การพัฒนาระบบร...

การประชมวชาการครศาสตรอตสาหกรรมระดบชาต ครงท 7 The 7th National Conference on Technical Education

6 พฤศจกายน 2557 www.ncteched.org คณะครศาสตรอตสาหกรรม มหาวทยาลยเทคโนโลยพระจอมเกลาพระนครเหนอ

NCTechEd07SIT03

บทคดยอ

บทความนนาเสนอแนวทางการพฒนาระบบทสามารถรจาบคคลดวยเคาโครงใบหนาโดยใชอลกอรทมแบบแพรกลบของ

โครงขายประสาทเทยม ระบบนถกพฒนาขนโดยใชภาษา C# และชดคาสงของ EmguCV พรอมตดตงกลองเวบแคมสาหรบการจบภาพใบหนาบคคลทมาอยตรงหนาแลวนาภาพทไดนมาผานกระบวนการประมวลผลภาพดจตอลเพอเตรยมภาพใหเปนตวแปรอนพตสาหรบโครงขายประสาทเทยมเพอตรวจสอบ ถาภาพใบหนาบคคลนนตรวจสอบแลวไมพบในฐานขอมลกจะทาการสนทนาเพอตองการทราบรายละเอยดของบคคลนน โดยเฉพาะชอซงจะใชเปนตวแปรทารเกตเพอนาไปใชฝกสอนใหขายสมองจดจาชอและใบหนาพรอมทงรายละเอยดเกบไวในฐานขอมลสาหรบบคคลทรจกแลวตอไป จากผลการทดลองสามารถรจาใบหนาบคคลไดอยาง

ถกตอง 91.50% จากภาพตวอยางทงหมด 168 ภาพ

คาสาคญ: รจาบคคล เคาโครงใบหนา แพรกลบ โครงขายประสาทเทยม

Abstract

This paper presents an approach to the development of a human face features recognition system with the

backpropagation algorithm of the Artificial Neural Networks (ANNs). The programming languages used were C# and

EmguCV instruction sets. A webcam was installed to catch the facial image of the people in focus and pass the image

data through image processing processes to be prepared as the input data for the checking procedure of the neural

network. If it is cannot checking person image from database system, the system starts a conversation in order to obtain

the name and other details. The name is then used as the target data together with the facial input data to train the

neural to remember a new known person along with other details in the system database. The experimental results

showed that 91.50% of 168 samples of person images were correctly recognized.

Keyword: Human Recognition, Face Features, Back-Propagation, Artificial Neural Network

การพฒนาระบบรจาใบหนาบคคลโดยใชโครงขายประสาทเทยม Development of the Human Face Recognition System using the Artificial

Neural Network

วฒชย ปวงมณ (Wutichai Phongmanee) และขจรศกด คนธพนต (Kajornsak Kantapanit)

สาขาวชาวศวกรรมคอมพวเตอร คณะวศวกรรมศาสตร มหาวทยาลยนอรท-เชยงใหม [email protected] and [email protected]

201


www.ncteched.org 6 พฤศจกายน 2557 คณะครศาสตรอตสาหกรรม มหาวทยาลยเทคโนโลยพระจอมเกลาพระนครเหนอ

NCTechEd07SIT03

1. บทนา ในปจจบนนกาลงมความพยายามในการทจะพฒนาให

คอมพวเตอรสามารถจดจาและรจกใบหนาของมนษยได โดยไดมนกวจยเสนอวธการตางๆ ดงตวอยางของ Roberto Brunelli and Daniele Falavigna เสนอวธการ Multiple Cues [1], X.Jia and M.S.Nixon เสนอวธการ Feature Vectors [2], I.Wiskott, J.M.Fellious, N.Kroger เสนอวธการ Elastic Bunch Graph Matching [3], I.J.Cox, J.Ghosn, P.N.Yanilos เสนอวธการ Feature-Based [4] และ M.A.Grudin กไดเสนอวธการ Compact Multi-Level Model [5], L.-F. Chen, H.-Y.M. Liao, J.-C. Lin, C.-C. Han เสนอวธการแบงใบหนาออกเปนสวนๆ แลวคอยจา [6], G. Shakhnarovich, B. Moghaddam เสนอวธซบสเปซ [7], L. Sirovich, M. Meytlis นาเสนอวธการใชหลกการทางสถตมาชวยในการจดจาใบหนา [8] เปนตน

