hoitamkiengiang
New Member
Download miễn phí Đồ án Nhận dạng mặt người trên matlab
MỤC LỤC
PHẦN A:GIỚI THIỆU
LỜI CẢM ƠN ii
LỜI MỞ ĐẦU iii
MỤC LỤC iv
LIỆT KÊ HÌNH vi
LIÊT KÊ BẢNG vii
PHÂN B: NỘI DUNG
CHƯƠNG 1: DẪN NHẬP
1.1 Đặt vấn đề 3
1.2 Lý do chọn đề tài 3
1.3 Mục đích nghiên cứu 3
1.4 Giới hạn nghiên cứu của đề tài 3
CHƯƠNG 2:CÁC THUẬT TOÁN NHẬN DẠNG KHUÔN MẶT
2.1 Định nghĩa bài toán xác định khuôn mặt người 6
2.2 Ứng dụng của phương pháp xác định khuôn mặt người 6
2.3 Phương pháp xác định khuôn mặt người 7
2.4 Nhận dạng khuôn mặt dùng thuật toán PCA 8
2.5 Nhận dạng ảnh dựa trên PCA 9
CHƯƠNG 3: ẢNH MÀU TRÊN MATLAB VÀ CÁC LỆNH XỬ LÝ ẢNH
3.1 Giới thiệu ảnh số 14
3.1.1 Biểu diễn ảnh số 14
3.1.2 Ảnh màu 15
3.1.3 Các định dạng ảnh cơ bản trong xử lý ảnh 17
3.2 Các kiểu hình ảnh trong Matlab 19
3.3 Chuyển đổi giữa các kiểu dữ liệu 21
3.4 Các phép toán số học cơ bản đối với dữ liệu ảnh 22
3.5 Các hàm hiển thị ảnh trong Matlab 22
3.6 Các hàm khác được sử dụng trong đề tài 24
CHƯƠNG 4:GIỚI THIỆU CHƯƠNG TRÌNH
4.1 Giới thiệu chương trình 26
CHƯƠNG 5: SƠ ĐỒ KHỐI VÀ CODE CHƯƠNG TRÌNH
5.1 Sơ đồ khối 32
5.2 Code chương trình 32
CHƯƠNG 6: PHẠM VI GIỚI HẠN VÀ HƯỚNG MỞ RỘNG ĐỀ TÀI
6.1 Phạm vi giới hạn của đề tài 42
6.2 Hướng mở rộng của đề tài 42
Các vector riêng sau này được biết đến với cái tên Eigenface. Kirby và Sirovich chứng tỏ các ảnh có các khuôn mặt có thể được mã hóa tuyến tính bằng một số lượng vừa phải các ảnh cơ sở. Tính chất
này dựa trên biến đổi Karhunen-Lòeve, mà còn được gọi dưới một cái tên khác là PCA và biến đổi Hotelling. Ý tưởng này được xem là của Pearson trình bày đầu tiên vào năm 1901và sau đó là Hotelling vào năm 1933. Cho một tập các ảnh huấn luyện có kích thước n x m được mô tả bởi các vector có kích thước m x m, các vector cở sở cho một không gian con tối ưu được xác định thông qua lỗi bình phương trung bình khi chiếu các ảnh huấn luyện vào không gian con này. Các tác giả gọi tập các vector cơ sở tối ưu này là ảnh riêng sau đó gọi cho đơn giản là vector riêng của ma trận hiệp phương sai được tính từ các ảnh khuôn mặt đã vector hóa trong tập huấn luyện. Nếu cho 100 ảnh, mà mỗi khuôn mặt có kích thước 91x50 thì có thể chỉ dùng 50 ảnh riêng, trong khi vẫn duy trì được một khả năng giống nhau hợp lý (giữ được 95% tính chất). Turk và Pentland áp dụng PCA để xác định và nhận dạng khuôn mặt. Tương tự, dùng PCA trên tập huấn luyện ảnh các khuôn mặt để sinh các ảnh riêng (còn gọi là eigenface) để tìm một không gian con (không gian khuôn mặt) trong không gian ảnh. Các ảnh khuôn mặt được chiếu vào không gian con này và được gom nhóm lại. Tương tự các ảnh không có khuôn mặt dùng để huấn luyện cũng được chiếu vào cùng không gian con và gom nhóm lại. Các ảnh khi chiếu vào không gian khuôn mặt thì không bị thay đổi tính chất cơ bản, trong khi chiếu các ảnh không có khuôn mặt thì xuất hiện sự khác nhau cũng không ít. Xác định sự có mặt của một khuôn mặt trong ảnh thông qua tất cả khoảng cách giữa các vị trí trong ảnh và không gian ảnh. Khoảng cách này dùng để xem xét có hay không có khuôn mặt người, kết quả khi tính toán các khoảng cách sẽ
cho ta một bản đồ về khuôn mặt. Có thể xác định được từ cực tiểu địa phương của bản đồ này. Có nhiều nghiên cứu về xác định khuôn mặt, nhận dạng, và trích đặc trưng từ ý tưởng vector riêng, phân rã, và gom nhóm. Sau đó Kim phát triển cho ảnh màu, bằng cách phân đoạn ảnh để tìm ứng để không gian tìm kiếm bớt đi.
