- NHẬN DẠNG KHUÔN MẶT TRONG HỖ TRỢ CÔNG TÁC QUẢN LÝ TIẾP DÂN. - Vũ Duy Linh, tôi đã hoàn thành đề tài luận văn “Nhận dạng khuôn mặt trong hỗ trợ công tác quản lý tiếp dân”.. - Chương 1: KHÁI QUÁT VỀ QUẢN LÝ TIẾP DÂN VÀ BÀI TOÁN NHẬN DIỆN KHUÔN MẶT. - Bài toán nhận diện khuôn mặt. - Những khó khăn của nhận diện khuôn mặt. - Chương 2: MỘT SỐ PHƯƠNG PHÁP NHẬN DIỆN KHUÔN MẶT. - Nhận dạng khuôn mặt là một khái niệm được phát triển vào những năm 60 của thế kỷ trước. - Khi đó, người ta phải dùng tới những phương pháp tính toán thủ công để xác định vị trí, khoảng cách và các bộ phận trên khuôn mặt. - Về sau, vào cuối thập niên 80, kỹ thuật nhận diện khuôn mặt dần được cải thiện khi M. - Sirovich phát triển phương pháp tìm mặt riêng (eigenface) sử dụng phương pháp phân tích thành phần chính (PCA), một cột mốc mới trong ngành công nghệ nhận diện khuôn mặt. - Ngày nay, có thể dễ dàng nhận ra ứng dụng công nghệ nhận diện khuôn mặt trong việc điều tra tội phạm, kiểm tra hành khách ở sân bay, và xác thực truy cập vào hệ thống. - Hệ thống nhận diện khuôn mặt được triển khai khá rộng rãi ở Mỹ, vốn trước kia chỉ dành cho các cơ quan thực thi pháp luật của nước này. - Tuy nhiên ở VN chúng ta việc ứng dụng của công nghệ nhận dạng khuôn mặt vào thực tế còn hạn chế. - Mục tiêu của luận văn này là tìm hiểu một số phương pháp nhận diện khuôn mặt và ứng dụng vào thực tế cho phù hợp với thực tế nước nhà.. - Thuật toán nhận diện khuôn mặt hiện chia làm hai loại là hình học (geometric) và trắc quang (photometric). - Hình học nhận diện khuôn mặt dựa trên các đặc trưng trên khuôn mặt như mắt, mũi, miệng, gò má. - Các nhà nghiên cứu ngày nay đã phát triển những kỹ thuật nhận diện khuôn mặt riêng, nhưng phổ biến nhất hiện có ba loại chính là phân tích thành phần chính (PCA), phân tích phân lớp tuyến tính (LDA) và phương pháp đồ thị đàn hồi (EBGM).. - Cách nhận diện khuôn mặt sử dụng phương pháp PCA phụ thuộc rất nhiều vào cơ sở dữ liệu ban đầu chứa các ảnh mẫu và góc quay camera cũng như ánh sáng. - Sử dụng các thuật toán đại số để tìm giá trị mặt riêng và vector riêng rồi so sánh với giá trị mẫu, ta thu được khuôn mặt cần nhận diện. - Cả PCA và LDA đều chọn cách thống kê lấy mẫu, chọn lọc để nhận diện khuôn mặt.. - Phương pháp còn lại EBGM chia mặt thành mạng lưới gồm các nút với mỗi khuôn mặt có khoảng 80 điểm nút. - Với những hạn chế khi sử dụng công nghệ nhận diện khuôn mặt truyền thống, phương pháp nhận diện 3D đã trở thành hướng đi mới trong việc ứng dụng công nghệ nhận diện khuôn mặt. - Phương pháp này lưu lại hình ảnh 3D của khuôn mặt với các điểm đặc trưng như độ cong của cằm, mũi, hốc mắt… Ưu điểm của nó là có thể nhận diện khuôn mặt ở nhiều góc độ khác nhau, không bị ảnh hưởng bởi ánh sáng.. - Cũng như những phương pháp truyền thống, phương pháp nhận diện khuôn mặt 3D cũng dựa trên các thuật toán. - Nó tính toán các đường cong, những điểm đặc trưng trên khuôn mặt để tạo thành những dòng lệnh duy nhất và so sánh