VIOLA JONES ALGORITHM ANALYSIS AND APPLICATION FOR FACE DETECTION AND RECOGNITION WITH THE HIGHEST ACCURACY

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI VIỆN CƠ KHÍ – BỘ MÔN CƠ ĐIỆN TỬ ********** VIOLA-JONES ALGORITHM ANALYSIS AND APPLICATION FOR FACE DETECTION AND RECOGNITION WITH THE HIGHEST ACCURACY Giảng viên hướng dẫn: TS.Nguyễn Trung Kiên/TS Tào Ngọc Linh Sinh viên thực hiện: Trịnh Đình Triển - 20181790 Lê Thu Thủy - 20185411 Nguyễn Thị Phương Anh - 20183683 Hà Nội:27/8/2021 MỤC LỤC Introduction Methodology 2.1 Viola-Jones Algorithm 2.2 Face detection 2.3 Face Recognition System 2.2.1 Setting Data 2.2.2 Pre-Procesing 2.2.3 Face Recognition 10 Result And Discussion 11 3.1 Ảnh hưởng thông số nhận diện: 11 3.1 Effects of identification parameters: 11 Xét trường hợp ảnh có nhiều người 16 3.2 Khả nhận diện đối tượng 17 Conclusion 18 References 19 Bibliography 19 APPENDIX A 20 SOFT WARE 20 APPENDIX B 20 FACE DETECTION IN REAL-TIME 20 FACE DETECTION IN IMAGE 20 APPENDIX C 21 SETTING DATA 21 TRAINING DATA 22 FACE RECOGNITION 23 APPENDIX RESULT 24 DANH MỤC BẢNG BIỂU HÌNH ẢNH Hình 1: Các tập đặc trưng [10] (LU Wen-Yao, 2019) Hình 2: Sơ đồ Cascade Classifire [11] (Alpika Gupta, 2015) Hình 3: Sơ đồ thuật tốn tìm kiếm khuôn mặt ảnh Hình 4: Quá trình nhận diện Hình 5: Sơ đồ giai đoạn tạo đào tạo liệu Hình 6: Thu nhận ảnh tiền xử lý Hình 7: Sơ đồ trình nhận diện khuôn mặt 10 Hình 8: Thời gian tìm kiếm khuôn mặt thời gian thực 13 Hình 9: Thời gian trung bình tìm kiếm khuôn mặt 13 Hình 10: Mẫu ảnh ảnh sai 13 Hình 11: Độ xác thay theo góc camera 14 Hình 12: Độ xác phát khn mặt hai điều kiện ánh sáng 15 Hình 13:Thời gian trung bình tìm kiếm 15 Hình 14: Kết phát khn mặt ảnh có nhiều người 16 Hình 15: Dữ liệu 17 Hình 16: Khả nhận diện đối tượng 18 Hình 17: Xmapp 20 Hình 18: Python 20 Hình 19: Kích thước vùng ảnh chứa khn mặt nhỏ mà thuật tốn tìm kiếm 25 Hình 20: Góc camera diện 25 Hình 21: Góc camera 450 26 Hình 22: Góc camera 30o 26 Bảng 1: Các trường hợp phát khuôn mặt 12 Bảng 2: Thống Kê Số Lượng Khn Mặt Đúng Sai Theo Góc Camera 14 Bảng 3: Phát khuôn mặt ảnh có nhiều khn mặt 16 Bảng 4: Thời gian tìm kiếm khn mặt 24 Bảng 5: Thời gian tìm kiếm góc camera 24 Bảng 6: Thời gian tìm kiếm điều kiện ánh sáng 24 Bảng 7: Số ảnh sai trường hợp góc camera 25 VIOLA-JONES ALGORITHM ANALYSIS AND APPLICATION FOR FACE DETECTION AND RECOGNITION WITH THE HIGHEST ACCURACY Nguyen Thi Phuong Anh1, Le Thu Thuy2 and Trinh Dinh Trien3 Hanoi University of Science And Technology, HA NOI, VIET NAM; anh.ntp183683@sis.hust.edu.vn, thuy.lt185411@sis.hust.edu.vn, trien.tt181790@sis.hust.edu.vn Abstract Tìm kiếm nhận diện khn mặt tốn vơ quan trọng lĩnh vực Computer Vison, áp dụng phổ biến đời sống ngày Rất nhiều lĩnh vực ghi nhận đóng góp quan trọng toán nhận diện hệ thống giám sát an ninh - quản lý xã hội, hỗ trợ tìm kiếm người tích hay đặc biệt thời kỳ Covid việc áp dụng nhận diện khuôn mặt truy tìm F0 hỗ trợ giảm tải phần lớn công việc khoanh vùng dịch Đảng Nhà Nước Việt Nam Nhận thấy tầm quan trọng toán , nghiên cứu áp dụng thuật toán ViolaJones giải hai tốn tìm kiếm nhận diện khn mặt thời gian thực điều kiện môi trường cụ thể sâu phân tích khía cạnh, yếu tố ảnh hưởng môi trường đến hệ thống nhận diện Nghiên cứu đưa hướng áp dụng nhằm nâng cao tốc độ tìm kiếm tính xác hệ thống nhận diện dựa thuật toán ViolaJones với độ xác trung bình lên tới 85.3% gần đạt tuyệt đối 99% điều kiện thuận lợi Facial detection and recognition is a very