đại học quốc gia hà nội
khoa công nghệ
Vũ Đình Hoàng
Nhận dạng ảnh mặt ngời
trong điều kiện ánh sáng thay đổiNgành: Công nghệ thông tin Cán bộ hớng dẫn: TS. Hà Quang Thụy
TS. Nguyễn Thanh Tùng

Hà nội 20021
Mục lục
lời nói đầu 3
chơng 1. Tổng quan về nhận dạng ảnh mặt ngời 5
1.1 Bài toán nhận dạng ảnh mặt ngời 5
1.1.1 Bài toán và các yêu cầu nhận dạng 5

KÕt luËn 39
Tµi liÖu tham kh¶o 40 3
lời nói đầu
Nhận dạng mặt ngời bằng mắt là một phơng thức thông dụng rất hiệu quả và đạt
độ chính xác cao ngay cả trong trờng hợp có các thay đổi lớn bởi các tác nhân kích thích
trực quan do các điều kiện quan sát, diễn cảm, lão hóa và các tiêu khiển nh kính hoặc các
thay đổi kiểu tóc. Tuy nhiên việc xây dựng các hệ thống tự động thực hiện nhiệm vụ nhận
dạng này thông qua ảnh là rất khó khăn vì gặp phải các biến đổi quan trọng trong quá trình
định dạng ảnh.
Dới đây là một số bài toán có liên quan tới nhận dạng mặt ngời:
- Phát hiện đờng biên của mặt ngời trong một ảnh chụp toàn cảnh nào đó (tách
ảnh mặt ngời),
- Xác định ngời qua ảnh đã đợc tách nhờ đối sánh ảnh với ảnh của một tập hợp
ngời đã đợc quản lý nào đó (định danh ảnh),
- Phân tích các diễn cảm của mặt để biết đợc tình trạng của ngời trong ảnh tại
thời điểm chụp ảnh
Nhận dạng mặt ngời tự động là một công việc khó khăn bởi vì khả năng thay đổi
vốn có của quá trình định dạng ảnh trong giới hạn về chất lợng ảnh và trắc quang, hình
học, che lấp, thay đổi, và cải trang. Ngày nay tất cả các hệ thống nhận dạng mặt tự động
đang sử dụng chỉ có thể thực hiện trên các cở sở dữ liệu ảnh hạn chế trong giới hạn về cỡ,
tuổi, giới tính, và/hoặc chủng tộc và tuy nhiên, nhận dạng mặt tự động đợc thừa nhận là
tốt trong các môi trờng đợc điều khiển.
Khoá luận "Nhận dạng mặt ngời trong điều kiện ánh sáng thay đổi" có nội dung
khảo sát một số phơng pháp và kỹ thuật trong lĩnh vực nhận dạng ảnh, đợc chia thành ba
chơng:
Chơng 1 "Tổng quan về nhận dạng ảnh mặt ngời" trình bày một cách tổng quan
về các nhiệm vụ của hệ thống nhận dạng mặt: Mô tả bài toán, cách giải quyết bài toán theo

