Hệ thống điểm danh tự động dựa trên phát hiện và nhận dạng khuôn mặt

Trong bài viết này, nhóm nghiên cứu trình bày một phương pháp xây dựng một hệ thống điểm danh tự động sinh viên dựa trên việc phát hiện và nhận dạng khuôn mặt từ videos thu thập từ camera giám sát trước cửa lớp học.

Hội nghị Quốc gia lần thứ 24 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2021) Hệ thống điểm danh tự động dựa phát nhận dạng khuôn mặt Lê Ngọc Hà1 , Đỗ Trung Kiên1 , Nguyễn Hồng Quân2 , Trần Thị Thanh Hải1 , Lê Thị Lan1 , Trường Điện - Điện tử, Đại học Bách Khoa Hà Nội Khoa Công nghệ thông tin, Trường Đại học Công nghiệp Việt - Hung Tóm tắt—Trí tuệ nhân tạo nói chung cơng nghệ nhận dạng ảnh nói riêng ngày ứng dụng rộng rãi nhiều lĩnh vực khác đời sống có giáo dục Hiện nay, camera lắp đặt nhiều lớp học nhằm giám sát hoạt động lớp Tuy nhiên việc khai thác tự động thông tin nhằm cải thiện công tác quản lý hoạt động giảng dạy chưa quan tâm nhiều Trong báo này, nhóm nghiên cứu trình bày phương pháp xây dựng hệ thống điểm danh tự động sinh viên dựa việc phát nhận dạng khuôn mặt từ videos thu thập từ camera giám sát trước cửa lớp học Nhóm nghiên cứu sử dụng mạng học sâu tiên tiến Yolo-v5 [1] để phát khuôn mặt từ khung hình, sau đưa vào nhận dạng khn mặt sử dụng kỹ thuật FaceNet [2] để trích chọn đặc trưng phân lớp K-NN để định danh người Nhóm nghiên cứu thiết kế phát triển giao diện Web cho phép giáo viên dễ dàng thực thao tác điểm danh buổi học cập nhật thông tin tự động hệ thống Từ khóa—Phát đối tượng, nhận dạng khn mặt, phát khuôn mặt I GIỚI THIỆU Điểm danh tự động dựa nhận diện khuôn mặt ứng dụng nhiều ngữ cảnh khác xác thực ngân hàng, chấm công nhân viên Tuy nhiên, môi trường giáo dục, người giáo viên phải thực điểm danh thủ cơng nhiều thời gian không khả thi số sinh viên lên đến hàng trăm người giảng đường đại học Trong báo này, nhóm nghiên cứu hướng đến xây dựng hệ thống trợ giúp điểm danh tự động sinh viên dựa kết phát nhận dạng khn mặt Bài tốn phát nhận dạng khuôn mặt nghiên cứu thập kỷ qua thu kết ấn tượng Tuy toán gặp thách thức đưa vào triển khai ứng dụng điểm danh tự động môi trường đông, sinh viên đứng che khuất lẫn bị che khuất đồ vật lớp, góc nhìn camera điều kiện chiếu sáng thay đổi thách thức lớn che khuất ISBN 978-604-80-5958-3 371 độ phân giải nhỏ mặt người khung hình Ngồi ra, nghiên cứu nhận dạng mặt người thường dựa giả thuyết mặt người xác định cách xác ảnh áp dụng hệ thống điểm danh tự động chất lượng bước phát ảnh hưởng đến bước nhận dạng Trong báo này, để triển khai hệ thống điểm danh, nhóm nghiên cứu thực đánh giá lựa chọn kỹ thuật hiệu cho toán phát đối tượng Yolo-v5 nhận dạng FaceNet tích hợp chúng hệ thống hoàn chỉnh kết nối đến hệ thống tự động quản lý sinh viên qua giao diện Web Đóng góp báo sau: • Thu thập gán nhãn sở liệu (CSDL) ngữ cảnh lớp học phục vụ cho toán điểm danh CSDL đặt tên subMICAFace • Triển khai đánh giá hiệu Yolo-v5 so với số kiến trúc mạng khác Faster R-CNN [3] cho toán phát mặt ngữ cảnh học viên trước lớp học; Triển khai, đánh giá phương pháp nhận dạng sinh viên ảnh sử dụng mạng học sâu FaceNet • Tích hợp phương pháp phát nhận dạng khung làm việc thống