522 Huỳnh Thái Hoàng VCM2012 Xây dựng giải thuật xác định hướng nhìn từ ảnh có độ phân giải thấp sử dụng đặc trưng PCA và mạng thần kinh Development of an eye gaze detection algorithm from low resolution images using PCA feature and neural networks Huỳnh Thái Hoàng Trường Đại học Bách Khoa TPHCM e-Mail: hthoang@hcmut.edu.vn Tóm tắt Bài báo trình bày một giải thuật mới xác định hướng nhìn từ ảnh mắt có độ phân giải thấp sử dụng phương pháp phân tích thành phần chính (Principal Component Analysis - PCA) và mạng thần kinh. Trước tiên, ảnh mắt được tách ra từ ảnh mặt người thu nhận từ camera sử dụng bộ lọc thích nghi tăng cường Adaboost và đặc trưng Haar. Một tập hợp các ảnh mắt mẫu thu nhận trong các điều kiện chiếu sáng khác nhau được sử dụng để xây dựng không gian mắt riêng (Eigeneyes) dựa trên phương pháp phân tích thành phần chính. Tọa độ của các ảnh mẫu trong không gian mắt riêng được sử dụng để huấn luyện một mạng thần kinh hồi qui ba lớp. Kết quả thực nghiệm cho thấy mạng thần kinh sau khi đã được huấn luyện có thể xác định được hướng nhìn của mắt với độ chính xác cao và bền vững với điều kiện ánh sáng môi trường làm việc. Abstract: The paper presents a new algorithm for eye-gaze detection from low resolution images using Pricipal Component Analysis (PCA) and neural networks (NN). First, eye images are extracted from human face images using Adaboost filter and Haar-like features. A set of sample eyes collected under different lighting conditions is used to build an eigeneye space based on PCA. The coordinates of the sampled eye images in the Eigen-eye space are employed to train a three-layer recurrent neural networks. Experimental results show that the trained neural networks can determine eye gaze direction with high accuracy and robustness to lighting conditions of the working enviroment. 1. Giới thiệu Những năm gần đây, các kỹ thuật xác định hướng nhìn (eye gaze detection) được nhiều nhà khoa học quan tâm nghiên cứu do có nhiều ứng dụng hữu ích trong các thiết bị y tế, thiết bị giao tiếp người máy phục vụ giải trí và đặc biệt là các ứng dụng hỗ trợ người khuyết tật, người già trong giao tiếp và điều khiển các thiết bị phục vụ. Kỹ thuật xác định hướng nhìn dùng để đo điểm nhìn của mắt hay chuyển động tương đối của mắt so với đầu. Tùy theo thiết bị sử dụng mà các kỹ thuật xác định hướng nhìn có thể phân chia làm 3 nhóm chính: kỹ thuật đo điện mắt, kỹ thuật dùng kính áp tròng và kỹ thuật xử lý ảnh mắt Error! Reference source not found So với kỹ thuật sử dụng điện mắt hay kỹ thuật dùng kính áp tròng, kỹ thuật xử lý ảnh có ưu điểm là người dùng không cảm thấy khó chịu vì phải mang nhiều thiết bị trên người khi sử dụng. Do vậy, đa số các thiết bị xác định hướng nhìn hỗ trợ giao tiếp người máy hoặc phục vụ giải trí hiện nay đều dựa trên công nghệ xử lý hình ảnh mắt. Có hai cách lắp đặt camera để thu nhận ảnh mắt là gắn camera vào nón đội đầu hoặc gắn camera cố định trước mặt người dùng. Các giải thuật xác định hướng nhìn từ ảnh mắt có thể phân làm hai nhóm: i) xác định hướng nhìn dựa vào các đặc trưng hình học của mắt như mí mắt, góc mắt, tròng đen, con