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

Bạn đang xem bản rút gọn của tài liệu. Xem và tải ngay bản đầy đủ của tài liệu tại đây (7.87 MB, 66 trang )

Bạn đang đọc: Phát hiện và nhận dạng khuôn mặt từ camera, ứng dụng trong điểm danh – Tài liệu text

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 dưới sự hướng dẫn của TS. Nguyễn Văn
Tảo và tham khảo từ các nhà nghiên cứu đi trước. Nội dung tham khảo, kế thừa, phát
triển từ các công trình đã được công bố được trích dẫn, ghi rõ nguồn gốc.
Nếu có gì sai phạm tôi xin hoàn toàn chịu trách nhiệm.
Người cam đoan

Nguyễn Thế Thụy

LỜI CẢM ƠN
Trong quá trình thực hiện luận văn mặc dù gặp rất nhiều khó khăn nhưng tôi luôn
nhận được sự quan tâm, giúp đỡ từ thầy cô, đồng nghiệp bạn bè và người thân. Đây là
nguồn động lực giúp tôi hoàn thành luận văn này.
Tôi xin gửi lời chân thành cảm ơn tới TS. Nguyễn Văn Tảo đã tận tình giúp đỡ,
hướng dẫn và chỉ bảo trong quá trình thực hiện luận văn.
Tôi xin chân thành cảm ơn tới quý Thầy, Cô Trường Đại học Công nghệ thông tin
và Truyền thông Thái Nguyên đã tận tình chỉ bảo, truyền đạt những kiến thức qúy báu
giúp tôi hoàn thành nhiệm vụ học tập trong suốt thời gian theo học tại trường. Quý Thầy
Cô đã giúp tôi có được những kiến thức quan trọng trong lĩnh vực Công nghệ thông tin,
là nền tảng vững chắc cho những nghiên cứu của bản thân trong thời gian tới.
Tôi xin cảm ơn anh em, đồng nghiệp đã giúp đỡ, ủng hộ tinh thần trong thời gian
tôi tham gia học tập.
Cuối cùng, tôi xin cảm ơn tất cả những người đã luôn luôn quan tâm, sẻ chia và
động viên tôi.
Hà Nội, ngày 17 tháng 07 năm 2015
Nguyễn Thế Thụy

2.1.1.2. Phân tích đặc trưng (Feature Analysis) …………………………………….. 28
2.1.1.3. Mô hình hình dạng động (Active shape models) ………………………… 33
2.1.2. Hướng tiếp cận dựa trên ảnh (Image based detection) ……………………….. 37
2.1.2.1. Phương pháp không gian con tuyến tính (Linear subspace methods) 38
2.1.2.2. Mạng neural…………………………………………………………………………. 41
2.1.2.3. Phương pháp thống kê (Statistical approachs) ……………………………. 44
3

2.2. Một số kỹ thuật nhận dạng khuôn mặt …………………………………………………… 47
2.2.1. Phương pháp phân tích thành phần chính (PCA)………………………………..49
2.2.2. Phương pháp phân tách tuyến tính (LDA)…………………………………………49
2.2.3. Phương pháp mạng neural ……………………………………………………………..52
CHƯƠNG 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 chương trình …………………………………………………………….56
3.3.2. Một số kết quả điểm danh dựa trên khuôn mặt …………………………………..61
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ……………………………………………………..65
TÀI LIỆU THAM KHẢO …………………………………………………………………………..66

DANH MỤC CÁC HÌNH VẼ
Hình 1.1.Các đặc trưng sinh trắc phổ biến …………………………………………………………. 8
Hình 1.2. Mô hình hệ thống sinh trắc học ………………………………………………………….. 9
Hình 1.3. Các giá trị ngưỡng của FAR và FRR …………………………………………………. 11
Hình 1.4. Mô hình hệ thống nhận dạng mặt người …… Error! Bookmark not defined.

Hình 2.1. Sơ đồ các hướng tiếp cận và phương pháp phát hiện mặt người ………. Error!
Bookmark not defined.
Hình 2.2.Hệ thống tìm kiếm mặt của Maio và Maltoni Error! 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 not de
Hình 3.2. Giao diện chính của chương trình …………….. Error! Bookmark not defined.
Hình 3.3. Hình ảnh từ camera và xử lý tương 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

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 trưng như dấu vân tay, mẫu
mống mắt, giọng nói, khuôn mặt, dáng đi… để nhận diện con người.
Công nghệ sinh trắc học được áp dụng phổ biến và lâu đời, trong đó phương pháp
sử dụng nhận dạng khuôn mặt là tự nhiên nhất. Phương pháp này được chính bản thân
con người sử dụng từ khi được sinh ra để phân biệt giữa người này và người 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 được 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 được
thông tin về sự có mặt và thời gian làm việc của người lao động một cách chính xác và
khách quan với chi phí thấp. Việc áp dụng nhận dạng khuôn mặt có thể được sử dụng
một cách độc lập với ưu điểm hơn các phương pháp sinh trắc học khác ở tính tự nhiên
của nó, đồng thời đây cũng có thể là một phương pháp được sử dụng kết hợp với các
phương 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 tiêu tìm hiểu các thuật toán phát hiện và
nhận dạng khuôn mặt người từ đó xây dựng chương 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 như lĩnh vực sinh trắc học.
Nội dung luận văn được chia làm 3 phần chính: Chương 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 như ứng dụng thực tiễn của bài toán. Chương 2 là những nghiên cứu, tìm hiểu về
các thuật toán phát hiện và nhận dạng khuôn mặt. Chương 3 trình bày thực nghiệm và
ứng dụng của chương trình điểm danh dựa trên nhận dạng khuôn mặt. Phần cuối cùng
là kết luận và hướng phát triển tiếp theo của luận văn.

CHƯƠNG 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
như vân tay, mống mắt, khuôn mặt… để nhận diện. Thuật ngữ sinh trắc học
(Biometric) được dùng ghép theo tiếng Hy Lạp từ 2 từ: Bio (thuộc về thực thể sinh vật
sống) và metriko (kỹ thuật độ đo, đo lường), thuật ngữ này đã được hình thành trong
quá trình phát triển loài người và được biết đến từ lâu để thể hiện các đặc trưng về thể
chất hay về hành vi của từng cá thể con người. Có nhiều loại đặc trưng 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), tiếng nói
(Voice), con ngươi mắt (Iris), võng mạc (Retina)… Những đặc trưng này đã được phát
hiện từ rất sớm để nhận dạng, xác thực chủ thể con người và hiện nay đang được quan
tâm nghiên cứu triển khai ứng dụng trong các lĩnh vực an ninh, quốc phòng, thương
mại, công nghiệp, dịch vụ… Các đặc trưng sinh trắc học của cơ thể người được sử
dụng phải đảm bảo các tiêu chuẩn sau đây: [1]– Tính rộng rãi: là tính chất cho biết thông thường mọi người đều có đặc trưng này,
có thể tạo ra khả năng sử dụng hệ thống an ninh sinh trắc học cho một số lượng
người lớn.
– Tính phân biệt: là tính chất phân biệt đặc trưng sinh trắc học giữa hai người bất
kỳ phải khác nhau, đảm bảo sự duy nhất của chủ thể sinh trắc.
– Tính ổn định: là tính chất mà đặc trưng sinh trắc phải có tính ổn định trong một
thời gian tương đối dài.
– Tính dễ thu thập: là tính chất đặc trưng 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 được chấp nhận.
– Tính chấp nhận được: là tính chất mà quá trình thu thập mẫu sinh trắc phải được

sự đồng ý của người dùng.

– Chống giả mạo: là tính chất ưu việt của việc sử dụng đặc trưng 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 trưng sinh học khác nhau đã và đang được sử dụng. Mỗi loại
đặc trưng sinh trắc có điểm mạnh và điểm yếu riêng. Tuy nhiên không một đặc trưng
nào thỏa mãn tốt và đầy đủ tất cả các yêu cầu tính chất của một đặc trưng sinh trắc học
nêu trên, nghĩa là không có một đặc trưng sinh trắc học hoàn toàn tối ưu. Trong một
công trình nghiên cứu, các chuyên gia đã đưa ra một bảng so sánh khái quát các tiêu
chuẩn đánh giá các tính chất tương ứng các đặc trưng sinh trắc học sau đây: [1]

Tính

rộng

phân

ổn

rãi

biệt

định

Vân tay

Dáng đi

Khuôn mặt

Võng mạc

Mống mắt

Đặc trưng sinh
trắc học

Vân bàn tay

Tính dễ
thu thập

Tính

hiệu
quả

chấp

Chống

nhận

giả mạo

được

Dạng hình học
bàn tay

Chỉ tay

Giọng nói

Bảng 1.1: So sánh các công nghệ nhận dạng sinh trắc học
Trong đó: Các ký hiệu có ý nghĩa như sau: H (cao), M (trung bình) và L (thấp).
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 người cần nhận dạng. Hệ
9

thống sinh trắc học được phân ra thành hai loại chính: hệ thẩm định (Verification) và
hệ nhận dạng (Identification, Recognition) [1]1.1.1.1. Hệ thẩm định (Verification)
Hệ thẩm định (Verification) là hệ thống thực hiện nhiệm vụ đối sánh 1-1 giữa
mẫu sinh trắc học thu nhận được (biometric sample) với mẫu dạng sinh trắc học
(biometric template) đã có trong hệ thống từ trước. Kết quả trả lời câu hỏi mẫu sinh
trắc thu nhận có liên quan tới mẫu dạng sinh trắc hay không? Thông thường trong hệ
thẩm định có kết hợp với thông tin định danh chủ thể để thực hiện chức năng xác thực
thẩm định sinh trắc (Authentication). 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 được (biometric
sample) có phải là sinh trắc của chủ thể đã lưu trong hệ thống không?” [1]1.1.1.2. Nhận dạng (Identification, Recognition)
Hệ nhận dạng (Identification, Recognition) là hệ thống thực hiện chức năng tìm
kiếm (1-n) từ một cơ sở dữ liệu lưu 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 trước và sau đó
thực hiện đối sánh xấp xỉ để nhận dạng phân lớp (Classification) hoặc nhận dạng đồng
nhất (Identification), ví dụ như 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 dưới dạng số hóa.
– Xử lý và trích chọn đặc trưng (Feature Extraction): là thành phần chức năng thực
hiện các phép xử lý phân tích và trích chọn các đặc trưng từ mẫu sinh trắc học.
– Đối sánh (Matching): là thành phần chức năng thực hiện so sánh các đặc trưng
vừa trích chọn với khuôn mẫu sinh trắc đã có trước.