แตอยางไรกตามกยงไมพบงานวจยทจะพฒนาโปรแกรมมความฉลาดคลายมนษย สามารถจดจาใบหนาพรอมกบรายละเ อยดของแตละคนทพบปะ ในทานองเ ดยวกบพฤตกรรมของคนเมอพบปะกบบคคลทยงไมเคยรจกมากอนเลย ดงน นในงานวจยนจงนาเสนออกแนวทางหนงในการพฒนาโปรแกรมทสามารถมกลองสาหรบทางานแทนตาของมนษยพรอมกบมคอมพวเตอรทางานแทนสมองสวนตางๆ ในการจดจารายละเอยดของบคคลอนโดยเมอพบเหนใบหนาคนใดคนหนงแลวจะสามารถจดจาเคาโครงหนาไวไดพรอมกบสามารถสนทนาเพอจะทราบชอและรายละเอยดอนๆ ของบคคลนนๆ ไวเพอทาการจดจาไวในสมองและในภายหลงถาไดพบปะกบบคคลทเคยไดทาความรจกไวแลวกสามารถแสดงความรจกไดวาเปนใครพรอมกบสามารถสนทนากนไดตอไปอกดวย

2. วรรณกรรมทเกยวของ

2.1 การวเคราะหหาเคาโครงหนา (Human Face Features Analysis)

จากการวเคราะหการทางานของสมองมนษยในการจดจาใบหนาคนจะเหนวาเมอเรามองเหนหนาคนๆ หนง สงทเราจะจดจาไวเปนสงสาคญกคอเคาโครงหนาและชอเพอวาในการ

พบเหนบคคลนอกครงในโอกาสตอไปกจะสามารถรจกไดวาบคคลนมชออะไร และในการจาหนาของแตละคนนนสมองของเราคงจะไมใชว ธจ ารายละเอยดท งหมดของหนาไวเนองจากจะตองใชความจามากสาหรบการจดจาหนาของแตละคนซงกจะทาใหเราไมสามารถจะจดจาหนาของคนจานวนมากได ดงนนสมองมนษยจงตองใชวธการทใชความจาไมมากในการจาหนาแตละคนไว ซงในการวจยนเสนอแนวคดทวาสมองจะตองใชวธการจาเคาโครงหนาแทนใบหนาทงหมด และเคาโครงหนากประกอบดวยลกษณะของใบหนา ลกษณะของตาคว จมกและปากดงตวอยางแสดงในภาพท 1

ภาพท 1 ตวอยางลกษณะของเคาโครงหนาทเสนอในการวจยน

จะ เ หนวาในภาพของเคาโครงหนาน นไดมการตดรายละเอยดของใบหนาทไมจาเปนออกไปเหลอไวแตเคาโครงของอวยวะทสาคญในใบหนา

2.2 การตดขอบภาพแบบ Canny (Canny Edge Detection)

ขนตอนการหาขอบภาพโดยวธของ Canny ประกอบดวย 4 ขนตอน เรมตนจากการปรบภาพใหเรยบ (Smoothing) ดวยตวกรองเกาเซยน เพอกาจดสญญาณรบกวน หลงจากนนหาอนพนธอนดบหนง คานวณคาขนาดและทศทางของเกรเดยนท นาคาทไดมาคานวณคาของ Non-Maxima Suppression กบคาขนาดของเกรเดยนทเพอทาใหไดขอบทบางลงและในขนตอนสดทายใชการกาหนดจดอางองสองระดบ (Double Thresholding) เพอระบคาของพกเซลทเปนขอบและชวยเชอมตอขอบ ดงตวอยางภาพท 2

