Xây dựng ứng dụng hỗ trợ điểm danh sinh viên bằng điện thoại dựa trên nhận dạng khuôn mặt người luận văn thạc sĩ công nghệ thông tin

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC LẠC HỒNG TRƢƠNG CÔNG HỮU XÂY DỰNG ỨNG DỤNG HỖ TRỢ ĐIỂM DANH SINH VIÊN BẰNG ĐIỆN THOẠI DỰA TRÊN NHẬN DẠNG KHUÔN MẶT NGƢỜI LUẬN VĂN THẠC SỸ CÔNG NGHỆ THÔNG TIN Đồng Nai, Năm 2020 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC LẠC HỒNG TRƢƠNG CÔNG HỮU XÂY DỰNG ỨNG DỤNG HỖ TRỢ ĐIỂM DANH SINH VIÊN BẰNG ĐIỆN THOẠI DỰA TRÊN NHẬN DẠNG KHUÔN MẶT NGƢỜI Chuyên ngành: Công nghệ thông tin Mã ngành: 8480201 NGƢỜI HƢỚNG DẪN : TS LÂM THANH HIỂN Đồng Nai, Năm 2020 LỜI CAM ĐOAN Các tài liệu, báo, trang Website mà tơi tham khảo q trình thực luận văn đƣợc trích dẫn đầy đủ rõ ràng nguồn gốc trình bày mục tài liệu tham khảo Tơi xin cam đoan ngồi trích dẫn tham khảo trên, toàn nội dụng luận văn cơng trình nghiên cứu riêng tơi Các số liệu, kết nêu luận văn trung thực chƣa đƣợc công bố cơng trình khác Tơi xin chịu trách nhiệm hồn tồn luận văn có sai phạm so với lời cam kết Đồng Nai, Ngày tháng Học viên Trƣơng Công Hữu năm 2020 LỜI CẢM ƠN Để hoàn thành luận văn này, trƣớc tiên tơi xin bày tỏ lịng biết ơn chân thành đến Tiến sỹ Lâm Thành Hiển, ngƣời Thầy tâm huyết tận tình hƣớng dẫn, giúp đỡ, động viên nhiều để tơi hồn thành tốt luận văn Tôi xin cảm ơn đến tất quý thầy cô giảng dạy trƣờng Đại học Lạc Hồng dạy dỗ hƣớng dẫn tận tình suốt trình học tập Trƣờng Tất kiến thức mà lĩnh hội đƣợc suốt thời gian học tập nghiên cứu trƣờng, hành trang quý giá đƣờng học tập, làm việc nghiên cứu sau Xin cảm ơn gia đình, bạn bè, anh chị em lớp động viên, hỗ trợ giúp đỡ trình học thực luận văn Tuy nhiên kiến thức thời gian có giới hạn nên đề tài khó tránh khỏi thiếu sót, kính mong q thầy bạn đóng góp để đề tài đƣợc hồn thiện Tôi xin chân thành cảm ơn! Đồng Nai, Ngày tháng Học viên Trƣơng Cơng Hữu năm 2020 TĨM TẮT LUẬN VĂN Đề tài: Xây dựng ứng dụng hỗ trợ điểm danh sinh viên điện thoại dựa nhận dạng khuôn mặt ngƣời Ngành: Công nghệ thông tin Mã số: 84.80.201 Học viên: Trƣơng Công Hữu Ngƣời hƣớng dẫn: TS Lâm Thành Hiển NỘI DUNG TÓM TẮT Nội dung đƣợc giao kết mong đợi ngƣời hƣớng dẫn 1.1 Nội dung đƣợc giao: - Luận văn tập trung nghiên cứu, lựa chọn kỹ thuật, phƣơng pháp phát hiện, nhận dạng khuôn mặt ngƣời sử dụng thuật toán để xây dựng ứng dụng hỗ trợ điểm danh - Mục đích đề tài tạo ứng dụng hỗ trợ điểm danh sinh viên điện thoại di động giúp giảm thiểu thời gian điểm danh thầy cô nhƣ hỗ trợ tốt công tác quản lý trƣờng 1.2 Kết quả: - Xây dựng ứng dụng hỗ trợ điểm danh sinh viên điện thoại di động dựa nhận dạng khuôn mặt ngƣời - Kết xuất liệu báo cáo điểm danh file excel Cách thức giải vấn đề - Tìm hiểu tài liệu từ sách, cáo cáo, tạp chí khoa học… Sử dụng kết nghiên