Xem thêm: Top 7 phần mềm thiết kế đồ họa tốt nhất hiện nay

– Ra quyết định (Decision): là thành phần chức năng khẳng định danh tính người
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 trước (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 (Verification/Identification): là giai đoạn thẩm định,
nhận dạng mẫu sinh trắc vừa trích chọn với khuôn mẫu sinh trắc đã có trước.
1.1.2. Đánh giá hiệu năng và chất lượng hoạt động của hệ sinh trắc học
Một hệ sinh trắc học khi hoạt động thường gặp hai vấn đề về lỗi sau đây:
– Lỗi phát sinh khi đối sánh mẫu sinh trắc của hai người khác nhau nhưng cho kết
quả là của cùng một người. Lỗi này được gọi là loại bỏ sai (false reject hay false
match).
– Lỗi phát sinh khi đối sánh hai mẫu sinh trắc của cùng một người nhưng cho kết
quả sai, vì cho rằng là của hai người khác nhau. Lỗi này được gọi là chấp nhận
sai (false accept hay false nonmatch). Để đo lường mức độ lỗi của hệ thống sinh
trắc, các độ đo lường thường dùng được định nghĩa như sau:
– FMR (False Match Rate): còn gọi là FAR (False Accept Ratio) – 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 Rejection 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 lường này có sự ràng buộc với nhau như sau: nếu FAR
cao thì FRR sẽ giảm tương đối và ngược lại. Mức độ chấp nhận được 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 tiện dụng của người dùng, thì FAR sẽ

nhỏ và FRR sẽ cao. Ngoài hai độ đo trên, người 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]1.1.3. Hệ thống an ninh bảo mật dựa trên sinh trắc học
Hệ thống sinh trắc học có những ưu điểm mà hệ bảo mật thông thường không
có, trong những cuộc nghiên cứu hệ thống an ninh, bảo mật dựa trên hệ sinh trắc học
(Biometric Security System) đã được quan tâm nghiên cứu và đưa vào ứng dụng thực
tiễn. Hướng 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 được quan tâm nghiên cứu
phát triển. Sự kết hợp này nhằm mục tiêu nâng cao tính an toàn của hệ mật mã dựa
trên các ưu 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 trưng
về thể chất hay về hành vi con người 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 được 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 hướng tiếp cận mới về an ninh
thông tin và mạng, an toàn dữ liệu. Phương pháp này mở ra triển vọng lớn về an toàn
trong các giao dịch điển tử, chính phủ điển tử, thương mại điện tử… [1]Các lĩnh vực nghiên cứu về hệ thống an ninh sinh trắc học (Biometric Security
Systems).
12

– Các các nghiên cứu cơ bản về các loại sinh trắc học, về phương pháp trích chọn

đặc trưng sinh trắc và về nhận dạng, thẩm định xác thực chủ thể con người.
– 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 thường,
điểm yếu thường 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 được ứng
dụng giải quyết vấn đề đó. Hiện nay có hai hướng tiếp cận để kết hợp sinh trắc
học và mật mã học như sau: [1]– Dùng sinh trắc học quản lý khóa (biometric-based key release).
– Dùng sinh trắc học để tạo khóa (biometric-based key generation).
1.2. Phát hiện và nhận dạng khuôn mặt
Vấn đề nhận dạng mặt người có thể trình bày một cách tổng quan như sau: Cho
một ảnh tĩnh hay một đoạn video, hãy phát hiện và nhận ra những người trong ảnh hay
trong đoạn video đó dựa trên một tập cho trước các dữ liệu về các mặt người đã biết.
Giải pháp cho vấn đề này bao gồm bốn vấn đề: phát hiện các mặt người từ ảnh (video),
trích chọn đặc trưng từ vùng ảnh, nhận dạng ảnh và xác minh. Với quá trình nhận
dạng, đầu vào là một ảnh chưa biết, sau quá trình nhận dạng, hệ thống đưa ra định
danh về người trong ảnh và trong quá trình xác minh, hệ thống phải được xác định
rằng việc nhận dạng đấy là chính xác hay không. Về mặt tổng quát, mỗi phương pháp
nhận dạng mặt người đều có thể được chia thành 2 module: Module phát hiện mặt
người trong ảnh và module nhận dạng mặt người.
Được khởi đầu vào những năm 70, nhận dạng mặt người là một trong những ứng
dụng của phân tích và xử lý ảnh đạt được nhiều thành tựu nhất. Trong thời gian gần
đây, do sự phát triển như vũ bão của khoa học máy tính và yêu cầu thực tiễn trong các
lĩnh vực kinh tế, luật pháp…, vấn đề nhận dạng mặt người đang được đặc biệt chú ý.
Một loạt các hội thảo được tổ chức bàn về vấn đề này như AFGR, AVBPA và những
đánh giá mang tính hệ thống về các kỹ thuật nhận dạng mặt người (Face Recognition
Techniques – FRT), bao gồm phương pháp FERET và XM2VTS.
Nhu cầu cấp thiết về các hệ thống thân thiện với người sử dụng đã đảm bảo cho
các nghiên cứu về sau không bị lãng phí trong hàng loạt những nghiên cứu đã được
thực thi trước 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 phương pháp khác để truy cập vào
Internet. Hiện đã có hàng loạt các phương pháp nhận dạng có độ tin cậy cao dựa vào
các kỹ thuật nhân trắc học; chẳng hạn như, kỹ thuật phát hiện vân tay hay kỹ thuật
quét nhận dạng võng mạc. Tuy nhiên, những hệ thống này có chung nhược điểm là
phức tạp và yêu cầu cần có sự phối hợp của nhiều người cùng xử lý. Bên cạnh đó, một
hệ thống nhận dạng dựa trên kỹ thuật phân tích ảnh mặt nhìn thẳng của một người sẽ
đơn giản hơn nhiều, không đòi hỏi có nhiều người cùng xử lý và cũng không đòi hỏi các
kiến thức chuyên môn sâu. Chính vì thế, hệ thống nhận dạng người dựa trên kỹ thuật
phân tích ảnh mặt đang ngày càng được ứng dụng rộng rãi. Các ứng dụng của nhận dạng
người dựa trên mặt được thể hiện trong Bảng 1.2.
Lĩnh vực

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

Nhân trắc học

Immigration, National ID, Passports, Voter Registration
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
SmartCards
Access Control

Portal Control, Post-Event Analysis
Shoftlifting and Suspect Tracking and Investigation
Stored Value Security, User Authentification
Facility Access, Vehicular Access

Bảng 1.2. Các ứng dụng tiêu biểu của nhận dạng mặt người.
Một hệ thống nhận dạng mặt người điển hình bao gồm các thành phần chính như
Hình 1.4.

Xem thêm Khắc phục lỗi không tải được ứng dụng trên CH Play - https://bem2.vn

Ảnh
mặt
người

Trích
chọn đặc
trưng

Nhận
dạng mặt
người

Hình 1.4. Mô hình hệ thống nhận dạng mặt người.

Thông tin
người được
nhận dạng

Nhận dạng mặt người (Face recognition) được nghiên cứu từ những năm 1980, là
một lĩnh vực nghiên cứu của ngành thị giác máy tính (Computer Vision) và cũng được
xem là một lĩnh vực nghiên cứu của ngành sinh trắc học (Biometrics) tương tự như
nhận dạng vân tay (Fingerprint recognition), hay nhận dạng mống mắt (Iris
recognition)… Trong khi nhận dạng vân tay và mống mắt có thể áp dụng trên thực tế
một cách rộng rãi thì nhận dạng mặt người 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
tương tác có kiểm soát hơn. Bài toán nhận dạng mặt người còn nhiều thách thức nên
hàng năm trong và ngoài nước vẫn có nhiều nghiên cứu về các phương pháp nhận
dạng mặt người.
Nhận dạng khuôn mặt là một nhiệm vụ dễ dàng đối với con người. Thí nghiệm
trong [9] đã chỉ ra, ngay cả trẻ sơ sinh 1-3 ngày tuổi có thể phân biệt khuôn
mặt. Nhưng làm thế nào với một máy tính? Cho đến nay chúng ta biết rất ít về nhận
dạng con người. Có phải đặc điểm bên trong (mắt, mũi, miệng) hoặc các đặc điểm bên
ngoài (hình dạng đầu, chân tóc) được sử dụng cho một nhận dạng khuôn mặt. Bộ não
con người phân tích một hình ảnh và mã hóa như thế nào? Theo nghiên cứu được 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 như đường, cạnh, góc độ hoặc chuyển
động. Vì chúng ta không nhìn thấy thế giới như 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, đưa
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 người có những khó khăn nhất định như:

– Hướng (pose) của khuôn mặt đối với máy ảnh, như: nhìn thẳng, nhìn nghiêng hay
nhìn từ trên xuống. Cùng trong một ảnh có thể có nhiều khuôn mặt ở những tư
thế khác nhau.
– Sự có mặt của các chi tiết không phải là đặc trưng riêng của khuôn mặt người,
như: râu quai nón, mắt kính…

– Các nét mặt (facial expression) khác nhau trên khuôn mặt, như: vui, buồn, ngạc
nhiên…
– Mặt người bị che khuất bởi các đối tượng 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 trưng và thông số của khuôn mặt, ví dụ như khuôn mặt
của cùng một người sẽ rất khác khi người đó cười, tức giận hay sợ hãi…
1.4. Các ứng dụng của bài toán nhận dạng khuôn mặt
Xác định mặt người thường là một phần của một hệ thống (facial recognition
system) [4]. Nó thường được dùng trong giám sát video, giao tiếp người – máy và quản
lý cơ sở dữ liệu ảnh…
 Các ứng cơ bản của xác định mặt người có thể kể đến là:
– Xác minh tội phạm: Dựa vào ảnh của một người, nhận dạng xem người đấy có
phải là tội phạm hay không bằng cách so sách với các ảnh tội phạm đang được
lưu 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 người tốt hơn.
– Camera chống trộm: Các hệ thống camera sẽ xác định đâu là con người và
theo dõi xem con người đó có làm gì phạm pháp không, ví dụ như 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 người của laptop, công nghệ này cho phép chủ nhân của máy
tính chỉ cần ngồi trước máy là có thể đăng nhập được. Để sử dụng công nghệ

này, người 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.
– Lưu trữ khuôn mặt: Xác định mặt người có thể được ứng dụng trong các trạm
rút tiền tự động (ATM) để lưu trữ khuôn mặt của người rút tiền. Hiện nay có
những người bị người khác lấy trộm thẻ ATM và mã PIN và bị rút tiền trộm
hoặc có những chủ tài khoản đi rút tiền nhưng lại báo với ngân hàng là bị mất

thẻ và bị rút tiền trộm. Nếu lưu trữ được khuôn mặt của người 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 được 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 người nhập cảnh và kiểm tra xem
người đó có phải là tội phạm hay phần tử khủng bố không.
– Tìm kiếm và tổ chức dữ liệu liên quan đến con người thông qua khuôn mặt
người trên nhiều hệ cơ sở dữ liệu lưu trữ thật lớn, như 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 người lái xe có ngủ gật, mất tập trung hay không và hỗ trợ
thông báo khi cần thiết.
– Tương lai sẽ phát triển các loại thẻ thông minh có tích hợp sẵn đặc trưng của
người dùng trên đó, khi bất cứ người dùng khác dùng để truy cập hay xử lý tại
các hệ thống sẽ được yêu cầu kiểm tra các đặc trưng khuôn mặt so với thẻ để
biết người này có phải là chủ thẻ hay không.
– Hãng máy chụp hình Canon đã ứng dụng bài toán xác định khuôn mặt người

vào máy chụp hình thế hệ mới để cho kết quả hình ảnh đẹp hơn, nhất là khuôn
mặt người.
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 hướng
công nghiệp hóa, hiện đại hóa: máy móc đang và sẽ tiếp tục thay thế con người trong
những công việc nặng nhọc và mang tính lặp đi lặp lại. Máy móc có những ưu điểm
không thể phủ nhận như không biết mệt mỏi, sẵn sàng phục vụ liên tục, không mang
tính chủ quan, khả năng xử lý nhanh, lưu trữ lớn…

