Võ Phúc Nguyên Tạp chí KHOA HỌC & CÔNG NGHỆ 64(02): 53 - 57
53 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên

NHẬN DẠNG ẢNH MẶT NGƢỜI SỬ DỤNG MẠNG NƠRON
Võ Phúc Nguyên

Trường Đại học Kỹ thuật Công nghiệp – ĐH Thái Nguyên

TÓM TẮT
Bài báo trình bày một phƣơng pháp mới trong việc trích chọn đặc trƣng kết hợp với mạng nơron
để nhận dạng ảnh mặt ngƣời. Hệ thống thực hiện trích chọn các đặc trƣng mặt ngƣời từ một ảnh
theo ba phƣơng pháp: phân tích thành phần chính (PCA), phân tách tuyến tính (LDA) và biến đổi
hình thái. Sau đó bài báo trình bày về mạng nơron với thuật toán học lan truyền ngƣợc để phân
loại giúp nhận dạng các đặc trƣng đã trích chọn ở trên. Khi có yêu cầu nhận dạng, ảnh đầu vào sẽ
đƣợc trích chọn đặc trƣng, các đặc trƣng sẽ đƣợc nhận dạng qua các mạng nơron đã huấn luyện.
Tín hiệu ra của từng mạng riêng biệt sẽ đƣợc so sánh với nhau để đƣa ra câu trả lời của hệ thống.
Kết quả là, bằng việc kết hợp những đặc trƣng mang tính chất thống kê và những đặc trƣng mang
tính hình thái, hệ thống đã đạt hiệu quả khá cao so với những hệ thống nhận dạng mặt ngƣời trƣớc
đây. Đặc biệt, hệ thống nhận dạng khá tốt đối với những ảnh có nhiễu.
Từ khóa: Nhận dạng ảnh mặt người, phân tích thành phần chính (PCA), phân tách tuyến tính
(LDA), biến đổi hình thái, mạng nơron.

*
GIỚI THIỆU
Hiện nay, cùng với sự pháttriển nhƣ vũ bão
của công nghệ thông tin nói chung và sự phát
triển trong lĩnh vực thị giác máy nói riêng,
các hệ thống phát hiện và nhận dạng mặt
Hiện nay, có hai hƣớng tiếp cận chính làm hạt
nhân của các kỹ thuật phân tích đặc trƣng mặt
ngƣời: hƣớng tiếp cận hình học và hƣớng tiếp
cận hình ảnh [1].
 Hướng tiếp cận hình học: sử dụng việc
ánh xạ không gian các đặc trƣng mặt ngƣời.
Mặt ngƣời đƣợc phân loại theo khoảng cách
hình học, theo đƣờng bao và theo các góc giữa
các điểm.
 Hướng tiếp cận hình ảnh: bao gồm việc
xây dựng các mẫu từ những đặc trƣng mặt
ngƣời. Mẫu của các đặc trƣng nổi bật, hoặc
thậm chí là toàn khuôn mặt đƣợc thiết lập, việc
nhận dạng đƣợc thực hiện bằng cách duyệt các
khuôn mặt rồi tìm mặt nào khớp nhất với mẫu.
Mặc dù các hệ thống nhận dạng mặt ngƣời
hiện tại đã đạt đƣợc hiệu quả khá cao, tuy
nhiên chúng vẫn còn hạn chế là chỉ tập trung
vào một hay một vài phƣơng pháp trích chọn
đặc trƣng. Có hệ thống chỉ thực hiện nhận
dạng dựa trên các đặc điểm về hình học của
Ảnh
mặt
ngƣời
Hình 1. Mô hình hệ thống nhận dạng mặt ngƣời
Trích
chọn
đặc

