nhận dạng khuôn mặt su dụng neural network

H�i th�o Qu�c gia v� nghiên c�u c� b�n và �ng d�ng CNTT l�n th� 2 - FAIR’05

1

PHÁT HI�N KHUÔN M�T D�A TRÊN VÙNG MÀU DA VÀ M�NG N�RON

Face Detection using Skin Color Regions and Neural Network

Nguy�n Th� Hoàng Lan*, Nguy�n Thành Ph��ng **

* Khoa Công ngh� thông tin, ��i h�c Bách khoa Hà Ni ** Vi�n Tin h�c Pháp ng (IFI)

[email protected] Abstract. Face detection in digital image is being rapidly developed for more than 20 years. Many methods have been proposed to detect faces in a single image of intensity or color image and video sequence. However there are many challenges of face detection. A one of the important problems is how to evaluate and improve the performance of the proposed detection methods. In this paper, we will present a novel scheme for human face detection using the skin color and neural network. The main contribution presented in this paper is using an invariant feature of skin color regions for training MLP neural network in order to accelerate the speed of face detection. The experimental results will be presented. Tóm tt. Phát hi�n khuông m�t trong �nh s là v�n �� ang ��c quan tâm và phát tri�n nhanh chóng trong h�n 20 n�m g�n �ây. Nhi�u h��ng ti�p c�n, nhi�u ph��ng pháp �ã ��c nghiên c�u và �� xu�t �� phát hi�n khuôn m�t trong các �nh ��n màu ho�c �nh màu và trong chu�i �nh video. Tuy nhiên có nhi�u v�n �� khó kh�n thách th�c � i v�i bài toán phát hi�n khuôn m�t trong �nh. Mt trong các v�n �� quan tr�ng hi�n nay là s� �ánh giá ch�t l��ng c�a các gi�i pháp và c�i ti�n nâng cao ch�t l��ng các ph��ng pháp �ã �� xu�t. Trong bài báo này, chúng tôi �� xu�t mt gi�i pháp c�i ti�n �� phát hi�n khuôn m�t d�a trên phân tách màu da và m�ng n� ron. �óng góp ch� y�u c�a bài báo là �� xu�t mt gi�i pháp k�t h�p s� d�ng ��c tr�ng b�t bi�n vùng màu da cho hu�n luy�n m�ng neuron MPL �� t�ng t c � tìm ki�m phát hi�n khuôn m�t trong �nh. Nhng k�t qu� th�c nghi�m s� ��c trình bày �� minh h�a gi�i pháp �� xu�t. Key word : Face Detection, Face Recognition, Skin Color Region, Machine Learning, Neural Network. 1. GII THI�U V�N �

Phát hi�n và nh�n d�ng khuôn m�t trong �nh có r�t nhi�u �ng d�ng trong cuc

s ng. �ây c�ng là bài toán c� b�n c�n gi�i quy�t trong các h� th ng t��ng tác ng� i máy, quan sát �ám �ông. Phát hi�n khuôn m�t là quá trình ��u tiên quan tr�ng và c�n thi�t cho b�t k! mt h� th ng x� lý khuôn m�t mt cách t� �ng nh�: nh�n d�ng khuôn m�t, xác ��nh các thành ph�n ��c tr�ng khuôn m�t, ki�m ch�ng xác th�c khuôn m�t,… Nhi�m v� c�a mt h� th ng phát hi�n khuôn m�t nh"m xác ��nh xem trong �nh ��u vào có khuôn m�t hay không, n�u có thì ch# ra v� trí và kích th��c c�a t$ng khuôn m�t trong


2

�nh. Trong hai th�p k% g�n �ây v�n �� này ��c r�t nhi�u các nhà khoa h�c quan tâm nghiên c�u, và �ã có khá nhi�u các gi�i pháp khác nhau ��c ��a ra nh"m gi�i quy�t bài toán phát hi�n khuôn m�t trong �nh ��n và trong chu�i �nh video. Tuy nhiên do tính ph�c t�p và �a d�ng c�a th�c t� mt gi�i pháp toàn di�n và tr�n v&n cho v�n �� này v'n còn �ang trong giai �o�n nghiên c�u [1]. Trong bài báo [11] chúng tôi �ã trình bày mt gi�i pháp phát hi�n khuôn m�t trong chu�i �nh video, trong bài báo này chúng tôi t�p trung vào v�n �� nghiên c�u c�i ti�n gi�i pháp phát hi�n khuôn m�t trong �nh ��n

