- XÁC ĐỊNH MẶT NGƢỜI SỬ DỤNG CÁC ĐẶC TRƢNG HÌNH HỌC 3D. - LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN. - Ngành: Công nghệ thông tin. - Xin cảm ơn gia đình, bạn bè, đồng nghiệp đã tạo mọi điều kiện tốt nhất, động viên, cổ vũ tôi trong suốt quá trình học tập và nghiên cứu để tôi hoàn thành bản luận văn tốt nghiệp này.. - Những số liệu, kết quả đƣợc đƣa ra trong luận văn là trung thực và chƣa từng đƣợc ai công bố trong bất kỳ công trình nghiên cứu nào khác.. - KHÁI QUÁT VỀ NHẬN DẠNG MẶT NGƢỜI. - Bài toán nhận dạng mặt ngƣời. - Tầm quan trọng của nhận dạng mặt ngƣờiError! Bookmark not defined.. - Ứng dụng của bài toán nhận dạng mặt ngƣờiError! Bookmark not defined.. - Các hƣớng tiếp cận trong nhận dạng mặt ngƣờiError! Bookmark not defined.. - Error! Bookmark not defined.. - Hƣớng tiếp cận dựa trên đặc trƣng không thay đổi. - Bookmark not defined.. - Hƣớng tiếp cận dựa trên so sánh khớp mẫuError! Bookmark not defined.. - Hƣớng tiếp cận dựa trên diện mạoError! Bookmark not defined.. - Những khó khăn của bài toán nhận dạng mặt ngƣời. - Nhận dạng mặt ngƣời dựa trên đặc trƣng 3DError! Bookmark not defined.. - PHÁT HIỆN MẶT NGƢỜI SỬ DỤNG ĐẶC TRƢNG 3D. - Đặc trƣng 3D. - Rút trích các đặc trƣng lồi và lõm. - Xây dựng hàm tính độ tƣơng đồng giữa hai câyError! Bookmark not defined.. - Nhận dạng. - Canh biên các đặc trƣng khuôn mặt. - Các đánh giá dùng trong phát hiện khuôn mặtError! Bookmark not defined.. - Kết quả thử nghiệm. - Hình 1.1: Hệ thống nhận dạng mặt ngƣời. - Hình 1.2: Hệ thống đa độ phân giải. - Hình 1.3: Phƣơng pháp chiếu. - Hình 1.4: Mô hình mạng Nơ ron của H. - Rowley Error! Bookmark not defined.. - Hình 1.5: Mô hình Markov xác định khuôn mặt. - Hình 1.6: Các trạng thái ẩn của mô hình MarkovError! Bookmark not defined.. - Hình 1.7: Vector quan sát để huấn luyện trong mô hình Markov ẩn. - Hình 2.1 Dò tìm thông tin lồi lõm. - Hình 2.2: Dò tìm vùng lồi lõm trên ảnh. - Hình 2.3: Tập các bộ lọc. - Hình 2.4: Dò tìm các vùng lồi lõm ở nhiều mức khác nhauError! Bookmark not defined.. - Hình 2.5: Ảnh tích phân. - Hình 2.6: Tính tổng độ sáng hình chữ nhật R(l,r,t,b)Error! Bookmark not defined.. - Hình 2.7: Cây cấp bậc. - Hình 2.8: Cây cấp bậc đƣợc rút trích từ khuôn mặtError! Bookmark not defined.. - Hình 2.9: Vị trí vùng tƣơng đối của nút con. - Hình 2.10: Cách tính vector đại diện độ sáng của nútError! Bookmark not defined.. - Hình 2.11: Các thông tin trên một nút của cây rút trích đƣợcError! Bookmark not defined.. - Hình 2.12: Biểu diễn các cây khuôn mặt trong không gianError! Bookmark not defined.. - Hình 2.13: Chọn k cây chuẩn. - Hình 2.14: Đánh giá điểm có thuộc lớp khuôn mặt hay khôngError! Bookmark not defined.. - Hình 2.15: Canh biên các vị trí trên khuôn mặt. - Hình 2.16: Hiệu chỉnh độ sáng và cân bằng lƣợc đồError! Bookmark not defined.. - Hình 2.17: Gán nhãn cho tập ảnh học. - Hình 2.18: Mô hình phát hiện mặt ngƣời. - Hình 3.1: Một số ảnh khuôn mặt trong