5
chơng 1. Tổng quan về nhận dạng ảnh mặt ngời
Công nghệ nhận dạng ảnh đợc ứng dụng trong nhiều miền ứng dụng khác nhau và
tác động đến nhiều khía cạnh của đời sống con ngời:
- Trong công nghiệp: Nhận dạng ảnh mặt ngời tự động đợc áp dụng cho các hệ
thống bảo mật nh kiểm soát truy cập truyền thông trạm làm việc, truy cập ngân hàng.
- Trong chính phủ: Hệ thống nhận dạng mặt ngời tự động đợc dùng trong kiểm
soát xuất nhập cảnh, kiểm soát vùng biên giới và bảo mật an ninh sân bay, hải cảng. Nhận
dạng ảnh mặt ngời tự động có thể hỗ trợ cho việc xác định tội phạm đối với mục đích của
pháp lý và các kỹ thuật chống khủng bố.
- Trong y học: Nhận dạng mặt ngời tự động có thể hữu ích trong việc nghiên cứu
hệ thống thần kinh, sự phản ứng tâm lý của bệnh nhân.
Để xây dựng một hệ thống nhận dạng mặt ngời tự động, trớc hết cần xem xét các
khái niệm và bài toán liên quan trong hệ thống nói trên.
1.1 Bài toán nhận dạng ảnh mặt ngời
Trong bài toán nhận dạng ảnh mặt ngời cần quan tâm đến các yếu tố ngoại cảnh
tác động đến quá trình và quan tâm đến các cách tiếp cận để giải quyết bài toán nhận dạng
sao cho hệ thống nhận dạng là bền vững với các yếu tố tác động đến quá trình nhận dạng.
Trớc hết một số khái niệm đợc giải thích nh dới đây:
- ảnh mặt ngời: Một ảnh chụp mặt của một ngời nào đó đang có trong hệ thống,
- Lớp ảnh mặt ngời: Do ảnh chụp mặt ngời phụ thuộc vào điều kiện ngoại cảnh và
nội tâm của ngời đó khi chụp ảnh nên với mỗi một ngời, hệ thống cần có một tập hợp
ảnh mặt của cùng một ngời đó song thể hiện đ
ợc nhiều trạng thái khác nhau. Chúng ta
gọi tập hợp đó là tập ảnh mẫu của ngời đó. Khi nói đến một lớp ảnh mặt ngời là nói đến
tập ảnh mẫu của cùng một ngời.
1.1.1 bài toán và các yêu cầu nhận dạng

không gian hoạt động là quá lớn (đa quá nhiều ảnh hởng môi trờng) hoặc quá bé (đa
quá ít điều kiện môi trờng). Điều đó buộc chúng ta phải tạo ra một không gian đủ để hệ
thống có thể hoạt động. Vì vậy, con ngời thờng chọn ra những đặc trng cơ bản nhất của
môi trờng tác động vào ảnh chụp với miền giá trị hạn chế để tập hợp ảnh nắm bắt là nằm
trong thực thi các hệ thống nhận dạng ảnh. Gọi n
2
là số các đặc trng của môi trờng tác
động vào ảnh chụp.
Kết hợp một đối tợng cùng
với một điều kiện môi trờng cụ thể
thì tạo ra một ảnh của một đối tợng
đợc thể hiện thông qua một vector
n = n
1
+ n
2
thành phần, chẳng hạn
ảnh x đợc biểu diễn thông qua một
vector (x
1
, x
2
, , x
n
). Tập hợp các
vector biểu diễn ảnh nói trên đợc
gọi là không gian ảnh.
x
Hình 1.1 Mô tả không gian biểu diễn ảnh


d
{C
1
C
n
}: thuật toán nhận dạng là hàm xác định phép ánh xạ từ không
gian S
d
sang tập hợp C. Mục tiêu của bài toán nhận dạng sử dụng hàm g(x) để xác định
một kết quả quan sát đợc x S
d
có thuộc về lớp C
i
C hay không. Để thực hiện đợc
nhiệm vụ này đòi hỏi phải có thuật toán tốt nhất nào đó và thuật toán đợc xác định bằng
cách tối thiểu hàm xác suất nhận dạng sai tức là P[g(x) # C
i
] min.
Nh vậy ta nhận thấy bài toán nhận dạng bao gồm các vấn đề cần đợc giải quyết
sau đây:
- Thu đợc kết quả quan sát.
- Xác định không gian S
d
biểu diễn đối tợng.
- Xác định thuật toán nhận dạng tốt nhất.
Thông thờng từng đối tợng nhận dạng cho phép chúng ta xác định đợc không
gian S
d
sao cho các đại diện của đối tợng này khác so với các đại diện của đối tợng khác.
Tuy nhiên trong bài toán nhận dạng ảnh mặt ngời rất khó có thể biểu diễn đợc đối tợng

phân loại mẫu. Khả năng xảy ra sai số phân loại một mặt x đợc giảm tới mức tối thiểu bởi
việc gán nó tới lớp C
k
với xác suất hậu nghiệm P(C
k

x) lớn nhất, trong đó
)(
)()(
)(
xp
CPCxp
xCP
kk
k
=
(1)
p(x) là mật độ tuyệt đối, p(x