Ý tƣởng chính của phƣơng pháp phân tích thành
phần chính (PCA – Principal Component
Analysis) là tìm các vector biểu diễn những sự
phân bố đặc trƣng nhất của các ảnh trong toàn
bộ không gian ảnh. Những vector này hình
thành nên một không gian con của các ảnh đƣợc
gọi là “không gian mặt ngƣời” [2, 3].
Mỗi ảnh là một ma trận M×N các điểm ảnh,
ma trận này đƣợc chuyển thành một vector
bằng cách xếp các cột điểm ảnh liên tiếp
nhau. Nhƣ vậy, mỗi ảnh đƣợc coi là một điểm
trong không gian MN chiều. Các vector của
tập ảnh huấn luyện đƣợc xếp thành một ma
trận. Từ ma trận này, ta sẽ tính đƣợc ma trận
hiệp phƣơng sai của dữ liệu, là ma trận trong
đó mỗi phần tử (i, j) là giá trị hiệp phƣơng sai
giữa chiều thứ i và chiều thứ j.
Công việc tiếp theo là tính các giá trị riêng và
vector riêng của ma trận hiệp phƣơng sai. Các
vector riêng chính là các thành phần đặc trƣng
cho sự phân bố của tập dữ liệu. Cuối cùng,
ma trận biến đổi của phƣơng pháp PCA là ma
trận hình thành từ các vector riêng ứng với
các giá trị riêng lớn nhất vừa tính đƣợc, nghĩa
là các thành phần đặc trƣng nhất, còn các
thành phần kém quan trọng hơn sẽ đƣợc bỏ
qua để giảm số chiều của dữ liệu.
Trong bài báo, tập dữ liệu ảnh đƣợc lấy từ cơ
sở dữ liệu ORL (Olivetti Research
Laboratory, Surrey University). Mỗi ảnh có

cùng một ngƣời, sau đó tìm một phép biến đổi
để làm cực đại tỉ số của hai sự biến thiên trên.
Nghĩa là, tập ảnh huấn luyện sẽ đƣợc biến đổi
sang một không gian mới sao cho sự khác
nhau giữa các ảnh của những ngƣời khác
nhau đƣợc tăng lên tối đa, đồng thời cũng làm
tăng sự giống nhau giữa các ảnh của cùng một
ngƣời [3].
Thông thƣờng trong phƣơng pháp LDA, sự
phân bố ngoại và sự phân bố nội đƣợc dùng
làm tiêu chí để phân lớp [4, 5]. Ma trận biến
đổi của LDA đƣợc hình thành từ tập vector W
= [W
1
, .., W
d
], thỏa mãn:
Hình 2. Ảnh gốc trong cơ sở dữ liệu ORL
Hình 3. Ảnh sau khi biến đổi theo PCA
Võ Phúc Nguyên Tạp chí KHOA HỌC & CÔNG NGHỆ 64(02): 53 - 57
55 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
 
1maxarg
WSW
WSW
W
w

để giải quyết vấn đề trên [6, 7]. Hình 4 là một
số ảnh sau khi biến đổi theo phƣơng pháp
phân tách tuyến tính.
Phƣơng pháp biến đổi hình thái
Hai phƣơng pháp PCA và LDA cho phép
phân tích dựa trên các đặc điểm mang tính
thống kê của ảnh. Tuy nhiên, các phƣơng
pháp này chƣa xét đến những đặc điểm về
hình thái của mặt ngƣời. Đó chính là những
đặc trƣng về đƣờng nét của các bộ phận trên
khuôn mặt nhƣ mắt, mũi, miệng. Phƣơng
pháp biến đổi hình thái sẽ bổ sung cho những
thiếu sót này của hai phƣơng pháp trên.
Xử lý ảnh về hình thái là một phép xử lý trong
đó dạng không gian hoặc cấu trúc của các đối
tƣợng trong ảnh đƣợc chỉnh sửa. Phép dãn ảnh
và phép co ảnh là hai thao tác xử lý hình thái
cơ bản. Với phép dãn ảnh, một đối tƣợng sẽ
nổi đều lên trong không gian, còn với phép co
ảnh đối tƣợng sẽ co đều xuống [8, 9].
Xét một ảnh đa mức xám F(j,k) đƣợc lƣợng tử
hóa với một thang mức xám nào đó. Khi đó,
phép dãn ảnh đối với ảnh đa mức xám đƣợc
định nghĩa nhƣ sau:
 