Đối với bài toán điểm danh, chấm công với mục tiêu 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 giời hay không, “A” có làm đủ số giờ quy định
hay không. Để giải quyết bài toán này thường các công ty, doanh nghiệp các nhà quản
lý sẽ sử dụng một nhóm người có chức năng chấm công và quản lý hoặc sử dụng một
hệ thống sinh trắc học. Đối với việc sử dụng con người có rất nhiều nhược điểm như:
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 được
quá nhiều người, đặc biệt với những người 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 được
thông tin về sự có mặt và thời gian làm việc của người lao động một cách chính xác và
khách quan với chi phí thấp. Việc áp dụng nhận dạng khuôn mặt có thể được sử dụng
một cách độc lập với ưu điểm hơn các phương pháp sinh trắc học khác ở tính tự nhiên
của nó, đồng thời đây cũng có thể là một phương pháp được sử dụng kết hợp với các
phương 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 phương pháp nhận
dạng khuôn mặt làm cơ sở để xây dựng hệ thống. Với đầu vào là ảnh của người cần
được điểm danh hệ thống sẽ nhận diện hình ảnh và đoán nhận chính xác tên của người
có trong ảnh, từ đó là cơ sở để điểm danh.
Như vậy, đầu vào của bài toán là ảnh thu được từ camera đặt ở vị trí quan sát. Vị trí
này thường là trước cửa của cơ quan, doanh nghiệp, đây thường là nối vào duy nhất
của đơn vị cần được điểm danh. Trong trường hợp có nhiều cửa vào cho một đơn vị
cần được 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 trường hợp người 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 người) thì hệ thống cần thiết đặt
hai camera trên một cổng, một camera hướng ra để điểm danh người lao động khi vào
và một camera hướng vào trong để điểm danh người lao động khi ra khỏi khu vực làm
18

việc. Hiệu thời gian của lần ra và lần vào sẽ là thời gian người cần được điểm danh có
mặt tại khu vực làm việc.
Để đảm bảo hệ thống làm việc hiệu quả, chính xác cần xây dựng các tiêu 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 khuân mặt hiện này:
–

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

–

Phông nền của ảnh không quá phức tạp.

–

Ảnh được chụp trong điều kiện ánh sáng bình thường.

–

Người được 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 người qua khu vực điểm danh (sử dụng ảnh 2D
chụp người để điểm danh hộ, hoặc gây nhầm lẫn trong hệ thống)

1.5.3. Đầu ra và ý nghĩa thực tiễn
Bài toán điểm danh với đầu vào là ảnh thu được từ camera, dựa trên công nghệ
sinh trắc học nhận diện qua khuôn mặt sẽ trả lại kết quả là một danh sách tên người lao
động, trong đó mỗi một đối tượng người lao động tồn tại hai trạng thái là được điểm
danh và không được điểm danh. Để xác định một đối tượng cần được điểm danh ở
trạng thái nào, hệ thống dựa trên một tập các ảnh được lưu trong cơ sở dữ liệu, trong
quá trình nhận dạng đối tượng đi qua và nhìn về phía camera. Hệ thống nhận diện
khuôn mặt thu được từ camera và xác định xem đối tượng có nằm trong danh sách
điểm danh hay không, nếu có đối tượng tương ứng được xác định trạng thái là có mặt.
Ngược lại nếu đối tượng cần điểm danh không xuất hiện trong thời gian điểm danh thì
trạng thái của đối tượng tại phiên làm việc đó được xác định trạng thái là “vắng”.
Như vậy, đầu ra tổng quát của bài toán là xác định hình ảnh người trong ảnh vào
có tương ứng với một định danh ảnh đã có trong cơ sở dữ liệu hay không. Nếu có định
dang tương ứng là gì. Dựa trên một định danh được cung cấp bởi hệ thống nhận dạng
ta xây dựng chương trình điểm danh với hai trạng thái cơ bản là “vắng” và “có mặt”.

Nếu trong phiên làm việc định danh được hệ thống xác nhận thì trạng thái được xác
định là có mặt và ngược lại. Trong trường hợp cần xác định thời gian làm việc của đối
tượng đang theo dõi ta cần xác định thêm tham số thời gian khi đối tượng được hệ
thống định danh theo chiều vào và thời gian khi đối tượng được hệ thống định danh
theo chiều ra.

CHƯƠNG 2: MỘT SỐ KỸ THUẬT PHÁT HIỆN VÀ NHẬN DẠNG KHUÔN MẶT
2.1. Một số kỹ thuật phát hiện mặt người trong ảnh
Vấn đề phát hiện mặt được đưa ra đầu tiên vào những năm 70 với việc sử dụng
các kỹ thuật nhân trắc học và các phép heuristic giản đơn. Với những kỹ thuật này, ta
chỉ có thể đạt được kết quả trong những điều kiện khá chặt, ví dụ như nền ảnh đồng
nhất, khuôn mặt chụp thẳng… Cho đến ngày nay, cùng với sự phát triển vượt bậc của
khoa học kỹ thuật, việc yêu cầu những giới hạn như thế là không còn. Tuy nhiên, cùng
với những yêu cầu ngày càng cao, thì vấn đề phát hiện mặt người đang phải đối mặt
với những khó khăn mới. Trong suốt quá trình từ những năm đầu tới nay, đã có rất
nhiều các hướng xử lý và tiếp cận khác nhau được đưa 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 phương pháp, hướng tiếp cận này. Trong luận văn này, chúng ta sẽ
chia các phương pháp và hướng tiếp cận thành hai hướng chính: Hướng tiếp cận dựa
trên đặc trưng (Feature – based) và hướng tiếp cận dựa trên ảnh (Image – based).
Các phương pháp kỹ thuật được áp dụng trong phát hiện mặt được thể hiện trong
Hình 2.1.

Phát hiện mặt
(Face Detection)

Tiếp cận dựa trên
đặc trưng

Phân tích mức
thấp

Tiếp cận dựa trên
ảnh

Phân tích đặc
trưng

Mô hình hình
dạng động

Phương pháp
không gian con
tuyến tính

Biên ảnh

Tìm kiếm đặc
trưng

Snakes

Mạng noron

Đa mức xám

Phân tích chòm
sao

Mẫu biến đổi

Phương pháp
thống kê

Mô hình phân
phối điểm

Màu sắc

Chuyển động

Tiêu chuẩn suy
rộng

Hình 2.1. Sơ đồ các hướng tiếp cận và phương pháp phát hiện mặt người
2.1.1. Hướng tiếp cận dựa trên đặc trưng của ảnh
Phương pháp tiếp cận dựa trên đặc trưng được chia thành 3 vấn đề. Giả sử cần
phải phát hiện một khuôn mặt trong một nền ảnh lộn xộn, phân tích cấp thấp (lowlevel analysis) thực hiện phân đoạn các đặc trưng của ảnh dựa trên những thuộc tính
điểm ảnh như độ xám hay màu sắc. Sự phân đoạn này còn mập mờ và chưa rõ ràng.
Trong phân tích đặc trưng (feature analysis), các đặc trưng của ảnh được tổ chức thành
các đặc trưng 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 trưng của ảnh đã được giảm
22

bớt, đồng thời vị trí khuôn mặt cùng với các đặc trưng khuôn mặt đã được xác định.
Tiếp theo là việc sử dụng các mô hình hình dạng (active shape models). Những mô
hình này bao gồm từ mô hình con rắn (snakes) (được đề xuất vào những năm 80) cho
tới mô hình điểm phân tán (Point Distributed Model – PDM) được đề xuất vào những
năm gần đây để trích chọn các đặc trưng phức tạp như mắt, môi…
2.1.1.1. Phân tích mức thấp (Low level analysis)
Người ta gọi là phân tích mức thấp vì việc phân tích ở đây là phân tích dựa trên
các đặc trưng rất cơ bản và mang tính trực quan, những đặc trưng đó bao gồm biên
ảnh, thông tin 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 được sử dụng trong các ứng dụng phát hiện mặt ngay từ những
ngày đầu tiên bởi Sakai và cộng sự. Theo đó, các đặc trưng khuôn mặt được xác định
dựa trên việc phân tích các đường 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 người có trong ảnh. Trong đó, một thành phần dò tìm đường
biên (line-follower) với các ràng buộc về độ cong được sử dụng để tránh các biên
nhiễu. Các đặc trưng về biên trong các biểu diễn mô tả của đầu người sau đấy được
phân tích đặc trưng sử dụng thông tin hình dạng và thông tin vị trí của mặt. Gần đây,
vấn đề trích chọn đặc trưng mặt sử dụng biên và phát hiện mặt sử dụng biên đã được
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 được sử
dụng trong việc phát hiện những ảnh mặt người đeo kính (Z.Ling và R.Mariani, 2000
và X. Jiang, M. Binkert, B. Achermann, H. Bunke, 2000).
Phát hiện biên là bước đầu tiên trong vấn đề biểu diễn biên. Cho tới nay, đã có rất
nhiều toán tử phát hiện biên được áp dụng. Các vấn đề về biên và phát hiện biên sẽ

Xem thêm: [Video] Cách tải lại ứng dụng đã xóa trên iPhone đơn giản, nhanh chóng – https://bem2.vn

được trình bày kỹ hơn trong chương sau.
Trong phương pháp phát hiện mặt áp dụng biên, các biên phải được 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 như là bên trái, bên phải, nhìn
23

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 1  5

width
2

Trong hệ thống của Govindaraju, khi tiến 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 Information)
Ngoài biên, thông tin đa mức xám trong ảnh cũng có thể được sử dụng như một
đặc trưng. Một số đặc trưng của khuôn mặt như lông mày, đồng tử hay môi thường tối
hơn những vùng mặt xung quanh. Thuộc tính này có thể được sử dụng để phân biệt
nhiều vùng mặt khác nhau. Một số giải thuật trích chọn đặc trưng gần đây thực hiện
tìm kiếm vùng cực tiểu địa phương mức xám trong một phân đoạn ảnh mặt. Trong
những giải thuật này, ảnh đầu vào được cải thiện bằng cách làm tăng độ tương phản
(contrast – stretching) và thực hiện các bước biến hình mức xám (gray – scale
morphological routine) để làm tăng độ tối của những phần nói trên, do đó làm cho việc
phát hiện được dễ dàng hơn. Sau đó những vùng tối này được trích chọn bằng phép lấy
ngưỡng dưới. Bên cạnh đó, Wong và cộng sự tiến 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 tin mức xám cho phép chúng ta biểu diễn một cách cơ bản các đặc trưng
của ảnh, còn thông tin về màu cho phép ta phân biệt hữu hiệu các đối tượng trong ảnh.
Bởi màu được biểu diễn trong không gian 3 chiều, nên 2 đối tượng có cùng mức xám
sẽ có những thể hiện khác nhau trong không gian màu. Người ta đã chứng minh được
rằng màu da của con người, dù ở lứa tuổi nào hay ở màu da nào, thì đều phân bố trên
một cụm xác định của hệ toạ độ màu.
Một trong những hệ toạ độ màu được sử dụng nhiều nhất là hệ toạ độ RGB. Theo
đó, mỗi màu được 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
24

việc biểu diễn da là bởi sự thay đổi về độ sáng, nên thông thường ta thường sử dụng hệ
toạ độ RGB chuẩn hoá, do đó ảnh hưởng của độ sáng được loại bỏ. Các thành phần
chuẩn hoá được tính bởi:
R
RGB
G
g
RGB
B
b
RGB
r

