Transcript Một kỹ thuật phát hiện và nhận dạng mặt người tự động dưới sự hỗ trợ

TRƯỜNG ĐẠI HỌC ĐÀ LẠT
KHOA CÔNG NGHỆ THÔNG TIN
------------
BÁO CÁO HỘI THẢO CNTT
MỘT KỸ THUẬT PHÁT HIỆN VÀ NHẬN DẠNG MẶT
NGƯỜI TỰ 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 số vấn đề nhận dạng ảnh
 Mô hình đề tài
 Phương pháp nhận dạng PCA
 Phát hiện mặt người
 Kết quả thử nghiệm
2
Một số vấn đề nhận dạng ảnh
 Một số khó khăn trong nhận dạng mặt người






Máy ảnh không rõ và nhiễu
Nền phức tạp
Độ sáng
Sự dịch chuyển, xoay, biến đổi tỉ lệ giữa các thành phần
Cảm xúc thể hiện trên gương mặt
Hóa trang, kiểu tóc
3
Một số phương 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
Mô hình đề tài
5
Phương pháp PCA
 Phương pháp này dựa trên mô hình của lý thuyết
thông tin:


Phân chia gương mặt người thành một tập nhỏ các ảnh đặc
trưng gọi là các mặt riêng.
Các mặt riêng này được xem như các thành phần chính của tập
các ảnh gương mặt ban đầu.
 Quá trình nhận dạng được thực hiện bằng cách:
 Chiếu gương mặt mới lên không gian con được định hướng bởi
các mặt riêng,
 Sau đó so sánh nó với vị trí của các ảnh trong tập ban đầu trong
không gian mặt riêng.
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:




Tốc độ
Tính đơn giản
Khả năng học
Không nhạy cảm với những thay đổi tương đối nhỏ hay từ từ
của gương mặt.
 Chia thành 2 giai đoạn chính:
 Giai đoạn tìm các mặt riêng (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 riêng (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 riêng (EigenFace)
 Bước 1: Giả sử tập ảnh huấn luyện gồm M ảnh khuôn
mặt:
có kích thước N*N.
9
Tìm mặt riêng (EigenFace)
 Bước 2: Tìm ảnh trung bình theo công thức:
Với tập ảnh huấn luyện trên ta tính được ảnh trung bình như sau:
 Bước 3: Tính độ sai khác giữa ảnh huấn luyện
với ảnh trung bình
so
:
10
Tìm mặt riêng (EigenFace)
 Bước 4: Tính ma trận hiệp phương sai C (covariance
matrix)

Với:
Vậy C có kích thước: N2 x N2
 Vấn đề về tìm vector riêng (eigenvector) ui của ma trận C khó
thực hiện được vì kích thước quá lớn.

11
Tìm mặt riêng (EigenFace)
 Để tìm eigenvector ui của C ta thực hiện như sau:
 Giả sử vi là vector riêng của ma trận ATA, tức là:

Nhân 2 vế với ma trận A ta được:
 Như vậy
là eigenvector của C
12
Tìm mặt riêng (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 riêng (eigenface)
13
Tìm mặt riêng (EigenFace)
 Từ M eigenvector (ui), chọn ra M’ eigenvector ứng với
M’ giá trị riêng đầu tiên trong mảng các giá trị riêng
(được sắp xếp giảm dần).
 Thường chọn M’ sao cho [3]:
14
Tìm mặt riêng (EigenFace)
 Với ví dụ tập huấn luyện trên tìm được 7 mặt riêng có
giá trị riêng lớn nhất (M=12 > M’=7)
15
Nhận dạng
 Bước 1: Với mỗi ảnh huấn luyện
, ta chiếu
lên không gian mặt M’ chiều:

Với:
16
Nhận dạng
 Bước 2: Khuôn mặt mới
sẽ được chiếu lên không
gian M’ chiều. Kết quả:

Với:
 Bước 3: Tìm mặt thứ k sao cho:

Với
là vector mô tả hay đại diện cho mặt thứ k trong tập
huấn luyện, là ngưỡng xác định.
17
Nhận dạng
 Có 4 trường hợp khi nhận dạng khuôn mặt mới:
 Ảnh ở gần không gian mặt và gần 1 lớp ảnh
 Ảnh ở gần không gian mặt và xa tất cả các lớp ảnh
 Ảnh ở xa không gian mặt và ở gần một lớp ảnh
 Ảnh ở xa không gian mặt và ở xa tất 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, phân ngưỡng với điều
kiện:
135 < Cr < 180
 85 < Cb < 135
 Y > 80

19
Phát hiện mặt người
 Với ảnh đầu vào Г, ta tính Ф = Г – Ψ
 Tính weight vector w = u .Ф
 Tính reconstructed image Ѓ = u.w
 Tính khoảng cách đến không gian khuôn mặt Fsm =
|| Ф - Ѓ ||
 Nếu Fsm < θ thì kết luận Г là khuôn mặt ( θ là một
ngưỡng cho trước ).
20
Kết quả thử nghiệm
 Tập dữ liệu
 Tập dữ liệu AT&T: gồm 400 hình khuôn mặt (ứng với 40
người).
Huấn luyện
Nhận dạng
Đúng
Sai
280 ảnh

120 ảnh
88 (73.3%)
32 ( 26.7% )
Tập dữ liệu yalefaces: gồm 165 hình khuôn mặt (ứng với 15
người).
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
http://www.cs.ucsb.edu/~mturk/Papers/jcn.pdf. (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 tốt
nghiệp, Khoa Công nghệ Thông tin, Đại học Khoa học Tự
nhiên Tp.HCM
22
Thank you!
23