Xây dựng hệ thống nhận diện khuôn mặt sử dụng mạng nơ ron tích chập

MỤC LỤC LỜI MỞ ĐẦU MỤC LỤC DANH MỤC HÌNH DANH MỤC BẢNG CÁC TỪ VIẾT TẮT CHƯƠNG 1: TỔNG QUAN 1.1 GIỚI THIỆU 1.2 MỤC TIÊU 1.3 GIỚI HẠN 1.4 BỐ CỤC ĐỒ ÁN CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 NGƠN NGỮ LẬP TRÌNH PYTHON 2.2 GIỚI THIỆU VỀ TRÍ TUỆ NHÂN TẠO VÀ MÁY HỌC 2.2.1 TRÍ TUỆ NHÂN TẠO 2.2.2 MÁY HỌC 11 2.2.3 HỌC SÂU 13 2.3 MẠNG NƠ RON TÍCH CHẬP VÀ MẠNG NƠ RON TÍCH CHẬP ĐA NHIỆM LIÊN TẦNG 14 2.3.1 MẠNG NƠ RON TÍCH CHẬP 14 2.3.1.1 Lớp tích chập 16 2.3.1.2 Lớp gộp 17 2.3.1.3 Lớp kết nối đầy đủ 18 2.3.1.4 Tổng hợp 19 2.3.2 MẠNG NƠ RON TÍCH CHẬP ĐA NHIỆM LIÊN TẦNG 19 2.4 CÁC THUẬT TOÁN VÀ HÀM ĐƯỢC SỬ DỤNG 20 2.4.1 SIAM NETWORK- FACENET 20 2.4.2 THUẬT TOÁN HỌC TỪ MỘT MẪU (ONE SHOT LEARNING)22 2.4.3 HÀM MẤT MÁT (TRIPLET LOSS) 23 CHƯƠNG : THIẾT KẾ HỆ THỐNG NHẬN DIỆN KHUÔN MẶT DÙNG MẠNG NƠ-RON TÍCH CHẬP 27 3.1 YÊU CẦU CỦA HỆ THỐNG 27 3.2 SƠ ĐỒ KHỐI HỆ THỐNG 27 3.3 THIẾT KẾ TỪNG KHỐI 28 3.3.1 DỮ LIỆU ĐẦU VÀO 28 3.3.2 TIỀN XỬ LÝ 29 3.3.3 MẠNG NƠ RON TÍCH CHẬP ĐA NHIỆM LIÊN TẦNG 29 3.4 LƯU ĐỒ CHƯƠNG TRÌNH CỦA HỆ THỐNG 31 3.4.1 LƯU ĐỒ XỬ LÝ 31 3.4.2 LƯU ĐỒ HUẤN LUYỆN 32 3.4.3 LƯU ĐỒ KHỐI NHẬN DIỆN 33 CHƯƠNG 4: KẾT QUẢ THỰC NGHIỆM 34 4.1 PHÂN TÍCH DỮ LIỆU VÀ ĐÁNH GIÁ MƠ HÌNH 34 4.1.1 Phân tích đánh giá liệu huấn luyện 34 4.1.2 Phân tích đánh giá liệu tự thu thập 35 4.2 QUY TRÌNH CỦA BÀI TỐN NHẬN DIỆN KHN MẶT SỬ DỤNG MẠNG NƠ RON TÍCH CHẬP 37 4.3 SỰ TƯƠNG QUAN GIỮA CÁC PHƯƠNG PHÁP VÀ CÁC TRƯỜNG HỢP CÓ THỂ XẢY RA KHI NHẬN DIỆN 38 CHƯƠNG 5: TỔNG KẾT VÀ HƯỚNG PHÁT TRIỂN 39 5.1 TỔNG KẾT 39 5.1.1 ƯU ĐIỂM 39 5.1.2 NHƯỢC ĐIỂM 39 5.2 HƯỚNG PHÁT TRIỂN 40 TÀI LIỆU THAM KHẢO 41 DANH MỤC HÌNH Hình 2.1: Trí tuệ nhân tạo Hình 2.2: Máy học 11 Hình 2.3: Học sâu 13 Hình 2.4: Ví dụ mạng Nơ ron tích chập 15 Hình 2.5: Cấu trúc mạng Nơ ron tích chập (CNN) 16 Hình 2.6: Ví dụ tích chập 17 Hình 2.7: Kết sau qua hàm ReLU 17 Hình 2.8: Phương pháp gộp - Maxpooling 18 Hình 2.9: Kiến trúc mạng P- Net 19 Hình 2.10: Kiến trúc mạng R- Net 20 Hình 2.11: Kiến trúc mạng O- Net 20 Hình 2.12: Thuật toán học từ mẫu 22 Hình 2.13: Tripless Loss 25 Hình 2.14: Mơ hình Triplet loss 26 Hình 3.1: Sơ đồ khối huấn luyện 27 Hình 3.2: Sơ đồ khối kiểm tra 27 Hình 3.3: Dữ liệu mơ hình huấn luyện 28 Hình 3.4: Dữ liệu đầu vào 29 Hình 4.1: Dữ liệu mơ hình huấn luyện 34 Hình 4.2: Sự thay đổi hàm mát độ xác qua vịng lặp 34 Hình 4.3: Thư mục lưu ảnh sau chụp mẫu 35 Hình 4.4: Dữ liệu tự thu thập huấn luyện lại