Luận văn Phát hiện mặt người trong ảnh dựa trên các đặc trưng Haar – Like và mẫu nhị phân cục bộ

4 Chương 1. Bài toán phát hiện khuôn mặt – mục đích, sự cần thiết của nghiên cứu và kết quả nghiên cứu đạt được 1.1 Sự cần thiết của nghiên cứu Hệ thống phát hiện khuôn mặt: xác định vị trí các khuôn mặt trong ảnh và/hoặc trong chuỗi video sử dụng máy tính. Một hệ thống phát hiện khuôn mặt lí tưởng nên xác định được vị trí tất cả các khuôn mặt (trong ảnh/video) bất kể các điều kiện: vị trí khuôn mặt, tỉ lệ, hướng, độ sáng, cảm xúc khuôn mặt. Vì khuôn mặt người xuất hiện trong ảnh có thể bị biến đổi rất nhiều dưới các điều kiện trên nên phát hiện mặt người vẫn còn là một bài toán đầy thách thức trong thị giác máy tính. Có rất nhiều bài toán và các ứng dụng liên quan đến bài toán phát hiện khuôn mặt. • Định vị khuôn mặt (Face localisation) : mục đích xác định vị trí của một khuôn mặt trong ảnh. Là một bài toán phát hiện khuôn mặt đơn giản với giả sử rằng ảnh đầu vào chỉ chứa duy nhất một khuôn mặt. • Phát hiện đặc trưng khuôn mặt (Facial feature detection): phát hiện (định vị) các đặc trưng trong khuôn mặt như mắt, mũi, miệng, …. • Nhận dạng khuôn mặt (Face recognition): So sánh một ảnh đầu vào với một cơ sở dữ liệu và thông báo ảnh đầu vào khớp với ảnh nào trong cơ sở dữ liệu (nếu có). Phát hiện mặt người là bước đầu tiên không thể thiếu trong hệ thống nhận dạng mặt người tự động, một kết quả phát hiện mặt người tốt sẽ tăng hiệu suất của của hệ thống nhận dạng (còn phụ thuộc vào nhiều yếu tố khác). • Xác thực khuôn mặt (Face authentication): xác nhận một cá nhân trong một ảnh đầu vào. • Truy vết khuôn mặt (Face tracking): ước lượng vị trí và hướng của một khuôn mặt trong một chuỗi ảnh trong thời gian thực. 5 • Nhận dạng cảm xúc khuôn mặt (Facial expression recognition): xác định các trạng thái của khuôn mặt (vui, buồn, giận dữ,…). Rõ ràng, phát hiện khuôn mặt là bước đầu tiên trong bất kì hệ thống tự động giải quyết các bài toán trên. Do đó, một hệ thống phát hiện khuôn mặt chính xác và hiệu quả là cực kì cần thiết. Hơn nữa trong một số ứng dụng như truy vết khuôn mặt, phát hiện đối tượng trong video, giao tiếp người máy thì phát hiện khuôn mặt với yêu cầu thời gian thực là một điều bắt buộc. 1.2 Mục đích nghiên cứu Mục đích chính của luận văn là đề xuất một phương pháp phát hiện mặt người nhìn thẳng hoặc góc nghiêng không đáng kể (không quá 30 độ) trong ảnh hiệu quả: tỉ lệ phát hiện chính xác cao, ít phát hiện sai và có thể áp dụng để phát hiện khuôn mặt trong thời gian thực. Ảnh được xét trong luận văn là ảnh số, nghĩa là ảnh mặt người được chụp từ các thiết bị như máy ảnh số, camera,…. Luận văn không xem xét các ảnh mặt người nhân tạo như vẽ,… Một cách chi tiết, luận văn tập trung vào bài toán phát hiện mặt người sử dụng các phương pháp dựa trên máy học như Adaboost, Local Binary Pattern (LBP), Artificial Neural Network (ANN), Suport Vector Machine (SVM)… Dựa trên sự phân tích các ưu, khuyết điểm của các phương pháp truyền thống, luận văn phát triển một phương pháp có thể cải tiến kết quả phát hiện khuôn mặt trong ảnh (so sánh với AdaBoost trong thư viện OpenCv). 1.3 Kết quả đạt được của luận văn • Tổng quan các phương pháp cho bài toán phát hiện mặt người. • Tìm hiểu và trình bày chi tiết chứng minh nền tảng toán học của phương pháp Discrete AdaBoost. • Tìm hiểu lí thuyết và cài đặt bộ phát hiện khuôn mặt sử dụng LBP. 6 • Đề xuất một phương pháp hiệu quả cho bài toán phát hiện khuôn mặt trong ảnh. Phương pháp AB – LBP đề xuất được kiểm chứng đạt kết quả tốt (so sánh với AdaBoost) trên bộ dữ liệu MIT + CMU [7] và CalTech [25].