Nghiên cứu, thử nghiệm phương pháp nhận dạng biểu cảm khuôn mặt sử dụng xấp xỉ đa thức

- LÊ THÁI LINH NGHIÊN CỨU, THỬ NGHIỆM PHƢƠNG PHÁP NHẬN DẠNG BIỂU CẢM KHUÔN MẶT SỬ DỤNG XẤP XỈ ĐA THỨC Chuyên ngành: Công Nghệ Thông Tin LUẬN VĂN THẠC SĨ KỸ THUẬT CÔNG NGHỆ THÔNG TIN NGƢỜI HƢỚNG DẪN KHOA HỌC: PGS.TS.
- 5 DANH MỤC CÁC BẢNG Bng 2-1: Mt s hàm truyn thông dng.
- Bng thng kê kt qu thc nghim trên.
- Bng thng kê kt qu thc nghim trên ng.
- 54 6 DANH MỤC HÌNH VẼ Hình 1-1: Thành phn kin trúc chính ca mt h thng nhn dng.
- 17 Hình 2-3..Mô hình phân tn kt hp các b phân loi y.
- Ví d v ng cong Bézier.
- Mng truyn thng.
- D liu nh hun luyn  JAFFE Database.
- D liu nh hun luyn  Cohn Kanade Database.
- D liu nh hun luyn  FEI Database.
- Kin trúc OpenCV.
- 9 CHƢƠNG 1 - TỔNG QUAN BÀI TOÁN NHẬN DẠNG BIỂU CẢM.
- Biểu cảm của gƣơng mặt.
- Các thành phần chính của hệ thống nhận dạng biểu cảm.
- Những khó khăn trong bài toán nhận dạng biểu cảm.
- Đƣờng cong Bezier.
- Mạng nơ-ron.
- Định nghĩa mạng nơ-ron.
- Nơ-ron sinh học và nơ-ron nhân tạo.
- Mô hình mạng nơ-ron.
- Huấn luyện mạng nơ-ron.
- 29 CHƢƠNG 3 - THỰC NGHIÊM VÀ KẾT QUẢ.
- Kịch bản nhận dạng biểu cảm.
- Áp dụng thành phần liên thông vào bài toán.
- Kiến trúc mạng nơ-ron ứng dụng vào bài toán.
- Kết quả thực nghiệm.
- Kết quả đạt đƣợc trong luận văn.
- 10 CHƢƠNG 1 - TỔNG QUAN BÀI TOÁN NHẬN DẠNG BIỂU CẢM 1.1.
- Nội dung của chương này sẽ trình bày các vấn đề sau: o Định nghĩa bài toán nhận dạng biểu cảm o Các thành phần chính của bài toán nhận dạng biểu cảm o Những thách thức trong bài toán nhận dạng biểu cảm o Nghiên cứu liên quan o Định hướng giải pháp của tác giả 11.
- Các thành phần chính của hệ thống nhận dạng biểu cảm sition, pre-processing, feature extraction, classification và post processing [14] Hình 1-1.
- Nội dung của chương này sẽ trình bày các vấn đề sau: o Đặc trưng Haar-like o Bộ phân loại Adaboost o Đặc trưng hình học của khuôn mặt o Đường cong Bezier o Mạng nơ-ron và.
- Ƣu điểm của đƣờng cong Bezier [12.
- ng cong Bezier có tính cc b: m.
- L m cui: ng cong Bezier d m kim soát p0, p1.
- pL i suy t tt c m kim soát m cui  Có tính bt bin: khi thc hin phép bii cho mng cong Bezier ta không cn phi bii hm thung cong mà ch cn bi m 20 ki o lng cong Bezier da trên tm kim soát mi này  Tính cht bao li: vì các giá tr c c Bernstein không âm và có tng là 1 nên mm cng cong Bezier s luôn nm trong bao li cm kim soát.
- Mm cng cong Bezier s luôn nm trong bao li ca các m kim soát Hình 2-6.
- Mạng nơ-ron 2.5.1.
- Nơ-ron sinh học và nơ-ron nhân tạo Qua quá trình nghiên cu v b i ta thy rng: b i bao gm khong 1011.
- n, x lý và truyn các tín hiu ng này to nên h thng giao tip ca b não.
- M c có 3 thành phn dendrites.
- bào (cell body) i trc ra (axon) Các nhánh hình cây truyn tín hin thân t bào.
- Thân t bào tng hp và x lý cho tín hi i trc truyn tín hiu ra t thân t bào này sang.
- Trong cui cá th, mt s liên kt mc hình thành, mt s khác b hy b.
- x lý thông tin và là thành phn ca mt m u trúc ca m c mô t i.
- Các thành phn ca m o bao gm.
- Tập các đầu vào: Là các tín hiu vào (input signals) c.
- Tập các liên kết: Mi liên kc th hin bi mt trng s (gi là trng s liên kt  Synaptic weight).
- Trng s liên kt gia tín hiu vào th j v c kí hiu là wkj ng, các trng s c khi to mt cách ngu nhiên  thm khi to mng và c cp nht liên tc trong quá trình hc mng.
- tính tng c u vào vi trng s liên kt ca nó.
- lch - bias t thành phn ca hàm truyn.
- gii hn phm vi u ra ca m u vào là kt qu ca hàm t ng, phu ra ca m c gii h n [0,1] hoc [-1, 1].
