BỘ GIÁO DỤC VÀ ĐÀO TẠO
ĐẠI HỌC HUẾ
TRƯỜNG ĐẠI HỌC KHOA HỌC

TRẦN TUẤN CƯỜNG

Nghiªn cøu nhËn d¹ng diÖn m¹o
®èi t-îng sö dông ph-¬ng ph¸p PCA
kÕt hîp m« h×nh Markov Èn

CHUYÊN NGÀNH: KHOA HỌC MÁY TÍNH
MÃ SỐ: 60.48.01.01

LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH

Huế, 2015


MỤC LỤC
Lời cam đoan
Lời cảm ơn
Mục lục
Danh mục các thuật ngữ
Danh mục các từ viết tắt
Danh mục các bảng
Danh mục các hình vẽ và đồ thị
MỞ ĐẦU ................................................................................................................... 1
1. Lý do chọn đề tài .................................................................................................... 1
2. Tổng quan tài liệu ................................................................................................... 2
3. Mục tiêu nghiên cứu ............................................................................................... 3
4. Đối tượng nghiên cứu: ............................................................................................ 3

2.2.4 Trích chọn thành phần đặc trưng với PCA ..................................................... 37
2.3 Mô hình Markov ẩn ........................................................................................... 40
2.3.1 Mô hình Markov ẩn ........................................................................................ 40
2.3.2 Xác suất của chuỗi quan sát............................................................................ 41
2.3.3 Huấn luyện dữ liệu cho các mô hình HMM ................................................... 46
2.3.4 Nhận dạng đối tượng với mô hình Markov ẩn ............................................... 47
2.4 Mô hình kết hợp PCA – HMM trong nhận dạng............................................... 48
2.4.1 Giai đoạn huấn luyện hệ thống ........................................................................ 50
2.4.2 Biểu diễn dữ liệu khuôn mặt theo mô hình Markov ẩn ................................... 51
2.4.3 Các bước huấn luyện HMM để nhận dạng khuôn mặt .................................... 54
2.5 Nhận dạng khuôn mặt bằng mô hình kết hợp PCA và HMM ........................... 55
2.6 Tiểu kết chương 2 .............................................................................................. 57
Chương 3. MÔ PHỎNG PHƯƠNG PHÁP PCA KẾT HỢP HMM NHẬN DẠN
KHUÔN MẶT ................................................................................................. 58
3.1 Thu nhập bộ dữ liệu thực nghiệm ...................................................................... 58
3.2 Phân tích, thiết kế hệ thống và cài đặt chương trình .......................................... 59
3.2.1 Phân tích bài toán ............................................................................................. 59


3.2.2 Thiết kế hệ thống ............................................................................................. 60
3.2.3 Cài đặt chương trình ....................................................................................... 61
3.2.4 Yêu cầu cấu hình để chạy chương trình ......................................................... 63
3.3 Thực nghiệm, lượng hóa và đánh giá kết quả .................................................... 64
3.3.1 Phương pháp thực nghiệm, lượng hóa............................................................ 64
3.3.2 Đánh giá kết quả thực nghiệm ........................................................................ 65
3.4 Tiểu kết chương 3 .............................................................................................. 66
KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ............................................................... 67
TÀI LIỆU THAM KHẢO ........................................................................................ 68