cứu có liên quan đến luận văn - Tìm hiểu thuật tốn phát nhận dạng khuôn mặt phổ biến đề xuất thuật tốn sử dụng: + Phát khn mặt ngƣời: Adaboost (Haar); Support Vector Machine (HOG); Dilb; Deep Learning - Convolutional Neural Network (MTCNN) + Nhận dạng khuôn mặt ngƣời: Facenet, OpenFace, DeepFace, ArcFace - Các phƣơng pháp trao đổi liệu Client Server hệ điều hành Ubuntu - Sử dụng ngôn ngữ PHP chạy Website/Web mobile sở liệu SQL để xây dựng ứng dụng - Xây dựng ứng dụng tiến hành thực nghiệm với liệu khác hệ thống xây dựng để đánh giá kết hiệu chỉnh Đánh giá mặt khoa học kết - Nghiên cứu đánh giá thuật tốn phát nhận dạng khn mặt ngƣời tạo tiền đề nghiên cứu để tối ƣu hóa thuật tốn - Xây dựng đƣợc ứng dựng điểm danh sinh viên điện thoại di động dựa nhận dạng khuôn mặt ngƣời Những vấn đề tồn so với nội dung đƣợc giao - Ứng dụng trọng sử dụng tối ƣu thuật toán để xây dựng ứng dụng mà chƣa tập trung nghiên cứu tối ứu hóa thuật tốn phát nhận dạng khuôn mặt ngƣời - Thời gian thử nghiệm hạn chế với số lƣợng sinh viên nhỏ việc chạy thử hệ thống để đánh giá kết khắc phục nhƣợc điểm chƣa đƣợc đầy đủ xác cao Để luận văn trở thành sản phẩm hồn chỉnh cần phải kiểm thử nhiều hơn, chi tiết Đồng Nai, Ngày NGƢỜI HƢỚNG DẪN TS Lâm Thành Hiển tháng năm 2020 HỌC VIÊN Trƣơng Công Hữu MỤC LỤC LỜI CAM ĐOAN LỜI CẢM ƠN TĨM TẮT LUẬN VĂN DANH MỤC HÌNH ẢNHiv DANH MỤC BẢNG Chƣơng 1: TỔNG QUAN VỀ ĐỀ TÀI 1.1 Mở đầu: 1.2 Tổng quan đề tài nƣớc: 1.3 Mục đích luận văn: 1.4 Phạm vi đối tƣợng nghiên cứu 1.4.1 Phạm vi nghiên cứu 1.4.2 Đối tƣợng nghiên cứu 1.5 Phƣơng pháp nghiên cứu 1.5.1 Phƣơng pháp nghiên cứu lý thuyết 1.5.2 Phƣơng pháp thực nghiệm 1.6 Ý nghĩa khoa học thực tiễn luận văn 1.6.1 Ý nghĩa khoa học 1.6.2 Ý nghĩa thực tiễn Chƣơng 2: BÀI TOÁN VỀ HỆ THỐNG NHẬN DẠNG KHUÔN MẶT 2.1 Bài tốn nhận dạng khn mặt 2.2 Các khó khăn triển khai tốn nhận diện khn mặt 2.3 Các ứng dụng thơng dụng tốn nhận dạng khn mặt 2.4 Tổng quan phƣơng pháp toán nhận dạng đối tƣợng 11 2.4.1 Hƣớng tiếp cận dựa sở tri thức (Knowledge – based) 13 2.4.2 Hƣớng tiếp cận dựa đặc trƣng không thay đổi (Feature invariant): 15 2.4.3 Hƣớng tiếp cận dựa so khớp mẫu (Template-Matching): 17 2.4.4 Hƣớng tiếp cận dựa diện mạo (Appearance-Base) 17 2.5 Tổng quan nhận dạng mặt ngƣời 19 2.5.1 Nhận dạng dựa đặc trƣng phần tử khuôn mặt (Feature based face recognition) 19 2.5.2 Nhận dạng dựa xét tổng thể khuôn mặt (Appearance based face recognition) 19 Chƣơng 3: CÁC GIẢI PHÁP ĐÃ NGHIÊN CỨU PHÁT TRIỂN 21 3.1 Các phƣơng pháp phát khuôn mặt ngƣời 21 3.1.1 Haar Cascade – Adaboost 21 3.1.1.1 Phƣơng pháp HA 22 3.1.1.2 Các đặc trƣng Haar-Like 22 3.1.1.3 Cách áp dụng đặc trƣng Haar-like để phát khuôn mặt ảnh.23 3.1.1.4 Số lƣợng đặc trƣng Haar-like 25 3.1.1.5 Ảnh tích hợp 25 3.1.1.6 AdaBoost 27 3.1.2 Histograms