C
k
) là mật độ xác suất phụ thuộc lớp và P(C
k
) là xác
suất tiên nghiệm đối với lớp C
k
. Vì p(x) là giống nhau đối với mọi lớp nên nó không đợc
định giá để làm tăng xác suất hậu nghiệm. Do đó, một cách tiếp cận tới nhiệm vụ phân loại
là mô hình hóa các mật độ xác suất phụ thuộc lớp p(x


0
và C
1
tơng ứng với các trờng hợp danh tính đó là đúng hoặc là sai. Để làm
tăng xác suất hậu nghiệm, x sẽ đợc gán cho C
o
nếu và chỉ nếu
)(
)()(
)(
0
11
0
CP
CPCxp
CxP >
(2)
trong đó mật độ p(x

C
1
) miêu tả sự phân tán các mặt ngời khác so với danh ttính
đợc yêu cầu.
Xác định ngời trong ảnh có thuộc nhóm ngời cho trớc hay không
Đối với bài toán này có hai cách giải quyết đó là:
Cách thứ nhất
: Giải quyết nh một bài toán phân loại 2 lớp C
0
và C
1

Sự thu nhận (Acquisition): đâu là các nhân tố quan trọng trong cách thu thập thông
tin mặt ngời? 10
Sự biểu diễn (Representation): cách biểu diễn các nhân tố thu đợc trong quá trình
thu nhận các thông tin về ảnh.
Sự lập luận (Reasoning): cách mà một hệ thống nhận dạng mặt có thể làm để so
sánh các mặt ngời nhằm đạt hiệu quả nhất.
Mỗi từ các mục con dới đây trình bày chi tiết ba vấn đề đã đợc nêu trên đây.
1.2.1 Thu nhận dữ liệu
Các vấn đề quan trọng trong nhận dạng ảnh mặt ngời đợc thể hiện nh sau:
Sự thu nhận (Acquisition): đâu là các nhân tố quan trọng trong cách thu thập thông
tin mặt ngời?
Sự biểu diễn (Representation): cách biểu diễn các nhân tố thu đợc trong quá trình
thu nhận các thông tin về ảnh.
Sự lập luận (Reasoning): cách mà một hệ thống nhận dạng mặt có thể làm để so
sánh các mặt ngời nhằm đạt hiệu quả nhất.
Mỗi từ các mục con dới đây trình bày chi tiết ba vấn đề đã đợc nêu trên đây.
1.2.2 Thu nhận dữ liệu
Phần này xem xét cách mà dữ liệu gốc đợc thu nhận trớc khi các vấn đề của sự
biểu diễn đợc thực hiện. Câu hỏi đặt ra là: Có bao nhiêu kiểu ảnh mặt là cần thiết và kiểu
đó là gì?. Có bao nhiêu kiểu thay đổi sẽ đợc mô tả trong các ảnh và các kiểu đó là gì?.
Trong vấn đề về bắt giữ dữ liệu ta cần chú ý tới các vấn đề nh là xây dựng đợc cơ
sở dữ liệu ảnh, trình phát hiện mặt, phân đoạn và chuẩn hoá ảnh. Mục đích của việc xây
dựng một cơ sở dữ liệu ảnh là nhằm phục vụ cho việc phân tích thuật toán và cho việc kiểm
Đối
tợng

