Nhận dạng ảnh mặt người trong điều kiện ánh sáng thay đổi

ủa hai mắt hoặc mồm). Nói chung với cách tiếp cận này chỉ cho ta đ−ợc một số đặc điểm của đối t−ợng, nó không đủ để có thể ứng dụng trong thực tế nh−ng đối với sự hiệu chỉnh hình học hoặc bộ lọc thì có thể cải tiến đ−ợc các kết quả này. Cách tiếp cận phân tích các thành phần chính: cách tiếp cận này có thể trích ra đ−ợc thông tin quan trọng nhất đ−ợc trình bày bằng cách thống kê đối với một tập các ảnh nh− là một tập các vector riêng. Các vector riêng có thể đ−ợc đánh giá nh− là tập các điểm đặc tr−ng chung và định rõ đ−ợc các đặc điểm thay đổi của ảnh trong cơ sở dữ liệu. Mỗi ảnh đ−ợc biểu diễn một cách chính xác qua một sự liên kết tuyến tính của những vector riêng này. Để quyết định kích th−ớc của không gian mặt chúng ta dựa vào số các vector riêng. Kỹ thuật này phân tích các đặc điểm của ảnh, thu thập các thông tin quan trọng và loại bỏ đ−ợc các thông tin d− thừa không cần thiết cho hệ thống nhận dạng. Do đó nó có thể tìm đ−ợc sự biểu diễn tối −u kích th−ớc của ảnh nh−ng kỹ thuật này có thể hữu ích đối với việc xây dựng lại cấu trúc ảnh hơn là đối với việc nhận dạng. Hơn nữa, ph−ơng thức mặt riêng (vector riêng) là không bất biến với sự thay đổi hình học của ảnh nh− là sự co giãn, dịch chuyển hoặc phép quay trong dữ liệu gốc. Cách tiếp cận tiêp theo là sử dụng bộ lọc: hệ thống cho ảnh đi qua bộ lọc và qua bộ Bộ lọc * * * * * * * Hình 1.4 Mô phỏng bộ lọc để lấy đ−ợc các điểm đặc tr−ng 14 lọc đó các thông tin đặc tr−ng quan trọng sẽ đ−ợc thu lại và làm giảm không gian l−u trữ ảnh. Kết quả là ta thu đ−ợc các thông tin quan trọng của ảnh. Có thể mô tả nh− hình 1.4 trên đây. Hình trên cho thấy khi cho qua bộ lọc các thông tin d− thừa sẽ bị loại bỏ chỉ để lại các thông tin quan trọng tạo nên ảnh mặt. Nói tóm lại: các cách tiếp cận trên nhằm mục đích phân loại đ−ợc các điểm đặc tr−ng và biểu diễn chúng sau đó thực hiện việc tối −u các thông tin đó sao cho kích th−ớc không gian l−u trữ điểm đặc tr−ng là nhỏ nhất. 1.2.4 Lập luận kết quả Hệ thống so sánh hai ảnh với nhau sao cho có hiệu quả nhất, sụ phù hợp của hai ảnh đ−ợc tính bằng cách nh−: sử dụng cách tiếp khoảng cách tiếp xúc và sử dụng các ng−ỡng để đánh giá. Trong không gian mặt hệ thống so sánh khoảng cách từ một mặt cần tìm đến một tập hợp các mặt, kết quả là ta thu đ−ợc tập các số đo. Nếu một trong tập các số đo thỏa mãn yêu cầu về khoảng cách nhận dạng thì đó chính là mặt mà chúng ta cần tìm. Các khoảng cách chuẩn đ−ợc sử dụng: khoảng cách Euclidean hoặc khoảng cách Mahalanobits (đối với không gian vector riêng). Bên cạnh việc sử dụng các khoảng cách để đánh giá sự phù hợp của hai ảnh, chúng ta còn có thể sử dụng các ng−ỡng để đánh giá mức độ chính xác của một số cách tiếp cận khác. Tỷ số nhận dạng sai của các cách tiếp cận khác nhau không thể v−ợt quá một ng−ỡng nào đó. Nếu v−ợt quá thì kết luận hai mặt đó không phù hợp còn ng−ợc lai thì hai mặt là phù hợp và ta tiến hành đánh giá nhận dạng chúng. 1.3 hệ thống kỹ thuật nhận dạng ảnh mặt ng−ời Nhận dạng ảnh mặt đã đ−ợc nghiên cứu trong nhiều năm và đang đ−ợc ứng dụng trong thực tế nh− là: các hệ thống bảo mật, sự xác định tội phạm và hỗ trợ các hệ thống nhận dạng giọng nói. Nhận dạng mặt rất quan trọng đối với con ng−ời bởi vì bề mặt đóng một vai trò lớn trong giao tiếp với cộng đồng, các biểu hiện của tình cảm, cảm xúc, suy nghĩ và cảm nghĩ. Hệ thống nhận dạng ảnh mặt tự động có thể đ−ợc chia thành các phần nh−: quy trình công nghệ xử lý thông tin, các vấn đề triển khai trong thực tế và các ứng dụng điển hình. 15 1.3.1 Qui trình công nghệ xử lý thông tin Quy trình thiết kế một hệ thống nhận dạng ảnh mặt tự động là một quá trình xử lý đa giai đoạn. Những giai đoạn này về cơ bản là các b−ớc giống nhau. Các giai đoạn có thể đ−ợc mô tả nh− sau: B−ớc 1: Giai đoạn cảm biến Các nghiên cứu đ−ợc đ−a ra để xác định tác nhân đem lại các thuộc tính của đối t−ợng (cỡ, hình dáng, màu sắc, kết cấu, …). Các giá trị và các mối quan hệ giữa các thuộc tính của đối t−ợng đ−ợc sử dụng để biểu thị đặc điểm của một đối t−ợng trong cách thức của một vector mẫu. Phạm vi giá trị của thuộc tính đ−ợc hiểu nh− là độ lớn của không gian. Một vấn đề quan trọng là độ chính xác của sự xuất hiện khung cảnh thực đ−ợc thu bởi vector mẫu nh− thế nào. Các vấn đề nhiễu trong ảnh phải d−ới mức độ cho phép và không làm mất thông tin chủ yếu. Các thông tin của đối t−ợng đ−ợc biểu diễn nh− thế nào trong vào giai đoạn cảm biến này và kết quả thu đ−ợc của giai đoạn nàylà các kết quả đo thông tin của đối t−ợng, kết quả đo này đ−ợc đ−a vào giai đoạn tiền xử lý để thực hiện việc loại bỏ nhiễu, nâng cao khía cạnh chắc chắn của ảnh… B−ớc 2: Giai đoạn tiền xử lý Giai đoạn tiền xử lý đ−ợc thực hiện để loại bỏ nhiễu, nâng cao khía cạnh chắc chắn của ảnh, và gây ra các thay đổi khác làm đơn giản hóa các b−ớc xử lý ở mức độ cao hơn. Đối t−ợng Dấu hiệu Cảm biến Giai đoạn cảm biến Kết quả đo tín hiệu Giai đoạn tiền xử lý Trình trích chọn thông tin đặc tr−ng Sự trích chọn đăc tr−ng Không gian biểu diễn Giai đoạn phân loại Nhóm mẫu Xử lý thông tin khung cảnh Hình 1.5 Quá trình nhận dạng mẫu 16 Để ngăn ngừa sự loại ra các cạnh của ảnh đã tồn tại hoặc đ−a ra các cạnh lỗi, thao tác tiêu biểu đ−ợc sử dụng đó là: tách ng−ỡng và làm mịn. Tách ng−ỡng biến đổi một ảnh cấp độ xám thành một ảnh nhị phân, trong đó mỗi một điểm có thể là đen hoặc trắng. Làm mịn ảnh đ−ợc dùng để làm giảm nhiễu, để nâng cao sự lựa chọn các điểm đặc tr−ng của ảnh, và để làm giảm các chi tiết ảnh không mong muốn. Do đó, ảnh đ−ợc phân chia thành các đối t−ợng cô lập nhau. Kết quả là thu đ−ợc không gian điểm đặc tr−ng và nó giúp cho giai đoạn trích chọn điểm đặc tr−ng đ−ợc thực hiện. B−ớc 3: Trích chọn điểm đặc tr−ng Sau khi có đ−ợc không gian điểm đặc tr−ng, hệ thống tiến hành trích chọn các điểm đặc tr−ng của đối t−ợng trong không gian đó. Việc trích ra các đặc tr−ng của đối t−ợng thông qua nhiều cách khác nhau nh−ng ý nghĩa chính của nó vần là phải sử dụng một bộ lọc để loại bỏ các thông tin không cần thiết và giữ lại đ−ợc các thông tin