Đặc trưng Dense Sift và thuật toán Local naive bayes nearest neighbor trong nhận dạng mặt người

Trong bài báo này, chúng tôi trình bày phương pháp mới, kết hợp Haar Like Feature - Cascade of Boosted Classifiers, Dense Scale-Invariant Feature Transform (DSIFT), thuật toán Local Naive Bayes Nearest Neighbor (LNBNN) để nhận dạng mặt người.
Nội dung trích xuất từ tài liệu:
Đặc trưng Dense Sift và thuật toán Local naive bayes nearest neighbor trong nhận dạng mặt ngườiTẠP CHÍ KHOA HỌC TRƯỜNG ĐẠI HỌC TRÀ VINH, SỐ 28, THÁNG 12 NĂM 2017ĐẶC TRƯNG DENSE SIFT VÀ THUẬT TOÁNLOCAL NAIVE BAYES NEAREST NEIGHBORTRONG NHẬN DẠNG MẶT NGƯỜIDENSE SIFT FEATURE AND LOCAL NAIVE BAYES NEARESTNEIGHBOR FOR FACE RECOGNITIONChâu Ngân Khánh1 , Đoàn Thanh Nghị2Tóm tắt – Công nghệ nhận dạng mặt người đãđược ứng dụng rộng rãi trong đời sống. Chúngta đã có nhiều thuật toán được nghiên cứu đểgiải quyết bài toán này. Trong bài báo này,chúng tôi trình bày phương pháp mới, kết hợpHaar Like Feature - Cascade of Boosted Classifiers, Dense Scale-Invariant Feature Transform(DSIFT), thuật toán Local Naive Bayes NearestNeighbor (LNBNN) để nhận dạng mặt người.Đầu tiên, rút trích ảnh khuôn mặt bằng thuật toánAdaBoost với mô hình Cascade trên đặc trưngHaar Like, tính các DSIFT trên ảnh đã rút trích.Sau đó, sử dụng LNBNN để nhận dạng. Kết quảthử nghiệm trên các tập dữ liệu kiểm chuẩn chothấy phương pháp này đạt kết quả tốt hơn cácphương pháp khác, độ chính xác của LNBNN là99.74%Từ khóa: đặc trưng Haar Like, thuật toánAdaBoost, mô hình phân tầng Cascade, đặctrưng SIFT, nhận dạng khuôn mặt, thuật toánLocal Naive Bayes Nearest Neighbor.of AdaBoost algorithm and Cascade stratifiedmodel to detect and extract the face image, theDSIFT descriptors of the image are computedonly for the aligned and cropped face image.Then, we apply the LNBNN algorithms for objectrecognition. Numerical testing on several benchmark datasets using our proposed method for facerecognition gives the better results than othermethods. The accuracies obtained by LNBNNmethod is 99.74 %.Keywords: haar Like Features, AdaBoostAlgorithm, Cascade of Boosted Classifiers,DSIFT, Face recognition, Local Naive BayesNearest Neighbor.I. ĐẶT VẤN ĐỀCùng với sự phát triển công nghệ cao, nhậndạng mặt người ngày càng được ứng dụng rộngrãi, nhiều hệ thống nhận mặt người ra đời và giữvai trò quan trọng trong đời sống con người. Hệthống nhận dạng mặt người cơ bản gồm có cácthành phần: thiết bị thu thập hình ảnh, cơ sở dữliệu các hình ảnh, các thuật toán xử lí nhận dạngvà thiết bị hiển thị kết quả nhận dạng. Trong đó,các thuật toán xử lí nhận dạng đóng vai trò quyếtđịnh tốc độ và độ chính xác của hệ thống nhậndạng mặt người.Các nhà khoa học đã đề xuất nhiều phươngpháp khác nhau nhằm giải quyết bài toán nhậndạng mặt người. Trong đó, hướng tiếp cận dựatrên các đặc trưng cục bộ không đổi SIFT củaLowe [1] được quan tâm nhiều. DSIFT là mộtphiên bản tính toán nhanh các đặc trưng SIFT vớimật độ dày, do Vedaldi et al. phát triển và đượcchứng minh cho kết quả tốt với các bài toán phânlớp ảnh [2]. Trong khi đó, LNBNN được đề xuấtAbstract – Human face