ngươi [2-3]; ii) hoặc xác định hướng nhìn dựa vào mô hình hộp đen của mắt thu được thông qua quá trình huấn luyện với tập dữ liệu mẫu là ảnh mắt đang nhìn các hướng khác nhau [4-5]. Bài báo [3] xác định hướng nhìn bằng cách dựa vào các đặc trưng hình học của mắt. Trước tiên, ảnh mắt được tách biên và phương pháp bình phương tối thiểu được sử dụng để xấp xỉ tròng đen bằng đường tròn, hai mí mắt được xấp xỉ bằng hai parabol. Từ đó xác định được tâm tròng đen là tâm đường tròn và hai góc mắt là giao điểm của hai đường parabol. Sau đó, dựa vào vị trí tương đối giữa tâm tròng đen và hai góc mắt để xác định hướng nhìn. Để có thể xác định chính xác các đặc trưng hình học của mắt đòi hỏi phải thu được ảnh mắt có độ phân giải cao. Do đó, phương pháp này thích hợp với các hệ thống xác định hướng nhìn sử dụng camera đội đầu. Thay vì sử dụng các đặc trưng hình học, công trình [4] đề xuất phương pháp xác định hướng nhìn dựa vào dáng vẻ của mắt. Mức xám của ảnh mắt được biểu diễn thành một vector không gian nhiều chiều. Một tập mẫu gồm các vector trong không gian nhiều chiều tương ứng với các hướng Tuyển tập công trình Hội nghị Cơ điện tử toàn quốc lần thứ 6 523 Mã bài: 124 nhìn khác nhau được thu thập và lưu vào cơ sở dữ liệu. Hướng nhìn được xác định dựa trên khoảng cách giữa vector biểu diễn ảnh mắt đang xét và các vector lưu trong cơ sở dữ liệu. Để rút bớt số chiều vector đặc trưng, thay vì sử dụng vector mức xám của các điểm ảnh, nghiên cứu [5] sử dụng phương pháp phân tích thành phần chính (Principal Component Analysis - PCA) để trích các đặc trưng cơ bản của ảnh mắt trong các tình huống nhìn trái, nhìn phải, nhìn lên, nhìn xuống, nhìn thẳng và lưu vào cơ sở dữ liệu. Trên cơ sở so sánh khoảng cách giữa các đặc trưng PCA của ảnh mắt thu nhận với các đặc trưng của ảnh mẫu lưu trong cơ sở dữ liệu sẽ xác định được hướng nhìn. Phương pháp này xác định hướng nhìn dựa vào dáng vẻ tổng thể của mắt khi nhìn các hướng khác nhau chứ không cần xác định chính xác các đặc trưng hình học của mắt, do đó có thể áp dụng được trong các trường hợp ảnh thu nhận có độ phân giải thấp như sử dụng camera gắn cố định trước mặt người dùng. Gần đây đã có một số nghiên cứu ứng dụng thành công mạng thần kinh để xác định hướng nhìn. Nghiên cứu [7] sử dụng mạng thần kinh để ước lượng vị trí tâm con ngươi, sau đó hướng nhìn được xác định dựa vào khoảng cách giữa vị trí ước lượng tâm con ngươi và vị trí các góc mắt. Bài báo [8] sử dụng mạng thần kinh truyền thẳng để xác định hướng nhìn theo thời gian thực. Đặc trưng huấn luyện mạng thần kinh bao gồm vị trí hai góc của dải băng sọc gắn phía trên kính đeo mắt, vị trí tròng đen và khoảng cách theo trục đứng từ tâm tròng đen đến các mí mắt. Các đặc trưng trên cho phép giảm số ngõ vào của mạng thần kinh, nhờ đó giảm thời gian tính toán. Phương pháp đề xuất trong bài báo có khuyết điểm khó xác định chính xác khoảng cách từ tâm tròng đen đến các mí mắt trong trường hợp ánh sáng chiếu vào mặt. Độ chính xác của các giải thuật xác định hướng nhìn dựa vào hình ảnh phụ thuộc rất nhiều vào chất lượng nhìn ảnh thu được từ camera. Chất lượng ảnh mắt thường không tốt