of Oriented Gradients – HOG 30 3.1.3 Dilb 31 3.2 Các phƣơng pháp nhận dạng khuôn mặt (Face Recognition) 33 3.2.1 Facenet 34 3.2.2 Sử dụng OpenFace 35 3.2.3 Mơ hình DeepFace (Facebook, CVPR 2014) 36 Chƣơng 4: GIẢI PHÁP NHẬN DẠNG KHUÔN MẶT 38 4.1 Đề xuất giải pháp tổng thể 38 4.2 Phát chỉnh khuôn mặt sử dụng MTCNN 38 4.2.1 Giới thiệu mạng Nơ-ron tích chập 38 4.2.1.1 Convolution (Tích chập) 38 4.2.2 MTCNN 45 4.2.2.1 Cơ chế hoạt động: 45 4.2.2.2 Huấn luyện 47 4.3 Nhận dạng khuôn mặt ArcFace Model 49 4.3.1 Giới thiệu 49 4.3.2 ArcFace 52 4.3.3 So sánh Arcface với hàm mát (Loss function) khác 54 4.3.3.1 So sánh với Face CosFace 54 4.3.3.2 So sánh với hàm mát khác 56 4.4 Kết chƣơng 59 Chƣơng 5: XÂY DỰNG HỆ THỐNG VÀ THỰC NGHIỆM 60 5.1 Xây dựng hệ thống 60 5.1.1 Thuật toán 60 5.1.2 Công cụ 62 5.1.3 Cài đặt thƣ viện 62 5.1.4 Thực huấn luyện liệu ảnh 62 5.2 Kiểm nghiệm hệ thống nhận dạng khuôn mặt 64 5.2.1 Kiểm nghiệm hệ thống nhận dạng khuôn mặt liệu ngƣời tiếng Việt Nam 65 5.2.2 Kiểm nghiệm hệ thống nhận dạng khuôn mặt liệu gint360k 66 5.3 Xây dựng giao diện 68 5.3.1 Quy trình điểm danh 68 5.3.2 Giao diện website 70 5.3.3 Thực nghiệm 72 KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN 79 PHỤ LỤC 80 TÀI LIỆU THAM KHẢO DANH MỤC HÌNH ẢNH Hình 2.1: Mơ tả kết hệ thống nhận dạng khn mặt Hình 2.2: Biểu đồ mô tả hệ thống nhận dạng khuôn mặt Hình 2.3: Minh họa mở khóa điện thoại khn mặt Hình 2.4: Minh họa hệ thống nhận dạng tội phạm Hình 2.5: Minh họa chức lấy nét camera điện thoại 10 Hình 2.6:Minh họa hệ thống chấm công tự động nhận dạng khn mặt 10 Hình 2.7: Minh họa hệ thống chấm công tự động nhận dạng khuôn mặt 14 Hình 2.8: Một lọai tri trức ngƣời nghiên cứu phân tích khn mặt 14 Hình 3.1: Mơ tả vị trí (x,y) 26 Hình 3.2: Ma trận ảnh ban đầu tích hợp 26 Hình 3.3: Các vùng điểm ảnh A, B, C, D 27 Hình 3.4: Mơ hình phân tầng cascade 28 Hình 3.5: Kết hợp phân loại 29 Hình 3.6: Mơ tả đặc trƣng Haar-like 29 Hình 3.7: Mơ tả hệ thống xác định khn mặt Haar Cascade 30 Hình 3.8: Mơ tả hệ thống xác định khuôn mặt HOG 31 Hình 3.9: Cấu trúc thƣ viện Dlib 31 Hình 3.10: 68 điểm khn mặt đƣợc sử dụng thƣ viện dlib 32 Hình 3.11: Mơ kết xác định khn mặt dùng MTCNN 33 Hình 3.12: Mơ kết q trình nhận dạng khn mặt 34 Hình 3.13: Mơ tả q trình trích rút đặc trƣng Facenet 34 Hình 3.14: Mơ tả hoạt động hàm Triple loss 35 Hình 3.15: Sơ đồ hệ thống nhận dạng khuôn mặt OpenFace 35 Hình 3.16: Cấu trúc huấn luyện DeepFace 36 Hình 4.1:Minh họa tích chập 39 68 Từ đó, ta khái qt độ xác tồn hệ thống trung bình cộng độ xác sau lần kiểm nghiệm: Với liệu nhiều mặt xấu kết 89,04% Với liệu với khuôn mặt tốt kết 99,23% 5.3 Xây dựng giao diện 5.3.1 Quy trình điểm danh Giáo viên điểm danh học sinh, sử dụng điện thoại, truy cập ứng dụng Website để chụp ảnh / quay video