Luận văn Thạc sĩ Công nghệ thông tin: Nghiên cứu và ứng dụng Deep Learning phát hiện người xâm nhập

Luận văn Thạc sĩ Công nghệ thông tin: Nghiên cứu và ứng dụng Deep Learning phát hiện người xâm nhậpLuận văn Thạc sĩ Công nghệ thông tin: Nghiên cứu và ứng dụng Deep Learning phát hiện người xâm nhậpLuận văn Thạc sĩ Công nghệ thông tin: Nghiên cứu và ứng dụng Deep Learning phát hiện người xâm nhậpLuận văn Thạc sĩ Công nghệ thông tin: Nghiên cứu và ứng dụng Deep Learning phát hiện người xâm nhậpLuận văn Thạc sĩ Công nghệ thông tin: Nghiên cứu và ứng dụng Deep Learning phát hiện người xâm nhậpLuận văn Thạc sĩ Công nghệ thông tin: Nghiên cứu và ứng dụng Deep Learning phát hiện người xâm nhậpLuận văn Thạc sĩ Công nghệ thông tin: Nghiên cứu và ứng dụng Deep Learning phát hiện người xâm nhậpLuận văn Thạc sĩ Công nghệ thông tin: Nghiên cứu và ứng dụng Deep Learning phát hiện người xâm nhậpLuận văn Thạc sĩ Công nghệ thông tin: Nghiên cứu và ứng dụng Deep Learning phát hiện người xâm nhậpLuận văn Thạc sĩ Công nghệ thông tin: Nghiên cứu và ứng dụng Deep Learning phát hiện người xâm nhập

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÀ RỊA-VŨNG TÀU MAI XUÂN GIANG NGHIÊN CỨU VÀ ỨNG DỤNG DEEP LEARNING PHÁT HIỆN NGƯỜI XÂM NHẬP LUẬN VĂN THẠC SỸ CÔNG NGHỆ THÔNG TIN Bà Rịa-Vũng Tàu, tháng năm 2021 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÀ RỊA-VŨNG TÀU - MAI XUÂN GIANG NGHIÊN CỨU VÀ ỨNG DỤNG DEEP LEARNING PHÁT HIỆN NGƯỜI XÂM NHẬP Ngành: Công nghệ thông tin Mã ngành: 8480201 LUẬN VĂN THẠC SỸ CÔNG NGHỆ THÔNG TIN NGƯỜI HƯỚNG DẪN KHOA HỌC TS PHAN NGỌC HOÀNG Bà Rịa-Vũng Tàu - 2021 LỜI CAM ĐOAN Tôi xin cam đoan kết đạt luận văn sản phẩm nghiên cứu, tìm hiểu riêng cá nhân hướng dẫn khoa học TS Phan Ngọc Hoàng Các nội dung nghiên cứu, kết đề tài trung thực chưa cơng bố hình thức trước Trong toàn nội dung luận văn, điều trình bày cá nhân tổng hợp từ nhiều nguồn tài liệu Tất tài liệu tham khảo có xuất xứ rõ ràng trích dẫn hợp pháp Tơi xin hồn chịu trách nhiệm chịu hình thức kỷ luật theo quy định cho lời cam đoan Học viên Cao học Mai Xuân Giang LỜI CẢM ƠN Trước hết, tác giả xin bày tỏ lòng biết ơn chân thành sâu sắc tới giảng viên hướng dẫn TS Phan Ngọc Hoàng ý kiến đóng góp chun mơn động viên khích lệ thầy suốt q trình làm nghiên cứu Tôi xin gửi lời cảm ơn chân thành tới giảng viên trường Đại học Bà Rịa-Vũng Tàu tận tình dạy dỗ hướng dẫn cho tơi suốt q trình học tập thạc sĩ trường Và xin gửi lời cảm ơn tới gia đình tơi hỗ trợ khơng thể thiếu họ Sự khích lệ, động viên, quan tâm, chăm sóc họ giúp tơi vượt qua tất khó khăn để theo học chương trình hồn thiện luận văn cuối khố Mặc dù cố gắng hoàn thành luận