significant question in the field of computer vision Which is commonly applied in daily life Many areas recognize the important contribution of the identification problem such as a security monitoring system - social management, supporting the search for missing people or especially in the current Covid era, the application of facial recognition to trace F0 will help to reduce the load of most of the work of the Party and the government of Vietnam Recognizing the importance of the problem, the Viola-Jones algorithm applied research to solve two real-time facial search and recognition problems in specific environmental conditions that analyze each aspect and factor affecting the environment on the identification system The study aims to improve the search speed and accuracy of the Viola-Jones algorithm-based identification system with an average accuracy of up to 85.3% and almost 99% absolute under favorable conditions Keywords: Viola-Jones algorithm, Face Detection, Face Recognition, Haar-Like Cascade Introduction Sự phát triển không ngừng xã hội tượng dân số giới ngày gia tăng đặt tốn cho hệ thống quyền quốc gia xác định danh tính đối tượng xã hội để lưu trữ bảo mật thông tin cá nhận, quản lý, tìm kiếm xác thực thơng tin nhanh chóng kịp thời Chính mà việc giải toán nhận diện mặt người trở nên vô quan trọng quốc gia giới Các lĩnh vực đời sống xã hội ghi nhận tầm quan trọng nhận diện mặt người dễ thấy xác nhận thơng tin, danh tính, truy tìm người bênh truyền nhiễm, tội phạm cộng đồng xã hội, bảo mật thông tin quan trọng nhà nước hay thông tin nhân tảng xã hội Không ứng dụng vào quản lý xã hội nhận diện mặt người sử dụng phổ biến tảng xã hội mà dẽ dàng bắt gặp tính gắn thẻ facebook hay gắn biểu tượng, icon mặt tiktok,… The continuous development of the world population phenomenon has posed a problem for the system of national authorities to identify each object in society to store the security of personal information, govern, search and authenticate information quickly and immediately That’s why the solution of the question is the reason for the resolution of the problem Human face recognition has become very important for every country in the world The fields of social life recognize the importance of recognizing conspicuous human faces such as confirming information, identity, tracing but infectious advocates, crimes in the social community, the security of important information of the state, or the information of individuals on social platforms Not only is it used in social management to identify people's faces, but it is also commonly used on social platforms, but we can easily come across such as facebook's tagging features or attaching icons and icons of TikTok, Nhận diện khuôn mặt phần nghiên cứu vô quan trọng lĩnh vực thị giác máy tính khởi đầu nghiên cứu Bledsoe vào năm 60 kỷ XIX (Mankar2, 2012) Vào ngày phương thức dùng để xác định gương mặt trích xuất landmark face – vùng biên gương mặt xác định chấm ảnh thuật toán cổ điển SVM, K-NN, Naïve Bayes, Random Forest, MLP [2] (Shahrin Azuan Nazeer and Marzuki Khalid Telekom Research & Development Sdn Bhd., 2009) Cùng với phát triển học sâu, trí tuệ nhân tạo ngày nhiều thuật toán đời thừa kế phát triển dựa thuật toán đời đầu với khả tính tốn nhanh, giảm thời gian tìm kiếm xác nhận khn mặt sử dụng mạng neurol tích chập (CNN) xử lý tìm kiếm thơng qua lớp tế bào thần kinh ẩn (Saad ALBAWI, 2017) hay phân tích thành phần (Principal Component Analysis - PCA) trích