quan trọng. Các điểm đặc tr−ng của đối t−ợng đ−ợc lọc và kết quả đó giúp cho quá trình nhận dạng thuận tiện. Quá trình lọc này có thể thống kê thành các thuộc tính nh−: màu sắc, kết cấu, c−ờng độ, khoảng cách, chuyển động… Các điểm đặc tr−ng hình thành nên không gian biểu diễn điểm đặc tr−ng. Kết quả của không gian biểu diễn giúp cho quá trình phân loại các điểm đặc tr−ng đ−ợc tốt hơn. B−ớc 4: Giai đoạn phân loại Tiến hành phân loại không gian biểu diễn điểm đặc tr−ng để thu đ−ợc các thông tin mẫu bằng cách sử dụng các giá trị điểm đặc tr−ng đã chọn. Kết quả là các đối t−ợng hoặc các lớp mẫu biểu thị đặc điểm đ−ợc học bởi các miêu tả sự hình thành mẫu chung, các chuẩn phân loại, hoặc các hàm quyết định. B−ớc 5: Trình xử lý thông tin khung cảnh Trình xử lý khung cảnh làm tăng độ chính xác của nhận dạng bởi việc cung cấp thông tin thích hợp có liên quan đến môi tr−ờng xung quanh đối t−ợng (bằng cách làm phù hợp các đặc điểm của đối t−ợng với các mô hình đã đ−ợc l−u trữ, hoặc bằng cách phân loại dựa trên tiêu chuẩn phân loại). 1.3.2 Các vấn đề trong triển khai thực tế Thành công của một ứng dụng nhận dạng mặt th−ờng phụ thuộc vào cách mà các thông tin (dấu hiệu) đ−ợc mô tả. Sự thụ thuộc vào ứng dụng, sự biểu diễn thích hợp sẽ đ−ợc thực hiện để tạo ra quá trình biểu diễn thông tin mà các thông tin là xác đáng nhất đ−ợc nhấn mạnh cho ứng dụng. Hai ràng buộc đáng chú ý đó là: - Kích th−ớc của trình phân loại mà đ−ợc liên kết với số liên thông trong mạng Neural. 17 - Số tập các ví dụ đào tạo (cỡ của tập dữ liệu). Các quyết định phải đ−ợc đ−a ra để làm giảm cỡ của vector mẫu mà đ−ợc mô tả trong mạng Neural. Thông th−ờng kích th−ớc của các vector mẫu phụ thuộc vào miền của quang phổ mà quá trình thu ảnh gặp phải. Kích th−ớc của các vector mẫu có thể đ−ợc giảm bằng cách sử dụng một số mối quan hệ giữa các vùng quang phổ với nhau. Sự thay đổi sóng là một kỹ thuật phổ biến khác đ−ợc sử dụng trong quá trình biểu diễn ảnh, ở đó một dấu hiệu nhất thời đ−ợc biểu diễn trong giới hạn của hàm cơ sở: ∑∑= j k jkjk thCtX )()( (3) trong đó X(t) là chuỗi thời gian gốc, Cjk là các hệ số sóng, hjk(t) là các nhân sóng, chỉ số j là các vị trí biểu thị thời gian của nhân, và chỉ số k là sự chia của nhân. Sau đó sự thay đổi các hệ số sóng Cjk đ−ợc sử dụng cho việc cung cấp dữ liệu tới mạng Neural. 1.3.3 Các ứng dụng điển hình Quá trình nhận dạng ảnh mặt ng−ời tự động có thể đ−ợc chia thành hai nhiệm vụ chính: - Tìm một mặt hoặc các mặt trong một ảnh nền và - Sự nhận dạng các đặc điểm của mặt Nhiệm vụ thứ nhất: tìm một mặt trong một ảnh giống nh− là việc đăng ký mặt hoặc việc xác định vị trí của mặt. Nhiệm vụ này phụ thuộc vào các nhân tố sau: + Điều khiển màu sắc và ảnh nền + Các ảnh màu hoặc đơn màu và các ảnh tĩnh hoặc các ảnh video. Nếu ánh sáng ảnh nền đ−ợc điều khiển thì việc xác định các mặt là dễ dàng. Do đó, sự phụ thuộc vào điều khiển thông qua các nhân tố sẽ dẫn đến việc xác định vị trí của mặt có thể là một bài toán dễ hoặc một bài toán khó. Do ảnh h−ởng của các yếu tố và các loại ảnh nên việc tìm mặt cũng trở nên khó khăn hơn. Sự biến đổi của ánh sáng cũng nh− sự biến đổi của ảnh cơ sở đều ảnh h−ởng rất lớn đến quá trình tìm kiếm mặt. Nhiệm vụ thứ hai: sự nhận dạng và sự xác minh mặt là hai kiểu của bài toán nhận dạng mặt, cụ thể là bài toán nhận dạng và bài toán xác minh mặt. Trong bài toán xác minh mặt ng−ời ta phải kiểm tra mặt đã cho là của ai và do đó việc kiểm tra này làm phù hợp đặc tính của ảnh đối với một mô hình đơn. Trong bài toán nhận dạng mặt, đây là bài toán tìm sự phù hợp nhất của một ảnh ch−a biết dựa vào một cơ sở dữ liệu các mẫu mặt hoặc là định rõ nó không phù hợp với bất kỳ ảnh nào đó trong cơ sở dữ liệu. Điều quan trọng trong thực tế đó là sự khác nhau của hai bài toán này về tốc độ: nói chung, nếu ta có N ng−ời trong 18 một cơ sở dữ liệu thì quá trình nhận dạng sẽ chậm hơn N lần so với quá trình xác minh. Tại vì quá trình nhận dạng phải so sánh N lần còn quá trình xác minh chỉ phải so sánh một lần. Các cơ sở dữ liệu đã và đang đ−ợc phát triển Phòng thí nghiệm nghiên cứu Olivetti (Olivetti Research Laboratory – ORL) ở Anh đã phát triển một cơ sở dữ liệu mặt mà có thể cung cấp nh− một điểm chuẩn tốt đối với sự kiểm tra một hệ thống nhận dạng mặt. Cơ sở dữ liệu ảnh mặt FERET đ−ợc phát triển tại Mỹ. Cơ sở dữ liệu này đ−ợc kiểm tra bởi phòng thí nghiệm nghiên cứu quân đội Mỹ. Hình d−ới đây mô tả một cơ sở dữ liệu ảnh, trong đó các ảnh biến đổi theo các điều kiện của ánh sáng: Hình 1.6. Biểu diễn các ảnh theo các điều kiện thay đổi của ánh sáng 19 ch−ơng 2. nhận dạng ảnh mặt ng−ời trong điều kiện ánh sáng thay đổi Ch−ơng hai này phân tích các yếu tố ảnh h−ởng đến quá trình nhận dạng và các cách tiếp cận để giải quyết các yếu tố ảnh h−ởng đó. 1.4 Phân tích các yếu tố ảnh h−ởng đến quá trình nhận dạng Bất cứ một quá trình nhận dạng nào cũng chịu ảnh h−ởng của nhiều yếu tố không thuận lợi tới quá trình. Các yếu tố có thể làm giảm tính chính xác của hệ thống, làm giảm tốc độ nhận dạng,… . Có thể kể đến các yếu tố d−ới đây: - Môi tr−ờng, - Biểu diễn khía cạnh hình học của bề mặt (sự quay ảnh, co giãn, thay đổi vị trí,…), - Các sai số do hệ thống. Các đặc tr−ng bất động của ảnh là những yếu tố cần thiết để khắc phục đ−ợc ảnh h−ởng của những yếu tố này song tập những đặc tr−ng bất động không đủ để trình bày ảnh mặt ng−ời, vì vậy việc nghiên cứu, phân tích ảnh h−ởng của các yếu tố đó là quan trọng. Trong các mục d−ới đây, các yếu tố ảnh h−ởng đến hệ thống nhận dạng ảnh tự động đ−ợc phân tích và một số giải pháp khắc phục đ−ợc giới thiệu. 