Lớp: CT1301 Ngành: Công nghệ thông tin Tên dự án: Tìm hiểu đặc điểm lồi 3D và bài toán nhận diện khuôn mặt người trong ảnh. Nội dung, yêu cầu cần giải quyết của luận án a.Đánh giá chất lượng của luận án (so với nội dung yêu cầu nêu trong luận án).
Một trong những vấn đề nhận được sự quan tâm và nỗ lực nhiều nhất của lĩnh vực công nghệ thông tin trong những năm gần đây đó là vấn đề nhận dạng. Tuy chỉ mới xuất hiện gần đây nhưng nó đã thu hút được rất nhiều sự chú ý vì tính ứng dụng thực tế của bài toán cũng như vì tính phức tạp của nó. Cho đến nay, các nhà nghiên cứu vẫn chưa đạt được sự hài lòng khi giải quyết được khó khăn của bài toán và đưa ra kết quả hoàn toàn chính xác.
Tổng quan về vấn đề xử lý ảnh và nhận dạng khuôn mặt con người.
KHÁI QUÁT VỀ XỬ LÝ ẢNH VÀ BÀI TOÁN PHÁT HIỆN
Khái quát về xử lý ảnh
- Một số khái niệm cơ bản
- Một số vấn đề trong xử lý ảnh
- Các hệ thống xử lý ảnh
- Các hình thái của ảnh
- Một số ứng dụng trong xử lý ảnh
Để làm được điều này, chúng ta cần có thiết bị chụp ảnh bao gồm máy ảnh và máy quét. Những thiết bị thu này có thể tạo ra hình ảnh đen trắng. Những thiết bị hình ảnh này có thể tạo ra hình ảnh đen trắng hoặc màu. Do đó, nhiễu này có thể được loại bỏ bằng cách sử dụng biến đổi Fourier và loại bỏ các đỉnh.
Khuếch tán chính xác: Hình ảnh thu được từ các thiết bị quang học hoặc điện tử có thể bị mờ hoặc mờ. Các thuộc tính này có thể được trích xuất bằng toán tử Gradien, toán tử Laplace và toán tử giao điểm 0.
Bài toán nhận dạng mặt ngƣời
- Bài toán
- Những khó khăn của nhận dạng khuôn mặt
- Tầm quan trọng của bài toán nhận diện mặt người
- Các ứng dụng đặc trưng của bài toán nhận diện mặt người
- Xây dựng hệ thống nhận diện mặt người đặc trưng
- Một số phương pháp nhận diện mặt người
- 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
- Pháp phát hiện mặt người dựa trên đặc trưng lồi
Phương pháp khớp mẫu: sử dụng các mẫu khuôn mặt tiêu chuẩn của con người để mô tả khuôn mặt hoặc các đặc điểm trên khuôn mặt. Dễ dàng xây dựng các quy tắc cơ bản để mô tả đặc điểm khuôn mặt và các mối quan hệ liên quan. Ở cấp độ cuối cùng, một bộ quy tắc khác được sử dụng để xem các đặc điểm khuôn mặt ở mức độ chi tiết.
Ở giai đoạn cuối, các ứng viên còn lại sẽ được xem xét về các đặc điểm trên khuôn mặt như mắt và miệng. Hai người đàn ông xác định các đặc điểm trên khuôn mặt bằng phương pháp chiếu, trong khi Kanade có thể xác định ranh giới của khuôn mặt bằng phương pháp chiếu. Các tác giả cố gắng tìm kiếm những đặc điểm bất biến trên khuôn mặt con người để nhận dạng khuôn mặt con người.
Có nhiều nghiên cứu trước tiên xác định các đặc điểm khuôn mặt và sau đó cho biết liệu có khuôn mặt trong ảnh hay không. Sirohey cung cấp phương pháp nhận dạng khuôn mặt từ một hình ảnh có nền phức tạp. Sử dụng hình ảnh có độ phân giải thấp bằng cách sử dụng phép biến đổi Laplace để nhận dạng khuôn mặt thông qua đốm màu.
Sử dụng năm đặc điểm (hai mắt, hai lỗ mũi, phần giữa mũi và miệng) để mô tả khuôn mặt. Tác giả Sakai đã cố gắng nhận dạng khuôn mặt của người trong ảnh. Tác giả Craw đưa ra phương pháp nhận dạng khuôn mặt người dựa trên các mẫu hình dạng của ảnh thẳng (sử dụng hình dạng khuôn mặt).
Sau đó, Craw mô tả một phương pháp xác định sử dụng bộ 40 mẫu để tìm các đặc điểm khuôn mặt và kiểm soát chiến lược phát hiện. Trong phương pháp này, các đặc điểm khuôn mặt được mô tả bằng các mẫu được tham số hóa.
PHÁT HIỆN MẶT NGƢỜI DỰA VÀO ĐẶC TRƢNG LỒI
Đặc trƣng lồi
- Điểm lồi
- Dò tìm và lấy vùng lồi
- Dò tìm và phát hiện vùng lồi ở nhiều mức khác nhau
Mục tiêu của chúng tôi là phát hiện các điểm có khả năng là điểm lồi trên bề mặt này. Trong thực tế, do ảnh là hàm không liên tục, hàm rời rạc do máy tính số hóa nên sẽ rất khắt khe nếu chúng ta chỉ phát hiện các điểm cực trị. Chúng ta sẽ mất một số thông tin về các pixel lồi và các điểm lân cận của chúng.