khi mắt chuyển trạng thái (chuyển hướng, chớp mắt) hoặc khi ánh sáng môi trường thay đổi. Mục tiêu của nghiên cứu này là đề xuất một giải thuật mới, xác định hướng nhìn trên cơ sở sử dụng phân tích PCA kết hợp với mạng thần kinh hồi qui, để nâng cao chất lượng xác định hướng nhìn khi mắt chuyển trạng thái, đồng thời tăng tính bền vững của giải thuật với sự thay đổi điều kiện ánh sáng môi trường làm việc. Các phần tiếp theo của bài báo như sau: mục 2 xây dựng giải thuật tổng quát xác định hướng nhìn. Mục 3 trình bày phương pháp trích đặc trưng ảnh mắt dùng phân tích PCA. Mục 4 đề xuất cấu trúc mạng thần kinh xác định hướng nhìn dựa vào đặc trưng PCA. Mục 5 là kết quả thực nghiệm. Kết luận và hướng phát triển được trình bày ở mục 6. 2. Xây dựng giải thuật Lưu đồ giải thuật xác định hướng nhìn từ ảnh mắt thu nhận bởi camera đặt cố định trước mặt người dùng được trình bày ở hình 1. Giải thuật gồm các bước sau: Bước 1: Thu ảnh và tiền xử lý. Chức năng của khối tiền xử lý là chuyển ảnh thu được từ camera thành ảnh xám và tăng cường chất lượng ảnh dùng phương pháp cân bằng Histogram để giảm thiểu ảnh hưởng của nhiễu và ánh sáng môi trường, nhờ đó các bước xử lý tiếp theo đạt kết quả tốt hơn. Bước 2: Dò tìm mặt người trong ảnh dùng thuật toán Adaboost và đặc trưng Haar [9], hệ thống có thể xác định vị trí khuôn mặt trong ảnh với tỉ lệ nhận dạng đúng cao. Đối với những ảnh nguồn có nhiều khuôn mặt xuất hiện trong ảnh, giải thuật sẽ chọn khuôn mặt gần với vị trí của camera nhất (khuôn mặt có diện tích H. 1 Lưu đồ giải thuật xác định hướng nhìn của mắt Thu ảnh từ Webcam Bắt đầu Yes No Ti ền xử lý ảnh Phát hi ện mặt d ùng Adaboost và đặc trưng Haar Tìm th ấy mặt ? Ư ớc l ư ợng vị trí hai mắt Phát hi ện mắt d ùng Adaboost và đặc trưng Haar Tìm th ấy m ắt ? Tính đ ặc tr ưng PCA của từng mắt Xác đ ịnh h ư ớng nh ìn c ủa từng mắt dùng mạng thần kinh Kết thúc K ết luận h ư ớng nh ìn chung của hai mắt Yes No 524 Huỳnh Thái Hoàng VCM2012 H. 2 Phát hiện vùng ảnh chứa mặt người lớn nhất) để xác định hướng nhìn. Kết thúc bước 2, nếu không tìm thấy mặt người thì trở lại bước 1 thu nhận ảnh kế tiếp. Nếu tìm thấy mặt người thì thực hiện tiếp bước 3. Bước 3: Dò tìm hai mắt người trong ảnh mặt. Vì mắt là bộ phận khá nhỏ so với toàn bộ khuôn mặt nên dễ bị nhận dạng nhầm sang các bộ phận khác như lông mày, mũi hay miệng. Để tránh việc nhận dạng nhầm này, đồng thời để tăng tốc độ tính toán ở bước phát hiện mắt, ta ước lượng hai cửa sổ chứa hai mắt. Giả sử ảnh khuôn mặt có chiều rộng là W và chiều cao là H thì hai cửa sổ hình chữ nhật chứa ảnh mắt được ước lượng tại vị trí và có kích thước như minh họa ở hình 3, trong đó vị trí của điểm A và điểm B lần lượt là (x A =0, y A =H/5.5) và (x B = W/2, y B =H/5.5). Chiều rộng và chiều cao của hai cửa sổ chứa ảnh mắt là w=W/2 và h=H/3. Sau đó, thuật toán Adaboost và đặc trưng Haar được sử dụng để dò tìm hai mắt trong phạm vi hai cửa sổ vừa ước lượng. Nếu phát hiện được ít nhất một mắt, thực hiện tiếp bước 4 để xác định hướng nhìn. Ngược lại, nếu không phát hiện được mắt nào thì trở về bước 1 thực hiện lại việc thu ảnh từ Webcam. H. 3 Ước lượng