tập ảnh của Markus Weber. - Một số ảnh không phải khuôn mặt trong tập ảnh của Markus Weber. - Hình 3.2: Một số trƣờng hợp phát hiện đúng. - Hình 3.3: Trƣờng hợp phát hiện chƣa đúng. - Bảng 1: Kết quả thử nghiệm rút trích đặc trƣng ở 2 mứcError! Bookmark not defined.. - Bảng 2: Kết quả thử nghiệm rút trích đặc trƣng ở 3 mứcError! Bookmark not defined.. - Bảng 3: Kết quả thử nghiệm trên tập ảnh không chứa khuôn mặt. - Hầu hết các vụ phạm pháp này, bọn tội phạm đã lợi dụng những khe hở trong quá trình truy cập vào các hệ thống thông tin và kiểm soát vì đa số những hệ thống này thực hiện quyền truy cập của ngƣời sử dụng không dựa vào thông tin “chúng ta là ai” mà chủ yếu dựa vào “chúng ta có gì”. - Hay nói cách khác, thông tin mà ngƣời sử dụng cung cấp cho hệ thống không dựa vào các đặc trƣng của họ nhƣ mặt, mũi, vân tay. - Những thông tin này không mang tính đặc trƣng mà chỉ mang tính xác thực đối với ngƣời sử dụng vì vậy mà nếu chúng bị sao chép hoặc đánh cắp thì kẻ trộm hoàn toàn có thể truy cập vào hệ thống và sử dụng dữ liệu của chúng ta bất cứ khi nào họ muốn. - Công nghệ này đƣợc phát triển theo hƣớng sinh trắc học, đó là phƣơng pháp tự động cho phép xác thực hay nhận dạng cá nhân dựa vào các đặc trƣng sinh học của ngƣời đó nhƣ đặc điểm khuôn mặt, vân tay…. - Các đặc trƣng sinh học ở mỗi con ngƣời là duy nhất và rất khó thay đổi, trong khi đặc trƣng hành vi có thể thay đổi do các yếu tố tâm lý nhƣ khi chúng ta mệt mỏi, căng thẳng hay bệnh tật. - Chính vì lý do này mà các hệ thống nhận dạng dựa trên đặc trƣng sinh học thƣờng hiệu quả hơn so với hệ thống nhận dạng dựa vào đặc trƣng hành vi. - Nhận dạng mặt ngƣời là một trong số ít các phƣơng pháp nhận dạng dựa vào đặc trƣng sinh học cho kết quả chính xác cao.. - Hơn nữa, trong số các đặc trƣng sinh học của con ngƣời thì khuôn mặt đóng vai trò quan trọng trong quá trình giao tiếp giữa ngƣời với ngƣời và mang một lƣợng thông tin giàu có, chẳng hạn nhƣ dựa vào khuôn mặt chúng ta có thể xác định giới tính, độ tuổi, cảm xúc. - Nhận dạng khuôn mặt không phải là bài toán mới nhƣng nó vẫn là một thách thức lớn vì độ phức tạp của nó. - Từ những lý do trên tôi đã chọn đề tài: “Xác định mặt ngƣời sử dụng các đặc trƣng hình học 3D” làm đề tài luận văn tốt nghiệp.. - Mục tiêu, nhiệm vụ nghiên cứu. - Tìm hiểu mô hình bài toán nhận dạng và các bƣớc thực hiện để xây dựng một hệ thống nhận dạng mặt ngƣời;. - Hiểu rõ lý thuyết toán học và các tính chất đặc trựng của những kỹ thuật đƣợc sử dụng để giải quyết bài toán trong khuôn khổ của luận văn;. - Tìm hiểu và sử dụng các công cụ hữu ích nhằm phục vụ cho bài toán nhận dạng mặt ngƣời.. - Đối tƣợng và phạm vi nghiên cứu. - Đối tƣợng nghiên cứu: Các phƣơng pháp, thuật toán phục vụ cho việc phát hiện và nhận dạng mặt ngƣời trên ảnh. - Phạm vi nghiên cứu: Luận văn tập trung vào nghiên cứu phát hiện mặt ngƣời dựa vào các đặc trƣng hình học của khuôn mặt.. - Phƣơng pháp nghiên cứu. - Các