xây dựng hệ thống quản lý điểm danh tự động giao diện Web Trong phần tiếp theo, nhóm nghiên cứu trình bày nghiên cứu liên quan (mục II), hệ thống điểm danh đề xuất (mục III), giới thiệu CSDL đánh giá thử nghiệm (mục IV) Kết luận hướng phát triển trình bày mục V II CÁC NGHIÊN CỨU LIÊN QUAN Do khn mặt người có hình dạng khác nhau, nên tốn phát khn mặt ảnh vấn đề phải đối mặt với nhiều thách thức Đã có nhiều phương pháp phát khuôn mặt người ảnh/video đề xuất sử dụng kĩ thuật học sâu Faster R-CNN[3] mơ hình phát đối tượng Hội nghị Quốc gia lần thứ 24 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2021) cải tiến Fast R-CNN Faster R-CNN bao gồm hai mô-đun Mô-đun mạng tích hợp sâu đầy đủ đề xuất vùng mơ-đun thứ hai dị Fast R-CNN sử dụng vùng đề xuất DeepFace [4] thuật toán nhận dạng phát triển facebook sử dụng mạng neuron phức hợp DeepFace xử lý trước hình ảnh đầu vào cách sử dụng chuyển đổi 2D affine mơ hình khn mặt 3D để chuẩn hóa hình ảnh đầu vào hình cảnh chụp từ góc độ khác chuyển thành hình ảnh dạng diện Liên quan đến toán điểm danh tự động học sinh, sinh viên dựa hình ảnh thu thâp từ camera giám sát Trong [5], tác giả đề xuất hệ thống điểm danh tự động dựa phát nhận dạng mặt Trong phát dựa đặc trưng Haar sử dụng, sau đặc trưng LBP (Local Binary Pattern) trích chọn vùng ảnh khuôn mặt đưa vào phân lớp SVM Trong [6], tác giả sử dụng kết hợp phát nhận dạng mặt người dựa đặc trưng Haar thẻ RFID để nâng cao độ xác định danh Các tác giả [7] thực phát điểm danh học sinh dựa camera gắn lớp học Các phương pháp vừa trình bày dựa đặc trưng tự thiết kế để phát nhận dạng mặt người độ xác đạt khơng cao đặc biệt trường hợp mặt người nghiêng, khơng diện Trong [8], tác giả sử dụng mạng học sâu Faster R-CNN cho toán phát mặt người Mặt người sau phát theo vết nhận dạng dựa mạng CNN tác giả tự thiết kế Như thấy, nhận dạng mặt người điểm danh tự động dựa kết nhận dạng toán thu hút quan tâm cộng đồng nghiên cứu Tuy nhiên, kết cần tiếp tục cải thiện để triển khai thực tế Ngồi ra, có nhiều sở liệu dùng chung cho toán phát nhận dạng, sở liệu dùng chung cho toán điểm danh tự động cịn thiếu, khó thực đánh giá so sánh phương pháp III HỆ THỐNG ĐỀ XUẤT A Mơ hình chung hệ thống Hệ thống điểm danh tự động học viên thực qua ba bước minh họa Hình 1: • Phát khn mặt: Sử dụng liệu subMICAFace để huấn luyện phát khuôn mặt dựa mạng Yolo-v5, sau huấn luyện thực phát khuôn mặt từ ảnh đầu vào sau xử lí ảnh để phù hợp với đầu vào bước nhận dạng • Nhận dạng: Ở bước nhận dạng nhóm nghiên cứu sử dụng mơ hình FaceNet [2] Đưa ảnh khn mặt ISBN 978-604-80-5958-3 372 phát bước trước vào nhận dạng, sau nhận dạng xác định danh tính học viên • Quản lý hiển thị thơng tin: Nhóm nghiên cứu xây dựng hệ thống quản lí dựa tảng Microweb framework Python, cụ thể Django với sở liệu sử dụng MySQL Trong phần sau, nhóm nghiên cứu mơ tả chi tiết bước hệ thống đề xuất B Phát khn mặt Yolo mơ hình mạng neuron tích chập cho độ xác thời gian phát nhanh đối tượng ảnh Từ đời nay, Yolo trải qua phiên Trong phần này, nhóm nghiên cứu trình bày phương pháp phát khn mặt với Yolo-v5 [1] Có nhiều mơ hình đề xuất cho Yolo-v5, nhóm nghiên cứu lựa chọn mơ hình