cửa sổ chứa ảnh hai mắt Bước 4: Phân tích đặc trưng PCA, xác định hướng nhìn dùng mạng thần kinh và cuối cùng tổng hợp kết quả rút ra kết luận về hướng nhìn chung của hai mắt. Các mục tiếp theo sẽ trình bày chi tiết vấn đề này. 3. Phương pháp phân tích thành phần chính (PCA) Mục này tóm lược phương pháp phân tích thành phần chính [6] để trích đặc trưng PCA của ảnh mắt. Xét tập mẫu gồm K ảnh mắt nhìn theo các hướng khác nhau (nhìn thẳng, nhìn lên, nhìn trái, nhìn phải, nhắm mắt) được thu nhận trong các điều kiện chiếu sáng khác nhau. Hình 4 minh họa một số ảnh mắt tiêu biểu trong tập mẫu. H. 4 Các ảnh mắt tiêu biểu trong tập mẫu Các ảnh mắt mẫu có cùng kích thước n hàng và m cột. Ảnh thứ k trong tập mẫu được biểu diễn bởi ma trận I k , trong đó I k (x,y) là giá trị mức xám của điểm ảnh tại vị trí (x,y). Biến đổi I k thành vector cột P k gồm có N=nm hàng:              )(:, )2(:, )1(:, mI I I P k k k k  (1) trong đó I k (:,j) là cột thứ j của I k . Định nghĩa ảnh trung bình của tập mẫu là:    K k k P K P 1 ; 1 (2) Lấy ảnh mẫu thứ k trừ giá trị ảnh trung bình, ta được: PPP kk  ~ (3) Tập hợp các ảnh mẫu sau khi trừ giá trị trung bình được biểu diễn bằng ma trận Q kích thước NK:   K PPPQ ~ ~ ~ 21   (4) Ma trận hiệp phương sai của tập ảnh mắt mẫu là: T QQC  (5) Không gian riêng của tập ảnh mắt mẫu có thể được xác định bằng cách tính các vector riêng v i của ma trận hiệp phương sai C. Vì ma trận C có kích thước lớn (NN) nên tính toán trực tiếp các vector riêng của C không hiệu quả. Thay vào đó, có thể tính gián tiếp các vector riêng u i của ma trận Q T Q (ma trận này có kích thước KK, nhỏ hơn nhiều so với ma trận C). Đặt  i là các giá trị riêng tương ứng với các vector riêng u i , theo định nghĩa trị riêng và vector riêng ta có: iii T uQuQ   (6) Nhân Q vào hai vế của (6), ta được: iii T QuQuQQ   (7) Phương trình (7) chứng tỏ  i cũng là các trị riêng của ma trận C= QQ T và các vector riêng v i của C có thể tính từ các vector riêng ui của ma trận Q T Q như sau: ii Quv  (8) X Y W H h w A B Tuyển tập công trình Hội nghị Cơ điện tử toàn quốc lần thứ 6 525 Mã bài: 124 Các vector riêng v i của C còn được gọi là các mắt riêng (Eigeneye), nếu biến đổi vector vi (kích thước N1) về dạng ma trận kích thước nm (cùng kích thước với ảnh mắt mẫu ban đầu) ta được hình ảnh biểu diễn các mắt riêng của tập mẫu ở hình 5. H. 5 Các mắt riêng (Eigeneyes) Để tập trung vào các đặc trưng chính của ảnh mắt, không cần thiết phải giữ lại và sử dụng tất cả các mắt riêng. Những mắt riêng tương ứng với giá trị riêng bé mang ít thông tin đặc trưng và do đó nên được loại bỏ. Ví dụ ở hình 5, những mắt riêng từ thứ 10 trở đi gần như giống nhau, không có điểm nhấn nổi bật và do đó những mắt riêng này mang ít thông tin. Thông thường, ta chỉ giữ lại những mắt riêng vượt trội tương ứng với giá trị riêng lớn hơn một ngưỡng định trước. Giả sử số mắt riêng vượt trội được lưu giữ để sử dụng là d (dK). Tập hợp các mắt riêng vượt trội của tập ảnh mẫu được biểu diễn thành ma trận V, các cột của V chính là các vector mắt riêng v i (i=1 d)   d vvvV  21  (9) Các vector mắt riêng trong V tạo nên một không gian riêng. Tọa