xuất khn mặt riêng tương ứng đối tượng, giảm chiều liệu ảnh đầu vào (Brian S Everitt & David C Howel John Wiley & Sons, 2005) Tuy nhiên theo thống kê thí nghiệm thực phương pháp cách độc lập không mang lại kết cao hiệu suất tính xác tìm kiếm Các thơng số thể mức tối ưu thuật tốn dao động từ 70-90% [5] (Narayan T Deshpande, 2017) Ví dụ, sử dụng PCA có hiệu 72% [5] (Narayan T Deshpande, 2017) Kết nhận diện phụ thuộc nhiều vào tác động từ bên nhiễu, ánh sáng, góc camera, trang phục mũ hay nón đối tượng, mức độ đầy đủ khuôn mặt dẫn đến sai sót thuật tốn q trình nhận diện Sự sai sót q trình nhận diện gây ảnh hưởng lớn hệ thống Facial recognition was a significant part of the field of computer vision that began with the Bledsoe search in the 1960s In the early days, the method used to identify faces was to extract a landmark face – the boundary of the face was determined by the dots on the image using classical algorithms such as SVM, K-NN, Nave Bayes, Random Forest, MLP Along with the development of deep learning, artificial intelligence is increasingly inherited and developed based on early algorithms with the ability to calculate quickly, reducing the time it takes to search for facial confirmation such as using a built-in neural network (CNN) that processes searches through layers of hidden neurons[3] or component analysis Principal Component Analysis (PCA) extracts the corresponding individual faces of each subject, reducing the data dimension of the input image [4] However, statistically, experiments, by executing methods independently, not yield high results in terms of performance or precision in research Parameters representing the optimum level of the algorithm are in the range of 70-90% [5] For example, using PCA is 72% effective[5] The result of identification depends a lot on external impacts such as noise, light, camera angle, costumes such as the subject's hat or hat, the fullness of the face leading to errors of the algorithm in the identification process Mistakes in the identification process can have enormous implications for the system Bên cạnh yếu tố ảnh hưởng mơi trường thời gian tìm kiếm khía cạnh vơ quan trọng cần thiết xét đến thuật toán Các thuật toán trước Viola-Jones SVM, K-NN, Nạve Bayes, Random Forest, MLP tìm kiếm dựa ngun lý trích xuất biên khn mặt cách xem xét điểm pixel ảnh đầu vào Dễ dàng nhận thấy việc xem xét điểm ảnh tạo nên khối lượng tính tốn vơ lớn đặc biệt ảnh đầu vào có kích thước lớn 1000 x 1000 pixel Khối lượng tính tốn lớn gây ảnh hưởng vơ lớn tốc độ tìm kiếm nhận diện In addition to the influences of the research, the time environment is also an extremely important aspect needed for each algorithm Pre-Viola-Jones algorithms such as SVM, K-NN, Nave Bayes, Random Forest, MLP search are based on the principle of extracting the edge of the face by looking at each pixel point of the input image It is easy to see that the examination of each pixel constitutes the computing volume, particularly for large input images of more than 1000 x 1000 pixels The large volume of computation has a huge impact on the speed of the search for identity Để giảm thiểu tối đa ảnh hưởng môi trường đến kết trình nhận diện gia tăng tốc độ thời gian tìm kiếm năm 2001 Paul Viola Michael Jones đề xuất thuật toán kết hợp sử dụng đặc trưng Haar với xếp loại phân tầng tạo thành thuật toán Viola-Jones [4] (Mehul K Dabhi1, 2015) Thuật toán Viola-Jones mở đầu cho hướng tiếp cận lĩnh vực tìm kiếm nhận