của bài toán
Với bài toán điểm danh, trong nội dung luận văn tôi lựa chọn phƣơng pháp nhận dạng
khuôn mặt làm cơ sở để xây dựng hệ thống. Với đầu vào là ảnh của ngƣời cần đƣợc điểm
danh hệ thống sẽ nhận diện hình ảnh và đoán nhận chính xác tên của ngƣời có trong ảnh, từ
đó là cơ sở để điểm danh.
Nhƣ vậy, đầu vào của bài toán là ảnh thu đƣợc từ camera đặt ở vị trí quan sát. Vị trí này
thƣờng là trƣớc cửa của cơ quan, doanh nghiệp, đây thƣờng là lối vào duy nhất của đơn
vị cần đƣợc điểm danh. Trong trƣờng hợp có nhiều cửa vào cho một đơn vị cần đƣợc điểm
danh, hệ thống sẽ thiết đặt các camera tại các cổng vào. Kết quả điểm danh sẽ là kết quả
tổng hợp của các camera tại các vị trí khác nhau.
Trong trƣờng hợp ngƣời quản lý cần xác định rõ thời gian làm việc của lao động (cần
xác định rõ thời gian vào và thời gian ra của một ngƣời) thì hệ thống cần thiết đặt hai camera
trên một cổng, một camera hƣớng ra để điểm danh ngƣời lao động khi vào và một camera
hƣớng vào trong để điểm danh ngƣời lao động khi ra khỏi khu vực làm việc. Hiệu thời gian
của lần ra và lần vào sẽ là thời gian ngƣời cần đƣợc điểm danh có mặt tại khu vực làm việc.
Để đảm bảo hệ thống làm việc hiệu quả, chính xác cần xây dựng các têu chuẩn cơ bản
để hệ thống làm việc. Đây là thiết lập cần thiết để nâng cao tính chính xác và khả năng làm
việc của hệ thống. Các thiết đặt này xuất phát từ chính các khó khăn tồn tại trong các thuật
toán xác định và nhận diện khuôn mặt hiện này:
-

Các khuôn mặt đƣợc chụp thẳng hoặc góc nghiêng không đáng kể (nhỏ hơn hoặc
o
bằng 10 ).

- Phông nền của ảnh không quá phức tạp.

- Ảnh đƣợc chụp trong điều kiện ánh sáng bình thƣờng.
-

Ngƣời đƣợc điểm danh không có các vật dụng với độ che phủ cao trên khuôn mặt
(kính đen, khẩu trang, râu giả...).

- Không mang vác ảnh có mặt ngƣời qua khu vực điểm danh (sử dụng ảnh 2D
chụp ngƣời để điểm danh hộ, hoặc gây nhầm lẫn trong hệ thống)


1.5.3. Đầu ra và ý nghĩa thực tễn
Bài toán điểm danh với đầu vào là ảnh thu đƣợc từ camera, dựa trên công nghệ sinh
trắc học nhận diện qua khuôn mặt sẽ trả lại kết quả là một danh sách tên ngƣời lao động,
trong đó mỗi một đối tƣợng ngƣời lao động tồn tại hai trạng thái là đƣợc điểm danh và
không đƣợc điểm danh. Để xác định một đối tƣợng cần đƣợc điểm danh ở trạng thái nào, hệ
thống dựa trên một tập các ảnh đƣợc lƣu trong cơ sở dữ liệu, trong quá trình nhận dạng đối
tƣợng đi qua và nhìn về phía camera. Hệ thống nhận diện khuôn mặt thu đƣợc từ camera và
xác định xem đối tƣợng có nằm trong danh sách điểm danh hay không, nếu có đối tƣợng
tƣơng ứng đƣợc xác định trạng thái là “có mặt”. Ngƣợc lại nếu đối tƣợng cần điểm danh
không xuất hiện trong thời gian điểm danh thì trạng thái của đối tƣợng tại phiên làm việc đó
đƣợc xác định trạng thái là “vắng”.
Nhƣ vậy, đầu ra tổng quát của bài toán là xác định hình ảnh ngƣời trong ảnh vào có
tƣơng ứng với một định danh ảnh đã có trong cơ sở dữ liệu hay không. Nếu có định dang
tƣơng ứng là gì. Dựa trên một định danh đƣợc cung cấp bởi hệ thống nhận dạng ta xây
dựng chƣơng trình điểm danh với hai trạng thái cơ bản là “vắng” và “có mặt”. Nếu trong
phiên làm việc định danh đƣợc hệ thống xác nhận thì trạng thái đƣợc xác định là có mặt và
ngƣợc lại. Trong trƣờng hợp cần xác định thời gian làm việc của đối tƣợng đang theo dõi ta
cần xác định thêm tham số thời gian khi đối tƣợng đƣợc hệ thống định danh theo chiều
vào và thời gian khi đối tƣợng đƣợc hệ thống định danh theo chiều ra.