độ c k của các ảnh trong tập mẫu sau khi trừ ảnh trung bình k P ~ trong không gian riêng V chính là hình chiếu của k P ~ trên V: k T k PVc ~  (10) Vector tọa độ c k gọi là đặc trưng PCA của các ảnh mẫu trong không gian mắt riêng. Phương pháp đơn giản nhất để xác định hướng nhìn từ đặc trưng PCA là phương pháp khoảng cách ngắn nhất (Nearest Distance). Cho ảnh mắt I test cần xác định hướng nhìn, biểu diễn ảnh mắt dưới dạng vector cột P test theo cách đã trình bày trên, tính sai lệch giữa ảnh mắt cần xác định hướng nhìn và ảnh trung bình của tập mẫu : PPP testtest  ~ (11) Sau đó, chiếu test P ~ lên không gian mắt riêng: test T test PVc ~  (12) Hướng nhìn của ảnh mắt I test được xác định là cùng hướng với ảnh mắt I s trong tập mẫu sao cho khoảng cách giữa c test và c s là tối thiểu: ktest k ccs  minarg (13) Phương pháp khoảng cách ngắn nhất ưu điểm là tính toán nhanh, kết quả xác định hướng nhìn chính xác nếu ảnh mắt thu được rõ ràng. Tuy nhiên, trong trường hợp mắt chuyển hướng hoặc chớp mắt, ảnh mắt thu được không rõ, kết quả xác định hướng nhìn theo khoảng cách ngắn nhất có độ chính xác không cao. Để khắc phục điểm hạn chế nêu trên, bài báo này đề xuất dùng mạng thần kinh hồi qui kết hợp với đặc trưng PCA để xác định hướng nhìn. 4. Mạng thần kinh xác định hướng nhìn Trong nghiên cứu này, hai cấu hình mạng thần kinh được đề xuất để xác định hướng nhìn, đó là mạng thần kinh truyền thẳng và mạng thần kinh hồi qui [10]. 4.1 Mạng truyền thẳng xác định hướng nhìn H. 6 Mạng thần kinh truyền thẳng xác định hướng nhìn Cấu trúc mạng truyền thẳng xác định hướng nhìn được trình bày ở hình 7. Cấu trúc của mạng như sau: Mạng có các ngõ vào x 1 , , x d là các đặc trưng PCA ảnh mắt trong không gian mắt riêng, với d là số mắt riêng vượt trội được sử dụng như đã trình bày ở mục 3. Cụ thể, trong nghiên cứu này d được chọn bằng 10. Mạng có 5 ngõ ra tương ứng với 5 trạng thái của mắt (nhìn thẳng, nhìn lên, nhìn trái, nhìn phải, nhắm mắt) cần phải xác định. Lớp ẩn gồm 50 tế bào thần kinh với hàm kích hoạt dạng S lưỡng cực (sigmoid), lớp ra gồm 5 tế bào thần kinh có hàm kích hoạt tuyến tính. Lưu đồ giải thuật huấn luyện mạng thần kinh được trình bày ở hình 8. Phương pháp phân tích PCA và tính tọa độ ảnh mắt mẫu trong không gian mắt riêng đã được trình bày ở phần 3. Khối tạo dữ liệu huấn luyện Bảng 1: Quan hệ giữa hướng nhìn và ngõ ra của mạng Hướng nhìn của ảnh mắt mẫu Ngõ ra của mạng thần kinh y 1 y 2 y 3 y 4 y 5 Nhìn thẳng 1 0 0 0 0 y 1 y 2  y 5   x 1 x 2 x 3  x d 526 Huỳnh Thái Hoàng VCM2012 Nhìn lên 0 1 0 0 0 Nhìn trái 0 0 1 0 0 Nhìn phải 0 0 0 1 0 Nhắm mắt 0 0 0 0 1 H. 7 Lưu đồ huấn luyện mạng thần kinh H. 8 Lưu đồ xác định hướng nhìn dùng mạng thần kinh mạng thần kinh có chức năng gán giá trị ngõ ra của mạng thần kinh tương ứng với hướng nhìn của ảnh mắt mẫu theo bảng 1. Giải thuật huấn luyện mạng thần kinh là giải thuật lan truyền ngược [10]. Hình 8 là giải thuật xác định hướng nhìn dùng mạng thần kinh. Các đặc trưng PCA của ảnh mắt cần xác định hướng nhìn được đưa vào ngõ vào của mạng thần kinh để tính ngõ ra. Hướng nhìn của mắt được xác định là hướng tương ứng với ngõ ra có giá trị lớn nhất trong 5 ngõ ra của mạng. 4.2 Mạng hồi qui xác định hướng nhìn Mạng thần kinh truyền thẳng sau khi được huấn luyện dựa vào đặc trưng PCA của mắt có thể xác định hướng nhìn với độ chính xác cao khi mắt đang ở trạng thái xác lập. Tuy nhiên, khi mắt đang trong giai đoạn chuyển hướng hoặc khi chớp mắt, hình ảnh mắt thu được không rõ (xem hình 9), dẫn đến kết quả xác định hướng nhìn thường bị sai. Để khắc phục khuyết điểm này, ta sử dụng mạng thần kinh hồi qui như hình 10. Với cấu hình này, có thể huấn luyện mạng thần kinh để ngõ ra của mạng giữ nguyên trạng thái hướng nhìn ở thời điểm trước nếu các đặc trưng ảnh mắt thu được ở thời điểm hiện tại không rõ ràng. H. 9 Ảnh mắt lúc chuyển trạng thái H. 10 Mạng thần kinh hồi qui xác định hướng nhìn Bảng 2: Quan hệ giữa hướng nhìn và ngõ ra của mạng thần kinh hồi qui Hướng nhìn của mắt Ngõ ra của mạng thần kinh hồi qui y 1 (k) y 2 (k) y 3 (k) y 4 (k) y 5 (k) Nhìn thẳng 1 0 0 0 0 Nhìn lên 0 1 0 0 0 Nhìn trái 0 0 1 0 0 Nhìn phải 0 0 0 1 0 Nhắm mắt 0 0 0 0 1 Không rõ y 1 (k1) y 2 (k1) y 3 (k1) y 4 (k1) y 5 (k1) Vì mạng thần kinh hồi qui ở hình 10 là mạng động nên để huấn luyện mạng phải thu thập một chuỗi ảnh mắt mẫu theo thời gian. Dữ liệu ngõ vào huấn luyện mạng ở thời điểm lấy mẫu k gồm các đặc y 1 y 2  y 5   x 1 x 2 x d z  1 z  1 z  1 Đ ọc ảnh mắt cần xác định h ư ớng Bắt đầu Kết thúc Tính t ọa độ ảnh mắt trong không gian mắt riêng Tính ngõ ra c ủa mạng K ết luận về h ư ớng nh ìn Đ ọc các mắt ri êng và tr ọng số mạng thần kinh đã lưu trữ Đ ọc tập ảnh mắt mẫu Bắt đầu Phân tích PCA Xác đ ịnh v à lưu tr ữ tập hợp các mắt riêng Kết thúc Tính t ọa độ các ảnh mắt mẫu trong không gian mắt riêng T ạo tập dữ liệu huấn luyện mạng thần kinh Hu ấn luyện mạng Lưu tr ọng số mạng Tuyển tập công trình Hội nghị Cơ điện tử toàn quốc lần thứ 6 527 Mã bài: 124 trưng PCA của ảnh mắt ở thời điểm đó và giá trị các ngõ ra của mạng ở thời điểm k1. Dữ liệu ngõ ra huấn luyện mạng ở thời điểm k được gán theo bảng 2. Nếu ảnh mắt ở thời điểm k rõ ràng thì gán dữ liệu ngõ ra tương tự như bảng 1. Ngược lại, nếu ảnh mắt ở thời điểm k không rõ ràng thì gán dữ liệu ngõ ra để huấn luyện bằng giá trị ngõ ra của mạng ở thời điểm k1. Lưu đồ huấn luyện mạng hồi qui và lưu đồ xác định hướng nhìn sử dụng mạng hồi qui tương tự như lưu đồ ở hình 7 và 8 đã trình bày ở trên. 5. Kết quả thực nghiệm Giải thuật huấn luyện và xác định hướng nhìn dùng mạng thần kinh được lập trình dùng Visual Studio 2008. Các tác vụ thu nhận ảnh từ Webcam, xử lý ảnh, được thực hiện bằng các hàm của thư viện mở OpenCV. Webcam C920 (Logitech) được sử dụng để thu nhận ảnh mắt, chức năng tự chỉnh độ nét (auto focus) của webcam giúp thu được rõ ảnh mặt người khi khoảng cách từ mặt người đến webcam thay đổi, điều này giúp hệ thống xác định hướng nhìn vẫn hoạt động tốt người sử dụng thoải mái di chuyển đầu trong vùng không gian phía trước webcam. Số ảnh mẫu mỗi mắt được sử dụng để xây dựng không gian mắt riêng là 124, trong đó gồm 12 ảnh nhìn lên, 12 ảnh nhìn phải, 12 ảnh nhìn trái, 50 ảnh nhìn thẳng và 38 ảnh nhắm mắt. Số lượng mắt riêng được sử dụng để trích đặc trung