ภาพท 2 ภาพทไดจากการหาขอบดวยวธของ Canny

202



NCTechEd07SIT03

2.3 การพฒนาระบบขายสมอง สาหรบขายสมองทจะใชงานในงานวจยนเปนขายสมอง

แบบหลายชน (Multi-layer neural networks) โดยแตละชนสามารถกาหนดชนดของฟงกชนกระตน (Activation Function) หรอฟงกชนถายทอด (Transfer Function) ทตองการใชงานไดโดยอาจจะเปนแบบ Hard-Limit Transfer Function, Linear Transfer Function หรอ Log-Sigmoid Transfer Function กไดแลวแตความเหมาะสม ในดานจานวนของนวรอนในแตละชนนนสาหรบชนอนพต (Input Layer) นนจานวนนวรอนจะขนอยกบจานวนบตของขอมลอนพตโดยจะตองมจานวนเทากนเสมอ สาหรบชนเอาทพต (Output Layer) กเชนกนจานวนนวรอนทใชกจะตองเทากบจานวนบตของขอมลเอาทพตเสมอ สวนจานวนชนซอน (Hidden Layers) นนไดกาหนดไวใหม 2 ชน โดยจานวนนวรอนในแตละชนสามารถกาหนดไดตามความตองการ ท งนเ พอประโยชนในการตรวจสอบประสทธภาพในการทางานของขายสมองในขนาดตางๆ กนไดอยางสะดวก ในการทจะสรางขายสมองใหมขนาดพอดกบทจะใชงานกบขอมลฝกสอน (Training Data) ไดนนกจะตองไดรบขอมลฝกสอนซงประกอบดวยขอมลอนพตและขอมลเอาทพตหรอทารเกต (Target) เสยกอนแลวจงนาไปตรวจสอบหาจานวนบตของขอมลทงสองเพอนาไปสรางขายสมองใหมจานวนนวรอนอนพตและนวรอนเอาทพตในจานวนทพอด เมอไดรบขอมลทจาเปนในการสรางขายสมองครบแลวจงทาการสรางและกาหนดคาเรมตนใหแกขายสมอง เสรจแลวจงนาขอมลฝกสอนมาใชงานในการฝกสอนขายสมองจนกวาจะไดเอาทพตตามทตองการแลวจงรอรบภาพมาทาการทดสอบความจาของขายสมองนนและรายงานผล ขนตอนการทางานของโปรแกรม สาหรบสรางขายสมองประกอบดวยการทางานตางๆ ดงแสดงในภาพท 3

ภาพท 3 ผงงานแสดงการทางานของโปรแกรมสรางและ ทดสอบขายสมอง

2.4 ขายประสาทเทยมแบบแพรกลบ (Backpropagation Neural Network)

ขายประสาทเทยมแบบแพรกลบ มการคานวณสงคาน าหนกยอนกลบจากชนทอยดานหลงมายงชนทอยดานหนาอยดวยแสดงตวอยางในภาพท 4

ภาพท 4 Recurrent Network

จากภาพท 4 เปนขายสมองแบบ Multi-Layered, Feed Forward และ Supervised Training Neural Network โดยมขนตอนในการเรยนรอยสามขนตอนคอ

2.4.1 การฝกสอนไปขางหนานา Input Training Vector แตละชดเขามาประมวลผลแบบคานวณไปขางหนาจนถงคาเอาทพต

y1

y2

x1

x1

Get number of neurons in hidden layer#1 Get number of neurons in hidden layer#2

Get transfer function for each layer

Build and initialize the neural network

Get the training data Find the number of bits of input and target data

Start

End

Train and Test the neural network

203



NCTechEd07SIT03

2.4.2 การคานวณหาคาของความผดพลาด (Error Calculation) นาคาเอาทพตทไดไปเปรยบเทยบกบ Output Training Vector ทปอนเขามาสอนเพอหาคาความผดพลาด (Error Vector) ออกมา ถาคาความผดพลาดยงมากกวาคาทกาหนดไว ทาขนตอนทสามตอไป แตถาคาของความผดพลาดนอยกวาคาทกาหนดไว ใหหยดการฝกสอน เนองจากขายประสาทเทยมไดเรยนรขอมลนนไวแลว

2.4.3 ก า ร แ พ ร ก ล บ ค ว า ม ผ ด พ ล า ด (Error Backpropagation) นาคาความผดพลาดทคานวณไดจากในขนตอนทสองนนมาใชในการคานวณเพอปรบคาน าหนกโดยเรมจากชนแรกมาจนถงชนเอาทพต คานวณหาคาของ Output Training Vector คาใหม แลวกลบไปทาตามขนตอนทสองใหม

2.5 Open CV (Open Source Computer Vision) [9] Open CV หรอ Open Source Computer Vision Library

เปน Library ทพฒนาโดย บรษท Intel โดยใชในการประมวลผลภาพและงานทางดาน Computer Vision ทวไป ถกพฒนาขนดวยภาษา C และ C++ ซงสามารถทางานไดทงบน Linux , Mac OSX และ Windows และนอกจากนนยงม interface สาหรบเชอมตอกบภาษาหรอเครองมออนๆ ดวย อาท เชน Python, Ruby, Matlab เปนตน นอกจากนนแลว Library ยงถกเขยนและมการ Optimize scheme ซงทาให Library ทางานไดอยางมประสทธภาพ อกทงยงรองรบและสนบสนนการทางานแบบ Multi-core processors โดยจดเดนอกอยางหนงของ Open CV คอ เปน Library ทสรางขนเพอใหผใชหรอนกพฒนาสามารถใชฟงกชนใน Library ซงมมากกวา 500 ฟงกชน ในการพฒนาชนงานทมความซบซอนได

