ĐẠI HỌC QUỐC GIA THÀNH PHỐ HỒ CHÍ MINH
TRƯỜNG ĐẠI HỌC BÁCH KHOA
KHOA KHOA HỌC ỨNG DỤNG
BÁO CÁO BÀI TẬP LỚN
MÔN ĐẠI SỐ TUYẾN TÍNH
PHÂN TÍCH PCA ĐỂ NHẬN DIỆN KHUÔN MẶT
GVHD: NGUYỄN THỊ HOÀI THƯƠNG
LỚP: L01
NHÓM SỐ: 3
DANH SÁCH THÀNH VIÊN:
STT
1
2
3
4
5
6
HỌ VÀ TÊN
Dương Nguyễn Minh Huấn
Dương Bá Anh Quân
Đỗ Quốc Tưởng
Đoàn Tuấn Khang
Đoàn Ngô Phương Uyên
Đỗ Quốc Trường
Thành phố Hồ Chí Minh - 2024
MSSV
2411158
2412870
2413901
2411429
2051072
2413734
1
LỜI CẢM ƠN
Trong quá trình hoàn thiện báo cáo nhóm chúng em đã gặp không ít khó khăn bởi lần đầu còn nhiều bỡ
ngỡ nhưng nhờ có sự giúp đỡ nhiệt tình từ cô và các bạn đã giúp nhóm chúng em có thể hoàn thành báo cáo
một cách tốt nhất. Nhóm xin gửi lời tri ân và cảm ơn chân thành nhất đến cô Nguyễn Thị Hoài Thương là giảng
viên bộ môn Đại Số Tuyến Tính của Trường Đại học Bách K hoa TP.HCM cũng như là giáo viên hướng dẫn
nhóm thực hiện đề tài này. Nhờ sự tận tình, hết lòng giảng dạy và truyền đạt những lý thuyết, kiến thức quan
trọng một cách kĩ càng để chúng em có một nền tảng kiến thức vững chắc để thực hiện báo cáo. Không chỉ
vậy, cô còn gợi ý cho nhóm các bước cần thiết và quan trọng, nhờ đó nhóm đã hoàn thành báo cáo đúng tiến độ
và đúng theo yêu cầu được đưa ra.. Sự hướng dẫn của cô chính là kim chỉ nam chỉ dẫn cho nhóm chúng em
phương hướng để tìm hiểu và hoàn thành báo, giúp các thành viên trong nhóm có thể phát huy được hết khả
năng tiềm ẩn của bản than.
Lời cuối, nhóm chúng em xin một lần nữa gửi lời cảm ơn sâu sắc đến cô và mọi người
đã dành thời gian giúp đỡ, góp ý cho nhóm. Đây chính là nguồn động lực to lớn để nhóm
có thể hoàn thành và đạt được kết quả này.
Chân thành cảm ơn sự giúp đỡ của cô và mọi người rất nhiều!
2
LỜI MỞ ĐẦU
Nhận diện khuôn mặt là một trong những phương pháp quan trọng được sử dụng trong nhiều lĩnh vực như
an ninh, giáo dục, y tế, giải trí,…là ứng dụng của xử lí ảnh, sinh trắc học bằng phương pháp kĩ thuật số. Tuy
nhiên, nhận diện khuôn mặt cũng gặp nhiều thách thức như hướng ánh sáng, góc nhìn, biểu cảm, mắt kính, râu,
khẩu trang, và các yếu tố khác… Do đó, cần có những phương pháp hiệu quả để nhận dạng và so sánh các đặc
trưng của khuôn mặt. Một trong những phương pháp phổ biến nhất là phương pháp phân tích thành phần chính
PCA (Principal Component Analysis), còn được gọi là Eigenface. Phương pháp này là kỹ thuật giảm chiều dữ
liệu để biến đổi các ảnh khuôn mặt thành một không gian mới, trong đó các thành phần chính là những vector
riêng của ma trận hiệp phương sai của tập dữ liệu.
Bằng cách này, phương pháp PCA có thể giảm số lượng dữ liệu cần xử lý, đồng thời giữ lại những thông tin
quan trọng nhất về khuôn mặt. Trong báo cáo này, chúng tôi sẽ trình bày ttorng quan về lịch sử, vai trò, cơ sở
lý thuyết và cách thực hiện của phương pháp PCA trong nhận diện khuôn mặt, cũng như đánh giá hiệu suất của
nó trên một số tập dữ liệu khác nhau và những ưu, nhược điểm của nó mang lại.
Dưới đây là phần trình bài của nhóm về phương pháp này chắc chắn còn rất nhiều thiếu sót, nhưng nhóm
mong nhận được sự góp ý và nhận xét của cô và các bạn, sự đóng góp của cô và các bạn sẽ góp phần tạo nên
sự hoàn chỉnh và thành công của bài báo cáo. Và những đóng góp ấy sẽ giúp nhóm nhận ra những thiếu sót
cũng như nhưng lỗi sai mà nhóm mắc phải để khắc phục và điều chỉnh ngày càng hoàn thiện hơn.
Xin chân thành cảm ơn!
