Nghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắt (tt)

30 724 4
  • Loading ...
1/30 trang

Thông tin tài liệu

Ngày đăng: 17/12/2016, 23:35

Nghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắt HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG - TÔN LONG TRIỂN NGHIÊN CỨU CÔNG NGHỆ NHẬN DIỆN KHUÔN MẶT DỰA TRÊN KỸ THUẬT PHÂN TÍCH MỐNG MẮT Chuyên ngành: KỸ THUẬT VIỄN THÔNG Mã số: 60.52.02.08 TÓM TẮT LUẬN VĂN THẠC SĨ THÀNH PHỐ HỒ CHÍ MINH – NĂM 2016 Luận văn hoàn thành tại: HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG Người hướng dẫn khoa học: TS NGUYỄN THANH BÌNH Phản biện 1: ………………………………………………………………… Phản biện 2: ………………………………………………………………… Luận văn bảo vệ trước Hội đồng chấm luận văn thạc sĩ Học viện Công nghệ Bưu Viễn thông Vào lúc: ngày tháng năm 2016 Có thể tìm hiểu luận văn tại: - Thư viện Học viện Công nghệ Bưu Viễn thông LỜI CAM ĐOAN MỞ ĐẦU Công nghệ sinh trắc học công nghệ sử dụng thuộc tính vật lý, đặc điểm sinh học riêng cá thể vân tay, mống mắt, khuôn mặt để nhận diện Trong đề tài tập trung nghiên cứu công nghệ sinh trắc học phương pháp nhận dạng cá thể dựa vào đặc điểm riêng biệt mống mắt, đề tài có xử nhiều thuật toán để xử lý ảnh trích xuất đặc trưng từ hình ảnh mống mắt từ xây dựng mô hình cụ thể để thực trình huấn luyện mẫu mống mắt có sẵn lưu trữ vào sở liệu Trong luận văn tác giả thực mô hai phương pháp nhận dạng qua kiếm tra độ xác kết tính tối ưu thuật toán Chương - TỔNG QUAN 1.1 Giới thiệu chung đặc điểm sinh trắc học mắt 1.1.1 Hệ xác thực 1.1.2 Nhận dạng 1.1.3 Các thành phần chức chủ yếu 1.1.4 Đánh giá hiệu chất lượng hoạt động hệ sinh trắc học 1.2 Các phương pháp tiền xử lý trích đặc trưng mống mắt 1.2.1 Phân đoạn ảnh 1.2.1.1 Biến đổi Daugman Biến đổi Daugman sử dụng toán tử vi tích phân với mục đích định vị vòng tròn mống mắt vòng tròn vòng cung mí mắt Các toán tử vi tích phân định nghĩa là: max(r,x ,y0 ) G (r)*  r  x0 , y0 I (x,y) ds 2 r (1.1) 1.2.2 Chuẩn hóa ảnh 1.2.2.1 Mô hình Daugman’s Rubber Sheet Mô hình đồng phát minh Daugman [1] để thực ánh xạ điểm mống mắt từ không gian tọa độ Đề cát sang không gian tọa độ cực Mỗi điểm ảnh đặc trưng cặp tọa độ (r, θ) r nằm khoảng [0, 1] góc θ nằm khoảng [0,2π] (hình 1.2) Hình 1.2: Mô hình Daugman’s Rubber Sheet Thực ánh xạ vùng mống mắt từ tọa độ Đề cát sang hệ tọa độ cực chuẩn để biễu diễn ảnh mống mắt theo mô hình: I (x(r, ), y(r, ))  I (r, ) (1.2) Ở (x, y) tọa độ hình ảnh mống mắt, (x, y) tọa độ Đề cát, (r, θ) tọa độ cực tương ứng Tọa độ mống mắt ranh giới theo hướng θ Các vùng ảnh mô hình Daugman’s Rubber Sheet chứa thông tin vùng cong với kích thước không đồng để cung cấp mẫu chuẩn với kích thước không đổi Bằng cách này, vùng mống mắt mô hình hóa "cao su" linh hoạt ranh giới với trung tâm điểm tham chiếu 1.2.3 Quá trình mã hóa đặc trưng Để trình nhận dạng cá thể thực xác, cần thực trích trọn đặc