Đồ án Thiết kế mạch chống trộm

BỘ GIÁO DỤC VÀ ĐÀO TẠO

TRƯỜNG ĐẠI HỌC BÀ RỊA VŨNG TÀU

KHOA CÔNG NGHỆ KỸ THUẬT – NÔNG NGHIỆP CÔNG NGHỆ CAO

ĐỒ ÁN TỐT NGHIỆP

Đề tài:

THIẾT KẾ MẠCH CHỐNG TRỘM

Họ và tên GVHD : ThS. Phan Thanh Hoàng Anh

Họ và tên SVTH

Mã Số Sinh Viên

Chuyên Ngành

Lớp

: Dương Chí Hùng

: 16031192

: Điện Công Nghiệp Và Dân Dụng

: DH16DC

Vũng Tàu, tháng 05 năm 2020

MỤC LỤC

CHƯƠNG 1.GIỚI THIỆU VỀ ĐỀ TÀI LUẬN VĂN

1

1.1LỜI MỞ ĐẦU

1

3

1.2GIỚI THIỆU VỀ XỬ LÝ ẢNH

1.2.1Một số khái niệm cơ bản

3

1.2.2Các hình thái của ảnh

4

5

1.3HỆ THỐNG NHẬN DẠNG KHUÔN MẶT

1.3.1Bài toán nhận dạng khuôn mặt

5

1.3.2Những tác động trong việc nhận dạng

1.3.3Xây dựng hệ thống nhận dạng

5

6

CHƯƠNG 2.LÝ THUYẾT CƠ SỞ CỦA BÀI TOÁN

9

2.1LÝ THUYẾT PHÁT HIỆN KHUÔN MẶT NGƯỜI BẰNG ĐẶC TRƯNG HAAR WAVELET-LIKE

9

2.1.1Tiếp cận Haar wavelet-like

9

2.1.2Trích xuất đặc trưng Haar wavelet-like

11

2.2NHẬN DẠNG KHUÔN MẶT NGƯỜI SỬ DỤNG LBPH FACE RECOGNIZER

2.2.1Nhận dạng bằng thuật toán PCA

12

2.2.2Nhận dạng bằng thuật toán LDA

13

15

17

2.2.3Ứng dụng của thuật toán PCA trong bài toán

2.2.4Tính toán và tìm EigenFaces

2.2.5Bài toán nhận dạng khuôn mặt bằng các EigenFaces

CHƯƠNG 3.SƠ LƯỢC VỀ CÁC LINH KIỆN TRONG ĐỀ TÀI

18

3.1GIỚI THIỆU MẠCH ARDUINO NANO

18

3.1.1Cổng kết nối với Arduino Nano

20

3.1.2Lập trình cho Arduino Nano

20

3.2ĐỘNG CƠ RC SERVO

3.3MODULE LM2596

3.4BÀN PHÍM

22

23

25

CHƯƠNG 4.XÂY DỰNG MÔ HÌNH VÀ PHẦN CỨNG

26

4.1KẾT NỐI VỚI THIẾT BỊ NGOẠI VI

26

4.1.1Arduino NANO

26

4.2LÀM MẠCH

28

29

4.3MÔ HÌNH THỰC TẾ

CHƯƠNG 5.TẠO CHƯƠNG TRÌNH NHẬN DẠNG

5.1XÂY DỰNG CHƯƠNG TRÌNH PHÁT HIỆN KHUÔN MẶT

31

32

CHƯƠNG 6.KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN

40

6.1KẾT LUẬN

40

6.1.1Kết luận 1

40

6.1.2Kết luận 2

40

6.1.3Kết luận 3

40

6.2HƯỚNG PHÁT TRIỂN

40

TÀI LIỆU THAM KHẢO

41

LỜI CẢM ƠN

Tôi xin chân thành cảm ơn ThS. PHAN THANH HOÀNG ANH vì trong

thời gian thực hiện luận văn này, thầy đã hết sức tận tâm giúp đỡ cho tôi lúc tôi

không hiểu vấn đề trong lúc thực hiện luận văn này. Tôi cũng xin cảm ơn gia đình

và bạn bè đã giúp đỡ tôi khi tôi gặp khó khăn.