3
MỤC LỤC
LỜI CẢM ƠN .................................................................................................................................................................... 2
LỜI MỞ ĐẦU .................................................................................................................................................................... 3
PHẦN 1: TỔNG QUAN VỀ HỆ THỐNG NHẬN DIỆN KHUÔN MẶT ............................................................................................ 5
1.1. Hệ thống sinh trắc học ............................................................................................................................................... 5
1.1.1 Định nghĩa ............................................................................................................................................................. 5
1.1.2. Tổng quan lịch sử và vai trò ................................................................................................................................. 5
1.2. Hệ thống nhận diện khuôn mặt .................................................................................................................................. 6
1.2.1. Các pha trong nhận diện khuôn mặt ................................................................................................................... 6
1.2.2. Ưu điểm và Nhược điểm:..................................................................................................................................... 6
PHẦN 2: THUẬT TOÁN PCA TRONG NHẬN DIỆN KHUÔN MẶT............................................................................................... 7
2.1. Thuật toán PCA ........................................................................................................................................................... 7
2.1.1. Lịch sử ra đời:....................................................................................................................................................... 7
2.1.2. Tổng quan về phương pháp PCA.......................................................................................................................... 7
2.2.3. Ứng dụng.............................................................................................................................................................. 8
2.2.4. Cơ sở lý thuyết ..................................................................................................................................................... 8
2.2. Thuật toán PCA trong Nhận diện khuôn mặt............................................................................................................12
2.2.1. Các bước dùng PCA để Nhận diện khuôn mặt ...................................................................................................12
2.2.2. Ưu điểm và nhược điểm ....................................................................................................................................14
PHẦN 3: ỨNG DỤNG THUẬT TOÁN PCA TRONG NHẬN DIỆN KHUÔN MẶT BẰNG PYTHON ................................................14
3.1. Sơ đồ khối hoạt động của chương trình Nhận diện khuôn mặt ...............................................................................14
3.2. CODE: ........................................................................................................................................................................15
3.3. Kết quả: .....................................................................................................................................................................20
PHẦN IV: TÀI LIỆU THAM KHẢO ...........................................................................................................................................22
4
PHẦN 1: TỔNG QUAN VỀ HỆ THỐNG NHẬN DIỆN KHUÔN
MẶT
1.1. Hệ thống sinh trắc học
1.1.1 Định nghĩa
- Sinh trắc học (biometric) là một lĩnh vực nghiên cứu và ứng dụng công nghệ liên quan đến việc xác minh
danh tính và nhận dạng con người dựa trên các đặc điểm sinh học duy của họ các đặc điểm sinh học này có thể
bao gồm vân tay, giọng nói, khuôn mặt, chữ viết. Sinh trắc học được thay thế hoặc bổ sung cho các phương
pháp xác minh danh tính truyền thống như thẻ mật khẩu, thẻ thông tin hoặc mã PIN. Lĩnh vực này sử dụng các
công nghệ tiên tiến để thu thập và phân tích các đặc điểm sinh học của con người như cảm biến sinh học, hình
ảnh y học, cùng với các kỹ thuật đo lường để thu thập dữ liệu về các chỉ số sinh học, như nhịp tim, nhiệt độ cơ
thể và lưu trữ trong một cơ sở dữ liệu. Do vậy việc bảo mật sinh trắc rất thuận tiện và an toàn. Sinh trắc học
không chỉ nâng cao kiến thức của chúng ta về cơ thể còn người mà còn được ứng dụng vào nhiều lĩnh vực như
thể thao,y học, công nghiệp,…
1.1.2. Tổng quan lịch sử và vai trò
- Trong các thập kỷ trở lại đậy công nghệ đang phát triển rất nhanh và phổ cập với phần lớn người dân các
nước. Nhưng bên cạnh đó mang lại những rủi ro về quyền riêng tư, thông tin cá nhân và dữ liệu người dùng.
Thế nên đòi hỏi con người cần tìm ra một phương thức bảo mật thông tin và dữ liệu giúp xác minh danh tính
và đáng tin cậy. Sinh trắc học được tạo ra để làm lời giải cho bài toán bảo mật thông tin của con người.
1.1.2.1. Lịch sử:
Hình 1: Dấu vân tay được chụp William Herschel
- Sinh trắc học là một trong những ngành khoa học lâu đời. Khái niệm này được bắt nguồn từ tiếng Anh
“biometry” hoặc tiếng Pháp “biometrie”. Nhưng vào năm 1831 thuật ngữ này được W. Whewell sử dụng để
tìm hiểu tính quy luật về tuổi thọ của những người mà ông nghiên cứu. Đến năm 1901 sinh trắc học đã được F.
Galton gọi là Biometrika hình thành và định nghĩa.
- Vào những năm 5000 TCN ở Babylon đã xuất hiện những ghi chép sớm nhất về việc lấy dấu vân tay để nhận
dạng, dấu vân tay ở đây được sử dụng để ký tên trên các tài liệu đất sét. Tại Châu Á các thương nhân người
Trung Quốc cũng đã biết dùng dấu vân tay để chứng thực tài liệu và nhận diện con người từ hàng nghìn năm
trước Công Nguyên.
5
- Năm 1880 nhà nhân trắc học người Pháp Alphonse Bertillon phát triển hệ thống nhận diện dựa trên đo lường
các đặc điểm cơ thể, được biết đến là hệ thống Bertillon. Phát minh của Alphonse được coi là một trong những
bước đột phá đầu tiên trong sinh trắc học hiện đại. Bertillon cho rằng tỉ lệ giữa các bộ phận cơ thể của mỗi
người là khác nhau, ông đã phân ra 5 số đo chính gồm độ dài, độ rộng phần đầu, độ dài ngón tay giữa bên trái,
bàn chân trái, khoảng cách từ cùi chỏ tới đầu ngón tay giữa và 6 số đo phụ gồm chiều cao khi đứng và khi
ngồi, chiều dài tay duỗi thẳng sang ngang, đường kính gò má, độ dài tai phải, độ dài ngón út bên trái. Lý do
cho việc chọn bên trái được Alphonse cho rằng vì ít bị ảnh hưởng bởi công việc.
