Nâng cao chất lượng ảnh màu mặt người bởi SVD của DCT trong miền logarit ứng dụng trong hệ thống nhận dạng mặt người

 có: 
{DCT_R, DCT_G, DCT_B} = DCT(R, G, B) (9) 
DCT_Ga = DCT(Ga) (10) 
Như thảo luận trong phần 2.3, giá trị riêng của ảnh chứa 
thông tin độ sáng và giá trị riêng lớn nhất chứa 99,72% 
năng lượng của ảnh, do đó tính toán SVD của DCT_RLT 
DCT_G, DCT_B và DCT_Ga: 
DCT_R = U ∗ Σ ∗ V
; (11) 
DCT_G = U ∗ Σ ∗ V
; (12) 
DCT_B = U ∗ Σ ∗ V
; (13) 
DCT_Ga = U ∗ Σ ∗ (14) 
Ký hiệu các giá trị riêng lớn nhất của Σ, Σ , Σ và Σ 
tương ứng là λ, λ , λ và λ . Khi đó, hệ số bù sáng cho các 
kênh màu được tính như sau: 
μ =


 (15) 
μ =


 (16) 
μ =


 (17) 
(a) 
 CÔNG NGHỆ 
 Tạp chí KHOA HỌC & CÔNG NGHỆ ● Số 54.2019 24
KHOA HỌC P-ISSN 1859-3585 E-ISSN 2615-9619
(b) 
Hình 6. Ảnh màu mặt người và lược đồ histogram của nó (a); ảnh ALDS của 
ảnh gốc ở hàng trên và lược đồ histogram của ALDS (b) 
Thông qua các hệ số bù sáng này, cách hệ số DCT được 
tính toán lại bằng cách nhân với hệ số bù sáng như sau: 
DCT_Rù = U ∗ (μΣ) ∗ V
; (18) 
DCT_Gù = U ∗ (μ Σ ) ∗ V
; (19) 
DCT_Bù = U ∗ (μΣ) ∗ V
; (20) 
Sử dụng biến đổi DCT ngược của các hệ số DCT bù sáng, 
ta được các kênh màu sau khi bù sáng: 
Rù = iDCT(DCT_Rù); (21) 
Gù = iDCT(DCT_Gù); (22) 
Bù = iDCT(DCT_Bù); (23) 
Cuối cùng, trộn lẫn ba kênh màu và chuẩn hóa dữ liệu, 
ta thu được ảnh màu mặt người, ký hiệu là ALDS, không chỉ 
rõ nét hơn rất nhiều so với ảnh gốc, mà còn tái tạo lại được 
mầu da người, có thể rất hữu hiệu trong lĩnh vực thị giác 
máy tính và phát hiện màu da, như chỉ trong hình 6. Do bề 
mặt người không phải là bề mặt khuếch tán hoàn hảo (bề 
mặt lambertian) nên trong một số trường hợp, có những 
đặc trưng của khuôn mặt không nằm ở băng tần thấp. Hơn 
nữa, những phần bị che khuất cũng nằm trên cùng băng 
tần với các đặc trưng quan trọng của khuôn mặt, do đó có 
lúc độ sáng sẽ không được bù đúng bởi bỏ đi các tần số 
cao. Do vậy, trong nghiên cứu này, chúng tôi không dùng 
biến đổi logarit ngược. Hình 6 cho ta thấy, ảnh màu mặt 
người ALDS rõ nét hơn, màu da đúng với tự nhiên hơn và 
có phân bố giá trị độ sáng gần với phân bố chuẩn chính 
tắc. Do vậy, nâng cao được hiệu suất của hệ thống nhận 
dạng khuôn mặt người. 
4. KẾT QUẢ THỰC NGHIỆM 
Để làm rõ sự hiệu quả của phương pháp ALDS, chúng 
tôi tiến hành thực nghiệm trên hai cơ sở dữ liệu ảnh màu 
nổi tiếng là CMU-PIE [19] và FERET [20]. Chúng tôi cũng so 
sánh kết quả của ALDS với các phương pháp trước như 
ASVD, TSVD và ảnh màu mặt người thu được bằng việc chỉ 
sử dụng LT, ký hiệu là CFLT, như thảo luận trong phần 2.1. 
Để tiến hành so sánh, chúng tôi sử dụng các phương pháp 
trích xuất đặc trưng khuôn mặt để tiến hành nhận dạng 
khác nhau như Eigenface [21] và LBP [22]. 