Tôi xin chân thành cảm ơn!

Vũng Tàu, ngày 28 tháng 05 năm 2020

Sinh viên

DƯƠNG CHÍ HÙNG

GVHD: ThS. Phan Thanh Hoàng AnhSVTH: Dương Chí Hùng

CHƯƠNG 1. TỔNG QUAN

1.1Lời mở đầu

Trong thời đại đất nước ngày càng phát triển về mọi mặt, thì cũng nảy sinh

nhiều vấn đề về an ninh và cũng được toàn thế giới rất quan tâm. Theo đó các

bài toán về nhận dạng cũng được quan tâm rất nhiều. Và vấn đề nhận dạng các

bộ phận cơ thể của con người cũng đã có rất nhiều phương pháp đưa ra và có độ

chính xác cao.

Một số bài toán nhận dạng đang rất được quan tâm và phát triển phổ biến ở

toàn thế giới như:

 Nhận dạng bằng vân tay

 Nhận dạng bằng vân mắt

 Nhận dạng bằng bàn tay

 Sử dụng thẻ để lưu giữ thông tin cá nhân …

Và các phương án nhận dạng này cũng đã được áp dụng sau một thời gian

dài phát triển và có được sự chính xác cao. Nhưng các phương pháp này vẫn

còn gặp nhiều hạn chế như sau:

 Đòi hỏi sự tiếp xúc trực tiếp giữa người và hệ thống.

 Với các hệ thống sử dụng thẻ thì yêu cầu phải có thẻ, nếu mất thẻ thì sẽ

không nhận dạng được.

Hiện nay, với sự phát triển về xử lý ảnh thì bài toán đang được quan tâm

nghiên cứu là nhận dạng khuôn mặt (Face Recognition). Khuôn mặt của mỗi

người chúng ta đóng vai trò cực kỳ quan trọng. Với mỗi khuôn mặt chúng ta có

thể xác định được giới tính, chủng tộc, tuổi tác, trạng thái cảm xúc và đặc biệt là

có thể xác định mối quan hệ giữa mỗi người (bạn bè, ba mẹ, anh chị em …). Vì

vậy bài toán nhận dạng khuôn mặt được đặt ra có thể giải quyết được nhiều vấn

đề như điểm danh, quản lý nhân viên … và đặc biệt sẽ mang lại thêm nhiều giải

pháp kiểm soát an ninh phù hợp với từng môi trường sử dụng.

6

GVHD: ThS. Phan Thanh Hoàng AnhSVTH: Dương Chí Hùng

Và thực tế thì công nghệ nhận dạng khuôn mặt cũng đang được ứng dụng và

phát triển bởi các công ty lớn trên thế giới như Apple, Samsung, Google. Ví dụ

điển hình như trên những chiếc điện thoại thông minh mới nhất của hãng điện

thoại Samsung là S8 hay Iphone X của hãng Apple đều có khả năng sử dụng

khuôn mặt của chủ nhân để mở khóa màn hình.

Với bài toán nhận diện khuôn mặt thì có rất nhiều bài toán nhỏ khác nhau

như:

 Nhận dạng dựa trên các đặc trưng của các phần tử trên khuôn mặt

(Feature based face recognition).

 Nhận dạng dựa trên xét tổng thể khuôn mặt (Appearance based face

recognition).

 Nhận dạng 2D và 3D

Với phương pháp nhận dạng dựa trên các đặc trưng khuôn mặt sử dụng việc

xác định các đặc trưng hình học trên các chi tiết của khuôn mặt (vị trí, diện tích,

hình dạng mắt, mũi, miệng …) và mối quan hệ giữa chúng (khoảng cách của

hai mắt, khoảng cách của hai lông mày…). Ưu điểm của phương pháp này là nó

gần với cách mà con người sử dụng để nhận biết khuôn mặt và cho kết quả tốt

trong các trường hợp ảnh hưởng tác động từ bên ngoài. Nhược điểm là thuật

toán phức tạp do việc xác định mối quan hệ giữa các khuôn mặt và các ảnh kích

thước nhỏ thì các đặc tính sẽ khó phân biệt do đó khó tính toán được các đặc

trưng trên khuôn mặt.