Yolo-v5m cho phát khn mặt khả cân độ xác tốc độ thực Kiến trúc mạng Yolo-v5 gồm ba thành phần xương sống (backbone) mạng phần giai đoạn chéo (Cross Stage Partial Network - CSPNet), cổ (neck) để tổng hợp đặc trưng phần đầu (head) thực hồi quy phân loại C Nhận dạng khuôn mặt 1) Kiến trúc mạng FaceNet: FaceNet mạng neuron tích chập (CNN) có nhiệm vụ trích chọn đặc trưng ảnh mặt Điểm đặc biệt tạo nên khác biệt FaceNet việc sử dụng hàm lỗi Triplet để tối thiểu hóa khoảng cách gương mặt tương đồng tối đa hóa khoảng cách đến gương mặt khơng tương đồng Vì FaceNet phân biệt cho kết nhận dạng xác 2) Trích chọn đặc trưng dựa FaceNet nhận dạng: FaceNet huấn luyện tập liệu lớn Vì nhóm nghiên cứu sử dụng mạng để trích chọn đặc trưng khuôn mặt phục vụ cho huấn luyện mà khơng huấn luyện lại mạng Q trình nhận dạng gồm bước sau (Hình 2) • Chuẩn hố ảnh khn mặt: với mẫu liệu phát bước phát khn mặt, nhóm nghiên cứu thực chuẩn hố ảnh kích thước 96x96 • Sử dụng mạng FaceNet để trích chọn đặc trưng ảnh Đầu vector đặc trưng 128 chiều biểu diễn đặc điểm khuôn mặt • Giải thuật K-láng giềng gần (K-NN) áp dụng với độ đo khoảng cách Euclid không gian vector đặc trưng ảnh tính trước CSDL để tìm “nhóm” mà vec tơ nhúng thuộc về, từ suy danh tính người quan tâm Hội nghị Quốc gia lần thứ 24 Điện tử, Truyền thơng Cơng nghệ Thơng tin (REV-ECIT2021) Hình Sơ đồ hệ thống điểm danh tự động Đối với sinh viên, người tự kiểm tra trình điểm danh người 2) Phân rã chức năng: Hệ thống có hai nhóm chức khác dành cho giáo viên sinh viên, bên cạnh cịn có thêm trang quản trị chung dành cho người quản lí Khi yêu cầu đăng nhập gửi lên hệ thống, hệ thống nhận diện chức tài khoản yêu cầu sau trả giao diện tương ứng với chức tài khoản Hình Hình Q trình huấn luyện mơ hình FaceNet D Hệ thống quản lý điểm danh tự động Như vậy, ảnh thu nhận từ camera, đưa qua mô đun phát để tìm vùng chứa khn mặt ứng viên tiếp tục đưa qua mô đun nhận dạng để xác định danh tính người Định danh người lưu tự động hệ thống quản lý với giao diện web 1) Chức hệ thống quản lí: Dựa việc phân tích đặc điểm người dùng giảng viên, quản lý lớp, sinh viên, nhóm nghiên cứu thiết kế chức hệ thống quản lí sau: • Quản lý giáo viên: Thiết kế trang quản trị chung (admin) để quản lí, thay đổi thông tin giáo viên, truy xuất danh sách giáo viên theo định dạng tệp excel (.csv) • Quản lý sinh viên: Giống giáo viên, hệ thống quản lí sinh viên trang quản trị chung (admin) • Thực điểm danh học viên: Việc điểm danh sinh viên thực giáo viên Giáo viên thực nhấn nút điểm danh giao diện trang quản lí, hệ thống camera tự động tìm kiếm điểm danh học viên, liệu sau lưu vào CSDL • Thống kê, báo cáo kết điểm danh: Giáo viên tra cứu, thống kê kết điểm danh tất học viên theo danh sách sinh viên theo ngày ISBN 978-604-80-5958-3 373 Hình Phân rã chức yêu cầu nhập 3) Các chức chi tiết:: • Chức giáo viên, quản lí biểu diễn hình Giao viên quản lý thực chức quản lý thông tin học viên, quản lý thông tin điểm danh, thực điểm danh Hình Chức giáo viên, quản lý Hội nghị Quốc gia lần thứ 24 Điện tử, Truyền thông Công nghệ Thơng tin (REV-ECIT2021) • Chức sinh viên biểu diễn Hình Với sinh viên, sau đăng nhập kiểm tra