- NHẬN DIỆN KHUÔN MẶT NGƯỜI SỬ DỤNG WAVELET VÀ PRINCIPLE COMPONENT ANALYSIS (PCA). - CHƯƠNG 1: TỔNG QUAN VỀ NHẬN DẠNG KHUÔN MẶT NGƯỜI. - 1.1 Giới thiệu chung về nhận dạng khuôn mặt ...1. - 1.2 Các phương pháp phát hiện khuôn mặt. - 1.3 Các phương pháp theo dõi khuôn mặt ...6. - 1.3.1 Các phương pháp theo dõi khuôn mặt tiêu biểu. - Nhận dạng khuôn mặt. - Các phương pháp nâng cao trong nhận dạng khuôn mặt. - CHƯƠNG 2: NHẬN DẠNG KHUÔN MẶT NGƯỜI SỬ DỤNG PCA QUA BIẾN ĐỔI WAVELET. - 2.2 Đánh giá về PCA và Eigenfaces để nhận dạng khuôn mặt. - 28 Bảng 2.3: Tỉ lệ nhận dạng khuôn mặt trên các subband khác nhau. - Hình 1.1: Quy trình nhận dạng khuôn mặt trong video. - Hình 2.1 Sơ đồ khối của hệ thống nhận dạng khuôn mặt được đề xuất. - Hình 3.3: Giao diện khi nhận dạng được khuôn mặt. - Hình 3.4: Hình ảnh từ cơ sở dữ liệu tập huấn với các biểu hiện trên khuôn mặt khác nhau, điều kiện chiếu sáng. - CHƯƠNG 1: TỔNG QUAN VỀ NHẬN DẠNG KHUÔN MẶT NGƯỜI 1.1 Giới thiệu chung về nhận dạng khuôn mặt. - Trong những năm qua, nhận dạng khuôn mặt trong video đã nhận được sự chú ý đáng kể. - Trong chương này, sự phát triển hiện tại của nhận dạng khuôn mặt dựa trên video được chia thành các mục như sau:. - Phần 1.4 So sánh với hình ảnh tĩnh, và liệt kê những thuận lợi và bất lợi của nhận dạng khuôn mặt trong video. - Do đó, nhận dạng khuôn mặt dựa trên video đã thu hút nhiều sự chú ý hơn trong thời gian gần đây. - Trong chương này sẽ khảo sát sự nhận dạng khuôn mặt dựa trên video trong những năm đây. - Hầu hết các hệ thống hiện có đều giải quyết các vấn đề nhận dạng khuôn mặt dựa trên video như sau:. - Trước tiên, phát hiện khuôn mặt và theo dõi nó theo thời gian. - 1.2 Các phương pháp phát hiện khuôn mặt.. - Phát hiện khuôn mặt là giai đoạn đầu tiên của hệ thống nhận dạng khuôn mặt. - Trong các cảnh quay video, khuôn mặt. - Phát hiện khuôn mặt và Theo dõi khuôn mặt. - trị khuôn mặt?. - Nói chung, có cách tiếp cận cho bài toán phát hiện khuôn mặt dựa trên video.. - Thứ nhất là phát hiện khuôn mặt trong từng frame. - Do việc phát hiện và theo dõi được độc lập, phương pháp này có thể đánh mất dấu vết của khuôn mặt đươc theo dõi.. - Điều này giúp việc phát hiện khuôn mặt ổn định hơn so với hai hướng tiếp cận trên.. - Hatori đề xuất một phương pháp đếm cạnh, để phát hiện và theo dõi các đặc trưng của khuôn mặt trong chuỗi video.. - Có một số phương pháp thường được áp dụng để phát hiện khuôn mặt trong thời gian thực:. - Sử dụng thông tin màu để phát hiện và xác nhận khuôn mặt người.. - Phương pháp xây dựng một máy dò duy nhất để áp dụng với tất cả các góc nhìn của khuôn mặt;. - 1.3 Các phương pháp theo dõi khuôn mặt. - Ở các hệ thống nhận dạng khuôn mặt, việc theo dõi khuôn mặt là khai thác sự tương ứng của khuôn mặt theo thời gian giữa các frame. - Theo dõi khuôn mặt có thể được chia thành ba hướng:. - Theo dõi các đặc điểm trên khuôn mặt.. - Kết hợp theo dõi đặc điểm trên khuôn mặt và mặt.. - Đối với xử lý video, thời gian thực chính là tính năng hàng đầu để theo dõi khuôn mặt.. - 1.3.1 Các