Còn với phương pháp nhận dạng dựa trên toàn diện khuôn mặt, có nghĩa

chúng ta sẽ không đi xét từng thành phần đặc trưng trên khuôn mặt mà sẽ xem

khuôn mặt là một chiều không gian cụ thể và tìm đặc điểm đặc trưng và những

đặc điểm chính trên không gian đó. Hai phương pháp thường được sử dụng

trong hướng tiếp cận này là:

 PCA (Principle Components Analysis) là phương pháp trích xuất đặc

trưng nhằm giảm số chiều của ảnh tuy đơn giản nhưng mang lại hiểu quả khá

tốt. Hệ thống ổng định và có thể thích nghi cao đối với dữ liệu đầu vào thay đổi

nhiều.

7

GVHD: ThS. Phan Thanh Hoàng AnhSVTH: Dương Chí Hùng

 LDA (Linear Discriminant Analysis) là phương pháp nhận diện dựa trên

một phép chiếu tuyến tính từ không gian hình ảnh vào một chiều không gian

thấp hơn bằng cách tối đa giữa các lớp tán xạ và giảm nhiều phân tán trong lớp.

Và trong bài toán này để nhận dạng không thể không nhắc tới thư viện

OpenCV (Open Source Computer Vision Library). Một thư viện mã nguồn mở

hàng đầu cho thị giác máy tính (computer vision), xử lý ảnh và máy học, và các

tính năng tăng tắc GPU trong hoạt động thời gian thực. Được giới thiệu vào

tháng 01 năm 1999 và được cho ra mắt phiên bản đầu tiên vào năm 2006. Thư

viện OpenCV chứa hàng ngàn thuật toán tối ưu hóa và hơn 500 hàm được viết

bằng ngôn ngữ C/C++ tương thích với nhiều hệ điều hành như Windows,

Android, Linux, … Các thuật toán có khả năng dùng để sử dụng để nhận dạng

khuôn mặt, xe hơi tự lái, phát hiện khuôn mặt, di chuyển theo khuôn mặt khi

phát hiện theo thời gian thực.

Nhưng với hệ thống nhận dạng khuôn mặt này đều được thiết kế và sử dụng

trên các máy tính có cấu hình cao và rất tốn kém. Vì thế nếu thiết kế một hệ

thống nhận dạng thì một chiếc máy tính như vậy quá tốn kém. Nhưng hiện nay

với sự phát triển của hệ thống nhúng (Embedded system) một hệ thống tích hợp

cả phần cứng và phần mềm phục vụ các bài toán chuyên dụng trong nhiều lĩnh

vực công nghiệp, tự động hóa điều khiển và truyền tin.

Và chính vì thế trong đề tài luận văn này tôi muốn ứng dụng ARDUINO.

Một bo mạch điện tử nhỏ để thực hiện đề tài luận văn “Thiết kế mạch chống

trộm”.

1.2Giới thiệu về xử lý ảnh

1.1.1 Một số khái niệm cơ bản

Xử lý ảnh là một trong những mảng quan trọng nhất trong vấn đề kỹ thuật thị

giác máy tính và bước đầu cho nhiều nghiên cứu phát triển trong lĩnh vực nhận

dạng. Nhiệm vụ cơ bản của quá trình xử lý ảnh là nâng cao chất lượng hình ảnh

và xử lý số liệu để cung cấp cho các quá trình nhận dạng.

8

GVHD: ThS. Phan Thanh Hoàng AnhSVTH: Dương Chí Hùng

 Quy trình bắt đầu từ thu nhận ảnh nguồn (từ thiết bị thu nhận ảnh dạng số

hoặc tương tự) gửi đến máy tính. Và dữ liệu ảnh sẽ được lưu trừ ở định dạng

phù hợp trong qua trình xử lý.