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 người chỉ chiếm một vùng nhỏ trên histogram. Bằng cách so sánh thông
tin màu của một điểm ảnh với các giá trị r và g của vùng màu mặt, ta có thể xác định

được xác suất thuộc vùng mặt của điểm ảnh đấy.
Bên cạnh mô hình RGB, người 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 ưu điểm vượt trội của nó trong việc phân biệt các vùng màu của
các đặc trưng khác nhau của khuôn mặt. Do đó, mô hình HSI được sử dụng trong việc
trích chọn các đặc trưng của khuôn mặt như 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, người 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
người Á Châu. Việc chuyển đổi này cũng làm triệt tiêu các phần nền không phải da và
do đó, giúp cho việc phát hiện các khuôn mặt nhỏ được dễ dàng hơn. Ngoài ra, một số
mô hình màu khác cũng được sử dụng trong việc phát hiện mặt, như HSV, YES, CrCb,
YUV, CIE-xyz, L*a*b, L*u*v*…
d. Chuyển động (Motion)
Nếu yêu cầu của việc phát hiện mặt người là trong môi trường ảnh video, thì hợp
lý nhất cho việc phát hiện mặt là sử dụng yếu tố chuyển động. Phương pháp đơn giản
nhất là sử dụng sự khác biệt giữa các frame. Mặc dù phương pháp này tỏ ra khá đơn
giản, nhưng nó vẫn có thể phát hiện được sự cử động của các đối tượng trên bất cứ nền
nào một cách có hiệu quả. Các bóng cử động có chứa phần mặt và cơ thể người có thể
25