qua mơ hình 36 Hình 4.5: Kết nhận diện thực tế 37 Hình 5.1: Cảnh báo khuôn mặt khung hình 39 DANH MỤC BẢNG Bảng 4.1: Quá trình huấn luyện kiểm tra tập liệu có sẵn mơ hình 35 Bảng 4.2 Quá trình huấn luyện kiểm tra tập liệu thành viên 36 Bảng 4.3 Nhận diện khuôn mặt từ kiểm tra thực tế 38 Bảng 4.4 Các phương pháp đánh giá tương quan (đon vị: %) 38 CÁC TỪ VIẾT TẮT CNN Convolutional Neural Network SVM Support Vector Machine PCA Principal Component Analysis ReLU Rectified Linear Unit MTCNN Multi-task Cascaded Convolutional Networks CHƯƠNG 1: TỔNG QUAN 1.1 GIỚI THIỆU Sự bùng nổ kỷ nguyên công nghệ 4.0 đưa hàng loạt hội thách thức đặc biệt vấn đề nhân dạng Nhân dạng người yếu tố định đến quyền sở hữu chủ quyền với nhóm đối tượng định nên vơ quan trọng Cách thức xác định danh tính kể qua vân ngón tay, bàn tay, võng mạc, giọng nói v.v thơng dụng phổ biến thông qua camera để nhận dạng Con người đạt nhiều tiến áp dụng vào thực tế đem đến sống đại Đặc biệt việc sử dụng cơng nghệ máy tính, Trí tuệ nhân tạo đóng vai trị quan trọng nhiều lĩnh vực sống Gần có loạt ứng dụng dựa thơng minh nhân tạo Ví dụ, xe tự hành, xe điều khiển mà khơng cần trình điều khiển cơng nghệ Trí tuệ nhân tạo Một ứng dụng khác chat bot, vấn đề dịch vụ khách hàng, giúp người đáp ứng nhanh chóng hiệu với lo lắng, câu hỏi vấn đề khách hàng Các chat bot tiên tiến trả lời câu hỏi theo cách giống người Trong toán xác thực, dựa đặc điểm đặc điểm sinh học cá nhân Trí tuệ nhân tạo, hệ thống nhận dạng sinh trắc học xây dựng đáng tin cậy phương pháp truyền thống trước thẻ thông minh, ví, khóa, mã thơng báo sử dụng mã PIN mật Hệ thống xây dựng thông qua kỹ thuật khác Phương thức sử dụng phổ biến dấu vân tay phương pháp sinh trắc học, bắt buộc phải có tham gia cá nhân để truy cập hệ thống Tuy nhiên thời gian gần đây, hệ thống cho phép người tham gia để truy cập hệ thống xác thực mà không cần can thiệp Trong số phương pháp vậy, nhận dạng khuôn mặt dường kỹ thuật khả thi từ trước đến nay, cá nhân dễ dàng nhận diện thơng qua hệ thống 1.2 MỤC TIÊU Phát triển nhận dạng khuôn mặt thơng qua webcam điểm danh với chương trình nhận diện nhúng từ máy tính dựa lượng ảnh cố định huấn luyện sẵn 1.3 GIỚI HẠN Không thể lúc nhận dạng nhiều người, góc nhận dạng khn mặt cịn bị giới hạn, nhận diện khuôn mặt bị nghiêng hay chuyển động liên tục Chưa thật nhúng vào thiết bị thực tế độ phức tạp cao 1.4 BỐ CỤC ĐỒ ÁN Nội dung đề tài trình bày với năm nội chương sau: Chương 1: Tổng quan Chương nêu