4.1. Thực nghiệm trên cơ sở dữ liệu CMU-PIE 
Cơ sở dữ liệu mặt người CMU-PIE bao gồm 41.368 bức 
ảnh màu của 68 người. Mỗi người được chụp dưới 13 tư 
thế, 43 cường độ sáng, 4 sắc thái khuôn mặt khác nhau. Để 
thực nghiệm kết quả, mỗi người lấy 45 ảnh chụp trực diện, 
mỗi ảnh có độ sáng khác nhau được chụp bởi máy ảnh 
trung tâm (c27), bao gồm hai điều kiện "tắt đèn" và "bật 
đèn". Loại "tắt đèn" bao gồm 21 độ sáng từ f02 đến f22, 
trong khi loại "bật đèn" bao gồm 24 độ sáng từ f00 đến f23 
như trong hình 7(a). Khuôn mặt người được trích xuất và 
chuẩn hóa dưới cùng một kích thước 96×132. Tổng cộng 
chúng tôi có 3600 ảnh. Chúng tôi sử dụng lần lượt từng 
phương pháp ASVD, TSVD, CFLT và ALDS để thu được các 
ảnh từ ảnh màu mặt người gốc để tiến hành nhận dạng. 
Hình 7 biểu diễn các ảnh gốc và kết quả của của các 
phương pháp. Hình 7(a) biểu diễn 45 ảnh dưới 45 độ sáng 
khác nhau, trong cả điều kiện “tắt đèn” và “bật đèn” của 
một người trong cơ sở dữ liệu CMU-PIE. Hình 7(b) biểu diễn 
kết quả thu được sau khi áp dụng phương pháp ASVD và 
kết quả của phương pháp TSVD được biểu diễn trong hình 
7(b). Kết quả cho thấy, ảnh sau khi được nâng cao không 
quá khác biệt so với ảnh gốc vì các phương pháp này xử lý 
ảnh trong miền không gian. Hình 7(c) biểu diễn ảnh thu 
được khi áp dụng phương pháp CFLT như thảo luận trong 
mục 2.1. Kết quả cho thấy, ảnh đã rõ nét hơn nhưng chúng 
ta vẫn thấy được tác động của điều kiện “tắt đèn” và “bật 
đèn”. Kết của phương pháp ALDS của chúng tôi được biểu 
diễn trong hình 7(d). Kết quả cho thấy, tất cả các ảnh đã rõ 
nét hơn, đặc biệt là các ảnh bị che khuất và tái tạo được làn 
da gốc của người, trông rất tự nhiên. Tất cả các ảnh có màu 
sắc giống nhau như được chụp cùng một thời điểm trong 
điều kiện “bật đèn”. 
(a) 
(b) 
P-ISSN 1859-3585 E-ISSN 2615-9619 SCIENCE - TECHNOLOGY 
No. 54.2019 ● Journal of SCIENCE & TECHNOLOGY 25
(c) 
(d) 
(e) 
Hình 7. (a) 45 ảnh gốc của một người trong cơ sở dữ liệu CMU-PIE; (b) ASVD 
của (a); (c) TSVD của (a); (d) CFLT của (a); (e) ALDS của (a) 
Bảng 1. Kết quả nhận dạng mặt người trên cơ sở dữ liệu CMU-PIE bằng 
phương pháp eigenface 
Số 
thành phần 
Tỉ lệ nhận dạng 
Ảnh gốc ASVD TSVD CFLT ALDS 
10 58,77 63,82 60,39 63,33 74,12 
20 75,54 78,73 78,14 80,54 87,60 
30 81,13 83,24 83,14 85,15 91,57 
40 83,38 85,34 85,25 87,11 93,73 
50 84,85 86,91 86,57 88,33 94,80 
60 86,13 87,75 87,84 89,22 95,20 
70 87,06 88,48 88,58 89,80 95,64 
80 87,30 89,07 88,82 90,00 95,98 
90 87,79 89,41 89,22 90,20 96,37 
100 88,19 89,66 89,51 90,25 96,52 
110 88,63 90,00 90,05 90,44 96,72 
120 88,82 90,15 90,34 90,69 96,81 
Tất cả 90,05 91,22 91,43 92,42 98,14 
Hình 8. Tỉ lệ nhận dạng bằng phương pháp eigenface trên cơ sở dữ liệu 
CMU-PIE 
Đầu tiên, chúng tôi sử dụng phương pháp eigenface để 
đánh giá hiệu suất của nhận dạng khuôn mặt. Phương 
pháp eigenface dựa trên việc ánh xạ tuyến tính ảnh mặt 
người vào không gian đặc trưng có số chiều thấp hơn bằng 
cách sử dụng phương pháp phân tích thành phần chính 
(PCA). Nó sử dụng các thành phần chính là các véc-tơ riêng 
tương ứng với các giá trị riêng lớn nhất làm đặc trưng và 
sau đó dùng giải thuật hàng xóm lân cận nhất giữa ảnh 
huấn luyện và ảnh kiểm tra. Để tiến hành nhận dạng, với 
mỗi người trong cơ sở dữ liệu, chúng tôi chọn 15 ảnh để 
huấn luyện và 30 ảnh còn lại để kiểm tra. Kết quả nhận 
dạng được biểu diễn trong bảng 1 và hình 8. Kết quả cho 
thấy, phương pháp ALDS đã nâng cao đáng kể tỉ lệ nhân 
dạng mặt người, cao hơn ảnh gốc, ASVD, TSVD, CFLT lần 
lượt là 8,09%, 6,42%, 6,71% và 5,72%. 
