Luận Văn Hệ thống nhận dạng khuôn mặt trời gian thực với xử lý song song trong môi trường cụm máy tính

MỤCLỤC

Tóm tắt 16
Abtract 17

CHƯƠNG I: TỔNG QUAN VỀ BÀI TOÁN NHẬN DẠNG KHUÔN MẶT 18
1. Mô tả bài toán 18
2. Lịch sử giải quyết vấn đề 23
3. Nội dung nghiên cứu 24
3.1 Mục tiêu cần đạt được 24
3.2. Nhiệm vụ nghiên cứu 24
3.4. Phương pháp nghiên cứu 25
4. Phạm vi ứng dụng 25
4.1. Phạm vi lý thuyết 25
4.2. Phạm vi ứng dụng 26
5. Hướng tiếp cận và hướng giải quyết. 26
5.1. Hướng tiếp cận 26
5.2. Cách giải quyết 27
6. Bố cục luận văn 28

Chương II CƠ SỞ LÝ THUYẾT 30
Một số khái niệm liên quan đến nhận dạng khuôn mặt 30
1.1. Hệ thống sinh trắc học 30
1.2. Hệ thống nhận dạng khuôn mặt 31
1.3. Hệ thống nhận dạng tĩnh-tĩnh, tĩnh-động, động-động 32
1.3.1. Hệ thống nhận dạng tĩnh-tĩnh 32
1.3.2. Hệ thống nhận dạng tĩnh-động 32
1.3.3. Hệ thống nhận dạng động-động 32
2. Tổng quan về máy học 32
3. Giải thuật phát hiện khuôn mặt (FACE DETECTOR ALGORITHM) 35
3.1. Mô tả giải thuật 35
3.2. Các định nghĩa liên quan 36
3.2.2. Đặc trưng Haar-like 36
3.2.3. Phân lớp đặc trưng (Haar Feature Classifier) 37
3.2.4. Phân loại (Cascade) 37
3.3. Phương pháp Adaboost 38
3.3.1. Giới thiệu 38
3.3.2. Thuật toán Adaboost 39
3.3.3. Dò tìm khuôn mặt 40
4. Rút trích đặc trưng với PCA 41
4.1. Cơ sở lý thuyết 41
4.2. Sự diển giải bằng hình học 42
4.3. Kỹ thuật rút trích đặc trưng của PCA 43
5. Huấn luyện khuôn mặt với Eigenfaces 44
5.2. Các bước tạo ra Eigenfaces 45
6. Nhận dạng khuôn mặt 47
6.1. Giải thuật PCA cải tiến 47
7.1. Phương pháp PCA cải tiến (PCA cục bộ) 47
7.1.1. Trong quá trình rút trích đặc trưng: 47
7.1.2. Trong quá trình nhận dạng 48
7.2. So sánh PCA truyền thống và PCA cải tiến 48
8. Tính toán song song [chi tiết được đề cập trong phân hệ PH03 của bạn Võ Văn Vủ] 49 46
8.1. Khái niệm hệ thống tính toán song song 49
8.2. Nền tảng tính toán song song 49
8.3. Một số mô hình lập trình song song thông dụng 52
8.3.1. Mô hình chia sẻ không gian bộ nhớ 52
8.3.2. Mô hình truyền thông điệp 53
8.4. Cách thức xây dựng một chương trình song song 54
9. Cụm máy tính (Cluster) 54
9.1. Giới thiệu 55
9.2. Định nghĩa Cluster 55
9.3. Các ưu điểm của Cluster 56
9.4. Các thành phần của Cluster 57

