CHƯƠNG 1 KHÁI QUÁT VỀ XỬ LÝ ẢNH VÀ PHÁT HIỆN MẶT NGƢỜI TRONG ẢN

1.1.2.2 Nắn chỉnh biến dạng

Ảnh thu nhận thƣờng bị biến dạng do các thiết bị quang học và

điện tử.



Hình 1.2: Mô hình việc nắn chỉnh biến dạng

Để khắc phục ngƣời ta sử dụng các phép chiếu, các phép chiếu

thƣờng đƣợc xây dựng trên tập các điểm điều khiển.

Giả sử (P i , P i' ) in1 có n các tập điều khiển

Tìm hàm f: P i  f(P i ) sao cho:



Giả sử ảnh bị biến đổi chỉ bao gồm: Tịnh tiến, quay, tỷ lệ, biến dạng

bậc nhất tuyến tính. Khi đó hàm f có dạng:

f (x, y) = (a1x + b1y + c1, a2x + b2y + c2)

Ta có:



Để cho φ → min



5



Giải hệ phƣơng trình tuyến tính tìm đƣợc a1, b1, c1

Tƣơng tự tìm đƣợc a2, b2, c2

 Xác định đƣợc hàm f



1.1.2.3 Khử nhiễu

Có 2 loại nhiễu cơ bản trong quá trình thu nhận ảnh

- Nhiễu hệ thống: Nhiễu có quy luật có thể khử bằng các phép biến

đổi.

- Nhiễu ngẫu nhiên: Vết bẩn không rõ nguyên nhân → khắc phục

bằng các phép lọc.

1.1.2.4 Chỉnh mức xám

Nhằm khắc phục tính không đồng đều của hệ thống gây ra. Thông

thƣờng có 2 hƣớng tiếp cận:

- Giảm số mức xám: Thực hiện bằng cách nhóm các mức xám gần

nhau thành một bó. Trƣờng hợp chỉ có hai mức xám thì chính là chuyển về

ảnh đen trắng. Ứng dụng: In ảnh màu ra máy in đen trắng.

- Tăng số mức xám: Thực hiện nội suy ra các mức xám trung gian

bằng kỹ thuật nội suy. Kỹ thuật này nhằm tăng cƣờng độ mịn cho ảnh

1.1.2.5 Trích chọn đặc điểm

Các đặc điểm của đối tƣợng đƣợc trích chọn tuỳ theo mục đích nhận

dạng trong quá trình xử lý ảnh. Có thể nêu ra một số đặc điểm của ảnh

sau đây:

- Đặc điểm không gian: Phân bố mức xám, phân bố xác suất, biên

độ, điểm uốn...

6



- Đặc điểm biến đổi: Các đặc điểm loại này đƣợc trích chọn bằng

việc thực hiện lọc vùng (zonal filtering). Các bộ vùng đƣợc gọi là “mặt nạ

đặc điểm” (feature mask) thƣờng là các khe hẹp với hình dạng khác nhau

(chữ nhật, tam giác, cung tròn,...)

- Đặc điểm biên và đƣờng biên: Đặc trƣng đƣờng biên của đối

tƣợng rất hữu ích trong việc trích chọn các thuộc tính bất biến và đƣợc

dùng khi nhận dạng đối tƣợng. Các đặc điểm này có thể đƣợc trích chọn

nhờ toán tử gradient, toán tử la bàn, toán tử Laplace, toán tử “chéo không”

(zero crossing),...

Việc trích chọn hiệu quả các đặc điểm giúp cho việc nhận dạng các

đối tƣợng ảnh chính xác, với tốc độ tính toán cao và dung lƣợng nhớ lƣu

trữ giảm xuống.

1.1.2.6 Nhận dạng

Xét trên phƣơng diện tổng quát, nhận dạng đối tƣợng là một công

việc đƣợc thực hiện hàng ngày của những sinh vật sống và là khả năng vốn

có và cần thiết của sinh vật để thích nghi với môi trƣờng. Công việc này

đƣợc thực hiện trong trong những tình huống khác nhau nhƣ là tìm kiếm

nguồn thức ăn, di trú, phát hiện ra thú dữ hay là để nhận biết những ngƣời

bạn v..v.. một cách rất hiệu quả. Nhận dạng đối tƣợng đƣợc xem nhƣ là một

khái niệm nhận thức rộng nó có thể là một nhiệm vụ rất đơn giản, ví dụ nhƣ

khi một vi sinh vật biến mất khỏi môi trƣờng không đủ độ pH, hay là

những nhiệm vụ phức tạp đòi hỏi khả năng suy luận, mô tả và hiểu biết

nhất định, ví dụ khi một ngƣời phải tìm một cái kéo từ ngăn thứ hai đếm từ

dƣới lên của một cái tủ.