cách khuôn mặt tối đa mét yêu cầu học sinh ngồi dƣới lớp mặt nhìn phía trƣớc bảng Sau giáo viên quay hết tất học sinh dừng điểm anh, video giáo viên vừa quay xong gửi liệu đến máy chủ, Máy chủ nhận đƣợc ảnh, xử lý nhận dạng ảnh này, kết nhận dạng đƣợc lƣu vào sở liệu điểm danh Máy chủ phản hồi thông tin điểm danh cho giáo viên xác nhận điểm danh Minh họa ứng dụng: Giáo viên dùng smart phone chụp ảnh/video sinh viên Giáo viên gửi ảnh/video đến máy chủ 69 Gƣơng mặt sinh viên đƣợc so sánh với mẫu khn mặt có kho lƣu trữ để nhận dạng Thông tin sinh viên trùng khớp đƣợc cung cấp cho máy chủ Khi có đƣợc thơng tin sinh viên, máy chủ lƣu tên sinh viên thời điểm sinh viên có mặt vào CSDL điểm danh Cuối cùng, danh sách điểm danh đƣợc phản hồi đến giáo viên 70 5.3.2 Giao diện website Giao diện chƣơng trình hiển thị tất menu chức hệ thống cho phép ngƣời dùng thao tác với hệ thống Tuy theo quyền ngƣời dùng mà đăng nhập vào hệ thống mà chƣơng trình hiển thị chức tƣơng ứng Những ngƣời khơng phải admin hệ thống khơng có quyền truy cập vào trang “Quản trị ” hệ thống Hình 5.8: Đăng nhập giáo viên Đăng nhập Admin: Hình 5.9: Đăng nhập Admin Các chức hệ thống Admin: 71 Hình 5.10: Trang quản trị Admin Giao diện chức Quản Lý Lớp DANH MỤC QUẢN TRỊ: Giao diện có chức thêm lớp, sửa/ xóa lớp, Về Menu Hình 11: Giao diện quản lý lớp Chức thêm lớp, lớp chƣa có hệ thống ta thêm vào hệ thống cách click vào link “ Thêm Lớp “ nhập thông tin thƣ sau: Hình 5.12: Giao diện thêm lớp Giao diện chức Quản Lý Sinh Viên DANH MỤC QUẢN TRỊ: Giao diện có chức thêm Sinh viên, Sửa/ Xóa Sinh viên, Về Menu Quản lý mẫu gƣơng mặt 72 Hình 5.13: Giao diện Quản Lý Sinh Viên Các chức hệ thống giáo viên: Hình 5.14: Giao diện điểm danh sinh viên Hình 5.15: Giao diện danh sách kết điểm danh 5.3.3 Thực nghiệm Tôi sử dụng tập liệu Lớp học gồm 40 học sinh Lớp 7/4, Trƣờng THCS Nguyễn Bỉnh Khiêm, Thành phố Hội An, Tỉnh Quảng Nam 5.3.3.1 Thực nghiệm với điểm danh chụp hình a Thử nghiệm lần 1: Với 17 Học sinh điểm danh chụp hình với khoảng cách mét 73 Hình 5.16: Hình ảnh nhận dạng lần STT Tổng số học sinh cần điểm danh Số học sinh Số học sinh nhận dạng không nhận dạng đƣợc 17 Bảng 5.3: Kết nhận dạng lần b Thử nghiệm lần 2: Cũng với 17 Học sinh điểm danh chụp hình với khoảng cách mét Hình 5.17: Hình ảnh nhận dạng lần 74 STT Tổng số học sinh cần điểm danh Số học sinh Số học sinh nhận dạng không nhận dạng đƣợc 17 13 Bảng 5.4: Kết nhận dạng lần c Thử nghiệm lần 3: Cũng với 17 Học sinh điểm danh chụp hình với khoảng cách mét góc mặt sinh viên có thay đổi Hình 5.18: Hình ảnh nhận dạng lần STT Tổng số học sinh cần điểm danh Số học sinh Số học sinh nhận dạng không nhận dạng đƣợc 17 13 Bảng 5.5: Kết nhận dạng với khoảng cách mét d Thử nghiệm lần 4: Với 18 Học sinh điểm danh chụp hình với