TỔNG QUAN VỀ XỬ LÝ HÌNH ẢNH VÀ VẤN ĐỀ PHÁT HIỆN KHUÔN MẶT CON NGƯỜI. Xử lý ảnh là một trong những lĩnh vực quan trọng nhất trong kỹ thuật thị giác máy tính, là điều kiện tiên quyết cho nhiều nghiên cứu trong lĩnh vực này. Dữ liệu hình ảnh được lưu trữ ở định dạng phù hợp để xử lý.
Xử lý nhận dạng hình ảnh được coi là quá trình xử lý hình ảnh đầu vào để cho ra kết quả mong muốn. Đầu ra của một quá trình xử lý ảnh có thể là một ảnh đã được “xử lý” hoặc một kết luận. Tùy thuộc vào mục đích nhận dạng trong quá trình xử lý ảnh mà các đặc điểm của đối tượng được trích xuất.
Một số ứng dụng trong xử lý ảnh
Bài toán nhận dạng mặt ngƣời 1. Bài toán nhận dạng mặt ngƣời
- Những khó khăn của nhận dạng khuôn mặt
- Tầm quan trọng của bài toán nhận diện mặt ngƣời
- Các ứng dụng đặc trƣng của bài toán nhận diện mặt ngƣời
- Xây dựng hệ thống nhận diện mặt ngƣời đặc trƣng
- Một số phƣơng pháp nhận diện mặt ngƣời
- Dựa trên tri thức
- Hƣớng tiếp cận dựa trên đặc trƣng không thay đổi
- Hƣớng tiếp cận dựa trên so khớp mẫu
- Hƣớng tiếp cận dựa trên diện mạo
Cách tiếp cận dựa trên 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. Tác giả Yang và Huang sử dụng phương pháp sau để nhận dạng khuôn mặt.
Ở cấp độ cuối cùng, các thí sinh còn lại sẽ được xem xét về các đặc điểm trên khuôn mặt như mắt và miệng. Hai người đàn ông đã sử dụng phương pháp chiếu để xác định các đặc điểm trên khuôn mặt. Kanade đã thành công với phương pháp chiếu để xác định ranh giới của khuôn mặt. Các tác giả cố gắng tìm ra những đặc điểm bất biến trên khuôn mặt con người để nhận diện 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 bằng đốm màu.
Sử dụng năm đặc điểm (hai mắt, hai lỗ mũi, phần giữa mũi và miệng) để mô tả khuôn mặt. Khuôn mặt con người có các kết cấu khác nhau có thể được sử dụng để phân loại. Tác giả Sakai đã cố gắng nhận diện khuôn mặt của một người trong một bức ảnh.
Tác giả Craw cung cấp một phương pháp nhận dạng khuôn mặt người dựa trên các mẫu hình dạng của các bức ảnh thẳng (sử dụng hình dáng của hình dạng khuôn mặt). Sau đó, Craw mô tả một phương pháp xác định sử dụng bộ 40 mẫu để tìm đặc điểm khuôn mặt và kiểm tra chiến lược phát hiện. Trong phương pháp này, các đặc điểm khuôn mặt được mô tả bằng các mẫu được tham số hóa.
Các cách tiếp cận khác trong cách tiếp cận dựa trên diện mạo bao gồm tìm hàm phân biệt (ví dụ: mặt phẳng quyết định, siêu phẳng để phân tách dữ liệu, hàm ngưỡng) để phân biệt hai loại dữ liệu: khuôn mặt và không phải khuôn mặt. Thông thường, các mẫu hình ảnh được chiếu vào không gian có chiều thấp hơn và sau đó hàm phân biệt (dựa trên các phép đo khoảng cách) được sử dụng để phân loại hoặc xây dựng bề mặt quyết định phi tuyến tính bằng mạng nơ-ron đa chiều. Hoặc sử dụng SVM (Support Vector Machine) và các phương thức kernel, chiếu toàn bộ mẫu vào không gian nhiều chiều hơn để dữ liệu được rời rạc hóa hoàn toàn và chúng ta có thể sử dụng mặt phẳng quyết định để phân loại mẫu khuôn: phẳng và không phẳng.
TÌM HIỂU VỀ CÁC ĐẶC TRƢNG KHUÔN MẶT
Đặc trƣng lõm
- Điểm lõm
- Dò tìm và lấy vùng lõm
- Dò và phát hiện vùng lõm o nhiều mức khác nhau
- Tối ƣu tốc độ dò tìm
- Phát hiện mặt ngƣời
- Xây dựng cấu trúc cây lõm
- Xây dựng hàm tính độ tƣơng đồng giữa hai cây
Chúng ta sẽ mất một số thông tin về các pixel lõm và các điểm lân cận của chúng. Đối với diện tích đang xét - bình phương s x s, chúng ta tính giá trị của bộ lọc trên. Chúng tôi thấy rằng bằng cách thay đổi kích thước S của vùng quan tâm hay nói cách khác là kích thước của bộ lọc, chúng ta có thể phát hiện các vùng lõm tương ứng với nhiều kích thước và mức độ khác nhau.
