Các phương pháp nhận diện khuôn mặt

1. Neural Networks
- Phương pháp nhận diện khuôn mặt CCN là một phương pháp nhận diện khuôn mặt
dựa trên mạng nơ- ron tích chập ( CNN) . Phương pháp này sử dụng mạng nơ- ron
tích chập để học các đặc điểm của khuôn mặt.
- Mạng nơ-ron tích chập là một loại mạng nơ-ron nhân tạo được sử dụng để phân tích
dữ liệu hình ảnh. Mạng nơ-ron tích chập hoạt động bằng cách sử dụng các bộ lọc tích
chập để tìm các đặc điểm cục bộ trong dữ liệu hình ảnh
- Trong phương pháp nhận diện khuôn mặt CCN , mạng nơ-ron tích chập được sử dụng
để học các đặc điểm của khuôn mặt. Các đặc điểm này bao gồm các đặc điểm cơ bản ,
chẳng hạn như mắt, mũi , miệng … và các đặc điểm phức tạp hơn , chẳng hạn như
khoảng cách giữa các điểm trên khuôn mặt
- Sau khi mạng nơ - ron tích chập đã học được các đặc điểm của khuôn mặt , nó có thể
được sử dụng để nhận dạng khuôn mặt trong các hình ảnh hoặc video mới .
- Các bước của phương pháp nhận diện khuôn mặt CNN:
1. Thu thập dữ liệu : Dự liệu cần thi thập bao gồm các hình ảnh hoặc video của
khuôn mặt người . Dữ liệu này được chia thành 2 tập : Tập huấn luyện và tập
kiểm tra
2. Xử lý dữ liệu :Dữ liệu được xử lý để loại bỏ các nhiễu và làm cho dữ liệu phù
hợp với mạng nơ-ron tích chập
3. Huấn luyện mạng nơ-ron tích chập : Mạng nơ-ron tích chập được huấn luyện
bằng cách sử dụng tập huấn luyện
4. Thử nghiệm mạng nơ-ron tích chập: Mạng nơ ron tích chập được thử nghiệm
trên tập kiểm tra để đánh giá đọ chính xác của mạng.
5. Sử dụng mạng nơ-ron tích chập để nhận dạng khuôn mặt : Mạng nơ ron tích
chập được sử dụng để nhận diện khuôn mặt trong các hình ảnh hoặc video
mới.
● Ưu điểm của phương phpas CCN nhận diện khuôn mặt
- Độ chính xác cao : Phương pháp CNN có thể đạt độ chính xác cao trong việc
nhận diện khuôn mặt
- Khả năng học hỏi tốt : Phương pháp CCN có thể học được các đặc điểm của
khuôn mặt trong điều kiện môi trường khó khăn
- Khả năng mở rộng tốt : Phương pháp CCN có thể được mở rộng để nhận dạng
khuôn mặt trong các ứng dụng mới.
● Nhược điểm
- Yêu cầu nhiều dữ liệu huấn luyện
- Mất nhiều thời gian huấn luyện

2. SVM
3. Template matching
- Phương pháp template matching là một phương pháp nhận diện khuôn mặt dựa trên
hình học . Phương pháp này sử dụng một ảnh mẫu (template) của khuôn mặt cần nhận
dạng để tìm kiếm khuôn mặt đó trong một ảnh hoặc video .
 - Cách thức hoạt động :
1. Chuẩn bị ảnh mẫu : Ảnh được chuẩn vị bằng cách cắt ra một vùng ảnh chứa
khuôn mặt cần nhận dạng
2. Trượt ảnh mẫu trên ảnh đầu vào : Ảnh mẫu được trượt trên ảnh đầu vào theo
các bước nhỏ
3. So sánh ảnh mẫu với các vùng ảnh đầu vào : Tại mỗi vị trí trượt , ảnh mẫu
được so sánh với vùng ảnh trong ảnh đầu vào .
4. Xác định vị trí trượt khớp : Vị trí trượt khớp là vị trí mà ảnh mẫu có sự tương
đồng cao nhất với vùng ảnh trong ảnh đầu vào
● Ưu điểm :
- Đơn giản và dễ thực hiện
- Sử dụng để nhận dạng khuôn mặt đơn giản
● Nhược điểm :
- Độ chính xác của phương pháp phụ thuộc vào tương đồng giữa ảnh mẫu và
khuôn mặt cần nhân dạng
- Không thể nhận dạng các khuôn mặt có kích thước nhỏ hoặc biến dạng