Xem thêm 6 bước mở tài khoản ngân hàng Agribank online – Ngân Hàng Online

MỤC LỤCLỜI CAM ĐOAN ………………………………………………………………………………………….. 1L ỜI CẢM ƠN ………………………………………………………………………………………………. 2DANH MỤC CÁC HÌNH VẼ ………………………………………………………………………….. 5L ỜI MỞ ĐẦU ………………………………………………………………………………………………. 6CH ƯƠNG 1 : SINH TRẮC HỌC VÀ BÀI TOÁN NHẬN DẠNG KHUÔN MẶTỨNG DỤNG TRONG ĐIỂM DANH ……………………………………………………………….. 71.1. Tổng quan về sinh trắc học ……………………………………………………………………. 71.1.1. Hệ thống sinh trắc học ……………………………………………………………………. 91.1.1. 1. Hệ thẩm định và đánh giá ( Verification ) ……………………………………………………. 101.1.1.2. Nhận dạng ( Identification, Recognition ) …………………………………… 101.1.1.3. Các thành phần chức năng hầu hết ………………………………………….. 101.1.1.4. Hoạt động của mạng lưới hệ thống …………………………………………………………. 111.1.2. Đánh giá hiệu năng và chất lượng hoạt động giải trí của hệ sinh trắc học ……….. 111.1.3. Hệ thống bảo mật an ninh bảo mật thông tin dựa trên sinh trắc học ………………………………. 121.2. Phát hiện và nhận dạng khuôn mặt ……………………………………………………….. 131.3. Những khó khăn vất vả và thử thách trong bài toán nhận dạng khuôn mặt …………… 151.4. Các ứng dụng của bài toán nhận dạng khuôn mặt …………………………………….. 161.5. Bài toán điểm danh dựa trên khuôn mặt …………………………………………………. 171.5.1. Bài toán điểm danh và quản trị nhân sự …………………………………………… 171.5.2. Đầu vào của bài toán ……………………………………………………………………. 181.5.3. Đầu ra và ý nghĩa thực tiễn ……………………………………………………………. 19CH ƯƠNG 2 : MỘT SỐ KỸ THUẬT PHÁT HIỆN VÀ NHẬN DẠNG KHUÔN MẶT212. 1. Một số kỹ thuật phát hiện mặt người trong ảnh ……………………………………….. 212.1.1. Hướng tiếp cận dựa trên đặc trưng của ảnh ……………………………………… 222.1.1.1. Phân tích mức thấp ( Low level analysis ) …………………………………… 232.1.1.2. Phân tích đặc trưng ( Feature Analysis ) …………………………………….. 282.1.1.3. Mô hình hình dạng động ( Active shape models ) ………………………… 332.1.2. Hướng tiếp cận dựa trên ảnh ( Image based detection ) ……………………….. 372.1.2.1. Phương pháp khoảng trống con tuyến tính ( Linear subspace methods ) 382.1.2.2. Mạng neural …………………………………………………………………………. 412.1.2.3. Phương pháp thống kê ( Statistical approachs ) ……………………………. 442.2. Một số kỹ thuật nhận dạng khuôn mặt …………………………………………………… 472.2.1. Phương pháp nghiên cứu và phân tích thành phần chính ( PCA ) ……………………………….. 492.2.2. Phương pháp phân tách tuyến tính ( LDA ) ………………………………………… 492.2.3. Phương pháp mạng neural …………………………………………………………….. 52CH ƯƠNG 3 : CÀI ĐẶT THỬ NGHIỆM ………………………………………………………. 543.1. Yêu cầu thực nghiệm, ứng dụng …………………………………………………………… 543.2. Phân tích lựa chọn giải pháp, công cụ …………………………………………………… 553.3. Một số tác dụng thiết lập thực nghiệm ……………………………………………………… 563.3.1. Giao diện của chương trình ……………………………………………………………. 563.3.2. Một số tác dụng điểm danh dựa trên khuôn mặt ………………………………….. 61K ẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN …………………………………………………….. 65T ÀI LIỆU THAM KHẢO ………………………………………………………………………….. 66DANH MỤC CÁC HÌNH VẼHình 1.1. Các đặc trưng sinh trắc phổ cập …………………………………………………………. 8H ình 1.2. Mô hình mạng lưới hệ thống sinh trắc học ………………………………………………………….. 9H ình 1.3. Các giá trị ngưỡng của FAR và FRR …………………………………………………. 11H ình 1.4. Mô hình mạng lưới hệ thống nhận dạng mặt người …… Error ! Bookmark not defined. Hình 2.1. Sơ đồ các hướng tiếp cận và chiêu thức phát hiện mặt người ………. Error ! Bookmark not defined. Hình 2.2. Hệ thống tìm kiếm mặt của Maio và Maltoni Error ! Bookmark not defined. Hình 2.3. Một số khoảng trống riêng của CSDL ảnh ORL …………………………………….. 38H ình 2.4. Mô hình mạng neural của Rowley và cộng sựError ! Bookmarknotdefined. Hình 2.5. Hệ thống nhận dạng khuôn mặt ……………….. Error ! Bookmark not defined. Hình 2.6. Ví dụ minh họa LDA. ……………………………………………………………………… 47H ình 2.7. Ảnh sau khi đổi khác theo LDA ………………………………………………………… 49H ình 2.8. Mạng neural 2 lớp truyền thẳng ……………….. Error ! Bookmark not defined. Hình 3.1. Quy trình hoạt động giải trí của mạng lưới hệ thống điểm danh dựa trên khuôn mặt … Error ! Bookmark not deHình 3.2. Giao diện chính của chương trình …………….. Error ! Bookmark not defined. Hình 3.3. Hình ảnh từ camera và giải quyết và xử lý tương ứng …….. Error ! Bookmark not defined. Hình 3.4. Giao diện quản trị list điểm danh và điểm danhError ! Bookmark notdefined. Hình 3.5. Giao diện quản trị list ảnh ………………………………………………………. 60H ình 3.6. Cơ sở tài liệu ảnh ………………………………………………………………………….. 60H ình 3.7. Giao diện các lựa chọn trên thanh thực đơn ………………………………………… 61L ỜI MỞ ĐẦUCông nghệ Sinh trắc học ( Biometric ) là một công nghệ tiên tiến sử dụng những thuộc tínhvật lý hoặc các mẫu hành vi, các đặc thù sinh học đặc trưng như dấu vân tay, mẫumống mắt, giọng nói, khuôn mặt, dáng đi … để nhận diện con người. Công nghệ sinh trắc học được áp dụng phổ cập và truyền kiếp, trong đó phương phápsử dụng nhận dạng khuôn mặt là tự nhiên nhất. Phương pháp này được chính bản thâncon người sử dụng từ khi được sinh ra để phân biệt giữa người này và người khác. Ứng dụng năng lực phân biệt dựa trên các đặc thù khác nhau của khuôn mặt, bàitoán “ Phát hiện và nhận dạng khuôn mặt từ camera, ứng dụng trong điểm danh ” là bàitoán có năng lực ứng dụng cao với ngân sách thấp được áp dụng trong các cơ quan, doanh nghiệp. Với sự tương hỗ của camera, máy tính và ứng dụng điểm danh, nhà quản trị thu đượcthông tin về sự xuất hiện và thời hạn thao tác của người lao động một cách đúng chuẩn vàkhách quan với ngân sách thấp. Việc áp dụng nhận dạng khuôn mặt hoàn toàn có thể được sử dụngmột cách độc lập với ưu điểm hơn các giải pháp sinh trắc học khác ở tính tự nhiêncủa nó, đồng thời đây cũng hoàn toàn có thể là một chiêu thức được sử dụng phối hợp với cácphương pháp sinh trắc khác để nâng cao tính đúng mực của mạng lưới hệ thống khi quản lý và vận hành. Chính vì tầm quan trọng của phát hiện, nhận dạng khuôn mặt nói riêng và côngnghệ sinh trắc nói chung, tôi triển khai đề tài “ Phát hiện và nhận dạng khuôn mặt từcamera, ứng dụng trong điểm danh ” với tiềm năng tìm hiểu và khám phá các thuật toán phát hiện vànhận dạng khuôn mặt người từ đó kiến thiết xây dựng chương trình điểm danh dựa trên khuônmặt. Tôi kỳ vọng đề tài này sẽ đem lại 1 số ít kiến thức và kỹ năng hữu dụng cho những ai quantâm đến yếu tố về phát hiện và nhận dạng khôn mặt cũng như nghành sinh trắc học. Nội dung luận văn được chia làm 3 phần chính : Chương 1 trình diễn khái quát vềquản lý học viên và bài toán điểm danh, trong đó nêu rõ nguồn vào và đầu ra của bài toáncũng như ứng dụng thực tiễn của bài toán. Chương 2 là những điều tra và nghiên cứu, tìm hiểu và khám phá vềcác thuật toán phát hiện và nhận dạng khuôn mặt. Chương 3 trình diễn thực nghiệm vàứng dụng của chương trình điểm danh dựa trên nhận dạng khuôn mặt. Phần cuối cùnglà Kết luận và hướng tăng trưởng tiếp theo của luận văn. CHƯƠNG 1 : SINH TRẮC HỌC VÀ BÀI TOÁN NHẬN DẠNG KHUÔNMẶT ỨNG DỤNG TRONG ĐIỂM DANH1. 1. Tổng quan về sinh trắc họcSinh trắc học hay công nghệ sinh trắc học ( thuật ngữ khoa học là Biometric ) làcông nghệ sử dụng những thuộc tính vật lý, đặc thù sinh học riêng của mỗi cá nhânnhư vân tay, mống mắt, khuôn mặt … để nhận diện. Thuật ngữ sinh trắc học ( Biometric ) được dùng ghép theo tiếng Hy Lạp từ 2 từ : Bio ( thuộc về thực thể sinh vậtsống ) và metriko ( kỹ thuật độ đo, giám sát ), thuật ngữ này đã được hình thành trongquá trình tăng trưởng loài người và được biết đến từ lâu để bộc lộ các đặc trưng về thểchất hay về hành vi của từng thành viên con người. Có nhiều loại đặc trưng sinh trắc học : vân tay ( Fingerprint ), lòng bàn tay ( Palm print ), dạng hình học bàn tay ( Handgeometry ), chữ ký viết tay ( Hand written Signature ), khuôn mặt ( Face ), lời nói ( Voice ), con ngươi mắt ( Iris ), võng mạc ( Retina ) … Những đặc trưng này đã được pháthiện từ rất sớm để nhận dạng, xác nhận chủ thể con người và lúc bấy giờ đang được quantâm nghiên cứu và điều tra tiến hành ứng dụng trong các nghành bảo mật an ninh, quốc phòng, thươngmại, công nghiệp, dịch vụ … Các đặc trưng sinh trắc học của khung hình người được sửdụng phải bảo vệ các tiêu chuẩn sau đây : [ 1 ] – Tính thoáng rộng : là đặc thù cho biết thường thì mọi người đều có đặc trưng này, hoàn toàn có thể tạo ra năng lực sử dụng mạng lưới hệ thống bảo mật an ninh sinh trắc học cho 1 số ít lượngngười lớn. – Tính phân biệt : là đặc thù phân biệt đặc trưng sinh trắc học giữa hai người bấtkỳ phải khác nhau, bảo vệ sự duy nhất của chủ thể sinh trắc. – Tính không thay đổi : là đặc thù mà đặc trưng sinh trắc phải có tính không thay đổi trong mộtthời gian tương đối dài. – Tính dễ tích lũy : là đặc thù đặc trưng sinh trắc học phải thuận tiện thu nhận mẫukhi ĐK, kiểm tra xác nhận, nâng cao tính khả thi trong sử dụng. – Tính hiệu suất cao : là đặc thù mà việc xác nhận sinh trắc phải đúng chuẩn, nhanhchóng và tài nguyên cần sử dụng được gật đầu. – Tính đồng ý được : là đặc thù mà quy trình tích lũy mẫu sinh trắc phải đượcsự chấp thuận đồng ý của người dùng. – Chống trá hình : là đặc thù ưu việt của việc sử dụng đặc trưng sinh trắc, khảnăng mẫu sinh trắc khó bị trá hình cao … Hình 1.1. Các đặc trưng sinh trắc phổ biếnĐã có rất nhiều đặc trưng sinh học khác nhau đã và đang được sử dụng. Mỗi loạiđặc trưng sinh trắc có điểm mạnh và điểm yếu riêng. Tuy nhiên không một đặc trưngnào thỏa mãn nhu cầu tốt và rất đầy đủ tổng thể các nhu yếu đặc thù của một đặc trưng sinh trắc họcnêu trên, nghĩa là không có một đặc trưng sinh trắc học trọn vẹn tối ưu. Trong mộtcông trình điều tra và nghiên cứu, các chuyên viên đã đưa ra một bảng so sánh khái quát các tiêuchuẩn nhìn nhận các đặc thù tương ứng các đặc trưng sinh trắc học sau đây : [ 1 ] TínhTínhrộngphânổnrãibiệtđịnhVân tayDáng điKhuôn mặtVõng mạcMống mắtĐặc trưng sinhtrắc họcVân bàn tayTính dễthu thậpTínhTínhTínhhiệuquảchấpChốngnhậngiả mạođượcDạng hình họcbàn tayChỉ tayGiọng nóiBảng 1.1 : So sánh các công nghệ tiên tiến nhận dạng sinh trắc họcTrong đó : Các ký hiệu có ý nghĩa như sau : H ( cao ), M ( trung bình ) và L ( thấp ). 1.1.1. Hệ thống sinh trắc họcHình 1.2 : Mô hình mạng lưới hệ thống sinh trắc học [ 2 ] Một mạng lưới hệ thống sinh trắc học ( Biometric System ) thực ra là một hệ nhận dạngdựa trên các đặc thù về hành vi hay thuộc tính vật lý của người cần nhận dạng. Hệthống sinh trắc học được phân ra thành hai loại chính : hệ đánh giá và thẩm định ( Verification ) vàhệ nhận dạng ( Identification, Recognition ) [ 1 ] 1.1.1. 