Hi�n nay có th� phân lo�i các ph��ng pháp phát hi�n thành 4 nhóm ch� y�u [1]: Ph��ng pháp d�a trên các lu�t tri th�c �� tìm ki�m khuôn m�t, ph��ng pháp s� d�ng các ��c tr�ng b�t bi�n c�a khuôn m�t, s� d�ng ph��ng pháp � i sánh m'u và ph��ng s� d�ng các k( thu�t h�c cho m�ng n� ron. H��ng ti�p c�n th� nh�t [6] nghiên c�u xây d�ng mt t�p lu�t phát hi�n khuôn m�t d�a trên các ��c �i�m t�o thành, ví d� các ��c tr�ng �� ng biên, �� th�c hi�n phân l�p thành 2 l�p: l�p �nh có khuôn m�t và l�p không-khuôn m�t. Trong nhóm ph��ng pháp th� hai, các gi�i pháp ��c �� xu�t h��ng t�i tìm ki�m các ��c tr�ng có c�u trúc c�a khuôn m�t t)n t�i ngay c� khi thay �*i t� th�, �i�m nhìn, �i�u ki�n ánh sáng… và s� d�ng các ��c tr�ng này �� nh v� khuôn m�t. Mt s ��c tr�ng th� ng ��c s� d�ng là: hình d�ng [4], k�t c�u [7], màu da [4,5], �� ng biên [8],… Các ph��ng pháp nhóm 3 nghiên c�u k( thu�t � i sánh m'u d�a trên s� � i sánh khuôn m�t nh�n ��c v�i các m'u ��c xây d�ng tr��c [9]. Các ph��ng pháp nhóm 4 d�a trên k( thu�t máy h�c �ã �� xuât ra các mô hình quá trình h�c và s� d�ng mô hình này �� hu�n luy�n và tìm ki�m khuôn m�t. Các k( thu�t máy h�c th� ng ��c áp d�ng nh�: m�ng neuron, SVM, HMM. Các ph��ng pháp thuc ba nhóm ph��ng pháp ��u cho phép xây d�ng các h� th ng có t c � x� lý nhanh, tuy nhiên k�t q�a x� lý l�i ch�a cao. Ng��c l�i các ph��ng pháp d�a trên k( thu�t h�c th� ng cho k�t qu� ��u ra cao h�n h+n các ph��ng pháp còn l�i nh�ng l�i khó có th� áp d�ng trong các h� th ng th i gian th�c.

Trong bài báo này chúng tôi ��a ra mt gi�i pháp m�i trên c� s, k�t h�p các th� m�nh c�a nhóm ph��ng pháp d�a trên phân tách vùng màu da và nhóm ph��ng pháp d�a trên k( thu�t máy h�c – m�ng n� ron �� xây d�ng h� th ng phát hi�n khuôn m�t cho phép t�ng t c � x� lý mà v'n ��m b�o ch�t l��ng k�t q�a ��u ra. Bài báo ��c trình bày theo c�u trúc sau: ph�n 1 gi�i thi�u chung, ph�n 2 trình bày v� k( thu�t phân tách các vùng �nh có ��c tính màu da. Ph�n 3 mô t� h� th ng phát khuôn m�t d�a trên m�ng neuron. Ph�n 4 trình bày mt vài k�t qu� th�c nghi�m. Cu i cùng là nhng k�t lu�n

2. PHÂN TÁCH VÙNG MÀU DA

Màu da ng� i �ã ��c s� d�ng và ��c ch�ng minh là mt ��c tr�ng có hi�u qu�

trong r�t nhi�u �ng d�ng nh� xác ��nh khuôn m�t, chi�t tách bàn tay,…M�c dù nhng ng� i khác nhau thì có màu da khác nhau, nh�ng r�t nhi�u nghiên c�u g�n �ây �ã ch# ra r"ng s� khác nhau này ph�n l�n là do s� khác nhau v� c� ng � ánh sáng gia chúng h�n là s� khác nhau v� thành ph�n màu (chrominance).

� i v�i các ph��ng pháp d�a trên màu da �� phân l�p các �i�m �nh theo tiêu chí có m�u da hay không có m�u da. V�n �� u tiên là ph�i bi�u di�n �nh trong không gian m�u thích h�p. �ó là các không gian cho phép tách bi�t 2 thành ph�n: thành ph�n � chói, c� ng � sáng và thành ph�n màu. Không gian màu thông th� ng RGB không thích h�p vì nó trn l'n 2 thành ph�n trên. Các không gian thích h�p th� ng ��c s� d�ng là: HSV, HSI, TSL, YUV-YCrCb, YIQ, YES…


3

Hình 1: S� phân b c�a m�u da trong m�t ph+ng CrCb c�a không gian m�u YCrCb

Chúng tôi s� d�ng không gian YCrCb vì có nhi�u �u �i�m và ��n gi�n h�n c�.