2.5 Nhận dạng ảnh dựa trên PCA
Khuôn mặt con người có rất nhiều nét để nhận biết , nếu như ta gặp lại một người bạn sau một thời gian dài, ta có thể nhận ra ngay người đó dù những chi tiết cụ thể trên mặt có thể thay đổi như da, mái tóc . Ta nhận ra không phải vì nhớ đôi mắt , hay mũi hay môi hay tóc , lông mày người đó mà ta nhận ra vì nhớ diện mạo của người đó . Tức là trên khuôn mặt tồn tại một nét tổng thể nào đó để có thể nhận diện , thuật toán của ta bắt đầu từ ý tưởng này.
Phân tích thành phần chính (Principal Component Analysis ) gọi tắt là PCA là thuật toán nhận dạng ảnh dựa trên những nét tổng thể của khuôn mặt , ta sẽ áp dụng thuật toán này để thực hiện hai công việc sau :
Thứ nhất là tìm một khuôn mặt giống với khuôn mặt cho trước
Thứ hai là xác định vị trí những khuôn mặt người trong một bức ảnh .
Ban đầu ta có một tập ảnh khuôn mặt gọi là tập ảnh huấn luyện (training set) . Giả sử mỗi ảnh có kích thước M×N , ta coi mỗi bức ảnh này là một vector trong không gian M*N chiều . Bây giờ mỗi khuôn mặt là một vector , ta thấy những vector này không phân bố ngẫu nhiên trong không gian ảnh mà phân bố theo một quy luật tương đối nào đó , ta có thể nói những vector này nằm trong một không gian con gọi là không gian khuôn mặt . Từ những vector trong tập huấn luyện , ta sẽ tìm một cơ sở trực chuẩn cho không gian khuôn mặt . Những vector thuộc cơ sở này có thể coi là những vector mang những nét tổng thể đặc trưng về khuôn mặt .
Giả sử tập huấn luyện có P ảnh , khi đó ta sẽ có P vector : , , … , .
Tính vector ảnh trung bình : m = .
Sự khác biệt giữa những khuôn mặt với ảnh trung bình là những vector :
, i=1…P
Ý tưởng của việc phân tích thành phần chính là tìm một tập những vector trực chuẩn sao cho những vector này mô tả tốt nhất sự phân bố những vector khuôn mặt trong không gian . Những vector được chọn sao cho :
lớn nhất .
Những vector và giá trị vô hướng chính là những vector riêng và trị riêng tương ứng của ma trận .
là tích vô hướng giữa hai vector u , v . A=[]
Ta thấy ma trận A có kích thước M*N × P , còn ma trận có kích thước M*N×M*N , do kích thước ma trận này quá lớn nên ta không thể tìm được những vector riêng và những trị riêng trực tiếp được , thay vào đó ta sẽ tìm những vector riêng của ma trận có kích thước P×P .
Nếu v là một vector riêng của và λ là trị riêng tương ứng , khi đó ta có :
v = λv ó v = λAv , tức là Av là một trị riêng của ma trận .
Thông thường ta chỉ lấy một số Q vector riêng ứng với Q trị riêng có giá trị lớn nhất .
Sau khi có các vector riêng của ma trận , ta sẽ chuẩn hóa chúng để thu được một cơ sở trực chuẩn của không gian khuôn mặt .
Đặt L= , tìm V là tập hợp các vector riêng của L , D là tập hợp các trị riêng tương ứng .
V bao gồm Q vector riêng ứng với những trị riêng lớn hơn một giá trị nào đó hay ứng với Q trị riêng lớn nhất trong D .
E = AV là tập các vector riêng của . Do đây là những vector riêng , mà nó lại có dạng khuôn mặt nên còn đuợc gọi là Eigenfaces . E là ma trận M*N×Q , mỗi cột là một vector riêng .