1. Hệ đánh giá và thẩm định ( Verification ) Hệ thẩm định và đánh giá ( Verification ) là mạng lưới hệ thống triển khai trách nhiệm đối sánh tương quan 1-1 giữamẫu sinh trắc học thu nhận được ( biometric sample ) với mẫu dạng sinh trắc học ( biometric template ) đã có trong mạng lưới hệ thống từ trước. Kết quả vấn đáp thắc mắc mẫu sinhtrắc thu nhận có tương quan tới mẫu dạng sinh trắc hay không ? Thông thường trong hệthẩm định có phối hợp với thông tin định danh chủ thể để thực thi chức năng xác thựcthẩm định sinh trắc ( Authentication ). Trong hệ xác nhận đánh giá và thẩm định yên cầu cao về độchính xác để hiệu quả vấn đáp thắc mắc “ Sinh trắc học sống thu nhận được ( biometricsample ) có phải là sinh trắc của chủ thể đã lưu trong mạng lưới hệ thống không ? ” [ 1 ] 1.1.1. 2. Nhận dạng ( Identification, Recognition ) Hệ nhận dạng ( Identification, Recognition ) là mạng lưới hệ thống thực thi chức năng tìmkiếm ( 1 – n ) từ một cơ sở tài liệu tàng trữ một tập các mẫu sinh trắc học để tìm ra mộtmẫu sinh trắc đơn cử trong các mẫu khuôn dạng sinh trắc tích lũy từ trước và sau đóthực hiện đối sánh tương quan xê dịch để nhận dạng phân lớp ( Classification ) hoặc nhận dạng đồngnhất ( Identification ), ví dụ như 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 đa phần – Thu nhận ( Sensor, Capture ) : là thành phần có chức năng thu nhận mẫu sinh trắchọc và trình diễn chúng dưới dạng số hóa. – Xử lý và trích chọn đặc trưng ( Feature Extraction ) : là thành phần chức năng thựchiện các phép giải quyết và xử lý nghiên cứu và phân tích và trích chọn các đặc trưng từ mẫu sinh trắc học. – Đối sánh ( Matching ) : là thành phần chức năng thực thi so sánh các đặc trưngvừa trích chọn với khuôn mẫu sinh trắc đã có trước. – Ra quyết định hành động ( Decision ) : là thành phần chức năng chứng minh và khẳng định danh tính ngườidùng ( với hệ nhận dạng ) dựa trên tác dụng đối sánh tương quan của chức năng đối sánh tương quan có thểlà một câu vấn đáp đúng hoặc một câu vấn đáp sai về mẫu sinh trắc học so với khuônmẫu sinh trắc có từ trước ( với hệ thẩm định và đánh giá ). [ 1 ] 101.1.1.4. Hoạt động của hệ thốngHoạt động của một mạng lưới hệ thống sinh trắc gồm có 2 tiến trình cơ bản sau đây : – Đăng ký ( Enrollment ) : là tiến trình ĐK mẫu sinh trắc vào mạng lưới hệ thống. – Thẩm định hoặc nhận dạng ( Verification / Identification ) : là quá trình đánh giá và thẩm định, nhận dạng mẫu sinh trắc vừa trích chọn với khuôn mẫu sinh trắc đã có trước. 1.1.2. Đánh giá hiệu năng và chất lượng hoạt động giải trí của hệ sinh trắc họcMột hệ sinh trắc học khi hoạt động giải trí thường gặp hai yếu tố về lỗi sau đây : – Lỗi phát sinh khi đối sánh tương quan mẫu sinh trắc của hai người khác nhau nhưng cho kếtquả là của cùng một người. Lỗi này được gọi là vô hiệu sai ( false reject hay falsematch ). – Lỗi phát sinh khi đối sánh tương quan hai mẫu sinh trắc của cùng một người nhưng cho kếtquả sai, vì cho rằng là của hai người khác nhau. Lỗi này được gọi là chấp nhậnsai ( false accept hay false nonmatch ). Để thống kê giám sát mức độ lỗi của mạng lưới hệ thống sinhtrắc, các độ giám sát thường dùng được định nghĩa như sau : – FMR ( False Match Rate ) : còn gọi là FAR ( False Accept Ratio ) – Tỷ số chấp nhậnsai : cho biết tỉ lệ vấn đáp là đúng so với tài liệu vào là sai. – FNMR ( False Nonmatch Rate ) : còn gọi là FRR ( False Rejection Ratio ). – Tỷ số phủ nhận sai : cho biết tỉ lệ vấn đáp là sai so với tài liệu vào là đúng. Một yếu tố là hai độ thống kê giám sát này có sự ràng buộc với nhau như sau : nếu FARcao thì FRR sẽ giảm tương đối và ngược lại. Mức độ đồng ý được của FAR vàFRR tùy thuộc vào từng hệ xác nhận sinh trắc đơn cử. Với hệ nhu yếu tính bảo mật thông tin cao, và đặt nặng yếu tố bảo đảm an toàn của xác nhận hơn sự tiện lợi của người dùng, thì FAR sẽnhỏ và FRR sẽ cao. Ngoài hai độ đo trên, người ta còn sử dụng độ đo FTC ( Failure ToCapture – thu nhận mẫu thất bại ) và FTE ( Failure to Enroll – gật đầu mẫu thất bại ) để nhìn nhận hiệu năng của hệ xác nhận sinh trắc học. [ 1 ] 11H ình 1.3 : Các giá trị ngưỡng của FAR và FRR [ 3 ] 1.1.3. Hệ thống bảo mật an ninh bảo mật thông tin dựa trên sinh trắc họcHệ thống sinh trắc học có những ưu điểm mà hệ bảo mật thông tin thường thì khôngcó, trong những cuộc nghiên cứu và điều tra mạng lưới hệ thống bảo mật an ninh, bảo mật thông tin dựa trên hệ sinh trắc học ( Biometric Security System ) đã được chăm sóc điều tra và nghiên cứu và đưa vào ứng dụng thựctiễn. Hướng nghiên kiến thiết xây dựng mạng lưới hệ thống trên cơ sở phối hợp mạng lưới hệ thống sinh trắc học với hệmật mã ( Biometric Cryptosystem ) đang là yếu tố thời sự được chăm sóc nghiên cứuphát triển. Sự tích hợp này nhằm mục đích tiềm năng nâng cao tính bảo đảm an toàn của hệ mật mã dựatrên các ưu điểm của mạng lưới hệ thống sinh trắc học. Hệ thống bảo mật an ninh, bảo mật thông tin sinh trắc học ( Biometric based Security System ) dựa trên sự nhận ra hoặc thẩm định và đánh giá các đặc trưngvề sức khỏe thể chất hay về hành vi con người để nhận dạng, xác nhận từng chủ thể. Cùng với sựphát triển nhanh gọn của CNTT và tiếp thị quảng cáo, mạng lưới hệ thống bảo mật an ninh dựa trên nhậndạng, đánh giá và thẩm định xác nhận sinh trắc học đã và đang được chăm sóc nghiên cứu và điều tra và cónhiều tiến hành ứng dụng trong những năm gần đây trên quốc tế. Đối với các giaodịch điện tử và truyền thông online, đây là một trong các hướng tiếp cận mới về an ninhthông tin và mạng, bảo đảm an toàn tài liệu. Phương pháp này mở ra triển vọng lớn về an toàntrong các thanh toán giao dịch điển tử, chính phủ nước nhà điển tử, thương mại điện tử … [ 1 ] Các nghành nghiên cứu và điều tra về mạng lưới hệ thống bảo mật an ninh sinh trắc học ( Biometric SecuritySystems ). 12 – Các các điều tra và nghiên cứu cơ bản về các loại sinh trắc học, về chiêu thức trích chọnđặc trưng sinh trắc và về nhận dạng, thẩm định và đánh giá xác nhận chủ thể con người. – Các hệ nhận dạng, đánh giá và thẩm định xác nhận sinh trắc học chủ thể trong mạng lưới hệ thống. – Mật mã sinh trắc học ( Biometric Cryptography ). Trong hệ mật mã thường thì, điểm yếu thường ở quy trình bảo vệ, quản trị và phân phối khóa. Nguy cơ này đedọa các tiềm năng về xác nhận và chống phủ nhận. Hệ sinh trắc học được ứngdụng xử lý yếu tố đó. Hiện nay có hai hướng tiếp cận để kết hợp sinh trắchọc và mật mã học như sau : [ 1 ] – Dùng sinh trắc học quản trị khóa ( biometric-based key release ). – Dùng sinh trắc học để tạo khóa ( biometric-based key generation ). 1.2. Phát hiện và nhận dạng khuôn mặtVấn đề nhận dạng mặt người hoàn toàn có thể trình diễn một cách tổng quan như sau : Chomột ảnh tĩnh hay một đoạn video, hãy phát hiện và nhận ra những người trong ảnh haytrong đoạn video đó dựa trên một tập cho trước các tài liệu về các mặt người đã biết. Giải pháp cho yếu tố này gồm có bốn yếu tố : phát hiện các mặt người từ ảnh ( video ), trích chọn đặc trưng từ vùng ảnh, nhận dạng ảnh và xác định. Với quy trình nhậndạng, nguồn vào là một ảnh chưa biết, sau quy trình nhận dạng, mạng lưới hệ thống đưa ra địnhdanh về người trong ảnh và trong quy trình xác định, mạng lưới hệ thống phải được xác địnhrằng việc nhận dạng đấy là đúng mực hay không. Về mặt tổng quát, mỗi phương phápnhận dạng mặt người đều hoàn toàn có thể được chia thành 2 module : Module phát hiện mặtngười trong ảnh và module nhận dạng mặt người. Được khởi đầu vào những năm 70, nhận dạng mặt người là một trong những ứngdụng của nghiên cứu và phân tích và giải quyết và xử lý ảnh đạt được nhiều thành tựu nhất. Trong thời hạn gầnđây, do sự tăng trưởng như vũ bão của khoa học máy tính và nhu yếu thực tiễn trong cáclĩnh vực kinh tế tài chính, lao lý …, yếu tố nhận dạng mặt người đang được đặc biệt quan trọng quan tâm. Một loạt các hội thảo chiến lược được tổ chức triển khai bàn về yếu tố này như AFGR, AVBPA và nhữngđánh giá mang tính mạng lưới hệ thống về các kỹ thuật nhận dạng mặt người ( Face RecognitionTechniques – FRT ), gồm có chiêu thức FERET và XM2VTS. Nhu cầu cấp thiết về các mạng lưới hệ thống thân thiện với người sử dụng đã bảo vệ chocác điều tra và nghiên cứu về sau không bị tiêu tốn lãng phí trong hàng loạt những điều tra và nghiên cứu đã đượcthực thi trước đó. Hiện nay, để rút tiền từ ATM ta phải nhập PIN, hay để truy vấn một13máy tính ta phải nhập mật khẩu hay hàng loạt giải pháp khác để truy vấn vàoInternet. Hiện đã có hàng loạt các chiêu thức nhận dạng có độ an toàn và đáng tin cậy cao dựa vàocác kỹ thuật nhân trắc học ; ví dụ điển hình như, kỹ thuật phát hiện vân tay hay kỹ thuậtquét nhận dạng võng mạc. Tuy nhiên, những mạng lưới hệ thống này có chung điểm yếu kém làphức tạp và nhu yếu cần có sự phối hợp của nhiều người cùng giải quyết và xử lý. Bên cạnh đó, mộthệ thống nhận dạng dựa trên kỹ thuật nghiên cứu và phân tích ảnh mặt nhìn thẳng của một người sẽđơn giản hơn nhiều, không yên cầu có nhiều người cùng giải quyết và xử lý và cũng không yên cầu cáckiến thức trình độ sâu. Chính cho nên vì thế, mạng lưới hệ thống nhận dạng người dựa trên kỹ thuậtphân tích ảnh mặt đang ngày càng được ứng dụng thoáng rộng. Các ứng dụng của nhận dạngngười dựa trên mặt được bộc lộ trong Bảng 1.2. Lĩnh vựcCác ứng dụng đặc trưngDriver’s licences, Entitlement ProgramsNhân trắc họcImmigration, National ID, Passports, Voter RegistrationWelfareDesktop Logon ( Windows 95, Windows NT ) Application Security, Database Security, File EncryptionAn toàn thông tinIntranet Security, Internet Access, Medical RecordsSecure Trading TerminalsAdvanced Video Surveillance, CCTV ControlLaw Enforcementand SurveillanceSmartCardsAccess ControlPortal Control, Post-Event AnalysisShoftlifting and Suspect Tracking and InvestigationStored Value Security, User AuthentificationFacility Access, Vehicular AccessBảng 1.2. Các ứng dụng tiêu biểu vượt trội của nhận dạng mặt người. Một mạng lưới hệ thống nhận dạng mặt người điển hình bao gồm các thành phần chính nhưHình 1.4. ẢnhmặtngườiTríchchọn đặctrưngNhậndạng mặtngườiHình 1.4. Mô hình mạng lưới hệ thống nhận dạng mặt người. 