BÀI TẬP LỚN XỬ LÝ ẢNH Đặc trưng sinh trắc ảnh khuôn mặt và ứng dụng của KL PCA trong trích chọn đặc trưng khuôn mặt
Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây [3.8 MB, 29 trang ]
ĐẠI HỌC BÁCH KHOA HÀ NỘI
ViỆN CÔNG NGHỆ THÔNG TIN VÀ TRUYỀN THÔNG
BÀI TẬP LỚN XỬ LÝ ẢNH
Đặc trưng sinh trắc ảnh khuôn mặt và ứng dụng của KL & PCA trong trích chọn đặc trưng khuôn
mặt
Giáo viên : PGS.TS.Nguyễn Thị Hoàng Lan
Sinh viên thực hiện: Vũ Thành Trung - 20073070
Nguyễn Hồng Phúc 20072236
Trần Đình Cường -
Lớp: Truyền thông mạng-K52
Nội dung
1. Đặc trưng sinh trắc ảnh khuôn mặt
1. Sinh trắc học
2. Đặc trưng sinh trắc ảnh khuôn mặt
2. Cơ sở lí thuyết thuật toán
1. Thuật toán KL
2. Thuật toán PCA
3. Ứng dụng của KL & PCA trong trích chọn đặc trưng khuôn mặt
Sinh trắc học
Các đặc trưng sinh trắc của con người
Đặc trưng sinh lý: vân tay, khuôn mặt, vân lòng bàn tay, tròng mắt, tai,
ADN
Đặc trưng hành vi: là các đặc trưng liên quan đến hành động, ví dụ dáng
đi, giọng nói, chữ ký
Công nghệ sinh trắc học
Công nghệ sinh trắc học [biometric] sử dụng đặc trưng sinh trắc của con người để nhận diện ra cá thể
người là duy nhất tồn tại trong một cơ sở dữ liệu.
Sinh trắc học
Tính chất của các đặc trưng sinh trắc
Duy nhất
Không thể chia sẻ
Không thể sao chép
Khó biến mất
Cấu tạo một hệ thống nhận dạng sinh trắc học:
Ứng dụng
Thi hành pháp luật
Giám sát
Xuất nhập cảnh
Chống gian lận
Khách du lịch tin cậy
Quản lí vào ra
Quản lí nhân công
Quản lí khách hàng
Bảo vệ tài sản
Đặc trưng sinh trắc khuôn mặt
Các đặc trưng sinh trắc khuôn mặt là những đặc điểm riêng trên khuôn mặt mỗi người gần như
không thay đổi theo thời gian [trừ một số sự cố, tai nạn, phẫu thuật chỉnh hình ], các đặc điểm này
phân biệt giữa người này và người kia, rất khó có thể xảy ra trùng lặp.
Màu da mặt người
Trán [khoảng rộng]
Xương gò má
Mắt
Mũi
Miệng
Tai
Khuôn mặt
Lông mày
Nhận dạng khuôn mặt
Phương pháp tiếp cận bằng màu da [Skin Color Approaches Model]
Phương pháp tiếp cận phân tách, trích chọn đặc trưng khuôn mặt [Classi`cation Approaches Model]
Phương pháp tiếp cận theo mô hình đường viền linh hoạt [Active Shape Model]
Phương pháp tiếp cận theo mô hình xuất hiện linh hoạt [Active Appearance Model]
Skin Color Approaches Model
Phân vùng rõ ràng giữa các vùng có xuất hiện da và vùng không xuất hiện da. Từ đó, phát hiện xem
trong một bức ảnh có chứa [nội dung] khuôn mặt người hay không, từ đó xác định xem đâu là khuôn
mặt, vị trí khuôn mặt
Một số phương pháp xác định dựa trên màu da:
Phân cụm theo màu da người của Kovac
Phương thức phát hiện vùng màu da dựa trên xác suất của Kakumanu
Dai và Nakano sử dụng phân bố của thành phần màu I trong không gian màu YIQ để phát hiện các pixels trong
ảnh có chứa phần màu da người [màu da vàng]
Classi$ca%on Approaches Model
Xác định và trích chọn các đặc trưng sinh trắc theo cấu trúc của khuôn mặt, xây dựng thành các mẫu
khuôn mặt, từ đó so sánh các mẫu này với tập các mẫu trong cơ sở dữ liệu và đưa ra kết luận.
Một số đặc điểm cần trích chọn: khoảng cách giữa hai mắt, độ rộng của trán, của mũi, của miệng, cạnh
hàm, đường viền phía trên hốc mắt, độ rộng lông mày, khu vực giữa mũi và mắt, khu vực xung quanh
xương gò má, đường viên khuôn mặt
Một số phương pháp xác định:
Mô hình mạng Neural của H.Rowley
Mô hình AdaBoost của P.Viola và M.Jones
Phân tích các thành phần chính [PCA Principal Components Analysis]
Ac%ve Shape Model
Dựng ra các đường viền khung khuôn mặt, bao gồm đường viền bao quanh khuôn mặt, đường viền
bao quanh các bộ phận đặc trưng trên khuôn mặt như mắt, mũi, miệng. Từ đó, với một bức ảnh đầu
vào, người ta sẽ đem ra so khớp ảnh khuôn mặt với các mẫu đường viền đó.
Ac%ve Appearance Model
Đây là mô hình cải tiến từ mô hình ASM đã trình bày ở trên
Tập trung vào các điểm mốc đánh dấu cấu trúc các thành phần của ảnh khuôn mặt.
Sử dụng phương pháp PCA để xác định các điểm mốc
v các tham số cho đường viền
g các tham số cho cấu trúc
Tập học PCA bao gồm các vector c = [v, g]
Cơ sở lí thuyết của phép biến đổiKL
Biến đổi KL [PCA] có nguồn gốc từ khai triển chuỗi của các các quá trình ngẫu nhiên liên tục.
Biến đổi KL cũng còn gọi là biến đổi Hoteling hay phương pháp thành phần chính.
PCA là phương pháp phân tích các thành phần chính bằng cách giảm số chiều áp dụng để trích
chọn cũng như các phương pháp giảm số chiều [dimensionality reduction] khác, PCA giải
quyết vấn đề như curse of dimensionality, data visualization, độ phức tạp tính tóan của bộ phân
lớp [classi`er].
Cơ sở lí thuyết của phép biến đổiKL
Đây là phép biến đổi không gian chiều thành không gian chiều, với . Mỗi thành phần của
vectơ miêu tả một đặc tính của đối tượng. Nếu ta biến đổi được từ không gian n chiều về
không gian m chiều, như vậy ta sẽ làm giảm được thông tin dư thừa [theo thuật ngữ trong xử
lý ảnh hay nhận dạng ảnh gọi là giảm thứ nguyên].
Mục đích của biến đổi KL là chuyển từ không gian n chiều sang không gian trực giao m chiều
sao cho sai số bình phương là nhỏ nhất
Các bước thực hiện PCA
Đầu vào : Dữ liệu X1, X2, Xn có số chiều là m.
Đầu ra: Dữ liệu X1,.,Xn có số chiều là m
Các bước thực hiện:
Tính kì vọng EX=1/n* [X1+ +Xn]
Tính ma trận hiệp phương sai của biến ngẫu nhiên X_i
R=E[[X-EX][X-EX]]
Chọn số thành phần chính k.
Tìm k trị riêng lớn nhất của R là a1, ak tương tứng với k vector riêng s1,,sk
Chiếu X_1, ,X_n lên không gian vector con tạo bởi k cơ sở trực giao s1, ,sk được X1, X2, ,Xn có số
chiều là k