- Sự tiến bộ của khoa học đã làm cho việc xác minh danh tính ngày càng chính xác hơn. Không chỉ dừng lại ở
dấu vân tay và 11 thông số của Bertillon để chắc chắn hơn người được nhận dạng sẽ bị chụp ảnh chân dung
theo các quy chuẩn về ánh sáng, phông nền, khoảng cách, màu mắt, tóc và da. Khiến cho việc xác minh danh
tính trở nên chính xác gần như là tuyệt đối.
1.1.2.2. Vai trò:
- Bảo mật và xác minh danh tính: Sinh trắc học được áp dụng rộng rãi trong việc xác thực và bảo mật các
thông tin cá nhân. Công nghệ dấu vân tay, khuôn mặt và giọng nói là một trong những cách xác minh nhanh
chóng và chính xác. Các đặc điểm sinh học trên cơ thể của mỗi người là duy nhất và không thể giả mạo điều
này giúp ngăn chặn hành vi giả mạo, gian lận cũng như là tăng cường bảo mật cho các hệ thống như ngân
hàng.
- Hỗ trợ điều tra tội phạm: Cảnh sát và các cơ quan thực thi pháp luật có thể dùng dấu vân tay, 11 thông số của
Bertillon hoặc các đặc điểm sinh trắc học đặc biệt khác để có thể nhận dạng chính xác tội phạm hoặc nạn nhân
trong các vụ án.
- Ứng dụng trong y tế và chăm sóc sức khỏe: Sinh trắc học xác minh danh tính bệnh nhân một cách chính xác,
hơn thế nữa là bảo vệ quyền riêng tư của bệnh nhân. Các hệ thống này giúp bác sĩ theo dõi và chẩn đoán tình
trạng sức khỏe và điều trị cá nhân nhanh chóng và phù hợp hơn.
1.2. Hệ thống nhận diện khuôn mặt
1.2.1. Các pha trong nhận diện khuôn mặt
Hình 2: Quy trình nhận diện khuôn mặt
1.2.2. Ưu điểm và Nhược điểm:
1.2.2.1. Ưu điểm:
•
Nhận diện khuôn mặt có nhiều ưu điểm chẳng hạn như tăng cường bảo mật, tìm người mất tích, xác
minh rất nhanh và nhạy
6
•
•
Đối với các hệ thống bậc còn có thể nhận diện xuyên qua các lớp khẩu trang hay trang điểm
Có thể cùng lúc nhận diện được nhiều người
1.2.2.2. Nhược điểm:
•
•
•
Một số người sẽ cảm thấy không thoải mái khi khuôn mặt mình bị làm giả
có thể nhận dạng không chính xác và dễ dàng bị làm giả
Chi phí tốn kém
PHẦN 2: THUẬT TOÁN PCA TRONG NHẬN DIỆN KHUÔN MẶT
2.1. Thuật toán PCA
2.1.1. Lịch sử ra đời:
- Phân tích thành phần chính (Principal Component Analysis - PCA) được trình bày theo nhiều quan điểm khác
nhau. Với các nhà thống kê cổ điển thì PCA là tìm các trục chính của ellipsoid nhiều chiều bao hàm đám mây
số liệu phân phối chuẩn nhiều chiều, các trục đó được ước lượng từ một mẫu n cá thể, trên mỗi cá thể người ta
đo p chỉ tiêu. Người đầu tiên đưa ra kỹ thuật này là H.Hotelling (1933), sau đó là T.W.Anderson (1958) và
A.M.Kshirsagar (1972).
- Với các nhà nhân tố học cổ điển thì kỹ thật này là phương pháp phân tích nhân tố trong trường hợp đặc biệt,
khi các phương sai này bằng không hoặc xấp xỉ bằng không. Phương pháp này thường được sử dụng trong
phân tích tâm lý, do Horst (1965) và Harman (1966) đề xuất. - Sau cùng, theo quan điểm phổ biến hơn cả của
các nhà phân tích số liệu thì PCA là một kỹ thuật biểu diễn các số liệu một cách tối ưu theo một tiêu chuẩn đại
số và hình học đặc biệt. khi sử dụng kỹ thuật này người ta không đòi hỏi một giả thuyết thống kê hoặc một mô
hình đặc biệt nào. Quan điểm này trở nên phổ biến từ khi có máy tính điện tử, và là quan điểm mới nhất.
Những tư tưởng của phương pháp này do K.Pearson (1901) đề xuất. Trong công trình của C.R Rao (1964) nội
dung lý thuyết của phương pháp PCA được trình bày khá đơn giản và rõ ràng.
- Lĩnh vực ứng dụng của phương pháp PCA rất rộng trong công nghiệp, nông nghiệp, kinh tế, khoa học cơ
bản… với bảng số liệu mà các cột là các biến và các dòng là các cá thể, trên đó đo giá trị của biến.
2.1.2. Tổng quan về phương pháp PCA
- Phân tích thành phần chính (Principal Component Analysis) hay còn gọi là PCA là một trong những kết quả
đẹp từ việc áp dụng đại số tuyến tính. PCA được sử dụng nhiều trong các khuôn mẫu phân tích bởi vì nó là
phương pháp không cần tham số và đơn giản hóa cho việc trích xuất thông tin thích hợp từ các tập dữ liệu
không rõ ràng. PCA cung cấp một hướng đi cho việc làm thế nào để hạn chế một tập dữ liệu phức tạp tới một
tập dữ liệu với số chiều nhỏ hơn để thể hiện ra thông tin ẩn dưới tập dữ liệu không rõ ràng đó.