14T hông tinngười đượcnhận dạngNhận dạng mặt người ( Face recognition ) được nghiên cứu và điều tra từ những năm 1980, làmột nghành nghề dịch vụ điều tra và nghiên cứu của ngành thị giác máy tính ( Computer Vision ) và cũng đượcxem là một nghành nghề dịch vụ điều tra và nghiên cứu của ngành sinh trắc học ( Biometrics ) tương tự như nhưnhận dạng vân tay ( Fingerprint recognition ), hay nhận dạng mống mắt ( Irisrecognition ) … Trong khi nhận dạng vân tay và mống mắt hoàn toàn có thể áp dụng trên thực tếmột cách thoáng đãng thì nhận dạng mặt người vẫn còn nhiều thử thách. So với nhận dạngvân tay và mống mắt, nhận dạng mặt có nguồn tài liệu nhiều mẫu mã hơn và ít yên cầu sựtương tác có trấn áp hơn. Bài toán nhận dạng mặt người còn nhiều thử thách nênhàng năm trong và ngoài nước vẫn có nhiều điều tra và nghiên cứu về các chiêu thức nhậndạng mặt người. Nhận dạng khuôn mặt là một trách nhiệm thuận tiện so với con người. Thí nghiệmtrong [ 9 ] đã chỉ ra, ngay cả trẻ sơ sinh 1-3 ngày tuổi hoàn toàn có thể phân biệt khuônmặt. Nhưng làm thế nào với một máy tính ? Cho đến nay tất cả chúng ta biết rất ít về nhậndạng con người. Có phải đặc thù bên trong ( mắt, mũi, miệng ) hoặc các đặc thù bênngoài ( hình dạng đầu, chân tóc ) được sử dụng cho một nhận dạng khuôn mặt. Bộ nãocon người nghiên cứu và phân tích một hình ảnh và mã hóa như thế nào ? Theo điều tra và nghiên cứu được bởiDavid Hubel và Torsten Wiesel, rằng não của tất cả chúng ta có tế bào thần kinh chuyên biệtphản ứng với từng thực trạng đơn cử, ví dụ điển hình như đường, cạnh, góc nhìn hoặc chuyểnđộng. Vì tất cả chúng ta không nhìn thấy quốc tế như những mảnh phân tán, vỏ não củachúng ta bằng cách nào đó phải phối hợp các nguồn thông tin khác nhau vào các mẫuhữu ích. Nhận diện khuôn mặt tách ra những đặc thù có ý nghĩa từ một hình ảnh, đưachúng vào một sự trình diễn có ích và triển khai 1 số ít phân loại. 1.3. Những khó khăn vất vả và thử thách trong bài toán nhận dạng khuôn mặtViệc xác định khuôn mặt người có những khó khăn vất vả nhất định như : – Hướng ( pose ) của khuôn mặt so với máy ảnh, như : nhìn thẳng, nhìn nghiêng haynhìn từ trên xuống. Cùng trong một ảnh hoàn toàn có thể có nhiều khuôn mặt ở những tưthế khác nhau. – Sự xuất hiện của các cụ thể không phải là đặc trưng riêng của khuôn mặt người, như : râu quai nón, mắt kính … 15 – Các nét mặt ( facial expression ) khác nhau trên khuôn mặt, như : vui, buồn, ngạcnhiên … – Mặt người bị che khuất bởi các đối tượng người dùng khác có trong ảnh. – Sự biểu cảm của khuôn mặt ( The expression of the face ) : sự biểu cảm hoàn toàn có thể làmthay đổi đáng kể các đặc trưng và thông số kỹ thuật của khuôn mặt, ví dụ như khuôn mặtcủa cùng một người sẽ rất khác khi người đó cười, tức giận hay sợ hãi … 1.4. Các ứng dụng của bài toán nhận dạng khuôn mặtXác định mặt người thường là một phần của một mạng lưới hệ thống ( facial recognitionsystem ) [ 4 ]. Nó thường được dùng trong giám sát video, tiếp xúc người – máy và quảnlý cơ sở tài liệu ảnh …  Các ứng cơ bản của xác định mặt người hoàn toàn có thể kể đến là : – Xác minh tội phạm : Dựa vào ảnh của một người, nhận dạng xem người đấy cóphải là tội phạm hay không bằng cách so sách với các ảnh tội phạm đang đượclưu trữ. Hoặc hoàn toàn có thể sử dụng camera để phát hiện tội phạm trong đám đông. Ứng dụng này giúp cơ quan bảo mật an ninh quản trị con người tốt hơn. – Camera chống trộm : Các mạng lưới hệ thống camera sẽ xác định đâu là con người vàtheo dõi xem con người đó có làm gì phạm pháp không, ví dụ như lấy trộm đồ, xâm nhập phạm pháp vào một khu vực nào đó. – Bảo mật : Các ứng dụng về bảo mật thông tin rất phong phú, một trong số đó là công nghệnhận dạng mặt người của máy tính, công nghệ tiên tiến này được cho phép gia chủ của máytính chỉ cần ngồi trước máy là hoàn toàn có thể đăng nhập được. Để sử dụng công nghệnày, người dùng phải sử dụng một webcam để chụp ảnh khuôn mặt của mìnhvà cho máy “ học ” thuộc các đặc thù của khuôn mặt giúp cho quy trình đăngnhập sau này. – Lưu trữ khuôn mặt : Xác định mặt người hoàn toàn có thể được ứng dụng trong các trạmrút tiền tự động hóa ( ATM ) để tàng trữ khuôn mặt của người rút tiền. Hiện nay cónhững người bị người khác lấy trộm thẻ ATM và mã PIN và bị rút tiền trộmhoặc có những chủ tài khoản đi rút tiền nhưng lại báo với ngân hàng nhà nước là bị mất16thẻ và bị rút tiền trộm. Nếu tàng trữ được khuôn mặt của người rút tiền, ngânhàng hoàn toàn có thể đối chứng và giải quyết và xử lý thuận tiện hơn.  Một số ứng dụng khác : – Điều khiển vào ra : Văn phòng, công ty, trụ sở, máy tính, Palm, … kết hợpthêm vân tay và mống mắt, cho phép nhân viên cấp dưới được ra vào nơi thiết yếu. – An ninh trường bay, xuất nhập cảnh ( lúc bấy giờ cơ quan xuất nhập cảnh Mỹ đangsử dụng ). Dùng camera quan sát để xác nhận người nhập cư và kiểm tra xemngười đó có phải là tội phạm hay thành phần khủng bố không. – Tìm kiếm và tổ chức triển khai tài liệu tương quan đến con người trải qua khuôn mặtngười trên nhiều hệ cơ sở tài liệu tàng trữ thật lớn, như internet, các hãngtruyền hình … Ví dụ : tìm các đoạn video có tổng thống Obama phát biểu, tìmcác phim có diễn viên Thành Long đóng … – Kiểm tra trạng thái người lái xe có ngủ gật, mất tập trung chuyên sâu hay không và hỗ trợthông báo khi thiết yếu. – Tương lai sẽ tăng trưởng các loại thẻ mưu trí có tích hợp sẵn đặc trưng củangười dùng trên đó, khi bất kỳ người dùng khác dùng để truy vấn hay giải quyết và xử lý tạicác mạng lưới hệ thống sẽ được nhu yếu kiểm tra các đặc trưng khuôn mặt so với thẻ đểbiết người này có phải là chủ thẻ hay không. – Hãng máy chụp hình Canon đã ứng dụng bài toán xác định khuôn mặt ngườivào máy chụp hình thế hệ mới để cho hiệu quả hình ảnh đẹp hơn, nhất là khuônmặt người. 1.5. Bài toán điểm danh dựa trên khuôn mặt1. 5.1. Bài toán điểm danh và quản trị nhân sựTrong thời đại thời nay, cùng với sự tăng trưởng của khoa học kỹ thuật và xu hướngcông nghiệp hóa, văn minh hóa : máy móc đang và sẽ liên tục sửa chữa thay thế con người trongnhững việc làm nặng nhọc và mang tính lặp đi lặp lại. Máy móc có những ưu điểmkhông thể phủ nhận như không biết stress, chuẩn bị sẵn sàng Giao hàng liên tục, không mangtính chủ quan, năng lực giải quyết và xử lý nhanh, tàng trữ lớn … 17 Đối với bài toán điểm danh, chấm công với tiềm năng đa phần là trấn áp nguồnnhân lực về thời hạn. Các nhà quản trị chăm sóc tới hai yếu tố chính là một lao độngtên là “ A ” xuất hiện hay không, có đúng giời hay không, “ A ” có làm đủ số giờ quy địnhhay không. Để xử lý bài toán này thường các công ty, doanh nghiệp các nhà quảnlý sẽ sử dụng một nhóm người có chức năng chấm công và quản trị hoặc sử dụng mộthệ thống sinh trắc học. Đối với việc sử dụng con người có rất nhiều điểm yếu kém như : ngân sách lớn, tính khách quan không cao, không hoạt động giải trí tốt liên tục trong nhiều giờliền, không hề sử dụng với khoanh vùng phạm vi lớn ( một cán bộ chấm công không hề nhớ đượcquá nhiều người, đặc biệt quan trọng với những người mới gặp vài lần ) … Vì thế các mạng lưới hệ thống sinhtrắc học tỏ ra khá hiệu suất cao và là lựa chọn số 1 trong bài toán này. Với sự tương hỗ của camera, máy tính và ứng dụng điểm danh, nhà quản trị thu đượcthông tin về sự xuất hiện và thời hạn thao tác của người lao động một cách đúng mực vàkhách quan với ngân sách thấp. Việc áp dụng nhận dạng khuôn mặt hoàn toàn có thể được sử dụngmột cách độc lập với ưu điểm hơn các giải pháp sinh trắc học khác ở tính tự nhiêncủa nó, đồng thời đây cũng hoàn toàn có thể là một chiêu thức được sử dụng phối hợp với cácphương pháp sinh trắc khác để nâng cao tính đúng chuẩn của mạng lưới hệ thống khi quản lý và vận hành. 1.5.2. Đầu vào của bài toánVới bài toán điểm danh, trong nội dung luận văn tôi lựa chọn giải pháp nhậndạng khuôn mặt làm cơ sở để thiết kế xây dựng mạng lưới hệ thống. Với nguồn vào là ảnh của người cầnđược điểm danh mạng lưới hệ thống sẽ nhận diện hình ảnh và đoán nhận đúng mực tên của ngườicó trong ảnh, từ đó là cơ sở để điểm danh. Như vậy, đầu vào của bài toán là ảnh thu được từ camera đặt ở vị trí quan sát. Vị trínày thường là trước cửa của cơ quan, doanh nghiệp, đây thường là nối vào duy nhấtcủa đơn vị chức năng cần được điểm danh. Trong trường hợp có nhiều cửa vào cho một đơn vịcần được điểm danh, mạng lưới hệ thống sẽ thiết đặt các camera tại các cổng vào. Kết quả điểmdanh sẽ là hiệu quả tổng hợp của các camera tại các vị trí khác nhau. Trong trường hợp người quản trị cần xác định rõ thời hạn thao tác của lao động ( cần xác định rõ thời hạn vào và thời hạn ra của một người ) thì mạng lưới hệ thống thiết yếu đặthai camera trên một cổng, một camera hướng ra để điểm danh người lao động khi vàovà một camera hướng vào trong để điểm danh người lao động khi ra khỏi khu vực làm18việc. Hiệu thời hạn của lần ra và lần vào sẽ là thời hạn người cần được điểm danh cómặt tại khu vực thao tác. Để bảo vệ mạng lưới hệ thống thao tác hiệu suất cao, đúng mực cần thiết kế xây dựng các tiêu chuẩn cơbản để mạng lưới hệ thống thao tác. Đây là thiết lập thiết yếu để nâng cao tính đúng mực và khảnăng thao tác của mạng lưới hệ thống. Các thiết đặt này xuất phát từ chính các khó khăn vất vả tồn tạitrong các thuật toán xác định và nhận diện khuân mặt hiện này : Các khuôn mặt được chụp thẳng hoặc góc nghiêng không đáng kể ( nhỏ hơnhoặc bằng 10 o ). Phông nền của ảnh không quá phức tạp. Ảnh được chụp trong điều kiện kèm theo ánh sáng thông thường. Người được điểm danh không có các đồ vật với độ bao trùm cao trên khuônmặt ( kính đen, khẩu trang, râu giả … ). Không mang vác ảnh xuất hiện người qua khu vực điểm danh ( sử dụng ảnh 2D chụp người để điểm danh hộ, hoặc gây nhầm lẫn trong mạng lưới hệ thống ) 1.5.3. Đầu ra và ý nghĩa thực tiễnBài toán điểm danh với nguồn vào là ảnh thu được từ camera, dựa trên công nghệsinh trắc học nhận diện qua khuôn mặt sẽ trả lại tác dụng là một list tên người laođộng, trong đó mỗi một đối tượng người tiêu dùng người lao động sống sót hai trạng thái là được điểmdanh và không được điểm danh. Để xác định một đối tượng người tiêu dùng cần được điểm danh ởtrạng thái nào, mạng lưới hệ thống dựa trên một tập các ảnh được lưu trong cơ sở tài liệu, trongquá trình nhận dạng đối tượng người tiêu dùng đi qua và nhìn về phía camera. Hệ thống nhận diệnkhuôn mặt thu được từ camera và xác định xem đối tượng người dùng có nằm trong danh sáchđiểm danh hay không, nếu có đối tượng người dùng tương ứng được xác định trạng thái là xuất hiện. trái lại nếu đối tượng người dùng cần điểm danh không Open trong thời hạn điểm danh thìtrạng thái của đối tượng người dùng tại phiên thao tác đó được xác định trạng thái là “ vắng ”. Như vậy, đầu ra tổng quát của bài toán là xác định hình ảnh người trong ảnh vàocó tương ứng với một định danh ảnh đã có trong cơ sở tài liệu hay không. Nếu có địnhdang tương ứng là gì. Dựa trên một định danh được cung ứng bởi mạng lưới hệ thống nhận dạngta thiết kế xây dựng chương trình điểm danh với hai trạng thái cơ bản là “ vắng ” và “ xuất hiện ”. 