văn chắn khơng tránh khỏi sai sót Kính mong nhận cảm thơng, bảo tận tình quý thầy cô bạn Tôi xin chân thành cảm ơn! MỤC LỤC LỜI CAM ĐOAN LỜI CẢM ƠN DANH MỤC SƠ ĐỒ VÀ BẢNG BIỂU DANH MỤC CÁC TỪ VIẾT TẮT MỞ ĐẦU .10 Đặt vấn đề 10 Tính cấp thiết đề tài .11 Mục tiêu đề tài 11 Tổng quan lĩnh vực nghiên cứu 12 Cấu trúc luận văn 14 Chương TỔNG QUAN VỀ XỬ LÝ ẢNH SỐ, HỌC MÁY VÀ HỌC SÂU 16 1.1 Xử lý ảnh vấn đề xử lý ảnh [1][4][15] 16 1.1.1 Xử lý ảnh .16 1.1.2 Các vấn đề xử lý ảnh 17 1.1.2.1 Ảnh số điểm ảnh 17 1.1.2.2 Nắn chỉnh biến dạng 19 1.1.2.3 Khử nhiễu 21 1.1.2.4 Chỉnh mức xám 21 1.1.2.5 Biên 22 1.1.2.6 Nhận dạng 22 1.1.2.7 Nén ảnh .23 1.2 Một số phương pháp xử lý ảnh số [5] 24 1.2.1 Các kỹ thuật lọc nhiễu 24 1.2.1.1 Kỹ thuật lọc trung bình .24 1.2.1.2 Kỹ thuật lọc trung vị 25 1.2.1.3 Lọc thông thấp 26 1.2.1.4 Lọc thông cao 27 1.2.2 Kỹ thuật phân ngưỡng 27 1.2.2.1 Kỹ thuật phân ngưỡng tự động 27 1.2.2.2 Phương pháp sử dụng điểm biên 28 1.2.3 Một số kĩ thuật phát biên .29 1.2.3.1 Kỹ thuật gradient 29 1.2.3.2 Kỹ thuật Laplace .29 1.2.3.3 Kỹ thuật sobel 30 1.2.3.4 Kỹ thuật prewitt 31 1.3 Học máy [2][3][18] 31 1.3.1 Tổng quan 31 1.3.1.1 Định nghĩa 31 1.3.1.2 Phân loại 31 1.3.1.3 Các giải thuật học máy .32 1.3.2 Các ứng dụng học máy 33 1.4 Học sâu [2][3][6] 33 1.4.1 Các khái niệm 33 1.4.2 Cách thức hoạt động học sâu 34 1.4.3 Các ứng dụng phổ biến học sâu 35 1.4.3.1 Trợ lý ảo 35 1.4.3.2 Dịch thuật 35 1.4.3.3 Máy bay không người lái xe ô tô tự hành 35 1.4.3.4 Chatbots dịch vụ bots 35 1.4.3.5 Tơ màu hình ảnh .36 1.4.3.6 Nhận dạng khuôn mặt .36 1.4.3.7 Y học dược phẩm 37 1.4.3.8 Mua sắm giải trí cá nhân hóa 37 Chương TỔNG QUAN CÁC PHƯƠNG PHÁP NHẬN DẠNG ĐỐI TƯỢNG, PHÁT HIỆN NGƯỜI VÀ KHUÔN MẶT TRÊN ẢNH [7-9] [11-13] .38 2.1 Đặc điểm loại đối tượng người 38 2.2 Các phương pháp nhận dạng đối tượng .38 2.2.1 Phương pháp dựa sở tri thức 38 2.2.2 Phương pháp dựa đặc trưng bất biến 39 2.2.3 Phương pháp dựa so khớp mẫu 40 2.2.4 Phương pháp dựa diện mạo 40 2.3 Các kỹ thuật phát người 41 2.4 Các kỹ thuật phát khuôn mặt [16] 45 Chương THUẬT TỐN PHÁT HIỆN NGƯỜI VÀ KHN MẶT SỬ DỤNG MẠNG NƠ-RON TÍCH CHẬP, YOLOV3 VÀ THUẬT TOÁN VIOLA-JONES 48 3.1 Kỹ thuật nhận dạng đối tượng mạng nơ-ron tích chập [6][24][26] 48 3.1.1 Lớp tích chập (Convolution Layer) .49 3.1.2 Lớp chuyển đổi (ReLU Layer) 52 3.1.3 Lớp tổng hợp (Pooling Layer) 52 3.1.4 Lớp kết nối đầy đủ (Fully-Connected Layer) 53 3.1.5 Các bước thực nhận dạng đối tượng mạng nơ-ron tích chập 54 3.2 Kỹ thuật nhận dạng đối tượng YOLOv3 [19-21][25][27-28] 54 3.2.1 Kiến trúc mạng YOLO 54 3.2.2 Các phiên YOLO 62 3.2.3 Nhận dạng đối tượng YOLOv3 63 3.3 Kỹ thuật phát khuôn mặt