tình hình nghiên cứu nay, lý do, mục tiêu chọn đề tài giới hạn đề tài Chương 2: Cơ sở lý thuyết Chương đưa lý thuyết liên quan đến: Ảnh số, trình xử lý ảnh, mạng nơ-ron nhân tạo, mạng nơ-ron tích chập, phương pháp phát nhận diện khuôn mặt Chương 3: Thiết kế hệ thống nhận diện khuôn mặt dùng mạng nơ-ron tích chập Chương nêu lên yêu cầu chi tiết hệ thống, sơ đồ khối hệ thống hoạt động khối, thiết kế khối, lưu đồ chính, lưu đồ chi tiết chương trình mơ phần mềm Matlab Chương 4: Kết thực nghiệm Trình bày kết mơ đánh giá ưu nhược điểm hệ thống Chương 5: Kết luận hướng phát triển Đưa kết luận vấn đề mà trình nghiên cứu đạt chưa đạt Đưa hướng để cải tiến, khắc phục nhược điểm hệ thống CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 NGƠN NGỮ LẬP TRÌNH PYTHON Python ngơn ngữ lập trình bậc cao cho mục đích lập trình đa năng, Guido van Rossum tạo lần đầu mắt vào năm 1991 Python thiết kế với ưu điểm mạnh dễ đọc, dễ học dễ nhớ Python ngơn ngữ có hình thức sáng sủa, cấu trúc rõ ràng, thuận tiện cho người học lập trình Cấu trúc Python cho phép người sử dụng viết mã lệnh với số lần gõ phím tối thiểu Python hồn tồn tạo kiểu động dùng chế cấp phát nhớ tự động; tương tự Perl, Ruby, Scheme, Smalltalk, Tcl Python phát triển dự án mã mở, tổ chức phi lợi nhuận Python Software Foundation quản lý Ban đầu, Python phát triển để chạy Unix Nhưng theo thời gian, Python dần mở rộng sang hệ điều hành từ MS-DOS đến Mac OS, OS/2, Windows, Linux hệ điều hành khác thuộc họ Unix Mặc dù phát triển Python có đóng góp nhiều cá nhân, Guido van Rossum tác giả chủ yếu Python 2.2 GIỚI THIỆU VỀ TRÍ TUỆ NHÂN TẠO VÀ MÁY HỌC 2.2.1 TRÍ TUỆ NHÂN TẠO Hình 2.1: Trí tuệ nhân tạo Trong khoa học máy tính, Trí tuệ nhân tạo hay Trí tuệ nhân tạo (tiếng Anh: Artificial Intelligence), đơi gọi trí thơng minh nhân tạo, trí thơng minh thể máy móc, trái ngược với trí thơng minh tự nhiên người thể Thơng thường, thuật ngữ "Trí tuệ nhân tạo" thường sử dụng để mơ tả máy móc (hoặc máy tính) bắt chước chức "nhận thức" mà người liên kết với tâm trí người, "học tập" "giải vấn đề" Khi máy móc ngày tăng khả năng, nhiệm vụ coi cần "trí thơng minh" thường bị loại bỏ khỏi định nghĩa Trí tuệ nhân tạo, tượng gọi hiệu ứng Trí tuệ nhân tạo Một câu châm ngơn Định lý Tesler nói "Trí tuệ nhân tạo điều chưa thực hiện." Ví dụ, nhận dạng ký tự quang học thường bị loại trừ khỏi thứ coi Trí tuệ nhân tạo, trở thành cơng nghệ thông thường khả máy đại thường phân loại Trí tuệ nhân tạo bao gồm thành