- Để hiểu rõ và phân tích một hiện tượng nào đó, ta thường đo lường một vài đại lượng trong hệ thống. Ta có
thể không tính toán được điều gì đã xảy ra do dữ liệu đo được rất mù mờ, không rõ ràng, số lượng các biến đo
lường có thể rất lớn và tại các thời điểm khác nhau cũng có thể dễ gây nhầm lẫn. Thuật toán PCA rất hữu dụng
trong những trường hợp này. Nó có thể biến đổi tập dữ liệu đo lường dư thừa, nhiễu lớn về tập dữ liệu mà biểu
diễn tốt nhất (dễ quan sát nhất, dễ phân biệt nhất) hệ thống. Với một hệ thống liên tục và tuyến tính nếu ta đưa
7
các đo lường vào một không gian vecto nơi mà mỗi thể hiện của hệ thống được xem như một vector trong
không gian vector đó (số các vecto cơ sở là số chiều của không gian đó). Ta sẽ sử dụng phép biến đổi tuyến
tính để ánh xạ tập dữ liệu gốc vào tập dữ liệu mới có giảm sự dư thừa và nhiễu dữ liệu.
- Tổng quan về phương pháp PCA. PCA là phương pháp:
• Loại bỏ thành phần phụ
• Giữ thành phần chính
• Không ảnh hưởng nhiều dữ liệu so với dữ liệu gốc
- Lợi ích của phương pháp PCA:
• Giảm chiều dữ liệu nhưng vẫn giữ được độ chính xác nhất định so với dữ liệu ban đầu
• Dễ quan sát, nắm bắt thông tin, nhận biết sự tương quan
• Giúp ta tính toán nhanh hơn với độ chính xác cao
2.2.3. Ứng dụng
- Phương pháp Principle Component Analysis (PCA) là một kỹ thuật thống kê để giảm số chiều của dữ liệu mà
vẫn giữ được các đặc trưng quan trọng của dữ liệu. PCA có nhiều ứng dụng trong đời sống, ví dụ như Công
nghệ thông tin, Sinh học…
+ Nhận dạng khuôn mặt: PCA có thể giúp trích xuất các đặc trưng chính của khuôn mặt từ các ảnh và
sử dụng chúng để phân biệt các khuôn mặt khác nhau.
+ Phân tích dữ liệu nhiều chiều: PCA có thể giúp giảm số lượng các biến trong dữ liệu và tạo ra các
biến mới không tương quan với nhau. Điều này giúp cho việc phân tích dữ liệu dễ dàng và hiệu quả hơn.
+ Trực quan hóa dữ liệu: PCA có thể giúp biểu diễn dữ liệu nhiều chiều trên các đồ thị hai hoặc ba
chiều, giúp cho việc nhìn nhận và hiểu dữ liệu trở nên rõ ràng hơn. 19 4. Nén dữ liệu: PCA có thể giúp giảm
dung lượng lưu trữ của dữ liệu mà vẫn giữ được các thông tin cần thiết.
2.2.4. Cơ sở lý thuyết
2.2.4.1. Khái niệm của PCA
•
Phép phân tích thành phần chính PCA (Principal Pomponent Analysis) Là một kỹ thuật giảm chiều dữ
liệu nhằm giữ lại những thông tin quan trọng nhất của dữ liệu ban đầu. Bằng cách biến đổi trực giao dữ
liệu từ không gian ban đầu có nhiều chiều thành không gian ít chiều hơn. Cách tiếp cận này giúp giữ lại
các thông tin quan trọng nhất, hỗ trợ phân tích các đặc điểm chính của dữ liệu và xây dựng các mô hình
dự đoán hiệu quả.
8
2.2.4.2 Đặc tính
•
•
•
•
Giảm số chiều dữ liệu: PCA giảm số chiều của dữ liệu từ không gian nhiều chiều xuống không gian ít
chiều hơn bằng cách chọn ra những thành phần chính quan trọng nhất giúp giảm thiểu sự phức tạp của
dữ liệu và làm cho việc xử lý dễ dàng hơn. Trong khi vẫn giữ lại các đặc trưng quan trọng.
Chuyển đổi trực giao: PCA cho phép trực quan hóa dữ liệu trong không gian, nghĩa là không có sự
tương quan giữa các thành phần này, giúp loại bỏ sự trùng lặp thông tin giữa các chiều.
Về mặt ý nghĩa toán học: PCA giúp ta xây dựng những biến mới là tổ hợp tuyến tính của những biến
ban đầu, giúp tạo ra các chiều mới tối ưu hóa phương sai.
Ngày nay phương pháp phân tích thành phần chính PCA có vai trò quan trọng và được áp dụng rộng rãi
trong các lĩnh vực như Công nghệ thông tin, sinh học, tài chính và hóa học
2.2.4.3 Một số khái niệm toán học sử dụng trong PCA
2.2.4.3.1. Giá trị trung bình (kỳ vọng) (Mean/Expected Value):
Là giá trị trong tập dữ liệu chia cho số lượng các giá trị đó.
Là mức trung tâm của tập dữ liệu
Cho n giá trị 𝑋1 , 𝑋2 , … , 𝑋𝑛 :
𝑋̅ =
𝑋1 + 𝑋2 + 𝑋3 + ⋯ 𝑋𝑛
𝑛
2.2.4.3.2. Phương sai (variance):
Là sự chênh lệch giữa dữ liệu thực tế so với kỳ vọng. Phương sai càng nhỏ thì dữ càng gần với giá trị trung
bình (kỳ vọng). PCA sẽ tìm các hướng tối đa hóa phương sai để giữ lại nhiều thông tin nhất.
Trong trường hợp có toàn bộ dữ liệu của tổng thể, thì phương sai được tính theo công thức:
𝑛
1
𝜎 = ∑(𝑋𝑖 − 𝑋̅)2
𝑛
2
𝑖=1
𝜎 2 : Phương sai của tập dữ liệu.
𝑋𝑖 : Các giá trị của phần tử thứ i trong tập dữ liệu.
𝑋̅: Giá trị trung bình các giá trị trong tập dữ liệu.
n: Số lượng phần tử trong tập dữ liệu.
