Nhận dạng ảnh mặt người sử dụng mạng Nơron

Võ Phúc Nguyên<br /> <br /> Tạp chí KHOA HỌC & CÔNG NGHỆ<br /> <br /> 64(02): 53 - 57<br /> <br /> NHẬN DẠNG ẢNH MẶT NGƢỜI SỬ DỤNG MẠNG NƠRON<br /> Võ Phúc Nguyên<br /> Trường Đại học Kỹ thuật Công nghiệp – ĐH Thái Nguyên<br /> <br /> TÓM TẮT<br /> Bài báo trình bày một phƣơng pháp mới trong việc trích chọn đặc trƣng kết hợp với mạng nơron<br /> để nhận dạng ảnh mặt ngƣời. Hệ thống thực hiện trích chọn các đặc trƣng mặt ngƣời từ một ảnh<br /> theo ba phƣơng pháp: phân tích thành phần chính (PCA), phân tách tuyến tính (LDA) và biến đổi<br /> hình thái. Sau đó bài báo trình bày về mạng nơron với thuật toán học lan truyền ngƣợc để phân<br /> loại giúp nhận dạng các đặc trƣng đã trích chọn ở trên. Khi có yêu cầu nhận dạng, ảnh đầu vào sẽ<br /> đƣợc trích chọn đặc trƣng, các đặc trƣng sẽ đƣợc nhận dạng qua các mạng nơron đã huấn luyện.<br /> Tín hiệu ra của từng mạng riêng biệt sẽ đƣợc so sánh với nhau để đƣa ra câu trả lời của hệ thống.<br /> Kết quả là, bằng việc kết hợp những đặc trƣng mang tính chất thống kê và những đặc trƣng mang<br /> tính hình thái, hệ thống đã đạt hiệu quả khá cao so với những hệ thống nhận dạng mặt ngƣời trƣớc<br /> đây. Đặc biệt, hệ thống nhận dạng khá tốt đối với những ảnh có nhiễu.<br /> Từ khóa: Nhận dạng ảnh mặt người, phân tích thành phần chính (PCA), phân tách tuyến tính<br /> (LDA), biến đổi hình thái, mạng nơron.<br /> *<br /> <br /> GIỚI THIỆU<br /> Hiện nay, cùng với sự pháttriển nhƣ vũ bão<br /> của công nghệ thông tin nói chung và sự phát<br /> triển trong lĩnh vực thị giác máy nói riêng,<br /> các hệ thống phát hiện và nhận dạng mặt<br /> ngƣời đang ngày càng có nhiều ứng dụng<br /> trong thực tế. Đặc biệt sau thảm họa ngày<br /> 11/9, các chính phủ trên toàn thế giới đã bắt<br /> đầu chú ý hơn tới các mức an ninh ở sân bay<br /> và biên giới. Ngân sách hằng năm của các<br /> nƣớc đã tăng lên nhiều cho các kỹ thuật hiện<br /> đại để xác định, nhận dạng và lần theo các đối<br /> tƣợng nghi vấn. Nhu cầu tăng lên trong các<br /> ứng dụng này đã giúp các nhà khoa học có<br /> thêm quỹ để phát triển các dự án nghiên cứu.<br /> Mặc dù việc nhận dạng mặt ngƣời không thể<br /> chính xác đƣợc nhƣ các phƣơng pháp nhận<br /> dạng khác nhƣ nhận dạng vân tay, nhƣng nó<br /> vẫn nhận đƣợc sự quan tâm lớn của các nhà<br /> nghiên cứu trong lĩnh vực thị giác máy. Lý do<br /> chủ yếu là trên thực tế, mặt ngƣời vẫn là cách<br /> truyền thống để con ngƣời nhận ra nhau.<br /> <br /> *<br /> <br /> Một hệ thống nhận dạng mặt ngƣời điển hình<br /> bao gồm các thành phần chính nhƣ hình 1.