diện khuôn mặt người Phương pháp tiếp cận xử lý tìm kiếm với vùng ảnh thay xem xét đến điểm ảnh thuật tốn trước Dựa cách tiếp cận tốc độ tìm kiếm thuật toán gia tăng nhiều lần so với thuật tốn trước Độ xác phương pháp tìm kiếm lên tới 95% [6] (Arwa M Basbrain1, 2017) Nghiên cứu khai thác tính vượt trội phương pháp ứng dụng xây dựng, cải thiện tính xác hệ thống tìm kiếm nhận diện khn mặt thời gian thực To minimize the impact of the environment on the results of the identification process and speed up the search time in 2001 Paul Viola and Michael Jones proposed a new algorithm that combined the use of Haar characteristics with the stratified ratings that form the Viola-Jones algorithm [6] The Viola-Jones algorithm opens the way for a new approach to human facial recognition search The search processing approach with each image area instead of looking at each pixel as previous algorithms Based on the new approach, the search speed of the algorithm increased a lot compared to the previous one The accuracy of the method in search is up to 95% [7] The study harnesses the outstanding features of the built-in application method, improving search system accuracy and facial recognition in real-time Methodology 2.1 Viola-Jones Algorithm Phương pháp kết hợp sử dụng đặc trưng Haar – Like phân loại mạnh thuật toán Adabosst tạo thành lọc Haar – Like Cascade có cấu trúc phân tầng Hình Bộ lọc tiếp c ận xử lý ô cửa sổ quét Khi quét vùng ảnh, lọc Haar-Cascade dựng lên hàng rào cản ℎ𝑖 tiến hành lọc vùng ảnh Thuật toán sử dụng đặc trưng Haar phù hợp để vượt qua rào cản ℎ𝑖 Nếu ℎ𝑖 lọc không thỏa mãn ô cửa sổ dừng lọc dịch chuyển sang vùng ảnh Ngược lại vượt qua tất rào cản ℎ𝑖 vùng ảnh ô sổ quét vùng ảnh thuộc khuôn mặt Số lần quét toàn ảnh đầu vào theo hai chiều (x,y) [8] (Wang, 2014) Số lần quét xấp xỉ 10000 lần cho ảnh The combined method using Haar - Like features and strong classifiers of the Adabosst algorithm forms a Haar - Like Cascade filter with a hierarchical structure as shown in Figure The approach filter is processed by a scanning window When scanning the image area, the Haar-Cascade filter will erect barriers h_i and then filter the image area The algorithm will use a suitable Haar feature to overcome a barrier ℎ𝑖 If a hi in the filter does not satisfy the windowpane, the filter stops and moves to the next image area Conversely, if all barriers are overcome, the image area in the box of the scan window will be the image area of the face Several scans of the entire input image in two dimensions (x,y) [8] The number of scans is approximately 10000 times per image Để vượt qua rào cản thuật toán sử dụng đặc trưng Haar – Like, đặc trưng tương ứng với rào cản ℎ𝑖 Các đặc trưng Haar-Like kết hợp hai ba hình chữ nhật đen trắng chia thành bốn tập đặc trưng Hình (Vikram K, 2017), gồm đặc trưng đường, đặc trưng cạnh, đăc trưng xung quanh tâm đặc trưng đường chéo To overcome the algorithmic barrier using the Haar-Like feature, each feature corresponds to a barrier ℎ𝑖 Haar-Like features are combinations of two or three black-and-white rectangles divided into four basic feature sets as shown in Figure [9], including line features, edge features, center around features, and diagonal features a, Tập đặc trưng đường b, Tập đặc trưng cạnh c,Tập đặc trung xung quanh tâm Hình 1: Các tập đặc trưng [10] (LU Wen-Yao, 2019) d, Đặc trưng đường chéo Kích thước cửa sổ ban đầu coi 24 x 24 để xác định đánh giá tính hình ảnh cho Các thông s