PCA của ảnh mắt cần xác định hướng nhìn là 10. Trong nhà Ngoài trời 1) Đủ sáng 5) Bình thường 2) Hơi tối 6) Hơi chói 3) Đèn huỳnh quang 7) Ngược sáng 4) Đèn chiếu xiên 8) Ánh sáng chiếu xiên H. 11 Các tình huống thí nghiệm đánh giá giải thuật Để đánh giá chất lượng của giải thuật xác định hướng nhìn đã đề xuất, 8 tình huống thí nghiệm trong nhà và ngoài trời với các điều kiện chiếu sáng khác nhau đã được thực hiện. Hình 11 minh họa ảnh mặt người thu nhận được trong các thí nghiệm, tùy thuộc vào độ sáng và hướng chiếu sáng mà ảnh thu được có thể rất rõ (thí nghiệm 1, trong nhà đủ sáng) hoặc rất tối (thí nghiệm 7, ngoài trời ngược sáng). Giải thuật xác định hướng nhìn đề xuất dùng mạng thần kinh hồi qui được so sánh với giải thuật khoảng cách ngắn nhất trong hai trường hợp: mắt đang ở trạng thái xác lập và mắt đang ở trạng thái quá độ. Kiểm tra ở trạng thái xác lập: mắt nhìn liên tục vào một hướng xác định. Bảng 3 trình bày kết quả xác định đúng hướng nhìn trong 8 thí nghiệm. Có thể thấy rằng chất lượng xác định hướng nhìn của giải thuật dùng mạng thần kinh hồi qui và giải thuật khoảng cách ngắn nhất là tương đương nhau khi mắt ở trạng thái xác lập. Kiểm tra ở trạng thái quá độ: bốn ảnh mắt liên tiếp được thu nhận khi mắt đang chuyển trạng thái. Thí nghiệm được thực hiện sao cho ảnh 1 và ảnh 4 trong chuổi ảnh rõ nét, trong khi ảnh 2 và ảnh 3 bị mờ. Hình 12 minh họa một số chuổi ảnh mắt được thu nhận trong chế độ này. Giải thuật xác định hướng nhìn dùng mạng thần kinh lại được so sánh với giải thuật khoảng cách ngắn nhất và chỉ kết quả xác định hướng nhìn của ảnh 2 và ảnh 3 được ghi nhận. Bảng 4 trình bày kết quả xác định đúng hướng nhìn trong 8 thí nghiệm mắt ở trạng thái quá độ với các điều kiện chiếu sáng khác nhau. Kết quả thực nghiệm cho thấy chất lượng xác định hướng nhìn của giải thuật dùng mạng thần kinh đề xuất tốt hơn hẳn giải thuật khoảng cách ngắn nhất thông thường khi mắt ở trạng thái quá độ. H. 12 Các chuổi ảnh mắt ở trạng thái quá độ 528 Huỳnh Thái Hoàng VCM2012 Bảng 3: Thống kê kết quả xác định hướng nhìn khi mắt nhìn cố định một hướng (mắt ở trạng thái xác lập) PP Tỉ lệ phát hiện đúng hướng nhìn (%) trong các thí nghiệm Tỉ lệ TB 1 2 3 4 5 6 7 8 ND 100 98.4 96.7 99.0 98.7 99.4 99.5 99.0 98.8 NN 100 98.1 97.4 98.1 99.0 99.7 98.7 99.0 98.8 Bảng 4: Thống kê kết quả xác định hướng nhìn khi mắt chuyển hướng (mắt ở giai đoạn quá độ) PP Tỉ lệ phát hiện đúng hướng nhìn (%) trong các thí nghiệm Tỉ lệ TB 1 2 3 4 5 6 7 8 ND 84.1 83.2 82.8 85.3 83.9 83.3 81.1 82.2 83.2 NN 98.8 97.5 97.0 97.2 98.3 98.0 97.8 98.2 97.8 6. Kết luận Bài báo đã trình bày một giải thuật mới xác định hướng nhìn dựa vào phân tích thành phần chính PCA và mạng thần kinh hồi qui. Phương pháp đề xuất xác định hướng nhìn dựa vào dáng vẻ của mắt thay vì dựa vào các đặc trưng hình học, do đó có thể áp dụng trong các trường hợp ảnh thu nhận có độ phân giải thấp. Việc sử dụng đặc trưng PCA cho phép giảm số lượng ngõ vào của mạng thần kinh, nhờ đó giảm được thời gian tính toán. Mạng thần kinh hồi qui được huấn luyện để ngõ ra của mạng giữ nguyên trạng thái hướng nhìn ở thời điểm trước nếu