 Quy trình xử lý nhận dạng ảnh được xem là quá trình thao tác ảnh đầu

vào nhằm đạt kết quả mong muốn. Kết quả đầu ra của một quá trình xử lý ảnh

có thể là một hình ảnh đã được xử lý hoặc một kết luận.

Ảnh Qua Xử Lý

Ảnh

Xử Lý

Kết Luận

Hình 1.1 Quá trình xử lý ảnh

 Ảnh có thể được coi là một tập hợp các điểm ảnh và mỗi điểm ảnh được

xem như là đặc trưng cường độ sáng hay một dấu hiệu nào đó tại một vị trí nào

đó của đối tượng trong không gian và nó có thể xem như một hàm n biến. Vì

vậy, ảnh trong xử lý ảnh có thể xem như ảnh n chiều.

1.1.2 Các hình thái của ảnh

 Chuyển ảnh màu thành ảnh xám: Đơn vị tế bào của ảnh số là pixel. Tùy

theo mỗi định dạng là ảnh màu hay ảnh xám mà từng pixel có thông số khác

nhau. Đối với ảnh màu từng pixel sẽ mang thông tin của ba màu cơ bản tạo ra

bản màu là Đỏ, Xanh lá, Xanh biển. Trong mỗi một pixel của ảnh màu thì ba

màu cơ bản được bố trí sát nhau và có cường độ sáng khác nhau.

 Lược đồ xám của ảnh (Histogram) có các mức xám trong khoảng [0,L-1]

là một hàm rời rạc p(rk) = nk/n. Trong đó nk là số pixel có mức xám thứ rk, n là

tổng số pixel trong ảnh và k=0,1,2…L-1. Do đó P(rk) cho một xác suất xảy ra

mức xám rk. Vẽ hàm này với tất cả các giá trị của k sẽ biểu diễn khái quát sự

xuất hiện các mức xám của một ảnh. Và chúng ta có thể thể hiện lược đồ mức

9

GVHD: ThS. Phan Thanh Hoàng AnhSVTH: Dương Chí Hùng

xám của ảnh thông qua tần suất xuất hiện mỗi mức xam qua hệ tọa độ vuông

góc xOy. Trong đó, trục hoành biểu diễn số mức xám từ 0 đến N (số bit của ảnh

xám). Trục tung biểu diễn số pixel của mỗi mức xám.

1.3Hệ thống nhận dạng khuôn mặt

1.1.3 Bài toán nhận dạng khuôn mặt

Bài toán về hệ thống nhận dạng mặt người là một hệ thống nhận vào là một

hình ảnh hoặc một chuỗi các ảnh (video). Qua đó xử lý và tính toán để xác định

được vị trí khuôn mặt người trong ảnh (nếu có) và xác định người nào trong số

những người đã được đào tạo hoặc trả về kết quả là người lạ.

Hình 1.2 Hệ thống nhận dạng khuôn mặt

1.1.4 Những tác động trong việc nhận dạng

 Điều kiện chụp ảnh: Ảnh được chụp khi có các điều kiện khác nhau có

thể gây ảnh hưởng đến chất lượng ảnh như : ánh sáng, chất lượng camera,…

 Sự che khuất: Khuôn mặt có thể đã bị che khuất bỡi các vật thể khác hoặc

camera bị dính bẩn,…

 Tư thế chụp, góc chụp: Ảnh chụp khuôn mặt có thể bị thay đổi do góc

chụp giữa camera và khuôn mặt. Khuôn mặt đang nhìn thẳng nhưng góc chụp

của máy ảnh lại lệch so với hướng nhìn hoặc nhiều trường hợp khác do đó tạo

nhiều khó khăn rất lớn cho bài toán nhận diện khuôn mặt.

10

GVHD: ThS. Phan Thanh Hoàng AnhSVTH: Dương Chí Hùng

 Thiếu một số thành phần khuôn mặt: Các đặc trưng như râu, mắt kính, …

có thể xuất hiện hoặc không.

 Sự biểu cảm của khuôn mặt: Biểu cảm của con người có thể làm ảnh

hưởng đáng kể lên các thông số của khuôn mặt…

 Nền ảnh: Nền ảnh phức tạp là một trong những khó khăn nhất trong bài

toán nhận diện, vì khuôn mặt người sẽ dễ bị nhầm lẫn với khung cảnh phía sau

và sẽ ảnh hưởng đến quá trình phân tích.

 Màu da: Màu sắc của da mặt quá tối hoặc quá sáng cũng có thể gây khó

khăn trong việc nhận dạng.

 Tuổi tác: Nhận dạng khuôn mặt theo thời gian cũng là một vấn đề cần

tính toán trong vấn đề nhận dạng.

1.1.5 Xây dựng hệ thống nhận dạng

Một hệ thống nhận dạng khuôn mặt có thể được xây dựng qua rất nhiều quá

trình khác nhau và phức tạp, nhưng bài toán này cũng có thể khái quát chung

thành bốn bước sau:

1. Phát hiện khuôn mặt (Face Detection)

2. Phân đoạn khuôn mặt (Face Alignment)

3. Trích xuất đặc trưng (Feature Extration)

4. Nhận dạng (Recognition)

11

GVHD: ThS. Phan Thanh Hoàng AnhSVTH: Dương Chí Hùng

Hình 1.3 Quá trình nhận dạng khuôn mặt

 Phát hiện khuôn mặt: Là dò tìm, xác định vị trí của khuôn mặt xuất hiện

trong frame video.

 Phân đoạn khuôn mặt: là tạo một khung vuông để xác định vị trí mắt,

mũi, miệng và các bộ phận khác để chuyển kết quả cho bước trích xuất khuôn

mặt.

 Trích xuất đặc trưng: Bằng một phương pháp trích xuất chọn đặc điểm

nào đó (Haar-like, Local Binary Pattern – LBP,…) sẽ được dùng để trích xuất

đặc trưng thông tin về khuôn mặt xuất hiện trên camera. Xuất ra kết quả mỗi

ảnh dưới dạng vector đặc trưng.

 Phân lớp khuôn mặt: Sử dụng vector đặc trưng như một đầu vào cho mô

hình đã được huấn luyện trước. Xuất ra kết quả danh tính của khuôn mặt.

Bên cạnh những bước chính nêu trên, chúng ta còn có thể sử dụng thêm một

số bước như : tiền xử lý, hậu xử lý trong quá trình xử lý ảnh để làm tăng độ

chính xác cho hệ thống. Cụ thể như khi đọc ảnh từ frame video, chúng ta có thể

sử dụng bước tiền xử lý để căn chỉnh hình ảnh và cân chỉnh ánh sáng.

Và dữ liệu cho một hệ thống nhận dạng khuôn mặt được chia làm ba quá

trình như sau:

 Cài đặt huấn luyện hay tập huấn luyện (Training Set): là gồm nhiều ảnh

được dùng để huấn luyện (learning), trong tập này được dùng để sinh ra một

không gian con hoặc thư mục con (projection subspace) và nó là một ma trận.

Phương pháp hay được sử dụng nhất là PCA (Princial Component Analysis),

LDA (Linear Discriminant), WPCA (Whitened PCA), KPCA (Kernal PCA).

Tập đào tạo gồm các ảnh đã biết danh tính được chiếu vào không gian con ở

trong bước training. Bước training nhằm hai mục đích chính là : giảm số chiều

(Dimension reduction) của các vector đặc trưng vì vector này thường có độ dài

12

GVHD: ThS. Phan Thanh Hoàng AnhSVTH: Dương Chí Hùng

khá lớn (Vài nghìn đến vài trăm nghìn) mà nếu chúng ta để nguyên thì việc tính

toán sẽ sinh ra rất khó khăn, mục đích thứ hai là làm tăng tính phân biệt giữ các

ảnh khác lớp và cũng có thể làm giản tính phân biệt giữa các ảnh thuộc về một

lớp.