CHƢƠNG 2: MỘT SỐ KỸ THUẬT PHÁT HIỆN VÀ NHẬN DẠNG KHUÔN MẶT
2.1. Một số kỹ thuật phát hiện mặt ngƣời trong ảnh
Vấn đề phát hiện mặt đƣợc đƣa ra đầu tên vào những năm 70 với việc sử dụng các
kỹ thuật nhân trắc học và các phép heuristc giản đơn. Với những kỹ thuật này, ta chỉ có thể
đạt đƣợc kết quả trong những điều kiện khá chặt, ví dụ nhƣ nền ảnh đồng nhất, khuôn
mặt chụp thẳng... Cho đến ngày nay, cùng với sự phát triển vƣợt bậc của khoa học kỹ thuật,
việc yêu cầu những giới hạn nhƣ thế là không còn. Tuy nhiên, cùng với những yêu cầu ngày
càng cao, thì vấn đề phát hiện mặt ngƣời đang phải đối mặt với những khó khăn mới. Trong
suốt quá trình từ những năm đầu tới nay, đã có rất nhiều các hƣớng xử lý và tếp cận khác
nhau đƣợc đƣa ra nhằm giải quyết cho những yêu cầu cụ thể khác nhau của từng giai đoạn,
từng ứng dụng cụ thể và cũng có nhiều cách phân loại các phƣơng pháp, hƣớng tếp cận này.
Trong luận văn này, tôi chia các phƣơng pháp và hƣớng tếp cận thành hai hƣớng chính:
Hƣớng tếp cận dựa trên đặc trƣng (Feature - based) và hƣớng tếp cận dựa trên ảnh (Image based).
Các phƣơng pháp kỹ thuật đƣợc áp dụng trong phát hiện mặt đƣợc thể hiện trong
Hình 2.1.


Hình 2.1. Sơ đồ các hướng tiếp cận và phương pháp phát hiện mặt người
2.1.1. Hƣớng tếp cận dựa trên đặc trƣng của ảnh
Phƣơng pháp tếp cận dựa trên đặc trƣng đƣợc chia thành 3 vấn đề. Giả sử cần phải
phát hiện một khuôn mặt trong một nền ảnh lộn xộn, phân tích cấp thấp (low- level
analysis) thực hiện phân đoạn các đặc trƣng của ảnh dựa trên những thuộc tính điểm ảnh
nhƣ độ xám hay màu sắc. Sự phân đoạn này còn mập mờ và chƣa rõ ràng. Trong phân tích
đặc trƣng (feature analysis), các đặc trƣng của ảnh đƣợc tổ chức thành các đặc trƣng khuôn
mặt có tính tổng quát hơn dựa trên các đặc tính hình học của


khuôn mặt. Sau giai đoạn này, tính mập mờ của các đặc trƣng của ảnh đã đƣợc giảm bớt,
đồng thời vị trí khuôn mặt cùng với các đặc trƣng khuôn mặt đã đƣợc xác định. Tiếp theo