Phân

cầu cơ sở dữ liệu phải lu trữ đợc các thông tin quan trọng của mặt nh: mắt, mũi, mồm,
các thông tin có liên quan khác và phải loại bỏ đợc các thông tin không cần thiết. Thay
vào việc lu trữ toàn bộ ảnh mặt của ngời nào đó ta thiết lập một cơ sở dữ liệu chuẩn mà
nó chỉ lu các thông tin quan trọng của mặt ngời mà thôi. Cơ sở dữ liệu chuẩn này cho ta
hai lợi ích đó là: giúp cho hệ thống thực hiện một cách dễ dàng và giảm tối thiểu không
gian lu trữ dữ liệu. Các cơ sở dữ liệu chuẩn hay đợc dùng ngày nay đó là: ORL cơ sở
dữ liệu này đợc phát triển tại phòng thí nghiệm nghiên cứu Olivetti nớc Anh, nó thỏa
mãn các sự biến đổi nh hình dáng, ánh sáng và diễn cảm của mặt. Cơ sở dữ liệu thứ hai
đó là FERET đợc phát triển bởi phòng thí nghiệm nghiên cứu quân sự Mỹ.
Sự phân loại giữa ảnh mặt với ảnh nền là rất khó bởi vì sự đa dạng trong các lớp mặt
(nòi giống, các diễn cảm mặt, kiểu tóc, trang điểm, kính, ria mép, ). Tơng tự nh vậy
trong việc định vị các đặc điểm của mặt cũng là rất khó bởi vì mỗi một ngời có một
khuôn mặt khác nhau. Hơn nữa, có nhiều ảnh hởng khác tới ảnh nh sự chiếu sáng và
hớng chụp.
Với mặt của con ngời các thông tin quan trọng về bề mặt sẽ đ
ợc lu trữ trong cơ
sở dữ liệu. Các thông tin đó có thể là các đặc điểm cấu thành lên bề mặt con ngời nh: hai
mắt, mũi và mồm. Để thu đợc các thông tin cần thiết từ một ảnh gốc, hệ thống thực hiện
các quá trình phân đoạn ảnh thành các vùng con và mục tiêu của quá trình phân đoạn này
nhằm loại bỏ đợc các vùng thông tin không cần thiết. Trong ảnh mặt ngời, các phần
không cần thiết có ảnh hởng rất nhiều đến quá trình thu thập thông tin đó là các vùng của
tóc, ảnh nền, và các thay đổi về hình học của ảnh mặt ngời.
Dựa vào các thông tin của bề mặt và tiến hành phân đoạn ảnh mặt. Việc phân đoạn
giúp cho quá trình phát hiện mặt đợc tốt hơn tại vì ảnh nền có rất nhiều yếu tố khác tác
động trên ảnh. Do đó phải phân đợc các vùng khác nhau của ảnh, các vùng trở nên cô lập
và mỗi vùng miêu tả một số đặc trng của ảnh. Tơng ứng với các vùng có thể hình thành
nên các ảnh mặt. Tiếp sau quá trình phân đoạn ảnh là quá trình phát hiện mặt thông qua
các vùng thu đợc của quá trình phân đoạn.
các đặc trng của mặt ngời hiệu quả nhất. Các phần tử của sự biểu diễn có thể đợc tạo
nên trong nhiều cách khác nhau, và nó phụ thuộc vào nhiệm vụ mà cách tiếp cận nào là
thích hợp nhất. 13
Vấn đề quan trọng của quá trình biểu diễn dữ liệu là làm giảm kích thớc của ảnh
bằng cách loại bỏ hầu hết các thông tin không cần thiết trong ảnh gốc, làm giảm độ thô
của ảnh.
Một số cách sử dụng phổ biến hiện nay trong quá trình tách và trích đợc các điểm
đặc trng của ảnh dữ liệu nh: cách tiếp cận dựa trên đặc điểm, cách tiếp cận dựa trên
khuôn mẫu, phân tích các thành phần chính và thông qua các bộ lọc.
Cách tiếp cận dựa trên đặc điểm nhằm phát hiện và đo đạc các điểm nổi bật của bề
mặt, sử dụng khoảng cách hình học và góc giữa các đặc điểm chính của bề mặt nh là: hai
mắt, mũi, mồm và nhằm mục đích phân loại các mặt trong đó các phần tử dựa trên mối
quan hệ vị trí và các kích cỡ của chúng. Với cách tiếp cận dựa trên khuôn mẫu sử dụng
thông tin xác đáng của điểm ảnh nh là mức độ xám gốc hoặc xử lý các khía cạnh nổi bật
của dữ liệu. Khuôn mẫu có thể là toàn bộ ảnh hoặc là các vùng tơng ứng với các vị trí của
đặc điểm (vị trí của hai mắt hoặc mồm). Nói chung với cách tiếp cận này chỉ cho ta đợc
một số đặc điểm của đối tợng, nó không đủ để có thể ứng dụng trong thực tế nhng đối
với sự hiệu chỉnh hình học hoặc bộ lọc thì có thể cải tiến đợc các kết quả này.
Cách tiếp cận phân tích các thành phần chính: cách tiếp cận này có thể trích ra đợc
thông tin quan trọng nhất đợc trình bày bằng cách thống kê đối với một tập các ảnh nh
là một tập các vector riêng. Các vector riêng có thể đợc đánh giá nh là tập các điểm đặc
trng chung và định rõ đợc các đặc điểm thay đổi của ảnh trong cơ sở dữ liệu. Mỗi ảnh
đợc biểu diễn một cách chính xác qua một sự liên kết tuyến tính của những vector riêng
này. Để quyết định kích thớc của không gian mặt chúng ta dựa vào số các vector riêng.
Kỹ thuật này phân tích các đặc điểm của ảnh, thu thập các thông tin quan trọng và loại bỏ
đợc các thông tin d thừa không cần thiết cho hệ thống nhận dạng. Do đó nó có thể tìm
đ