Tiếp theo, chúng tôi tiếp tục so sánh tỉ lệ nhận dạng của 
phương pháp ALDS với các phương pháp ASVD, TSVD, 
CFLT bằng phương pháp trích xuất đặc trưng khác như 
phương pháp mẫu nhị phân cục bộ (LBP). Không giống như 
phương pháp eigenface bị ảnh hưởng rất lớn bởi sự thay 
đổi của độ sáng. Phương pháp LBP loại bỏ được thông tin 
chứa độ sáng và thu được cấu trúc của ảnh khuôn mặt 
người. Hình 9(a) biểu diễn các ảnh mặt người gốc và ảnh 
LBP của chúng và hình 9(b) biểu diễn các ảnh ALDS và ảnh 
LBP của chúng cho thấy, hình ảnh LBP của ALDS rõ ràng 
hơn. Kết quả nhận dạng bằng LBP trong bảng 2 cho thấy, 
sau khi sử dụng ALDS, tỉ lệ nhận dạng tăng 2,92%, 2,18%, 
 CÔNG NGHỆ 
 Tạp chí KHOA HỌC & CÔNG NGHỆ ● Số 54.2019 26
KHOA HỌC P-ISSN 1859-3585 E-ISSN 2615-9619
1,98% và 1,9% khi so sánh với ảnh gốc, ASVD, TSVD và 
CFLT. Điều này chứng tỏ, ALDS không những tăng cường 
màu sắc của ảnh mặt người, mà còn tăng cường được cả 
cấu trúc của ảnh mặt người. 
Bảng 2. Kết quả nhận dạng mặt người trên cơ sở dữ liệu FERET bằng phương 
pháp LBP 
Cơ sở dữ liệu 
Tỉ lệ nhận dạng 
Ảnh gốc ASVD TSVD CFLT ALDS 
CMU-PIE 95,08 95,82 96,02 96,10 98 
FERET 90,55 90,85 90,85 91,20 94,5 
(a) 
(b) 
Hình 9. Ảnh thu được khi áp dụng phương pháp LBP. (a) Ảnh gốc và LBP của 
ảnh gốc; (b) Ảnh ALDS và LBP của chúng 
4.2. Thực nghiệm trên cơ sở dữ liệu FERET 
Để kiểm tra thêm khả năng nhận dạng khuôn mặt của 
ALDS, chúng tôi cũng đã sử dụng các phương pháp 
eigenface và LBP để đánh giá hiệu suất nhận dạng khuôn 
mặt trên bộ cơ sở dữ liệu FERET. Cơ sở dữ liệu FERET được 
đưa ra bởi Viện Tiêu chuẩn và Công nghệ Quốc gia Mỹ 
(NIST), gồm 11.338 ảnh được thu thập từ 994 người với 
nhiều sắc thái khuôn mặt và nhiều độ sáng khác nhau. Để 
tiến hành thực nghiệm, chúng tôi chọn 810 người trong cơ 
sở dữ liệu, mỗi người gồm 02 ảnh trong tập fa và fb như 
biểu diễn trong hình 10, trong đó fa được dùng để huấn 
luyện còn fb dùng để kiểm tra. 