Không gian này ��c chuy�n �*i t$ không gian RGB theo quan h� sau: Y = 0.299R + 0.587G + 0.114 B

Cr = R-Y (1) Cb = B-Y Trong không gian YCrCb, vùng phân b c�a màu da trên m�t ph+ng CrCb t��ng

� i t�p trung và nh-, xem , Hình 1. Ý t�,ng c�a ph��ng pháp là xây d�ng t�p lu�t �� phân l�p mt cách tr�c ti�p các �i�m �nh có màu da b"ng cách xem xét s� phân b c�a chúng trên m�t ph+ng CrCb mà , �ó khu v�c m�u da ��c gi�i ni b,i các �� ng tuy�n tính. C. Garcia và G.Tziritas s� d�ng lu�t sau �ây �� tìm ki�m các �i�m �nh có màu da [10]:

if (Y≤ 128) θ1 = -2 +

16256 Y− ; θ2 = 20 -

16256 Y− ; θ3 = 6 ; θ4 = -8

if (Y>128) θ1= 6 ; θ2=12 ; θ3=2 +32Y ; θ4 = -16 +

16Y (2)

Cr ≥ -2 (Cb +24); Cr ≥ - (Cb + 17); Cr ≥ -4(Cb + 32); Cr ≥ 2.5(Cb + θ1); Cr ≥ θ3; Cr ≥ -0.5 (Cb-θ4); (3)

Cr ≤ 6

220−− Cb ; Cr ≤ -1.34(Cb-θ2);

Các ph��ng pháp theo h��ng ti�p c�n tr�c ti�p nh� trên t��ng � i h�p d'n do tính ��n gi�n, tuy nhiên k�t qu� ��t ��c ch�a th�t cao do g�p khó kh�n trong vi�c xây d�ng các lu�t mô t� th�t ��y �� và chính xác.

• Thu�t toán phân tách vùng màu da Trên c� s, nghiên c�u các ph��ng pháp trên chúng tôi �� xu�t , c�i ti�n m�i là xây

d�ng mô hình phân b màu da có tham s . Mt t�p h�p các m'u màu da ��c l�y ra t$ các �nh màu nh"m xác ��nh phân b màu da trong không gian m�u YCrCb. Các m'u này ��c trích t$ nhi�u ng� i khác nhau t$ nhi�u ch�ng tc: Á, Âu, Phi,… ��c gi� ��nh là có th� mô hình hóa b,i phân b Gaussian. Các m'u màu da ��c l�c thông th�p �� làm gi�m hi�u �ng nhi�u. T$ t�p h�p các m'u màu da ��u vào, các tham s c�a mô hình ��c xây d�ng trên c� s, tính các tham s th ng kê sau:


4

�=

=n

jjs c

n 1

1µ (4)

� �=

−−−

=s

n

j

Tsjsj cc

n 1

))((1

1 µµ (5)

Trong �ó: cj là các vector m'u màu da trích ch�n, cj = (Cr Cb)T n là t*ng s các m'u màu da µs là vector trung bình c�a phân b . �s là ma tr�n hi�p bi�n c�a phân b .

a) Phân b màu da c�a nhi�u ng� i khác nhau b) Mô hình hoá phân b b,i phân b

Gaussian Hình 2: Mô hình màu da trong không gian YCrCb

T$ �ó �� xác ��nh mt �i�m �nh có thuc l�p m�u da hay không, chúng tôi tính

toán hàm m�t � xác su�t c�a �i�m �nh �ó trong phân b Gaussian.

P (c| màu da) = �

−−−−

�

1)()(

21

2/12

1 s sT

s cc

s

eµµ

π (6)

�� phân bi�t �i�m �nh nào thuc vùng �nh màu da chúng tôi s� d�ng lu�t phân l�p

theo kho�ng cách Mahalanobis t$ c t�i µs và �s :

�− −−= 1

)()()(s s

Tss ccc µµλ (7)

K�t qu� quá trình phân l�p phân h�ach t�p các �i�m �nh thành 2 l�p: l�p �i�m �nh

màu da và l�p không-màu da. K�t qu� này ��c bi�u di�n d��i d�ng �nh nh� phân (Hình 3).