<br /> Ảnh<br /> mặt<br /> ngƣời<br /> <br /> Trích<br /> chọn<br /> đặc<br /> trƣng<br /> <br /> Phân<br /> loại<br /> mặt<br /> ngƣời<br /> <br /> Ngƣời<br /> đƣợc<br /> nhận<br /> dạng<br /> <br /> Hình 1. Mô hình hệ thống nhận dạng mặt ngƣời<br /> <br /> Hiện nay, có hai hƣớng tiếp cận chính làm hạt<br /> nhân của các kỹ thuật phân tích đặc trƣng mặt<br /> ngƣời: hƣớng tiếp cận hình học và hƣớng tiếp<br /> cận hình ảnh [1].<br /> <br /> Hướng tiếp cận hình học: sử dụng việc<br /> ánh xạ không gian các đặc trƣng mặt ngƣời.<br /> Mặt ngƣời đƣợc phân loại theo khoảng cách<br /> hình học, theo đƣờng bao và theo các góc giữa<br /> các điểm.<br /> <br /> Hướng tiếp cận hình ảnh: bao gồm việc<br /> xây dựng các mẫu từ những đặc trƣng mặt<br /> ngƣời. Mẫu của các đặc trƣng nổi bật, hoặc<br /> thậm chí là toàn khuôn mặt đƣợc thiết lập, việc<br /> nhận dạng đƣợc thực hiện bằng cách duyệt các<br /> khuôn mặt rồi tìm mặt nào khớp nhất với mẫu.<br /> Mặc dù các hệ thống nhận dạng mặt ngƣời<br /> hiện tại đã đạt đƣợc hiệu quả khá cao, tuy<br /> nhiên chúng vẫn còn hạn chế là chỉ tập trung<br /> vào một hay một vài phƣơng pháp trích chọn<br /> đặc trƣng. Có hệ thống chỉ thực hiện nhận<br /> dạng dựa trên các đặc điểm về hình học của<br /> <br /> Tel: 0917829740<br /> 53<br /> <br /> Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên<br /> <br /> http://www.Lrc-tnu.edu.vn<br /> <br /> Võ Phúc Nguyên<br /> <br /> Tạp chí KHOA HỌC & CÔNG NGHỆ<br /> <br /> mặt ngƣời hoặc có hệ thống chỉ dựa trên các<br /> đặc điểm thống kê.<br /> Trong bài báo này, việc trích chọn đặc trƣng<br /> sẽ đƣợc thực hiện dựa trên những đặc điểm<br /> thống kê của khuôn mặt (cụ thể là phƣơng<br /> pháp phân tích thành phần chính – PCA và<br /> phƣơng pháp phân tách tuyến tính – LDA) và<br /> những đặc điểm về hình thái của khuôn mặt.<br /> Phần 2 trình bày các phƣơng pháp trích chọn<br /> đặc trƣng. Phần 3 trình bày về mạng noron<br /> với thuật toán học lan truyền ngƣợc lỗi, đƣợc<br /> dùng để phân loại ảnh. Phần 4 trình bày cụ<br /> thể việc thiết kế hệ thống và đánh giá hiệu<br /> quả thực hiện. Cuối cùng là phần kết luận.<br /> TRÍCH CHỌN ĐẶC TRƢNG<br /> Phƣơng pháp phân tích thành phần chính<br /> Ý tƣởng chính của phƣơng pháp phân tích thành<br /> phần chính (PCA – Principal Component<br /> Analysis) là tìm các vector biểu diễn những sự<br /> phân bố đặc trƣng nhất của các ảnh trong toàn<br /> bộ không gian ảnh. Những vector này hình<br /> thành nên một không gian con của các ảnh đƣợc<br /> gọi là “không gian mặt ngƣời” [2, 3].<br /> Mỗi ảnh là một ma trận M×N các điểm ảnh,<br /> ma trận này đƣợc chuyển thành một vector<br /> bằng cách xếp các cột điểm ảnh liên tiếp<br /> nhau. Nhƣ vậy, mỗi ảnh đƣợc coi là một điểm<br /> trong không gian MN chiều. Các vector của<br /> tập ảnh huấn luyện đƣợc xếp thành một ma<br /> trận. Từ ma trận này, ta sẽ tính đƣợc ma trận<br /> hiệp phƣơng sai của dữ liệu, là ma trận trong<br /> đó mỗi phần tử (i, j) là giá trị hiệp phƣơng sai<br /> giữa chiều thứ i và chiều thứ j.