Chuẩn hóa các vector cột trong E ( chia mỗi vector cho độ dài của vector đó ) .
Bây giờ , ta có thể coi E là một cơ sở trực chuẩn của không gian khuôn mặt .
Với H là bức ảnh có cùng kích thước với những bức ảnh trong tập huấn luyện . Ta sẽ xét nó có phải là bức ảnh khuôn mặt hay không , cũng như tìm bức ảnh giống với nó nhất trong tập huấn luyện .
H được xem là một vector trong không gian M*N chiều .
Đặt K=H-m với m là vector ảnh trung bình .
Cho V là một không gian có tích vô hướng hữu hạn chiều và W là một không gian con của V . Giả sử W có một cơ sở trực chuần là {, … , . Khi đó hình chiếu trực giao của vector u bất kỳ lên W được xác định như sau :
=
Độ dài được gọi là khoảng cách từ u đến W .
Tập hợp , i=1,… , Q được gọi là tọa độ của trong không gian W .
Tìm C=K là tọa độ của hình chiếu của K lên không gian khuôn mặt . C là vector cột Q×1
= với = C( i , 1) ; = E( : , i ) .
Với là một cột trong ma trận A ( tương ứng với bức ảnh trong tập huấn luyện ) . Ta tính
= là tọa độ của hình chiếu của lên không gian khuôn mặt .
Ta tính hai đại lượng sau :
s = xem như khoảng cách từ bức ảnh H đến không gian mặt
= xem như khoảng cách từ H đến bức ảnh trong tập huấn luyện
Xét α và β là hai ngưỡng nào đó .
s < α thì H là bức ảnh khuôn mặt ( do H đủ gần với không gian mặt )
β thì là bức ảnh của cùng một người với H . ( H đủ gần với )
Vậy là ta đã có thể tìm bức ảnh trong tập huấn luyện giống với bức ảnh H hay xác định đó có phải là bức ảnh khuôn mặt hay không .
Do Drive thay đổi chính sách, nên một số link cũ yêu cầu duyệt download. các bạn chỉ cần làm theo hướng dẫn.
Password giải nén nếu cần: ket-noi.com | Bấm trực tiếp vào Link để tải:
Bạn tải tại đây nhé
pass giải nén ketnooi.com
MỤC LỤC
PHẦN A:GIỚI THIỆU
LỜI CẢM ƠN ii
LỜI MỞ ĐẦU iii
MỤC LỤC iv
LIỆT KÊ HÌNH vi
LIÊT KÊ BẢNG vii
PHÂN B: NỘI DUNG
CHƯƠNG 1: DẪN NHẬP
1.1 Đặt vấn đề 3
1.2 Lý do chọn đề tài 3
1.3 Mục đích nghiên cứu 3
1.4 Giới hạn nghiên cứu của đề tài 3
CHƯƠNG 2:CÁC THUẬT TOÁN NHẬN DẠNG KHUÔN MẶT
2.1 Định nghĩa bài toán xác định khuôn mặt người 6
2.2 Ứng dụng của phương pháp xác định khuôn mặt người 6
2.3 Phương pháp xác định khuôn mặt người 7
2.4 Nhận dạng khuôn mặt dùng thuật toán PCA 8
2.5 Nhận dạng ảnh dựa trên PCA 9
CHƯƠNG 3: ẢNH MÀU TRÊN MATLAB VÀ CÁC LỆNH XỬ LÝ ẢNH
3.1 Giới thiệu ảnh số 14
3.1.1 Biểu diễn ảnh số 14
3.1.2 Ảnh màu 15
3.1.3 Các định dạng ảnh cơ bản trong xử lý ảnh 17
3.2 Các kiểu hình ảnh trong Matlab 19
3.3 Chuyển đổi giữa các kiểu dữ liệu 21
3.4 Các phép toán số học cơ bản đối với dữ liệu ảnh 22
3.5 Các hàm hiển thị ảnh trong Matlab 22
3.6 Các hàm khác được sử dụng trong đề tài 24
CHƯƠNG 4:GIỚI THIỆU CHƯƠNG TRÌNH
4.1 Giới thiệu chương trình 26
CHƯƠNG 5: SƠ ĐỒ KHỐI VÀ CODE CHƯƠNG TRÌNH
5.1 Sơ đồ khối 32
5.2 Code chương trình 32
CHƯƠNG 6: PHẠM VI GIỚI HẠN VÀ HƯỚNG MỞ RỘNG ĐỀ TÀI
6.1 Phạm vi giới hạn của đề tài 42
6.2 Hướng mở rộng của đề tài 42
Các vector riêng sau này được biết đến với cái tên Eigenface. Kirby và Sirovich chứng tỏ các ảnh có các khuôn mặt có thể được mã hóa tuyến tính bằng một số lượng vừa phải các ảnh cơ sở. Tính chất