Chương III NỘI DUNG VÀ KẾT QUẢ NGHIÊN CỨU 61
1. Giới thiệu về bài toán 61
2. Xác định giải thuật nhận dạng đễ tiến hành đề ra phương pháp biểu diễn dữ liệu và định dạng khuôn mặt trong máy tính 63
3. Qui trình xây dựng tập dữ liệu huấn luyện 65
3.1. Mô hình tổng quát hệ thống 65
3.2. Chi tiết qui trình rút trích đặc trưng dữ liệu khuôn mặt bằng PCA 65
4. Thu thập dữ liệu ảnh khuôn mặt 66
5. Biểu diễn dữ liệu khuôn mặt trong máy tính cục bộ 68
6. Lập trình rút trích các đặc trưng khuôn mặt và lưu trữ 68
6.1. Xác định vị trí khuôn mặt từ ảnh nguồn đầu vào 68
6.2. Rút trích đặc trưng khuôn mặt và lưu trữ 69
6.4. Giới thiệu và chương trình 72
6.4.1. OpenCV (chi tiết được đề cập trong phân hệ PH02 của bạn Võ Đông Nhất) 72
6.4.2. Chương trình 73
7. Nghiên cứu nguyên lý lập trình song song (chi tiết được đề cập trong phân hệ PH03 của bạn Võ Văn Vủ) 76
7.1. Định nghĩa lập trình song song 76
7.2. Tại sao phải dùng lập trình song song 76
7.3. Những lưu ý khi lập trình song song 77
7.4. Các mô hình lập trình song song thông dụng 78
8. Nghiên cứu và xây dựng hệ thống tính toán song song phân cụm (Cluster) 78
8.1. Các cấu trúc thường gặp của Cluster 78
8.2. Từng bước xây dựng hệ thống xử lý song song phân cụm (Cluster) 79
8.2.1. Mô hình Cluster được triển khai 79
8.3. Cài đặt chương trình hệ thống ở các cluster node, trình tự thực thi. 82
9. Triển khai bại toán nhận dạng thời gian thực trên hệ thống tính toán song song cụm máy tính (Cluster) và đánh giá hiệu suất hệ thống. 88
9.1. Triển khai bài toán nhận dạng thời gian thực trên hệ thống tính toán song song trên cụm máy tính cụm máy tính(Cluster): 88
9.2. Đánh giá hiệu suất của hệ thống khi triển khai ứng dụng nhận dạng thời gian thực trên hệ thống tính toán song song phân cụm. 91
10. Xây dựng hệ thống nhận dạng khuôn mặt thời gian thực(Tham khảo phân hệ PH02 của Võ Đông Nhất) 91
11. Tăng tốc độ xử lý hệ thống với tính toán song song (Tham khảo phân hệ PH03 của Võ Văn Vủ) 91

CHƯƠNG IV: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 92
1. Kết luận 92
1.1. Kết quả đạt được của cả nhóm 92
1.2. Kết quả đạt được của cá nhân 92
1.3. Hạn chế 92
2. Hướng phát triển 93
TÀI LIỆU THAM KHẢO 94