phương pháp theo dõi khuôn mặt tiêu biểu.. - Phương pháp đầu tiên để theo dõi khuôn mặt là dựa trên mô hình, thường bao gồm các mô hình thống kê và dựa trên mẫu. - Màu sắc và hình dạng là các tín hiệu quan trọng để theo dõi khuôn mặt.. - Theo dõi các đặc điểm trên khuôn mặt luôn được đặt trọng tâm. - Phương pháp tiếp cận theo dõi nhiều mô hình được sử dụng để ước tính vị trí các điểm đặc trưng trên khuôn mặt một cách chính xác và tối ưu nhất. - Hướng còn lại là theo dõi dựa trên sự kết hợp của đầu và đặc điểm trên khuôn mặt. - Theo dõi khuôn mặt theo thời gian thực gần đây đã thu hút nhiều sự chú ý. - Để hiệu quả trong việc tăng hiệu suất theo dõi và khả năng tính toán, các phương pháp theo dõi khuôn mặt dựa trên phân bố màu đã được nghiên cứu. - Ví dụ, Yao và Gao đã đề xuất một thuật toán theo dõi khuôn mặt dựa trên sự biến đổi màu da và màu sắc môi. - Nhận dạng khuôn mặt là giai đoạn quan trọng nhất trong toàn bộ hệ thống. - Các thuật toán nhận dạng khuôn mặt trên video sử dụng các phương pháp tiếp cận về công nghệ xử lý trên các frame dừng. - Nhận dạng khuôn mặt dựa trên video cho phép học tập hoặc cập nhật mô hình theo thời gian.. - Biểu hiện khuôn mặt. - Với tất cả những thuận lợi và những nhược điểm này, đã có nhiều phương pháp áp dụng giải quyết nhiều khía cạnh đã nêu để nhận dạng khuôn mặt dựa trên video.. - Hầu hết các cách tiếp cận gần đây sử dụng không gian thông tin để nhận dạng khuôn mặt trong video. - Zhou và Chellappa đã đưa ra một phương pháp kết hợp thông tin thời gian trong một trình tự video cho nhiệm vụ xác thực khuôn mặt. - Một mô hình không gian trạng thái với vector theo dõi trạng thái và nhận dạng biến số được sử dụng để mô tả các đặc điểm trên khuôn mặt.. - Các phương pháp dựa trên không gian thời gian để nhận biết khuôn mặt trong video có một số nhược điểm:. - Một vài phương pháp sử dụng trình tự video để đào tạo mô hình thống kê khuôn mặt cho phù hợp. - Gần đây, mô hình ARMA được sử dụng để mô hình hóa chuyển động của khuôn mặt như là một hệ thống tuyến tính động và thực hiện nhận dạng khuôn mặt. - Balasubramanian đưa ra một cách tiếp cận khác được trình bày bởi radial basis function neural networks, được sử dụng để nhận dạng một người trong các trình tự video bằng cách sử dụng phương pháp nhận dạng khuôn mặt và miệng.. - Trong những năm qua, nhận dạng trong video đã phát triển và các trọng tâm phổ biến của công nghệ nhận dạng khuôn mặt dựa trên video được tập. - Đặt ra các vấn đề là một yếu tố quan trọng nhất cho hệ thống nhận dạng khuôn mặt. - Trong năm 2004, các phương pháp Eigen light-fields và phương pháp Fisher light-fields đã được đề xuất để nhận dạng khuôn mặt không thay đổi. - Nhận dạng khuôn mặt dựa trên 3D là một chủ đề nghiên cứu nóng hiện nay. - Sự khác nhau giữa các hướng này đó là: hướng đầu tiên bao gồm các phương pháp tiếp cận sử dụng các hình ảnh 2D và mô hình khuôn mặt 3D. - Kể từ năm 2000, nhiều phương pháp tiếp cận đa dạng hơn và nhiều hơn nữa đã được đề xuất để cải thiện hiệu suất nhận dạng khuôn mặt.. - Hình dạng khuôn