Trong trường hợp chỉ có một mẫu từ tổng thể, thì phương sai mẫu được tính theo công thức:
9
𝑛
1
𝜎 =
∑(𝑋𝑖 − 𝑋̅)2
𝑛−1
2
𝑖=1
𝜎 2 : Phương sai mẫu của tập dữ liệu.
𝑋𝑖 : Các giá trị của phần tử thứ i trong tập dữ liệu.
𝑋̅: Giá trị trung bình các giá trị trong tập dữ liệu.
𝑛: Số lượng phần tử trong tập dữ liệu.
𝑛 − 1: Là bậc tự do, giúp điều chỉnh độ lệch khi lấy mẫu từ tổng thể
2.2.4.3.3. Hiệp phương sai (covariance):
Là một đại lượng đo mức độ liên hệ giữa hai biến số, cho biết chúng thay đổi cùng chiều hay ngược chiều với
nhau nói cách khác là mối quan hệ biến thiên của hai biến.
Giả sử ta có hai biến 𝑋, 𝑌 ngẫu nhiên, mỗi biến có n giá trị. Vậy công thức tính hiệp phương sai sẽ là:
𝑛
1
𝐶𝑜𝑣(𝑋, 𝑌) =
∑(𝑋𝑖 − 𝑋̅)(𝑌𝑖 − 𝑌̅)
𝑛−1
𝑖=1
Cov(X,Y): Hiệp phương sai giữa hai biến X và Y
𝑋𝑖 𝑣à 𝑌𝑖 : Lần lượt là các giá trị phần tử thứ i trong tập dữ liệu 𝑋 𝑣à 𝑌
𝑋̅ 𝑣à 𝑌̅: Giá trị trung bình của 𝑋 𝑣à 𝑌
𝑛: Số lượng phần tử trong tập dữ liệu
Giá trị hiệp phương sai không quan trọng bằng dấu của nó
-
Nếu giá trị hiệp phương sai mang giá trị dương thì 𝑋 và 𝑌 tăng hoặc giảm cùng nhau
Nêu giá trị hiệp phương sai mang giá trị âm thì 𝑋 tăng 𝑌 khi giảm hoặc ngược lại
Nếu giá trị hiệp phương sai bằng không thì 𝑋 và 𝑌 độc lập tuyến tính
2.2.4.3.4. Ma trận hiệp phương sai (covariance matrix):
•
•
•
•
Liên quan đến việc đo lường mức độ tương quan giữa các biến số trong một tập dữ liệu. Nó cho phép ta
xác định xem các biến có thay đổi cùng chiều hay ngược chiều, từ đó giúp phân tích mối quan hệ giữa
chúng.
Ma trận hiệp phương sai là ma trận đối xứng, bán xác định dương. Tính chất này đảm bảo tìm ra các
trục mới sao cho phương sai của dữ liệu trên các trục mới là mới nhất
Mọi phần tử trên đường chéo của ma trận hiệp phương sai đều là các giá trị không âm và đại diện cho
phương sai của từng chiều dữ liệu tương ứng.
Nếu ma trận hiệp phương sai là ma trận đường chéo, ta có dữ liệu hoàn toàn không tương quan giữa các
chiều.
10
𝑆=
1
𝑋𝑇 𝑋
𝑛−1
S là ma trận hiệp phương sai
𝑋 là ma trận dữ liệu đã chuẩn hóa
𝑋 𝑇 là ma trận chuyển vị của 𝑋
𝑛 − 1 là bậc tự do (được sử dụng để điều chỉnh khi tính toán hiệp phương sai mẫu)
2.2.4.3.5. Trị riêng (eigenvalue)
•
•
•
•
Được sử dụng để đo mức độ biến đổi của dữ liệu theo các hướng khác nhau.
Mỗi trị riêng là mỗi đặc trưng cho mức độ biến đổi của mỗi hướng cụ thể của không gian dữ liệu.
Khi sắp xếp các trị riêng theo thứ tự giảm dần. Các trị riêng lớn nhất đại diện cho các thành phần chính
của dữ liệu, tức là các hướng trong không gian mà biến đổi dữ liệu nhiều nhất. Các trị riêng nhỏ đại
diện cho các thành phần ít quan trọng hơn.
Giải phương trình đặc trưng:
det(S − I) = 0
𝑆: Ma trận hiệp phương sai của 𝑋
𝐼: Ma trận đơn vị
: Trị riêng của ma trận S
•
•
Nghiệm của phương trình là đặc trưng của trị riêng.
Mỗi trị riêng có thể có nhiều vectơ riêng nhưng mỗi vectơ riêng chỉ ứng với một trị riêng
2.2.4.3.6. Vecto trị riêng (eigenvector)
•
•
•
Là một vectơ trong không gian vectơ mà khi nhân với một ma trận, vectơ chỉ thay đổi độ dài mà không
đổi hướng.
Vectơ riêng tương ứng với giá trị riêng lớn nhất thường sẽ chỉ ra hướng mà ma trận biến đổi nhiều nhất,
ngược lại, các vectơ riêng ứng với các giá trị riêng nhỏ thường chỉ ra các hướng mà ma trận biến đổi ít
hơn.
Giải phương trình thuần nhất:
(S − I). v = 0
•
Tìm vectơ riêng v, trị riêng
11
2.2. Thuật toán PCA trong Nhận diện khuôn mặt
2.2.1. Các bước dùng PCA để Nhận diện khuôn mặt
- Khuôn mặt con người có rất nhiều nét để nhận biết, nếu như ta gặp lại một người quen sau một thời gian dài,
không khó để ta có thể nhận ra người đó từ những chi tiết cụ thể trên mặt có thể thay đổi như mắt, mũi, làn da,
mái tóc,…. Thật ra ta nhận ra không phải vì nhớ chi tiết đôi mắt, mũi, môi hay mái tóc người đó ra sao mà ta
nhận ra vì nhớ diện mạo người đó. Tức là trên khuôn mặt tồn tại một nét tổng thể đặc trưng nào đó để có thể
nhận diện, thuật toán của ta bắt đầu từ ý tưởng này.