DANH MỤC HÌNH ẢNH
Contents
Hình 1-1: công nghệ nhận dạng mống mắt 19
Hình 1-2: Các giải pháp bảo mật 20
Hình 1-3: Các ứng dụng mở rộng cho hệ thống nhận dạng. 21
Hình 1-4: Các khó khăn của việc nhận dạng mặt người: 23
Hình 2-1: Các công nghệ sinh trắc học 30
Hình 2-2: Hệ thống nhận dạng và xác minh khuôn mặt 31
Hình 2-3 : Hình ảnh tích hợp 36
Hình 2-4: Diện tích của hình chữ nhật R được tính bằng L4-L2-L3+L1 36
Hình 2-5 : Các loại đặc trưng mở rộng của Haar-like cơ sở 37
Hình 2-6 : Các khu vực màu đen tương ứng với đặc trưng haar-like 37
Hình 2-7: Mô hình phân tần kết hợp các bộ phân loại yếu để xác định khôn mặt . 38
Hình 2-8: Kết hợp các bộ phân loại yếu thành bộ phân loại mạnh 40
Hình 2-9 : Quá trình xữ lý và biến đổi hình ảnh 41
Hình 2-10: Hệ thống xác định vị trí khuôn mặt người (Face detection system) 41
Hình 2-11 : Hình vẽ mô tả hướng của các vector riêng 43
Hình 2-12 : Cấu trúc của eigenvector 44
Hình 2-13: Hình ảnh khuôn mặt và sự kết hợp các Eigenface 45
Hình 2-14: Kiến trúc SISD 49
Hình 2-15: Kiến trúc SIMD 50
Hình 2-16: Kiến trúc MISD 51
Hình 2-17: Kiến trúc MIMD 52
Hình 2-18: Mô hình chia sẽ không gian bộ nhớ 53
Hình 2-19: Mô hình truyền thông điệp 53
Hình 2-20: Công nghệ Cluster 55
Hình 3-1: Hệ thống nhận dạng và xác minh khuôn mặt 61
Hình 3-2: Quá trình nhận dạng khuôn mặt 62
Hình 3-3. Lưu đồ phân loại. 64
Hình 3-4: Mô hình nhận dạng khuôn mặt thời gian thực 65
Hình 3-5: Rút trích đặc trưng dữ liệu khuôn mặt bằng PCA 65
Hình 3-6: Hình ảnh được thu thập 67
Hình 3-7: Kích thước ảnh chuẩn hóa cho huấn luyện 68
Hình 3-8: Biểu diển các Eigenvecto khuôn mặt lên máy tính 68
Hình 3-9: Mô hình detection face với Cascade Boosting 69
Hình 3-10: Tập ảnh học gồm 6 ảnh 71
Hình 3-11: Data.xml lưu trữ những khuôn mặt vừa được huấn luyện 71
Hình 3-12: Code minh họa phát hiện khuôn mặt 73
Hình 3-13: Giao diện chương trình phát hiện khuôn mặt 74
Hình 3-14: Code minh họa huấn luyện khuôn mặt 75
Hình 3-15: Hệ thống Cluster có hai ứng dụng hoạt động song song trên mỗi node 78
Hình 3-16: Hệ thống Cluster độc lập chứa hai ứng dụng khác nhau 79
Hình 3-17: Hai node active được dự phòng bởi node Passive 79
Hình 3-18: Mô hình Cluster được triển khai 80
Hình 3-19 : Mô phỏng hệ thốngmáy tính trước khi chạy ứng dụng nhận dạng 89
Hình 3-20 : Hệ thống phát hiện khuôn mặt 89
Hình 3-21 : Mô phỏng kết quả nhận dạng của ứng dụng được song song hóa 90
Hình 3-22 : Mô phỏng máy tính khi chạy ứng dụng nhận dạng 90
hình 3-23 : Mô phỏng kết quả và thời gian nhận dạng 91




DANH MỤC
Một số thuật ngữ.
Các chữ viết tắt.
Các hình ảnh
CÁC THUẬT NGỮ

 Eigenface: khuôn mặt riêng
 AdaBoost: giải thuật phân lớp dữ liệu
 Eigenvector: vector đặc trưng
 Valuevector: giá trị vector
 Send: thủ tục gửi dữ liệu
 Receive: thủ tục nhận dữ liệu
 Blocking: khoản thời gian chờ
 Non-blocking: không cần chờ
 Cluster: cụm máy tính
 Face testing : khuôn mặt nhận dạng
 Training set: tập ảnh học
 Tracking: tách khuôn mặt
 Fitting: so khớp mẫu.
 Learning: Học ảnh



CÁC TỪ VIẾT TẮT
 SVM: Support Vector Machine.
 LDA: Linear Discriminant Analysis
 HMM: Hidden Markov Model
 PCA: Principal Component Analysis
 SVM: Support Vector Machines
 KNN: K-Nearest Neighbor
 AAM: Active Appearance Model
 SISD: Single Instruction Stream, a Single Data Stream
 SIMD: Single Instruction Stream, Multiple Data Stream
 MISD: Multiple Instruction Stream, a Single Data Stream
 MIMD: Multiple Instruction Stream, Multiple Data Stream
 SPMD: Single Program Multiple Data
 MPI: Message Passing Interface
 NND: Nearest Neighbor Distance