trưng quan trọng từ mẫu mống mắt Các đặc trưng quan trọng mống mắt mã hóa cho việc so sánh mẫu thực nhanh chóng xác 1.2.3.1 Mã hóa Wavelet Wavelet sử dụng để phân tích liệu mống mắt thành phần với mức độ phân giải khác 1.2.3.2 Bộ lọc Gabor Bộ lọc Gabor dùng để cung cấp tối ưu đại diện tín hiệu không gian tần số phân tập Một lọc Gabor xây dựng điều chế sóng sin với hàm Gaussian Kết cung cấp tối ưu định vị kết hợp không gian thời gian Daugman sử dụng phiên 2D lọc gabor theo thứ tự để mã hóa mẫu mống mắt lọc Gabor 2D biểu diễn sau [1]: G( x , y )  e   x  x0  / a2 ( y  y0 )2 /   2 i u  x  x   v ( y  y ) 0     e (1.3) 1.2.3.3 Bộ lọc Log-Gabor Một nhược điểm lọc Gabor điểm đối xứng chẵn lọc có thành phần DC băng thông lớn octave Tuy nhiên thành phần DC có giá trị sử dụng lọc Gabor với hàm Gaussian không gian Logarithmic, lọc Log-Garbor Đặc tuyến tần số tương ứng lọc Log-Gabor đưa công thức sau:  (log(f/ f0 ))2  G( f )  exp   2(log( / f ))2    (1.6) f0 đại diện cho tần số trung tâm, σ băng thông lọc 1.3 Các nghiên cứu liên quan Một số đề tài, báo liệt kê để đánh giá thực trạng nghiên cứu thực tại: [1] Cơ sở liệu ảnh đen trắng, để xác thực đo hiệu thuật toán nhận dạng [2] Tài liệu đánh giá phương pháp phân loại dựa vào based (kernel-based classifer) [3] [4] Tài liệu nghiên cứu đánh giá phương pháp nhận dạng mống mắt kết hợp với kỹ thuật máy vector (SVM) hỗ trợ kỹ thuật chuỗi Markov ẩn 1.4 Lý chọn đề tài Hiện hệ thống sinh trắc học cung cấp việc nhận dạng cá thể cách tự động dựa số đặc tính đặc biệt sở hữu cá thể Các hệ thống sinh trắc học nghiên cứu phát triển dựa vân tay, khuôn mặt, giọng nói, chữ viết tay, võng mạc, trình bày đề tài nhận dạng mống mắt Chương - NGHIÊN CỨU GIẢI THUẬT PHÂN LOẠI VÀ NHẬN DẠNG MỐNG MẮT 2.1 Kỹ thuật phân loại dựa vào khoảng cách Hamming Khoảng cách Hamming thước đo giống hai mẫu tín hiệu số Sử dụng khoảng cách Hamming hai mẫu bit, so sánh với ngưỡng đưa định mức độ giống hai hình ảnh (mống mắt) khoảng cách Hamming sử dụng hệ thống nhận dạng Khoảng cách Hamming mẫu bit X Y HD, định nghĩa tổng bit không hợp lệ (tổng XOR X Y) chia cho N (tổng số bit mẫu bit): HD  N  X (XOR) Yj N j 1 j (2.1) Khoảng cách Hamming thước đo phù hợp để kết hợp với thuật toán Daugman, tính toán khoảng cách Hamming thực với bit tạo từ vùng mắt phân biệt [1] 2.2 Kỹ thuật phân loại dựa vào mạng nơron Mô hình mạng thần kinh nhân tạo nơ-ron não chứng minh hiệu số ứng dụng phân loại phân loại, dự đoán, nhận dạng mẫu kiểm soát Một mạng lưới thần kinh nhân tạo bao gồm nhóm kết nối tế bào thần kinh nhân tạo 2.3 Đặc điểm phương pháp phân loại dựa vào kernel Kỹ thuật SVM ban đầu giải toán với liệu phân tách tuyến tính Nhưng thực tế, liệu thường không phân tách tuyến tính Bằng việc sử dụng hàm kernel, liệu đầu vào ánh xạ vào không gian đặc trưng có số chiều cao mà liệu phân tách tuyến tính sau kỹ thuật SVM áp