thơng tin điểm danh, chỉnh sửa thông tin cá nhân hay báo cáo cho giảng viên Bảng I Hình Chức sinh viên • Tập liệu subMICAFace bao gồm 383 ảnh với 415 vùng chứa khuôn mặt lấy ngữ cảnh trước cửa lớp học thực tế truy xuất từ máy quay Tập liệu chia thành 315 ảnh cho liệu huấn luyện với 342 vùng chứa khuôn mặt 68 ảnh cho liệu thử nghiệm với 73 vùng chứa khuôn mặt Nhóm nghiên cứu thực thống kê chi tiết việc chia liệu thành tập huấn luyện, tập xác nhận kiểm thử tập liệu sử dụng cho hai phương pháp đề xuất thể Bảng I CSDL gán nhãn theo tiêu chuẩn PASCAL VOC Hình ảnh tập liệu subMICAFace minh họa Hình THỐNG Mơ giao diện ứng dụng minh họa Hình KÊ CƠ SỞ DỮ LIỆU ĐÁNH GIÁ HIỆU NĂNG PHÁT HIỆN KHN MẶT Huấn luyện Thử nghiệm ảnh khn mặt ảnh khuôn mặt Yolo-v5m 315 342 68 73 Faster R-CNN 315 342 68 73 Hình Minh hoạ giao diện hệ thống quản lí Việc triển khai cài đặt hệ thống quản lý thực theo mô hình client-server dựa Django sử dụng hệ quản trị CSDL MySQL Hình Minh họa ảnh khn mặt CSDL subMICAFace IV ĐÁNH GIÁ HIỆU NĂNG HỆ THỐNG A Dữ liệu thử nghiệm 1) Cơ sở liệu cho đánh giá phương pháp phát khn mặt: • Tập liệu MICAFace tập liệu nhóm nghiên cứu thiết kế thu thập lớp học Viện nghiên cứu Quốc tế MICA, Trường Đại học Bách Khoa Hà Nội Hiện tập liệu tiếp tục thu thập gán nhãn Vì khn khổ báo này, nhóm nghiên cứu sử dụng tập liệu đặt tên subMICAFace Đây tập liệu nhóm nghiên cứu tiến hành gán nhãn phân loại để huấn luyện thử nghiệm hệ thống ISBN 978-604-80-5958-3 374 2) Cơ sở liệu cho đánh giá phương pháp nhận dạng: • FaceScrub [9] tập liệu hình ảnh khn mặt Mỹ, thu thập từ internet chụp tình thực tế, bao gồm 106863 ảnh gán nhãn với 530 người khác Tập liệu bao gồm 55306 ảnh 265 nam giới khác 51557 ảnh 265 nữ giới khác Ảnh cắt sát với khuôn mặt Bộ liệu chia thành tập huấn luyện tập nhận dạng Cơ sở liệu FaceScrub tải xuống từ địa sau:http://vintage.winklerbros.net/FaceScrub.html Hội nghị Quốc gia lần thứ 24 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2021) Tập liệu khuôn mặt subMICAFaceID nhóm nghiên cứu cắt tay bao gồm 792 ảnh với 792 vùng chứa khuôn mặt 33 người khác nhau, gồm có 30 nam giới nữ giới Tập liệu chia thành 396 ảnh liệu huấn luyện với 396 vùng chứa khuôn mặt 396 ảnh cho liệu thử nghiệm với 396 vùng chứa khn mặt • Tập liệu subMICAFaceIDAuto tập liệu bao gồm 792 ảnh với 792 vùng chứa khuôn mặt thu sau phát tự động khn mặt từ sử dụng mơ hình Yolo-v5 từ tập subMICAFace Tập liệu chia thành 396 ảnh liệu huấn luyện với 396 vùng chứa khuôn mặt 396 ảnh cho liệu thử nghiệm với 396 vùng chứa khn mặt Nhóm nghiên cứu thực thống kê chi tiết việc chia liệu thành tập huấn luyện kiểm thử hai tập liệu sử dụng cho phương pháp đề xuất thể Bảng II Tiêu chuẩn PASCAL VOC sử dụng để gán nhãn liệu Tập liệu subMICAFaceID bao gồm ảnh khoanh vừa khít với khn mặt, bỏ qua khơng cần thiết, giúp mơ hình nhận dạng tốt Hình ảnh hai tập liệu cắt tay subMICAFaceID phát tự động subMICAFaceIDAuto minh họa Hình • Hình Minh họa ảnh khn mặt tập liệu cắt tay subMICAFaceID (bên trên) subMICAFaceIDAuto (bên dưới) B Độ đo đánh giá Độ xác thu tập liệu thử nghiệm thước đo đánh giá hiệu phát nhận dạng khuôn mặt nghiên cứu nhóm Nhóm nghiên cứu