2.1.1. ánh sáng Các yếu tố của môi tr−ờng ảnh h−ởng tới quá trình nhận dạng mặt nh−: các yếu tố về ánh sáng, các thiết bị thu nhận ảnh và khung cảnh mà ảnh đ−ợc thu nhận. ánh sáng làm biến đổi mức độ xám của ảnh và c−ờng độ các điểm ảnh do đó nó làm cho ảnh hoàn toàn biến đổi qua các vùng khác nhau và các yếu tố đó làm cho hệ thống nhận dạng rất khó có thể nhận dạng ảnh một cách chính xác. Để khắc phục vấn đề đó đòi hỏi phải đ−a ra cho hệ thống một số kỹ thuật để loại bỏ các hạn chế đó. ánh sáng làm thay đổi hoàn toàn các dấu hiệu của ảnh, ngoài ra ánh sáng còn tạo nên các lớp bóng của chính đối t−ợng nhận dạng hoặc tạo nên các sự che lấp của bản thân nó. 2.1.2. Các thay đổi hình học Bên cạnh các yếu tố môi tr−ờng ảnh h−ởng tới quá trình nhận dạng, hệ thống còn chịu ảnh h−ởng của các yếu tố hình học nh−: sự quay, sự dịch chuyển và sự co giãn… Các yếu tố này ảnh h−ởng rất nhiều đến hệ thống nhận dạng tại vì ảnh h−ởng của nó làm thay đổi cấu trúc của ảnh, thay đổi h−ớng chụp, góc chụp và thay đổi kích th−ớc của ảnh. 20 2.1.3. Sai số do hệ thống Một hệ thống nhận dạng ảnh dựa vào các điểm đặc tr−ng thì không thể tránh khỏi các sai số khi một hệ thống xác định vị trí đó gây ra. Nh−ng mức độ gây ra ở đây là nhiều hay ít, nó phụ thuộc vào quá trình xác định vị trí đó mà thôi. Ví dụ hệ thống xác định vị trí hai mắt của tác giả [Mariani], hệ thống nhận dạng này phụ thuộc rất nhiều vào vị trí chính xác của mắt, nếu hệ thống trả lại kết quả sai thì hệ thống nhận dạng cũng nhận sai. Các sai số nh− là sai số về sự quay, sự so giãn và sự dịch chuyển, các sai số về phép đo này cho hệ thống những thông tin lệch lạc về vị trí của ảnh so với ảnh gốc, điều đó dẫn đến hệ thống nhận dạng không chính xác và cho kết quả không nh− mong muốn. Do đó cần phải khắc phục các điều kiện đó bằng cách sử dụng các kỹ thuật có liên quan đến tính chất hình học và biểu diễn hình học của bề mặt. 1.5 Các kỹ thuật giải quyết Phần này trình bày một số yếu tố môi tr−ờng ảnh h−ởng tới quá trình nhận dạng, yếu tố này ảnh h−ởng rất nhiều đến sự đăng ký mặt và sự nhận dạng mặt. Với một mặt của một ng−ời, tr−ớc khi thu ảnh để đăng ký, đã có các điều kiện môi tr−ờng ảnh h−ởng đến ảnh khi đăng ký và lúc nhận dạng thì điều kiện môi tr−ờng cũng lại ảnh h−ởng đến ảnh cần nhận dạng. Trong phạm vi của mục này bao gồm các phần sau: (1) Đ−a các thông tin về điều kiện môi tr−ờng vào mô tả đối t−ợng, (2) Kỹ thuật dựa trên khoảng cách tiếp xúc, (3) Sử dụng nhiều cách biểu diễn đối t−ợng khác nhau 2.1.1 Đ−a các thông tin về điều kiện môi tr−ờng vào mô tả đối t−ợng Trong môi tr−ờng có rất nhiều yếu tố ảnh h−ởng đến quá trình nhận dạng ảnh và quá trình đăng ký ảnh. Các yếu tố môi tr−ờng nh−: yếu tố ánh sáng, góc chụp ảnh và các thiếp bị thu ảnh khác nhau. Ta thấy để xác định đ−ợc tính phù hợp của hai ảnh khác nhau không phải là dễ dàng tại vì hai ảnh tuy là của cùng một đối t−ợng nh−ng chúng lại đ−ợc chụp ở các thời điểm khác nhau. Do đó các điều kiện này ảnh h−ởng rất nhiều đến chất l−ợng cũng nh− ảnh h−ởng đến các yếu tố hình học và mức xám của ảnh. Ta có thể mô tả cách mà so sánh hai ảnh của cùng một đối t−ợng nh− hình sau. 21 Hình 2.1 Mô tả cách so sánh hai ảnh với nhau do các tác động của môi tr−ờng Tại vì hai ảnh lúc chụp khác nhau nên khi so sánh sụ phù hợp của hai ảnh đ−ợc thực hiện bằng cách ảnh chụp ban đầu đ−ợc phát sinh thành tất cả các mẫu ảnh mà nó đáp ứng đ−ợc các tác động của môi tr−ờng. Mỗi mẫu t−ơng ứng với một điều kiện của môi tr−ờng khác nhau. Để so sánh ảnh cần nhận dạng với ảnh ban đầu ta không thể thực hiện so sánh hai ảnh trực tiếp mà ta tiến hành so sánh ảnh đó với tất cả các mẫu mà ảnh ban đầu phát sinh. Sự phù hợp của ảnh này với một mẫu ảnh nào đó cho ta biết đ−ợc sự phù hợp t−ơng ứng với điều kiện môi tr−ờng. Kết quả của việc so sánh này cho ta nhận ra đ−ợc các yếu tố nào của môi tr−ờng đã tác động đến ảnh. Việc phát sinh các mẫu mặt t−ơng ứng với các điều kiện của ánh sáng đ−ợc thực hiện trong quá trình đăng ký mặt mẫu và quá trình phát sinh các mặt nhân tạo nh− sau: * Phát sinh các mẫu mặt t−ơng ứng với các điều kiện thay đổi của ánh sáng Trong quá trình phát sinh các mẫu mặt, hiện nay có rất nhiều kỹ thuật để tạo ra các mẫu mặt nh− là sử dụng các mặt nạ về sự thay đổi của hình học và sự thay đổi của quang học. Với sự thay đổi về hình học cho ta đ−ợc các mẫu mặt chụp trực diện và nó đ−ợc phát sinh từ một mặt nghiêng. Nh−ng các mặt nghiêng đó cũng cần giới hạn trong một góc thay đổi nào đó. Nếu góc nghiêng v−ợt quá một ng−ỡng cho phép nào đó thì hệ thống không thể thực hiện đ−ợc. Vấn đề quan tâm chủ yếu trong phần này là các thay đổi của quang học ảnh h−ởng đến mặt trong quá trình phát sinh các mẫu mặt và giả sử các thay đổi của hình học là không ảnh h−ởng nhiều đến quá trình phát sinh mặt và đăng ký mặt. đối t−ợng ban đầu đối t−ợng cần nhận dạng Tập các mẫu t−ơng ứng với điều kiện tác động 22 Sự thay đổi về quang học chỉnh xửa độ xám của một điểm ảnh sử dụng một hàm phi tuyến, và có thể phụ thuộc vào vị trí của điểm ảnh. Các sự thay đổi tuyến tính không đ−ợc mô hình hoá nh− là các quá trình chuẩn hoá lớp ảnh (cân bằng histogram) đã tồn tại để loại bỏ những điểm không hiệu quả. Các mặt nạ ánh sáng mô tả d−ới đây đ−ợc sử dụng trong quá trình phát sinh và đăng ký mẫu mặt. Những mặt nạ này xấp xỉ với các điều kiện ánh sáng thực và tỏ ra rất có hiệu quả đối với các ứng dụng nhận dạng mặt. Quá trình này sử dụng 3 kiểu mặt nạ khác nhau để mô tả các thay đổi của ánh sáng nh−ng nó có thể dễ dàng mở rộng ra thành nhiều mặt nạ khác nhau: Mặt nạ 1: Hàm logarit trên các mức xám Mục đích của việc ứng dụng mặt nạ này để thu đ−ợc một ảnh sáng hơn từ một ảnh gốc. Một bảng tra cứu đ−ợc tạo thành để thực hiện nhiệm vụ này. Toàn bộ bảng đ−ợc tính toán nh− sau: 255 )255( )log()255log( )log()log( 255)( min min min min kw kv k kv wL −+= ⎟⎟⎠ ⎞ ⎜⎜⎝ ⎛ − −= (4) trong đó w là mức xám của ảnh và thay đổi trong [0,255], v là mức xám đ−ợc biến đổi trong phạm vi [kmin,255] với kmin ≥ 0, và L(w) là mức xám thu đ−ợc trong phạm vi [0,255] và kmin là một ng−ỡng tối thiểu nào đó giới hạn sự thay đổi của mức xám, cho phép mức xám biến thổi không thấp hơn ng−ỡng kmin. Kết quả của thuật toán này đ−ợc minh hoạ nh− hình sau: Hình 2.2 Biểu diễn ảnh sáng hơn so với ảnh gốc 23 Mặt nạ 2: Hàm số mũ trên các mức xám Mục đích của ứng dụng mặt nạ này trên các mức xám để thu đ−ợc một ảnh tối hơn từ một ảnh gốc. Nhiệm vụ này đ−ợc thực hiện bằng cách tạo ra một bảng tra cứu và toàn bộ bảng đ−ợc tính toán nh− sau: ⎟⎟ ⎟⎟ ⎠ ⎞ ⎜⎜ ⎜⎜ ⎝ ⎛ − − = 1)exp( 1) 255 * exp( 255)( max max k kw wL (5) trong đó w ∈ [0,255] là mức xám của ảnh, kmax > 0, và L(w) ∈ [0,255] là mức xám sau khi thực hiện. kmax là giới hạn mà mức xám biến đổi cực đại. Kết quả của thuật toán đ−ợc minh hoạ nh− hình sau: Hình 2.3 Biểu diễn ảnh tối hơn so với ảnh gốc. Mặt nạ 3: Sự phát sinh các mặt nạ bóng ngang và dọc ý t−ởng cơ bản sau sự phát sinh các mặt nạ bóng ngang và dọc là giống nhau, do đó chỉ cần mô tả cách tiếp cận để phát sinh hình bóng đứng theo trực hoành x. Nhiệm vụ này chỉnh xửa giá trị mức xám của một điểm mà phụ thuộc vào không gian vị trí của điểm đó trong ảnh. Quá trình này đ−ợc thực hiện theo từng dòng. Giả sử đặt độ rộng của ảnh là x và λ là một hệ số thực trong đó 0 < λ < 1. Đặt m=λ*X. Khi đó chúng ta có thể định nghĩa hàm f(x) với x ∈ [0,X] nh− sau: (6) ⎪⎪⎩ ⎪⎪⎨ ⎧ − −+ = )( )(1 )( mX mx m x xf Nếu x ∈ [0,m] Nếu x ∈ ]m,X] 24 Nếu cho một điểm p=(x,y) có mức xám là v thì chúng ta có thể tính toán giá trị xám của điểm t−ơng ứng w ở vị trí (x,y) là w=v*f(x). Bằng cách làm nh− vậy, chúng ta có thể phát sinh một ảnh trong đó m điểm đầu tiên của nó là tối hơn và các điểm còn lại là sáng hơn. Các mặt nạ bóng ngang đ−ợc phát sinh trong một cách t−ơng tự bằng cách xem xét toạ độ điểm y, và chiều cao của ảnh là Y. Cuối cùng, kết quả thu đ−ợc là một ảnh đã đ−ợc chuẩn hoá. Các ảnh d−ới đây minh hoạ quá trình bóng đứng với 5 giá trị của λ. Hình 2.4 Các hình bóng đứng Nh− vậy với quá trình thay đổi trắc quang, hệ thống thu đ−ợc các ảnh biến đổi theo ánh sáng, theo các mức xám. Bên cạnh các kỹ thuật phát sinh các ảnh nhân tạo thông qua sự thay đổi trắc quang, còn có kỹ thuật phát sinh ảnh thông qua sự thay đổi của hình học. Cả hai kỹ thuật này đều cho đ−ợc các mặt nạ mà các mặt nạ này dùng để phát sinh ra các mẫu mặt và nó là dữ liệu cho quá trình đăng ký mặt. Nói tóm lại, các kỹ thuật trên cho chúng ta đ−ợc tập các mẫu mặt t−ơng ứng với các điều kiện khác nhau của ánh sáng, nhằm giúp cho quá trình đăng ký một mặt mới. Sau khi đăng ký hoàn thành, cơ sở dữ liệu l−u trữ các mẫu mặt này giúp cho việc nhận dạng về sau của hệ thống. 2.1.2 Cách giải quyết dựa trên kỹ thuật khoảng cách tiếp xúc Tr−ớc hết trong thực tế, ph−ơng pháp khoảng cách tiếp xúc đ−ợc sử dụng rất thành công trong bài toán nhận dạng chữ viết tay. Trong đó hình thái của từng chữ cái là xác định nh−ng do ng−ời viết khác nhau nên hình thái của một chữ cái cũng khác nhau. Nh−ng đối với mắt th−ờng thì việc phân biệt sự khác nhau này là không đáng kể. Với cùng một chữ cái, cho dù ng−ời nào đó có viết nh− thế nào thì mắt th−ờng vẫn nhận đ−ợc tại vì hình thái của chữ cái là xác định. Cũng t−ơng tự nh− vậy, trong việc nhận dạng ảnh mặt ng−ời nếu đối với mắt th−ờng thì không có gì phải bàn đến nh−ng đối với hệ thống nhận dạng tự động thực sự thì thế nào. Đây là một bài toán khó mà không phải hệ thống nào cũng có thể làm đ−ợc, tại vì các sự thay đổi của môi tr−ờng và sai số do hệ thống nhận dạng. Để khắc phục một số ảnh h−ởng 25 của môi tr−ờng đến quá trình nhận dạng, theo tác giả [Mariani] cách giải quyết bài toán này dựa vào khoảng cách tiếp xúc mà kỹ thuật này đã thực hiện rất thành công trong hệ thống nhận dạng chữ viết tay. Kỹ thuật này đ−ợc sử dụng để khắc phục các sự thay đổi hình học, các thay đổi diễn cảm của mặt, và để bền vững với các thay đổi của trắc quang đ−ợc tạo bởi các điều kiện ánh sáng. Các công việc đ−ợc dùng đối với các sự thay đổi của hình học trên ảnh gốc nh−: các phép quay, sự co giãn trong khuôn khổ của khoảng cách tiếp xúc. Giả sử cho một ảnh là i và đặt t(I,α) một sự biến đổi của ảnh mà nó phụ thuộc vào vector tham số L-chiều α. Sự thay đổi này có thể là các thay đổi của hình học nh− sự hiệu chỉnh vị trí của các điểm hoặc là các thay đổi của quang học nh− thay đổi c−ờng độ của các điểm, hoặc là cả hai. Trên thực tế, một ảnh tổng hợp có thể thu đ−ợc từ ảnh gốc bằng cách áp dụng một liên kết tuyến tính của các sự thay đổi cơ bản này. Đặt MI là tập tất cả các ảnh tổng hợp thu đ−ợc từ ảnh gốc thì { } ⎭⎬ ⎫ ⎩⎨ ⎧ ℜ∈=+=Μ ∑ = L l L LllI ITI 1 21 ,...,,:)(. ααααα (7) MI đ−ợc định nghĩa nh− là không gian con chứa trong không gian đầy đủ M={t(I,α): α ∈ ℜL}, và các vector {T1(I), T2(I),…, TL(I)} mở rộng không gian con tiếp xúc. MI ⊂ M tại vì, M là không gian ảnh đầy đủ, nó chứa đựng tất cả các ảnh thoả mãn tất cả các thay đổi của môi tr−ờng còn MI chỉ có các ảnh thoả mãn một số yếu tố nào đó của môi tr−ờng, cụ thể các yếu tố đó là các thay đổi về hình học và các thay đổi về ánh sáng. Các vector {T1(I), T2(I),…, TL(I)} biểu thị sự thay đổi của các điều kiện tác động đến ảnh nhận dạng và T1(I) = t1(I,α), T2(I) = t2(I,α),…, TL(I) = tL(I,α) Khoảng cách tiếp xúc một cạnh D(I,à) giữa một ảnh i và một ảnh tham chiếu à đ−ợc định nghĩa nh− khoảng cách nhỏ nhất giữa à và không gian con tiếp xúc MI, ⎪⎭ ⎪⎬ ⎫ ⎪⎩ ⎪⎨ ⎧ −+= ∑ = 2 1 )(min),( L l ll ITIID àαà α (8) Các vector tiếp xúc {T1(I), T2(I),…, TL(I)} có thể đ−ợc tính toán bằng cách sử dụng hữu hạn sự khác nhau giữa ảnh gốc i và một thay đổi nhỏ của I. Chúng ta đã định nghĩa các vector tiếp xúc nh− là các mặt nạ hình học và mặt nạ quang học song song với sự dịch chuyển, sự quay và sự co giãn, đ−ợc biểu diễn trực tiếp trong phạm vi sai số vị trí mắt do hệ thống xác định vị trí mặt sinh ra. Trên đây cho ta thu đ−ợc khoảng cách từ một ảnh này tới một ảnh cần so sánh, hai ảnh là phù hợp nếu khoảng cách giữa hai ảnh có giá trị nhỏ nhất. 26 2.1.3 Kết hợp các cách biểu diễn đối t−ợng khác nhau Trong hệ thống nhận dạng có rất nhiều cách tiếp cận khác nhau để giải quyết bài toán này, mỗi kỹ thuật có một tính năng đặc biệt riêng và phù hợp với các yêu cầu riêng của hệ thống nhận dạng ảnh tự động. Tại vì trong thực tế khi tiến hành nhận dạng một ảnh nào đó thì hệ thống phải thu đ−ợc ảnh cần nhận dạng, nh−ng ảnh này ch−a phải là ảnh chuẩn. Do đó ảnh cần nhận dạng còn chịu ảnh h−ởng của nhiều yếu tố nh−: ánh sáng, thay đổi kiểu dáng khi thu ảnh và các thiết bị thu ảnh…. Chính vì vậy hệ thống nhận dạng ảnh tự động phải đ−ợc kết hợp từ các cách tiếp cận khác nhau nhằm mục đích giúp cho hệ thống bền vững với các yếu tố tác động đến ảnh. Mục