cơng hiểu lời nói người, cạnh tranh mức cao trò chơi chiến lược (chẳng hạn Cờ vua Go), xe hoạt động độc lập, định tuyến thông minh mạng phân phối nội dung, mơ qn Trí tuệ nhân tạo phân thành ba loại hệ thống khác nhau: Trí tuệ nhân tạo phân tích, lấy cảm hứng từ người nhân tạo Trí tuệ nhân tạo phân tích có đặc điểm phù hợp với Trí tuệ nhận thức; tạo đại diện nhận thức giới sử dụng học tập dựa kinh nghiệm khứ để thông báo định tương lai Trí tuệ nhân tạo lấy cảm hứng từ người có yếu tố từ trí tuệ nhận thức cảm xúc; hiểu cảm xúc người, yếu tố nhận thức xem xét chúng việc định Trí tuệ nhân tạo nhân cách hóa cho thấy đặc điểm tất loại lực (nghĩa trí tuệ nhận thức, cảm xúc xã hội), có khả tự ý thức tự nhận thức tương tác Trí tuệ nhân tạo thành lập môn học thuật vào năm 1956, năm sau trải qua nhiều sóng lạc quan, sau thất vọng kinh phí (được gọi " mùa đơng Trí tuệ nhân tạo "), 10 cách tiếp cận mới, thành công tài trợ Trong phần lớn lịch sử mình, nghiên cứu Trí tuệ nhân tạo chia thành trường thường không liên lạc với Các trường dựa cân nhắc kỹ thuật, chẳng hạn mục tiêu cụ thể (ví dụ: " robot học " "học máy"), việc sử dụng công cụ cụ thể ("logic" mạng lưới thần kinh nhân tạo) khác biệt triết học sâu sắc Các ngành dựa yếu tố xã hội (các tổ chức cụ thể công việc nhà nghiên cứu cụ thể) Lĩnh vực thành lập dựa tun bố trí thơng minh người "có thể mơ tả xác đến mức cỗ máy chế tạo để mơ nó" Điều làm dấy lên tranh luận triết học chất tâm trí đạo đức tạo sinh vật nhân tạo có trí thơng minh giống người, vấn đề thần thoại, viễn tưởng triết học từ thời cổ đại đề cập tới Một số người coi Trí tuệ nhân tạo mối nguy hiểm cho nhân loại tiến triển khơng suy giảm Những người khác tin Trí tuệ nhân tạo, khơng giống cách mạng công nghệ trước đây, tạo nguy thất nghiệp hàng loạt Trong kỷ 21, kỹ thuật Trí tuệ nhân tạo trải qua hồi sinh sau tiến đồng thời sức mạnh máy tính, liệu lớn hiểu biết lý thuyết; kỹ thuật Trí tuệ nhân tạo trở thành phần thiết yếu ngành công nghệ, giúp giải nhiều vấn đề thách thức học máy, công nghệ phần mềm nghiên cứu vận hành 2.2.2 MÁY HỌC Hình 2.2: Máy học 11 CHƯƠNG : THIẾT KẾ HỆ THỐNG NHẬN DIỆN KHUÔN MẶT DÙNG MẠNG NƠ-RON TÍCH CHẬP 3.1 YÊU CẦU CỦA HỆ THỐNG Hệ thống phải nhận diện người có khn mặt sở liệu Ảnh đầu vào chụp điều kiện ánh sáng tốt, không bị chói q khơng bị thiếu ánh sáng Ảnh chụp diện, nghiêng khơng q sinh viên giới hạn 450, ngẩng đầu cúi đầu không sinh viên giới hạn 450 Các thành phần khuôn mặt rõ ràng, khuôn mặt