 Sau khi chiếu tập huấn luyện vào không gian con, hệ thống sẽ tự lưu lại

kết quả là một ma trận với mỗi một cột của ma trận là một vector tương ứng với

một ảnh (danh tính đã được xác định) để thực hiện nhận dạng. Nhận dạng được

thực hiện với tập probe, sau khi tiền xử lý đã hoàn thành, mỗi một ảnh sẽ được

áp dụng phương pháp trích xuất đặc trưng và được chiếu vào không gian con.

 Tiếp đến việc phân lớp sẽ dựa trên phương pháp K-NN, định danh của

một ảnh cần xác định sẽ được gán định danh của ảnh có khoảng cách gần với nó

nhất.

13

GVHD: ThS. Phan Thanh Hoàng AnhSVTH: Dương Chí Hùng

CHƯƠNG 2. CƠ SỞ LÝ THUYẾT

1.4Lý thuyết phát hiện khuôn mặt người bằng đặc trưng Haar wavelet-like

1.1.6 Tiếp cận Haar wavelet-like

Đặc trưng Haar wavelet-like được giới thiệu bởi Michael Jones và Paul Viola

là một trong những đặc trưng ảnh số được sử dụng trong nhận dạng đối tượng,

khuôn mặt. Những đặc trưng trong Haar wavelet-like là một sự lựa chọn phù

hợp cho mục đích phát hiện nhanh chóng và có độ chính xác cao trong thời gian

thực.

Trong hầu hết các bài toán nhận dạng đều làm việc trên cường độ sáng và tối

của ảnh, làm việc trên từng pixel trong ảnh, vì vậy nó đòi hỏi người sử dụng

phải làm việc với mức độ tính toán lớn. Và để giải quyết vấn đề của bài toán

này thì sử dụng những đặc trưng cơ bản của Haar wavelet-like với việc dùng

những hình chữ nhật lân cận tại một địa điểm cụ thể trong tập traning để tìm đối

tượng. Tính năng thường hay sử dụng của đặc trưng này là để dò tìm đối tượng

và là tập hợp của các hình chữ nhật liền kề và xác định vị trí của các hình chữ

nhật liên quan nhằm mục đích bao quanh đối tượng cần tìm.

Đặc trưng Haar wavelet-like cũng là sự kết hợp của hai hay ba hình chữ nhật

“trắng” hoặc “đen”.

Hình 2.1 Đặc trưng Haar wavelet-like cơ bản

Và để áp dụng các đặc trung này vào việc xác định bài toán nhận dạng khuôn

mặt này thì bốn đặc trung cơ bản sẽ được mở rộng ra và chia làm ba tập đặc

trưng như sau :

14

GVHD: ThS. Phan Thanh Hoàng AnhSVTH: Dương Chí Hùng

 Đặc trưng cạnh (edge features)

Hình 2.2 Đặc trưng cạnh

 Đặc trưng đường (line features)

Hình 2.3 Đặc trưng đường

 Đặc trưng xung quanh tâm (center suround features)

Hình 2.4 Đặc trưng xung quanh tâm

Đặc trưng này cũng phản ánh sự tương phản giữa các mối liên hệ của đối

tượng. Những đối tượng cần xác định và phát hiện có thể được xác định bởi một

bộ đặc trung này thông qua những liên hệ không gian giữa chúng.

15

GVHD: ThS. Phan Thanh Hoàng AnhSVTH: Dương Chí Hùng

Hình 2.5 Quá trình trích xuất đặc trưng Haar wavelet-like

1.1.7 Trích xuất đặc trưng Haar wavelet-like

Đặc trưng Haar-Like sẽ được biễu diễn các mỗi liên hệ giữa các bộ phận

của đối tượng, điều mà chính bản thân từng pixel không diễn đạt được và dựa

trên việc co giản của khung cửa sổ tìm kiếm các đặc trung Haar-Like. Và chúng

ta có thể tính sự chênh lệch giữa tổng các pixel của các vùng trắng và đen bằng

công thức sau:

f(x)=∑vùng đen(pixel)-∑vùng trắng(pixel)

Dựa vào công thức này chúng ta sẽ thấy rằng với tổng các pixel trên ảnh

sẽ cho ta thấy được các giá trị của đặc trưng này. Nhưng vấn đề ở đây là để tính

toán được những giá trị của các đặc trưng này thì đòi hỏi một khối lượng tính

toán rất lớn và dẫn đến không thể đáp ứng được cho các ứng dụng thời gian

thực tế. Do đó Michel Jones và Paul Viola đề xuất ra một khái niệm mới gọi là

“tích phân ảnh” giúp tính toán nhanh cho các đặc trưng cơ bản của Haar-Like.