<br /> Công việc tiếp theo là tính các giá trị riêng và<br /> vector riêng của ma trận hiệp phƣơng sai. Các<br /> vector riêng chính là các thành phần đặc trƣng<br /> cho sự phân bố của tập dữ liệu. Cuối cùng,<br /> ma trận biến đổi của phƣơng pháp PCA là ma<br /> trận hình thành từ các vector riêng ứng với<br /> các giá trị riêng lớn nhất vừa tính đƣợc, nghĩa<br /> là các thành phần đặc trƣng nhất, còn các<br /> thành phần kém quan trọng hơn sẽ đƣợc bỏ<br /> qua để giảm số chiều của dữ liệu.<br /> Trong bài báo, tập dữ liệu ảnh đƣợc lấy từ cơ<br /> sở dữ liệu ORL (Olivetti Research<br /> Laboratory, Surrey University). Mỗi ảnh có<br /> kích thƣớc 112×92, có thể đƣợc coi là một<br /> vector 10304 chiều, hoặc tƣơng đƣơng với<br /> <br /> 64(02): 53 - 57<br /> <br /> một điểm trong không gian 10304 chiều. Hình<br /> 2 là một số ảnh gốc trong cơ sở dữ liệu.<br /> <br /> Ảnh để<br /> gốcgiảm<br /> trong cơ<br /> dữ liệu<br /> Áp Hình<br /> dụng 2.PCA<br /> số sở<br /> chiều<br /> củaORL<br /> không<br /> gian khổng lồ trên, kết quả thu đƣợc là các<br /> ảnh đã đƣợc biến đổi sau khi phân tích theo<br /> các thành phần đặc trƣng, các vector riêng<br /> đƣợc chọn theo các giá trị riêng tƣơng ứng<br /> lớn hơn hoặc bằng 10-3, số lƣợng vector riêng<br /> là 49, nghĩa là mỗi ảnh biểu diễn một điểm<br /> trong không gian 49 chiều (hình 3).<br /> Phƣơng pháp phân tách tuyến tính<br /> Phƣơng pháp PCA ở trên còn có nhƣợc điểm<br /> <br /> Hình 3. Ảnh sau khi biến đổi theo PCA<br /> <br /> là chỉ làm nổi bật lên các đặc trƣng của từng<br /> ảnh mà chƣa quan tâm đến các ảnh đó là của<br /> cùng một ngƣời hay của những ngƣời khác<br /> nhau. Phƣơng pháp phân tách tuyến tính<br /> (LDA – Linear Discriminant Analysis) có thể<br /> khắc phục đƣợc những nhƣợc điểm đó.<br /> Nhiệm vụ chính của phƣơng pháp là tính sự<br /> biến thiên giữa các ảnh của những ngƣời khác<br /> nhau và tính sự biến thiên giữa các ảnh của<br /> cùng một ngƣời, sau đó tìm một phép biến đổi<br /> để làm cực đại tỉ số của hai sự biến thiên trên.<br /> Nghĩa là, tập ảnh huấn luyện sẽ đƣợc biến đổi<br /> sang một không gian mới sao cho sự khác<br /> nhau giữa các ảnh của những ngƣời khác<br /> nhau đƣợc tăng lên tối đa, đồng thời cũng làm<br /> tăng sự giống nhau giữa các ảnh của cùng một<br /> ngƣời [3].