dụng [18] 2.3.1 Đặc điểm không gian ánh xạ Chúng ta xem xét hàm ánh xạ không tuyến tính Φ : I = R2 → F = R3 từ không gian đầu vào I chiều trờ thành không gian đặc trưng F với số chiều Giả sử xem xét kernel đa thức bậc định nghĩa sau k( x, y)  (xT y)2 (2.2) Ở x,y thuộc tính R2 Giả sử x = ( x1 , x ) y = ( y1 , y ) Vậy hàm kernel viết lại sau: k ( x , y )  (x1y1  x y )2  x 21y 21  x1y1x y  x 2 y 2 (2.3) Giải pháp ánh xạ đặc trưng hàm kernel viết sau k( x, y)  ( x)T ( y) (2.4) Chúng có định nghĩa tổng quát hàm ánh xạ đặc trưng sau: ( x )  (x12 , x1x ,x 22 ) (2.5) Biến đổi (2.5) có hàm tuyến tính R3 với liệu ánh xạ từ không gian chiều R2 : 14 αi, o tính toán vector trọng lượng tối ưu 0 sử dụng phương trình (2.15) ta có: l 0  i ,0 yi xi (2.21) i 1 Bây xây dựng siêu phẳng tối ưu sau:  T l  l  i 1  x  b0     i ,0 yi xi  x  b0    i ,0 yi xT i x  b0  (2.22) T  i 1 Tương tự vậy, hàm định:    l  g ( x)  sgn  x  b0  sgn  i ,0 yi xT i x  b0   i 1  T (2.23) Để tính khoảng cách trực giao chuẩn tối ưu từ siêu phẳng tối ưu đến nguồn, xem xét vector hỗ trợ tích cực x (s) Sử dụng vế trái phương trình (2.22): T 0 x (s) T  b0  1 Hay b0    x (s) y ( s )  1 2.4.2 Mô hình nhiều lớp SVM SVM phân loại nhị phân tách liệu hai lớp Để thực tách đa lớp, phải đưa phương pháp đa lớp cho phân lớp nhị phân 15 Txy  {( x1 , y1 ), ( x2 y2 ), , ( xn , yn )}, yi {1, , k} (2.15) Hai phương pháp trình bày [4] 2.4.2.1 Phương pháp One-Against-All (Một-chống-Tất cả) (OAA) Phương pháp OAA biến đổi k vấn đề đa lớp thành vấn đề lớp nhị phân k Trong lớp phân loại nhị phân, chọn liệu thuộc lớp thứ i lớp (+1), liệu lớp lại tách thành lớp (-1), cách hàm phân biệt fi  x  thực Đối với mẫu x, sử dụng k hàm phân biệt để ước tính [4]:  x ∈{ i } đầu vào lớp i đầu giá trị  x ∈{loại bỏ} đầu vào lớp lại 2.4.2.2 Phương pháp Một-chống-một (OAA) Phương pháp OAA biến đổi k đa lớp thành k (k - 1) / lớp nhị phân, lớp phân loại nhị phân tách từ lớp thứ i từ lớp thứ j (i, j ∈ 1, L k) 16 Chương - KẾT QUẢ MÔ PHỎNG 3.1 Mô đánh giá kết 3.1.1 Mô phương pháp phân loại dựa vào khoảng cánh Hamming Trong chương này, sử dụng chương trình mô để khảo sát hiệu của hệ thống nhận dạng mống mắt dựa sở liệu tạo từ trước Những phương pháp kiểm thử tiến hành để tìm thông số tốt nhất, tỷ lệ so sánh sai FMR tỷ lệ chấp nhận sai FAR phải đạt thấp 3.1.1.1 Tổng quan tập liệu đặc tính để thực nghiệm Tập liệu CASIA Iris (Casia-IrisV1) bao gồm 756 mống mắt hình ảnh từ 108 mắt 17 Mô hình nghiên cứu tổng quan: miêu tả Hình 3.1 Hình 3.1: Mô hình nghiên cứu tổng quan 3.1.1.2 Quá trình Tiền xử lý ảnh Thuật toán Daugman Hình 3.2: Xác định đường cong thuật toán daugman 18 Hình 3.3: Hình ảnh mắt sau xác định thành phần nhiễu Chuẩn hóa Mã hóa đặc Trưng: Đề tài sử dụng lọc 1D Log-Gabor để chuyển đổi chuẩn hóa liệu Sau thực tiếp trình mã hóa liệu chuẩn hóa lưu thành mẫu bít gồm 9600 bit mã nhị phân, mẫu