các đặc trưng ảnh mắt thu được ở thời điểm hiện tại không rõ ràng, nhờ đó giúp giảm xác suất xác định hướng nhìn sai khi mắt đang chuyển hướng hoặc chớp mắt. Ngoài ra, việc sử dụng các đặc trưng PCA vượt trội giúp chống nhiễu, nhờ vậy kết quả xác định hướng nhìn của mắt bền vững với sự thay đổi ánh sáng môi trường. Lời cám ơn Nghiên cứu này được tài trợ bởi Đại học Quốc gia Thành phố Hồ Chí Minh (VNU-HCM) trong đề tài mã số B2012-20-08. Tác giả xin gởi lời cảm ơn ThS Trần Đức Anh Minh đã giúp lập trình kiểm chứng giải thuật xác định hướng nhìn dùng Visual C và OpenCV. Tài liệu tham khảo [1] Duchowski, A.T. (2007), "Eye Tracking Methodology: Theory and Practice", Springer. [2] Jian-Gang Wang and Eric Sung (2002), "Study on Eye Gaze Estimation," IEEE Transaction on Systems, Man, and Cybernetics - Part B: Cybernetics, Vol. 32, N0. 3, pp.332-350. [3] Nguyen, H. C.; Huynh, T. H. (2010): Eye-gaze detection with a single WebCAM based on geometry features extraction, 11th Int. Conf. on Control Automation Robotics & Vision. [4] Tan, K. H; Kriegman, D. J.; Ahuja, N. (2002), "Appearance-based eye gaze estimation," Proceeding of the Sixth IEEE Workshop on Application of Computer Vision. [5] Bebis, G.; Fujimura, K (2000), "An Eigenspace Approach to Eye-Gaze Estimation," ISCA 13th Int. Conf. on Parallel & Distributed Computing Systems (Special Session on Digital Video and Digital Audio), pp. 604-609, Las Vegas, 2000. [6] Jolliffe, I.T. Principal Component Analysis, Springer Series in Statistics, 2nd ed., Springer. [7] Kim, S.; Hwang, B.; and Lee, M. (2011), "Gaze Tracking Based On Pupil Estimation Using Multilayer," Proc. of Int. Joint Conf. on Neural Networks, San Jose, USA, pp. 2683-2689. [8] Piratla, N.M.; and Jayasumana, A.P. (2002): A neural network based real-time gaze tracker, Journal of Network and Computer Applications, Vol. 25, pp. 179-196. [9] Gopi Krishna, M; Srinivasulu, A. (2012), "Face Detection System On AdaBoost Algorithm Using Haar Classifiers," Int. Journal of Modern Engineering Research, 2(5), pp-3556-3560. [10] Haykin, S.; (1994) Neural Networks: A Comprehensive Foundation, 2nd edition, Prentice Hall. Huỳnh Thái Hoàng sinh năm 1974 tại Việt Nam. Ông tốt nghiệp Thạc Sĩ và Tiến Sĩ chuyên ngành Điều khiển Tự Động tại Đại học Bách Khoa TPHCM năm 1999 và 2005. Ông đã nghiên cứu Sau Tiến Sĩ năm 2007 tại Đại học Haute Alsace (Pháp). Từ năm 1996, ông làm việc tại Bộ môn Điều Khiển Tự Động, Khoa Điện-Điện Tử, Đại học Bách Khoa TPHCM. Hướng nghiên cứu chính của ông bao gồm điều khiển thông minh, nhận dạng hệ thống và thị giác máy tính. . trình bày ở mục 6. 2. Xây dựng giải thuật Lưu đồ giải thuật xác định hướng nhìn từ ảnh mắt thu nhận bởi camera đặt cố định trước mặt người dùng được trình bày ở hình 1. Giải thuật gồm các bước. thái xác lập: mắt nhìn liên tục vào một hướng xác định. Bảng 3 trình bày kết quả xác định đúng hướng nhìn trong 8 thí nghiệm. Có thể thấy rằng chất lượng xác định hướng nhìn của giải thuật. 522 Huỳnh Thái Hoàng VCM2 012 Xây dựng giải thuật xác định hướng nhìn từ ảnh có độ phân giải thấp sử dụng đặc trưng PCA và mạng thần kinh Development