Đề tài Tìm hiểu phương pháp phân tích các thành phần chính, ứng dụng trích chọn các đặc trưng cho bài toán phát hiện khuôn mặt trong ảnh

BỘ GIÁO DỤC VÀ ĐÀO TẠOTRƯỜNG ĐẠI HỌC DÂN LẬP HẢI PHÒNG BÁO CÁO TỐT NGHIỆPĐề tài: Tìm hiểu phương pháp phân tích các thành phần chính, ứng dụng trích chọn các đặc trưng cho bài toán phát hiện khuôn mặt trong ảnh Giáo viên hướng dẫn: Ths. Ngô Trường Giang Sinh viên thực hiện : Ngô Hồng Hải Mã sinh viên : 0802901NỘI DUNG BÁO CÁO1. Tổng quan về phát hiện khuôn mặt trong ảnh.2. Phương pháp trích chọn đặc trưng khuôn mặt.3. Tổng quan về mạng Neural.4. Dò tìm khuôn mặt trong ảnh.5. Thử nghiệm và kết quả.21. Tổng quan về phát hiện khuôn mặt trong ảnh1.1. Một số lĩnh vực ứng dụng dò tìm khuôn mặt trong ảnh.Hệ thống quan sát, theo dõi và bảo vệ Hệ thống thẻ ATMĐiều khiển vào ra: văn phòng, công ty, trụ sở, máy tính,. Tìm kiếm và tổ chức dữ liệu liên quan đến con người thông qua khuôn mặt.An ninh sân bay, xuất nhập cảnh.Và một số lĩnh vực khác.31.2. Một số hướng tiếp cận dò tìm khuôn mặt trong ảnh.Hướng tiếp cận dựa trên tri thức.Hướng tiếp cận dựa trên đặc trưng không thay đổi.Hướng tiếp cận dựa trên so khớp mẫu.Hướng tiếp cận dựa trên diện mạo.1. Tổng quan về phát hiện khuôn mặt trong ảnh(tiếp)41.3. Khó khăn và thách thức trong dò tìm khuôn mặt trong ảnhHướng của khuôn mặt đối với máy ảnh.Mặt người bị che khuất bởi các đối tượng khác.Điều kiện ảnh, đặc biệt là về độ sáng và chất lượng ảnh.Nhiều khuôn mặt có vùng da dính lẫn nhau. 1. Tổng quan về phát hiện khuôn mặt trong ảnh(tiếp)52. Phương pháp trích chọn đặc trưng khuôn mặt2.1. Phương pháp phân tích thành phần chính (PCA).PCA - Principal Component Analysic.Tìm cách giữ lại những thành phần quan trọng nhất của tập mẫu. Giảm số lượng các bước tính toán trong quá trình nhận dạng.Hai phương pháp:PCA toàn cục.PCA cục bộ. PCA toàn cục2020PCA cục bộ101062.1. Phương pháp phân tích thành phần chính (PCA).Giả sử x1, x2, , xn là các véc tơ n x 1 Tính véc tơ trung bình ; m số tập mẫu.Tính ma trận A: với Tính ma trận C: Tính toán các trị riêng của C:Tính toán các vé tơ riêng U của C: u1,u2, ,un2. Phương pháp trích chọn đặc trưng khuôn mặt (tiếp)72.1. Phương pháp phân tích thành phần chính (PCA).Giữ lại véc tơ riêng U ứng với lamda lớn nhất.Ma trận giảm số chiều: A*UTóm lại: Phương pháp PCA là ánh xạ một véc tơ từ không gian n chiều xuống không gian k chiều.Tìm các trị riêng và véc tơ riêng của ma trận hiệp phương sai C của tập X.Giữ lại k véc tơ riêng ứng với k trị riêng lớn nhất làm cơ sở cho không gian k chiều này. 2. Phương pháp trích chọn đặc trưng khuôn mặt (tiếp)82. Phương pháp trích chọn đặc trưng khuôn mặt (tiếp)92.2. Phép biến đổi Haar-Like.Giới thiệu:Haar-like được xây dựng từ các hình chữ nhật có kích thước bằng nhau.Dùng để tính độ chênh lệch giữa các giá trị điểm ảnh trong các vùng kề nhau.