Nhận dạng tự động (automatic recognition), mô tả đối tƣợng, phân

loại và phân nhóm các mẫu là những vấn đề quan trọng trong thị giác máy,

đƣợc ứng dụng trong nhiều ngành khoa học khác nhau. Tuy nhiên, một câu

hỏi đặt ra là: Mẫu (pattern) là gì? Watanabe, một trong những ngƣời đi đầu

trong lĩnh vực này đã định nghĩa: “Ngƣợc lại với hỗn loạn (chaos), mẫu là

một thực thể (entity), đƣợc xác định một cách ang áng (vaguely defined) và

có thể gán cho nó một tên gọi nào đó”. Ví dụ mẫu có thể là ảnh của vân tay,

ảnh của một vật nào đó đƣợc chụp, một chữ viết, khuôn mặt ngƣời hoặc

một ký đồ tín hiệu tiếng nói. Khi có một mẫu nào đó, để nhận dạng hoặc

phân loại mẫu đó có thể:

7



 Hoặc phân loại có mẫu (supervised classification), chẳng hạn phân

tích phân biệt (discriminant analyis), trong đó mẫu đầu vào đƣợc

định danh nhƣ một thành phần của một lớp đã xác định.

 Hoặc phân loại không có mẫu (unsupervised classification hay

clustering) trong đó các mẫu đƣợc gán vào các lớp khác nhau dựa

trên một tiêu chuẩn đồng dạng nào đó. Các lớp này cho đến thời

điểm phân loại vẫn chƣa biết hay chƣa đƣợc định danh.

Những ứng dụng của các hệ thống nhận dạng mẫu nói chung và hệ

thống nhận dạng trong xử lý ảnh với dữ liệu hình ảnh là rất lớn và bao trùm

một phạm vi rộng lớn của cuộc sống. Sau đây là một số ví dụ trong một vài

hoạt động chuyên ngành:

 Nông nghiệp:

 Phân tích cây trồng.

 Đánh giá đất trồng.

 Thiên văn học:

 Phân tích ảnh chụp từ kính viễn vọng.

 Tự động hoá quang phổ học.

 Sinh học:

 Tự động hoá tế bào học.

 Đặc trƣng của các nhiễm sắc thể.

 Các nghiên cứu di truyền học.

 Quản lý công dân:

 Phân tích và điều khiển luồng giao thông.

 Định mức sự tăng trƣởng của thành phố.

 Quản lý kinh tế:

 Dự đoán thị trƣờng chứng khoán.

 Phân tích hiệu suất của doanh nghiệp.

 Kỹ thuật:

 Phát hiện lỗi trong những sản phẩm đƣợc chế tạo.

8



 Nhận dạng ký tự.

 Nhận dạng tiếng nói.

 Những hệ thống dẫn đƣờng tự động.

 Phân tích sự ô nhiễm.

 Địa chất:

 Phân loại các loại đá.

 Ƣớc lƣợng những tài nguyên khai thác.

 Phân tích nguồn tài nguyên địa chất sử dụng những hình ảnh

vệ tinh.

 Phân tích địa chấn.

 Y học:

 Phân tích điện tâm đồ.

 Phân tích điện não đồ.

 Phân tích những hình ảnh nội khoa.

 Quân sự:

 Phân tích ảnh chụp không gian.

 Phát hiện và phân loại các sóng ra đa và sóng siêu âm.

 Tự động phát hiện mục tiêu.

 Bảo mật:

 Phát hiện các dấu vân tay.

 Những hệ thống giám sát và báo động.

Trong các ứng dụng rõ ràng là không thể chỉ dùng có một cách tiếp

cận đơn lẻ để phân loại “tối ƣu” do vậy cần sử dụng cùng một lúc nhiều

phƣơng pháp và cách tiếp cận khác nhau. Do vậy, các phƣơng thức phân

loại tổ hợp hay đƣợc sử dụng khi nhận dạng và nay đã có những kết quả có

triển vọng dựa trên thiết kế các hệ thống lai bao gồm nhiều mô hình

kết hợp.

Việc giải quyết bài toán nhận dạng trong những ứng dụng mới, nảy

sinh trong cuộc sống không chỉ tạo ra những thách thức về thuật giải, mà

còn đặt ra những yêu cầu về tốc độ tính toán. Đặc điểm chung của tất cả

9



những ứng dụng đó là những đặc điểm đặc trƣng cần thiết thƣờng là nhiều,

không thể do chuyên gia đề xuất, mà phải đƣợc trích chọn dựa trên các thủ

tục phân tích dữ liệu.