Trung bình bình phương lỗi

Eigenvalue Decompostion

Phân tích giá trị riêng

Singular Value Decomposition

Phân tích giá trị đơn

Minimum Description Length

Mô tả chiều dài tối thiểu

Support Vector Machine

Máy vector hỗ trợ


DANH MỤC CÁC TỪ VIẾT TẮT
Chữ viết tắt

Từ nguyên gốc

2D

2-Dimensional

2.5D


EVD

Eigenvalue Decomposition

SVD

Singular Value Decomposition

MDL

Minimum Description Length

SVM

Support Vector Machine


DANH MỤC CÁC BẢNG
Tên bảng

Số hiệu
Bảng 3.1

Kết quả thực nghiệm

Trang
65


DANH MỤC CÁC HÌNH VẼ VÀ ĐỒ THỊ

1.5

Các phương pháp chiếu

13

1.6

Chiếu từng phần ứng viên để xác định khuôn mặt

13

1.7

Nhận dạng dựa vào mô hình đối tượng

16

1.8

Diện mạo đối tượng là xe hơi

17

2.1

Diện mạo xe hơi từ nhiều góc quan sát

19



2.7

Hình kiểm tra và tái tạo của nó

32

2.8

Ảnh gốc về khuôn mặt người chuyển sang eigenface

39

2.9

Mô hình Markov ẩn 3 trạng thái

41

2.10

Tính toán thủ tục tiến ở một thời điểm

42

2.11

Tính toán thủ tục lùi ở một thời điểm

43

49

2.17

Phương pháp tạo ra chuỗi các khối eigenface

50

2.18

Sơ đồ huấn luyện khuôn mặt bằng HMM

51

2.19

Ảnh khuôn mặt chuyển thành eigenface cho huấn luyện HMM

51

2.20

Tách mẫu huấn luyện HxW thành một chuỗi các khối con PxW

52

2.21

2.22



63

3.4

Cấu trúc tập tinh .xml lưu trữ kết quả huấn luyện của mô hình

64


1

MỞ ĐẦU
1. Lý do chọn đề tài
Ngành khoa học nhận dạng đang được nghiên cứu rộng rãi, các hệ thống nhận
dạng ngày càng có nhiều ứng dụng thực tiễn quan trọng trong cuộc sống. Nhờ các hệ
thống nhận dạng thông minh, con người giảm được khối lượng công việc đáng kể cũng
như tăng sự chính xác trong việc đưa ra các quyết định liên quan đến xử lý nhận dạng
trên nhiều lĩnh vực: quốc phòng, an ninh, kỹ nghệ hóa sinh, giải phẫu học, hệ thống
giám sát, quản lý… Vì vậy, việc xử lý nhanh nhận dạng chính xác một đối tượng cụ
thể luôn nhận được sự quan tâm lớn của các nhà nghiên cứu khoa học trong lĩnh vực
nhận dạng và thị giác máy tính hiện nay.
Trên thực tế đã có nhiều phương pháp nhận dạng theo những hướng tiếp cận
khác nhau như hướng tiếp cận dựa trên tri thức, hướng tiếp cận dựa trên đặc trưng bất
biến, hướng tiếp cận dựa trên so khớp mẫu, hướng tiếp cận dựa trên diện mạo… Trong
đó, nhận dạng dựa vào diện mạo đối tượng chính là phương pháp tìm sự liên hệ giữa
những hình ảnh được huấn luyện của một đối tượng và sử dụng mối quan hệ này cho
sự phân lớp một bộ mẫu thử mới. Điều kiện tiên quyết cho sự nhận dạng tốt là những
hình ảnh thử phải liên quan đến những hình ảnh huấn luyện. Hình thử phải rất giống
với các dữ liệu huấn luyện, được nhận dạng và phân loại một cách chính xác. Hình ảnh

mẫu và mẫu ở đây là các diện mạo của đối tượng.
Trong thời gian qua đã có nhiều nghiên cứu thành công về nhận dạng đối tượng
dựa trên phương pháp nhận dạng dựa vào diện mạo đối tượng theo những hướng tiếp
cận khác nhau. Năm 1989, nghiên cứu về nhận dạng hình ảnh sử dụng diện mạo cục
bộ được giới thiệu vởi de Verdiere và Crowwley. Một họ các hướng tiếp cận sử dụng
phương pháp biểu diễn biểu đồ kết hợp toàn phần như: (Swain và Ballard, 1990) đề
xuất đại diện cho một đối tượng bằng một biểu đồ màu, cách tiếp cận này được cải tiến
bởi (Healey và Slater, 1994) để khai thác điều kiện chiếu sáng không đổi. Khái niệm
biểu đồ kết hợp được tổng quát hóa bởi (Schiele, 2000). Nổi bật là một lớp các phương
pháp nhận dạng dựa vào diện mạo đối tượng dựa trên máy vector hỗ trợ (SVM) được
nghiên cứu bởi (Pontil và Verri, 2000), (Roobaert, 2001), (Barla, 2002). Hướng tiếp
cận dựa trên kích thước đo lường giống nhau giữa các hình dạng cũng được
(Hagedoorn, 2000), (Cyr và Kimia, 2001), (Belongie và các cộng sự, 2002) nghiên