- Vic la chn hàm truyn nào là tu thuc vào tng bài toán và kinh nghim ca i thit k mng.
- Mt s hàm truyng s dng trong các mô hình mng ng 1.
- Đầu ra: Là tín hiu ra ca m i m.
- có tmu ra.
- c mô t bi các tín hiu u vào (x1, x2.
- wkp) là các trng s liên kt c.
- bk là mng.
- f là hàm truyn và yk là tín hiu ra c.
- Mô hình mạng nơ-ron Mc dù m.
- có th thc hin nhng ch.
- yc nh s kt h trong mt kin trúc thng nht.
- ng có th kt n.
- Kin trúc phn hi (Feedback architecture): là kiu kin trúc mng có các kt ni t u ra tu vào.
- Mi các tr trng thái tip theo không ch ph thuc vào các tín hiu vào mà còn ph thuc vào các tr a mng.
- 29  Tt c các hàm liên tu có th xp x bi mt mng MLP 2 tng s dng hàm truy ng n và hàm truyn tuy tng ra vi sai s nh tùy ý.
- Huấn luyện mạng nơ-ron 2.5.5.1.
- thc hin t.
- Tc s dng cho hun luyn mc gi là tp hun luyn (training set).
- Các phn t x thuc gi là các mu hun luyn (training example).
- Quá trình hun luyn bn cht là s i các trng s liên kt ca mng.
- Trong quá trình này, các trng s ca mng s hi t dn ti các giá tr sao cho vi m u vào x t tp hun luyn, mng s n c ph bin là hc có giám sát (supervised learning), hc không giám sát (unsupervised learning) và h.
- Học có giám sát: Là quá trình hc có s tham gia giám sát ca m Vi hc có giám sát, tp mu hun luy i dng D = {(x,t.
- xN u ca mu hun luyn và t = (t1, t2.
- sao cho vi m u vào thì sai s gia giá tr u ra thc s ca mng và giá tr m ng là nh nht.
- y vi hc có giám sát, s lp cn phân lo.
- Trong bài toán hc không giám sát, tp d liu hun luy i dng: D = {(x1, x2.
- c a mu hun luyn.
- 37 CHƢƠNG 3 - THỰC NGHIÊM VÀ KẾT QUẢ ron la.
- Kịch bản nhận dạng biểu cảm ron.
- Áp dụng thành phần liên thông vào bài toán n.
- m còn l nh nh ng thng tip tuyn vi mt t P1 và P4 sau: o V ng thng có chiu thng t P1 hoc P4, dch góc nghiêng ca ng thng này t v trí thng theo góc ng v vùng cha mt.
- ng thng này chm vào s c chm kim soát tip theo 3.5.
- Kiến trúc mạng nơ-ron ứng dụng vào bài toán  Trong lu.
- tác gi xây dng 1 m-ron gm có 1 tu vào, 2 tng n và 1 tu ra.
- Mi nút ca tu vào gm có: o m (x,y) kim soát cho ph c ni suy t ng cong xp x Bezier 46 o m (x,y) kim soát cho phn m c ni suy t ng cong xp x Bezier o m (x,y) kim soát cho phn mt ph c ni suy t ng cong xp x Bezier o.
- cao và rng ca mt phi  Tu vào gm 122 nút  Tng n th 1 gm 50 nút  Tng n th 2 gm 75 nút  Tu ra gm 4 nút  T l hc 0.00001  Trng s khi to: 0.05  S vòng lp: 500.
- j: nơron thứ j (hay nút thứ j.
- η: tốc độ học  f: hàm truyền với f(x.
- Hàm bezier_position(Bitmap b): Hàm này thc hin vic ly các thông s v ng cong bezier ca các khu v t, vu vào là nh vùng môi hoc vùng mt.
- Hàm này thc hin vic ly nhãn t.
- d liu cho u vào  Hàm skin_color(Bitmap b): Hàm này thc hin tìm ra vùng da mt trên u vào b  Hàm big_connect(Bitmap b): Hàm này thc hin tìm vùng da ln nht không phi da m.
- ng vin môi và mt  Hàm bezier_eye(Bitmap b): Hàm này thc hin vic áp dng cong u vào là mt  Hàm bezier_lip(Bitmap b): Hàm này thc hin vic áp dng cong u vào là môi 53.
- ng vin môi và mt  Hàm bezier_eye(Bitmap b): Hàm này thc hin vic áp dng cong u vào là mt  Hàm bezier_lip(Bitmap b): Hàm này thc hin vic áp dng cong bezier u vào là môi  Hàm write_to_db.
- Hàm này thc hin vic ghi l.
- Kết quả thực nghiệm 3.9.1.
- Bảng thống kê kết quả thực nghiệm trên ảnh tĩnh, đối tượng là người Châu Á Biểu cảm Bình thƣờng (50) Vui vẻ (50) Ngạc nhiên (50) Buồn(50) Trung bình.
- Bảng thống kê kết quả thực nghiệm trên ảnh động Biểu Cảm Bình thƣờng (50) Vui vẻ (50) Ngạc nhiên (50) Buồn (50) Trung bình.
- Kết quả đạt đƣợc trong luận văn sau

Xem thử không khả dụng, vui lòng xem tại trang nguồn
hoặc xem Tóm tắt