bít lưu đặc tính sinh trắc học mắt minh họa hình 3.4 Ngoài trình chuẩn hóa ảnh mã hóa ảnh thực lưu mẫu bít mặt nạ gồm 9600 bit nhị phân đại diện cho mẫu mống mắt sau xác định loại thành phần nhiễu ảnh hình 3.5 Hình 3.4: Hình ảnh mẫu mắt sau chuẩn hóa sang tọa độ cực 19 Hình 5: Hình ảnh sau loại bỏ thành phần nhiễu chuẩn hóa sang tọa đô cực 3.1.1.3 Quá trình so sánh dựa vào khoảng cách Hamming Cơ sở liệu hình ảnh CASIA Tổng cộng 756 * 755/2 = 285390 cặp so sánh cho thuật toán chỉa 2268 cặp để so sánh nội lớp hay mẫu đối tượng, 283122 cặp để so sánh ngoại lớp hay mẫu không đối tượng 3.1.1.4 Mô đánh giá kết Mô tả trình mô đánh giá dựa vào phương pháp khoảng cách Hamming 20 Hình 3.7: Lưu đồ giải thuật trình nhận dạng dựa vào khoảng cách hamming Kết quả: trình nhận dạng phương pháp Hamming dựa vào vùng giá trị FAR FRR mô tả bên (hình 3.8) 21 Hình So sánh tỷ lệ FMR FAR Bảng 3.1: Đánh giá kết trình nhận dạng Độ xác Kiểm thử lần 1: 98,42 % Kiểm thử lần 98,41 % Bảng 3.2: Thời gian thực nhận dạng Các Giai đoạn xử lý ảnh Ước lượng thời gian thực Giai đoạn tiền xử lý 3120 giây Giai đoạn chuẩn hóa trích 3200 giây đặc trưng Giai đoạn tính khoảng 5400 giây cách Hamming Giai đoạn tính toán xác 100 giây 22 xuất lỗi Hình 3.9: Mật độ phân Khoảng Hamming Các khoảng cách Hamming đại diện cho hai cấp độ so sánh mẫu mắt thuộc đối tượng mẫu không thuộc đối tượng thể hình 3.9 3.1.2 Mô phương pháp phân loại dựa vào SVM Trong đề tài nay, sử dụng Matlab để mô đánh giá kết theo hình vẽ 3.10 bên 23 Hình 3.10: Sơ Đồ Khối trình phân loại dựa vào SVM 3.1.2.1 Quá Trình tiền xử lý Mục đích trình tiền xử lý nâng cao chất lượng ảnh đầu vào, trình bao gồm bước sử dụng thuật toán Daugman, chuẩn hóa mã hóa ảnh tương tự phương pháp dựa vào khoảng cách Hamming mục 3.1.1 1.2.2 Lựa chọn mô hình Trong đề tài này, mô hình để mô sử dụng RBF kernel 3.1.2.3 Thuật toán kiểm thử giá trị hợp lệ chéo Cho kernel có thông số chưa biết, theo thứ tự cần phải tìm thông số tốt 24 đưa dự liệu đầu vào, có vài thông số để tìm thuật toán Mục đích nhận thông số tốt để phân loại xác dự đoán liệu test chưa biết sử dụng phương pháp kiểm thử giá trị hợp lệ chéo 3.1.2.4 Đánh giá ảnh hưởng liệu huấn luyện Để tìm ảnh hưởng liệu huấn luyện, chương trình mô thưc nhiều lần trình kiểm thử để đánh giá độ xác với nhiều loại liệu khác thay đổi đầu vào Bảng 3.3 bên cho ta thấy xác tham số đầu vào qua trình đánh giá chọn tham số Bảng 3.3: Đánh giá thông số trình SVM Dữ liệu đầu vào Thông tin Kernel Thời gian kết Kiểm thử lần 1: + 20 mẫu + C = 2e-10 +  rbf = SupportVectors: [140x19200 double] +Kết xác : 95% Alpha: [140x1 + Thời gian thực double] hiệ 100.850024 s Bias: 419.6976 KernelFunction: 25 @rbf_kernel KernelFunctionArgs: {[1]} GroupNames: [140x1 logical] SupportVectorIndices: [140x1 double] ScaleData: [1x1 struct] FigureHandles: [] Kiểm thử lần 2: SupportVectors: + 