1.5 Nhận dạng khuôn mặt người sử dụng LBPH Face Recognizer

LBPH Face Recognizer là phương pháp áp dụng trực tiếp các phép phân tích

của các thành phần chính PCA (Principal Component Analysis) và nó được sử

dụng rất nhiều vào quá trình phát hiện và nhận dạng khuôn mặt. Ưu điểm của

phương pháp này là biểu diễn được toàn bộ ảnh và có độ sắc nét tốt và giảm hạn

chế về ánh sáng,…

1.1.8 Nhận dạng bằng thuật toán PCA

Thuật toán PCA (Principal Component Analysis) là một thuật toán để tạo ra

một ảnh mới ban đầu. Và ảnh mới này sẽ có kích thước nhỏ hơn rất nhiều so với

ảnh ban đầu nhưng vẫn mang những đặc trưng cơ bản nhất của một khuôn mặt

người cần nhận dạng. PCA không cần phải quan tâm đến việc phải truy tìm cụ

16

GVHD: ThS. Phan Thanh Hoàng AnhSVTH: Dương Chí Hùng

thể các đặc điểm trên khuôn mặt như mắt, mũi, miệng ,… PCA sẽ tự có tất cả

những chi tiết đó thể hiện trong ảnh.

Mục tiêu của thuật toán PCA là ảnh mới được tạo phải có kích thước nhỏ

nhất và chứa nhiều nhất các đặc trưng của ảnh khuôn mặt đầu vào. Theo lý

thuyết thì PCA tìm ra một không gian mới chứa những tập hợp véc tơ trong một

không gian cho trước.

Ưu điểm của thuật toán PCA:

 PCA có tính mở và có thể kết hợp được với các phương pháp khác nhau

để mang lại hiểu quả cao

 Khối lượng xử lý, tính toán không nhiều

 Thuật toán thực hiện tốt với các ảnh đầu vào có độ phân giải (pixel) cao

bỡi vì PCA sẽ thu nhỏ ảnh đầu vào thành một ảnh mới có kích thước nhỏ hơn.

 PCA có thể xác định được các đặc tính tiêu biểu cho một khuôn mặt mà

không cần phải xác định các thành phần và mối liên hệ giữa chúng.

Nhược điểm của thuật toán PCA:

 PCA rất dễ bị nhiễu

 Còn phụ thuộc vào ánh sáng

 Ảnh phân bố chưa đều và cũng không phải lúc nào cũng mang lại hiệu

quả nhận dạng tốt

1.1.9 Nhận dạng bằng thuật toán LDA

Và cũng tương tự như PCA, LDA (Linear Discriminants Analysis) cũng là

một phương pháp nhận dạng đang phát triển hiện nay.

17

GVHD: ThS. Phan Thanh Hoàng AnhSVTH: Dương Chí Hùng

Mục đích của thuật toán LDA là tìm ra một không gian mới có thể để tách

rời các nhóm ảnh với nhau. Không gian đó được tạo bởi các vec-tơ không nhất

thiết phải trực giao từng đôi một.

Trong không gian được tạo ra từ LDA các ảnh trong cùng một nhóm sẽ gần

nhau, và các nhóm khác nhau thì sẽ cách xa nhau. LDA khắc phục được nhược

điểm của PCA đó là ảnh lớn nhất thì mang thông tin nhận dạng cao nhất.

Ưu điểm của thuật toán LDA:

 Thuật toán LDA mang hầu hết các ưu điểm của PCA và đồng thời khắc

phục được nhược điểm cơ bản của PCA.