Đối với diện tích đang xét - hình vuông s x s, ta tính giá trị của bộ lọc trên diện tích này theo công thức 2.2. Chúng ta lưu ý rằng bằng cách thay đổi kích thước S của vùng đang xét, hay nói cách khác là kích thước của bộ lọc, chúng ta có thể phát hiện các vùng lồi tương ứng với nhiều kích thước và mức độ khác nhau. Trong hình (2.3a), tổng diện tích của các vùng màu đen xung quanh lớn gấp đôi diện tích ở trung tâm nên ta có hệ số là 2.
Tương tự, trong phiên bản 2.6, chúng tôi nhân đôi giá trị của FR(R) để tránh tính toán trên số thực. Vì vậy, chúng ta cũng cần nhân đôi ngưỡng 2 để tăng độ chính xác cho việc đánh giá. Sau đây là phương pháp sử dụng các bộ lọc hiệu quả ở các cấp độ khác nhau để phát hiện các vùng lồi.
Ở cấp độ này, chúng ta có thể phát hiện các vùng lồi, có kích thước nhỏ và chi tiết. Trong vùng đang xem xét, chúng ta thường cần tính tổng độ sáng pixel của vùng hình chữ nhật, một số vùng có thể chồng lên nhau. Phạm Thanh Huân – Lớp CT1301 31 Phương pháp này cải thiện đáng kể tốc độ tính toán vì chúng ta chỉ cần tính ảnh nguyên một lần và sử dụng nó trong tất cả các cửa sổ hình chữ nhật và nó đặc biệt phức tạp. việc tính toán không phụ thuộc vào kích thước của khu vực đang được xem xét.
Phát hiện mặt ngƣời
- Xây dựng cấu trúc cây
- Xây dựng hàm tính độ tương đồng giữa hai cây
- Độ tương đồng giữa hai nút trên cây
- Độ tương đồng giữa hai cây
- Không gian cây và khoảng cách giữa hai cây
Ngoài ra, thông tin về độ sáng cũng rất quan trọng đối với các vấn đề về phát hiện và nhận dạng khuôn mặt trong tương lai. Trong phần này, chúng ta sẽ tìm hiểu cách tính độ tương tự giữa hai cây bằng cách sử dụng cùng một biểu diễn như trong phần trước. Việc xây dựng đặc điểm tương tự giữa hai cây là cần thiết trong mọi quá trình xử lý liên quan đến đặc điểm này.
Để xây dựng hàm tính độ tương tự giữa hai cây, trước tiên chúng ta cần xây dựng hàm tính độ tương tự giữa hai nút của hai cây. Từ hàm tính độ tương tự giữa 2 nút, ta xây dựng hàm tính độ tương tự giữa 2 cây. Trong một số trường hợp, hàm tương tự giữa hai cây không đủ để tính toán.
Dễ dàng nhận thấy khoảng cách giữa hai cây là một giá trị trong khoảng [0,1]. Dựa trên các công thức so sánh và tính khoảng cách này, chúng tôi xây dựng mô hình thống kê để phát hiện và phát hiện khuôn mặt. Mô hình này có thể được sử dụng để nhận dạng khuôn mặt nhưng cũng có thể được mở rộng cho các vấn đề phân loại đối tượng.
Chương trình thử nghiệm được xây dựng bằng C# sử dụng Visual Studio 2008 với các hàm API hỗ trợ nhận dạng khuôn mặt trong thư viện Luxand FaceSDK [25]. Dựa trên tài liệu tìm được, tôi cài đặt chương trình thử nghiệm và xây dựng thuật toán xác định các vùng ảnh có chứa khuôn mặt. Trong một số trường hợp, nhận dạng khuôn mặt vẫn nhầm các vùng khác (không phải khuôn mặt) của ảnh là khuôn mặt.
CÀI ĐẶT THỬ NGHIỆM
Bài toán
Nội dung: Tìm hiểu về đặc điểm lồi 3D và bài toán nhận diện khuôn mặt người trong ảnh. Đầu vào: Cung cấp hình ảnh đầu vào để phân tích Đầu ra: Xác định vùng ảnh chứa khuôn mặt người.
Phân tích bài toán
Một số kết quả chƣơng trình
Trong quá trình nghiên cứu và thực hiện đồ án dưới sự hướng dẫn của thầy hướng dẫn, tôi đã tìm hiểu được tổng quan về xử lý ảnh và bài toán nhận diện khuôn mặt người dựa trên đặc trưng lồi 3D. Chương trình thử nghiệm cho kết quả khả quan với khả năng mô phỏng khuôn mặt bằng wireframe 3D. Điều này xảy ra vì hình ảnh được chụp có chứa nhiều vùng của hình ảnh với lưới Ridge có kết cấu tương tự như kết cấu Ridge của khuôn mặt, do đó chương trình coi nó như một phần tử biểu diễn.
Nhằm mục đích xây dựng khung lưới 3D chân thực bằng cách gán trục tọa độ Oxyz cho vùng Sườn núi được phát hiện để tăng khả năng nhận biết các vùng có khả năng là mắt, mũi hay miệng và các vùng khác như chân, lông mày, cằm... Ngoài ra, để cải thiện khả năng xử lý, tôi đã mở rộng việc sử dụng các bộ lọc tương thích để cải thiện quá trình xử lý trước ảnh nhằm loại bỏ các vùng nhiễu không cần thiết. Tôi tin rằng bài toán này có thể được mở rộng để áp dụng cho bài toán nhận dạng đối tượng ở mức độ tổng quát.