Đặc trưng Haar-like bằng tổng các điểm ảnh hình chữ nhật màu sáng trừ đi tổng các điểm ảnh của hình chữ nhật màu tối.2. Phương pháp trích chọn đặc trưng khuôn mặt (tiếp)102.2. Phép biến đổi Haar-Like phương pháp trích chọn đặc trưng Haar-like.Đặc trưng được tính bằng độ chênh lệch giữa tổng các miền hình học.Có 3 tập hợp miền hình học chính như sau. 2. Phương pháp trích chọn đặc trưng khuôn mặt (tiếp)Các miền hình học đặc trưng Haar-like Đặc trưng Haar-like cho mặt người 113.1. Tổng quan về mạng nơ ron.Mạng nơ ron là một họ các quá trình xử lý thông tin dựa trên mô hình các nơ-ron thần kinh của con người.Giống như con người, mạng nơ ron học bằng các ví dụ (mẫu). 3.2. Lĩnh vực ứng dụng.Phát hiện bệnh.Dự báo thị trường chứng khoán.Kiểm tra độ tin cậy của máy móc.Quản lý rủi ro.3. Tổng quan về mạng nơ ron123. Tổng quan về mạng nơ ron (tiếp)3.3. Mạng nơ ron nhận tạo.Là một hệ thống bao gồm nhiều phần tử xử lý đơn giản.Tựa như nơ-ron thần kinh của não người.Hoạt động song song và được nối với nhau bởi các liên kết nơ ron.Mỗi liên kết kèm theo một trọng số nào đó.3.4. Mô hình cơ bản của mạng nơ ron.133.5. Xây dựng mạng nơ ron.Ta có thể hiểu mạng nơ ron là một đồ thị có hướngInput:Mạng nơ-ron có num_layer lớp (với num_layer>1).Mỗi lớp có num_of_layer nơ-ron (num_of_layer>=1).Trọng số w liên kết nơ-ron ngẫu nhiên trong khoảng (-a,a).Output: Mạng nơ-ron nhân tạo.xh1h2h3g2g1f3. Tổng quan về mạng nơ ron (tiếp)14Pixel0 1 2 30123XYWidthHeight4. Dò tìm khuôn mặt trong ảnh4.1. Biểu diễn khuôn mặt trong máy tính.154. Dò tìm khuôn mặt trong ảnh (tiếp)4.1. Biểu diễn khuôn mặt trong máy tính.Dữ liệu ảnh biểu diễn trong máy tính là cường độ sáng của điểm ảnh tại vị trí x và y. Pixel: điểm ảnh mang một giá trị số f(x,y)x, y: số nguyên chỉ vị trí pixel.f: độ sáng. Mỗi một ảnh được biểu diễn dưới dạng ma trận. Ảnh mẫu huấn luyện cỡ 20 x 20. 164. Dò tìm khuôn mặt trong ảnh (tiếp)4.2. Tiền xử lý dữ liệu.Là giai đoạn đầu tiên trong xử lý ảnh số.Gồm các công đoạn khác nhau như: nâng cấp, khôi phục ảnh, nắn chỉnh hình học, khử nhiễu Ảnh khuôn mặt thẳng được canh biên174.3. Áp dụng bộ dò tìm trên ảnh.Đầu vào của mạng nơ-ron là giá trị đặc trưng của khuôn mặt sau khi được trích chọn.Đầu ra nằm trong khoảng 0 đến 14.5. Áp dụng bộ kiểm tra với đầu ra.Tiền xử lí ảnh đầu vào.Ảnh đầu vào được chia thành các ảnh nhỏ.Hình dáng của các ảnh nhỏ này được sử dụng để dò tìm khuôn mặt.4. Dò tìm khuôn mặt trong ảnh (tiếp)185. Thử nghiệm và kết quả5.1. Môi trường thử nghiệm.Phần cứng: - Một máy tính Pentium IV 2.8 Ghz - Card đồ họa 128 Mb - Ram 512 MbPhần mềm: - Hệ điều hành Windows XP - Ngôn ngữ lập trình C# trong bộ Visual Studio 2005 - MSDN 2005 195.2. Kết quả dò tìm.5. Thử nghiệm và kết quả (tiếp)205.2. Kết quả dò tìm.5. Thử nghiệm và kết quả (tiếp)21 Em xin chân thành cảm ơn thầy Ngô Trường Giang và các thầy cô trong bộ môn tin học đã giúp em rất nhiều trong thời gian làm đồ án tốt nghiệp. Em rất mong được các thầy cô tiếp tục giúp đỡ để em hoàn thành đề tài này. Em xin chân thành cảm ơn!LỜI CẢM ƠN22