Chúng ta có thể dễ dàng nhận thấy các công thức lọc tương tự như công thức Laplacian nhưng có một chút khác biệt trong việc sử dụng các vùng thay vì các điểm riêng lẻ. Trong hình (2.3a), tổng diện tích của các vùng màu đen xung quanh gấp đôi diện tích ở giữa nên chúng ta có hệ số 2. Chúng ta sử dụng 1=KS2 cho bộ lọc vuông có kích thước S và 2=4KS2 cho các bộ lọc.
Tương tự, trong (2.7), chúng ta nhân đôi giá trị của FR(R) để tránh tính toán ở số thực. Vì vậy, chúng ta cũng nên nhân đôi ngưỡng 2 để tăng độ chính xác của ước lượng. Ở cấp độ này, chúng ta có thể phát hiện các vùng lõm, có kích thước nhỏ và chi tiết.
Ở mỗi cấp độ, trước tiên áp dụng bộ lọc Gaussian có kích thước i 2, sau đó chúng ta sử dụng 3 bộ lọc khác nhau như trong hình (2.3) với kích thước S = i. Trong vùng đó, chúng ta thường cần tính tổng độ sáng pixel cho một vùng hình chữ nhật , trong đó một số có thể trùng lặp. Phương pháp này cải thiện đáng kể tốc độ tính toán vì chúng ta chỉ cần tính ảnh tích phân một lần và sử dụng nó trong tất cả các cửa sổ con hình chữ nhật, và đặc biệt, độ phức tạp tính toán không phụ thuộc vào kích thước của khu vực đang xét.
Từ các vùng lõm được trích xuất, chúng ta xây dựng cây có quan hệ phân cấp. Bằng cách này, chúng ta có thể dễ dàng tạo cây phân cấp từ các vùng được trích xuất. Thay vì lưu trữ tất cả các điểm chính của các vùng lõm (nút), chúng ta chỉ cần lưu trữ một vectơ PCA chứa nội dung của các điểm chính này.
Phát hiện mặt ngƣời trong ảnh dựa trên đặc trƣng lõm 1. Gán nhãn
- Thống kê
- Đánh giá dùng cho phát hiện khuôn mặt
- Hậu xử lí
Dựa trên các công thức tính độ tương tự và 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 cũng như mở rộng cho các bài toán phân loại đối tượng. Các cuộc thảo luận về khả năng mở rộng của mô hình này để nhận dạng khuôn mặt và phân loại đối tượng sẽ được trình bày trong chương kết luận và phát triển.
Mục đích của bước này là ước tính cấu trúc của cây mặt. Và cuối cùng là hiện tượng trùng lặp khuôn mặt, vì một số cây có một phần nút gốc chồng lên nhau. Dựa trên bộ cây tiêu chuẩn, mỗi cây được đánh giá có khả năng là một khuôn mặt hay không dựa trên khoảng cách trung bình của cây được xem xét đến tất cả các cây trong bộ cây tiêu chuẩn.
Kết quả thu được cho thấy có một vùng mặt được phát hiện bị chồng lấp một phần. Có thể phát hiện nhiều cây ứng cử viên được đánh giá là “các mặt”, nhưng thực tế chúng là sự chồng chéo của nhiều cây tại một vị trí một mặt. Vì vậy, chúng ta cần một thuật toán tốt để giảm thiểu việc phát hiện các ứng viên trùng lặp này.
Nếu hai ứng cử viên khuôn mặt có các khu vực chồng lên nhau hơn một phần ba diện tích của chúng, chúng được coi là các khuôn mặt trùng lặp và được liên kết với một khu vực lớn hơn. Sau khi nhóm các vùng, sẽ thu được một hoặc nhiều vùng có các mặt. Tuy nhiên, do sai số về kích thước cây và kích thước khuôn mặt nên diện tích khuôn mặt được phát hiện luôn lớn hơn khuôn mặt thực tế.
Bằng cách này, chúng ta sẽ thu nhỏ và xác định chính xác hơn vị trí của khuôn mặt.
CHƢƠNG TRÌNH THỬ NGHIỆM
Bài toán
Phân tích thiết kế
Một số kết quả chƣơng trình 1 Tập ảnh thử nghiệm
- Kết quả chƣơng trình
- Kết quả thực nghiệm
Thông qua luận án này tôi đã đóng góp một cách tiếp cận mới cho vấn đề nhận dạng khuôn mặt. Hơn nữa, nó hứa hẹn sẽ mở ra một lớp tính năng mới có thể được phát triển để xác định vị trí của các thành phần trên khuôn mặt như mắt, mũi, miệng, v.v. Ngoài ra, nó có thể được phát triển hơn nữa để trở thành bài toán nhận dạng khuôn mặt.
Em đã tìm hiểu về bài toán nhận diện khuôn mặt người dựa vào đặc điểm 3D lõm để nhận diện khuôn mặt và nhận diện được ứng dụng cụ thể của bài toán nhận diện khuôn mặt người. Chương trình phát hiện khuôn mặt người trong ảnh và xác định khuôn mặt cũng như các chi tiết trên khuôn mặt. Tổ chức tìm kiếm liên quan đến người qua khuôn mặt trong nhiều hệ thống cơ sở dữ liệu lớn.