với cơ sở dữ liệu. - Chúng ta có thể dễ dàng bắt gặp quá trình so sánh này trong các bộ phim hành động của Mỹ, khi hình ảnh của một người được camera ghi lại và ngay lập tức nó được so sánh liên tục với hàng triệu khuôn mặt trong cơ sở dữ liệu của cảnh sát.. - Nhận diện khuôn mặt 3D vẫn chưa hoàn hảo, nó vẫn bị hạn chế đáng kể bởi các yếu tố bên ngoài như khuôn mặt bị tóc che phủ, đeo kính, hình ảnh quá mờ.. - Các công ty của Mỹ hiện vẫn đang liên tục tìm cách cải tiến để tăng độ chính xác cho công nghệ nhận diện khuôn mặt mà không gây khó chịu cho người bị nhận diện.. - Tại Trung Quốc, đất nước này sử dụng công nghệ nhận diện khuôn mặt thay vé tham quan. - Du khách tới thị trấn Wuzhen, Trung Quốc sẽ không phải mua vé nhờ hệ thống kiểm soát bằng công nghệ nhận diện khuôn mặt tại cổng. - Ngoài ra, Baidu cũng cho phép các đối tác của họ sử dụng công nghệ nhận diện khuôn mặt. - Các nhà vệ sinh công cộng ở thủ đô Bắc Kinh - Trung Quốc bắt đầu sử dụng công nghệ nhận diện khuôn mặt nhằm ngăn nạn trộm giấy vệ sinh đang diễn ra tràn lan. - Thiết bị có thể ghi nhớ nhiều khuôn mặt trong thời gian gần và nếu một người nào đó quay lại nhà vệ sinh trong một khoảng thời gian nhất định, nó sẽ từ chối cung cấp giấy vệ sinh. - Camera nhận diện khuôn mặt yêu cầu người dùng giấy vệ sinh phải tháo mũ và kính mát.. - Facebook có công nghệ nhận diện khuôn mặt như mắt người. - Facebook ra tuyên bố cho biết đã phát triển công nghệ để máy tính có thể xác nhận liệu 2 khuôn mặt trong 2 bức ảnh có phải là cùng một người hay không. - Hình 1.1 Nhận dạng khuôn mặt của Facebook. - Hiện tại, Facebook đang sử dụng dữ liệu khuôn mặt của 4,4 triệu người trên mạng xã hội của mình nhằm cải tiến cho DeepFace.. - Bài toán nhận diện khuôn mặt là một bài toán khó, các phương pháp nhận diện hiện nay vẫn tồn tại những nhược điểm, độ tin cậy vẫn chưa được như mong muốn, nên vấn đề này vẫn được nhiều nhóm quan tâm nghiên cứu. - Mặt bị che khuất một phần - Biểu cảm của khuôn mặt - Điều kiện ánh sáng. - Mạng neural tính một mô tả của khuôn mặt bằng cách xấp xỉ các vector riêng của ma trận tương quan của ảnh. - Kirby và Sirovich chứng tỏ các ảnh có các khuôn mặt có thể được mã hóa tuyến tính bằng một số lượng vừa phải các ảnh cơ sở. - vector riêng của ma trận hiệp phương sai được tính từ các ảnh khuôn mặt đã vector hóa trong tập huấn luyện. - Nếu cho 100 ảnh, mà mỗi khuôn mặt có kích thước 91x50 thì có thể chỉ dùng 50 ảnh riêng, trong khi vẫn duy trì được một khả năng giống nhau hợp lý (giữ được 95% tính chất).. - Turk và Pentland áp dụng PCA để xác định và nhận dạng khuôn mặt. - Tương tự, dùng PCA trên tập huấn luyện ảnh các khuôn mặt để sinh các ảnh riêng (còn gọi là eigenface) để tìm một không gian con (không gian khuôn mặt) trong không gian ảnh. - Các ảnh khuôn mặt được chiếu vào không gian con này và được gom nhóm lại. - Tương tự các ảnh không có khuôn mặt dùng để huấn luyện cũng được chiếu vào cùng không gian con và gom nhóm lại. - Các