1.1.2.7 Nén ảnh

Nhằm giảm thiểu không gian lƣu trữ. Thƣờng đƣợc tiến hành theo cả

hai cách khuynh hƣớng là nén có bảo toàn và không bảo toàn thông tin.

Nén không bảo toàn thì thƣờng có khả năng nén cao hơn nhƣng khả năng

phục hồi thì kém hơn. Trên cơ sở hai khuynh hƣớng, có 4 cách tiếp cận cơ

bản trong nén ảnh:

- Nén ảnh thống kê: Kỹ thuật nén này dựa vào việc thống kê tần suất

xuất hiện của giá trị các điểm ảnh, trên cơ sở đó mà có chiến lƣợc mã hoá

thích hợp. Một ví dụ điển hình cho kỹ thuật mã hoá này là *.TIF

- Nén ảnh không gian: Kỹ thuật này dựa vào vị trí không gian của

các điểm ảnh để tiến hành mã hoá. Kỹ thuật lợi dụng sự giống nhau của các

điểm ảnh trong các vùng gần nhau. Ví dụ cho kỹ thuật này là mã

nén *.PCX

- Nén ảnh sử dụng phép biến đổi: Đây là kỹ thuật tiếp cận theo

hƣớng nén không bảo toàn và do vậy, kỹ thuật thƣờng nến hiệu quả hơn.

*.JPG chính là tiếp cận theo kỹ thuật nén này.

- Nén ảnh Fractal: Sử dụng tính chất Fractal của các đối tƣợng ảnh,

thể hiện sự lặp lại của các chi tiết. Kỹ thuật nén sẽ tính toán để chỉ cần lƣu

trữ phần gốc ảnh và quy luật sinh ra ảnh theo nguyên lý Fractal.

1.2 Phát hiện mặt ngƣời trong xử lý ảnh

1.2.1 Bài toán

Phát hiện khuôn mặt ngƣời (Face Detection) là một kỹ thuật máy

tính để xác định các vị trí và các kích thƣớc của các khuôn mặt ngƣời trong

các ảnh bất kỳ (ảnh kỹ thuật số). Kỹ thuật này nhận biết các đặc trƣng của

khuôn mặt và bỏ qua những thứ khác, nhƣ: Toà nhà, cây cối, cơ thể, …

Phát hiện khuôn mặt đƣợc coi nhƣ một giai đoạn quan trọng trong hệ

thống nhận dạng khuôn mặt. Việc xác định chính xác vị trí và kích thƣớc

các khuôn mặt trong ảnh là một trong những yếu tố quyết định để giai đoạn

kiểm tra xem khuôn mặt vừa tìm thấy là ai đƣợc chính xác.



10



1.2.2 Những khó khăn của bài toán phát hiện khuôn mặt

Bài toán nhận dạng mặt ngƣời là bài toán đã đƣợc nghiên cứu từ

những năm 70. Tuy nhiên, đây là một bài toán khó nên những nghiên cứu

hiện tại vẫn chƣa đạt đƣợc kết quả mong muốn. Chính vì thế vấn đề này

vẫn đang đƣợc nhiều nhóm trên thế giới quan tâm nghiên cứu. Khó khăn

của bài toán nhận dạng mặt ngƣời nói chung và bài toán phát hiện khuôn

mặt nói riêng có thể kể nhƣ sau:

1.2.2.1 Tƣ thế, góc chụp

Ảnh chụp khuôn mặt có thể thay đổi rất nhiều bởi vì góc chụp giữa

camera và khuôn mặt. Chẳng hạn nhƣ: chụp thẳng, chụp nghiêng, chụp từ

trên xuống, chụp từ dƣới lên,... Với các tƣ thế khác nhau, các thành phần

trên khuôn mặt nhƣ mắt, mũi, miệng có thể bị khuất một phần hoặc thậm

chí khuất hết.



Hình 1.3: Hƣớng mặt nghiêng



Hình 1.4: Máy ảnh đặt phía trên và sau lƣng ngƣời chụp

1.2.2.2 Sự xuất hiện hoặc thiếu một số thành phần của khuôn mặt

Các đặc trƣng nhƣ: Râu mép, râu hàm, mắt kính,... có thể xuất hiện

hoặc không. Vấn đề này làm cho bài toán càng trở nên khó hơn rất nhiều.