   
 
 
 
2

đa mức xám đƣợc định nghĩa nhƣ sau:
 
   
 
 
 
3
1,1
,..,1,1
1,,,
,














kjF
kjF
kjFkjF
MINkjG


với mỗi
nơron ra o. Mục đích là phải làm cho e
o
bằng 0.
Theo quy tắc delta [10], để giảm lỗi, các trọng
số đƣợc chỉnh sửa theo
   
4
hooho
yydw 

Để có thể chỉnh sửa đƣợc trọng số từ nơron
vào đến các nơron ẩn, cần tiếp tục áp dụng
Hình 5. Ảnh sau khi biến đổi hình thái
Hình 4. Ảnh sau khi biến đổi theo LDA
Võ Phúc Nguyên Tạp chí KHOA HỌC & CÔNG NGHỆ 64(02): 53 - 57
56 Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
quy tắc delta. Mỗi nơron ẩn h nhận một

từ
mỗi nơron ra o bằng

của nơron ra đó với
trọng số là trọng số của kết nối giữa những
nơron đó
 
5

sung một ảnh ở dạng ảnh gƣơng của nó để
tăng thêm sự đa dạng cho tập ảnh huấn luyện.
Các tham số huấn luyện nhƣ số lƣợng các
vector đặc trƣng đƣợc chọn ở mỗi phƣơng
pháp, tỉ lệ học của mạng nơron, số lƣợng các
nơron ẩn của mạng là những tham số quan
trọng ảnh hƣởng lớn đến thời gian thực hiện
cũng nhƣ độ chính xác của hệ thống. Hệ
thống đã đƣợc kiểm thử nhiều lần để chọn ra
bộ tham số tối ƣu, giúp hệ thống đạt đƣợc
hiệu quả về thời gian thực hiện và độ chính
xác cao nhất có thể.
Với những tham số học đã tính, nếu chỉ sử
dụng phƣơng pháp trích chọn đặc trƣng dựa
trên những đặc điểm mang tính thống kê,
chƣơng trình chỉ đạt độ chính xác khoảng
90%. Trong khi đó, nếu kết hợp các đặc trƣng
mang tính thống kê với những đặc trƣng
mang tính hình học, chƣơng trình đã đạt độ
chính xác trên 95%.
Đặc biệt, phƣơng pháp xử lý hình thái đã bổ
sung cho phƣơng pháp trích chọn đặc trƣng
mang tính chất thống kê, chƣơng trình đã
nhận dạng rất tốt đối với những ảnh có nhiễu.
Ảnh có nhiễu ở đây là những ảnh đã đƣợc
chỉnh sửa bằng tay với những loại nhiễu nhƣ
nhiễu nhị phân, che khuất hoặc xóa bớt một
số bộ phận của khuôn mặt (hình 6).

KẾT LUẬN

Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên
[1]. W. Zhao, R. Chellappa, P. J. Phillips, A.
Rosenfeld (2003), “Face Recognition - A Literature
Survey”, ACM Computing Surveys, Vol. 35 (No. 4).
[2]. Lindsay I. Smith (2002), A Tutorial on
Principal Components Analysis, Cornell
University, USA.
[3]. />ml.
[4]. Kresimir Delac, Mislav Grgic (2007),
“PCA and LDA based Neural Networks for
Human Face Recognition”, Face Recognition,
ISBN 978-3-902613-03-5, I-Tech, Vienna,
Austria.
[5]. />minant_analysis.
[6]. />Penrose_pseudoinverse.
[7]. />ue_decomposition.
[8]. William K. Pratt (2007), Digital Image
Processing, John Wiley & Sons, Inc., Publication.
[9]. Ethan Png (2004), Morphological Shared-
Weight Neural Network for Face Recognition,
University of Manchester Institute of Science and
Technology.
[10]. Ben Kröse, Patrick van der Smagt (1996),
An introduction to Neural Networks, The
University of Amsterdam.

HUMAN FACE RECOGNITION USING NEURAL NETWORK
Vo Phuc Nguyen
Thai Nguyen University of Technology,
SUMMARY