này bao gồm các nội dung nh− sau: (1) Các thuật toán bền vững với các điều kiện môi tr−ờng. (2) Các kiến thức về nhân chủng học, (3) Kỹ thuật so sánh dựa trên khuôn mẫu, (4) Kỹ thuật so sánh dựa trên điểm đặc tr−ng (5) Kết hợp hai kỹ thuật so sánh dựa trên khuôn mẫu và dựa trên điểm đặc tr−ng. Các thuật toán bền vững với các điều kiện của môi tr−ờng Nh− đã mô tả ở trên do các điều kiên môi tr−ờng tác động khác nhau đến quá trình nhận dạng nên đòi hỏi phải có các thuật toán làm phù hợp, khắc phục các yếu tố tác động của môi tr−ờng. Các yếu tố tác động đến hệ thống đó là: các yếu tố về ánh sáng, các yếu tố hình học và sai số do hệ thống. Các thuật toán nhận dạng bền vững với các thay đổi của hình học nh−: Phân tích các thành phần chính (Principal Components Analysis – PCA) – kỹ thuật này hiệu chỉnh từng điểm ảnh của ảnh bằng cách thực hiện một sự thay đổi có liên quan. Đối với các thay đổi của ánh sáng hệ thống sử dụng ph−ơng pháp trộn Gaussian dựa trên lớp màu của ảnh và sử dụng ph−ơng pháp phân tích thành phần chính (giống nh− với các điều kiện thay đổi của hình học). Các kiến thức về nhân chủng học Sự hiểu biết về cấu trúc của mặt ng−ời giúp cho con ng−ời xác minh đ−ợc chính xác ng−ời nào đó, nó không chịu ảnh h−ởng của các điều kiện môi tr−ờng khác nhau. Mặc dù ảnh đó thu đ−ợc trong điều kiện nh− thế nào đi chăng nữa (trong phạm vi cho phép) thì với con ng−ời, họ vẫn nhận ra đ−ợc đâu là mặt ng−ời và ảnh đó là của ai trong tập các mẫu đã thu đ−ợc. Do đó, sự nhận dạng theo ph−ơng pháp nhân chủng học bền vững với các điều kiện thay đổi của môi tr−ờng. Sự hiểu biết về nhân chủng học cũng giúp cho ta biết đ−ợc đâu là điểm đặc tr−ng của bề mặt, đâu không phải là điểm đặc tr−ng và từ đó trên hệ thống thực ta dựa vào các điểm đặc tr−ng đó để có đ−ợc các thuật toán giải quyết sự thay đổi của các điều kiện môi tr−ờng. 27 Kỹ thuật so sánh dựa trên khuôn mẫu Với kỹ thuật này, hệ thống nhận dạng ảnh mặt ng−ời khắc phục đ−ợc các thay đổi của ánh sáng và các thay đổi của hình học dựa trên các mặt nạ. Các mặt nạ này đ−ợc dùng để phát sinh các mẫu mặt phù hợp với các điều kiện thay đổi của môi tr−ờng. Từ một cơ sở dữ liệu đã thu thập và một ảnh của đối t−ợng cần nhận dạng. Kỹ thuật so sánh dựa trên khuôn mẫu cho ta thu đ−ợc K mặt tốt nhất có trong cơ sở dữ liệu bằng cách so ảnh cần nhận dạng với các mẫu ảnh trong cơ sở dữ liệu ảnh. Kết quả của kỹ thuật này là thu đ−ợc một nhóm các mặt tốt nhất, mỗi mặt tốt nhất thu đ−ợc từ một lớp mẫu mặt t−ơng ứng có trong cơ sở dữ liệu. Nhóm mặt tốt nhất này đ−ợc dùng làm dữ liệu cho kỹ thuật nhận dạng dựa vào điểm đặc tr−ng. So sánh một ảnh x với tất cả các ảnh có trong cơ sở dữ liệu đ−ợc thực hiện nh− sau: Tr−ớc hết tiến hành chuẩn hoá ảnh cần nhận dạng và các ảnh có trong cơ sở dữ liệu với cỡ chuẩn là 75x75 pixel. Tiếp theo tiến hành phân ảnh thành các mẫu con có kích th−ớc là 15x15 pixel (gọi mẫu con là R = 15x15 pixel). Mục tiêu của việc phân chia này nhằm giúp cho quá trình so sánh các mẫu con của ảnh đ−ợc tốt hơn. Kỹ thuật dựa trên khuôn mẫu so sánh từng mẫu con với nhau của hai ảnh bất kỳ do đó nó không chịu ảnh h−ởng của bất kỳ điều kiện ngoại cảnh nào tác động đến hệ thống nhận dạng nh− là các thay đổi của ánh sáng, các thay đổi diễn cảm của bề mặt… Trong các mẫu con giá trị xám của mỗi điểm ảnh đ−ợc định giá là giá trị nhỏ nhất của cửa sổ có kích th−ớc 5x5 trong mẫu ảnh 75x75 pixel. + ảnh gốc (cỡ 75x75 pixel): 75 pixel 1 2 1 5 3 7 2 ………..2 1 6 2 7 2 4 6 3 8 9 3 0 3 ………..6 2 1 3 5 3 6 1 0 2 1 4 0 1 ………..1 2 4 2 0 1 0 ………………………………….. I = ………………………………….. 75 pixel ………………………………….. 1 5 1 0 3 7 2 ………..0 1 2 2 7 3 4 2 3 7 0 3 0 3 ………..4 2 1 3 5 3 5 1 0 6 1 3 1 2 ………..1 3 4 2 0 1 1 28 + ảnh mẫu con R (cỡ 15x15 pixel): Kỹ thuật so sánh hai ảnh mặt dựa vào khuôn mẫu theo ph−ơng pháp khoảng cách: Cho một nhóm mặt p = {f1,f2,…,fN} với N hữu hạn và một mặt cần so sánh f. Vậy thì sự giống nhau giữa mặt cần so sánh f và nhóm p đ−ợc tính nh− sau: (9) Trong đó R là các mẫu con có kích th−ớc 15x15 pixel và các mức xám đ−ợc chuẩn hoá giữa [0,1]. Kỹ thuật này đ−ợc chứng minh là bền vững và làm tốt hơn sự t−ơng quan bằng cách thống kê các điểm ảnh khác nhau hay giống nhau có trong ảnh. ở đây, tiến hành đếm số điểm có các mức xám khác nhau. Hai điểm là khác nhau nếu sự khác nhau mức xám của chúng v−ợt quá ng−ỡng T. Còn hai điểm là giống nhau nếu sự khác nhau mức xám của chúng nhỏ hơn ng−ỡng T, nằm trong khoảng [0,1] và giá trị đó càng thấp càng tốt. Sau kỹ thuật này ta thu đ−ợc một mẫu fi nào đó có trong p mẫu là tốt nhất. Cũng làm t−ơng tự việc so sánh trên giữa mặt cần so sánh f với các nhóm mẫu còn lại trong cơ sở dữ liệu Kết quả cuối cùng ta thu đ−ợc một tập các mẫu tốt nhất và kết quả này tiếp tục đ−ợc sử dụng cho kỹ thuật so sánh dựa vào điểm đặc tr−ng để xác định đ−ợc mặt tốt nhất. Kỹ thuật so sánh dựa trên điểm đặc tr−ng Kỹ thuật này có sử dụng bộ lọc Gabor để lấy đ−ợc các điểm đặc tr−ng của bề mặt. Những thông tin đặc tr−ng sẽ đ−ợc chọn và ng−ợc lại sẽ bị loại bỏ. Với các đặc tr−ng thu ⎩⎨ ⎧=∂ −∂= = ∑ = = 1 0 )( ))()((1),( ),(min),( 1 1 x ifif R ffd ffdpfd R i kkf if N iT nếu x < T nếu x ≥ T 15 pixel 1 2 1 ……….. 7 2 4 6 3 8 ……….. 5 3 6 1 0 2 ……….. 0 1 0 …………………… R = …………………… 15 pixel …………………… 1 5 1 ……….. 7 3 4 2 3 7 ……….. 5 3 5 1 0 6 ……….. 