Hệ thống so sánh hai ảnh với nhau sao cho có hiệu quả nhất, sụ phù hợp của hai ảnh
đợc tính bằng cách nh: sử dụng cách tiếp khoảng cách tiếp xúc và sử dụng các ngỡng
để đánh giá.
Trong không gian mặt hệ thống so sánh khoảng cách từ một mặt cần tìm đến một
tập hợp các mặt, kết quả là ta thu đợc tập các số đo. Nếu một trong tập các số đo thỏa
mãn yêu cầu về khoảng cách nhận dạng thì đó chính là mặt mà chúng ta cần tìm. Các
khoảng cách chuẩn đợc sử dụng: khoảng cách Euclidean hoặc khoảng cách Mahalanobits
(đối với không gian vector riêng).
Bên cạnh việc sử dụng các khoảng cách để đánh giá sự phù hợp của hai ảnh, chúng
ta còn có thể sử dụng các ngỡng để đánh giá mức độ chính xác của một số cách tiếp cận
khác. Tỷ số nhận dạng sai của các cách tiếp cận khác nhau không thể vợt quá một ngỡng
nào đó. Nếu vợt quá thì kết luận hai mặt đó không phù hợp còn ngợc lai thì hai mặt là
phù hợp và ta tiến hành đánh giá nhận dạng chúng.
1.3 hệ thống kỹ thuật nhận dạng ảnh mặt ngời
Nhận dạng ảnh mặt đã đợc nghiên cứu trong nhiều năm và đang đợc ứng dụng
trong thực tế nh là: các hệ thống bảo mật, sự xác định tội phạm và hỗ trợ các hệ thống
nhận dạng giọng nói. Nhận dạng mặt rất quan trọng đối với con ng
ời bởi vì bề mặt đóng
một vai trò lớn trong giao tiếp với cộng đồng, các biểu hiện của tình cảm, cảm xúc, suy
nghĩ và cảm nghĩ.
Hệ thống nhận dạng ảnh mặt tự động có thể đợc chia thành các phần nh: quy
trình công nghệ xử lý thông tin, các vấn đề triển khai trong thực tế và các ứng dụng điển
hình. 15
1.3.1 Qui trình công nghệ xử lý thông tin
Quy trình thiết kế một hệ thống nhận dạng ảnh mặt tự động là một quá trình xử lý
đa giai đoạn. Những giai đoạn này về cơ bản là các bớc giống nhau. Các giai đoạn có thể
đợc mô tả nh sau:

Cảm biến

Giai đoạn
cảm biến
Kết quả đo tín hiệu
Giai đoạn
tiền xử lý
Trình trích chọn thông tin
đặc trng

