Nghiên cứu và xây dựng hệ thống cảnh báo người lạ đột nhập vào nhà

lOMoARcPSD|15963670 TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP HÀ NỘI KHOA CÔNG NGHỆ THÔNG TIN - - BÁO CÁO TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CỦA SINH VIỆN Đề tài NGHIÊN CỨU VÀ XÂY DỰNG HỆ THỐNG CẢNH BÁO NGƯỜI LẠ ĐỘT NHẬP VÀO NHÀ Giảng viên hướng dẫn :Ths.Ngơ Thị Thanh Hịa Nhóm sinh viên thực : Đinh Công Nhật – lớp KHMT01 – khoa CNTT Phạm Đình Tiến – lớp KTPM01 – khoa CNTT Nguyễn Duy Sơn – lớp KTPM01 – khoa CNTT Lê Xuân Thịnh – lớp KTPM01 – khoa CNTT Trần Tuấn Anh – lớp KTPM01 – khoa CNTT Hà Nội, Tháng Năm 2022 lOMoARcPSD|15963670 Mục lục I Tổng quan đề tài Lời mở đầu .3 Lý chọn đề tài 3 Mục tiêu nghiên cứu 4 Đối tượng phạm vi nghiên cứu II Phương pháp, tư liệu nghiên cứu Quy trình xử lý toán Phương pháp nghiên cứu a Thuật toán Haar Cascade  HAAR CASCADE ?  3.2 Đặc trưng Haar  3.3 Haar cascade hoạt động thếế .10 b Mạng thần kinh 11  Neural Network gì? 11  Đặc điểm Arti昀椀cial Neural Network gì? 11  Kiến trúc mạng Neural Network gì? 12 c Mạng tích chập CNNs 12  3.1 Giới thiệu 12  Mạng nơ-ron chuyển đổi .13  Xây dựng đào tạo mơ hình CNN 15 Chương trình nhận diện khn mặt 18  Tìm hiểu điểm ảnh 18  Xử lý ảnh ngành liên quan 18  Tạo phần mềm nhận diện khuôn mặt bước: 19 III Kết nghiên cứu phân tích đề tài 23 Kết nhận diện khuôn mặt 23 Phân tích, bàn luận đề tài 24 IV Tổng kết 25 TÀI LIỆU THAM KHẢO 25 lOMoARcPSD|15963670 I Tổng quan đề tài Lời mở đầu Nghiên cứu xây dựng hệ thống cảnh báo người lạ đột nhập không xa lạ với Hiện nay, hệ thống nhận diện người áp dụng vào đa lĩnh vực từ hệ thống an ninh đến khả tốn Một số cơng nghệ đột phá phát triển có đại dịch covid19 nhận diện khn mặt đeo trang Nhìn chung, toàn ngành nhận diện chưa phát triển đến khả xác tuyệt đối với công nghệ, phương pháp nhận diện phát triển, áp dụng an ninh nói chung Nói riêng hệ thống cảnh báo người lạ đột nhập không ngừng cải thiện mức độ tin cậy hệ thống, giúp đảm bảo an ninh cho nhà (người dùng cá nhân) hay cho công ty, doanh nghiệp Từng bước xây dựng, đảm bảo hệ thống an ninh cho xã hội Hệ thống cảnh báo người lạ đột nhập nhận diện người, phân biệt đối tượng kết hợp với ngữ cảnh để đưa cảnh báo phù hợp cho người dùng, hệ thống người dùng dùng giám sát phản ứng kịp thời trước hành động hay nguy an ninh Có thể kết luận hệ thống nhận diện ngày giúp sống tiện lợi nói riêng hệ thống cảnh báo người lạ đột nhập bước đảm bảo sống người an toàn Lý chọn đề tài lOMoARcPSD|15963670 Nhà sống chúng ta, lẽ thứ bạn có, bạn cần xoay quanh ngơi nhà mà sống Và thật đáng buồn một ngày nhà bạn nghe thăm “vị khách” lút, dình mị đến tài sản hay tệ đe dọa đến an toàn thân Từ hành động