19N ếu trong phiên thao tác định danh được mạng lưới hệ thống xác nhận thì trạng thái được xácđịnh là xuất hiện và ngược lại. Trong trường hợp cần xác định thời hạn thao tác của đốitượng đang theo dõi ta cần xác định thêm tham số thời hạn khi đối tượng người dùng được hệthống định danh theo chiều vào và thời hạn khi đối tượng người tiêu dùng được mạng lưới hệ thống định danhtheo chiều ra. 20CH ƯƠNG 2 : MỘT SỐ KỸ THUẬT PHÁT HIỆN VÀ NHẬN DẠNG KHUÔN MẶT2. 1. Một số kỹ thuật phát hiện mặt người trong ảnhVấn đề phát hiện mặt được đưa ra tiên phong vào những năm 70 với việc sử dụngcác kỹ thuật nhân trắc học và các phép heuristic giản đơn. Với những kỹ thuật này, tachỉ hoàn toàn có thể đạt được hiệu quả trong những điều kiện kèm theo khá chặt, ví dụ như nền ảnh đồngnhất, khuôn mặt chụp thẳng … Cho đến ngày này, cùng với sự tăng trưởng vượt bậc củakhoa học kỹ thuật, việc nhu yếu những số lượng giới hạn như thế là không còn. Tuy nhiên, cùngvới những nhu yếu ngày càng cao, thì yếu tố phát hiện mặt người đang phải đối mặtvới những khó khăn vất vả mới. Trong suốt quy trình từ những năm đầu tới nay, đã có rấtnhiều các hướng giải quyết và xử lý và tiếp cận khác nhau được đưa ra nhằm mục đích xử lý cho nhữngyêu cầu đơn cử khác nhau của từng quy trình tiến độ, từng ứng dụng đơn cử và cũng có nhiềucách phân loại các giải pháp, hướng tiếp cận này. Trong luận văn này, tất cả chúng ta sẽchia các chiêu thức và hướng tiếp cận thành hai hướng chính : Hướng tiếp cận dựatrên đặc trưng ( Feature – based ) và hướng tiếp cận dựa trên ảnh ( Image – based ). Các giải pháp kỹ thuật được áp dụng trong phát hiện mặt được biểu lộ trongHình 2.1.21 Phát hiện mặt ( Face Detection ) Tiếp cận dựa trênđặc trưngPhân tích mứcthấpTiếp cận dựa trênảnhPhân tích đặctrưngMô hình hìnhdạng độngPhương phápkhông gian contuyến tínhBiên ảnhTìm kiếm đặctrưngSnakesMạng noronĐa mức xámPhân tích chòmsaoMẫu biến đổiPhương phápthống kêMô hình phânphối điểmMàu sắcChuyển độngTiêu chuẩn suyrộngHình 2.1. Sơ đồ các hướng tiếp cận và giải pháp phát hiện mặt người2. 1.1. Hướng tiếp cận dựa trên đặc trưng của ảnhPhương pháp tiếp cận dựa trên đặc trưng được chia thành 3 yếu tố. Giả sử cầnphải phát hiện một khuôn mặt trong một nền ảnh lộn xộn, nghiên cứu và phân tích cấp thấp ( lowlevel analysis ) triển khai phân đoạn các đặc trưng của ảnh dựa trên những thuộc tínhđiểm ảnh như độ xám hay sắc tố. Sự phân đoạn này còn mập mờ và chưa rõ ràng. Trong nghiên cứu và phân tích đặc trưng ( feature analysis ), các đặc trưng của ảnh được tổ chức triển khai thànhcác đặc trưng khuôn mặt có tính tổng quát hơn dựa trên các đặc tính hình học củakhuôn mặt. Sau quy trình tiến độ này, tính mập mờ của các đặc trưng của ảnh đã được giảm22bớt, đồng thời vị trí khuôn mặt cùng với các đặc trưng khuôn mặt đã được xác định. Tiếp theo là việc sử dụng các quy mô hình dạng ( active shape models ). Những môhình này gồm có từ quy mô con rắn ( snakes ) ( được yêu cầu vào những năm 80 ) chotới quy mô điểm phân tán ( Point Distributed Model – PDM ) được yêu cầu vào nhữngnăm gần đây để trích chọn các đặc trưng phức tạp như mắt, môi … 2.1.1. 1. Phân tích mức thấp ( Low level analysis ) Người ta gọi là nghiên cứu và phân tích mức thấp vì việc nghiên cứu và phân tích ở đây là nghiên cứu và phân tích dựa trêncác đặc trưng rất cơ bản và mang tính trực quan, những đặc trưng đó gồm có biênảnh, thông tin đa mức xám, sắc tố, hoạt 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 ứngdụng giải quyết và xử lý ảnh, biên đã được sử dụng trong các ứng dụng phát hiện mặt ngay từ nhữngngày tiên phong bởi Sakai và tập sự. Theo đó, các đặc trưng khuôn mặt được xác địnhdựa trên việc nghiên cứu và phân tích các đường kẻ của các khuôn mặt trên ảnh. Craw và tập sự sauđó đã tăng trưởng một giải thuật phân cấp dựa trên việc làm của Sakai và tập sự đểtìm các miêu tả các đầu người có trong ảnh. Trong đó, một thành phần dò tìm đườngbiên ( line-follower ) với các ràng buộc về độ cong được sử dụng để tránh các biênnhiễu. Các đặc trưng về biên trong các màn biểu diễn diễn đạt của đầu người sau đấy đượcphân tích đặc trưng sử dụng thông tin hình dạng và thông tin vị trí của mặt. Gần đây, yếu tố trích chọn đặc trưng mặt sử dụng biên và phát hiện mặt sử dụng biên đã đượcxây dựng bởi rất nhiều tác giả, trong đó có Brunelli và Poggio ( 1993 ), J.Choi, S.Kimvà P.R.Hee ( 1999 ), B.K.Low và M.K.Ibrahim ( 1997 ) … Ngoài ra, biên còn được sửdụng trong việc phát hiện những ảnh mặt người đeo kính ( Z.Ling và R.Mariani, 2000 và X. Jiang, M. Binkert, B. Achermann, H. Bunke, 2000 ). Phát hiện biên là bước tiên phong trong yếu tố màn biểu diễn biên. Cho tới nay, đã có rấtnhiều toán tử phát hiện biên được áp dụng. Các yếu tố về biên và phát hiện biên sẽđược trình diễn kỹ hơn trong chương sau. Trong chiêu thức phát hiện mặt áp dụng biên, các biên phải được gán nhãn vàphù hợp với một mẫu mặt nhằm mục đích bảo vệ sự phát hiện là đúng đắn. Govindaraju đãthực hiện việc làm này bằng cách gán nhãn các biên như là bên trái, bên phải, nhìn23thẳng hay là tóc và sau đó tương thích chúng với một mẫu bằng cách sử dụng tỷ suất vàngcủa một khuôn mặt nổi bật : height 1  5 widthTrong mạng lưới hệ thống của Govindaraju, khi thực thi kiểm thử 60 ảnh có nền phức tạpbao gồm 90 khuôn mặt, thì thấy năng lực mạng lưới hệ thống hoàn toàn có thể phát hiện đúng mực là 76 % với mức độ trung bình sai 2 mặt / 1 ảnh. b. tin tức đa mức xám ( Grayscale Information ) Ngoài biên, thông tin đa mức xám trong ảnh cũng hoàn toàn có thể được sử dụng như mộtđặc trưng. Một số đặc trưng của khuôn mặt như lông mày, đồng tử hay môi thường tốihơn những vùng mặt xung quanh. Thuộc tính này hoàn toàn có thể được sử dụng để phân biệtnhiều vùng mặt khác nhau. Một số giải thuật trích chọn đặc trưng gần đây thực hiệntìm kiếm vùng cực tiểu địa phương mức xám trong một phân đoạn ảnh mặt. Trongnhững giải thuật này, ảnh nguồn vào được cải tổ bằng cách làm tăng độ tương phản ( contrast – stretching ) và thực thi các bước biến hình mức xám ( gray – scalemorphological routine ) để làm tăng độ tối của những phần nói trên, do đó làm cho việcphát hiện được thuận tiện hơn. Sau đó những vùng tối này được trích chọn bằng phép lấyngưỡng dưới. Bên cạnh đó, Wong và tập sự triển khai thiết kế xây dựng một mạng lưới hệ thống tựđộng tìm kiếm các vùng tối thuộc mặt trải qua sự nghiên cứu và phân tích về sắc tố. Hệ thống sửdụng một mẫu mắt gán trọng số để xác định các vị trí hoàn toàn có thể của cặp mắt. c. Màu sắc ( Color ) tin tức mức xám được cho phép tất cả chúng ta trình diễn một cách cơ bản các đặc trưngcủa ảnh, còn thông tin về màu được cho phép ta phân biệt hữu hiệu các đối tượng người tiêu dùng trong ảnh. Bởi màu được trình diễn trong khoảng trống 3 chiều, nên 2 đối tượng người dùng có cùng mức xámsẽ có những bộc lộ khác nhau trong khoảng trống màu. Người ta đã chứng tỏ đượcrằng màu da của con người, dù ở lứa tuổi nào hay ở màu da nào, thì đều phân bổ trênmột cụm xác định của hệ toạ độ màu. Một trong những hệ toạ độ màu được sử dụng nhiều nhất là hệ toạ độ RGB. Theođó, mỗi màu được màn biểu diễn bởi sự tích hợp của các giá trị của 3 thành phần màu : đỏ ( Red – R ), xanh ( Green – G ) và xanh lá cây ( Blue – B ). Bởi các đổi khác chính trong24việc màn biểu diễn da là bởi sự biến hóa về độ sáng, nên thường thì ta thường sử dụng hệtoạ độ RGB chuẩn hoá, do đó ảnh hưởng tác động của độ sáng được vô hiệu. Các thành phầnchuẩn hoá được tính bởi : R  G  Bg  R  G  Bb  R  G  Br  Do r + g + b = 1 nên trong hệ toạ độ màu chuẩn hoá này ta chỉ cần biết 2 giá trị rvà g, bởi b = 1 – r – g. Khi nghiên cứu và phân tích màu da, histogram màu dựa trên r và g chỉ ra rằngmàu của mặt người chỉ chiếm một vùng nhỏ trên histogram. Bằng cách so sánh thôngtin màu của một điểm ảnh với các giá trị r và g của vùng màu mặt, ta hoàn toàn có thể xác địnhđược Tỷ Lệ thuộc vùng mặt của điểm ảnh đấy. Bên cạnh quy mô RGB, người ta cũng sử dụng 1 số ít quy mô khác trong việcphát hiện mặt. C.H.Lee, J.S.Kim and K.H.Park, 1996, đã kiến thiết xây dựng một giải thuật sửdụng quy mô HSI do ưu điểm tiêu biểu vượt trội của nó trong việc phân biệt các vùng màu củacác đặc trưng khác nhau của khuôn mặt. Do đó, quy mô HSI được sử dụng trong việctrích chọn các đặc trưng của khuôn mặt như mắt, môi … G.Wei và I.K.Sethi, 1999, sử dụng quy mô YIQ để phát hiện mặt. Bằng cáchchuyển đổi từ hệ toạ độ RGB sang YIQ, người ta nhận thấy thành phần I – bộc lộ sựthay đổi từ màu cam ( orange ) sang màu lục ( cyan ), có năng lực cải tổ vùng da củangười Á Châu. Việc quy đổi này cũng làm triệt tiêu các phần nền không phải da vàdo đó, giúp cho việc phát hiện các khuôn mặt nhỏ được thuận tiện hơn. Ngoài ra, một sốmô hình màu khác cũng được sử dụng trong việc phát hiện mặt, như HSV, YES, CrCb, YUV, CIE-xyz, L * a * b, L * u * v * … d. Chuyển động ( Motion ) Nếu nhu yếu của việc phát hiện mặt người là trong thiên nhiên và môi trường ảnh video, thì hợplý nhất cho việc phát hiện mặt là sử dụng yếu tố hoạt động. Phương pháp đơn giảnnhất là sử dụng sự độc lạ giữa các frame. Mặc dù giải pháp này tỏ ra khá đơngiản, nhưng nó vẫn hoàn toàn có thể phát hiện được sự cử động của các đối tượng người dùng trên bất kỳ nềnnào một cách có hiệu suất cao. Các bóng cử động có chứa phần mặt và khung hình người có thể25

Xem thêm Top 5 ứng Dụng đào Coin Bằng điện Thoại Uy Tín Và An Toàn Hiện Nay - FX Việt

Source: https://bem2.vn
Category: Ứng dụng hay

Rate this post