ố khác vị trí, loại tỷ lệ đối tượng địa lý Haar xem xét, sau tính tốn 1.60.000 tính nên thực hiện, thực tế khơng thể Các tính tốt số 1.60.000 tính có tìm thấy cách sử dụng kỹ thuật Adaboost, thuật toán cho máy học Ada boost xác định phân loại mạnh kết hợp tuyến tính phân loại yếu F (x) = α1F1 (x) + α2F (x) +… [9] (Vikram K, 2017) The basic window size was originally considered to be 24x24 to determine or evaluate the characteristics in the given image The various parameters like position, type, and scale of the Haar features are considered, then the calculation of 1,60,000 features should be done which is impossible practically The best features among these 1,60,000 features have been found using the Adaboost algorithm technique which is an algorithm for machine learning These could be weak classifiers Ada boost determines a powerful grader that can be the linear combination of these weak graders F(x) = α1F1(x) + α2F(x) + … Phương Pháp tìm kiếm áp dụng cho ảnh Bitmap, kích thước ảnh không nhỏ 24 x 24 pixel Dựa ngun lý tìm kiếm thuật tốn Viola-Jones, nghiên cứu áp dụng phương pháp xử lý tốn tìm kiếm khuôn mặt thời gian thực nhận diện thời gian thực The search method is applied to bitmap images, the image size is a minimum of 24 x 24 pixels Based on the ViolaJones algorithm's research principles, the study applies the method to address the problem of real-time facial research and real-time recognition Hình 2: Sơ đồ Cascade Classifire [11] (Alpika Gupta, 2015) 2.2 Face detection Nghiên cứu giải tốn tìm kiếm mặt người theo mơ tả sơ đồ thuật tốn Hình Sơ đồ thuật tốn ứng dụng tìm kiếm hai trường hợp đầu vào ảnh thời gian thực Trong q trình tìm kiếm khn mặt, ảnh đầu vào trước đẩy vào lọc Haar-Like trải qua tiền xử lý gồm thay đổi kích thước ảnh chuyển ảnh sang màu xám The study solves the problem of human facial research as described by the algorithm diagram in Figure The algorithm diagram of the search application in both seizure cases is a picture and in real-time During the facial search, the entry photo before being pushed into the Haar-Like filter will be preprocessed including resizing the image and converting the image to gray Hình 3: Sơ đồ thuật tốn tìm kiếm khn mặt ảnh Theo mơ nhóm nghiên c ứu ảnh chứa nhiều người có vùng khuôn mặt không rõ thông tin độ tương phản với ảnh thấp bước tiền xử lý đóng vai trị vơ quan trọng, ảnh hưởng lớn đến kết tìm kiếm thu thuật tốn Đối với ảnh đầu vào có kích thước nhỏ kích thước vùng ảnh chứa khn mặt nhỏ 24 x 24 pixel độ xác kết trình tìm kiếm bị giảm mạnh, xảy lỗi nhận diện Để tránh sai sót ưu tiên đưa kích thước vùng khuôn mặt lên 60 x 60 pixel Đây kích thước tối thiểu mà sai sót bắt đầu đạt ngưỡng tối thiểu Ảnh sau thay đổi kích thước chuyển sang mức xám đẩy vào lọc Haar – Like Cascade Đối với ảnh đầu vào ảnh xám độ xác kết đầu đạt lớn Kết thúc trình tìm kiếm vùng ảnh chứa khn mặt phân tách khoanh vùng Đầu vào thuật tốn ảnh thông thường ảnh thời gian thực According to the team's simulation of a photo that contains many people and has unknown facial areas that contrast with the low background, the preprocessing step plays a very important role, greatly affecting the search results obtained by the algorithm For small input images or image area sizes containing faces less than 24 x 24 pixels the accuracy of the results of the search is drastically reduced, an identification error occurs To avoid errors, the priority is to increase the surface size above 60 x 60 pixels