nhỏ trộm vặt đến vụ án nghiêm trọng cưới tài sản, giết người, ngày ln có hàng trăm nguy xảy phần lớn trường hợp có đặc điểm chung thiếu hệ thống an ninh đáng tin cậy Có thể cho tỉ lệ nguy xảy với nhà vơ thấp, có điều đáng tiếc dù xảy lần giá đắt cho chủ quan Họ, kẻ xấu kia, hội, thay đổi ý định gây hành động họ thấy bị giám sát, không cần phải chịu tổn thất tài sản, tinh thần hay trí tính mạng nhận cảnh báo để chủ động tình huống, nguy khơng an tồn Tất điều thúc đẩy nhóm nghiên cứu khoa học tạo nên hệ thống cảnh báo người lạ, hệ thống giúp giám sát, cảnh báo nguy từ người lạ Mục tiêu nghiên cứu Mục tiêu ban đầu đề đề tài là:  Tìm hiểu, nghiên cứu nhận dạng người, phát khuôn mặt lOMoARcPSD|15963670 Mục tiêu đầu tiên, bước cần đạt để giải toàn nhận diện người lạ đột nhập vào nhà phát khuôn mặt người Là sở để hệ thống phân tích đưa kết nhận diện khn mặt giúp nhận biết người quen hay người lạ để đưa cảnh báo người dùng  Tìm hiểu, nghiên cứu nhận diện khuôn mặt Là mục tiêu quan trọng toán cần đạt được, nhận diện khuôn mặt giúp hệ thống nhận biết, phân loại đối tượng người vào nhóm quen biết từ việc học khuôn mặt thành viên gia đình, khơng thuộc nhóm phân loại đối tượng người lạ hệ thống, từ giúp hệ thống đưa cảnh báo phù hợp  Tìm hiểu, nghiên cứu phân tích ngữ cảnh Phân tích ngữ cảnh giúp cho hệ thống nhận biết tình cụ thể tốn từ đưa cảnh báo phù hợp ví dụ: ban đêm, hệ thống phát người lạ có dấu hiệu đột nhập hệ thống đưa cảnh báo toàn diện, mức nguy hiểm việc có người lạ gõ vào ban ngày( khách đến chơi nhà) hay hệ thống phát có người lạ người quen gia đình đưa cảnh báo mức đơn giản, nhẹ nhàng  Nghiên cứu cách thức cảnh báo Là toán cảnh báo người lạ đột nhập vào nhà, tìm hiểu, nghiên cứu cách thức cảnh báo mục tiêu quan trọng tốn Khí tìm hiểu, cách thức cảnh báo chia làm nhiều mức độ khác từ mức nhẹ nhàng đến cấp độ cấp thiếp mức cao nguy hiểm khẩn cấp lOMoARcPSD|15963670 Đơn giản từ việc đưa thống báo nhỏ điện thoại, hay hệ thống loa tích hợp gia đình, cấp thiết gửi tin nhắn báo động, gửi cảnh báo đến điện thoại hay trí hệ thống chng báo động lật tức  Xây dựng hệ thống cảnh báo đột nhập có khả sử dụng độc lập tích hợp với hệ thống an ninh khác Mục tiêu xây dựng hệ thống có khả hoạt động độc lập mục tiêu hệ thống cảnh báo Nhưng dựa vào tình hình thực tế, hệ thống cần khả tương với đa dạng hệ thống an ninh khác tịa nhà có sẵn muốn bổ sung thêm Khả tương thích giúp cho hệ thống tận dụng hết lợi phần cứng cho việc hỗ trợ nhận diện người lạ, phân tích ngữ cảnh hay lợi hệ thống cảnh báo Đối tượng phạm vi nghiên cứu Rất rõ ràng, đối tượng toán đối tượng người Trong thời điểm cụ thể, nhiều người toán xử lý, nhận diện phân loại đối tượng người