(a) (b) 
Hình 10. Ví dụ về ảnh fa và fb của một người trong cơ sở dữ liệu FERET 
Hình 10 biểu diễn các hình ảnh gốc trong cơ sở dữ liệu 
FERET và hình ảnh ASVD, TSVD, CFLT và ALDS. Cũng giống 
như trong cơ sở dữ liệu CMU-PIE, hình ảnh ASVD ở hàng 1 
và TSVD ở hàng 2 không có quá nhiều sự khác biệt so với 
ảnh gốc. Tuy nhiên, ảnh CFLT ở hàng 3 và đặc biệt ảnh 
ALDS ở hàng cuối cùng cho thấy, tất cả các ảnh đều cùng 
một độ sáng, qua đó làm khuôn mặt người rõ nét hơn. Kết 
quả nhận dạng bằng eigenface trên cơ sở dữ liệu FERET 
được biểu diễn trong bảng 3 và hình 12. Kết quả cho thấy, 
sau khi sử dụng ALDS, tỉ lệ nhận dạng tăng 29,5%, 23,5%, 
10,5% và 1% khi so sánh với ảnh gốc, ASVD, TSVD và CFLT. 
Hình 11. Hàng 1 gồm 05 ảnh trong FERET; hàng 2 gồm ASVD của hàng 1; 
hàng 3 gồm TSVD của hàng 1; hàng 4 gồm CFLT của hàng 1; hàng 5 gồm ALDS 
của hàng 1 
Bảng 3. Kết quả nhận dạng mặt người trên cơ sở dữ liệu FERET bằng phương 
pháp eigenface 
Số 
thành phần 
Tỉ lệ nhận dạng 
Ảnh gốc ASVD TSVD CFLT ALDS 
10 50,0 49,0 69,0 70,5 72,0 
20 60,0 60,0 76,5 79,0 82,5 
30 61,5 65,5 80,0 80,0 86,5 
40 65,0 69,5 81,0 84,0 90,0 
50 65,5 70,5 82,5 85,0 92,5 
60 65,5 71,0 83,5 84,5 93,5 
70 66,0 71,5 83,5 84,0 94,0 
80 66,0 71,5 84,5 85,0 96 
90 66,0 71,5 85,0 85,5 96,5 
100 67,5 73,0 84,5 87,0 96,0 
110 67,5 73,0 85,0 87,5 96,0 
120 67,5 73,0 85,5 87,5 96,5 
Tất cả 68,5 74,5 87,5 88,0 98,0 
P-ISSN 1859-3585 E-ISSN 2615-9619 SCIENCE - TECHNOLOGY 
No. 54.2019 ● Journal of SCIENCE & TECHNOLOGY 27
Hình 12. Tỉ lệ nhận dạng bằng phương pháp eigenface trên cơ sở dữ liệu 
FERET 
Kết quả nhận dạng bằng LBP trên tập dữ liệu FERET 
trong bảng 2 cho thấy, sau khi sử dụng ALDS, tỉ lệ nhận 
dạng tăng 3,95%, 3,65%, 3,65% và 3,3% khi so sánh với ảnh 
gốc, ASVD, TSVD và CFLT. 
5. KẾT LUẬN 
Trong bài báo này, một phương pháp tiền xử lý hình 
ảnh mới có tên ALDS được đề xuất để nhận dạng khuôn 
mặt màu dưới nhiều độ sáng khác nhau. Phương pháp này 
có thể làm cho hình ảnh khuôn mặt màu rõ hơn, tự nhiên 
hơn và mịn hơn, ngay cả khi hình ảnh khuôn mặt bị che 
khuất. Các kết quả thử nghiệm dựa trên hai cơ sở dữ liệu 
màu mặt phổ biến hiện nay là CMU-PIE và FERET cho thấy, 
phương pháp được đề xuất là cực kỳ hiệu quả trong các 
ứng dụng thực tế. Phương pháp này cho thấy hiệu suất cao 
cho tác vụ khớp khuôn mặt và chắc chắn cũng hữu ích 
trong lĩnh vực thị giác máy tính, phát hiện khuôn mặt và 
phát hiện màu da. 
TÀI LIỆU THAM KHẢO 
[1]. R. C. Gonzalez and R. E. Wood, 2007. Digital image processing. third ed. 
Prentice Hall. 
[2]. S. M. Pizer, E. P. Amburn, J. D. Austin, R. Cromartie, A. Geselowitz, T. 
Greer, B. T. H. Romeny, J. B. Zimmerman, and K. Zuiderveld, 1987. Adaptive 
histogram equalization and its variations. Comput. Vision. Graph. Image Process., 
vol. 39, pp. 355-368. 
[3]. S. Shan, W. Gao, B. Cao, and D. Zhao, 2003. Illumination normalization 
for robust face recognition against varying lighting conditions. in IEEE. Workshop 
on AMFG, pp.157-164. 