đánh giá trình huấn luyện thử nghiệm độ xác (Precision) độ triệu hồi (Recall) Trong đó, độ xác định nghĩa tỉ lệ số khuôn mặt người phát tổng số thử nghiệm độ triệu hồi tỉ lệ khuôn mặt người phát tổng số khuôn mặt người có tập hình ảnh Ngồi ra, nhóm nghiên cứu thêm độ xác trung bình ISBN 978-604-80-5958-3 375 (mAP@.5, mAP.5:.95) phần phát độ đo F1 (F1-score) trung bình Precision và Recall thể hiệu suất mơ hình học máy phần nhận diện C Kết thực nghiệm 1) Kết phát mặt liệu subMICAFace: Nhóm nghiên cứu tiến hành huấn luyện lại mạng Yolo-v5 với tập liệu subMICAFace tự xây dựng với tập liệu huấn luyện mô tả phần Các trọng số khởi tạo từ Yolo-v5m, sử dụng thông số sau: kích thước batch size 64 với 250 lần lặp mơ hình Sau q trình huấn luyện thử nghiệm, nhóm nghiên cứu thu kết Bảng IV Phương pháp đề xuất cho kết cao so với phương pháp đưa so sánh (Faster R-CNN) với độ xác đạt 99.66 độ triệu hồi 2) Kết nhận dạng liệu subMICAFaceID: Đầu tiên, mơ hình FaceNet với kiến trúc nn4.small2 huấn luyện lại tập liệu FaceScrub với learning_rate = 0.2 tối ưu thuật toán Adam 10 epoches step epoch 100 Sau hoàn tất huấn luyện với FaceScrub, mơ hình tiếp tục huấn luyện với SubMicaFaceID nhằm mục đích tối ưu hóa trọng số phù hợp cho việc nhận dạng Kết hai liệu subMICAFaceID subMICAFaceIDAuto thể Bảng IV với độ xác đạt 0.88 liệu subMICAFaceID 0.86 liệu subMICAFaceIDAuto 3) Thảo luận: Mặc dù đạt kết phát cao, kết nhận dạng sở liệu thu thập tương đối thấp Hình minh họa trường hợp nhận dạng sai hệ thống Trong trường hợp hình ảnh khn mặt hai sinh viên có đặc trưng giống Ngồi ra, chất lượng hình ảnh đầu vào từ liệu subMICAFaceID tương đối thấp, camera thu thập thông tin từ đối tượng đứng xa di chuyển nhanh Trong số trường hợp, vài khuôn mặt bị che khuất làm cho đặc trưng trích xuất bị thiếu sót thơng tin gây nhầm lẫn trình nhận dạng 4) Đánh giá hệ thống quản lý tự động điểm danh sinh viên: Thử nghiệm hệ thống điểm danh thực offline dựa video thu thập trước Kết thu cho thấy hệ thống phát khuôn mặt đạt 30 fps với máy Intel(R) Core(TM) i5-4200U CPU @ 1.60GHz 2.30GHz Hệ thống có khả điểm danh cho sinh viên sinh viên xuất khung hình liệu điểm danh tự động lưu trữ CSDL hệ thống Hội nghị Quốc gia lần thứ 24 Điện tử, Truyền thông Công nghệ Thông tin (REV-ECIT2021) Bảng II THỐNG KÊ CƠ SỞ DỮ LIỆU ĐÁNH GIÁ HIỆU NĂNG NHẬN DẠNG KHUÔN MẶT Huấn luyện Thử nghiệm ảnh khuôn mặt ảnh khuôn mặt subMICAFaceID 396 396 396 396 Bảng III KẾT phát xác (độ triệu hồi 99%, độ xác 99%) kết nhận dạng hứa hẹn (độ xác 88%) Trong thời gian tới, nhóm nghiên cứu bổ sung liệu huấn luyện thử nghiệm, cải thiện độ xác mơ hình nhận dạng, bổ sung tính hệ thống quản lý để việc kết nối mô đun nhận dạng quản lý thực thông suốt với nhiều lớp học song song QUẢ PHÁT HIỆN MẶT TRÊN TẬP DỮ LIỆU SUB MICAFACE Precision Recall mAP@.5 mAP@.5:.95 Yolo-v5m 99.99 99.99 99.5 81.98 Faster R-CNN 96.84 77.2 96.84 75.07 Bảng IV KẾT QUẢ NHẬN DẠNG KHUÔN MẶT TRÊN HAI TẬP DỮ LIỆU LÀ SUB MICAFACE ID VÀ SUB MICAFACE IDAUTO CSDL Precision Recall F1-score Accuracy subMICAFaceID 88.87 87.36 88.1 88.63 LỜI CẢM ƠN Nghiên cứu tài trợ Đề tài NCKH cấp Bộ, Bộ Giáo dục Đào tạo mã số CT2020.02.BKA.02 