5

a) .nh ban ��u b) .nh phân vùng da (m�u tr/ng)

Hình 3: Phân tách vùng màu da t$ mt �nh màu 3. H� TH�NG PHÁT HI�N KHUÔN M�T D�A TRÊN M�NG NEURON 3.1 Ki�n trúc ho�t ��ng c�a h� th�ng

V�n �� phát hi�n khuôn m�t th�c ch�t là bài toán phân 2 l�p: l�p khuôn m�t và l�p không-khuôn m�t. Ki�n trúc h� th ng phát hi�n khuôn m�t trong �nh d�a trên m�ng neuron và c� ch� làm vi�c c�a h� th ng ��c trình bày trong hình 4. H� th ng này s� cung c�p k�t qu� phát hi�n xem trong mt �nh ��n , ��u vào có �nh khuôn m�t hay không, n�u có thì xác ��nh v� trí c�a khuôn m�t. T�p h�p các �nh dùng cho quá trình h�c c�a m�ng ��c chu0n hoá v�i � phân gi�i 18x27 pixels. �ây là bài toán h�c có giám sát, t�p các �nh �� h�c bao g)m 2 l�p: l�p �nh khuôn m�t và �nh không-khuôn m�t. �� phát hi�n khuôn m�t trong mt �nh ��u vào có kích th��c MxM, ph��ng pháp x� lý �a phân gi�i ��c áp d�ng. Mt �nh vào ��c xem nh� mt t�p h�p các �nh có � phân gi�i khác nhau d�a trên c�u trúc tháp. Mt c�a s* phân tích kích th��c 18x27 ��c quét tr��t trên l�n l��t kh/p các v� trí c�a �nh này, t�i m�i v� trí nó s� phát hi�n là có khuôn m�t hay không. Câu tr� l i phát hi�n khuôn m�t t�i m�i v� trí c�a c�a s* ��c th�c hi�n b,i h� th ng là m�ng Perceptron nhi�u t�ng (MLP).


6

Hình 4: Ki�n trúc h� th ng phát hi�n khuôn m�t trong �nh d�a trên m�ng neuron

3.2 Ti�n x� lý .nh ��u vào c�a toàn h� th ng là �nh màu, tuy nhiên �� làm gi�m b�t � ph�c t�p

tính toán các �nh ��u vào c�a m�ng neuron, t�p các �nh �� hu�n luy�n m�ng neuron ��u là các �nh m�c xám. T�p các �nh �� hu�n luy�n m�ng ��c x� lý (ti�n x� lý) �� nâng cao ch�t l��ng � t��ng ph�n c�a �nh, làm gi�m hi�u �ng nhi�u, các k( thu�t thông th� ng ��c ��c s� d�ng nh�: dãn histogram, t/ng c� ng � t��ng ph�n, l�c thông th�p,…

� i v�i các c�a s* 18x27 ch�a khuôn m�t, chúng tôi nh�n th�y các ph�n góc c�a c�a s* th� ng thuc v� ph�n n�n c�a �nh (không thuc khuôn m�t), vì v�y �� tránh s� tác �ng c�a n�n �nh � i v�i h� th ng các c�a s* chúng tôi s� d�ng mt m�t n� elliptic (xem hình 5).

Hình 5: Ch�p m�t n� nh"m lo�i b- tác �ng c�a n�n �nh

3.3 Xây d�ng mô hình quá trình h�c

Chúng tôi l�a ch�n ki�n trúc m�ng MLP v�i gi�i thu�t h�c lan truy�n ng��c. �� có th� t�o mô hình h�c t t, các yêu c�u theo tiêu chí d��i �ây ��c �� ngh� [1]:

- � i v�i các �nh không khuôn m�t có th� là b�t c� �nh gì không ph�i khuôn m�t nh�ng càng mô t� nhi�u các �nh �) v�t th� ng g�p. Dùng các �nh là mt ph�n c�a khuôn m�t càng t t.

- Các �nh khuôn m�t mô t� ��c càng nhi�u s� thay �*i c�a khuôn m�t càng t t


7

�� gi�i quy�t t t yêu c�u th� hai, chúng tôi �� ngh� mt gi�i pháp là t�o ra các �nh m�i t$ t�p các �nh h�c ban ��u b"ng cách xoay �nh nhng góc thích h�p c�ng nh� l�y � i x�ng trái-ph�i (xem Hình 6).

