Nhận dạng ảnh mặt người dùng mạng nơron nhân tạo và giải thuật di truyền

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

ĐẠI HỌC THÁI NGUYÊN

TRƯỜNG ĐH CÔNG NGHỆ THÔNG TIN & TRUYỀN THÔNG

PHẠM THỊ MAI HƯƠNG

NHẬN DẠNG ẢNH MẶT NGƯỜI DÙNG MẠNG

NƠRON NHÂN TẠO VÀ GIẢI THUẬT DI TRUYỀN

LUẬN VĂN THẠC SĨ: KHOA HỌC MÁY TÍNH

Thái Nguyên, 2011

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên http://www.lrc-tnu.edu.vn

ĐẠI HỌC THÁI NGUYÊN

TRƯỜNG ĐH CÔNG NGHỆ THÔNG TIN & TRUYỀN THÔNG

PHẠM THỊ MAI HƯƠNG

NHẬN DẠNG ẢNH MẶT NGƯỜI DÙNG MẠNG

NƠRON NHÂN TẠO VÀ GIẢI THUẬT DI TRUYỀN

Chuyên ngành: Khoa học máy tính

Mã số: 60.48.01

LUẬN VĂN THẠC SĨ: KHOA HỌC MÁY TÍNH

NGƯỜI HƯỚNG DẪN KH: PGS.TS. LÊ BÁ DŨNG

Thái Nguyên, 2011

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 1 http://www.lrc-tnu.edu.vn

MỞ ĐẦU

Khuôn mặt đóng vai trò quan trọng trong quá trình giao tiếp giữa ngƣời với

ngƣời, và cũng mang một lƣợng thông tin phong phú, chẳng hạn có thể xác định

giới tính, tuổi tác, trạng thái cảm xúc của ngƣời đó, ... hơn nữa khảo sát chuyển

động của các đƣờng nét trên khuôn mặt có thể biết đƣợc ngƣời đó muốn nói gì. Do

đó, nhận dạng mặt ngƣời là một lĩnh vực nghiên cứu hấp dẫn đƣợc nhiều ngƣời

quan tâm trong vài năm gần đây.

Nhận dạng mặt ngƣời là một lĩnh vực nghiên cứu hấp dẫn đƣợc nhiều ngƣời

quan tâm trong vài năm gần đây. Có rất nhiều hƣớng tiếp cận trƣớc đây đã thực hiện

liên quan đến vấn đề nhận dạng mặt ngƣời. Theo Ming-Hsuan Yang [22], có thể

phân loại thành bốn hƣớng tiếp cận chính: dựa trên tri thức (knowledge-based), đặc

trƣng bất biến (feature invariant), đối sánh mẫu (template matching), và dựa vào diện

mạo (appearance-based) phƣơng pháp này thƣờng dùng một mô hình học máy nên

còn đƣợc gọi là phƣơng pháp dựa trên học máy (machine learning-based).

Các kết quả nghiên cứu về nhận dạng mặt ngƣời cho đến nay đã cho thấy

phƣơng pháp dựa trên học máy là cách tiếp cận tối ƣu và hiệu quả nhất. Về cơ bản,

phƣơng pháp dựa trên học máy sử dụng những mẫu đƣợc rút trích qua một quá

trình học. Nói cách khác, các thuật toán dựa trên học máy dùng các kỹ thuật phân

tích thống kê và học máy để xấp xĩ một hàm phân lớp tuyến tính. Có nhiều mô hình

học máy đƣợc áp dụng trong hƣớng tiếp cận này: Eigenface (M. Turk và A. Pentland

1991 [23]), Mạng Nơ-ron (H. Rowley 1998 [28]), Support Vector Machine (E.

Osuna et al 1997 [24]), Phân lớp Bayes (H. Schneiderman và T. Kanade 1998 [22]),

Mô hình Markov ẩn (A. Rajagopalan et al 1998 [23]), và các mô hình tăng cƣờng

(AdaBoost của P. Viola và M. Jones 2001 [25][26]; FloatBoost do Stan Z. Li và Zhen

Qiu Zhang 2004 [23][24]).