trung tâm hệ thống cần xử lý Đối với phạm vi nghiên cứu, toán áp dụng phạm vi nhỏ gia đình, tịa nhà với gia đình Bài tốn chưa xử lý phạm vi lớn khu cơng sở hay tịa nhà chung cư … II Phương pháp, tư liệu nghiên cứu Quy trình xử lý tốn Mỗi hệ thống Sinh trắc học có bốn tính thể Hình 1: khn mặt Phát hiện, xử lý trước, trích xuất tính nhận dạng khn mặt lOMoARcPSD|15963670 Như Hình cho thấy nhiệm vụ hệ thống nhận dạng khuôn mặt chụp ảnh cách video, máy ảnh từ sở liệu hình ảnh đưa cho bước khuôn mặt hệ thống nhận dạng thảo luận phần  Phát khuôn mặt Chức bước phát khn mặt từ ảnh chụp ảnh chọn hình ảnh từ sở liệu Q trình nhận diện khn mặt thực xác minh thời tiết hình ảnh cho có hình ảnh khn mặt hay khơng, sau phát khuôn mặt, đầu tiếp tục đưa cho bước tiền xử lý  Sơ chế Bước hoạt động trình xử lý trước để nhận dạng khuôn mặt, Trong bước này, Có thể loại bỏ nhiễu khơng mong muốn, mờ, điều kiện làm sáng khác nhau, hiệu ứng đổ bóng sử dụng kỹ thuật tiền xử lý cần có hình ảnh khn mặt mịn đẹp sử dụng cho q trình trích xuất tính  Khai thác tính Trong bước này, đặc điểm khn mặt trích xuất thuật tốn trích xuất đặc điểm Việc trích xuất thực để đóng gói thơng tin, giảm kích thước, khả phục hồi khai thác làm tiếng ồn Sau bước này, miếng dán mặt thường chuyển thành vectơ có thứ nguyên cố định tập hợp điểm 昀椀ducial vị trí tương ứng chúng lOMoARcPSD|15963670  Nhận dạng khuôn mặt Sau trích xuất đặc điểm thực hiện, bước phân tích biểu diễn khn mặt; cuối bước sử dụng để nhận dạng danh tính khn mặt để đạt khn mặt tự động nhận dạng, để nhận dạng sở liệu khuôn mặt cần thiết để xây dựng Cho người, số hình ảnh chụp tính chúng trích xuất lưu trữ sở liệu sau hình ảnh khn mặt đầu vào nhận dạng, trước tiên thực nhận diện khn mặt, xử lý trước trích xuất tính năng, sau so sánh tính với lớp khn mặt lưu trữ sở liệu Có hai ứng dụng chung nhận dạng khuôn mặt, gọi nhận dạng số khác gọi xác minh Nhận dạng khn mặt có nghĩa cho hình ảnh khn mặt, sử dụng để xác định danh tính người khơng có hiểu biết Trong xác minh khn mặt, cung cấp hình ảnh khn mặt đoán nhận dạng, hệ thống phải cho biết đốn hay sai Nhận dạng khn mặt phần lớn phân loại thành hai loại phương pháp tiếp cận khác nhau, phương pháp dựa tính cục phương pháp dựa tính tồn cục Khn mặt người đặc trưng sở tính địa phương tồn cầu Các tính tồn cầu dễ nắm bắt hơn, chúng thường phân biệt so với tính địa hóa cục đặc điểm khn mặt mang tính phân biệt cao, bị ảnh hưởng thay đổi cục hình dạng khuôn mặt phần khuôn mặt Bây hệ thống nhận dạng khuôn mặt ngày nhận dạng khuôn mặt cách sử dụng nhiều chế độ xem khn mặt, tính Nhận dạng khn mặt nhiều chế độ kỹ thuật số tác giả đề xuất để phát góc nhìn khn mặt, chẳng hạn