[4]. S. -I. Choi and G. -M. Jeong, 2011. Shadow compensation using Fourier 
analysis with application to face recognition. IEEE Signal Process. Lett., vol. 18, pp. 
23-26. 
[5]. T. Zhang, Y. Y. Tang, B. Fang, Z. Shang and X. Liu, 2009. Face recognition 
under varying illumination using Gradientfaces. IEEE Trans. Image Process., vol. 
18, pp. 2599-2606. 
[6]. B. Wang, W. Li, W. Yang and Q. Liao, 2011. Illumination normalization 
based on Weber's law with application to face recognition. IEEE Signal Process. 
Lett, vol. 18, pp. 462–465. 
[7]. Y. Wu, Y. Jiang, Y. Zhou, W. Li, Z. Lu, and Q. Liao, 2014. Generalized 
Weber-face for illumination-robust face recognition. Neurocomputing, vol. 136, 
pp. 262-267. 
[8]. M. Savvides and B. V. K. V. Kumar, 2003. Illumination normalization 
using logarithm transforms for face authentication. in Proc. IAPR AVBPA, pp. 549-
556. 
[9]. W. Chen, M. J. Er, and S. Wu, 2006. Illumination compensation and 
normalization for robust face recognition using discrete cosine transform in 
logarithm domain. IEEE Trans. Syst., Man, Cybern.,Syst, vol. 36, pp. 458-466. 
[10]. L. Torres, J. Y. Reutter, and L. Lorente, 1999. The importance of the color 
information in face recognition. Int. Conf. ICIP, vol. 3, pp. 627-631. 
[11]. H. Demirel and G. Anbarjafari, 2008. Pose invariant face recognition 
using probability distribution functions in different color channels. IEEE Signal 
Process. Lett, vol. 15, pp. 537-540. 
[12]. J. -W. Wang, J. -S. Lee, and W. -Y. Chen, 2011. Face recognition based 
on projected color space with lighting compensation. IEEE Signal Process. Lett, vol. 
18, pp. 567-570. 
[13]. J. -W. Wang, J. -S. Lee, and W. -Y. Chen, 2014. Recognition based on 
two separated singular value decomposition-enriched faces. Journal of Electronic 
Imaging, vol. 23, no. 6, pp. 063010-1~063010-15. 
[14]. Y. Adini, Y. Moses, and S. Ullman, 1997. Face recognition: the problem 
of compensating for changes in illumination direction. IEEE Trans. Pattern Anal. 
Mach. Intell., vol. 19, no. 7, pp. 721–732. 
[15]. W. Pennebaker and J. Mitchell, 1993. JPEG Still Image Data Compression 
Standard. New York: Van Nostrand Reinhold. 
[16]. K. R. Rao and P. Yip, 1990. Discrete Cosine Transform: Algorithms, 
Advantages, Applications. Boston, MA: Academic. 
[17]. H. Demirel and G. Anbarjafari, 2008. Pose invariant face recognition 
using probability distribution functions in different color channels. IEEE Signal 
Process. Lett, vol. 15, pp. 537-540. 
[18]. T. Sim, S. Baker, and M. Bsat, 2003. The CMU pose, illumination, and 
expression database. IEEE Trans. Pattern Anal. Mach. Intell., vol. 25, pp. 1615-
1618. 
[19]. P. J. Phillips, H. Moon, S.A. Rizvi, P.J. Rauss, 2000. The FERET evaluation 
methodology for face recognition algorithms. IEEE Trans. Pattern Anal. Mach. 
Intell., vol. 22, pp. 1090-1104. 
[20]. P. N. Belhumeur, J. P. Hespanha, and D. J. Kriegman, 1997. Eigenfaces 
vs. Fisherfaces: Recognition using class specific linear projection. IEEE Trans. 
Pattern Anal. Mach. Intell., vol. 19. 
[21]. T. Ahonen, A. Hadid, and M. Pietikainen, 2006. Face description with 
local binary patterns: application to face recognition. IEEE Trans. Pattern Anal. 
Mach. Intell., vol. 28, pp. 2037-2041, 2006. 
AUTHORS INFORMATION 
Nguyen Nam Phuc1, Nguyen Quoc Trung2, Ha Huu Huy3 
1Department of Information Technology, Ministry of Public Security of Socialist 
Republic of Vietnam 
2Hanoi University of Science and Technology 
3Military Institute of Technology and Science, Vietnam