này dựa trên biến đổi Karhunen-Lòeve, mà còn được gọi dưới một cái tên khác là PCA và biến đổi Hotelling. Ý tưởng này được xem là của Pearson trình bày đầu tiên vào năm 1901và sau đó là Hotelling vào năm 1933. Cho một tập các ảnh huấn luyện có kích thước n x m được mô tả bởi các vector có kích thước m x m, các vector cở sở cho một không gian con tối ưu được xác định thông qua lỗi bình phương trung bình khi chiếu các ảnh huấn luyện vào không gian con này. Các tác giả gọi tập các vector cơ sở tối ưu này là ảnh riêng sau đó gọi cho đơn giản là vector riêng của ma trận hiệp phương sai được tính từ các ảnh khuôn mặt đã vector hóa trong tập huấn luyện. Nếu cho 100 ảnh, mà mỗi khuôn mặt có kích thước 91x50 thì có thể chỉ dùng 50 ảnh riêng, trong khi vẫn duy trì được một khả năng giống nhau hợp lý (giữ được 95% tính chất). Turk và Pentland áp dụng PCA để xác định và nhận dạng khuôn mặt. Tương tự, dùng PCA trên tập huấn luyện ảnh các khuôn mặt để sinh các ảnh riêng (còn gọi là eigenface) để tìm một không gian con (không gian khuôn mặt) trong không gian ảnh. Các ảnh khuôn mặt được chiếu vào không gian con này và được gom nhóm lại. Tương tự các ảnh không có khuôn mặt dùng để huấn luyện cũng được chiếu vào cùng không gian con và gom nhóm lại. Các ảnh khi chiếu vào không gian khuôn mặt thì không bị thay đổi tính chất cơ bản, trong khi chiếu các ảnh không có khuôn mặt thì xuất hiện sự khác nhau cũng không ít. Xác định sự có mặt của một khuôn mặt trong ảnh thông qua tất cả khoảng cách giữa các vị trí trong ảnh và không gian ảnh. Khoảng cách này dùng để xem xét có hay không có khuôn mặt người, kết quả khi tính toán các khoảng cách sẽ
cho ta một bản đồ về khuôn mặt. Có thể xác định được từ cực tiểu địa phương của bản đồ này. Có nhiều nghiên cứu về xác định khuôn mặt, nhận dạng, và trích đặc trưng từ ý tưởng vector riêng, phân rã, và gom nhóm. Sau đó Kim phát triển cho ảnh màu, bằng cách phân đoạn ảnh để tìm ứng để không gian tìm kiếm bớt đi.
2.5 Nhận dạng ảnh dựa trên PCA
Khuôn mặt con người có rất nhiều nét để nhận biết , nếu như ta gặp lại một người bạn sau một thời gian dài, ta có thể nhận ra ngay người đó dù những chi tiết cụ thể trên mặt có thể thay đổi như da, mái tóc . Ta nhận ra không phải vì nhớ đôi mắt , hay mũi hay môi hay tóc , lông mày người đó mà ta nhận ra vì nhớ diện mạo của người đó . Tức là trên khuôn mặt tồn tại một nét tổng thể nào đó để có thể nhận diện , thuật toán của ta bắt đầu từ ý tưởng này.
Phân tích thành phần chính (Principal Component Analysis ) gọi tắt là PCA là thuật toán nhận dạng ảnh dựa trên những nét tổng thể của khuôn mặt , ta sẽ áp dụng thuật toán này để thực hiện hai công việc sau :
Thứ nhất là tìm một khuôn mặt giống với khuôn mặt cho trước
Thứ hai là xác định vị trí những khuôn mặt người trong một bức ảnh .
Ban đầu ta có một tập ảnh khuôn mặt gọi là tập ảnh huấn luyện (training set) . Giả sử mỗi ảnh có kích thước M×N , ta coi mỗi bức ảnh này là một vector trong không gian M*N chiều . Bây giờ mỗi khuôn mặt là một vector , ta thấy những vector này không phân bố ngẫu nhiên trong không gian ảnh mà phân bố theo một quy luật tương đối nào đó , ta có thể nói những vector này nằm trong một không gian con gọi là không gian khuôn mặt . Từ những vector trong tập huấn luyện , ta sẽ tìm một cơ sở trực chuẩn cho không gian khuôn mặt . Những vector thuộc cơ sở này có thể coi là những vector mang những nét tổng thể đặc trưng về khuôn mặt .