This is the minimum size at which the errors begin to reach the minimum threshold The image after resizing will be moved to gray and then pushed into the Haar - Like Cascade filter For the input image is the gray image the accuracy of the output achieves the greatest At the end of the search for the image area containing the face will be separated and zoned The input of the algorithm can be a regular photo or a photo in real-time Đối với xử lý thời gian thực, nghiên cứu sử dụng webcam độ phân giải 1280 x 720 để thu ảnh thời gian thực sau đẩy vào thuật tốn tiến hành tìm kiếm, phân tách vùng ảnh For real-time processing, the analysis uses a webcam that has a resolution of 1280 x 720 to capture real-time images and then pushes through the algorithm that performs the searches, separating the image area 2.3 Face Recognition System Q trình nhận diện khn mặt thời gian thực phân thành ba cơng đoạn sơ đồ Hình bao gồm tạo đào tạ o liệu, tiền xử lý ảnh đầu vào thời gian thực cuối nhận diện đối tượng có ảnh đầu vào The recognition process in the time implementation is divided into three main stages as shown in Figure 4, including the creation and training of the dataset, the input of the preprocessed image into the time execution, and finally the print recognition object the first image Hình 4: Q trình nhận diện 2.2.1 Setting Data Cơng đoạn xây dựng hệ thống nhận diện khuôn mặt tạo đào tạo liệu cứa đối tượng cần nhận diện thời gian thực Bộ liệu gồm 100 ảnh xám ứng với đối tượng cần nhận diện The first step in building the facial recognition system is to create and form a data set of objects that have to be recognized in real-time The data set consists of 100 grey images corresponding to a target object Thông qua việc sử dụng phần mềm Xampp webcam nhóm nghiên c ứu xây dựng thuật toán tạo liệu đầu vào cho hệ thống nhận diện.Ảnh đầu vào thu nhận thời gian thực webcam sau lọc qua lọc Haar-Like giữ lại thành phần cần nhận diện đối tượng vùng ảnh chứa khuôn mặt Khuôn mặt khoanh vùng trích xuất dạng ảnh bitmap, định dạng ảnh jpg thêm vào sở liệu Quá trình lọc ảnh giúp giảm bớt thơng tin khơng c ần thiết có liệu đầu vào lại thơng tin khuôn mặt đối tượng để thuận tiện cho trình đào tạo liệu Using the XAMPP software and webcam, the search team creates an algorithm to create an input dataset for the reconnaissance system The input image is acquired in real-time via webcam after filtering through the Haar-Like filter keep only the primary recognition component of the object, which is the image area containing the face The area faces are extracted in the form of bitmaps, jpg pictures and added to the database The image filtering process reduces the amount of unnecessary information in the input data Only the primary information here is the face of the object to facilitate the data formation process Sau Tạo liệu chứa khuôn mặt đối tượng cần nhận diện, hệ thống tiến hành đào tạo liệu đầu vào Kết thúc giai đoạn, hệ thống thu thư viện nhận diện recognizer.yml Quá trình thể thơng qua sơ đồ thuật tốn Hình After creating a data set containing the faces of the objects to be recognized, the system conducts the formation of the input data set At the end of the stage, the system gets the library recognizer.yml The process is illustrated using the algorithm diagram from Figure Hình 5: Sơ đồ giai đoạn tạo đào tạo liệu 2.2.2 Pre-Procesing Hệ thống nhận diện thông qua webcam thu nhận ảnh đầu vào thời gian thực Cần đảm bảo giai đoạn Webcam bắt