Tuyển tập Báo cáo Hội nghị Sinh viên Nghiên cứu Khoa học lần thứ 8 Đại học Đà Nẵng năm 2012
NHẬN DẠNG KHUÔN MẶT NGƯỜI BẰNG MẠNG NƠRON VÀ PHƯƠNG
PHÁP PHÂN TÍCH THÀNH PHẦN CHÍNH
FACE RECOGNITION USING NEURAL NETWORK AND PRINCIPLE
COMPONENT ANALYSIS

SVTH: Từ Minh Hiển – Trần Thị Khánh Hòa
Lớp 07ĐT3, Khoa Điện tử Viễn thông, Trường Đại học Bách khoa, Đại học Đà Nẵng
GVHD: TS. Phạm Văn Tuấn
Khoa Điện tử Viễn thông, Trường Đại học Bách khoa, Đại học Đà Nẵng

TÓM TẮT
Nhận dạng khuôn mặt hiện nay có rất nhiều hướng nghiên cứu nhằm nâng cao hiệu suất
nhận dạng và tối ưu hóa hệ thống. Bài báo này nghiên cứu và phát triển hai hệ thống nhận dạng
khuôn mặt đơn giản theo hai phương pháp đối sánh và mạng nơron cùng dựa trên đặc trưng PCA.
Hệ thống được kiểm tra trên cơ sở dữ liệu ORL của AT&T. Kết quả thực nghiệm được phân tích
để đánh giá hiệu suất nhận dạng và tính ổn định của hai hệ thống nhận dạng trong các điều kiện
kiểm thử khác nhau. Kết quả cũng chỉ ra hiệu suất vượt trội của mạng nơron so với phương pháp
đối sánh.
ABSTRACT
Face recognition nowadays has a lot of researchs to improve recognition performance and
optimise system. In this report,we research and develop two simple face recognition systems using
template matching and neural network based on Principal Component Analysis PCA. The system
has been tested on the ORL database of AT&T. The experimental results are analysed to evaluate
recognition performance and the stability of two systems in different conditions. The results have
also examined that the performance of neural network is superior to that of the template matching.
1. Đặt vấn đề
Nhận dạng khuôn mặt người là một công nghệ được ứng dụng rộng rãi trong đời
sống hằng ngày của con người như các hệ thống giám sát, quản lý vào ra, tìm kiếm thông
tin một người nổi tiếng,…Có rất nhiều phương pháp nhận dạng khuôn mặt để nâng cao
hiệu suất tuy nhiên dù ít hay nhiều những phương pháp này đang vấp phải những thử thách

pháp PCA [5] được thực hiện theo các bước :
*Tạo một tập S gồm M ảnh (ảnh học). Mỗi ảnh có kích
thước RxC. Mỗi ảnh được chuyển thành một vector N =
RxC chiều.

}, ,,{
21 M
S 
(1)
*Tính ảnh trung bình :



M
i
i
M
1
1
(2)
*Tính sai lệch của các ảnh đầu vào so với trung bình:

ii
(3)
*Tính ma trận hiệp phương sai :

T
M
i
T

,

Ma trận L có kích thước MxM << NxN nên việc tính eigenvector sẽ nhanh chóng hơn.
*Gọi v
i
là eigenvector của L thì eigenvectơ của C là :
Mivu
M
k
kiki
,1,
1




Sau khi tìm được các eigenface, các ảnh trong tập cơ sở dữ liệu sẽ được chiếu lên
không gian các eigenface này để tạo ra vector đặc tính. Vector này có kích thước nhỏ hơn
nhiều so với kích thước ảnh nhưng vẫn mang nhiều nhất thông tin chứa trong ảnh.
Hình 1. Hệ thống nhận dạng
khuôn mặt cơ bản
HHHhh