không bị che khuất nhiều 3.2 SƠ ĐỒ KHỐI HỆ THỐNG Hệ thống “Nhận diện khn mặt dùng mạng Nơ-ron tích chập” gồm khối chính: Khối huấn luyện Khối kiểm tra Hình 3.1: Sơ đồ khối huấn luyện Hình 3.2: Sơ đồ khối kiểm tra 27 3.3 THIẾT KẾ TỪNG KHỐI 3.3.1 DỮ LIỆU ĐẦU VÀO  Dữ liệu mơ hình huấn luyện Trước tiên, đánh giá tìm hiểu liệu mơ hình xây dựng từ trước Dữ liệu sử dụng gồm 1000 thư mục, thư mục thiết lập ký hiệu chứa khoảng 50 ảnh người (người Việt Nam) Hình 3.3: Dữ liệu mơ hình huấn luyện Các ảnh người Việt Nam có kích thước khn mặt người Châu Á Các ảnh chuyển dạng ảnh xám để dễ dàng cho việc huấn luyện Với kích thước chuẩn khn mặt 128x128  Dữ liệu tự thu thập Để thu thập liệu cho đào tạo, chương trình lấy mẫu tự động sử dụng để giảm thiểu điều Người yêu cầu lấy mẫu phải ngồi trước máy ảnh quay đầu chậm lại để máy ảnh chụp khn mặt theo biến thể quan điểm khác nhau, điều kiện chiếu sáng, tắc biến thể lớp Trong trình thu thập, liệu lưu tự động vào thư mục có tên người Hình 3.4 cho thấy tồn q trình thu thập liệu 28 Hình 3.4: Dữ liệu đầu vào 3.3.2 TIỀN XỬ LÝ Ảnh sau chụp đưa qua bước: Bước 1: Phát cắt khuôn mặt sử dụng thuật toán lớp mạng Nơ ron Mạng Nơ ron tích chập đa nhiệm liên tầng để phát khn mặt từ hình ảnh ban đầu Bước 2: Thay đổi kích thước ảnh: Sau cắt khn mặt ảnh chúng có kích thước khác nên nhóm sinh viên đưa kích thước 32x32 tất tập liệu Bước 3: Đưa ảnh màu ảnh xám, sau ảnh thay đổi kích thước đưa ảnh màu ảnh xám đưa qua mạng nơ-ron tích chập tiến hành huấn luyện ảnh 3.3.3 MẠNG NƠ RON TÍCH CHẬP ĐA NHIỆM LIÊN TẦNG  Giải thuật Trong trình huấn luyện, MTCNN áp dụng để phát khuôn mặt ảnh trích xuất đặc tính khn mặt vec tơ nhúng 512 chiều Sau đó, đặc trưng khuôn mặt nén thành 512 vecto, vecto gọi trọng số lưu trữ kho liệu Thông thường, MTCNN sử dụng phát vùng khuôn mặt ảnh, sau hộp giới hạn tạo để đánh dấu vùng khuôn mặt cắt lưu vào tập tin liệu 29 Facenet dùng kết q trình bên để nén ảnh khn mặt thành mảng với 512 chiều lưu vào kho liệu Vòng lặp lặp lặp lại hết ảnh  Các bước tiến hành Khi Webcam bắt đầu ghi hình, khn mặt nhúng dạng vecto tải lên Sau MTCNN sử dụng để để phát khuôn mặt theo thời gian thực từ khung hình nén thành vectơ 512 chiều Sau khn mặt vừa nén so sánh với khuôn mặt kho liệu Thuật toán SVM sử dụng để nhận dạng, dựa khoảng cách L2 làm ngưỡng để xác định khuôn mặt khn hình có trùng với khn mặt kho liệu hay không Các bước trình nhận dạng khn mặt tương đồng với q trình phát khn mặt, q trình nhận dạng khuôn