Hình 6: T�o �nh m�i t$ �nh h�c ban ��u

3.5 Quá trình tìm ki�m khuôn m�t d�a trên phân tách vùng màu da

Nguyên t/c tìm ki�m khuôn m�t trong �nh ��c th�c hi�n b"ng cách quét mt c�a s* có kích th��c c ��nh 18x27 trên �nh ��u vào. T�i m�i v� trí, c�a s* �nh �ó s� ��c �ánh giá là khuôn m�t hay không d�a trên k�t qu� ��u ra c�a m�ng neuron. Mt �nh ��u vào ��c bi�u di�n và x� lý �a phân gi�i v�i t% l� kích th��c gia các �nh ��c l�a ch�n là 1:2

Th i gian th�c hi�n c�a h� th ng ph� thuc vào: th i gian h�c c�a b phân l�p và th i gian tìm ki�m các �ng viên khuôn m�t. Th i gian h�c ph� thuc vào s m'u h�c, � l�n c�a vector ��u vào và các ��c tr�ng dùng �� h�c. Quá trình tìm ki�m vét c�n toàn b (full search) trên m�t ph+ng �nh s� t n nhi�u th i gian và g�p nhi�u khó kh�n � i v�i các yêu c�u c�n gi�m th i gian này.

M�c tiêu c�a chúng tôi là gi�m th i gian tìm ki�m. Chúng tôi �� ngh� mt gi�i pháp là vi�c tìm ki�m ch# ��c th�c hi�n trên vùng da �ã phân vùng c�a �nh, s� không tìm ki�m trên vùng không-màu da. Nh� v�y kh i phân tách vùng màu da v�i thu�t toán �ã trình bày , ph�n 2 ��c tích h�p vào h� th ng phát hi�n khuôn m�t ph�c v� cho quá trình phân tích tìm ki�m phát hi�n các khuôn m�t trong �nh vào. Gi�i pháp này cho phép t�ng t c � tìm ki�m so v�i tìm ki�m vét c�n nh� nhi�u ph��ng pháp ��a ra trong nhóm ph��ng pháp 4 �ã �� c�p , trên.

Hình 7: X� lý �a phân gi�i �nh vào

4 K�T QU� TH�C NGHI�M

�� t�o c� s, d li�u h�c, chúng tôi xây d�ng mt t�p h�p h�n 100 �nh khuôn m�t

khác nhau v�i các t� th�, �i�u ki�n ánh sáng, tr�ng thái tình c�m khác nhau. Chúng


8

��c chu0n hoá v� kích th��c 18x27. T$ các �nh m'u ban ��u, b"ng phép xoay (trong ph�m vi 100) , phép l�y � i x�ng trái-ph�i, chúng tôi t�o ��c h�n 1100 �nh m'u khác nhau. T�p h�p các �nh này ��c s� d�ng �� hu�n luy�n m�ng neuron MLP.

H� th ng phát hi�n nh�tình bày , m�c 3 ��c th� trên t�p d li�u th� g)m 134 �nh màu ��a vào h� th ng có ch�a 510 khuôn m�t khác nhau.

Sau �ây là b�ng k�t qu� th�c nghi�m.

Phát hi�n �úng Phát hi�n b ph�n Thi�u Phát hi�n sai S l��ng 422 50 38 40

T% l� 82.7 % 9.8% 7.4% 8%

B�ng 1: K�t qu� phát hi�n khuôn m�t c�a h� th ng m�ng n� ron s� d�ng thông tin màu da

Toàn b h� th ng �ã ��c chúng tôi thi�t k� và l�p trình b"ng ngôn ng C++ và

th� nghi�m th�c hi�n trên PC v�i Pentium4 1.8GHz, 512 Mb RAM. K�t qu� th�c nghi�m cho k�t qu� là:

- So v�i h� th ng tìm ki�m vét c�n toàn b, th i gian trung bình �� phát hi�n và xác ��nh nhi�u khuôn m�t có trên �nh 256x384 �i�m �nh là 15-20 phút.

- � i v�i h� th ng d�a trên c� ch� tìm ki�m trên vùng màu da, k�t qu� ��t ��c sau là 4-5 phút trong cùng �i�u ki�n d li�u h�c và d li�u vào. �i�u này có ngh1a t c � x� lý c�a h� th ng ��c t�ng lên t$ 3-5 l�n.

- T% s phát hi�n �úng kho�ng 85%. So sánh v� m�t t c � x� lý c�a h� th ng, c� ch� tìm ki�m phát hi�n khuôn m�t d�a

trên vùng �nh màu da cho phép gi�m th i gian tìm ki�m. K�t qu� th�c nghi�m c�a gi�i pháp �� xu�t �ã cho th�y các khuôn m�t trong �nh �ã ��c phát hi�n v�i t% l� chính xác trong ph�m vi cho phép và mang l�i hi�u qu� rõ r�t v� th i gian.