Giả sử tập huấn luyện có P ảnh , khi đó ta sẽ có P vector : , , … , .
Tính vector ảnh trung bình : m = .
Sự khác biệt giữa những khuôn mặt với ảnh trung bình là những vector :
, i=1…P
Ý tưởng của việc phân tích thành phần chính là tìm một tập những vector trực chuẩn sao cho những vector này mô tả tốt nhất sự phân bố những vector khuôn mặt trong không gian . Những vector được chọn sao cho :
lớn nhất .
Những vector và giá trị vô hướng chính là những vector riêng và trị riêng tương ứng của ma trận .
là tích vô hướng giữa hai vector u , v . A=[]
Ta thấy ma trận A có kích thước M*N × P , còn ma trận có kích thước M*N×M*N , do kích thước ma trận này quá lớn nên ta không thể tìm được những vector riêng và những trị riêng trực tiếp được , thay vào đó ta sẽ tìm những vector riêng của ma trận có kích thước P×P .
Nếu v là một vector riêng của và λ là trị riêng tương ứng , khi đó ta có :
v = λv ó v = λAv , tức là Av là một trị riêng của ma trận .
Thông thường ta chỉ lấy một số Q vector riêng ứng với Q trị riêng có giá trị lớn nhất .
Sau khi có các vector riêng của ma trận , ta sẽ chuẩn hóa chúng để thu được một cơ sở trực chuẩn của không gian khuôn mặt .
Đặt L= , tìm V là tập hợp các vector riêng của L , D là tập hợp các trị riêng tương ứng .
V bao gồm Q vector riêng ứng với những trị riêng lớn hơn một giá trị nào đó hay ứng với Q trị riêng lớn nhất trong D .
E = AV là tập các vector riêng của . Do đây là những vector riêng , mà nó lại có dạng khuôn mặt nên còn đuợc gọi là Eigenfaces . E là ma trận M*N×Q , mỗi cột là một vector riêng .
Chuẩn hóa các vector cột trong E ( chia mỗi vector cho độ dài của vector đó ) .
Bây giờ , ta có thể coi E là một cơ sở trực chuẩn của không gian khuôn mặt .
Với H là bức ảnh có cùng kích thước với những bức ảnh trong tập huấn luyện . Ta sẽ xét nó có phải là bức ảnh khuôn mặt hay không , cũng như tìm bức ảnh giống với nó nhất trong tập huấn luyện .
H được xem là một vector trong không gian M*N chiều .
Đặt K=H-m với m là vector ảnh trung bình .
Cho V là một không gian có tích vô hướng hữu hạn chiều và W là một không gian con của V . Giả sử W có một cơ sở trực chuần là {, … , . Khi đó hình chiếu trực giao của vector u bất kỳ lên W được xác định như sau :
=
Độ dài được gọi là khoảng cách từ u đến W .
Tập hợp , i=1,… , Q được gọi là tọa độ của trong không gian W .
Tìm C=K là tọa độ của hình chiếu của K lên không gian khuôn mặt . C là vector cột Q×1
= với = C( i , 1) ; = E( : , i ) .
Với là một cột trong ma trận A ( tương ứng với bức ảnh trong tập huấn luyện ) . Ta tính
= là tọa độ của hình chiếu của lên không gian khuôn mặt .
Ta tính hai đại lượng sau :
s = xem như khoảng cách từ bức ảnh H đến không gian mặt
= xem như khoảng cách từ H đến bức ảnh trong tập huấn luyện
Xét α và β là hai ngưỡng nào đó .
s < α thì H là bức ảnh khuôn mặt ( do H đủ gần với không gian mặt )
β thì là bức ảnh của cùng một người với H . ( H đủ gần với )
Vậy là ta đã có thể tìm bức ảnh trong tập huấn luyện giống với bức ảnh H hay xác định đó có phải là bức ảnh khuôn mặt hay không .
Do Drive thay đổi chính sách, nên một số link cũ yêu cầu duyệt download. các bạn chỉ cần làm theo hướng dẫn.
Password giải nén nếu cần: ket-noi.com | Bấm trực tiếp vào Link để tải:
Bạn tải tại đây nhé
You must be registered for see links
pass giải nén ketnooi.com