0 1 1 29 đ−ợc của bộ lọc này ít bị mẫn cảm với các sự thay đổi nh− là sự bóp méo, sự dịch chuyển và sự quay… Lựa chọn các điểm đặc tr−ng ta dựa vào các vùng của mắt và mũi là chính bởi vì các vùng mắt hầu nh− là bất biến so với các thay đổi diễm cảm của bề mặt và các hành vi cử chỉ của mặt. Do đó với các vùng của mắt ta có thể chọn đ−ợc nhiều điểm đặc tr−ng hơn so với các vùng khác. Bên cạnh đó cạnh đáy của mũi cũng bất biến với các thay đổi của mặt. Từ hai yếu tố này và theo các chuẩn của phép nhân trắc ta xác định đ−ợc các điểm đặc tr−ng bằng cách quan sát mẫu mặt đó. Các điểm này đ−ợc xác định tại vị trí cố định và thông qua sự cân đối của mũi. Kết quả là thu đ−ợc 14 điểm biểu diễn của bề mặt và đ−ợc biểu diễn nh− hình sau: Hình 2.4 Minh hoạ các điểm quan trọng đ−ợc lựa chọn Để mô tả vector đặc tr−ng của một điểm sử dụng bộ lọc Gabor bằng cách thu thập tất cả các hệ số Gabor fi = [fi1, fi2,…, fi18] T trong đó fij t−ơng ứng với đặc tr−ng Gabor j và đ−ợc định giá tại điểm thứ i. Việc thu thập các hệ số này phụ thuộc vào nhân của bộ lọc. Nhân của bộ lọc Gabor đ−ợc định giá bằng phức hệ hai chiều và đ−ợc sử dụng để thu lại các đặc tr−ng nhiều mức và đa h−ớng. Giá trị nhân đ−ợc tính nh− sau: ⎥⎦ ⎤⎢⎣ ⎡ ⎟⎟⎠ ⎞ ⎜⎜⎝ ⎛−−⎟⎟⎠ ⎞ ⎜⎜⎝ ⎛−= 2 exp)exp( 2 exp)( 2 2 22 2 2 σ σσψ ikp pkkpk (10) trong đó p là toạ độ điểm có liên quan đến tâm, σ là tỷ lệ độ rộng cửa sổ với b−ớc sóng, và k kiểm soát độ rộng cửa sổ Gaussian, kiểm soát b−ớc sóng và kiểm soát h−ớng của phần dao động. Số hạng đầu tiên trong ngoặc đơn xác định phần dao động và số hạng thứ hai bù giá trị DC của nhân, tạo ra bộ lọc không nhạy cảm với các thay đổi của sự chiếu sáng. 30 Nh− vậy, các nhân Gabor đ−ợc phát sinh với 3 tần số (π/2, π/4, π/8) và 6 h−ớng (0, π/6, π/3, π/2, 2π/3, 5π/6). Nếu cho σ = π và k = π thì kết quả thu đ−ợc 18 nhân. Kết quả là ta có tập các hệ số của bộ lọc biểu diễn vector đặc tr−ng của một điểm. Thông qua bộ lọc Gabor tiến hành trên các ảnh thu đ−ợc từ kỹ thuật dựa trên khuôn mẫu và ảnh cần nhận dạng. Lúc này mỗi ảnh mặt đ−ợc mã hoá thành một vector đặc tr−ng. Giả sử sau kỹ thuật dựa trên khuôn mẫu ta thu đ−ợc K mặt tốt nhất p = {f1, f2,…, fK}, ảnh mặt cần nhận dạng là f và với cách tiếp cận bộ lọc Gabor trên mỗi ảnh mặt ta thu đ−ợc 14 điểm quan trọng. Vậy thì theo sự định nghĩa của khoảng cách tiếp xúc xác định sự giống nhau giữa các đặc điểm cơ sở của mặt cần nhận dạng f và nhóm mặt tốt nhất p = {f1, f2,…, fK} thu đ−ợc từ kỹ thuật so sánh khuôn mẫu nh− sau: ∑ = = = = 14 1 1 ))(),(cos( 14 1),( ),(min),( i i N i igifgfdg ffdgpfdw (11) Vì vậy, sự giống nhau giữa các vector đặc tr−ng f(i) và g(i) của điểm đặc tr−ng thứ i đ−ợc xác định bằng cách chuẩn hoá ngay bên trong hàm (cos), giá trị hàm thay đổi giữa [- 1,1] và giá trị này càng cao càng tốt. Thực hiện biến đổi hàm cos cos = (1-cos)/2 thì ∑ = −= 14 1 2 ))(),(cos(1 14 1),( i igifgfdg (12) do vậy giá trị biến đổi trong [0,1] với sự quy −ớc càng thấp càng tốt. Cuối cùng sự giống nhau giữa hai mặt f và g đ−ợc tính bằng cách đ−a ra giá trị trung bình của tất cả các sự giống nhau giữa hai điểm đặc tr−ng t−ơng ứng. Kết hợp hai kỹ thuật so sánh dựa trên khuôn mẫu và dựa trên điểm đặc tr−ng Trong phần này trình bày sự giống nhau giữa hai mặt dựa trên khoảng cách tiếp xúc. Kỹ thuật này đ−ợc kết hợp từ hai kỹ thuật so sánh khác nhau đó là: kỹ thuật so sánh khuôn mẫu và kỹ thuật so sánh điểm đặc tr−ng. Mỗi kỹ thuật đều có một sự bền vững riêng. Vì vậy, sự kết hợp hai kỹ thuật lại với nhau sẽ cho hệ thống có sự bền vững với các điều kiện tác động khác nhau đến ảnh cần nhận dạng. Với kỹ thuật so sánh khuôn mẫu hệ thống nhận dạng tự động thu đ−ợc K mặt tốt nhất và kỹ thuật so sánh điểm đặc tr−ng cho ta xác định đ−ợc chính xác một mặt trong K mặt tốt nhất đó. Do đó, để hệ thống nhận dạng mặt bền vững với các điều kiện thay đổi của ánh sáng ta kết hợp hai thuật toán trên để làm thoả mãn đ−ợc các điều kiện thay đổi của ánh sáng. Thuật toán so sánh khuôn mẫu cho kết quả bền vững với các điều kiện thay đổi 31 của môi tr−ờng tác động đến còn kỹ thuật so sánh điểm đặc tr−ng cho phép hệ thống nhận dạng chính xác ảnh cần nhận dạng. Tr−ớc tiên lựa chọn K mặt tốt nhất sử dụng kỹ thuật so sánh dựa trên khuôn mẫu, sau đó sử dụng kỹ thuật so sánh dựa trên điểm đặc tr−ng trong tập các mặt đó để xác định đ−ợc chính xác ng−ời t−ơng ứng. (13) Việc so sánh điểm đặc tr−ng dw() chỉ thực hiện đ−ợc trên một tập nhỏ dữ liệu mà dữ liệu này nhận đ−ợc từ kỹ thuật so sánh khuôn mẫu mặt dt() thu đ−ợc và Th1, Th2 là các ng−ỡng cho tr−ớc t−ơng ứng hai thuật toán trên. Toàn bộ phạm vi giá trị của hàm S() biến đổi trong [0,1] và nếu giá trị của S v−ợt quá một giá trị ng−ỡng cho tr−ớc thì hệ thống không nhận dạng đ−ợc ng−ời đó. Nói tóm lại, sự kết hợp hai kỹ thuật nhận dạng dựa trên khuôn mẫu và dựa trên điểm đặc tr−ng cho ta đ−ợc một hệ thống nhận dạng bền vững với các điều kiện thay đổi của ánh sáng. Xác định đ−ợc ảnh cần tìm có trong cơ sở dữ liệu hay không và nếu có thì ảnh đó là ảnh của ai. ⎪⎩ ⎪⎨ ⎧ + = 2/)),(),(( 1 1 ),( gfdwgfdt gfS nếu dt(f,g) > Th1 nếu dw(f,g) > Th2 ng−ợc lại 32 Ch−ơng 3. thuật toán nhận dạng trong điều kiện ánh sáng thay đổi Hệ thống nhận dạng mặt tự động phụ thuộc vào các yếu tố tác động của ngoại cảnh do đó đòi hỏi phải làm phù hợp đ−ợc các yếu tố trên. Điều kiện môi tr−ờng, các biểu hiện của bề mặt là các yếu tố chính ảnh h−ởng đến hệ thống nhận dạng mặt ng−ời tự động. Vấn đề đặt ra là ta phải xây dựng một hệ thống nhận dạng mặt bền vững với các thay đổi của các yếu tố trên. Ch−ơng này khóa luận trình bày thuật toán của tác giả Mariani [3] là bền vững với các điều kiện ánh sáng khác nhau. Thuật toán đ−ợc sử dụng dựa trên hai cách tiếp cận để giải quyết đó là: cách tiếp cận dựa trên khuôn mẫu và cách tiếp cận dựa trên điểm đặc tr−ng thông qua hàm khoảng cách tiếp xúc. Dựa theo các đặc tả trong [3], khóa luận minh hoạ cụ thể thuật toán bằng những thủ tục trên ngôn ngữ lập trình PASCAL. Mô tả các thuật toán nh− sau: Giả sử cho một ảnh x là ảnh cần nhận dạng và đ−ợc mã hoá thành vector d-chiều trong không gian Sd. Một cơ sở dữ liệu ảnh D đ−ợc tổ chức và quản lý theo chỉ số. Kết quả thu đ−ợc là các chỉ số của lớp ảnh (cho biết đ−ợc ng−ời nhận dạng) và các chỉ số của các mẫu trong lớp (biết đ−ợc điều kiện môi tr−ờng t−ơng ứng tác động đến ảnh nhận dạng). 