5 K�T LU�N

Bài báo này nghiên c�u và �� xu�t c�i ti�n ph��ng pháp phát hi�n khuôn m�t b"ng

vi�c k�t h�p s� d�ng ��c tr�ng b�t bi�n là màu da v�i k( thu�t h�c c�a m�ng n� ron �� gi�m th i gian tìm ki�m khuôn m�t trong �nh, cho phép �� t�ng t c � x� lý c�a h� th ng. Các k�t qu� th�c nghi�m �ã cho th�y �u �i�m ch� y�u c�a gi�i pháp ��a ra v'n ��m b�o t% s phát hi�n chính xác trong ph�m vi cho phép nh�ng �ã gi�m �áng k� th i gian th�c hi�n. Tuy nhiên �ây m�i ch# là k�t qu� b��c ��u c�ng ch�a d� dàng �áp �ng các yêu c�u th i gian th�c

Xác ��nh khuôn m�t là mt bài toán khó và khá n*i ti�ng trong l1nh v�c th� giác máy. �� áp �ng các yêu c�u �a d�ng c�a th�c t�, mt gi�i pháp tr�n v&n và toàn di�n cho v�n �� này �òi h-i v$a ph�i có kh� n�ng x� lý t t �áp �ng th i gian th�c và �)ng th i ph�i có kh� n�ng ��m b�o � phát hi�n chính xác và hi�u qu� khi có s� thay �*i c�a môi tr� ng và � i t��ng quan sát nh�: �i�u ki�n ánh sáng, h��ng, t� th�, s/c thái khuôn m�t, s� che khu�t b ph�n, s� xu�t hi�n có ho�c không c�a các thành ph�n ph� �i kèm cùng khuôn m�t nh�: râu, kính, ria,… �ó t�t c� v�n �� t ra và các �òi h-i ph�i ti�p t�c nghiên c�u.


9

TÀI LI�U THAM KH�O

[1] Ming-Hsuan Yang, David J. Kriegman and Narendra Ahuja, Detecting Faces in Images: A Survey, IEEE Transactions On Pattern Analysis And Machine Intelligence, Vol 24, No 1, January 2002 [2] Erik Hjelmas, Face Detection: A Survey, Computation Vision and Image Understanding, Vol 83, 236-274, 2001 [3] Henry A. Rowley, Shumeet Baluja and Takeo Kanade, Neural Network-Based Face Detection, Proc. IEEE Conf. Computer Vision and Pattern Recognition, 203-208, 1996 [4] K. Sobottka and I. Pitas, Face Localization and Feature Extraction Based on Shape and Color Information, Proc. IEEE Int’l Conf. Image Processing, pp. 483-486, 1996. [5] S.-H. Kim, N.-K. Kim, S.C. Ahn, and H.-G. Kim, Object Oriented Face Detection Using Range and Color Information, Proc. Third Int’l Conf. Automatic Face and Gesture Recognition, pp. 76-81, 1998. [6] G. Yang and T.S.Huang, Human Faces Detecting in complex background, Pattern Recognition, 27(1):53-63, 1994 [7] M. F. Augusteijn and T.L. Skujca, Identification of Human Faces through Texture-Based Feature Recognition and Neural Network Technology, Proc. IEEE Conf. Neural Networks, 392-398,1993 [8] S. A. Sirohey, Human Face Segmentation and Identification, Technical Report CS-TR-3176, Univ. of Maryland, 1993 [9]A. Samal and P.A. Iyengar, Human Face Detection Using Silhouettes, International Journal of Pattern Recognition and Artificial Intelligence, Vol. 9, No. 6, pp. 845-867, 1995 [10] C. Garcia, G. Zikos and G.Tziritas, Face Detection in Color Images using Wavelet Packet Analysis, IEEE Int. Conf. On Multimedia Computing and System, 1999. [11]. Nguy�n Th� Hoàng Lan, Tr�n C� ng “An Intergrated Algorithm for Face Detection in Video Sequences”, bài báo khoa h�c trình bày t�i Hi th�o Qu c t� l�n th� 3 v� Tin h�c RIVF’05, 21-24/2/2005, K% y�u hi th�o “proceeding of RIVF’05”, trang 322-325.

nhận dạng khuôn mặt su dụng neural network

Documents