<br /> Thông thƣờng trong phƣơng pháp LDA, sự<br /> phân bố ngoại và sự phân bố nội đƣợc dùng<br /> làm tiêu chí để phân lớp [4, 5]. Ma trận biến<br /> đổi của LDA đƣợc hình thành từ tập vector W<br /> = [W1, .., Wd], thỏa mãn:<br /> <br /> 54<br /> <br /> Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên<br /> <br /> http://www.Lrc-tnu.edu.vn<br /> <br /> Võ Phúc Nguyên<br /> <br /> Tạp chí KHOA HỌC & CÔNG NGHỆ<br /> <br /> W T S bW<br /> 1<br /> W T S wW<br /> trong đó Sw và Sb lần lƣợt là ma trận phân bố<br /> nội và ma trận phân bố ngoại.<br /> Nếu ma trận Sw là khả nghịch, tỉ số ở công<br /> thức (1) sẽ đạt cực đại khi các vector của W là<br /> các vector riêng của S w1Sb . Đối với bài toán<br /> nhận dạng mặt ngƣời, ma trận Sw thƣờng<br /> không khả nghịch, vì số lƣợng ảnh nhỏ hơn<br /> rất nhiều so với số chiều biểu diễn ảnh. Có<br /> nhiều phƣơng pháp khác nhau để giải quyết<br /> vấn đề của LDA nhƣ phƣơng pháp giả nghịch<br /> đảo, phƣơng pháp không gian con hoặc<br /> phƣơng pháp không gian null. Trong bài báo<br /> này, phƣơng pháp giả nghịch đảo đƣợc dùng<br /> để giải quyết vấn đề trên [6, 7]. Hình 4 là một<br /> số ảnh sau khi biến đổi theo phƣơng pháp<br /> phân tách tuyến tính.<br /> W  arg max<br /> <br /> 64(02): 53 - 57<br /> <br />  F  j , k , F  j , k  1<br /> <br /> <br /> G  j , k   MAX  F  j  1, k  1,.., <br />  F  j  1, k  1 <br /> <br /> <br /> <br /> 2<br /> <br /> trong đó MAX{S1,..,S9} trả về giá trị lớn nhất<br /> trong các giá trị của chín điểm ảnh của lân<br /> cận 3×3. Tƣơng tự, phép co ảnh đối với ảnh<br /> đa mức xám đƣợc định nghĩa nhƣ sau:<br />  F  j , k , F  j , k  1<br /> <br /> <br /> 3<br /> G  j , k   MIN  F  j  1, k  1,.., <br />  F  j  1, k  1 <br /> <br /> <br /> với MIN{S1,..,S9} trả về giá trị nhỏ nhất trong<br /> các giá trị của chín điểm ảnh của lân cận 3×3.<br /> Hình 5 là một số ảnh mặt ngƣời đã đƣợc biến<br /> đổi qua phép xử lý hình thái.<br /> BỘ PHÂN LOẠI - MẠNG NƠRON<br /> <br /> Hình 5. Ảnh sau khi biến đổi hình thái<br /> Hình 4. Ảnh sau khi biến đổi theo LDA<br /> <br /> Phƣơng pháp biến đổi hình thái<br /> Hai phƣơng pháp PCA và LDA cho phép<br /> phân tích dựa trên các đặc điểm mang tính<br /> thống kê của ảnh. Tuy nhiên, các phƣơng<br /> pháp này chƣa xét đến những đặc điểm về<br /> hình thái của mặt ngƣời. Đó chính là những<br /> đặc trƣng về đƣờng nét của các bộ phận trên<br /> khuôn mặt nhƣ mắt, mũi, miệng. Phƣơng<br /> pháp biến đổi hình thái sẽ bổ sung cho những<br /> thiếu sót này của hai phƣơng pháp trên.<br /> Xử lý ảnh về hình thái là một phép xử lý trong<br /> đó dạng không gian hoặc cấu trúc của các đối<br /> tƣợng trong ảnh đƣợc chỉnh sửa. Phép dãn ảnh<br /> và phép co ảnh là hai thao tác xử lý hình thái<br /> cơ bản. Với phép dãn ảnh, một đối tƣợng sẽ<br /> nổi đều lên trong không gian, còn với phép co<br /> ảnh đối tƣợng sẽ co đều xuống [8, 9].