2.6 Emgu CV [10] Emgu CV เปนตวเชอมโยงภาษา (Wrapper) ทพฒนาขน

เพอใชในการประมวลผลภาพและงานทางดาน Computer Vision เปนภาษาคอมพวเตอรทสามารถใชไดในหลายแพลตฟอรม สามารถแปลงชดคาสงไปกลบ ระหวาง Library ของ .NET กบ Open CV นอกจากนนยงสามารถทาใหฟงกชนของ Open CV รองรบภาษาของ .NET เชน C#, VB.NET, VC++ , IronPython ฯลฯ สามารถทางานบนระบบปฏบตการ

Windows, Linux, Mac OS X, iPhone, iPad และอปกรณ Android ซงสามารถใชรวมกบการพฒนาได

3. วธการดาเนนการวจย

3.1 โครงสรางโดยรวมของระบบ ในการสรางระบบงานนไดใชโปรแกรมภาษา C# ในการ

เขยนโปรแกรม และจดเกบขอมลบคคลในฐานขอมลของระบบ รวมไปถงไดนาเอา Library Emgu CV มาชวยในการพฒนาโปรแกรมในสวนของการจบภาพใบหนาบคคลและใชงานผานกลองเวบแคม ซงสามารถทาการจบภาพมาทาการวเคราะหและระบใบหนาของบคคลในขณะนน โดยมขนตอนการทางานดงภาพท 5

3.2 การประมวลผลภาพ (Image Processing) ในข นตอนการเตรยมภาพผ วจยไดเ ลอกใชว ธการหา

ขอบภาพดวยวธของ Canny เพราะไดเสนขอบทตอเนองมากกวาการตดขอบดวยว ธ อนๆ และในการตดขอบไดกาหนดคาความละเอยดท 0.2 เพราะเปนคาความละเอยดทเหมาะสมสาหรบงานวจยน ความละเอยดของเสนขอบทตดแลวไมมากและนอยจนเกนไป ไมมผลตอการนาไป

ประมวลผลและเวลา ในการระบรปใบหนาของบคคล ดงตวอยางในภาพท 6

ภาพท 5 ขนตอนการทางานของการพฒนาระบบทสามารถรจาใบหนาบคคล

ภาพถายใบหนา (Face Image) จากกลองเวบแคม

การเตรยมภาพ (Image Processing)

จาแนกและฝกสอน (Neural Network Training)

แสดงผล (Result)

จดเกบขอมลบคคล ลงในฐานขอมล

204



NCTechEd07SIT03

3.3 การฝกสอน (Training) ในการฝกสอนนเปนการฝกสอนดวยวธแบบแพรกลบ

(Backpropagation) และบนทกนาหนกทไดจากการฝกสอนไว โดยจานวนโหนดทใช คอ 10, 20 และ 40 ตามลาดบของ

การฝกสอนในแตละครง ดงภาพท 7

จากภาพท 7 (ค) กราฟแสดงผลการฝกสอน ใหขายสมองจาชอและขอมลภาพใบหนาทสงเปนอนพตเขาไปสอน โดยใชการสอนจานวน 13 รอบ เมอคา Sum-Squared Error เขาใกลคา 0.01 (10 ยกกาลง -2) ทตงไวจงทาการหยดการสอน

3.4 การทดลองการทางานของระบบ ในการทดลองและทดสอบโปรแกรมทพฒนาขนมาน ได

ใชกลองเวบแคมทมความสามารถทาการปรบระยะโฟกสของ

ภาพไดแบบอตโนมตซงมระยะสงสดถง 1 เมตร จงทาใหไมเปนปญหาเมอใบหนาบคคลนน อยตาแหนงดานหนาของกลองเวบแคม แลวตองหาระยะทภาพชดทสดเองเพอใหโปรแกรมนาไปประมวลผล ดงภาพท 8

ในการวางตาแหนงของกลองเวบแคม สาหรบการจบภาพใบหนานน ตองเปนตาแหนงทไมยอนแสงหรอมแสงสวางมากเกนไปของฉากดานหลง เพราะจะมผลกบความสวางของภาพใบหนาทจบภาพไวได สาหรบการนาไปใชเปนขอมลในการจดจาหรอตรวจสอบตอไป