- Phân tích thành phần chính (PCA – Principal Component Analysis) là thuật toán nhận dạng ảnh dựa trên
những nét riêng tổng thể của khuôn mặt, ta sẽ thực hiện lần lượt theo các trình tự sau:
2.2.1.1. Biểu diễn lại ảnh khuôn mặt
- Ban đầu ta có một tập ảnh khuôn mặt là tập huấn luyện (training set) với m ảnh kích thước M N , ta coi
mỗi bức ảnh này là một vector trong không gian M N chiều. Để đảm bảo tính chính xác thì mỗi khuôn mặt
được chụp nhiều ảnh ở các góc độ khác nhau để tăng chính xác. Từ những vector trong tập huấn luyện , ta sẽ
tìm một cơ sở trực chuẩn cho không gian khuôn mặt . Những vector thuộc cơ sở này có thể coi là những vector
mang những nét tổng thể đặc trưng về khuôn mặt.
- Tập khuôn mặt được ký hiệu bởi T = {T1 , T2 ,..., Tm} .
2.2.1.2. Tìm ảnh trung bình và ảnh trung bình chuẩn hóa
- Vector ảnh khuôn mặt trung bình là trung bình cộng các ảnh được tính bởi công thức:
n=
1 m
Ti = (T1 + T2 + ... + Tm ) m
m i =1
- Ảnh trung bình chuẩn hóa là sự khác biệt giữa ảnh gốc và ảnh trung bình:
i = Ti − n, với i = 1...m
2.2.1.3. Tính ma trận hiệp phương sai
- Ta coi mỗi ảnh tương ứng với một thể hiện của một lần chụp ảnh hay tương ứng với một đo lường. Vector ảnh
là một vector ngẫu nhiên và mỗi một lần chụp là một thể hiện của vector ngẫu nhiên đó. Giả sử ta có A là một
ma trận với các cột là các vector i . Như vậy để tính mối tương quan giữa các chiều của vector ảnh ngẫu nhiên
ta xây dựng ma trận hiệp phương sai:
AAT
với A = 1 , 2 ,..., m
- Ma trận A có M N hàng và m cột, do đó ma trận AAT có kích thước (M N ) (M N ) rất lớn nên ta
không thể tìm được những vector riêng và những trị riêng trực tiếp được, thay vào đó ta sẽ tìm những vector
riêng của ma trận AT A có kích thước m m .
12
•
Nếu vi là vector riêng của AT A và i là trị riêng tương ứng, khi đó ta có:
AT Avi = i vi
AAT Avi = Ai vi
AAT ( Avi ) = i ( Avi )
→ Ta thấy, Avi chính là vector riêng của ma trận AAT .
2.2.1.4. Không gian khuôn mặt riêng
Sau khi có các vector riêng của ma trận AAT , ta sẽ chuẩn hóa chúng để thu được một cơ sở trực chuẩn của
không gian khuôn mặt:
•
•
•
•
Đặt ma trận C = AT A có kích thước m m , với v là tập hợp các vector riêng của C và D là tập hợp
các trị riêng tương ứng.
Chọn R vector riêng ứng với R trị riêng lớn nhất trong D .
E = Av là tập các vector riêng của AAT . Mỗi cột trong E là một vector riêng ứng với một khuôn mặt
riêng (Eigenfaces) trong không gian khuôn mặt.
Chuẩn hóa các vector cột trong E (chia mỗi vector cho độ dài của vector đó).
→ Lúc này, ta có thể coi E là một cơ sở trực chuẩn của không gian khuôn mặt.
2.2.1.5. Nhận diện ảnh
- Với H là bức ảnh có cùng kích thước với những bức ảnh trong tập huấn luyện. Ta sẽ xét xem nó có phải là
bức ảnh khuôn mặt hay không, cũng như tìm bức ảnh giống với nó nhất trong tập huấn luyện.
- H được xem là một vector trong không gian M N chiều. Đặt K = H − n (với n là vector ảnh trung bình).
•
Giả sử W là một không gian con của v và có một cơ sở trực chuẩn là {u1 ,..., uR } . Khi đó hình chiếu
trực giao của vector u bất kỳ lên W được xác định như sau:
R
PrW u = uo = u ui ui
i =1
•
•
Tích vô hướng giữa vector u bất kì với vector thứ i trong cơ sở trực chuẩn của W được sử dụng để
xác định khoảng cách giữa ảnh H và không gian khuôn mặt.
Tìm S = ET K là tọa độ hình chiếu K f của K lên không gian khuôn mặt.
•
Với i là một cột trong ma trận A (tương ứng với bức ảnh Ti trong tập huấn luyện).
Ta tính Si = E T i là tọa độ của hình chiếu if của i lên không gian khuôn mặt.
- Tính toán hai đại lượng quan trọng:
•
x = K − K f : khoảng cách từ bức ảnh H đến không gian khuôn mặt.
•
xi = S − Si : khoảng cách từ bức ảnh H đến bức ảnh Ti trong tập huấn luyện.
•
Quyết định dựa trên ngưỡng và nào đó:
+ Nếu x thì H là bức ảnh khuôn mặt ( do H đủ gần với khuôn mặt)
13
+ Nếu xi thì H là bức ảnh của cùng một người với Ti ( H đủ gần với Ti ).