3

cứu. Trong đó, Cyr và Kimia đề xuất cách đo khoảng cách được hoạch định và phân
đoạn cho hình khối của đối tượng 3D. Phương pháp tiếp cận đặc trưng cục bộ và đặc
trưng toàn cục diện mạo được Perter M. Roth và Martin Winter giới thiệu [4].
Cách tiếp cận dựa trên diện mạo được sử dụng chủ yếu trong huấn luyện được
T.E. Boult, R.S. Blum, S.K. Nayar, P.K. Allen, J.R. Kender cùng nghiên cứu năm
1988 và tiếp tục phát triển cho đến nay, ở đó các đối tượng được mô hình hóa như là
một tập hợp các điểm. Thông thường một tập hợp các tính chất đặc trưng được trích
chọn và phù hợp với các mô hình đối tượng được lưu trữ trong cơ sở dữ liệu. Ở đây, ta
sử dụng phương pháp chuyển đổi Karhunen – Loeve còn gọi là phương pháp phân tích
thành phần chính PCA (Principal Component Analysis) [1,3,4]. Dựa vào các trích
chọn đặc trưng dùng mô hình Markov ẩn (HMM) [1,2,5,6] để xây dựng các mô hình
huấn luyện mẫu và các thuật toán suy diễn để hệ thống có thể ra quyết định và nhận
dạng một cách tốt hơn.

ưu trên mô hình và thuật toán nhận dạng với mô hình Markov ẩn
- Mô hình markov ẩn kết hợp với PCA cho bài toán nhận dạng đối tượng dựa vào
diện mạo
- Đối tượng bao gồm: mặt người trong ảnh, đồ vật…
7. Cấu trúc và nội dung luận văn:
Luận văn có ba phần chính:
- Phần mở đầu: Trình bày lý do chọn đề tài, tổng quan tài liệu, mục tiêu, đối tượng
nghiên cứu, phương pháp nghiên cứu, phạm vi nghiên cứu, cấu trúc và nội dung
luận văn.
- Phần nội dung: gồm 3 chương
Chương 1: Tổng quan về Lý thuyết nhận dạng
Tổng quan về lý thuyết nhận dạng và tổng quan về nhận dạng dựa vào diện mạo
đối tượng. Cung cấp cái nhìn tổng quát về các vấn đề cơ bản, hệ thống nhận dạng đối
tượng, vai trò ý nghĩa mỗi giai đoạn của hệ thống nhận dạng, các thành phần và kiến
trúc của hệ thống nhận dạng.
Chương 2: Nhận dạng diện mạo đối tượng sử dụng phương pháp PCA kết hợp
mô hình Markov ẩn


5

Trình bày các nội dung chính của luận văn: Cơ sở lý thuyết, các mô hình toán
học của phương pháp phân tích thành các thành phần chính (PCA). Trình bày lý thuyết
mô hình Markov ẩn kết hợp với PCA trong việc kết hợp các ưu điểm của hai phương
pháp này trong huấn luyện mẫu và phân lớp dữ liệu. Trong chương 2 cũng trình bày
phương pháp biểu diễn, tiền xử lý dữ liệu và một số thuật toán chính: thuật toán trích
chọn đặc trưng PCA, mô hình Markov ẩn, thuật toán nhận dạng. Thuật toán huấn
luyện mẫu dựa trên HMM với PCA, thuật toán nhận dạng HMM.
Chương 3: Mô phỏng phương pháp PCA kết hợp HMM cho bài toán nhận
dạng khuôn mặt