จากภาพท 9 เมอบคคลทกลองเวบแคมจบภาพไดแลว และในฐานขอมลไมพบขอมลใบหนาบคคลนน จะมปมทหนาจอหลกชอปม “เพมขอมลบคคล” สามารถทาการเพมขอมลภาพใบหนาบคคลเขาไปยงระบบฐานขอมลได ดงภาพท 10 และภาพท 11

จากภาพท 10 และภาพท 11 ในการจบภาพ (Capture) เพอใชเปนขอมลในการจดจา ไดมการกาหนดไวในการเขยน

ภาพท 9 หนาตางการทางานของโปรแกรมหลก

ภาพท 8 การทดสอบการทางานของโปรแกรมสาหรบจบภาพใบหนา

1 เมตร ภาพท 6 วธการหาขอบภาพดวยวธของ Canny (ก) ภาพใบหนา

ตนแบบ (ข) คาความละเอยด 0.1 (ค) คาความละเอยด 0.2 (ง) คาความละเอยด 0.3

(ข) (ค) (ง)

ภาพท 7 การฝกสอนการจดจาใบหนา (ก) ภาพใบหนาทรบเขา (ข) ภาพทตดขอบแลวดวยวธ Canny (ค) กราฟแสดงคา Learning Rate และ Sum-Squared

Error

(ก)

(ข)

(ค)

(ก)

205



NCTechEd07SIT03

โปรแกรม ใหมการจบภาพเองแบบอตโนมต เมอกลองเวบแคมไดภาพทอยในระยะโฟกส ซงเปนภาพทมความชดมากทสดจะทาการจบภาพและใชเปนขอมลใบหนาของบคคลนน ไดทนท

ภาพท 10 หนาตางโปรแกรมในสวนเพมขอมลใบหนาบคคลท 1

ภาพท 11 หนาตางโปรแกรมในสวนเพมขอมลใบหนาบคคลท 2

ภาพท 12 ทดสอบการจดจาใบหนาและสนทนา

จากภาพท 12 เมอทาการนาภาพใบหนาทาการจดจาและบนทกลงฐานขอมลเรยบรอยแลว ทาการทดสอบใหระบบตรวจสอบอกครง ระบบสามารถระบชอของบคคลท ง 2 ไดอยางถกตอง และแสดงขอความทกทาย

code : A100 สวสดครบคณ : ธญญาธร code : A101 สวสดครบคณ : มารสา

ในบางจงหวะหากมการเอยงหนาหรออยในมมทไมไดนาภาพนนเขาสกระบวนการสอนกจะไมแสดงขอมลภาพใบหนาของบคคลน นได หรอแมกระทงภาพใบหนาบคคลทมการบนทกขอมลอยในฐานขอมลแลวกตาม

4. ผลการดาเนนงาน ในการสอนรอบแรกๆ จะใชจานวนรอบในการฝกสอนมาก

สามารถระบใบหนาบคคลไดเพยงรปทไดทาการฝกสอน สวนรปทยงไมไดรบการฝกสอน นนไมสามารถระบชอบคคลได เมอเพมจานวนโหนดมากขนจะทาใหจานวนรอบ (Epoch) ในการเรยนรของแตละใบหนาเพมมากขนดวย เมอนาภาพใบหนาเดมเขาฝกสอนอก จะทาใหสามารถตอบไดแมนยามากขน เมอทาการฝกสอนหลายๆ ครงกบใบหนาบคคลเดม ทาใหจานวนรอบการเรยนร (Epoch) ของแตละใบหนาคอยๆ ลดลงจนเปนศนย เมอนาใบหนาทถกฝกสอนเขาไปถามจะสามารถตอบไดถกตอง 100% ตารางท 1 ผลการฝกสอนรปขนาด 100*100 pixel จานวนโหนดเทากบ 10 โหนด

ลาดบ รป จานวนครงทฝกสอน(Epoch)

อตราการเรยนร (Learning rate)

ชอทตอบ

1 A100 7 0.00185297 ธญญาธร 2 A101 13 0.00350358 มารสา 3 A100 8 0.0328323 ธญญาธร 4 A101 6 0.0446699 มารสา 5 A100 5 0.0425427 ธญญาธร 7 A101 7 0.0208459 มารสา 8 A100 4 0.0405169 ธญญาธร 10 A101 8 0.0064854 มารสา