- Vậy là ta đã có thể tìm bức ảnh trong tập huấn luyện giống với bức ảnh H hay xác định đó có phải là bức
ảnh khuôn mặt hay không.
- Bây giờ trong một bức ảnh H có nhiều khuôn mặt hơn. Tại mỗi vị trí ( x, y) , một vùng con của H được
xem xét, biểu diễn thành vector M N .
K ( x, y) = H ( x, y) − n ;
•
Tìm K f ( x, y ) là hình chiếu của K ( x, y) lên không gian khuôn mặt.
•
Tính s ( x, y ) = K ( x, y ) − K f ( x, y ) .
•
Facemap: Tập hợp các giá trị s( x, y) tạo thành một bản đồ giúp xác định vị trí của khuôn mặt trong
ảnh H .
2.2.2. Ưu điểm và nhược điểm
2.2.2.1. Ưu điểm:
•
•
•
•
Dễ cài đặt, nếu ta xét bài toán tìm khuôn mặt giống nhau thì ta chỉ cần áp dụng hoàn toàn theo lý thuyết
đã có độ chính xác khá cao, nếu áp dụng cho bài toán tìm vị trí khuôn mặt thì cần phải có một thuật
toán nữa để sử dụng face map thu được theo lý thuyết.
Tìm được các đặc tính tiêu biểu của đối tượng cần nhận dạng mà không cần phải xác định các thành
phần và mối quan hệ giữa các thành phần đó.
Thuật toán có thể thực hiện tốt với các ảnh có độ phân giải cao, do PCA sẽ làm giảm chiều dữ liệu của
ảnh xuống mức thấp nhất có thể.
PCA có thể kết hợp với các phương pháp khác như mạng Noron, Support Vector Machine … để mang
lại hiệu quả nhận dạng cao hơn.
2.2.2.2. Nhược điểm:
•
•
Các mẫu khuôn mặt hoàn toàn phụ thuộc vào tập huấn luyện, có nghĩa là các khuôn mặt trong ảnh kiểm
tra phải giống với các ảnh huấn luyện về kích thước, tư thế, độ sáng. Thực tế trong tập huấn luyện
thường gồm nhiều nhóm hình, mỗi nhóm là hình của một người với tư thế, độ sáng khác nhau.
PCA phân loại theo chiều phân bố lớn nhất của tập vector. Tuy nhiên, chiều phân bố lớn nhất không
phải lúc nào cũng mang lại hiệu quả tốt nhất cho bài toán nhận dạng. Đây là nhược điểm cơ bản của
PCA.
PHẦN 3: ỨNG DỤNG THUẬT TOÁN PCA TRONG NHẬN DIỆN
KHUÔN MẶT BẰNG PYTHON
3.1. Sơ đồ khối hoạt động của chương trình Nhận diện khuôn mặt
1. Bắt đầu : Khởi động quy trình nhận diện khuôn mặt
14
2. Thu thập dữ liệu huấn luyện :
• Nhập tập ảnh khuôn mặt (các ảnh huấn luyện).
3. Tỉnh vector trung bình ảnh :
• Tính toán vector trung bình từ các ảnh trong tập huấn luyện.
4. Tính toán sự khác biệt :
• Tạo các vector khác biệt giữa từng ảnh và ảnh trung bình.
5. Tìm các thành phần chính (Eigenfaces) :
• Tinh vector riêng và trị riêng từ tập huấn luyện.
• Tạo ma trận Eigenfaces từ các vector riêng.
6. Chuẩn bị ảnh cần nhận diện :
• Nhập ảnh cần kiểm tra và tính toán vector khác biệt.
7. Dựng hình chiếu lên không gian khuôn mặt:
• Tìm tọa độ của ảnh mới trên không gian khuôn mặt.
8. So sánh và nhận diện :
• Tính khoảng cách giữa ảnh mới và ảnh trong tập huấn luyện.
• Xác định liệu ảnh mới có phải khuôn mặt hay không và tìm ảnh giống nhất.
9. Xác định vị trí khuôn mặt trong ảnh lớn (nếu cần) :
+ Tạo bản đồ khuôn mặt để định vị các khuôn mặt trong ảnh lớn.
10. Kết thúc : Hiển thị kết quả nhận diện.
3.2. CODE:
•
•
•
•
•
•
•
•
•
•
•
import os
import numpy as np
from PIL import Image
from sklearn.decomposition import PCA
import matplotlib.pyplot as plt
from tkinter import filedialog, Tk
import cv2
from scipy.linalg import eigh
from skimage.color import rgb2gray
from skimage.io import imread
from numpy.linalg import norm
15
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
trainPath = 'd:/NEW CHAPTER/241/DSTT/face_recognize/database'
checkPath = 'd:/NEW CHAPTER/241/DSTT/face_recognize/datain'
datain = os.listdir(os.path.expanduser(checkPath))
csdl = os.listdir(os.path.expanduser(trainPath))
def prepCSDL (trainPath):
valid_file = []
csdl = os.listdir(os.path.expanduser(trainPath))
for i in csdl:
if i.endswith('.jpg') or i.endswith('.png') or i.endswith('.jpeg'):
valid_file.append(i)
return valid_file
valid_file = prepCSDL(trainPath)
#tạo cơ sở dữ liệu
def createCSDL (valid_file, target_size=(128, 128)):
#khởi tạo ma trận T
T = []
for i in valid_file:
filepath = os.path.join(trainPath, i)
try:
img
= Image.open(filepath).convert('L')
img
= img.resize(target_size)
img_array = np.array(img)
img_vector= img_array.flatten()
T.append(img_vector)
except Exception as e:
print (f'Không có dữ liệu!')