trái, phải, trước, dưới, v.v Trong báo này, thảo luận phương pháp khác lOMoARcPSD|15963670 Mạng thần kinh sử dụng hệ thống nhận dạng khn mặt đa góc nhìn, nhiều nhà nghiên cứu sử dụng mạng nơ-ron khuôn mặt hệ thống công nhận cách sử dụng cách tiếp cận khác Đầu tiên, thảo luận khái niệm neural mạng nóng sử dụng hệ thống nhận dạng khuôn mặt Phương pháp nghiên cứu a Thuật toán Haar Cascade  HAAR CASCADE ? Haar Cascade thuật tốn tạo dựa tính để phát đối tượng (có thể khuôn mặt, mắt, tay, đồ vật,…) đề xuất vào năm 2001 Paul Viola Michael Jones báo họ với khẳng định “Phát đối tượng cách nhanh chóng cách sử dụng tầng (Cascade) tăng cường tính đơn giản” Triển khai ban đầu sử dụng để phát khn mặt diện đặc điểm Mắt, Mũi Miệng Tuy nhiên, có nhiều đặc trưng Haar đào tạo trước GitHub họ cho đối tượng khác cho toàn thể, thân trên, thân dưới, nụ cười nhiều đồ vật khác Nói cách dễ hiểu hơn, Haar Cascade gì? Là lớp model giúp nhận diện khuôn mặt (Haar Cascade face detection) Haar Cascade sử dụng tầng Haar sau sử dụng thật nhiều đặc trưng qua nhiều lượt (Cascade) tạo thành cỗ máy nhận diện khn mặt hồn chỉnh lOMoARcPSD|15963670 10 Hình  3.2 Đặc trưng Haar Các ví dụ lọc liệt kê dưới, a) lọc bắt cạnh ảnh, b) bắt đường thẳng ảnh, tương tự lọc nhắc tới Ngồi ra, cịn có lọc Haar khác, ví dụ c) đặc trưng 4-hình vng đây, hình lOMoARcPSD|15963670 17 nút mơ hình mạng khơng thể nhìn thấy đào tạo mẫu Bằng cách quan sát mơ hình mạng nơ-ron này, thấy mơ hình chứa tổng cộng đơn vị đầu vào, đơn vị ẩn đơn vị đầu Bây giờ, sử dụng nl để đại diện cho số lớp mạng nơron số lớp mạng nơ-ron Bây đánh dấu lớp, lớp thể Ll, sau kết lớp mạng nơron L1, lớp đầu Lnl, mạng nơ-ron này, tham số sau: Wij tham số kết nối ô thứ j lớp ô thứ i lớp l + 1, bi L phần bù ô thứ i lớp + Trong mơ hình mạng nơ ron này, đặt đại diện cho đầu giá trị vài ô lớp Gọi l lớp i vài ô lớp Với tập tham số W b cho, sử dụng cơng thức hw, b (x) để tính đầu mạng nơron Các cơng thức sau bước tính tốn: Tính tốn lan truyền thuận thể phương trình (3) Đào tạo mạng nơ-ron phương pháp vmơ hình hồi quy Logistic tương tự, mạng nơ-ron nhiều lớp, cần thiết gradient descent + quy tắc dẫn xuất chuỗi  Xây dựng đào tạo mơ hình CNN - CNN mơ hình Hiện tại, kiến trúc điển hình mạng nơ-ron chia thành loại sau: LeNet5,AlexNet, ZF Net, GooLeNet VGGNet, sau kiến trúc LeNet5 để biết chi tiết phân tích LeNet5 cấu trúc cổ điển CNN tồn từ lâu chủ yếu sử dụng nhận dạng phơng chữ viết tay Nó chứa tổng cộng lOMoARcPSD|15963670 18 bảy lớp cấu trúc, ngoại trừ đầu vào lớp, lớp khác có thơng số đào tạo lớp chứa nhiều Bản đồ tính năng, trích xuất tính đầu vào thơng qua nhân chập Và tính chứa nhiều tế bào thần kinh Hình ảnh cho thấy kiến trúc LeNet5: Như