Sự trích
chọn đăc
trn
g
Không gian biểu diễn
Giai đoạn
phân loại
Nhóm mẫu
Xử l
ý
thôn
g

tin khung
cảnh
Hình 1.5 Quá trình nhận dạng mẫu16
Để ngăn ngừa sự loại ra các cạnh của ảnh đã tồn tại hoặc đa ra các cạnh lỗi, thao tác tiêu

thực hiện để tạo ra quá trình biểu diễn thông tin mà các thông tin là xác đáng nhất đợc
nhấn mạnh cho ứng dụng. Hai ràng buộc đáng chú ý đó là:
- Kích thớc của trình phân loại mà đợc liên kết với số liên thông trong mạng
Neural. 17
- Số tập các ví dụ đào tạo (cỡ của tập dữ liệu).
Các quyết định phải đợc đa ra để làm giảm cỡ của vector mẫu mà đợc mô tả
trong mạng Neural. Thông thờng kích thớc của các vector mẫu phụ thuộc vào miền của
quang phổ mà quá trình thu ảnh gặp phải. Kích thớc của các vector mẫu có thể đợc giảm
bằng cách sử dụng một số mối quan hệ giữa các vùng quang phổ với nhau.
Sự thay đổi sóng là một kỹ thuật phổ biến khác đợc sử dụng trong quá trình biểu
diễn ảnh, ở đó một dấu hiệu nhất thời đợc biểu diễn trong giới hạn của hàm cơ sở:

=
jk
jkjk
thCtX )()(
(3)
trong đó X(t) là chuỗi thời gian gốc, C
jk
là các hệ số sóng, h
jk
(t) là các nhân sóng, chỉ
số j là các vị trí biểu thị thời gian của nhân, và chỉ số k là sự chia của nhân. Sau đó sự thay
đổi các hệ số sóng C
jk
đợc sử dụng cho việc cung cấp dữ liệu tới mạng Neural.
1.3.3 Các ứng dụng điển hình

tra bởi phòng thí nghiệm nghiên cứu quân đội Mỹ.
Hình dới đây mô tả một cơ sở dữ liệu ảnh, trong đó các ảnh biến đổi theo các điều
kiện của ánh sáng:
Hình 1.6. Biểu diễn các ảnh theo các điều kiện thay đổi của ánh sáng 19
chơng 2. nhận dạng ảnh mặt ngời trong điều kiện ánh sáng
thay đổi
Chơng hai này phân tích các yếu tố ảnh hởng đến quá trình nhận dạng và các
cách tiếp cận để giải quyết các yếu tố ảnh hởng đó.
1.4 Phân tích các yếu tố ảnh hởng đến quá trình nhận dạng
Bất cứ một quá trình nhận dạng nào cũng chịu ảnh hởng của nhiều yếu tố không
thuận lợi tới quá trình. Các yếu tố có thể làm giảm tính chính xác của hệ thống, làm giảm
tốc độ nhận dạng, . Có thể kể đến các yếu tố dới đây:
- Môi trờng,
- Biểu diễn khía cạnh hình học của bề mặt (sự quay ảnh, co giãn, thay đổi vị trí,),
- Các sai số do hệ thống.
Các đặc trng bất động của ảnh là những yếu tố cần thiết để khắc phục đợc ảnh
hởng của những yếu tố này song tập những đặc trng bất động không đủ để trình bày ảnh
mặt ngời, vì vậy việc nghiên cứu, phân tích ảnh hởng của các yếu tố đó là quan trọng.
Trong các mục dới đây, các yếu tố ảnh hởng đến hệ thống nhận dạng ảnh tự động
đợc phân tích và một số giải pháp khắc phục đợc giới thiệu.
2.1.1. ánh sáng
Các yếu tố của môi trờng ảnh hởng tới quá trình nhận dạng mặt nh: các yếu tố
về ánh sáng, các thiết bị thu nhận ảnh và khung cảnh mà ảnh đợc thu nhận. ánh sáng làm
biến đổi mức độ xám của ảnh và cờng độ các điểm ảnh do đó nó làm cho ảnh hoàn toàn
biến đổi qua các vùng khác nhau và các yếu tố đó làm cho hệ thống nhận dạng rất khó có
thể nhận dạng ảnh một cách chính xác. Để khắc phục vấn đề đó đòi hỏi phải đa ra cho hệ
thống một số kỹ thuật để loại bỏ các hạn chế đó. ánh sáng làm thay đổi hoàn toàn các dấu