Nhược điểm của thuật toán LDA:

 Thuật toán LDA đòi hỏi một khối lượng tính toán rất lớn. Và hiện nay

vẫn chưa có cách tính nhanh cho phương pháp này.

1.1.10 Ứng dụng của thuật toán PCA trong bài toán

Thuật toán PCA nhận dạng ảnh dựa trên những nét tổng thể của khuôn mặt vì

thế chúng ta có thể áp dụng thuật toán này để thực hiện công việc tìm một

khuôn mặt giống với khuôn mặt được đào tạo trước với một kích thước nhỏ hơn

và những nét đặc trưng chỉ có trên khuôn mặt đó.

Đặc trưng của thuật toán PCA: Mục tiêu của thuật toán này là giảm số

chiều của một tập hợp những vec-tơ sao cho vẫn đảm bảo được tối đa thông tin

quan trọng nhất. Thuật toán này sẽ giữ lại K thuộc tích (Feature extraction) từ N

thuộc tính ban đầu (Feature selection) và K<N. Và mục tiêu của phương pháp

PCA đó là phép biến đổi tuyến tính T thõa mãn.

Công thức: y= T.x

18

GVHD: ThS. Phan Thanh Hoàng AnhSVTH: Dương Chí Hùng

Hình 2.6 Phương pháp thuật toán PCA

Cách đi tìm T: Gọi  là một vec-tơ trung bình của tất cả các vec-tơ x trong

tập mẫu gồm M ảnh. Và gọi ma trận hiệp phương sai của các phẩn từ x trong tập

mẫu C.

C được tính theo công thức:

Ma trận hiệp phương sai của tập hợp m biến ngẫu nhiên là một ma trận

vuông hạng (m x m), và trong đó các phần từ nằm trên một đường chéo là

phương sai tương ứng của biến và các phần từ còn lại trên ma trận là các

phương sai của từng đôi một hai biến ngẫu nhiên khác nhau trong tập hợp …

Và nếu T là một ma trận m hàng thì mỗi hàng là một vec-tơ riêng của C và

cũng đồng thời m vec-tơ riêng này phải ứng với m giá trị riêng lớn nhất. Và khi

đó T chính là phép biến đổi thỏa mãn giá trị nhỏ nhất. Vì vậy, phương pháp sử

dụng thuật toán PCA quy về việc đi tìm giá trị riêng và vec-tơ riêng của ma trận

hiệp phương sai C và chỉ giữ lại K vec-tơ riêng ứng với K trị riêng lớn nhất để

làm cơ sở cho không gian mới này.

1.1.11 Tính toán và tìm EigenFaces

Ta coi mỗi bức ảnh là một vec-tơ không gian NxP chiều và bây giờ mỗi

khuôn mặt là một vec-tơ thì chúng ta thấy những vec-tơ này không phân bố

ngẫu nhiên trong không gian ảnh mà phân bố theo một quy luật nào đó. Và ta

19

GVHD: ThS. Phan Thanh Hoàng AnhSVTH: Dương Chí Hùng

cũng có thể nói những vec-tơ này nằm trong một không gian chứa những khuôn

mặt. Và từ những vec-tơ trong tập huấn luyện thì ta sẽ tìm ra những vec-tơ

mang những nét đặc trưng về khuôn mặt.

Các bước để tính toán và tìm EigenFaces:

 Bước 1: Sử dụng các ảnh khuôn mặt I-1, I-2,…,I-n (tập các khuôn mặt

huấn luyện) với khuôn mặt phải chính diện và tất cả ảnh phải cùng kích thước.

Hình 2.7 Ví dụ về một tập huấn luyện

 Bước 2: Biễu diễn mỗi ảnh I-1,I-2,…,I-n thành các vec-tơ T-1,T-2,…,T-n

tương ứng.

 Bước 3: Tính vec-tơ khuôn mặt trung bình  theo công thức:

 Bước 4: Tính sai số giữa vec-tơ ảnh ban đầu và vec-tơ ảnh trung bình

theo công thức :

 Bước 5: Tính ma trận hiệp phương sai C theo công thức:

Và ma trận C có kích thước (NxP)x(NxP). Trong đó:

20