hình, kích thước ảnh 32 * 32 thông qua lớp đầu vào vào cấu trúc mạng.hihi Hình Lớp lớp đầu vào lớp chập, biểu diễn C1 Số lượng nhân chập kích thước * Sau xử lý lớp này, số lượng tế bào thần kinh 28 * 28 * 6, thông số đào tạo (5 * + 1) * Lớp lớp C1 lớp lấy mẫu xuống, hiển thị hình, có đầu vào đầu lớp tích tụ lớp, kích thước 28 * 28, * in vùng lân cận không gian mẫu cách lấy mẫu Là cộng số, nhân chúng tham số đào tạo, sau thêm phần bù đào tạo để xuất kết thông qua sigmoid hàm số Số lượng tế bào thần kinh lớp S2 14 * 14 * Sau qua lấy mẫu lớp S2 , kích thước biểu đồ đặc trưng mà nhận phần tư sản lượng từ lớp tích chập trước Lớp đến lớp khác S2 lớp tích chập, với tổng cộng 16 nhân chập, kích thước nhân chập trùng kích thước C1 Lớp gọi lớp C3 nhân vật Kích thước lớp tính đầu lớp 10 * 10 tính lớp S2 kết nối với tất tính lớp C3 Các tính thu lớp này, hình kết hợp khác tính đầu Downloaded by ng?c trâm (ngoctram201217@gmail.com) lOMoARcPSD|15963670 19 lớp trước Lớp S4 giống lớp S2 kiểu lấy mẫu 16 Cho đến nay, cấu trúc mạng giảm số lượng nơ-ron xuống 400 Lớp C5 lớp chập, kết nối hồn tồn với lớp trước lớp, kích thước nhân chập * 5, lần xử lý hình ảnh lớp C5, kích thước hình ảnh trở thành 5-5 + = 1, có nghĩa có đầu nơ-ron, lớp chứa tổng cộng 120 nhân chập, đầu cuối nơron 120 Lớp cuối F6, lớp lớp kết nối, cách tính tốn vectơ đầu vào vectơ trọng số sản phẩm chấm, cộng với thiên vị, cuối thông qua hàm sigmoid để xử lý kết - Thu thập xử lý hình ảnh khn mặt Xử lý hình ảnh dựa mạng nơ-ron phức hợp cần thu thập số lượng lớn hình ảnh cho máy tính để học Chủ đề thu hút nhiều người nhiều hình ảnh, sau thu thập nhiều hình ảnh cắt phần không liên quan khuôn mặt Bài viết sử dụng tính nhận diện cắt khuôn mặt lưu thư mục tạo h ình 10 Tại thời điểm này, hình ảnh thu thập được cắt thay đổi kích thước Sau đó, tất hình ảnh ghép lại kết hợp liệu khuôn mặt olivettifaces, dòng đại diện cho danh mục hai người, xét cho hình ảnh khn mặt Downloaded by ng?c trâm (ngoctram201217@gmail.com) lOMoARcPSD|15963670 20 ghép lại với nhau, sau nhận xử lý mức độ xám sở liệu khuôn mặt nhỏ Các hình chủ đề tập liệu khuôn mặt đào tạo: - Xây dựng mô hình mạng nơ-ron chuyển đổi CNN thiết kế báo chứa lớp cấu trúc sau, lớp đầu vào, chuyển đổi, gộp, tất lớp kết nối, lớp đầu ra, lớp phức hợp lớp lấy mẫu xuống có nhiều Trong báo này, tham chiếu đến mơ hình LeNet5 để đạt mơ hình CNN viết thiết lập Các thiết kế mơ hình lớp tích chập lớp lấy mẫu xuống hợp thành lớp, có tên "LeNetConvPoolLayer", tổng cộng hai lớp "LeNetConvPoolLayer" tích chập lớp thứ ba cộng với lớp lấy mẫu kết nối Lớp kết nối đầy đủ, có tên "HiddenLayer", lớp kết nối đầy đủ lớp tương tự lớp ẩn perceptron nhiều lớp Lớp cuối