7

1.2 Nhận dạng đối tượng và những khó khăn
1.2.1 Nhận dạng đối tượng
Bài toán nhận dạng đối tượng cần xác định hai vấn đề chính: dùng thông tin nào
để nhận dạng: tập ảnh mẫu về diện mạo của đối tượng, ánh sáng phân bổ trên bề mặt,
mô hình đối tượng,… hay phải kết hợp các thông tin trên. Điều đặc biệt là dùng
phương pháp nào để huấn luyện cho máy nhận dạng dùng nguồn thông tin đó.
1.2.2 Những khó khăn của nhận dạng đối tượng
Những biến đổi quá lớn giữa các ảnh khác nhau của đối tượng từ một đối tượng
cần nhận dạng gồm hình dạng, trạng thái trên bề mặt, ánh sáng phản chiếu trên bề mặt
hay nói cách khác là diện mạo đối tượng và vị trí khác nhau của đối tượng đó. Sự biến
đổi về kích thước và hình dạng đối tượng giữa trước và sau khi thu nhập mẫu, sự che
khuất không gian, sự thay đổi cường độ sáng, đối tượng cần nhận dạng tương tự với
nền ảnh hay sự biến đổi bên trong một lớp là những nguyên nhân chính dẫn đến sự
thiếu chính xác trong nhận dạng.
Ngoài ra, giới hạn về số ảnh mẫu cần thiết cho việc nhận dạng, tập huấn luyện không
thể nào bao quát được hết tất cả các biến đổi có thể có trên diện mạo của một đối
tượng nhận dạng trong thế giới thực.
1.3 Các ứng dụng hiện nay liên quan đến nhận dạng đối tượng
- Nhận dạng đối tượng có phải là tội phạm truy nã hay không? Nhận dạng đối tượng
có phải là những vũ khí nguy hiểm cần cảnh báo ở các nơi công cộng hay không ?
Giúp cơ quan an ninh quản lý tốt con người. Công việc nhận dạng có thể ở trong
môi trường bình thường cũng như trong bóng tối (sử dụng các thiết bị cảm biến
hồng ngoại như camera hồng ngoại…).
- Nhận dạng các sản phẩm đặc trưng một cách thông minh ở các cửa hàng, siêu thị…,
giúp sự phân loại đồ vật một cách nhanh chóng và chính xác.
- Thẻ căn cước, chứng minh nhân dân (Face Indentification.)

hiệu giọng nói, chuỗi AND,…
- Nhận dạng đối tượng: là quá trình từ thông tin quan sát, cảm nhận (thu nhận số liệu)
cho đến khi nhận biết được tên gọi của đối tượng (gán cho đối tượng một tên gọi).
- Không gian biểu diễn đối tượng: tập hợp tất cả các biểu diễn, miêu tả đối tượng
quan sát.
- Không gian diễn dịch: tập hợp tất cả tên gọi của đối tượng.
- Lớp đối tượng (class): tập hợp các đối tượng cùng chung thuộc tính


9

- Sự phân lớp (Classification): quá trình tiến hành phân loại các đối tượng về các lớp
(nhận dạng)
1.5 Mô hình hóa bài toán nhận dạng đối tượng:
Nhận dạng đối tượng là một kiểu nhận dạng trực quan. Ở đây, diện mạo của đối
tượng được xem là một đối tượng ba chiều với sự thay đổi của ánh sáng, các góc quan
sát, tư thế cảm xúc… sẽ được xác định dựa trên ảnh hai chiều của nó.
Không gian biểu diễn đối tượng: Các đối tượng khi quan sát hay thu nhập được,
thường được biểu diễn bởi tập các đặc trưng hay đặc tính. Người ta thường phân các
loại đặc trưng này theo các loại như: đặc trưng tô pô, đặc trưng hình học và đặc trưng
chức năng. Việc biểu diễn ảnh theo đặc trưng là phụ thuộc vào ứng dụng tiếp theo.
Ở đây ta đưa ra một cách hình thức việc biểu diễn các đối tượng. Giả sử đối tượng X
(ảnh, chữ viết, dấu vân tay, diện mạo đồ vật,…) được biểu diễn bởi n thành phần (n
đặc trưng): X={x1, x2,…, xn}, mỗi xi biểu diễn một đặc tính. Không gian biểu diễn đối
tượng thường gọi tắc là không gian đối tượng χ được định nghĩa:
χ = {X1, X1,… ,Xm}
trong đó Xi biểu diễn một đối tượng. Không gian này có thể là vô hạn. Để tiện xem
xét chúng ta chỉ xét tập χ là hữu hạn.
Không gian diễn dịch: Không gian diễn dịch là tập các tên gọi của đối tượng.
Kết thúc quá trình nhận dạng ta xác định được tên gọi cho các đối tượng trong tập

thiết bị cảm biến)