Phƣơng pháp nhận dạng mặt ngƣời dùng mạng nơron là một phƣơng pháp

không mới, có thể coi là phƣơng pháp phổ biến nhất trong các phƣơng pháp dựa trên

học máy. Các kết quả nghiên cứu đã có cho thấy phƣơng pháp này vẫn là phƣơng

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 2 http://www.lrc-tnu.edu.vn

pháp hiệu quả, ổn định và có nhiều khả năng ứng dụng. Một trong những nghiên cứu

đầu tiên dùng NN trong nhận dạng ảnh mặt ngƣời trong [72] đã sử dụng mạng

Kohonen nhận dạng ảnh trong một tập mẫu nhỏ các ảnh mặt ngƣời và cho kết quả tốt

ngay cả khi ảnh bị nhiễu hay mất một phần ảnh. Tỷ lệ nhận dạng đúng đƣợc công bố

là 92.5% với ảnh test đã đƣợc huấn luyện và 87.5% với ảnh test chƣa đƣợc huấn

luyện. Trong nhiều nghiên cứu nhận dạng ảnh mặt ngƣời dùng mạng NN sau đó, loại

mạng NN đƣợc cho là hiệu quả nhất là mạng NN perception đa lớp lan truyền ngƣợc

(backpropagation MLP). Trong [N. Jamil and Iqbal [34] ] hệ thống nhận dạng ảnh

mặt ngƣời dùng mạng MLP lan truyền ngƣợc sử dụng cơ sở dữ liệu gồm 100 ảnh của

10 ngƣời khác nhau tự thu thập, tỷ lệ nhận dạng đúng đƣợc công bố là 95.6%.

Các nghiên cứu nhận dạng ảnh mặt ngƣời dùng mạng NN cho tới hiện nay chỉ

ra rằng việc dùng mạng MLP đã cho các kết quả rất tốt cả về độ chính xác. Tuy nhiên

vấn đề chi phí tính toán trong thao tác huấn luyện và nhận dạng dẫn tới chi phí huấn

luyện và nhận dạng khá lớn là vấn đề then chốt cần xử lý của các hệ thống dùng

mạng NN. Do đó, các nghiên cứu nhận dạng mặt ngƣời dùng mạng NN vẫn cần đƣợc

cải tiến phát triển để giảm khối lƣợng tính toán, giảm thời gian, chi phí huấn luyện.

Một giải pháp đã đƣợc đề xuất là áp dụng phƣơng pháp trích đặc trƣng vector

thành phần PCA để giảm số chiều vector đặc trƣng, do đó giảm chi phí tính toán cho

mạng NN [19, 20]. Một giải pháp khác gần đây đƣợc một số nhà nghiên cứu gần đây

quan tâm là áp dụng giải thuật di truyền GA tính toán trọng số tối ƣu đầu vào cho

mạng NN để có để tối ƣu hệ thống. Luận văn này đi theo cách kết hợp hai hƣớng tiếp

cận này, đó là phát triển một hệ thống nhận dạng mặt ngƣời sử dụng kết hợp các

phƣơng pháp MLP-PCA-GA. Các kết quả đánh giá về hiệu quả nhận dạng bao gồm

tỷ lệ nhận dạng đúng, chi phí huấn luyện, thời gian nhận dạng đều cho thấy phƣơng

pháp sử dụng trong đề tài cho các kết quả tƣơng đƣơng và tốt hơn trong một số điều

kiện so với các phƣơng pháp truyền thống khác. Các kết quả thực nghiệm cho thấy

phƣơng pháp sử dụng là một phƣơng pháp tốt cần đầu tƣ nghiên cứu, phát triển thêm.

Để minh họa cho tính ứng dụng của luận văn, tôi cũng trình bày một hệ thống

ứng dụng minh họa việc tìm kiếm thông tin hành khách tại sân bay bằng nhận dạng

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 3 http://www.lrc-tnu.edu.vn

mặt ngƣời. Chƣơng trình cho tính năng minh họa cho một hệ thống thực và có thể

phát triển thành một ứng dụng thực tế nếu đƣợc tích hợp với hệ thống camera bắt

hình trực tiếp và cơ sở dữ liệu hành khách thực.

Nội dung đề tài gồm những vấn đề sau:

MỞ ĐẦU

Chƣơng 1 : Đặt vấn đề

Chƣơng 2 : Các cơ sở lý thuyết liên quan:

- Mạng nơron

- Giải thuật di truyền

- Vector đặc trƣng thành phần PCA

Chƣơng 3 : Phƣơng pháp nhận dạng mặt ngƣời MLP-PCA-GA

Chƣơng 4 : Hệ thống ứng dụng minh họa

KẾT LUẬN VÀ KIẾN NGHỊ

Do hạn chế về khả năng, thời gian cũng nhƣ tài liệu, đề tài không tránh khỏi

những sai sót nhất định. Rất mong đƣợc sự chỉ bảo của các thầy cô và các ý kiến

góp ý quan tâm của các đồng nghiệp.