<br /> Xét một ảnh đa mức xám F(j,k) đƣợc lƣợng tử<br /> hóa với một thang mức xám nào đó. Khi đó,<br /> phép dãn ảnh đối với ảnh đa mức xám đƣợc<br /> định nghĩa nhƣ sau:<br /> <br /> Phần 2 đã giới thiệu ba phƣơng pháp trích<br /> chọn đặc trƣng của ảnh. Nhiệm vụ tiếp theo<br /> của hệ thống nhận dạng là dựa trên những đặc<br /> trƣng đã đƣợc trích chọn đó, học đƣợc cách<br /> phân loại ảnh tƣơng ứng với từng ngƣời.<br /> Trong các bộ phân loại hiện nay, nổi trội lên<br /> và đƣợc quan tâm nhiều đó là mạng nơron<br /> nhân tạo. Các mạng nơron nhân tạo có thể<br /> đƣợc coi nhƣ những “mô hình tính toán” với<br /> những đặc tính nhƣ khả năng thích nghi hay<br /> khả năng học, tổng quát hóa, phân cụm hay tổ<br /> chức dữ liệu [10].<br /> Trong bài báo này, thuật toán học lan truyền<br /> ngƣợc đƣợc sử dụng vì thuật toán đã tỏ ra khá<br /> hiệu quả đối với bài toán nhận dạng mặt<br /> ngƣời. Khi một mẫu học đƣợc đƣa vào, các<br /> giá trị kích hoạt sẽ đƣợc lan truyền đến các<br /> nơron ra, tín hiệu ra thực sự của mạng đƣợc<br /> so sánh với tín hiệu ra mong muốn. Sự khác<br /> biệt giữa các tín hiệu này gọi là lỗi eo với mỗi<br /> nơron ra o. Mục đích là phải làm cho eo bằng 0.<br /> Theo quy tắc delta [10], để giảm lỗi, các trọng<br /> số đƣợc chỉnh sửa theo<br /> <br /> who  d o  yo  yh<br /> <br /> 4<br /> <br /> Để có thể chỉnh sửa đƣợc trọng số từ nơron<br /> vào đến các nơron ẩn, cần tiếp tục áp dụng<br /> <br /> 55<br /> <br /> Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên<br /> <br /> http://www.Lrc-tnu.edu.vn<br /> <br /> Tạp chí KHOA HỌC & CÔNG NGHỆ<br /> <br /> Võ Phúc Nguyên<br /> <br /> quy tắc delta. Mỗi nơron ẩn h nhận một  từ<br /> mỗi nơron ra o bằng  của nơron ra đó với<br /> trọng số là trọng số của kết nối giữa những<br /> nơron đó<br /> <br />  h    o who<br /> <br /> 5<br /> <br /> o lần lặp, giá trị mới của các trọng số<br /> Sau mỗi<br /> đƣợc cập nhật theo giá trị của số gia. Quá<br /> trình huấn luyện đƣợc tiếp tục đến khi lỗi nhỏ<br /> hơn một ngƣỡng cho phép nào đó.<br /> CÀI ĐẶT VÀ KIỂM THỬ<br /> Thiết kế hệ thống<br /> Bộ ảnh dữ liệu dùng để kiểm thử hệ thống đƣợc<br /> lấy từ cơ sở dữ liệu ORL (Olivetti Research<br /> Laboratory, Surrey University). Các ảnh ở đây<br /> tƣơng đối đa dạng, chúng có thể đƣợc chụp ở<br /> những thời điểm khác nhau, với những góc<br /> nghiêng khác nhau, những trạng thái khác nhau<br /> nhƣ cƣời hoặc không cƣời, đeo kính hoặc<br /> không, nheo mắt, miệng mở hoặc đóng…<br /> MATLAB đƣợc sử dụng để cài đặt hệ thống<br /> vì nó đƣợc tích hợp một môi trƣờng tính toán<br /> kỹ thuật phù hợp cho các thuật toán đƣợc<br /> thiết kế ở đây.<br /> Kết quả thực nghiệm<br /> Cơ sở dữ liệu ảnh ORL gồm 10 ảnh cho mỗi<br /> ngƣời, chƣơng trình sử dụng 5 ảnh đầu tiên<br /> cho việc huấn luyện mạng và 5 ảnh còn lại để<br /> kiểm thử. Mỗi ảnh huấn luyện sẽ đƣợc bổ<br /> sung một ảnh ở dạng ảnh gƣơng của nó để<br /> tăng thêm sự đa dạng cho tập ảnh huấn luyện.