hình ảnh tốt khn mặt đối tượng nhận diện The recognition system via webcam captures input images in real-time It is necessary to ensure that in this stage the Webcam can capture the best image of the face of the identified object Hình 6: Thu nhận ảnh tiền xử lý Ảnh đầu vào trải qua giai đoạn tiền xử lý bao gồm đọc ma trận điểm ảnh chuyển ảnh sang mức xám trước đẩy vào cơng đoạn nhận diện khn mặt có ảnh Tiền xử lý đưa ảnh đầu vào điều kiện thuận lợi để dễ dàng tiến hành lọc vùng khuôn mặt ảnh Giai đoạn tiền xử lý giai đoạn quan trọng q trình nhận diện ảnh, nhiên khơng có giai đoạn tiền xử lý, hệ thống tiến hành trích xuất vùng ảnh chứa khn mặt đưa đối chiếu nhận diện với thư viện recognizer The input image will go through a pre-processing stage including reading the pixel matrix and converting the image to gray level before being pushed into the face recognition process in the image Pre-processing provides the input image under favorable conditions to easily filter the facial area of the image The pre-processing stage is not the most important in the whole image recognition process, but without the pre-processing stage, the system will not be able to proceed to extract the image area containing the face for recognition comparison interface with the recognizer library 2.2.3 Face Recognition Đến với công đoạn cuối hệ thống nhận diện khuôn mặt thời giai thực nhận diện gắn thẻ tên tương ứng đối tượng Cơng đoạn gồm ba q trình trích xuất vùng ảnh chứa khn mặt, nhận diện khn mặt trích xuất lấy thơng tin đối tượng ảnh gắn lên vùng khn mặt Q trình thực dựa sơ đồ Hình Ảnh đầu vào thời gian thực lọc vùng ảnh chứa khn mặt thuật tốn Vioal-Jones Vùng ảnh sau lọc đưa so sánh đối chiếu với thư viện liệu hệ thống đào tạo, khuôn mặt trích xuất thơi gian thực sau so sánh đối chiếu với đối tượng liệu chuẩn N ếu khn mặt cần nhận diện có liệu tiêu chuẩn hệ thống tiến hành trích xuất thơng tin c đối tượng tên đối tượng đưa lên giao diện nhận diện hệ thống The final phase of the face recognition system in real-time consists of identifying and labeling the corresponding name of the object The three-step process involves extracting the image area containing the face, detecting the extracted face, and obtaining the object information from the image attached to the face area The process of implementation is based on the diagram The input image in real-time is filtered by the Viola-Jones algorithm The image area after filtering is compared with the data library trained by the system, the face is extracted in real-time after comparing with the objects in the standard data set If the face to be recognized is in the standard data set, the system will extract the object's information here, which is the name of a human and put it on the system's recognition interface Hình 7: Sơ đồ q trình nhận diện khn mặt Thuật tốn Viola-Jones ứng dụng hai cơng đoạn trình nhận diện tạo-đào tạo liệu nhận diện khn mặt Có thể thấy vai trị cốt yếu thuật tốn tốn hệ thống xây dựng Chính vậy, tính xác thời gian nhận diện hệ thống định thuật toán Viola-Jones The Viola-Jones algorithm is applied in both stages of the recognition process, training the dataset, which is face recognition It is possible to find that the essential role of the algorithm in all systems is built Therefore, the accuracy and recognition time of the system is determined by the Viola-Jones algorithm Xét vùng bị khuất C, khn mặt phát bị che khuất miễn đường viền giống đường viền khuôn mặt V ới C