khoảng cách mét 75 Hình 5.19: Hình ảnh nhận dạng lần STT Tổng số học sinh cần Số học sinh Số học sinh điểm danh nhận dạng không nhận dạng đƣợc 18 9 Bảng 5.6: Kết nhận dạng lần e Thử nghiệm lần 5: Cũng với 18 Học sinh điểm danh chụp hình với khoảng cách mét 76 Hình 5.20: Hình ảnh nhận dạng lần STT Tổng số học sinh cần Số học sinh Số học sinh điểm danh nhận dạng không nhận dạng đƣợc 18 13 Bảng 5.7: Kết nhận dạng lần f Tổng hợp với lần thử nghiệm: Với tập liệu lớp học gồm 40 học sinh lớp 7/4 điểm danh cho 37 học sinh có mặt học sinh vắng mặt, kết nhận dạng 95%( 35/37 Học sinh) với 03 lần chụp khác 5.3.3.2 Thực nghiệm với điểm danh quay video: Hình 5.21: Hình ảnh nhận dạng với video STT Tổng số học sinh cần Số học sinh Số học sinh điểm danh nhận dạng không nhận dạng đƣợc 37 37 Bảng 5.8: Kết nhận dạng với video Với tập liệu lớp học gồm 40 học sinh lớp 7/4 điểm danh cho 37 học sinh có mặt học sinh vắng mặt, kết nhận dạng đúng100%(37/37 Học 77 sinh) với 01 lần quay cách khuôn mặt học sinh khoảng tối đa mét ST T Họ tên học sinh Nguyễn Lê Thuận An Phạm Huỳnh Phƣơng Anh Trần Lê Thanh Bin Nguyễn Văn Bình Lý Nguyễn Ân Điển Nguyễn Hồ Anh Đức Nguyễn Lê Hoài Giang Phan Văn Hậu Nguyễn Quang Minh Hiếu 10 Phạm Huy Hoàng Tổng Chụp Chụp Chụp Chụp Chụp cộng Quay Lần Lần Lần Lần Lần Chụp video hình 1 1 1 1 1 1 1 1 1 1 1 1 2 1 1 1 1 15 Nguyễn Đăng Khoa 1 16 Võ Đăng Khoa 1 17 Lê Tấn Mẫn Nguyễn Hữu 18 Nguyên 19 Trang Đinh Nhàn Nguyễn Thị Kim 20 Nhi 21 Lê Uyển Ni Mai Vũ Huyền 22 Phƣơng 23 Đỗ Trần Anh Quân 13 Nguyễn Thị Hƣơng 14 Nguyễn Bảo Khánh 1 11 Bùi Phƣớc Huy 12 Ngô Đức Gia Huy 1 1 1 1 1 1 1 1 1 1 1 1 1 1 78 Võ Nguyễn Văn Quý 25 Hoàng Đức Tài 24 1 26 Phan Ngọc Tài Nguyễn Phƣơng 27 Thảo 28 Nguyễn Quốc Thịnh Nguyễn Ngọc Anh 29 Thƣ 30 Bùi Thị Minh Thy 1 1 1 1 1 1 1 31 Dƣơng Trúc Thy 1 32 Nguyễn Lê Anh Thy Nguyễn Ngọc Đoan 33 Trang 34 Lƣu Bảo Trâm Trần Nguyên Thùy 35 Trâm 36 Nguyễn Minh Trí Nguyễn Thị Tố 37 Uyên 38 Lê Anh Việt 1 1 1 1 1 1 1 1 39 Lƣơng Lê Quang Vũ 40 Bùi Bảo Vy Bảng 5.9: Bảng tổng tổng hợp kết nhận dạng 0 79 KẾT LUẬN VÀ HƢỚNG PHÁT TRIỂN Trên sở tìm hiểu nghiên cứu tốn nhận dạng khuôn mặt, luận văn đạt đƣợc kết nhƣ sau: - Giới thiệu khái quát tốn nhận dạng khn mặt - Giới thiệu sơ lƣợc biện pháp đƣợc sử dụng cho tốn nhận dạng khn mặt, từ đƣa so sánh nhận xét để tìm đƣợc phƣơng án triển khai thích hợp - Trình bày sở lý thuyết sử dụng để xác định khuôn mặt ngƣời Khái quát định nghĩa, cấu trúc mạng Neuron tích chập Từ phát triển lên MTCNN hƣớng giải tốn xác định khn mặt ngƣời MTCNN - Trình bày thuật tốn ArcFace thuật tốn đƣợc sử dụng Model nhận dạng khuôn mặt mà luận văn phát triển -Tiến hành xây dựng hệ thống thực nghiệm điểm danh điện thoại phƣơng pháp nhận dạng khuôn mặt - Hệ thống hoạt động tốt tảng website, giao diện tiện