subMICAFaceIDAuto 87.34 86.91 87.12 86.36 TÀI LIỆU THAM KHẢO Hình Minh họa kết nhận dạng sai: Hình ảnh đưa vào mô đun nhận dạng (ảnh bên trái) hình ảnh sở liệu sinh viên có định danh hệ thống nhận dạng xác định (ảnh bên phải) V KẾT LUẬN Trong báo này, nhóm nghiên cứu đề xuất hệ thống điểm danh tự động sinh viên từ camera với 03 mơ đun chính: mơ đun phát sử dụng mạng Yolo-v5 để đảm bảo phát nhanh xác khn mặt ảnh Sau đó, sử dụng mạng FaceNet để trích chọn đặc trưng khn mặt phục vụ cho nhận dạng dựa K-NN mô đun quản lý dựa tảng web Để phục vụ cho việc huấn luyện mơ hình phát nhận dạng đánh giá hiệu mơ hình ngữ cảnh lớp học, việc sử dụng CSDL có cộng đồng nghiên cứu, nhóm tự xây dựng CSDL ảnh thu với lớp học thực tế gán nhãn Hệ thống đánh giá mô đun cho kết ISBN 978-604-80-5958-3 subMICAFaceIDAuto 396 396 396 396 376 [1] G Jocher, https://github.com/ultralytics/yolov5, 2020 [2] J P Florian Schroff, Dmitry Kalenichenko, “Facenet: A unified embedding for face recognition and clustering,” arXiv preprint arXiv:1503.03832v3, 2015 [3] S Ren, K He, R Girshick, and J Sun, “Faster R-CNN: Towards real-time object detection with region proposal networks,” in Advances in Neural Information Processing Systems (NIPS), 2015 [4] Z H Hardie Cate, Fahim Dalvi, “Deepface: Face generation using deep learning,” arXiv preprint arXiv:1701.01876v1, pp 2–7, 2017 [5] S Chintalapati and M V Raghunadh, “Automated attendance management system based on face recognition algorithms,” 2013 IEEE International Conference on Computational Intelligence and Computing Research, pp 1–5, 2013 [6] F Battaglia, G Iannizzotto, and L Lo Bello, “A person authentication system based on rfid tags and a cascade of face recognition algorithms,” IEEE Transactions on Circuits and Systems for Video Technology, vol 27, no 8, pp 1676–1690, 2017 [7] S Matilda and K Shahin, “Student attendance monitoring system using image processing,” 2019 IEEE International Conference on System, Computation, Automation and Networking (ICSCAN), pp 1–4, 2019 [8] Q Cheng, B Rong, B Sun, and J He, “Class attendance checking system based on deep learning and global optimization,” in Proceedings of the 2019 8th International Conference on Computing and Pattern Recognition, ser ICCPR ’19 New York, NY, USA: Association for Computing Machinery, 2019, p 331–336 [Online] Available: https://doi.org/10.1145/3373509.3373519 [9] H.-W Ng and S Winkler, “A data-driven approach to cleaning large face datasets,” in 2014 IEEE International Conference on Image Processing (ICIP), 2014, pp 343–347  ... hình ảnh dạng diện Liên quan đến toán điểm danh tự động học sinh, sinh viên dựa hình ảnh thu thâp từ camera giám sát Trong [5], tác giả đề xuất hệ thống điểm danh tự động dựa phát nhận dạng mặt Trong... cho toán phát nhận dạng, sở liệu dùng chung cho tốn điểm danh tự động cịn thiếu, khó thực đánh giá so sánh phương pháp III HỆ THỐNG ĐỀ XUẤT A Mơ hình chung hệ thống Hệ thống điểm danh tự động học... nút điểm danh giao diện trang quản lí, hệ thống camera tự động tìm kiếm điểm danh học viên, liệu sau lưu vào CSDL • Thống kê, báo cáo kết điểm danh: Giáo viên tra cứu, thống kê kết điểm danh