lớp đầu ra, phân loại nhiều mặt, mơ hình hồi quy Softmax sử dụng, đặt tên "LogisticRegression." Hình 11 thiết kế cấu trúc mạng nơ-ron tích chập: Đầu tiên lớp đầu vào đầu vào hình ảnh, thiết kế thu thập tổng cộng 44 khuôn mặt người, người số khn mặt người 10 có tổng cộng bốn liệu mẫu 440, kích thước hình ảnh khn mặt 57 * 47 = 2679 Và hình ảnh hình ảnh thang độ xám Tập liệu khuôn mặt sau ảnh khuôn mặt thu thập xử lý đầu vào mạng nơ-ron tích chập Lớp sau lớp đầu vào lớp phức hợp lấy mẫu xuống đầu tiên, hình ảnh đầu vào liệu lớp 57 * 47, kích thước nhân chập * 5, đó, kích thước hình ảnh kết sau tích chập (57-5 + 1) * (47-5 + 1) = (53, 43) Sau thao tác tích chập, hình ảnh được giảm xuống mức tối đa, dẫn đến kích thước hình ảnh 26*21 Đầu vào lớp mẫu cộng chập thứ hai đầu phép cộng chập thứ lớp mẫu, kích thước Downloaded by ng?c trâm (ngoctram201217@gmail.com) lOMoARcPSD|15963670 21 hình ảnh đầu vào lớp 26*21 Tương tự hoạt động tích chập cộng với lớp lấy mẫu lớp đầu tiên, hình ảnh xử lý tích chập trước kích thước hình ảnh phức tạp 22*17 Hình ảnh hoạt động lấy mẫu giảm tối đa, kích thước hình ảnh kết 11* Chương trình nhận diện khn mặt  Tìm hiểu điểm ảnh Điểm ảnh ( pixel) có vị trí (x,y) có độ xám I (x,y) Với ảnh màu ảnh ta hay nhìn điểm ảnh có giá trị tương ứng với độ sáng màu đỏ, xanh lục, xanh dương (RGB) Các khái niệm: Ảnh số: " hình ảnh định nghĩa hàm hai chiều, f (x, y), x y tọa độ không gian (mặt phẳng) biên độ f cặp tọa độ (x, y) gọi cường độ mức độ màu xám hình ảnh điểm Khi x, y giá trị cường độ f đại lượng hữu hạn, rời rạc, gọi hình ảnh hình ảnh kỹ thuật số" Hay hiếu cách đơn giản "Ảnh số số hóa làm cho hình ảnh kỹ thuật số trở thành xấp xỉ cảnh thực" Điểm ảnh: "hình ảnh kỹ thuật số chứa số lượng hữu hạn hàng cột phần tử Mỗi phần tử gọi pixel " Độ phân giải: "độ phân giải thước đo chi tiết rõ ràng nhỏ ảnh, tính số điểm (pixel) đơn vị khoảng cách ( dpi)" Như ảnh thấy kích thước độ phân giải khác nhau, độ phân giải thấp mờ Như ảnh hiểu chiểu rộng có 175 điểm ảnh chiều cao có 256 điểm ảnh Downloaded by ng?c trâm (ngoctram201217@gmail.com) lOMoARcPSD|15963670 22 Chú ý: Kích thước khác độ phân giải Các định dạng phổ biển ảnh số bao gồm: giá trị điểm/pixel ( B&W hay Grayscale) giá trị điểm/pixel (Red, Green, Blue) giá trị trị điểm/pixel ( Red, Green, Blue, + “Alpha” or Opacity)  Xử lý ảnh ngành liên quan hình 11  Tạo phần mềm nhận diện khn mặt bước: Bước1: Tạo dataSet dùng để nhận diện Các thư viện sử dụng: - - cv2: thư viện nhận dạng khuôn mặt openCV numpy: thư viện lõi phục vụ cho khoa học máy tính Python, hỗ trợ cho việc tính tốn mảng nhiều chiều, có kích thước lớn với hàm tối ưu áp dụng lên mảng nhiều chiều Numpy đặc biệt hữu ích