ảnh khi chiếu vào không gian khuôn mặt thì không bị thay đổi tính chất cơ bản, trong khi chiếu các ảnh không có khuôn mặt thì xuất hiện sự khác nhau cũng không ít. - Xác định sự có mặt của một khuôn mặt trong ảnh thông qua tất cả khoảng cách giữa các vị trí trong ảnh và không gian ảnh. - Khoảng cách này dùng để xem xét có hay không có khuôn mặt người, kết quả khi tính toán các khoảng cách sẽ cho ta một bản đồ về khuôn mặt. - Sử dụng các ảnh khuôn mặt I 1 , I 2. - I n (tập các khuôn mặt huấn luyện) với khuôn mặt phải chính diện và tất cả ảnh phải cùng kích thước.. - Hình 2.2 Các khuôn mặt mẫu. - Tính vector khuôn mặt trung bình theo công thức:. - Trừ vector khuôn mặt trung bình:. - Biểu diễn các khuôn mặt (tập huấn luyện) vào trong không gian vector. - Mỗi khuôn mặt i trong tập huấn luyện có thể được biểu diễn lại là 1 tổ hợp tuyến tính của K vector riêng lớn nhất:. - Như vậy, bây giờ, mỗi khuôn mặt huấn luyện i sẽ được biểu diễn trong không gian mới là 1 vector như sau:. - Hình 2.3 Mô hình vector hình chiếu khuôn mặt. - u1, u2: là các vector cơ sở u i của không gian khuôn mặt (được gọi là. - Các vector i là ảnh khuôn mặt “gốc” ban đầu. - Chiếu các i vào trong “không gian khuôn mặt” ta được các vector ˆ . - Hình 2.4 Mô hình vector hình chiếu khuôn mặt. - Khuôn mặt ˆ có thể biểu diễn là tổ hợp tuyến tính của các vector cơ sở Các w j của vector i (đây chính là tọa độ trong không gian khuôn mặt ) Các Eigenface (vector cơ sở u i của không gian khuôn mặt). - Nhận dạng khuôn mặt bằng các EIGENFACES. - Cho 1 ảnh khuôn mặt chưa biết là ai (tất nhiên cũng phải giống tập mẫu – chính diện &. - Chú ý, giai đoạn nhận dạng này giống hệt giai đoạn biểu diễn ảnh khuôn mặt trong tập mẫu. - Tức ta tìm khuôn mặt thứ l trong tập mẫu có khoảng cách gần nhất với khuôn mặt cần nhận dạng.. - Tức ảnh khuôn mặt cần xác định “đủ gần” với ảnh của người thứ l trong tập mẫu. - Khi đó, ta kết luận đó chính là khuôn mặt của người thứ l.. - Tức ảnh cần xác định có khoảng cách “đủ gần” với không gian khuôn mặt. - Khi đó, ta kết luận đó chính là ảnh khuôn mặt người.. - j,k = 1,…,m Tức là c bằng ½ khoảng cách lớn nhất giữa 2 khuôn mặt bất kỳ.. - Elastic Bunch Graph Matching (EBGM) là một mở rộng của EGM phù hợp cho các lớp đối tượng có một cấu trúc phổ chung, chẳng hạn như những khuôn mặt trong tư thế giống hệt nhau. - Ví dụ, các kết cấu của mắt có thể được lấy từ một khuôn mặt và kết cấu của miệng từ mặt khác đại diện cho một khuôn mặt mới mà chia sẻ các tính năng với hai gương mặt được lưu trữ. - Như vậy, phép biến đổi Gabor wavelet tạo ra một mô hình khuôn mặt dạng cấu trúc lưới đàn hồi liên kết động. - Như trên Hình 1.10, các nút trên lưới đàn hồi được gọi là các Gabor Jet, được ký hiệu bởi các vòng tròn mô tả đặc điểm của khuôn mặt. - Đó là kết quả tích chập của hình ảnh đầu vào với một bộ lọc Gabor, được sử dụng để phát hiện và trích xuất các các đặc trưng của khuôn mặt cho quá trình nhận dạng. - Phương pháp này có thể