recognition is a technology which is widely used in life. There havebeen much effort on developing face recognition algorithms. In this paper, we present anew methodology that combines Haar Like Features - Cascade of Boosted Classifiers, DenseScale-Invariant Feature Transform (DSIFT), Local Naive Bayes Nearest Neighbor (LNBNN) algorithm for the recognition of human face. Weuse Haar Like Features and the combination1,2Khoa Công nghệ Thông tin, Trường Đại học An GiangEmail: cnkhanh@agu.edu.vnNgày nhận bài: 04/8/2017; Ngày nhận kết quả bìnhduyệt: 13/11/2017; Ngày chấp nhận đăng: 29/12/201756TẠP CHÍ KHOA HỌC TRƯỜNG ĐẠI HỌC TRÀ VINH, SỐ 28, THÁNG 12 NĂM 2017để cải thiện đáng kể độ chính xác cũng như thờigian thực hiện so với thuật toán NBNN trên cáctập dữ liệu lớn. Trong bài báo này, chúng tôi đềxuất sử dụng các đặc trưng Haar Like với thuậttoán AdaBoost và mô hình phân tầng Cascade đểđịnh vị khuôn mặt. Sau đó, rút trích ảnh khuônmặt người vừa phát hiện ta sẽ thu được ảnh đốitượng. Tính đặc trưng DSIFT của ảnh đối tượng.Đặc trưng DSIFT đã được chứng minh cho kếtquả cao trong việc phân lớp ảnh [2]. Cuối cùng,thuật toán phân lớp LNBNN [3] được sử dụng đểnhận dạng ảnh, đây là thuật toán phân lớp ảnhđơn giản và có độ chính xác cao khi phân lớp.Mô hình hệ thống được mô tả như Hình 1.Phần tiếp theo của bài viết được trình bày nhưsau: Phần 2 trình bày tổng quan các nghiên cứuliên quan, phần 3 giới thiệu ngắn gọn về thuậttoán phát hiện khuôn mặt Haar Like – Cascade ofBoosted Classifiers, biểu diễn ảnh bằng các đặctrưng DSIFT được trình bày trong phần 4, phần5 trình bày phương pháp định danh với LNBNN,phần 6 trình bày các kết quả thực nghiệm trướckhi vào phần kết luận và hướng phát triển.KHOA HỌC CÔNG NGHỆ - MÔI TRƯỜNGSIFT nhằm cải thiện thuật toán SIFT. Năm 2013,Sunil [15] kết hợp PCA với DCT; Bouzalmat vàcác cộng sự [4] áp dụng thuật toán SVM dựa trênLDA, để nhận dạng khuôn mặt người trên ảnh.Châu Ngân Khánh và Đoàn Thanh Nghị [16], kếthợp đặc trưng SIFT và thuật toán NBNN để nhậndạng mặt người. Năm 2015, Ladisla vLenc vàPavel Král [17] xây dựng hệ thống nhận dạng mặtngười tự động dựa trên các đặc trưng SIFT. Năm2016, Ehsan Sadeghipour và Nasrollah Sahragard[18] thực hiện cải tiến thuật toán SIFT để nhậndạng mặt người.Các nhà nghiên cứu đã đề ra nhiều phươngpháp khác nhau để giải quyết bài toán nhận dạngmặt người. Tuy nhiên, các giải pháp đã đề ra vẫnchưa đạt được kết quả tối ưu khi nhận dạng vềđộ chính xác cũng như thời gian thực hiện nhậndạng. Phương pháp do chúng tôi đề xuất nhằmtối ưu độ chính xác cũng như cải thiện thời gianthực hiện nhận dạng.III.ĐỊNH VỊ KHUÔN MẶTA. Đặc trưng Haar LikeII.TỔNG QUAN NGHIÊN CỨUĐặc trưng Haar Like được tạo thành do việckết hợp các hình chữ nhật đen, trắng với nhautheo một trật tự, một kích thước nào đó. Để pháthiện khuôn mặt, các đặc trưng Haar Like cơ bảntrên được mở rộng [19] thành nhóm các đặc trưngcạnh, đường và tâm.Các nghiên cứu trước đây, Kirby và Sirovich[4]; Turk và Pentland [5] nhận dạng khuôn mặtbằng phương pháp PCA và thuật toán eigenfaces.Trần Phước Long và Nguyễn Văn Lượng [6], dòtìm khuôn mặt trong ...