là việc sử dụng các mô hình hình dạng động (actve shape models). Những mô hình này bao
gồm từ mô hình con rắn (snakes) (đƣợc đề xuất vào những năm 80) cho tới mô hình điểm
phân tán (Point Distributed Model - PDM) đƣợc đề xuất vào những năm gần đây để trích
chọn các đặc trƣng phức tạp nhƣ mắt, môi…
2.1.1.1. Phân tch mức thấp (Low level analysis)
Ngƣời ta gọi là phân tích mức thấp vì việc phân tích ở đây là phân tích dựa trên các
đặc trƣng rất cơ bản và mang tính trực quan, những đặc trƣng đó bao gồm biên ảnh,
thông tn đa mức xám, màu sắc, chuyển động, tính đối xứng của khuôn mặt.
a. Biên ảnh (Edges)
Biên ảnh (Edges) là một trong những thuộc tính quan trọng nhất trong các ứng dụng xử
lý ảnh, biên đã đƣợc sử dụng trong các ứng dụng phát hiện mặt ngay từ những ngày đầu tiên
bởi Sakai và cộng sự. Theo đó, các đặc trƣng khuôn mặt đƣợc xác định dựa trên việc phân
tích các đƣờng kẻ của các khuôn mặt trên ảnh. Craw và cộng sự sau đó đã phát triển một giải
thuật phân cấp dựa trên công việc của Sakai và cộng sự để tìm các mô tả các đầu ngƣời
có trong ảnh. Trong đó, một thành phần dò tìm đƣờng biên (line-follower) với các ràng
buộc về độ cong đƣợc sử dụng để tránh các biên nhiễu. Các đặc trƣng về biên trong các
biểu diễn mô tả của đầu ngƣời sau đấy đƣợc phân tích đặc trƣng sử dụng thông tn hình
dạng và thông tin vị trí của mặt. Gần đây, vấn đề trích chọn đặc trƣng mặt sử dụng biên và
phát hiện mặt sử dụng biên đã đƣợc xây dựng bởi rất nhiều tác giả, trong đó có Brunelli và
Poggio (1993), J.Choi, S.Kim và P.R.Hee (1999), B.K.Low và M.K.Ibrahim (1997)... Ngoài ra,
biên còn đƣợc sử dụng trong việc phát hiện những ảnh mặt ngƣời đeo kính (Z.Ling và
R.Mariani, 2000 và X. Jiang, M. Binkert, B. Achermann, H. Bunke, 2000).
Phát hiện biên là bƣớc đầu tên trong vấn đề biểu diễn biên. Cho tới nay, đã có rất nhiều
toán tử phát hiện biên đƣợc áp dụng. Các vấn đề về biên và phát hiện biên sẽ đƣợc trình
bày kỹ hơn trong chƣơng sau.
Trong phƣơng pháp phát hiện mặt áp dụng biên, các biên phải đƣợc gán nhãn và phù
hợp với một mẫu mặt nhằm đảm bảo sự phát hiện là đúng đắn. Govindaraju đã thực hiện
công việc này bằng cách gán nhãn các biên nhƣ là bên trái, bên phải, nhìn

23

Số hoá bởi Trung tâm Học liệu –
ĐHTN

n


thẳng hay là tóc và sau đó phù hợp chúng với một mẫu bằng cách sử dụng tỷ lệ vàng
của một khuôn mặt điển hình:
height
width



1  5
2

(1)

Trong hệ thống của Govindaraju, khi tến hành kiểm thử 60 ảnh có nền phức tạp bao
gồm 90 khuôn mặt, thì thấy khả năng hệ thống có thể phát hiện chính xác là 76% với mức độ
trung bình sai 2 mặt/1 ảnh.
b. Thông tin đa mức xám (Grayscale Informaton)
Ngoài biên, thông tin đa mức xám trong ảnh cũng có thể đƣợc sử dụng nhƣ một đặc
trƣng. Một số đặc trƣng của khuôn mặt nhƣ lông mày, đồng tử hay môi thƣờng tối hơn
những vùng mặt xung quanh. Thuộc tính này có thể đƣợc sử dụng để phân biệt nhiều
vùng mặt khác nhau. Một số giải thuật trích chọn đặc trƣng gần đây thực hiện tìm kiếm
vùng cực tểu địa phƣơng mức xám trong một phân đoạn ảnh mặt. Trong những giải
thuật này, ảnh đầu vào đƣợc cải thiện bằng cách làm tăng độ tƣơng phản (contrast stretching) và thực hiện các bƣớc biến hình mức xám (gray - scale morphological
routne) để làm tăng độ tối của những phần nói trên, do đó làm cho việc phát hiện đƣợc dễ