<br /> Các tham số huấn luyện nhƣ số lƣợng các<br /> vector đặc trƣng đƣợc chọn ở mỗi phƣơng<br /> pháp, tỉ lệ học của mạng nơron, số lƣợng các<br /> nơron ẩn của mạng là những tham số quan<br /> trọng ảnh hƣởng lớn đến thời gian thực hiện<br /> cũng nhƣ độ chính xác của hệ thống. Hệ<br /> thống đã đƣợc kiểm thử nhiều lần để chọn ra<br /> bộ tham số tối ƣu, giúp hệ thống đạt đƣợc<br /> hiệu quả về thời gian thực hiện và độ chính<br /> xác cao nhất có thể.<br /> Với những tham số học đã tính, nếu chỉ sử<br /> dụng phƣơng pháp trích chọn đặc trƣng dựa<br /> trên những đặc điểm mang tính thống kê,<br /> chƣơng trình chỉ đạt độ chính xác khoảng<br /> 90%. Trong khi đó, nếu kết hợp các đặc trƣng<br /> mang tính thống kê với những đặc trƣng<br /> mang tính hình học, chƣơng trình đã đạt độ<br /> chính xác trên 95%.<br /> <br /> 64(02): 53 - 57<br /> <br /> Đặc biệt, phƣơng pháp xử lý hình thái đã bổ<br /> sung cho phƣơng pháp trích chọn đặc trƣng<br /> mang tính chất thống kê, chƣơng trình đã<br /> nhận dạng rất tốt đối với những ảnh có nhiễu.<br /> Ảnh có nhiễu ở đây là những ảnh đã đƣợc<br /> chỉnh sửa bằng tay với những loại nhiễu nhƣ<br /> nhiễu nhị phân, che khuất hoặc xóa bớt một<br /> số bộ phận của khuôn mặt (hình 6).<br /> <br /> Hình 6. Một số ảnh nhiễu dùng để<br /> kiểm thử hệ thống<br /> <br /> KẾT LUẬN<br /> Bằng cách kết hợp các phƣơng pháp phân tích<br /> thống kê và phƣơng pháp biến đổi hình thái,<br /> hệ thống đã đạt đƣợc một phƣơng pháp khá<br /> hiệu quả đối với bài toán nhận dạng mặt<br /> ngƣời. Phƣơng pháp PCA và LDA trích chọn<br /> những đặc trƣng mang tính thống kê, kết hợp<br /> với phƣơng pháp biến đổi hình thái ảnh cung<br /> cấp những đặc trƣng mang tính hình học của<br /> khuôn mặt giúp hệ thống có đƣợc những<br /> thông tin đặc trƣng tƣơng đối đầy đủ của mỗi<br /> ngƣời. Mạng nơron với thuật toán học lan<br /> truyền ngƣợc đã thực hiện khá tốt vai bộ phân<br /> loại của hệ thống.<br /> Mặc dù hệ thống đã đạt đƣợc độ chính xác<br /> khá cao, tuy nhiên vẫn còn một tỉ lệ nhỏ chƣa<br /> chính xác do hệ thống chƣa đánh giá đƣợc<br /> toàn bộ những đặc trƣng của mặt ngƣời.<br /> Trong những nghiên cứu tiếp theo nhằm phát<br /> triển hoàn thiện hệ thống hơn, việc nhận dạng<br /> có thể kết hợp thêm các phƣơng pháp phân<br /> tích khác nhƣ nhận dạng mắt, nhận dạng<br /> miệng hay nhận dạng mũi là những đặc trƣng<br /> quan trọng của khuôn mặt.<br /> TÀI LIỆU THAM KHẢO<br /> <br /> 56<br /> <br /> Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên<br /> <br /> http://www.Lrc-tnu.edu.vn<br /> <br /> Võ Phúc Nguyên<br /> <br /> Tạp chí KHOA HỌC & CÔNG NGHỆ<br /> <br /> [1].