mặt theo thời gian thực buộc phải dùng thuật tốn MTCNN Thêm nữa, việc nhận dạng khn mặt SVM xác định tham số dung thứ phiếu bầu Thông thường, sau so sánh với thông số dung thứ 0.8, danh sách khuôn mặt thỏa lập Mỗi khuôn mặt bỏ phiếu bầu cho danh tính định, danh tính có số phiếu bầu cao chọn làm nhân dạng cho khuôn mặt Nếu nhóm phiếu bầu thuộc nhiều người, cần phải đếm phiếu bầu xem cao 30 3.4 LƯU ĐỒ CHƯƠNG TRÌNH CỦA HỆ THỐNG 3.4.1 LƯU ĐỒ XỬ LÝ 31 3.4.2 LƯU ĐỒ HUẤN LUYỆN 32 3.4.3 LƯU ĐỒ KHỐI NHẬN DIỆN 33 CHƯƠNG 4: KẾT QUẢ THỰC NGHIỆM 4.1 PHÂN TÍCH DỮ LIỆU VÀ ĐÁNH GIÁ MƠ HÌNH 4.1.1 Phân tích đánh giá liệu huấn luyện Dữ liệu thu thập cho đồ án bao gồm 1000 thư mục ảnh, thư mục chứa 50 khuôn mặt người Những hình ảnh lưu trữ thư mục có tên chúng, hiển thị Hình 4.1 Hình 4.1: Dữ liệu mơ hình huấn luyện Hình 4.2 cho thấy độ xác huấn luyện kiểm tra tập liệu Bảng 4.1 trình bày chi tiết trình huấn luyện kiểm tra thông qua thông số: thời gian huấn luyện, giá trị mát, độ xác, tốc độ học, số lần lặp lại Hình 4.2: Sự thay đổi hàm mát độ xác qua vịng lặp 34 Bảng 4.1: Q trình huấn luyện kiểm tra tập liệu có sẵn mơ hình Độ xác Số lần lặp Thời gian Giá trị mát lại (s) tập kiểm tra 1 0.56 3.6790 3.37 0.001 10 20 7.58 2.9917 63.75 0.001 50 100 37.06 0.8348 95 0.001 100 200 76.17 0.3757 98.75 0.001 200 400 155.14 0.2119 98.75 0.001 Chu kì tập kiểm tra(%) Tốc độ học 4.1.2 PHÂN TÍCH VÀ ĐÁNH GIÁ DỮ LIỆU TỰ THU THẬP Hình 4.3: Thư mục lưu ảnh sau chụp mẫu Dữ liệu đảm bảo thu thập điều kiện đặc biệt biến đổi quan điểm, tắc, biến thể lớp điều kiện chiếu sáng Dữ liệu đào tạo thu thập môi trường nhà, vào ban ngày, phịng kín, cửa sổ kính theo hướng ánh sáng huỳnh quang Khuôn mặt mẫu với cảm xúc đa dạng nụ cười, giận dữ, bất ngờ, lạnh lùng hành động khác biệt mắt, miệng Các mẫu thu thập cách camera khoảng 1,5 mét, điều giúp mẫu mặt rõ ràng, xác dễ huấn luyện Sử dụng thuật toán để chia liệu tự động thành 80/20 80% tệp liệu dùng để mang huấn luyện 20% lại để kiểm tra đánh giá mơ hình Ta thu kết đánh hình 4.3 35 Hình 4.4: Dữ liệu tự thu thập huấn luyện lại qua mơ hình Bảng 4.2 Q trình huấn luyện kiểm tra tập liệu thành viên Chu Số lần Thời Giá trị mát Độ xác Tốc độ kì lặp lại gian (s) tập kiểm tra tập kiểm tra học 1 0.76 1.0866 36.25 0.001 35 13.82 0.1833 97.5 0.001 10 65 25.21 0.0744 99.17 0.001 30 210 80.88 0.0188 99.58 0.001 50 300 135.1 0.0124 99.58 0.001 Bảng 4.2 Trình bày chi tiết trình huấn luyện kiểm tra thông qua thông số: thời gian huấn luyện, giá