dàng hơn. Sau đó những vùng tối này đƣợc trích chọn bằng phép lấy ngƣỡng dƣới. Bên cạnh
đó, Wong và cộng sự tến hành xây dựng một hệ thống tự động tìm kiếm các vùng tối
thuộc mặt thông qua sự phân tích về màu sắc. Hệ thống sử dụng một mẫu mắt gán trọng số
để xác định các vị trí có thể của cặp mắt.
c. Màu sắc (Color)
Thông tn mức xám cho phép chúng ta biểu diễn một cách cơ bản các đặc trƣng của
ảnh, còn thông tin về màu cho phép ta phân biệt hữu hiệu các đối tƣợng trong ảnh. Bởi màu
đƣợc biểu diễn trong không gian 3 chiều, nên 2 đối tƣợng có cùng mức xám sẽ có những thể
hiện khác nhau trong không gian màu. Ngƣời ta đã chứng minh đƣợc rằng màu da của con
ngƣời, dù ở lứa tuổi nào hay ở màu da nào, thì đều phân bố trên một cụm xác định của hệ
toạ độ màu [10].
Một trong những hệ toạ độ màu đƣợc sử dụng nhiều nhất là hệ toạ độ RGB. Theo đó,
mỗi màu đƣợc biểu diễn bởi sự kết hợp của các giá trị của 3 thành phần màu: đỏ (Red - R),
xanh (Green - G) và xanh lá cây (Blue - B). Bởi các thay đổi chính trong việc biểu diễn da là
bởi sự thay đổi về độ sáng, nên thông thƣờng ta thƣờng sử dụng hệ
24

Số hoá bởi Trung tâm Học liệu –
ĐHTN

n


toạ độ RGB chuẩn hoá, do đó ảnh hƣởng của độ sáng đƣợc loại bỏ. Các thành phần
chuẩn hoá đƣợc tính bởi [10]:
R
r RGB
G
g RGB

(2)

B
b RGB
Do r + g + b = 1 nên trong hệ toạ độ màu chuẩn hoá này ta chỉ cần biết 2 giá trị r và g,
bởi b = 1 – r – g. Khi phân tích màu da, histogram màu dựa trên r và g chỉ ra rằng màu
của mặt ngƣời chỉ chiếm một vùng nhỏ trên histogram. Bằng cách so sánh thông tn màu
của một điểm ảnh với các giá trị r và g của vùng màu mặt, ta có thể xác định đƣợc xác suất
thuộc vùng mặt của điểm ảnh đấy.
Bên cạnh mô hình RGB, ngƣời ta cũng sử dụng một số mô hình khác trong việc phát
hiện mặt. C.H.Lee, J.S.Kim and K.H.Park, 1996, đã xây dựng một giải thuật sử dụng mô hình
HSI do ƣu điểm vƣợt trội của nó trong việc phân biệt các vùng màu của các đặc trƣng khác
nhau của khuôn mặt. Do đó, mô hình HSI đƣợc sử dụng trong việc trích chọn các đặc trƣng
của khuôn mặt nhƣ mắt, môi...
G.Wei và I.K.Sethi, 1999, sử dụng mô hình YIQ để phát hiện mặt. Bằng cách chuyển đổi
từ hệ toạ độ RGB sang YIQ, ngƣời ta nhận thấy thành phần I - thể hiện sự thay đổi từ màu
cam (orange) sang màu lục (cyan), có khả năng cải thiện vùng da của ngƣời Á Châu. Việc
chuyển đổi này cũng làm triệt têu các phần nền không phải da và do đó, giúp cho việc phát
hiện các khuôn mặt nhỏ đƣợc dễ dàng hơn. Ngoài ra, một số mô hình màu khác cũng đƣợc sử
dụng trong việc phát hiện mặt, nhƣ HSV, YES, CrCb, YUV, CIE-xyz, L*a*b, L*u*v*...
d. Chuyển động (Moton)
Nếu yêu cầu của việc phát hiện mặt ngƣời là trong môi trƣờng ảnh video, thì hợp lý
nhất cho việc phát hiện mặt là sử dụng yếu tố chuyển động. Phƣơng pháp đơn giản nhất là
sử dụng sự khác biệt giữa các frame. Mặc dù phƣơng pháp này tỏ ra khá đơn giản, nhƣng nó
vẫn có thể phát hiện đƣợc sự cử động của các đối tƣợng trên bất cứ nền nào một cách có
hiệu quả. Các bóng cử động có chứa phần mặt và cơ thể ngƣời có thể đƣợc tách bằng phép
lấy ngƣỡng đối với sự khác biệt giữa các frame. Ngoài các vùng

25

Số hoá bởi Trung tâm Học liệu –
ĐHTN

n