3.1 Thuật toán so sánh khuôn mẫu dựa theo khoảng cách tiếp xúc Thuật toán này đ−ợc thực hiện nh− hình d−ới đây: Hình 3.1 Mô phỏng cách so sánh hai mẫu mặt với nhau dựa trên các mẫu con Kỹ thuật nhận dạng dựa trên khuôn mẫu sử dụng quy tắc so sánh từng mẫu ảnh nhỏ với nhau. Mỗi mẫu t−ơng ứng với một vùng của ảnh và việc so sánh này là so sánh các i i So sánh So sánh ảnh cần nhận dạng ảnh mẫu 33 mẫu t−ơng ứng của nhau có trong hai ảnh cần nhận dạng. Nh− biểu diễn của hình minh hoạ trên cho thấy mẫu thứ i của ảnh cần nhận dạng phải t−ơng ứng với mẫu thứ i trong ảnh mẫu. Mỗi ảnh cần nhận dạng và ảnh mẫu đ−ợc chuẩn hoá có kích th−ớc cố định là 75x75 pixel, các mẫu con có kích th−ớc 15x15 pixel. Vì vậy kỹ thuật nhận dạng này rất hiệu quả trong việc so sánh các ảnh mà không chịu tác động của môi tr−ờng và do đó thuật toán này bền vững với các điều kiện tác động của ánh sáng tới các ảnh nhận dạng và ảnh mẫu. Kỹ thuật so sánh này sử dụng cách so sánh các giá trị xám của hai mẫu con với nhau bằng cách so sánh từng điểm một của mẫu. Nếu hai điểm là khác nhau thì sự khác nhau mức xám giữa chúng v−ợt quá một ng−ỡng cho tr−ớc và ng−ợc lai hai điểm ảnh là giống nhau nếu sự khác nhau giữa các giá trị mức xám của điểm ảnh không v−ợt quá ng−ỡng cho tr−ớc, giá trị này thay đổi trong khoảng [0,1] và giá trị này càng thấp càng tốt. Theo sự mô tả trên thì một ảnh đ−ợc phân thành một vector mà các thành phần của vector là giá trị mức xám của mẫu con. Giả sử cho một ảnh cần nhận dạng x đ−ợc biểu diễn x={x1, x2, …,xN} trong đó xi (i=1..N) là các mẫu con của ảnh cần nhận dạng, tập hợp các mẫu con tạo thành một ảnh và một nhóm ảnh mặt p= {f1, f2,…,fK} trong đó fi là mẫu mặt thứ i, các mẫu mặt này cũng phải mã hoá thành các vector và có số phần tử giống nh− số phần tử của ảnh cần nhận dạng. Thủ tục so sánh hai mẫu mặt: Procedure df(x: mặt, fk: mặt); Begin D:=0; For i=1 to số_mẫu_con do If (|x(i) – fk(i)|) < T then ∂(|x(i)-fk(i)|) := 0 else ∂(|x(i)-fk(i)|) := 1; D:= D + ∂(|x(i)-fk(i)|); Df:= D/số_mẫu_con; End 34 Kết quả của thuật toán này là thu đ−ợc khoảng cách giữa hai mẫu mặt và kết quả này đ−ợc sử dụng cho việc xác định một mẫu mặt x cần nhận dạng với nhóm mặt p (nhóm p có N phần tử). Tiếp theo là thuật toán so sánh một ảnh cần nhận dạng với một nhóm ảnh mẫu đã thu đ−ợc. Với cách giải quyết này, ta sử dụng kết quả của thuật toán so sánh hai ảnh mặt với nhau, khoảng cách thu đ−ợc của từng cặp so sánh (so sánh ảnh cần nhận dạng với từng ảnh trong nhóm) và so sánh các kết quả thu đ−ợc nếu khoảng cách nào nhỏ nhất thì đó là cặp ảnh cần tìm. Thuật toán có thể đ−ợc mô tả trong hình sau: Hình 3.2 Mô phỏng cách so sánh một ảnh mặt cần nhận dạng với nhóm các mẫu mặt Hình này biểu diễn việc so sánh một mặt cần nhận dạng với một tập các ảnh mặt mẫu dựa vào khoảng cách nhỏ nhất giữa các cặp so sánh và cuối cùng thu đ−ợc một ảnh tốt nhất trong lớp ảnh mặt mẫu đó. Thủ tục này đ−ợc phát triển đệ quy cho tất cả các lớp ảnh mặt mẫu trong cơ sở dữ liệu và kết quả của việc đệ quy này là một tập các mẫu ảnh mặt tốt nhất ứng với mỗi một lớp. Thủ tục so sánh một ảnh mặt cần nhận dạng với một lớp các ảnh mẫu: Giả sử số ảnh mẫu có trong một lớp là N, x là ảnh cần nhận dạng, p là một lớp có N ảnh mẫu và đ−ợc biểu diễn p={f1,f2,…,fN}, giá trị min đ−ợc dùng để xác định các cặp so sánh nào có khoảng cách nhỏ nhất và dựa vào giá trị min này cho biết đ−ợc chỉ số của ảnh mẫu trong lớp đang quan sát. Thủ tục đ−ợc thực hiện nh− d−ới đây: Procedure dt(x: mặt, p: lớp mặt); Begin min:=df(x,f1); x fi1 fi2 fi3 … … fi(N-1) fiN fij Lớp ảnh mẫu ảnh cần nhận dạng ảnh thu đ−ợc sau khi so sánh So sánh So sánh Kết quả 35 For i=2 to N do If (min >= df(x,fi)) then min:= df(x,fi) End Kết quả thu đ−ợc của thủ tục trên là một mẫu mặt tốt nhất ứng với giá trị min nhỏ nhất. Với cách thực hiện t−ơng tự thủ tục trên đ−ợc áp dụng cho các lớp ảnh mặt mẫu khác và thu đ−ợc K mặt tốt nhất t−ơng ứng với K lớp ảnh mặt mẫu có trong cơ sở dữ liệu. K mặt tốt nhất này đ−ợc sử dụng trong thuật toán so sánh một ảnh mặt cần nhận dạng với các mặt tốt nhất thu đ−ợc từ thuật toán so sánh dựa trên khuôn mẫu. 3.2 Thuật toán so sánh điểm đặc tr−ng dựa theo khoảng cách tiếp xúc Kỹ thuật so sánh dựa trên điểm đặc tr−ng nhằm đánh giá một mặt cần nhận dạng với K mặt tốt nhất thì mặt cần nhận dạng là mẫu mặt nào trong K mặt tốt nhất đó. Với kỹ thuật so sánh này ảnh cần nhận dạng và K mặt tốt nhất phải đ−ợc mã hoá thành các vector mà các thành phần của nó là các điểm đặc tr−ng của ảnh. Giả sử ảnh cần nhận dạng là x và đ−ợc biểu diễn x={x1,x2,…,xN} trong đó xi (i=1..N) là điểm đặc tr−ng thứ i biểu diễn trong mặt, gọi p là tập các ảnh tốt nhất (K ảnh mặt tốt nhất) và p={f1,f2,…,fK} trong đó mỗi ảnh fi phải đ−ợc mã hoá thành các vector điểm đặc tr−ng (fi={fi1,fi2,…,fiN}). Kỹ thuật so sánh điểm đặc tr−ng của một ảnh cần nhận dạng với tập K ảnh mặt tốt nhất sử dụng các vector điểm đặc tr−ng, trong đó mỗi phần tử thứ i là một đặc tr−ng của ảnh cần nhận dạng và ảnh mẫu. Tr−ớc hết ta thực hiện thuật toán so sánh hai ảnh mặt bất kỳ dựa trên kỹ thuật khoảng cách tiếp xúc. Thủ tục so sánh hai mặt dựa trên kỹ thuật khoảng cách tiếp xúc Thủ tục này sử dụng các điểm đặc tr−ng đ−ợc trích ra từ bộ lọc Gabor, theo bộ lọc này bất kỳ ảnh mặt ng−ời nào đều có 14 điểm đặc tr−ng và x(i), f(i) là các vector biểu diễn các đặc tr−ng của mặt. Thuật toán này hoạt động nh− sau: so sánh từng điểm đặc tr−ng của hai ảnh với nhau và sử dụng hàm cos để tính độ lệch (sự khác nhau) giữa hai điểm đặc tr−ng. Góc lệch giữa hai điểm đặc tr−ng đ−ợc mô tả nh− hình bên. Hình 3.3 Mô tả góc lệch giữa hai vector điểm đặc tr−ng f(i) x(i) α 36 Nhìn vào hình biểu diễn hai vector này ta thấy nếu hai điểm là giống nhau thì góc α tạo bởi hai vector x(i) và f(i) phải có góc nhỏ nhất. Tr−ờng hợp tốt nhất khi góc α = 00. Thủ tục mô tả thuật toán nh− sau: Procedure dg(x: mặt, f: mặt); Begin D:= 0; For i=1 to 14 do D:= D + (1 – cos(x(i),f(i))/2; Dg:= D/14; End Kết quả thu đ−ợc là khoảng cách giữa hai mặt bất kỳ dựa trên các điểm đặc tr−ng của ảnh. Tiếp theo là thủ tục xác định một mặt cần nhận dạng với các mẫu mặt tốt nhất thu đ−ợc từ kỹ thuật so sánh khuôn mẫu (K mẫu mặt tốt nhất) dựa trên khoảng cách tiếp xúc. Trong đó x là một vector biểu diễn điểm đặc tr−ng của mặt cần nhận dạng và p là nhóm các mẫu mặt tốt nhất (các mẫu trong p đều đ−ợc mã hoá theo vector biểu diễn các điểm đặc tr−ng của mẫu đó). Thuật toán này đ−ợc mô tả nh− hình d−ới đây: Hình 3.4 Mô phỏng cách so sánh một ảnh mặt với tập các ảnh mặt tốt nhất dựa trên điểm đặc tr−ng. Nhóm mặt tốt nhất (K mặt) f1(f1,f2,…,fN) d1 