<br /> W. Zhao, R. Chellappa, P. J. Phillips, A.<br /> Rosenfeld (2003), “Face Recognition - A Literature<br /> Survey”, ACM Computing Surveys, Vol. 35 (No. 4).<br /> [2].<br /> Lindsay I. Smith (2002), A Tutorial on<br /> Principal<br /> Components<br /> Analysis,<br /> Cornell<br /> University, USA.<br /> [3].<br /> http://people.revoledu.com/kardi/index.ht<br /> ml.<br /> [4].<br /> Kresimir Delac, Mislav Grgic (2007),<br /> “PCA and LDA based Neural Networks for<br /> Human Face Recognition”, Face Recognition,<br /> ISBN 978-3-902613-03-5, I-Tech, Vienna,<br /> Austria.<br /> [5].<br /> http://en.wikipedia.org/wiki/Linear_discri<br /> minant_analysis.<br /> <br /> 64(02): 53 - 57<br /> <br /> [6].<br /> http://en.wikipedia.org/wiki/MoorePenrose_pseudoinverse.<br /> [7].<br /> http://en.wikipedia.org/wiki/Singular_val<br /> ue_decomposition.<br /> [8].<br /> William K. Pratt (2007), Digital Image<br /> Processing, John Wiley & Sons, Inc., Publication.<br /> [9].<br /> Ethan Png (2004), Morphological SharedWeight Neural Network for Face Recognition,<br /> University of Manchester Institute of Science and<br /> Technology.<br /> [10].<br /> Ben Kröse, Patrick van der Smagt (1996),<br /> An introduction to Neural Networks, The<br /> University of Amsterdam.<br /> <br /> HUMAN FACE RECOGNITION USING NEURAL NETWORK<br /> Vo Phuc Nguyen<br /> Thai Nguyen University of Technology,<br /> <br /> SUMMARY<br /> This paper aims to present a new method in combining feature extraction with neural network to<br /> recognize human faces. The system implements extracting features of human face from an image<br /> in three methods: Principal Components Analysis (PCA), Linear Discriminant Analysis (LDA),<br /> and Morphological processing. Then it mentions the neural network with the algorithm of back<br /> propagation to drill the categorization which is utilized to recognize the foregoing extracted<br /> features. When the face recognition is required, the features will be extracted from the input<br /> image. The features will be recognized by the trained neural networks soon after. The results of<br /> each distinct network will be compared later on to bring out the final systematic answer. Finally,<br /> by using statistical features and morphological features, the performance of the system is quite<br /> better than current systems. Especially, the system can recognize with noisy images.<br /> Keywords: Human Face Recognition, Principal Components Analysis, Linear Discriminant<br /> Analysis, Morphological Processing, Neural Network.<br /> <br /> 57<br /> <br /> Số hóa bởi Trung tâm Học liệu – Đại học Thái Nguyên<br /> <br /> http://www.Lrc-tnu.edu.vn<br /> <br />