20 mẫu [140x19200 double] + C = 2e-1 Alpha: [140x1 +  rbf = double] Bias: 0.7925 KernelFunction: @rbf_kernel KernelFunctionArgs: {[1]} GroupNames: [140x1 logical] SupportVectorIndices: + Kết xác 100% + Thời gian thực là: 106.877285 s 26 [140x1 double] ScaleData: [1x1 struct] FigureHandles: [] Nhận xét: + Giữ giá trị sigma tăng giá trị alpha độ xác cao hơn, thời gian để phân loại nhận dạng mắt tăng lên + Số mẫu thử nhỏ sử dụng để lựa chọn đánh giá thông số tốt cho phân sau phần thực kiểm thử với mẫu số lượng lớn thời gian lâu 3.1.2.4 Đánh giá trình nhận dạng với số lượng lớn Dữ liệu đầu vào 756 mẫu thực đánh giá, kết mô tả Bảng 3.4 bên Bảng 3.4: Đánh giá kết trình nhận dạng dựa vào SVM Các giai đoạn xử lý ảnh Thời gian thực thi Giai đoạn tiền xử lý 3120 giây Giai đoạn chuẩn hóa trích 3200 giây đặc trưng 27 Giai đoạn tính toán xác 11131.840527 giây xuất lỗi SVM Kết nhận là: 99,07 % 3.2 Kết luận chung Đề tài đánh giá hỗ trợ cho nhận dạng tự động dựa tính phổ biến mẫu mống mắt Quá trình nhận dạng kiểm chứng phương pháp sử dụng khoảng cách Hamming mẫu nhị phân cục SVM Trong SVM sử dụng hạt nhân RBF tuyến tính 765 mẫu hình ảnh mắt từ sở liệu Casia áp dụng để nghiên cứu thực nghiệm tính hiệu hệ thống đề xuất đánh giá Các kết thu chứng minh phương pháp sử dụng hạt nhân SVM cho độ xác cao (99,07%) Vì phương pháp nghiên cứu luận văn phù hợp cho hệ thống tự động nhận dạng xác minh 3.3 Hướng phát triển đề tài Đề tài mở rộng với nhiều phương pháp khác nhiều giai đoạn khác trình thực xử lý nhận dạng ảnh nhằm đánh giá tìm phương pháp tối ưu phù hợp, chẳng hạn trình tiền xử lý ảnh để xác định mống mắt thực 28 thuật toán Hough, trình phân loại dựa vào SVM cải tiến hàm kernel khác như: hàm kernel đa thức, hàm sigma… Ngoài trình nhận dạng kết hợp với mô hình Markov ẩn HMM Một hướng phát triển trình máy học sau deep leanrning có kết hợp nhiều thuật toán khác nhiều mô hình khác convolutional neural network (CNN) ... vân tay, mống mắt, khuôn mặt để nhận diện Trong đề tài tập trung nghiên cứu công nghệ sinh trắc học phương pháp nhận dạng cá thể dựa vào đặc điểm riêng biệt mống mắt, đề tài có xử nhiều thuật toán... tay, võng mạc, trình bày đề tài nhận dạng mống mắt Chương - NGHIÊN CỨU GIẢI THUẬT PHÂN LOẠI VÀ NHẬN DẠNG MỐNG MẮT 2.1 Kỹ thuật phân loại dựa vào khoảng cách Hamming Khoảng cách Hamming thước đo... liệu nghiên cứu đánh giá phương pháp nhận dạng mống mắt kết hợp với kỹ thuật máy vector (SVM) hỗ trợ kỹ thuật chuỗi Markov ẩn 6 1.4 Lý chọn đề tài Hiện hệ thống sinh trắc học cung cấp việc nhận
- Xem thêm -

Xem thêm: Nghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắt (tt), Nghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắt (tt), Nghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắt (tt)

Từ khóa liên quan

Gợi ý tài liệu liên quan cho bạn

Nhận lời giải ngay chưa đến 10 phút Đăng bài tập ngay