จากผลการทดลองตารางท 1 ถานวรอนให a t ใหกลบไปคานวณปรบคานาหนกและคา Threshold ในทศทางทจะปรบให a ---> t โดยมการใชคา Learning Rate ประกอบในการปรบคาน าหนกแตละครงดวย ตามสมการโดย t = target และ = Learning ดงสมการท 1 ภาพทไดคาใกล 0.05 จะใชจานวนครงในการฝกสอน (Epoch) นอยกวา ภาพใบหนาอน ๆ ทคา Learning rate นอยกวา 0.05

Wi (new) = wi(old) + (.t.xi) (1)

จากผลการทดสอบภาพท คา Learning rate ใกลคา 0.05 มากทสด มความถกตองในการระบชอบคคลจากภาพใบหนาทกลองเวบแคมจบภาพไดมากกวาภาพบคคลอน และถาจานวน

206



NCTechEd07SIT03

รอบททาการสอนมากเกนไปจงทาการสงใหหยดท 100 รอบ เปนตน โดยโอกาสทจะเกด Error หรอ Sum-Squared Error ไดจากการนาคา target มาลบกบเอาทพต หลงจากนนนา squared error ปอนกลบมาคานวณปรบคา weights และ bias ตาง ๆ เพอทาใหสามารถจดจาไดดขนกวารอบทผานมาและทาแบบนไปเรอย ๆ จนกวา squared error จะใกลเคยง 0.01 ทตงไว

5. บทสรป

จากการทดลองจานวนครงทฝกสอนและจานวนรปทงหมด 168 รป สรปไดวาผลของการฝกสอนแตละรอบของภาพใบหนา ในอตราการเรยนรทเขาใกล 0.05 เมอใบหนาบคคลนนมาทาการทดสอบสามารถตอบชอบคคลไดแมนยา และจนกวาระบบจะจาใบหนาไดน นตองฝกสอนจนกวาจานวนรอบการเรยนร (Epoch) เขาใกลหรอเทากบศนย ในการทดสอบเมอเพมขนาดของรปแตใชจานวนของโหนดทนอยจะทาใหตองฝกสอนหลายครงจนกวาจะเรมจาได ดงนนการเลอกขนาดของภาพจะตองเลอกจานวนของโหนดใหเหมาะสมดวยเชนกน โดยผพฒนาจะนาขอผดพลาดจากผลของการทดลองทไดไปปรบปรงแกไข เพอใหระบบมความแมนยาในการจาจดใบหนายงขนตอไป

6. เอกสารอางอง [1] R.Brunelli, D.Falavigna, “Person Identification Using

Multiple Cues”, IEEE Trans Pattern Recognition, vol.17, 1995.

[2] X.Jia and M.S.Nixon, “Extending the Feature Vector for Automatic Face Recognition”, IEEE Trans Pattern Recognition, vol. 17, 1995.

[3] I.Wiskott, J.M.Fellious and N.Kroger, “Face Recognition by Elastic Bunch Graph Matching”, IEEE International Conference on Image Processing, Santa Barbara, Ca., U.S.A., Oct 26-29, 1997.

[4] I.J.Cox, J.Ghosn and P.N.Yanilos, “Feature-Based Face Recognition using Mixture-Distance”, IEEE International Symposium on Computer Vision, Coral Gables, Fl., U.S.A., May 1995.

[5] M.A.Grudin, “A Compact Multi-Level Model for the Recognition of Facial Images”, PhD thesis, Liverpool John Moores University, Liverpool, UK., 1998.

[6] L.-F. Chen, H.-Y.M. Liao, J.-C. Lin, C.-C. Han, Why Recognition in a Statistics-based Face Recognition System Should be based on the Pure Face Portion: a Probabilistic Decision-based Proof, Pattern Recognition, Vol.34, No.5, 2001, pp. 1393-1403.

[7] G. Shakhnarovich, B. Moghaddam, Face Recognition in

Subspaces, Handbook of Face Recognition, Eds. Stan Z. Li and Anil K. Jain, Springer-Verlag, December 2004.

[8] L. Sirovich, M. Meytlis, Symmetry, Probability, and Recognition in Face Space, PNAS - Proceedings of the National Academy of Sciences, Vol. 106, No. 17, 28 April 2009, pp. 6895-6899.

[9] Open CV, “OpenCV C interface”,http:// opencv.willowgarage.com

[10] Emgu CV, “C# Image Processing”,http://www.emgu.com/wiki/index.php/Main_page

207

การพัฒนาระบบร...

Documents