Viola-Jones [10][22][29] 65 3.3.1 Các đặc trưng Haar-Like .65 3.3.2 AdaBoost .68 3.3.3 Sơ đồ tìm kiếm khuôn mặt 70 Chương KẾT QUẢ THỰC NGHIỆM VÀ ÁP DỤNG TRONG THỰC TẾ 71 4.1 Mơ hình hệ thống dự kiến 71 4.2 Thuật tốn tìm người khuôn mặt đề xuất .72 4.2.1 Thuật tốn tìm người khn mặt ảnh tĩnh .72 4.2.1.1 Mô hình thuật tốn: 72 4.2.2 Thuật tốn tìm người khuôn mặt video 78 4.2.2.1 Mơ hình thuật tốn 78 4.2.2.2 Chú thích lời .78 4.3 Kết thực nghiệm 79 4.4 Đánh giá kết 88 4.5 Kết luận hướng phát triển 88 TÀI LIỆU THAM KHẢO .90 Code thích số kết tìm người khuôn mặt ảnh tĩnh 93 Code thích mốt số kết tìm người khuôn mặt video .96 DANH MỤC SƠ ĐỒ VÀ BẢNG BIỂU Sơ đồ 1.1 Mơ hình lọc thông cao 27 Sơ đồ 3.1 Mơ hình phân tầng 69 Sơ đồ 3.2 Phát khuôn mặt 70 Sơ đồ 4.1 Hệ thống giám sát, phát cảnh báo người xâm nhập 71 Sơ đồ 4.2 Sơ đồ tổng quát tìm người khuôn mặt ảnh tĩnh .73 Sơ đồ 4.3 Sơ đồ tìm kiếm người 74 Sơ đồ 4.4 Sơ đồ tìm khn mặt .76 Sơ đồ 4.5 Sơ đồ tìm người khn mặt video .78 DANH MỤC HÌNH ẢNH Hình 1.1 Quá trình xử lý ảnh 16 Hình 1.2 Các bước hệ thống xử lý ảnh .17 Hình 1.3 Ảnh đen trắng 17 Hình 1.4 Ảnh màu 18 Hình 1.5 Ảnh số .18 Hình 1.6 Độ phân giải 19 Hình 1.7 Ảnh thu nhận ảnh mong muốn 19 Hình 1.8 Ảnh trước sau khử nhiễu .21 Hình 1.9 Ảnh trước sau chỉnh mức xám 21 Hình 1.10 Các loại đường biên 22 Hình 1.11 Nén ảnh sử dụng phép biến đổi 24 Hình 1.12 Các giải thuật học máy 32 Hình 1.13 Mối quan hệ học sâu với lĩnh vực liên quan 34 Hình 1.14 Mơ hình học sâu 34 Hình 1.15 Chatbot 36 Hình 1.16 Cơng nghệ nhận diện khn mặt 36 Hình 2.1 Biểu diễn hệ số wavelet hệ tọa độ ba trục vng góc 41 Hình 2.2 Mô tả đặc trưng HOG .42 Hình 2.3 Mơ hình YOLO 43 Hình 2.4 HOG person dectectors cho kết khơng tốt tìm người 43 Hình 2.5 (a) Ảnh ban đầu có độ phân giải n = 1; (b), (c), (d) .46 Hinh 3.1 Mảng ma trận RGB 49 Hinh 3.2 Mạng nơ-ron với nhiều lớp chập 49 Hinh 3.3 Ma trận ảnh nhân ma trận lọc 50 Hinh 3.4 Ma trận đầu 50 Hinh 3.5 Một số lọc phổ biến 51 Hinh 3.6 Sải bước pixel 51 Hinh 3.7 Hoạt động ReLU 52 Hinh 3.8 Max Pooling 53 Hinh 3.9 Sau gộp lớp, làm phẳng thành lớp FC 53 Hinh 3.10 Kiến trúc mạng nơ-ron tích chập hoàn chỉnh .53 Hinh 3.11 Sơ đồ kiến trúc mạng YOLO 54 Hinh 3.12 Kiến trúc output model YOLO .56 Hinh 3.13 Các đồ đặc trưng mạng YOLO .57 Hinh 3.14 Xác định hộp neo cho vật thể 58 Hinh 3.15 Minh hoạ dự đoán khung giới hạn đối tượng .61 Hinh 3.16 Non-max suppression 61 Hinh 3.17 Mạng Darknet - 53 64 Hinh 3.18 Kiến trúc mơ hình YOLOv3 64 Hinh 19 Kiến trúc output model YOLOv3 65 Hinh 3.20 Haar Features sử dụng Viola Jones .66 Hinh 3.21 Đặc trưng Viola Jones công bố 66 Hinh 3.22 Đặc trưng cạnh 66 Hinh 3.23 Đặc trưng đường 