f2(f1,f2,…,fN) d2 x(x1,x2,…,xN) …………… min(d1,d2,…,dK) …………… fK-1(f1,f2,…,fN-1) dK-1 fK(f1,f2,…,fN) dK Kết quả thu đ−ợc So sánh Chọn kết quả tốt nhất 37 Theo cách biểu diễn của hình trên ta thấy: một ảnh cần nhận dạng x đ−ợc so sánh lần l−ợt với từng mẫu ảnh có trong p kết quả của phép so sánh thu đ−ợc lần l−ợt là d1, d2,…, dK t−ơng ứng với K mẫu tốt nhất trong p. Để thu đ−ợc kết quả tốt nhất ta lấy giá trị nhỏ nhất trong tập kết quả đo đ−ợc {d1,d2,…,dK} và giá trị nhỏ nhất di nào đó cho phép ta xác đinh đ−ợc mẫu mặt tốt nhất thứ i trong p. Thủ tục so sánh một mặt cần nhận dạng với tập các mặt tốt nhất thu đ−ợc từ kỹ thuật so sánh dựa trên khuôn mẫu Procedure dw(x: mặt, p: nhóm mặt mẫu); Begin {tập các mẫu mặt: p={f1,f2,..,fK} thu đ−ợc từ thuật toán dt(x,g)} min:= dg(x,f1); For i=2 to K do If min >= dg(x,fi) then min:= dg(x,fi); Dw:= min; End Kết quả đạt đ−ợc là vị trí của mẫu thứ i trong nhóm mẫu tốt nhất. 3.3 Kết hợp hai thuật toán so sánh trên Phần này trình bày một thuật toán kết hợp cả hai kỹ thuật so sánh trên để thực hiện nhiệm vụ nhận dạng ảnh mặt ng−ời và kết hợp hai kỹ thuật so sánh trong một điều kiện tốt nhất. Kỹ thuật so sánh dựa vào khuôn mẫu lấy đ−ợc các mặt tốt nhất và bền vững với các điều kiện thay đổi của ánh sáng bằng cách so sánh các mẫu con với nhau (kích th−ớc của mẫu con là 15x15 pixel). Kỹ thuật so sánh dựa trên điểm đặc tr−ng so sánh một ảnh mặt cần nhận dạng với tập các mặt tốt nhất thu đ−ợc từ kỹ thuật so sánh dựa trên khuôn mẫu và xác định chính xác ảnh cần nhận dạng đó là của ng−ời nào. Với việc kết hợp hai kỹ thuật so sánh trên dẫn tới thủ tục thực hiện thuật toán nh− sau: Procedure S(x: mặt, p: nhóm mặt); Begin If dt(x,p) > Th1 then S:=1; 38 If dw(x,p) > Th2 then S:=1; If (dt(x,p) = Th2) then S:= (dt(x,p) + dw(x,p))/2; End Mô tả hoạt động của thủ tục trên nh− sau: Tiến hành thực hiện hàm so sánh khuôn mẫu dt(x,p) để thu đ−ợc K mặt tốt nhất. Nếu giá trị thu đ−ợc từ việc so sánh hai mẫu với nhau v−ợt quá ng−ỡng cho tr−ớc Th1 nào đó thì cặp so sánh đó bị loại bỏ. Cuối cùng thu đ−ợc các mẫu mặt tốt nhất trong tập các mẫu đ−ợc so sánh. Kết quả của hàm so sánh dt(x,p) đ−ợc truyền tới hàm so sánh các điểm đặc tr−ng dw(x,p). Hàm này thực hiện cũng t−ơng tự nh− hàm so sánh khuôn mẫu nh−ng dữ liệu để so sánh không phải là toàn bộ các mẫu có trong cơ sở dữ liệu ảnh mà dữ liệu là các kết quả thu đ−ợc từ hàm so sánh khuôn mẫu dt(x,p). Nếu giá trị của hàm so sánh điểm đặc tr−ng v−ợt quá một ng−ỡng cho tr−ớc Th2 thì cặp ảnh so sánh đó bị loại bỏ. Nếu một trong hai giá trị của hàm so sánh khuôn mẫu và hàm so sánh các điểm đặc tr−ng v−ợt quá một ng−ỡng cho tr−ớc Th1 hoặc Th2 thì giá trị hàm kết hợp S:=1 và với giá trị này thì ảnh mặt của ng−ời đó không nhận dạng đ−ợc. Tr−ờng hợp ng−ợc lại hai giá trị của hai hàm so sánh đều chấp nhận đ−ợc khi đó S có giá trị là giá trị trung bình của hai giá trị thu đ−ợc từ hai thuật toán so sánh trên và giá trị S biến thiên trong khoảng [0,1]. Nh−ng trong tập các kết quả của S, không phải hoàn toàn là chính xác, cũng có khi đúng nh−ng cũng có khi sai do đó vần cần phải thực hiện việc kiểm tra tính chính xác giá trị của S bằng một ng−ỡng nào đó. Nếu giá S v−ợt quá ng−ỡng kiểm soát đó thì việc so sánh không thành công và ng−ời đó không nhận dạng đ−ợc. 39 Kết luận Trong khóa luận này, tôi đã trình bày một hệ thống nhận dạng ảnh mặt ng−ời tự động thoả mãn các điều kiện thay đổi của ánh sáng tác động đến ảnh nhận dạng. Trong quá trình thực hiện khóa luận, tôi đã thu nhận đ−ợc kiến thức tổng quan về hệ thống đoán nhận ảnh mặt ng−ời. Hơn nữa, đã nắm bắt đ−ợc những nội dung cơ bản của việc khắc phục ảnh h−ởng của các điều kiện ánh sáng tác động đến hệ thống nhận dạng làm cho hệ thống khó có thể nhận dạng ảnh một cách chính xác đã đ−ợc trình bày trong công trình của tác giả Mariani [3], đó là: - Kỹ thuật “Sử dụng khoảng cách tiếp xúc” - Sử dụng hai kỹ thuật so sánh: kỹ thuật so sánh khuôn mẫu và kỹ thuật so sánh điểm đặc tr−ng. Kỹ thuật so sánh khuôn mẫu cho hệ thống đ−ợc các mặt tốt nhất có trong cơ sở dữ liệu dựa vào cách đánh giá của hàm khoảng cách, còn kỹ thuật so sánh điểm đặc tr−ng cho biết đ−ợc chính xác ảnh đó là ảnh của ng−ời nào bằng cách so sánh ảnh cần nhận dạng với tập các ảnh tốt nhất thu đ−ợc từ kỹ thuật so sánh điểm đặc tr−ng. Trong những hệ thống thực tế, ý t−ởng kết hợp hai thuật toán trên đ−ợc khóa luận đề cập. Khóa luận cũng đã mô tả chi tiết các thuật toán đối sánh khoảng cách bằng một số thủ tục PASCAL song ch−a có điều kiện cài đặt đ−ợc các thuật toán này. Do thời gian và trình độ còn hạn chế và đây là một nội dung khó, khóa luận ch−a hiện thực các thuật toán trình bày ở ch−ơng ba. Đấy là một nội dung trong ph−ơng h−ớng nghiên cứu tiếp theo của khóa luận. 40 Tài liệu tham khảo 1. Keysers D. Experiments with an Extended Tangent Distance, 15th International Conference on Pattern Recognition, Vol. 2,pp. 38-42, 2000. 2. Manjunath B.S. et al. A Feature-Based Approach to Face Recognition. Proc. IEEE Computer Soc. Conf. Computer Vision and Pattern Recognition, pp 373-378, 1992. 3. Mariani R. A Face Location Algorithm Robust to Complex Lighting Conditions. To appear in 2nd Audio and Video-Based Biometric Person Authentication, Sweden, 2001. 4. Rowley H. et al. Neural Network-Based Face Detection. IEEE Trans. Pattern Analysis and Machine Intelligence, 1998. 5. Simard P. Transformation Invariance in Pattern Recognition – Tangent Distance and Tangent Propagation. In G. Orr and K.R. Muller editors, Neural Networks: tricks of the trade, vol 1524 of Lecture Notes in Computer Science, Springer, Heidelberg, pp 239-274, 1998. 6. Sirohey S.A, Human Face Segmentation and Identification. Technical Report, CS-TR- 3176, Univ, of Maryland, 1993. 7. Sun Q.B. et al. Face Detection Based on Color and Local Symmertry Information. Proc. 3rd International Conterence on Automatic Face and Gesture Recognition, pp 130- 135. Apr 14-16, 1998. Nara, Japan. 8. Takacs B và Wechsler H. Detection of Face and Facial Landmarks Using Iconic Filter Banks. Pattern Recognition, 30(1): 1623-1636, 1997.