T = np.column_stack(T)
return np.array(T)
def pca (T):
#tìm kỳ vọng (mean) của tất cả CSDL trong ma tận T
m = np.mean(T, axis=1, keepdims=True)
soanh = T.shape[1]
plt.imshow(m.reshape(128, 128), cmap='gray') # Giả sử ảnh có kích thước 28x28, thay đổi tùy vào kích thước ảnh
của bạn
plt.title('Anh trung binh')
plt.show()
#tìm phương sai của mỗi ảnh so với kỳ vọng
A = []
for i in range (soanh):
d = np.sqrt(soanh)
m = np.repeat(m, d, axis=1)
16
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
temp = T - m
if i < 1:
plt.imshow(temp.reshape(256, 192), cmap='gray')
plt.title('Anh - Anh TB')
plt.show()
A.append(temp)
A = np.column_stack(A)
#tìm ma trận hiệp phương sai L = A' * A
L = A.T @ A
#tìm vector riêng và trị riêng
D, V = np.linalg.eig(L)
# Sắp xếp các giá trị riêng giảm dần và chọn các vector riêng lớn nhất
idx = np.argsort(D)[::-1] # Sắp xếp giảm dần
V = V[:, idx]
D = D[idx]
D_sorted = np.sort(D)
s = len(D_sorted)
D1 = D_sorted[s-9]
# Lọc và chỉ lấy `num_eigenfaces` vector riêng lớn nhất
LeigV = []
for i in range(V.shape[1]):
if D[i] > D1:
LeigV.append(V[:, i])
LeigV = np.array(LeigV).T
# 5. Tính các Eigenfaces từ các vector riêng của A*A' bằng cách A * LeigV
E = A @ LeigV
# Chuẩn hóa các vector Eigenfaces để tạo cơ sở trực chuẩn
for i in range(3):
eigenface = np.real(E[:, i].reshape((128, 128)))
plt.imshow(eigenface, cmap='gray')
plt.title('Eigenface')
plt.show()
plt.pause(1)
num_vectors = E.shape[1]
for i in range(num_vectors):
E = E / np.linalg.norm(E, axis=0, keepdims=True)
return m, A, E # Trả về ảnh trung bình, ma trận độ lệch và các Eigenfaces
#ham nhan dien
def faceRecognition (input, m, A, E):
toado = []
17
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
num_vectors = E.shape[1]
for i in range(num_vectors):
tam = E.T @ A[:, i]
toado.append(tam)
toado = np.array(toado).T
input_r = np.array(input)
input_r = cv2.resize(input_r,(128,128))
input_r = input_r.astype(np.float32)
dolech = input_r.flatten() - m.flatten()
toadoKT = np.dot(E.T, dolech)
hinhchieuKT = np.zeros(input_r.shape)
toadoKT = toadoKT.real
E = E.real
hinhchieuKT = np.zeros(E.shape[0], dtype=np.float64)
for i in range(num_vectors):
hinhchieuKT += toadoKT[i] * E[:, i]
hinhchieuKT = hinhchieuKT.reshape(input_r.shape)
kc = np.linalg.norm(input_r.flatten() - hinhchieuKT.flatten())
khoangcach = []
for i in range(toado.shape[1]):
q = toado[:, i]
kc_q = np.linalg.norm(toadoKT - q) # Khoảng cách Euclid giữa hai tọa độ hình chiếu
khoangcach.append(kc_q)
min_kc = min(khoangcach)
vitri = khoangcach.index(min_kc)
# Trả về tên của ảnh khớp nhất
ten_anh = [n for n in os.listdir(trainPath) if n.endswith('.jpg')]
anhtim = ten_anh[vitri]
return anhtim
# Chức năng chính
def main():
# Chọn hình ảnh kiểm tra
root = Tk() # Tạo cửa sổ tkinter
root.withdraw() # Ẩn cửa sổ chính
file_path = filedialog.askopenfilename(filetypes=[("JPG files", "*.jpg")]) # Mở hộp thoại chọn tệp
18
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
•
if file_path: # Nếu người dùng chọn một tệp
TestImage = cv2.imread(file_path) # Đọc hình ảnh cần kiểm tra (giữ lại ảnh màu)
cv2.imshow("Image to Recognize", TestImage) # Hiển thị hình ảnh cần nhận diện
input = Image.open(file_path).convert('L')
valid_file = prepCSDL (trainPath)
# Tải CSDL huấn luyện
T = createCSDL(valid_file) # Tạo cơ sở dữ liệu từ hình ảnh huấn luyện
# Tạo Eigenfaces
m, A, E = pca(T) # Tạo Eigenfaces và lấy trung bình
# Nhận diện hình ảnh
output = faceRecognition(input, m, A, E)
print("Sinh Viên:", output)
anhtim_path = trainPath + '/' + output # Tạo đường dẫn đến hình ảnh tìm được
anhtim = cv2.imread(anhtim_path) # Đọc hình ảnh tìm được (giữ lại ảnh màu)
cv2.imshow("Matched Image", anhtim) # Hiển thị hình ảnh tìm được
cv2.waitKey(0) # Chờ người dùng nhấn phím
cv2.destroyAllWindows() # Đóng tất cả cửa sổ
if __name__ == "__main__": # Nếu đây là file chính
main() # Gọi hàm main để bắt đầu chương trình
19
3.3. Kết quả:
20
21
PHẦN IV: TÀI LIỆU THAM KHẢO
1/ I.T. Jolliffe, Principal Component Analysis. Springer, 2010
2/ Yoshio Takane, Constrained Principal Component Analysis and Related Techniques, Taylor & Francis
Group, LLC
3/ Parinya Sanguansat, Principal component analysis - multidisciplinary applications, InTech, 2012
22
0
You can add this document to your study collection(s)
Sign in Available only to authorized usersYou can add this document to your saved list
Sign in Available only to authorized users(For complaints, use another form )