67 Hinh 3.24 Đặc trưng quanh tâm 67 Hinh 3.25 Integral Image .67 Hinh 3.26 Vùng tính mức xám ảnh 68 Hinh 3.27 Minh họa kết hợp phân loại yếu thành phân loại mạnh .70 Hình 4.4 Phát người Camera đặt nhà xe 80 Hình 4.5 Phát người Camera đặt cửa sau 82 Hình 4.6 Phát người Camera đặt sảnh cửa 83 Hình 4.7 Phát người Camera đặt phận văn thư 85 Hình 4.8 Phát người Camera đặt hành lang lầu 86 Hình 4.9 Phát người Camera đặt hành lang lầu 87 Hình 4.1 Kết tìm người ảnh tĩnh 95 Hình 4.2 Kết tìm khn mặt ảnh 96 Hình 4.3 Show khn mặt cắt 96 - Tại phận văn thư lúc 16h20’ chiều: Camera đặt phận văn thư có chất lượng tốt camera đặt sảnh cửa nhiên thời gian buổi chiều lúc 16h20’ ánh sáng bên khu vực văn thư yếu nên thuật tốn áp dụng phát có người di chuyển, làm việc (phát nhiều người), không trích xuất khn mặt đối tượng (hình 4.7) 84 Hình 4.4 Phát người Camera đặt phận văn thư - Tại hành lang lầu lúc 11h trưa: Camera đặt hành lang lầu có chất lượng tốt, ánh sáng đảm bảo vị trí đặt camera cho hình ảnh gần, rõ nét nên thuật tốn áp dụng phát có người di chuyển trích xuất khn mặt đối tượng (hình 4.8) 85 Hình 4.5 Phát người Camera đặt hành lang lầu 86 - Tại hành lang lầu lúc 15h chiều: Camera đặt tại hành lang lầu có chất lượng tốt, ánh sáng đảm bảo vị trí đặt camera cho hình ảnh gần, rõ nét nên thuật toán áp dụng phát có người di chuyển trích xuất khn mặt đối tượng (hình 4.9) Hình 4.6 Phát người Camera đặt hành lang lầu 87 4.4 Đánh giá kết Sử dụng số video trích xuất từ camera sau thực tìm người thuật tốn YOLOv3 tìm khn mặt kỹ thuật Viola-Jones cho kết sau: - Đối với thuật tốn tìm người YOLOv3: + Trong điều kiện ánh sáng bình thường người chuyển động (đi lại, ngó nghiêng, ngồi xuống đứng lên) cho kết phát người với độ xác lên tới 99% trở lên thời điểm phát nhiều người + Chất lượng video không tốt, điều kiện thời tiết trời mưa, buổi tối hệ thống cho kết phát người với độ xác 80% + Trong trường hợp người đứng yên chỗ mà khuất số phận vật cản, khoảng cách q xa camera độ xác phát người đạt tỷ lệ 50% - Đối với kỹ thuật tìm khn mặt Viola-Jones: + Khi điều kiện ánh sáng tốt, người đối diện với camera cho kết với độ xác 80% cắt nhiều khn mặt nhiều người tìm thấy thời điểm + Chất lượng video không tốt, điều kiện thời tiết trời mưa, buổi tối, người đứng góc nghiêng so với camera hệ thống cho kết phát người với độ xác 50% + Trong trường hợp người đứng khoảng cách xa, quay lưng với camera hệ thống khơng phát khuôn mặt 4.5 Kết luận hướng phát triển - Trong khuôn khổ đề tài tác giả cố gắng phát huy hết lực thân, tìm hiểu, nghiên cứu tài liệu, thu thập liệu với hướng dẫn Giảng viên TS Phan Ngọc Hoàng, thầy cô giáo thuộc Khoa Công