4. MRC.
● Tìm kiếm và phân tách vùng
1, Tìm kiếm vùng
- Sau khi chúng ta có một mặt nạ hiển thị các khuôn mặt tiềm năng , chúng ta
cần chia mặt nạ này thành các vùng mà có thể được tìm kiếm khuôn mặt. Sau
một số bước erosion( xói mòn ) và hole-filling ( lấp đầy) lỗ rất cơ bản , hầu hết
các khuôn mặt đều được chứa gọn gàng trong 1 tập pixel liền kề duy nhất.
Những tập hợp này có thể dễ dàng được tìm thấy và gắn nhãn .
- Một số vùng liền kề chứ nhiều hơn 1 khuôn mặt , tách các vùng ra để các
thuật toán cần xuất ra câu trả lời có/ không thay vì đếm số khuôn mặt trong 1
vùng
2. Phân tách vùng
● Cơ bản các khuôn mặt có kích thước khác nhau : một số khuôn mặt lớn và khuôn mặt
bị che khuất hoặc rất nhỏ
● Sử dụng thuật toán :
1. Cuộn mặt nạ với mẫu hình đầu và cổ có kích thước lớn
2. Tìm giá trị đỉnh kết quả từ phép cuộn và trừ đi 1 phiên bản giãn nở của mẫu
khỏi vị trí của giá trị đỉnh
3. Lặp lại các bước 1 và 2 cho đến khi giá trị định giảm xuống dưới 1 ngưỡng
nhất định
4. Lặp lại các bước 1 và 3 với các mẫu đầu và cổ ngày càng nhỏ

*Cách hoạt động : Cuộn mặt nạ với 1 mẫu hình đầu và cổ có kích thước lớn . Mẫu hình này
sẽ tìm thấy khuôn mặt lớn nhất và có khả năng cao nhất trong mặt nạ. Sau đó , thuật toán trừ
đi một phiên bản giãn nở của mẫu khỏi vị trí của giá trị đỉnh . Điều này sẽ loại bỏ khuôn mặt
lớn nhất khỏi mặt nạ. Sau đó thuật toán lặp lại các bước 1 và 2 cho đến khi giá trị đỉnh giảm
xuống 1 ngưỡng nhất định. Điều này đảm bảo rằng tất cả các khuôn mặt trong mặt nạ đều
được phân tách .
Sau đó thuật toán lặp lại các bước 1 đến 3 với các mẫu hình đầu và cổ ngày càng nhỏ hơn .
Điều này đảm bảo rằng tất cả các khuôn mặt trong mặt nạ đều được phân tách bất kể kích
thước của chúng . Sau khi thuật toán hoàn tất , mỗi khuôn mặt trong mặt nạ sẽ được phân
tách thành vùng riêng của nó . Điều này sẽ giúp các thuật toán phát hiện khuôn măt nâng cao
dễ dàng tìm kiếm và nhận dạng khuôn mặt hơn.
NOTE :
Erosion ( xói mòn ) là một trong 2 toán tử cơ bản trong lĩnh vực hình thái toán học , thường
được áp dụng trong hình ảnh nhị phân tuy nhiên có mốt số phiên bản được áp dụng trên
những hình ảnh xám
01 . loại bỏ những pixel nhiễu cô lập
02.loại bỏ những pixel nhiễu xung quanh đối tượng giúp cho phần viền của đối tượng trở nên
mịn hơn
03 loại bỏ lớp viền của đối tượng giúp đối tượng trở nên nhỏ hơn và đặt những pixel viền đó
trở thành lớp nền của đối tượng