Đánh giá hiệu năng máy vector hỗ trợ sử dụng hàm nhân radial basic trong hệ thống nhận dạng khuôn mặt sử dụng khối trích xuất PCA-LDA

Bài viết trình bày phương pháp hiệu quả để nhận dạng khuôn mặt được trình bày để giải quyết tốt sự biến đổi về biểu cảm khuôn mặt, tư thế mặt, và điều kiện chiếu sáng. Phương pháp này được dựa trên sự kết hợp giữa Phân tích thành phần chính (PCA), Phân tích sự khác biệt tuyến tính (LDA) và máy vector hỗ trợ (SVM) sử dụng hàm Radial Basic (RBF). Mời các bạn cùng tham khảo!
Nội dung trích xuất từ tài liệu:
Đánh giá hiệu năng máy vector hỗ trợ sử dụng hàm nhân radial basic trong hệ thống nhận dạng khuôn mặt sử dụng khối trích xuất PCA-LDA Hội Thảo Quốc Gia 2015 về Điện Tử, Truyền Thông và Công Nghệ Thông Tin (ECIT 2015) Hội Thảo Quốc Gia 2015 về Điện Tử, Truyền Thông và Công Nghệ Thông Tin (ECIT 2015) Đánh Giá Hiệu Năng Máy Vector Hỗ Trợ Sử Dụng Hàm Nhân Radial Basic trong Hệ Thống Nhận Dạng Khuôn Mặt Sử Dụng Khối Trích Xuất PCA-LDA Phạm Văn Tuấn∗ , Hà Xuân Cường∗ , Hồ Đức Trung∗ ∗ Trung tâm Xuất Sắc Đại học Bách Khoa Đà Nẵng Đà Nẵng, Việt Nam Email: pvtuan@dut.udn.vn, haxuancuong187@gmail.com, trunghoduc_1992@yahoo.com.vn Tóm tắt—Trong bài báo này, một phương pháp hiệu quả Mặt khác, PCA và LDA là các phương pháp trích xuất để nhận dạng khuôn mặt được trình bày để giải quyết tốt thuộc tính cơ bản. Hai hướng tiếp cận này có thể giúp giảm sự biến đổi về biểu cảm khuôn mặt, tư thế mặt, và điều kiện bớt đáng kể khối lượng tính toán cho hệ thống nhận dạng, chiếu sáng. Phương pháp này được dựa trên sự kết hợp giữa từ đó rút ngắn thời gian hoạt động. Chỉ riêng PCA hoặc Phân tích thành phần chính (PCA), Phân tích sự khác biệt tuyến tính (LDA) và máy vector hỗ trợ (SVM) sử dụng hàm LDA cũng tạo ra hiệu năng tốt khi kết hợp với SVM [5], Radial Basic (RBF). Các thử nghiệm đã được tiến hành trên [6], [7]. tập cơ sở dữ liệu hình ảnh: Grimace, Sheffield, và Yale B mở rộng (Extended Yale B). Hiệu năng của phương pháp được đề xuất cũng được so sánh với ba phương pháp khác, đó là: PCA và RBF SVM, PCA và Linear SVM, PCA-LDA và Linear SVM. Kết quả đã chỉ ra rằng, phương pháp sử dụng PCA-LDA và RBF SVM cho kết quả nhận dạng cao Hình 1. Sơ đồ khối của hệ thống nhận dạng và đáng tin cậy đối với sự thay đổi về biểu cảm khuôn mặt, tư thế mặt, và điều kiện chiếu sáng. Từ khóa—Phân tích thành phần chính, Phân tích sự khác Trong bài báo này, một nghiên cứu đối sánh được thực biệt tuyến tính, Máy vector hỗ trợ, Hàm Radial Basic, Máy hiện để đánh giá hiệu năng của hệ thống nhận dạng sử vector hỗ trợ tuyến tính. dụng các phương pháp trích xuất thuộc tính cơ bản (PCA, LDA) cùng với SVM. Sau khi tiến hành việc so sánh, hệ I. ĐẶT VẤN ĐỀ thống tốt nhất được đề xuất. Hệ thống này phải có hiệu Nhận dạng khuôn mặt là một trong lĩnh vực nghiên cứu năng cao và đáng tin cậy khi phải đối mặt với sự thay đổi tiên phong có nhiều ứng dụng trong thực tiễn, thí dụ: hệ về biểu cảm khuôn mặt, tư thế mặt, và điều kiện chiếu thống tương tác giữa người và máy, cỗ máy tìm kiếm, hệ sáng. Sơ đồ khối tổng quát của quy trình nhận dạng được thống theo dõi, hệ thống đăng nhập,... Một hệ thống nhận mô tả ở hình 1. PCA và sự kết hợp PCA-LDA được sử dạng khuôn mặt tốt phải đạt được các yêu cầu sau: độ dụng làm phương pháp trích xuất thuộc tính. Trong khối chính xác cao, đáp ứng thời gian thực, ít bị ảnh hưởng bởi phân loại, có hai tùy chọn đó là Linear SVM và RBF các điều kiện bên ngoài (biểu cảm khuôn mặt, tư thế mặt, SVM. điều kiện chiếu sáng,...). Cấu trúc của bài báo như sau: Phần II trình bày các Trong những năm gần đây, SVM nổi lên như một bước tiền xử lí ảnh, tiếp đó, Phần III mô tả các thuật toán phương pháp đầy hứa hẹn cho việc phân loại khuôn trích xuất thuộc tính (PCA, và PCA-LDA). Phần IV trình mặt [1], [2]. Trong số các thuật toán trích xuất thuộc tính, bày kiến thức về SVM cũng như cách xây dựng một SVM wavelet Gabor đã được thừa nhận là một phương pháp rất nhiều lớp. Kết quả thí nghiệm và phân tích được trình bày mạnh khi phải đối mặt với sự thay đổi độ sáng, tư thế mặt ở Phần V. Cuối cùng, kết luận và hướng phát triển được và biểu cảm khuôn mặt, theo nguồn từ [3]. Nghiên cứu thảo luận ở Phần VI. ở [4] chỉ ra rằng sự kết hợp giữa Linear SVM và bộ lọc II. TIỀN XỬ LÍ Gabor đáp ứng tốt khi cần giải quyết nhiều mặt của việc nhận dạng khuôn mặt. Tuy vậy, wavelet Gabor yêu cầu Các bước tiền xử lí ảnh được áp dụng trong nghiên cứu một lượng tính toán cực lớn. Do đó, các hệ thống nhận này được trình bày như sau: dạng khuôn mặt sử dụng wavelet Gabor thường rất chậm. • Cắt từ ảnh chụp gốc để lấy ảnh khuôn mặt 330 ISBN: 978-604-67-0635-9 330 Hội Thảo Quốc Gia 2015 về Điện Tử, Truyền Thông và Công Nghệ Thông Tin (ECIT 2015) Hội Thảo Quốc Gia 2015 về Điện Tử, Truyền Thông và Công Nghệ Thông Tin (ECIT 2015) • Thay đổi kích thước ảnh thành 64x64 trong đó xji là mẫu thứ i trong lớp thứ j, µj là trung bình • Đổi ảnh màu sang ảnh xám của lớp j, c là số các lớp, và Nj là số các mẫu trong lớp • Đổi ảnh xám sang vector ảnh j. • Thường hóa các vector ảnh sao cho chúng có trung Định nghĩa 2. Ma trận phân tán liên-lớp, kí hiệu là Sb , bình 0 và độ lệch chuẩn 1 được định nghĩa bởi: • Giãn cường độ sáng c ...