mặt 3D được xây dựng lại theo các điểm đặc trưng và cơ sở dữ liệu mặt 3D. - Nó cũng làm cho tư thế và ánh sáng bù đắp cho nhau, giúp cải thiện nhận dạng khuôn mặt.. - Phương pháp thứ hai có thể được áp dụng để ước tính hình ảnh khuôn mặt có độ phân giải cao từ những ảnh có độ phân giải thấp. - Arandjelovic và cộng sự đề xuất sự không thay đổi màu được áp dụng để nhận ra khuôn mặt. - -Biểu cảm trên khuôn mặt -Chiếu sáng. - Chương 1 đã giới thiệu được tổng quan về lĩnh vực nhận dạng khuôn mặt người trên thế giới. - Tuy nhiên, việc trích xuất các đặc điểm trên khuôn mặt là khá khó khăn. - Các khuôn mặt được xem như là một mô hình hai chiều của sự biến đổi cường độ. - Phương pháp nhận dạng PCA áp dụng biến đổi Wavelet được sử dụng để nhận dạng khuôn mặt và cả quá trình đó được thể hiện qua hình 2.1 Sơ đồ khối của hệ thống nhận dạng khuôn mặt. - Hình 2.1 Sơ đồ khối của hệ thống nhận dạng khuôn mặt được đề xuất Chương 2 sẽ được viết thành các phần như sau:. - Phần 2.4 Quá trình nhận dạng khuôn mặt. - Xác định hình ảnh khuôn mặt. - 2.1.2.2 Không nhanh nhạy với những thay đổi nhỏ trong khuôn mặt. - Bảng 2.3: Tỉ lệ nhận dạng khuôn mặt trên các subband khác nhau. - 2.2 Đánh giá về PCA và Eigenfaces để nhận dạng khuôn mặt 2.2.1 Phân tích thành phần chính - PCA. - Sau đó, Turk và Pentland phát triển một hệ thống nhận dạng khuôn mặt bằng cách sử dụng PCA. - Trong chương 2 trình bày hệ thống nhận dạng khuôn mặt sử dụng đặc trưng PCA và biến đổi Wavelet. - Thuật toán sử dụng trong việc nhận dạng không chỉ khuôn mặt người mà còn các nhận dạng khác như cử chỉ, chữ viết, v.v…. - Khi sử dụng Wavelet trong việc biến đổi ảnh đã giúp giảm độ phức tạp tính toán trong phương pháp PCA rất nhiều, giúp cải thiện việc nhận dạng khuôn mặt.. - Để giải quyết bài toán thực tế, nhận diện điểm danh học sinh trong lớp học, một hệ thống nhận dạng khuôn mặt được phát triển để áp dụng phương pháp PCA kết hợp với wavelet. - Hệ thống theo phương pháp tiếp cận dựa trên khuôn mặt và bao gồm hai giai đoạn, cụ thể là giai đoạn huấn luyện và công nhận (Hình 2.1).. - Giao diện nhận dạng khuôn mặt. - Hình 3.3: Giao diện khi nhận dạng được khuôn mặt 3.3 Đánh giá kết quả thu được. - Thí nghiệm được tiến hành trên hệ thống nhận dạng khuôn mặt. - Trong thí nghiệm, tôi so sánh hiệu suất nhận dạng khuôn mặt của người với các biểu hiện trên khuôn mặt và sự chiếu sáng khác nhau. - Vì vậy, có 70 hình ảnh khuôn mặt trong cơ sở dữ liệu. - Hình 3.4: Hình ảnh từ cơ sở dữ liệu tập huấn với các biểu hiện trên khuôn mặt khác nhau, điều kiện chiếu sáng.. - Phương pháp. - Chương này đã đề xuất một phương pháp tiếp cận, dựa trên wavelet, trong việc sử dụng PCA để nhận dạng khuôn mặt người. - Từ cơ sở tự tập huấn, sử dụng các thuật toán để tiến hành so khớp và nhận dạng khuôn mặt của từng người trong camera. - Từ đó, thấy được hiệu quả của mô hình kết hợp thuật toán PCA và Wavelet cao hơn so với việc nhận dạng khuôn mặt với việc sử dụng một thuật toán duy nhất.
Xem thử không khả dụng, vui lòng xem tại trang nguồn hoặc xem
Tóm tắt