Hình 2. Quá trình trích rút đặc trưng
Tập ảnh học
Chuẩn hóa ma trận ảnh
Trung bình các ảnh

feedback ), mạng tự tổ chức ( self-organizing
), mạng truyền thẳng (feedforward). Đề tài
này tập trung với mạng truyền thẳng đa lớp
với thuật toán lan truyền ngược ( back
propagation) các sai số [8][12].
2.2.1. Quá trình huấn luyện mạng
Quá trình huấn luyện mạng chính là quá trình
huấn luyện các mẫu học X
s
={x
1
, x
2
, …,x
n
} để giá trị ra cuối cùng T
s
={t
1
, t
2
, …,t
n
} như ta
mong muốn.
+ Quá trình truyền thẳng :
Giá trị đầu ra tại nơron j của một lớp bất kì : với (7)
Trong đó gọi là trong số liên kết từ đầu vào thứ i đến nơron j, là giá trị đầu
vào thứ i đến nơron j, m là số phần từ của lớp trước đó.
+ Quá trình lan truyền ngược các sai số :

trong 10 ảnh sẽ có 5 tư thế khác nhau tức là 2 trong 10 ảnh sẽ gần giống nhau và có 5 cặp
như vậy. Từ đặc điểm này chúng tôi phân chia ra các tập dữ liệu dùng để huấn luyện và
kiểm tra như sau:
- Tập 1: Từ 10 ảnh của 1 người, lấy 3 ảnh đưa vào tập Training và 7 ảnh đưa vào tập
Testing sao cho ảnh trong tập Test chứa tư thế chụp chưa từng xuất hiện trong tập Train (
Train 3-7 và Test 3-7 ).
- Tập 2: Ứng với 5 cặp ảnh ta lần lượt lấy 1 ảnh đưa vào tập Training và 1 ảnh đưa vào tập
Testing ( Train 5-5 và Test 5-5).Như vậy tập Testing sẽ có các bức ảnh gần giống với tập
Training.
- Tập 3: Lấy 7 ảnh đưa vào tập Training và 3 ảnh còn lại đưa vào tập Testing (Train 7-3 và
Test 7-3 ).
3.2. Kết quả thực nghiệm
3.2.1. Kết quả kiểm tra khi thay đổi các thông số mạng ( tập 3-7)
Bảng 1. Hiệu suất nhận dạng khi thay đổi số nơron trong lớp ẩn
Số nơron
120
110
100
90
80
70
60
50
40
30
Hiệu suất (%)
85.71
86.43
85.36
83.21

Số ảnh kiểm
tra
Đối sánh
Mạng nơron
Euclide
Mahalanobis
Tập 1
120
280
79.286%
80.357%
85.714%
Tập 2
200
200
87.000%
88.000%
90.500%
Tập 3
280
120
95.000%
94.167%
95.833%
Từ bảng 2 và hình 5, ta thấy rõ ràng hiệu suất nhận của mạng nơron tốt hơn hẳn so
với việc dùng phương pháp đối sánh trong cùng tập cơ sở dữ liệu. Khi dữ liệu đầu vào thay
đổi thì hiệu suất nhận dạng mạng nơron cũng ổn định hơn nhiều so với phương pháp đối
sánh. Điều này cho thấy mạng nơron rất linh hoạt, mềm dẻo khi xử lý các dữ liệu đầu vào
khác nhau.
4.Kết luận và hướng phát triển đề tài

gian thực’’, Trung tâm MICA, Trường đại học Bách Khoa Hà Nội.
[7] Volkan Akalin (2003), Face recognition using eigenfaces and neural network, The
Middle East Technical University.
[8] Tom M.Mitchell (1997), Machine Learning, McGraw-Hill Science/Engineering/Math.
[9] Howard Demuth (2002), Neural network Toolbox : For use with MATLAB.
[10] Link ORL Database : www.cam-orl.co.uk/facedatabase.html
[11] Anil K.Jain (1996), ‘‘Artifical Neural network : A tutorial’’, Proceedings of the IEEE.
[12] Kishan Mehrotra, Chilukuri K. Mohan and Sanjay Ranka (1996), Elements of Artifical
Neural Networks, Bradford.