tợng
Trong môi trờng có rất nhiều yếu tố ảnh h
ởng đến quá trình nhận dạng ảnh và
quá trình đăng ký ảnh. Các yếu tố môi trờng nh: yếu tố ánh sáng, góc chụp ảnh và các
thiếp bị thu ảnh khác nhau. Ta thấy để xác định đợc tính phù hợp của hai ảnh khác nhau
không phải là dễ dàng tại vì hai ảnh tuy là của cùng một đối tợng nhng chúng lại đợc
chụp ở các thời điểm khác nhau. Do đó các điều kiện này ảnh hởng rất nhiều đến chất
lợng cũng nh ảnh hởng đến các yếu tố hình học và mức xám của ảnh. Ta có thể mô tả
cách mà so sánh hai ảnh của cùng một đối tợng nh hình sau.

21
Hình 2.1 Mô tả cách so sánh hai ảnh với nhau do các tác động của môi trờng
Tại vì hai ảnh lúc chụp khác nhau nên khi so sánh sụ phù hợp của hai ảnh đợc thực
hiện bằng cách ảnh chụp ban đầu đợc phát sinh thành tất cả các mẫu ảnh mà nó đáp ứng
đợc các tác động của môi trờng. Mỗi mẫu tơng ứng với một điều kiện của môi trờng
khác nhau. Để so sánh ảnh cần nhận dạng với ảnh ban đầu ta không thể thực hiện so sánh
hai ảnh trực tiếp mà ta tiến hành so sánh ảnh đó với tất cả các mẫu mà ảnh ban đầu phát
sinh. Sự phù hợp của ảnh này với một mẫu ảnh nào đó cho ta biết đợc sự phù hợp tơng
ứng với điều kiện môi trờng. Kết quả của việc so sánh này cho ta nhận ra đợc các yếu tố
nào của môi trờng đã tác động đến ảnh.
Việc phát sinh các mẫu mặt tơng ứng với các điều kiện của ánh sáng đợc thực

điều ki
ệ
n tác đ
ộ
n
g22
Sự thay đổi về quang học chỉnh xửa độ xám của một điểm ảnh sử dụng một hàm phi
tuyến, và có thể phụ thuộc vào vị trí của điểm ảnh. Các sự thay đổi tuyến tính không đợc
mô hình hoá nh là các quá trình chuẩn hoá lớp ảnh (cân bằng histogram) đã tồn tại để loại
bỏ những điểm không hiệu quả. Các mặt nạ ánh sáng mô tả dới đây đợc sử dụng trong
quá trình phát sinh và đăng ký mẫu mặt. Những mặt nạ này xấp xỉ với các điều kiện ánh
sáng thực và tỏ ra rất có hiệu quả đối với các ứng dụng nhận dạng mặt. Quá trình này sử
dụng 3 kiểu mặt nạ khác nhau để mô tả các thay đổi của ánh sáng nhng nó có thể dễ dàng
mở rộng ra thành nhiều mặt nạ khác nhau:
Mặt nạ 1: Hàm logarit trên các mức xám
Mục đích của việc ứng dụng mặt nạ này để thu đợc một ảnh sáng hơn từ một ảnh
gốc. Một bảng tra cứu đợc tạo thành để thực hiện nhiệm vụ này. Toàn bộ bảng đợc tính
toán nh sau:
255
)255(
)log()255log(
)log()log(
255)(
min
min
min
min

.
Kết quả của thuật toán này đợc minh hoạ nh hình sau:
Hình 2.2 Biểu diễn ảnh sáng hơn so với ảnh gốc
23
Mặt nạ 2: Hàm số mũ trên các mức xám
Mục đích của ứng dụng mặt nạ này trên các mức xám để thu đợc một ảnh tối hơn
từ một ảnh gốc. Nhiệm vụ này đợc thực hiện bằng cách tạo ra một bảng tra cứu và toàn bộ
bảng đợc tính toán nh sau:














=
1)exp(











+
=
)(
)(
1
)(
mX
mx
m
x
xf

Nếu x [0,m] Nếu x ]m,X] 24
Nếu cho một điểm p=(x,y) có mức xám là v thì chúng ta có thể tính toán giá trị xám