Giải thuật

Đánh giá
kết quả

Trả lời kết quả

Quá trình học và
ra quyết định

Đầu ra
Hình 1.2 . Sơ đồ tổng quát của hệ thống nhận dạng

1.6 . Các phương pháp nhận dạng đối tượng được sử dụng hiện nay
Có nhiều nghiên cứu tìm phương pháp xác định và nhận dạng đối tượng. Luận
văn sẽ trình bày một cách tổng quát nhất những hướng giải quyết chính cho bài toán, từ
những hướng chính này nhiều tác giả thay đổi một số ý nhỏ bên trong để có kết quả mới.
Dựa vào tính chất của các phương pháp nhận dạng đối tượng trên ảnh. Các
phương pháp này được chia làm năm hướng tiếp cận chính. Ngoài năm hướng này,
nhiều nghiên cứu có một hướng tiếp cận mà có liên quan nhiều hơn một hướng chính
thức:
- Hướng tiếp cận dựa trên tri thức: Mã hóa các hiểu biết của con người về các đối
tượng thành các luật, thông thường các luật mô tả quan hệ của các đặc trưng.
- Hướng tiếp cận dựa trên đặc trưng không đổi: Mục tiêu các thuật toán là đi tìm
các đặc trưng mô tả cấu trúc đối tượng mà các đặc trưng này sẽ không thay đổi khi
tư thế của đối tượng, vị trí đặc thiết bị thu hình hoặc điều kiện ánh sáng thay đổi.
- Hướng tiếp cận dựa trên so khớp mẫu: Dùng các mẫu chuẩn của đối tượng (các
mẫu này được chọn lựa và lưu trữ) để mô tả cho đối tượng hay các đặc trưng của

thì khi xác định có thể xác định thiếu các đối tượng có trong ảnh, vì những đối tượng
này không thể thỏa mãn tất cả các luật đưa ra. Nhưng các luật tổng quát quá thì có thể
chúng ta sẽ xác định lầm một vùng nào đó không phải là đối tượng cần định danh mà
lại được xác định là đối tượng cần định danh. Và cũng khó khăn mở rộng yêu cầu từ
bài toán để xác định diện mạo các đối tượng có nhiều tư thế khác nhau.

Hình 1.3. Độ phân giải của ảnh


12

(a) Ảnh ban đầu có độ phân giải n=1.
(b), (c), và (d) Ảnh có độ phân giải n=4, 8, và 16.

Hình 1.4. Một lọai tri trức của nghiên cứu phân tích trên khuôn mặt.
Yang và Huang dùng một phương thức theo hướng tiếp cận này để xác định các
diện mạo đối tượng. Hệ thống của hai tác giả này bao gồm ba mức luật. Ở mức cao
nhất, dùng một khung cửa sổ quét trên ảnh và thông qua một tập luật để tìm các ứng
viên có thể là đối tượng cần định danh. Ở mức kế tiếp, hai ông dùng một tập luật để
mô tả tổng quát diện mạo đối tượng. Còn ở mức cuối cùng lại dùng một tập luật khác
để xem xét ở mức chi tiết các đặc trưng của diện mạo.
Kotropoulos và Pitas đưa một phương pháp tương tự dùng trên độ phân giải
thấp. Hai ông dùng phương pháp chiếu để xác định các đặc trưng diện mạo, Kanade đã
thành công với phương pháp chiếu để xác định biên của vùng chứa đối tượng. Với
I(x,y) là giá trị xám của một điểm trong ảnh có kích thước mxn ở tại vị trí (x,y), các
hàm để chiếu ảnh theo phương ngang và thẳng đứng được định nghĩa như sau:
n

HI(x) = ∑


cường độ phân phối và sự khác nhau) của các vùng trên khuôn mặt.
Fan phân đoạn ảnh màu để tìm cạnh thông qua thuật toán tăng vùng để xác định
các ứng viên. Dùng đặc tính các hình trong tập huấn luyện của diện mạo đối tượng để
xác định ứng viên nào là đối tượng cần phải định danh. Tỷ lệ chính xác khoảng 8794%. Phương pháp chỉ xử lý cho các khung ảnh chỉ có một đối tượng và ảnh này phải
chụp trực diện lấy các phần đặc trưng nhất.
Sahbi và Boujemaa sử dụng mạng neural học để ước lượng các tham số cho mô
hình Gauss, mục đích để tìm ứng viên trên sắc màu bề mắt đối tượng. Sau khi có ứng
viên, hai ông chiếu lên hai trục: đứng và ngang để xác định đối tượng.