thực hàm liên quan tới Đại Số Tuyến Tính Sqlite3: Kết nối với CSDL Downloaded by ng?c trâm (ngoctram201217@gmail.com) lOMoARcPSD|15963670 23 - Os: cho phép truy cập thao tác với thư mục lưu trữ máy Tạo function insertOrUpdate để kết nối với database Nhập vào biến id, name Nếu tồn id ghi chèn (Update), chưa có id database thêm (insert) Haar Cascade lớp model giúp nhận diện khuôn mặt (Haar Cascade face detection) Haar Cascade sử dụng tầng Haar sau sử dụng thật nhiều đặc trưng qua nhiều lượt (Cascade) tạo thành cỗ máy nhận diện khn mặt hồn chỉnh - Cv2.VideoCapture(0) để nhận liệu từ webcam Downloaded by ng?c trâm (ngoctram201217@gmail.com) lOMoARcPSD|15963670 24 - CvtColor: chuyển ảnh nhận ảnh xám phục vụ train liệu Giới hạn số hình ảnh train tham số sampleNum, nhiều ảnh train khả nhận dạng xác Cụ thể 100 ảnh/user Hình 12 Ảnh cắt chuyển ảnh xám Bước 2: Tạo dataTraning sử dụng để traning Downloaded by ng?c trâm (ngoctram201217@gmail.com) lOMoARcPSD|15963670 25 Để tạo model LBPH dành cho Face Recognition, OpenCV cung cấp function cv2.face.LBPHFaceRecognizer_create() Khi cần update recognizer, cần thêm liệu vào dataset mà không cần phải re-train hình 13 Downloaded by ng?c trâm (ngoctram201217@gmail.com) lOMoARcPSD|15963670 26 Traning lưu vào 昀椀le Hình 13 – hình 14 Bước 3: Tạo lớp Detector dể nhận diện Lấy thông tin user từ Database Downloaded by ng?c trâm (ngoctram201217@gmail.com) lOMoARcPSD|15963670 27 Hình 15 Sử dụng camera để nhận diện Hiển thị thơng tin User văn bản: Hình 16 Nếu nhận dạng tên người dùng kèm theo, không nhận diện đoạn văn “Khong biet” III Kết nghiên cứu phân tích đề tài Kết nhận diện khn mặt Với mục tiêu đề tài đề ban đầu kết chương trình mơ cho đề tài cịn nhiều thiết sót đạt mục tiêu sau: Downloaded by ng?c trâm (ngoctram201217@gmail.com) lOMoARcPSD|15963670 28  xây dựng mơ hình nhận dạng đối tượng người, phát khuôn mặt  xây dựng mơ hình học máy nhận dạng người lạ khn mặt, tích hợp với camera  tạo thông báo đơn giản nhận dạng khuôn mặt người lạ kết cụ thể chương trình mơ phỏng: hình … kết hiển thị nhận diện người quen gia đình hình 17 Hình … kết thị nhận diện người lạ: Downloaded by ng?c trâm (ngoctram201217@gmail.com) lOMoARcPSD|15963670 29 hì nh 18 Phân tích, bàn luận đề tài Với chương trình nhận diện khn mặt theo phương pháp trình bày trên, có ưu điểm nhược điểm, cụ thể là: Ưu điểm: - Nắm đựợc vấn đề ảnh số xử lý ảnh - Sử dụng tương đối tốt thư viện Open CV - Tìm hiểu số phương pháp nhận dạng khn mặt Nắm đựợc đặc điểm toán nhận dạng khn mặt người, Đã hồn thiện mẫu kiểm thử thành công liệu mẫu với tỉ lệ nhận dạng xác cao - Nhược điểm: IV - Khi ảnh đầu vào bị đặt góc q nghiêng khơng nhận dạng - Phần mềm chưa