11



Hình 1.5: Ngƣời đeo kính đen và đội mũ

1.2.2.3 Sự biểu cảm của khuôn mặt

Biểu cảm của khuôn mặt ngƣời có thể làm ảnh hƣởng đáng kể lên

các thông số của khuôn mặt. Chẳng hạn, cùng một khuôn mặt một ngƣời,

nhƣng có thể sẽ rất khác khi họ cƣời hoặc sợ hãi,...



Hình 1.6: Một khuôn mặt biểu cảm phức tạp

1.2.2.4 Sự che khuất:

Khuôn mặt có thể bị che khuất bởi các đối tƣợng khác hoặc các

khuôn mặt khác.



Hình 1.7: Khuôn mặt bị che khuất một phần

12



1.2.2.5 Điều kiện của ảnh

Ảnh đƣợc chụp trong các điều kiện khác nhau về: chiếu sáng, về tính

chất camera (máy kỹ thuật số, máy hồng ngoại,...) ảnh hƣởng rất nhiều đến

chất lƣợng ảnh khuôn mặt.



Hình 1.8: Ảnh chụp trong nhà



Hình 1.9: Ảnh chụp ngoài trời



Hình 1.10: Ảnh chụp ngƣợc sáng

13



Hình 1.11: Ảnh bị chói do đèn

Một vài ví dụ cho việc các hệ thống phát hiện và nhận dạng mặt

ngƣời hoạt động không hiệu quả:

Vào năm 2001, Sở cảnh sát Tampa đã lắp đặt một hệ thống camera

có gắn phần mềm nhận diện khuôn mặt tại quận Ybor City vốn nổi tiếng về

các hoạt động về đêm nhằm giảm bớt tỉ lệ tội phạm trong khu vực này.

Nhƣng kế hoạch này đã hoàn toàn thất bại, và nó bị đình chỉ vào năm 2003

do thiếu hiệu quả. Bởi những ngƣời sống trong khu vực này đã đeo mặt nạ

và thực hiện hành vi phạm tội khiến cho camera không thể nhận diện đƣợc

bất kỳ ai.

Sân bay Logan ở Boston cũng đã nhờ những ngƣời tình nguyện thực

hiện hai bài kiểm tra hệ thống nhận diện khuôn mặt riêng biệt tại các điểm

chốt an ninh của sân bay. Sau một khoảng thời gian kiểm tra 3 tháng, kết

quả thu đƣợc thật đáng thất vọng. Theo nhƣ Trung tâm thông tin bảo mật

điện tử, hệ thống này chỉ đạt tỉ lệ chính xác là 61.4%, buộc các nhà quản lý

sân bay phải tính đến những lựa chọn an ninh khác.



14



CHƢƠNG 2



PHÁT HIỆN MẶT NGƢỜI TRONG ẢNH

THEO HƢỚNG TIẾP CẬN THÀNH PHẦN

2.1 Sử dụng kỹ thuật PCA

2.1.1 Các khái niệm cơ bản

Phần này giới thiệu về các khái niệm toán học sẽ đƣợc sử dụng trong

PCA. Các khái niệm đó bao gồm: Độ lệch chuẩn (Standard deviation),

phƣơng sai (variance), hiệp phƣơng sai (covariance), vec tơ riêng

(eigenvector), giá trị riêng (eigenvalue).

2.1.1.1 Độ lệch chuẩn

Để hiểu độ lệch chuẩn, chúng ta cần một tập dữ liệu. Giả sử

ta có tập:

X = [1 2 4 6 12 15 25 45 68 67 65 98]

X là ký hiệu đại diện cho tập số, mỗi số riêng biệt đƣợc ký hiệu X i

(Ví dụ X3 = 4). Phần tử đầu tiên là X1 và n là số lƣợng phần tử của tập hợp.

Khi đó trung bình của mẫu có công thức:





X



n



i 1



Xi



n



X Là ký hiệu trung bình của mẫu, tuy nhiên trung bình mẫu không



nói lên đƣợc nhiều điều ngoại trừ cho ta biết nó là một điểm giữa. Ví dụ với

hai tập dữ liệu

[0 8 12 20] và



[8 9 11 12]



Có trung bình mẫu bằng nhau nhƣng lại khá khác nhau. Sự khác biệt

ở đây chính là khoảng cách của dữ liệu. Và độ lệch chuẩn là đại lƣợng để

đo khoảng cách này. Ta có thể hiểu độ lệch chuẩn là khoảng cách trung

bình từ trung bình mẫu đến các điểm của dữ liệu.

Ta có công thức: s 







n



i 1



(X i  X i )2

(n  1)



15