14

1.6.2 Hướng tiếp cận dựa trên đặc trưng không đổi
Đây là hướng tiếp cận theo kiểu bottom-up. Các tác giả cố gắng tìm các đặc
trưng không thay đổi của diện mạo đối tượng để xác định đối tượng. Dựa trên nhận xét
thực tế, con người dễ dàng nhận biết các diện mạo và các đối tượng trong các tư thế
khác nhau và điều kiện ánh sáng khác nhau, thì phải tồn tại các thuộc tính hay đặc
trưng không thay đổi. Có nhiều nghiên cứu đầu tiên xác định các đặc trưng diện mạo
rồi chỉ ra có khuôn mặt trong ảnh hay không. Các đặc trưng như các góc, cạnh, chỗ lồi
lõm, đường viền phân chia các đối tượng khác nhau trên ảnh, các vùng có sự phân bổ
độ sáng khác nhau được trích bằng phương pháp xác định cạnh. Trên cơ sở các đặc
trưng này, xây dựng một mô hình thống kê để mô tả quan hệ của các đặc trưng này và
xác định sự tồn tại của diện mạo đối tượng cần định danh trong ảnh. Một vấn đề của
các thuật toán theo hướng tiếp cân đặc trưng cần phải điều chỉnh cho phù hợp điều
kiện ánh sáng, nhiễu, và bị che khuất. Đôi khi bóng của đối tượng khi lấy diện mạo sẽ
tạo thêm cạnh mới, mà cạnh này lại rõ hơn cạnh thật sự của đối tượng, vì thế nếu dùng
cạnh để xác định sẽ gặp khó khăn.
1.6.3 Hướng tiếp cận dựa trên so khớp mẫu
Trong so khớp mẫu, các mẫu chuẩn của diện mạo đối tượng (thường là diện
mạo được chụp thẳng) sẽ được xác định trước hoặc xác định các tham số thông qua

chiếu tới một mô hình thống kê của những gì được mong đợi tại thời điểm đó. Kỹ
thuật này được sử dụng rộng rãi để phân tích hình ảnh của các đối tượng là khuôn mặt
người, cớ khí lắp ráp, hình ảnh y tế (2D, 2.5D và 3D).
Hướng tiếp cận dựa vào mô hình đối tượng để nhận dạng đối tượng là dựa vào
mỗi đối tượng hoặc cấu trúc của hình ảnh được biểu hiện thông qua một tập các điểm.
Các điểm có thể được biểu hiện trên ranh giới, chức năng bên trong hoặc bên ngoài
như trung tâm của vùng lõm biên. Các điểm là trong cùng một cách mỗi bộ huấn luyện
của đối tượng mẫu. Điều này được thực hiện thông qua các công cụ hỗ trợ người dùng.
Thiết lập các điểm là sắp xếp tự động để giảm thiểu sai trong khoảng cách giữa các
điểm tương đương. Bẳng cách kiểm tra các số liệu thống kê của các vị trí các điểm có
nhãn là “mô hình phân bố điểm” có nguồn gốc. Mô hình cho các vị trí trung bình của
điểm và có một tham số điều khiển mô hình chính của sự thay đổi hàng trong quá trình
huấn luyện.
Do đó, một mô hình và hình ảnh chứa các mẫu của mô hình đối tượng, phân
tích hình ảnh bao gồm chọn giá trị của tham số để tìm ra mô hình thích hợp với hình
ảnh nhất. Hướng tiếp cận giải quyết một điều rất khó khăn ban đầu là đoán các hình
dạng tốt nhất, định hướng, trạng thái và vị trí được lọc bằng cách so sánh các mẫu mô
hình giả thuyết với dữ liệu hình ảnh và các thức sử dụng khác nhau giữa mô hình và
hình ảnh bị méo mó về hình dạng.


16

Hình 1.7. Nhận dạng dựa vào mô hình đối tượng
1.6.5 Hướng tiếp cận dựa trên diện mạo
Trái ngược với các phương pháp so khớp mẫu với các mẫu đã được định nghĩa
trước bởi những chuyên gia, các mẫu trong hướng tiếp cận này được học từ các ảnh
mẫu. Một các tổng quát, các phương pháp theo hướng tiếp cận này áp dụng các kỹ
thuật theo hướng xác suất thống kê và máy học để tìm những đặc tính liên quan của
đối tượng và không phải là đối tượng. Các đặc tính đã được học ở trong hình thái các