nhận dạng xác đeo kính có vật phản chiếu - Hoạt động ảnh đầu vào bị mờ, lóa Tổng kết Downloaded by ng?c trâm (ngoctram201217@gmail.com) lOMoARcPSD|15963670 30 Cuộc sống ngày phát triển, tiện nghỉ hơn, đại lĩnh vực, khía cạnh sống Và khơng nằm ngồi phát triển đó, cơng nghệ lĩnh vực an ninh nói chung hệ thống cảnh báo người lạ xâm nhập nói riêng ngày làm tốt nhiệm vụ, mục tiêu tạo dựng an toàn cho người Đề tài nghiên cứu xây dựng hệ thống cảnh báo người lạ đột nhập vào nhà chưa phải hệ thống hoàn thiện sở, phương pháp để giải toán an ninh cho người, bước phát triển, hoàn thiện, nâng cao khả hệ thống Có thể kết luận hệ thống nhận diện ngày giúp sống tiện lợi nói riêng hệ thống cảnh báo người lạ đột nhập bước đảm bảo sống người ln an tồn TÀI LIỆU THAM KHẢO Giáo trình Python trường Đại Học Cơng Nghiệp Hà Nội A Krenker, J Bešter and A Kos,” Introduction to the Artificial Neural Networks”, Edited Kenji Suzuki, Published by InTech,, Janeza Trdine, Croatia, (2011), pp 3-18 Er P Kumar, Er.P Sharma, “ARTIFICIAL NEURAL NETWORKS- A Study”, International Journal of Emerging Engineering Research and Technology, Volume 2, Issue 2, (2014), pp 143-148 N Jindal, V Kumar,” Enhanced Face Recognition Algorithm using PCA with Artificial Neural Networks”, International Journal of Advanced Research in Computer Science and Software Engineering, Volume 3, Issue 6, (2013),pp 864-872 S Sudhakar Farfade, M Saberian, L-J Li, “Multi-view Face Detection Using Deep Convolutional Neural Networks”, International Conference on Multimedia Retrieval, Shanghai, China, (2015) A Krizhevsky, I Sutskever, and G E Hinton, “Image net classification with deep convolutional neural networks”, Edited F Pereira and C.J.C Burges and L Bottou and K.Q Weinberger, publish by Curran Associates, Inc , (2012), pp 1097-1105 https://blog.vietnamlab.vn/nhan-dien-khuon-mat-voi-python-va-opencv/ Downloaded by ng?c trâm (ngoctram201217@gmail.com) lOMoARcPSD|15963670 31 https://thanhvie.com/tim-hieu-ve-mang-no-ron-tich-chap-convolutionalneural-networks/ Downloaded by ng?c trâm (ngoctram201217@gmail.com) ... mở đầu Nghiên cứu xây dựng hệ thống cảnh báo người lạ đột nhập không xa lạ với Hiện nay, hệ thống nhận diện người áp dụng vào đa lĩnh vực từ hệ thống an ninh đến khả toán Một số cơng nghệ đột phá... nghệ lĩnh vực an ninh nói chung hệ thống cảnh báo người lạ xâm nhập nói riêng ngày làm tốt nhiệm vụ, mục tiêu tạo dựng an toàn cho người Đề tài nghiên cứu xây dựng hệ thống cảnh báo người lạ đột. .. bước xây dựng, đảm bảo hệ thống an ninh cho xã hội Hệ thống cảnh báo người lạ đột nhập nhận diện người, phân biệt đối tượng kết hợp với ngữ cảnh để đưa cảnh báo phù hợp cho người dùng, hệ thống người