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 4 http://www.lrc-tnu.edu.vn

Chƣơng 1

TỔNG QUAN

1.1 BÀI TOÁN NHẬN DẠNG MẶT NGƢỜI VÀ NHỮNG KHÓ KHĂN

1.1.1 Bài toán nhận dạng mặt ngƣời

Hệ thống nhận dạng mặt ngƣời là một hệ thống nhận vào là một ảnh hoặc một

đoạn video (một chuỗi các ảnh). Qua xử lý tính toán hệ thống xác định đƣợc vị trí

mặt ngƣời trong ảnh (nếu có) và xác định là ngƣời nào trong số những ngƣời hệ

thống đã đƣợc biết (qua quá trình học) hoặc là ngƣời lạ.

Hình 1.1 Ví dụ về hệ thống nhận dạng mặt ngƣời

1.1.2 Những khó khăn của nhận dạng khuôn mặt

Bài toán nhận dạng mặt ngƣời là bài toán đã đƣợc nghiên cứu từ những năm

70. Tuy nhiên, đây là một bài toán khó nên những nghiên cứu hiện tại vẫn chƣa đạt

đƣợc kết quả mong muốn. Chính vì thế vấn đề này vẫn đang đƣợc nhiều nhóm trên

thế giới quan tâm nghiên cứu. Khó khăn của bài toán nhận dạng mặt ngƣời có thể kể

nhƣ sau:

a. Tƣ thế, góc chụp: Ảnh chụp khuôn mặt có thể thay đổi rất nhiều bởi vì góc

chụp giữa camera và khuôn mặt. Chẳng hạn nhƣ: chụp thẳng, chụp xéo bên trái 45

0

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên 5 http://www.lrc-tnu.edu.vn

hay xéo bên phải 450

, chụp từ trên xuống, chụp từ dƣới lên, v.v...). Với các tƣ thế

khác nhau, các thành phần trên khuôn mặt nhƣ mắt, mũi, miệng có thể bị khuất một

phần hoặc thậm chí khuất hết.

b. Sự xuất hiện hoặc thiếu một số thành phần của khuôn mặt: Các đặc

trƣng nhƣ: râu mép, râu hàm, mắt kính, v.v... có thể xuất hiện hoặc không. Vấn đề

này làm cho bài toán càng trở nên khó hơn rất nhiều.

c. Sự biểu cảm của khuôn mặt: Biểu cảm của khuôn mặt ngƣời có thể làm

ảnh hƣởng đáng kể lên các thông số của khuôn mặt. Chẳng hạn, cùng một khuôn mặt

một ngƣời, nhƣng có thể sẽ rất khác khi họ cƣời hoặc sợ hãi,v.v...

d. Sự che khuất: Khuôn mặt có thể bị che khuất bởi các đối tƣợng khác hoặc

các khuôn mặt khác.

e. Hƣớng của ảnh: Các ảnh của khuôn mặt có thể biến đổi rất nhiều với các

góc quay khác nhau của trục camera. Chẳng hạn chụp với trục máy ảnh nghiêng làm

cho khuôn mặt bị nghiêng so với trục của ảnh.

f. Điều kiện của ảnh: Ảnh đƣợc chụp trong các điều kiện khác nhau về: chiếu

sáng, về tính chất camera (máy kỹ thuật số, máy hồng ngoại,v.v...) ảnh hƣởng rất

nhiều đến chất lƣợng ảnh khuôn mặt.

1.2 CÁC ỨNG DỤNG LIÊN QUAN ĐẾN NHẬN DẠNG MẶT NGƢỜI

Bài toán nhận dạng mặt ngƣời có thể áp dụng rộng rãi trong nhiều ứng

dụng thực tế khác nhau. Đó chính là lý do mà bài toán này hấp dẫn rất nhiều

nhóm nghiên cứu trong thời gian dài. Các ứng dụng liên quan đến nhận dạng

mặt ngƣời có thể kể nhƣ:

- Hệ thống phát hiện tội phạm: camera đƣợc đặt tại một số điểm công cộng

nhƣ: siêu thị, nhà sách, trạm xe buýt, sân bay,v.v... Khi phát hiện đƣợc sự xuất hiện

của các đối tƣợng là tội phạm, hệ thống sẽ gởi thông điệp về cho trung tâm xử lý.

- Hệ thống theo dõi nhân sự trong một đơn vị: giám sát giờ ra vào của từng

nhân viên và chấm công.

- Hệ thống giao tiếp ngƣời máy: thay thế việc tƣơng tác giữa ngƣời và máy theo

những cách truyền thống nhƣ: bàn phím, chuột,v.v...Thay vào đó là sử dung các giao