trị mát, độ xác, tốc độ học, số epoch, số lần lặp lại Hình 4.3 Cho thấy độ xác giá trị mát huấn luyện kiểm tra tập liệu khn mặt thành viên lớp Độ xác tập liệu cao 99,58% Do tập liệu sử dụng lớn (100 ảnh/ người), thay đổi ảnh không nhiều 36 4.2 QUY TRÌNH CỦA BÀI TỐN NHẬN DIỆN KHN MẶT SỬ DỤNG MẠNG NƠ RON TÍCH CHẬP Dữ liệu lưu trữ sau chép vào Asus VivoBook, trang bị Core-i5, 2.3GHz, Ram 8GB nơi lưu trữ liệu mơ hình thử nghiệm với mơ hình tranning nhận diện  CÁC BƯỚC THỰC HIỆN Bước 1: Thực lấy liệu từ Webcam cách chạy File : NewFace.py CMD với quyền Admin thư mục tổng Bước 2: Thực chép liệu xếp tên tập tin với người thư mục: Anhgoc Bước 3: Chạy hard code để bắt đầu xử lý ảnh băng MTCNN: Python/src/align_dataset_mtcnn.pyDataset/FaceData/anhgoc/Dataset/ FaceData/anhquaxuly image_size160 margin32 random_order-gpu_memory_fraction 0.25 Bước 4: Huấn luyện cho máy học FaceNet pythonsrc/classifier.py/Dataset/FaceData/anhquaxulyModels/20180402 -114759.pb Models/facemodel.pkl batch_size 1000 Bước 5: Nhận diện ghi nhận kết quả: python src/face.py  HÌNH ẢNH KẾT QUẢ NHẬN DIỆN Hình 4.5: Kết nhận diện thực tế 37 Bảng 4.3 Nhận diện khuôn mặt từ kiểm tra thực tế HUY KHIEM TOAN NGHIA UNKNOWN HUY 92 0 KHIEM 95 TOAN 94 0 NGHIA 93 UNKNOWN 15 8 64 4.3 SỰ TƯƠNG QUAN GIỮA CÁC PHƯƠNG PHÁP VÀ CÁC TRƯỜNG HỢP CÓ THỂ XẢY RA KHI NHẬN DIỆN Có trường hợp xảy toán nhận diện đề tài Cùng tệp liệu 80% dùng để huấn luyện 20% dùng để kiểm chứng Chúng ta có tỉ lệ độ xác khác phương pháp PCA có tỉ lệ xác khoảng 82,5% CNN có tỉ lệ cao 98,75% Bảng 4.4 Các phương pháp đánh giá tương quan (đon vị: %) Phương pháp Tỉ lệ xác PCA 82.5 CNN (trong đề tài) 98.75 38 CHƯƠNG 5: TỔNG KẾT VÀ HƯỚNG PHÁT TRIỂN 5.1 TỔNG KẾT Tỉ lệ nhận diện thành viên tệp liệu tự thu thập lớn nhất, giá trị mát nhỏ Do hình ảnh tệp thu trực tiếp, hình mẫu có thay đổi khơng đáng kể Tỉ lệ nhận diện tập liệu có sẵn tương đối cao, đạt 95,7% Vì tập liệu tốt, hình ảnh chụp rõ nét, thay đổi hướng mặt, độ sáng không nhiều Tỉ lệ nhận diện thấp sai sót nhiều nằm trường hơp UNKNOWN hệ thống nhận diện sai nhiều (38/100) 5.1.1 ƯU ĐIỂM Chương trình nhận diện nhanh, gần tức thời Có thể nhận diện khuôn mặt bị che khuất phần nhỏ 5.1.2 NHƯỢC ĐIỂM Để chương trình xử lý cách xác cần khung mặt với vị trí Camera độ phân giải Camera cao xử lý tốt Tốc độ xử lý máy để chạy chương trình cịn yếu Các góc cạnh khn mặt nhận diện khuôn mặt Bắt buộc khuôn mặt phải nằm khung chữ nhật tỉ lệ nhận dạng cao Chỉ nhận diện khn mặt