phƣơng pháp nghiên cứu lý thuyết nhƣ: Phƣơng pháp phân tích và tổng hợp lý thuyết, phƣơng pháp mô hình hóa.. - Phƣơng pháp nghiên cứu thực tiễn nhƣ: Phƣơng pháp phân tích tổng kết kinh nghiệm, phƣơng pháp quan sát khoa học.. - Kết cấu luận văn. - Chƣơng 1: Khái quát về nhận dạng mặt ngƣời. - Tìm hiểu chung về bài toán nhận dạng mặt ngƣời, ứng dụng của bài toán và một số phƣơng pháp nhận dạng mặt ngƣời.. - Chƣơng 2: Phát hiện mặt ngƣời sử dụng đặc trƣng 3D. - Trình bày các đặc trƣng lồi lõm của khuôn mặt và phát hiện mặt ngƣời dựa vào đặc trƣng lồi lõm.. - KHÁI QUÁT VỀ NHẬN DẠNG MẶT NGƢỜI 1.1. - Nhận dạng khuôn mặt là một khái niệm còn khá mới mẻ, nó chỉ mới đƣợc phát triển vào những năm 60 của thế kỷ trƣớc. - Khi đó, ngƣời ta phải dùng tới những phƣơng 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 đƣợc cải thiện khi M. - Sirovich [11] phát triển phƣơng pháp tìm mặt riêng (eigenface) sử dụng phƣơng pháp phân tích thành phần chính (Principal component analysis - PCA), đánh dấu một bƣớc ngoặt mới trong ngành công nghệ nhận diện khuôn mặt. - Ngày nay, chúng ta có thể dễ dàng nhìn thấy ứng dụng của công nghệ nhận diện khuôn mặt trong việc điều tra tội phạm, kiểm tra hành khách ở sân bay hay việc xác thực truy cập vào hệ thống.. - Thuật toán nhận diện khuôn mặt đƣợc chia làm hai loại chính là hình học (geometric) và trắc quang (photometric). - Hình học là nhận diện khuôn mặt dựa vào các đặc trƣng trên khuôn mặt nhƣ mắt, mũi, miệng, gò má. - còn trắc quang là phƣơng pháp biến hình ảnh thành các giá trị và so sánh với giá trị mẫu để nhận diện. - Ngày nay các nhà nghiên cứu đã phát triển những kỹ thuật nhận diện khuôn mặt riêng, nhƣng phổ biến nhất có ba loại chính là phân tích thành phần chính (Principal component analysis - PCA), phân tích phân lớp tuyến tính (Linear discriminant analysis - LDA) và phƣơng pháp đồ thị đàn hồi (Elastic Bunch Graph Matching - EBGM).. - Cách nhận diện khuôn mặt sử dụng phƣơng pháp phân tích thành phần chính phụ thuộc rất nhiều vào cơ sở dữ liệu ban đầu chứa các ảnh mẫu và góc quay camera cũng nhƣ ánh sáng. - Phƣơng pháp này 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 đƣợc khuôn mặt cần nhận diện. - Ƣu điểm của phƣơng pháp này là giảm thiểu đƣợc dữ liệu cần sử dụng làm mẫu. - Còn phƣơng pháp phân lớp tuyến tính lại phân loại các lớp chƣa biết thành các lớp đã biết, mà ở đó các khuôn mặt tạo thành một lớp và sự khác biệt giữa các khuôn mặt trong một lớp là rất nhỏ. - Cả phân tích thành phần chính và phân lớp tuyến tính đều chọn cách thống kê lấy mẫu, chọn lọc để nhận diện khuôn mặt. - Phƣơng pháp còn lại là đồ thị đàn hồi chia mặt thành mạng lƣới gồm các nút với mỗi khuôn mặt có khoảng 80 điểm nút. - Vị trí của các nút giúp xác định khoảng cách giữa hai mắt, độ dài của sống mũi, độ sâu của hốc mắt, hình dạng của gò má… Điểm khó của phƣơng pháp này là cần tính toán chính xác khoảng cách giữa các điểm nút, và do đó đôi khi nó phải dùng