lợi dễ sử dụng - Tỷ lệ nhận diện tƣơng đối xác 95% (chụp hình), 100% quay video - Kết nhận diện vài mili giây phù hợp cho toán điểm danh Bên cạnh kết đạt đƣợc cịn hạn chế, là: - Độ xác chƣa tốt cho phần chụp hình tập liệu học sinh chƣa đủ lớn, tối đa có 05 tấm, góc chụp chƣa rõ hết khn mặt học sinh Qua kết hạn chế hệ thống cho thấy việc kiểm soát hệ thống nhận diện khn mặt địi hỏi q trình nghiên cứu thực nghiệm lâu dài Trƣớc mắt, hƣớng tiếp cận luận văn tập trung cải thiện tăng độ xác độ ổn định hệ thống Từ đó, triển khai hệ thống với quy mơ lớn áp dụng vào ứng dụng thực tế 80 PHỤ LỤC Các khái niệm machine learning Observation: Kí hiệu x input tốn Observation thƣờng có dạng vector gọi feature vector Mỗi gọi feature Ví dụ bạn muốn đốn xem hơm có mƣa khơng dựa vào observation gồm feature (nhiệt độ, độ ẩm, tốc độ gió) Label: Kí hiệu y, output tốn Mỗi observation có label tƣơng ứng (ví dụ khn mặt có tên) Label mang nhiều dạng nhƣng chuyển đổi thành số thực vector Model: Là hàm số f(x), nhận vào observation x trả label y=f(x) Parameter: thứ model đƣợc sử dụng để tính tốn output Ví dụ model hàm đa thức bậc hai f (x)=ax1^2+bx2+c: parameter ba (a,b,c) Tuy nhiên, cịn loại parameter đặc biệt gọi hyperparameter Hyperparameter khái niệm mang tính tƣơng đối quy ƣớc, thƣờng parameter có tính chất mặc định Đối với hàm đa thức bậc đa thức đƣợc xem hyperparameter Để ngắn gọn, ngƣời ta thƣờng gom tất parameter model lại thành vector, thƣờng đƣợc kí hiệu w Trong f(x) vừa w=(a,b,c) Kí hiệu fw(x) đƣợc dùng để model đƣợc xác định tham số Trong trƣờng hợp cấu trúc model đƣợc xác định (ví dụ biết đƣợc đa thức bậc 2), dùng w để model thay cho fw(x) ln Epoch: Một Epoch đƣợc tính đƣa tất liệu vào mạng neural network lần Khi liệu lớn, đƣa hết lần tất tập liệu vào để huấn luyện đƣợc Buộc lòng phải chia nhỏ tập liệu thành batch (size nhỏ hơn) Batch Size: Batch size số lƣợng mẫu liệu batch Ở đây, khái niệm batch size số lƣợng batch (number of batch) hồn tồn khác Nhƣ nói trên, khơng thể đƣa hết tồn liệu vào huấn luyện epoch, cần phải chia tập liệu thành phần (number of batch), phần có kích thƣớc batch size 81 Iterations: Iterations số lƣợng batch size cần để hồn thành epoch Ví dụ có tập liệu có 20,000 mẫu, batch size 500, cần 40 lần lặp (iteration) để hoàn thành epoch K-fold: Đây phƣơng pháp nâng cấp hold-out Toàn liệu đƣợc chia thành K tập Q trình học máy có K lần Trong lần, tập đƣợc dùng để kiểm tra K-1 tập lại dùng để dạy Hold-out: Phƣơng pháp đơn giản Dữ liệu đƣợc chia cách ngẫu nhiên thành tập liệu học tập liệu kiểm tra Dùng tập để dạy máy, dùng tập lại để kiểm tra Onehot Encoding: One-hot encoding cách để biểu diễn biến lớp đầu (target class) trƣờng hợp toán phân loại Chúng ta convert lớp đầu từ chuỗi (string), số (integer) thành dạng one-hot