khung hình Trường hợp sở liệu ngồi cịn nhận diện chưa tốt Hình 5.1: Cảnh báo khn mặt khung hình 39 5.2 HƯỚNG PHÁT TRIỂN Với thời gian thực có hạn kiến thức cịn nên nhóm sinh viên dùng lại chức bám theo mục tiêu đề Dựa vào công việc thực hiện, nhóm sinh viên nhận thấy hệ thống phát triển thêm nội dung sau: Nhận dạng khuôn mặt vấn đề cổ điển, cịn nhiều điều cần khám phá Ví dụ, tiêu chuẩn hóa liệu đầu vào hướng mà nhóm xem xét Nếu hình ảnh đầu vào có chất lượng cao, mơ hình hoạt động hiệu nhiều Xây dựng thuật toán nhận dạng khác, đọc hiểu thêm tài liệu phát triển Hệ thống phát triển hệ thống quản lý điểm danh cho công ty trường học 40 TÀI LIỆU THAM KHẢO [1] Kewen Yan, Shaohui Huang, Yaoxian Song, Wei Liu, Neng Fan (2017) “Face Recognition Based on Convolution Neural Network” China DOI: 10.23919/ChiCC.2017.8027997 [2] Patrik Kamencay, Miroslav Benco, Tomas Mizdos, Roman Radil (2016) “A new method for face recognition using convolutional neural network” Poland DOI: 10.1109/OPTIP.2016.7528489 [3] Musab Coỳkun, Ayỳegỹl Uỗar, ệzal Yếldếrếm, Yakup Demir (2017) “Face Recognition Based on Convolutional Neural Network” Ukraine IEEE DOI: 10.1109/MEES.2017.8248937 [4] Nguyễn Thanh Hải (2014) “Giáo trình xử lý ảnh (Ngành Điện – Điện tử)” Nhà xuất đại học quốc gia, Trường Đại học Sư Phạm Kỹ Thuật TPHCM [5] Vũ Hữu Tiệp nghiên cứu sinh ngành Học Máy Thị Giác Máy Tính “Machine learning bản” https://machinelearningcoban.com/2016/12/26/introduce/ [6] Cs231n Convolutional neural network for vision recognition, Stanford University https://cs231n.github.io/convolutional-networks/ [7] Phạm Thế Bảo, Nguyễn Thành Nhựt, Cao Minh Thịnh, Trần Anh Tuấn, Phan Phúc Doãn “Tổng quan phương pháp xác định khuôn mặt người” http://ictvietnam.vn/files/_layouts/biznews/uploads/file/Uploaded/admin/tong %20quan%20xac%20dinh%20khuon%20mat%20nguoi%20Pham%20the%20Bao.pdf 41 ... ảnh, mạng nơ- ron nhân tạo, mạng nơ- ron tích chập, phương pháp phát nhận diện khuôn mặt Chương 3: Thiết kế hệ thống nhận diện khuôn mặt dùng mạng nơ- ron tích chập Chương nêu lên yêu cầu chi tiết hệ. .. hay thương hiệu mạng n? ?ron 2.3 MẠNG NƠ RON TÍCH CHẬP VÀ MẠNG NƠ RON TÍCH CHẬP ĐA NHIỆM LIÊN TẦNG 2.3.1 MẠNG NƠ RON TÍCH CHẬP CNN mơ hình học sâu tiên tiến giúp cho xây dựng hệ thống thơng minh... nhật lại độ dốc 26 CHƯƠNG : THIẾT KẾ HỆ THỐNG NHẬN DIỆN KHUÔN MẶT DÙNG MẠNG NƠ -RON TÍCH CHẬP 3.1 YÊU CẦU CỦA HỆ THỐNG Hệ thống phải nhận diện người có khn mặt sở liệu Ảnh đầu vào chụp điều kiện