nhận được khuôn mặt ở mọi tư thế, nhưng phương pháp này khó thực hiện bởi nó đòi hỏi vị trí chính xác của các nút trên mô hình lưới.. - Có thể áp dụng để nhận dạng hình ảnh khuôn mặt với nhiều đặc tính phi tuyến.. - Có thể áp dụng khi đặc tính của khuôn mặt thay đổi do ảnh hưởng của các yếu tố như: điều kiện chiếu sáng (ánh sáng ngoài trời so với đèn huỳnh quang trong nhà), tư thế (đứng thẳng so với nghiêng) và cảm xúc khuôn mặt (cười so với giận giữ).. - Phương pháp nhận dạng khuôn mặt fisherface đuợc mô tả bởi Belhumeur và cộng sự sử dụng cả phân tích thành phần cơ bản - Principal Components Analysis (PCA) và phân tích phân biệt tuyến tính - Linear Discriminant Analysis (LDA) để tạo ra một ma trận chiếu không gian con, tương tự như được sử dụng trong phương pháp eigenface. - Có Fisher’s Linear Discriminant (FLD), chúng ta có thể phân loại tập huấn luyện để xử lý với những người khác nhau và biểu hiện trên khuôn mặt khác nhau. - Chúng ta có thể có độ chính xác tốt hơn trong biểu hiện trên khuôn mặt hơn phương pháp tiếp cận Eigenface. - Bên cạnh đó, do nhu cầu của phân loại tốt hơn, kích thước của chiếu trong không gian khuôn mặt là không nhỏ gọn như Eigenface, kết quả trong lưu trữ khuôn mặt lớn hơn và nhiều thời gian xử lý hơn trong nhận dạng. - Đặt camera chương trình tại vị trí có nguồn ánh sáng ổn định, ngang tầm khuôn mặt người để có chất lượng ảnh tốt nhất. - Công dân chưa đến lần nào, máy tính sẽ nhắc nhở cán bộ tiếp dân ghi lại hình ảnh khuôn mặt của công dân và các tông tin nhân thân của công dân, phục vụ cho lần nhận diện sau.. - Cơ sở dữ liệu: CSDL SQL Server 2008, lưu trữ thông tin công dân đến và hình ảnh khuôn mặt công dân. - Các hình ảnh khuôn mặt được biểu diễn dưới dạng mảng byte.. - Hình 3.1 là toàn bộ hệ thống chương trình quản lý tiếp dân, việc ứng dụng nhận dạng khuôn mặt được tích hợp vào hệ thống ở các khâu người dân tới tiếp xúc với tổ một cửa. - Ứng dụng nhận dạng khuôn mặt được tích hợp vào chương trình nhằm giảm bớt thủ thục chứng minh nhân thân của công dân nếu đã đăng ký nhận dạng trước đó. - Đầu vào là ảnh khuôn mặt người, chương trình sẽ cho ra thông tin của người có khuôn mặt đó nếu có. - Khoảng cách đến không gian mặt Ảnh có khuôn mặt nằm trong tập ảnh luyện. - Ảnh có khuôn mặt không nằm trong tập luyện (gương mặt mới). - là mặt Tổng số Ảnh có khuôn mặt nằm trong tập ảnh luyện. - Đặc biệt một số còn đưa công nghệ nhận dạng khuôn mặt vào hệ thống bảo mật, xác thực thông tin...cho thấy tiềm năng to lớn của công nghệ này trong cuộc sống.. - [1] Lê Hoàng Thanh , Dò tìm và nhận dạng khuôn mặt người bằng Eigenface.. - [2] Phạm Thế Bảo, Nguyễn Thành Nhựt, Cao Minh Thịnh, Trần Anh Tuấn, Phan Phú Doãn (2007), Tổng quan các phương pháp xác định khuôn mặt người.. - [3] Mạch Thị Kim Hạnh (2013), Xác thực sinh trắc học khuôn mặt trên thiết bị di động, Luận văn thạc sĩ, Trường Đại học Lạc Hồng, Đồng Nai.
Xem thử không khả dụng, vui lòng xem tại trang nguồn hoặc xem
Tóm tắt