encoding Một vectơ one-hot có chiều dài số lƣợng class cần phân loại đƣợc fill vị trí (index) target class tất vị trí khác Ví dụ: lớp đầu mèo chó, chúng đƣợc biểu thị hai vector [1,0] [1,0] [0,1] [0,1] tƣơng ứng Nếu có 1000 class đầu vector one-hot có độ dài 1000 với vị trí mang giá trị Điều làm cho one-hot encoding không đƣa cho giả định tƣơng quan biến đầu Vậy câu hỏi lại cần phải có one-hot encoding Với hàm softmax đƣợc bàn luận phần one-hot encoding kết hợp với softmax khiến cho toán phân loại đa lớp (multi-class classification) trở nên khả thi mạng nơ ron nhân tạo TÀI LIỆU THAM KHẢO [1] Qaim Mehdi Rizvi, Prof Bal Gopal Agarwal, Dr Rizwan Beg: A Review on Face Detection Methods, February 2011 [2] M.Gopi Krishna, A Srinivasulu, Face Detection System On AdaBoost Algorithm Using Haar Classifiers, Tạp chí quốc tế nghiên cứu kỹ thuật đại 2012 [3] Trần Đình Ngọc, Xây dựng ứng dụng hỗ trợ chấm cơng dựa nhận dạng khuôn mặt ngƣời- công ty Tin Học Hoài Ân (2018) [4] Cristina Ruiz Sancho, Pedestrian Detection using a boosted cascade of Histogram of Oriented Gradients, Linköping – Barcelona, August 2014 [5] Kaipeng Zhang, Zhanpeng Zhang, Zhifeng Li, Senior Member, IEEE, and Yu Qiao, Senior Member, IEEE, Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Networks (2016) [6] Chi-Feng Wang, What Does A Face Detection Neural Network Look Like < https://towardsdatascience.com/>, xem 01/7/2020 [7] Florian Schroff, Dmitry Kalenichenko, James Philbin Google Inc FaceNet: A Unified Embedding for Face Recognition and Clustering [8] OpenFace, , xem 01/7/2020 [9] Yaniv Taigman, Ming Yang, Marc’Aurelio Ranzato, Lior Wolf: Facebook AI Research Menlo Park, CA, USA DeepFace: Closing the Gap to Human-Level Performance in Face Verification [10] Understanding of a Convolutional Neural Network, The International Conference on Engineering and Technology 2017, At Antalya, Turkey [11] TS Nguyễn Hữu Tuân, Xây dựng hệ thống nhận dạng khuôn mặt sử dụng LPQ (Local Phase Quantization), Hội nghị Quốc tế Khoa học công nghệ Hàng Hải 2016 [12] Jiankang Deng, Jia Guo, Niannan Xue, ArcFace: Additive Angular Margin Loss for Deep Face Recognition, (cs.CV, Feb, 2019) ... Học viên Trƣơng Công Hữu năm 2020 TÓM TẮT LUẬN VĂN Đề tài: Xây dựng ứng dụng hỗ trợ điểm danh sinh viên điện thoại dựa nhận dạng khuôn mặt ngƣời Ngành: Công nghệ thông tin Mã số: 84.80.201 Học viên: ... hiện, nhận dạng khuôn mặt ngƣời sử dụng thuật toán để xây dựng ứng dụng hỗ trợ điểm danh - Mục đích đề tài tạo ứng dụng hỗ trợ điểm danh sinh viên điện thoại di động giúp giảm thiểu thời gian điểm. .. danh thầy cô nhƣ hỗ trợ tốt công tác quản lý trƣờng 1.2 Kết quả: - Xây dựng ứng dụng hỗ trợ điểm danh sinh viên điện thoại di động dựa nhận dạng khuôn mặt ngƣời - Kết xuất liệu báo cáo điểm danh