nghệ thông tin, Viện Đào tạo Quốc tế Sau Đại học Trường Đại học Bà Rịa-Vũng Tàu giúp đỡ bạn học viên lớp MIT18K1 để hoàn thành nội dung đề Đề cương luận văn, đảm bảo chất lượng thời gian quy định 88 - Tuy nhiên số lý khách quan, chủ quan nên luận văn dừng lại mức tìm người video YOLOv3 trích xuất khn mặt Viola-Jones tìm thấy người Ngồi số hạn chế, cụ thể: Với hệ thống Camera Sở KH&CN trang bị từ năm 2012 đến cũ, xuống cấp, chất lượng số video khơng tốt nên khả tìm người phát khuôn mặt thấp, số trường hợp cho kết với độ xác chưa cao, trình độ lực thân cịn nhiều hạn chế, điều kiện máy móc trang thiết bị phục vụ nghiên cứu thử nghiệm chưa đảm bảo với thời gian nghiên cứu chưa nhiều nên tác giả chưa tìm hiểu, khám phá phát huy hết tính ưu việt thuật toán YOLOv3 kỹ thuật Viola-Jones, đồng thời chưa hồn thiện hệ thống để chạy theo thời gian thực tự động cảnh báo phát người khuôn mặt - Hướng phát triển đề tài: Để áp dụng kết đề tài vào thực tế cần gọt giũa số mã nguồn chương trình đảm bảo tối ưu, bổ sung chức phù hợp hệ thống để nhận dạng khuôn mặt phát người quen, người lạ Có thể nâng cấp thuật tốn lên YOLOv4 YOLOv5 để tăng tốc độ nhận dạng cho kết tốt Đầu tư camera công nghệ cho hình ảnh chất lượng cao, rõ nét điều kiện thời tiết xấu ban đêm, trang bị máy móc để train với liệu lớn, đặc biệt trang bị máy chủ cấu hình cao có card GPU mạnh để chạy thời gian thực Ngồi cần hồn thiện quy trình xử lý để xuất liệu thiết bị ngoại vi phục vụ việc cảnh báo tự động đến người có trách nhiệm xử lý theo kịch cảnh báo thiết lập ngưỡng, mốc thời gian theo quy định Xây dựng quy chế vận hành hệ thống đảm bảo phát huy tối đa hiệu đưa vào áp dụng thực tế quan, đơn vị 89 TÀI LIỆU THAM KHẢO Tài liệu tiếng việt: [1] TS Phan Ngọc Hoàng, Slide Computer Vision Advanced, 2019 [2] TS Bùi Thu Trang, Slide Machine Learning, 2019 [3] Vũ Hữu Tiệp, Machine Learning bản, 2017 [4] TS Đỗ Năng Tồn, TS Phạm Việt Bình, Giáo trình Xử lý ảnh, Đại học Thái Nguyên, năm 2007 [5] PGS.TS Nguyễn Quang Hoan, Xử lý ảnh, Học viện bưu viễn thơng, năm 2006 [6] Lê Thị Lệ Duyên, Mạng Nơ-ron tích chập ứng dụng giải toán nhận dạng hành động đoạn video, 2017 [7] Trần Trung Kiên, Hệ thống nhận dạng gương mặt video giám sát, Đại học Lạc Hồng, 2013 [8] Trương Công Lợi, Nhận dạng khuôn mặt sử dụng phương pháp biến đổi Eigenfaces mạng nơ-ron, Đại học Đà Nẵng, 2013 [9] Nguyễn Trường Tân, “Ứng dụng mạng nơ-ron để phân loại khuôn mặt”, Đại học Đà Nẵng, 2013 [10] Nguyễn Văn Hùng, Nguyễn Văn Xuất, Lê Mạnh Cường “Một phương pháp phát đối tượng ứng dụng hệ thống tự động bám mục tiêu”, Viện Vũ khí, Học viện Kỹ thuật Quân sự, Bộ Quốc phòng, 2015 [11] Nguyễn Thị Thủy, “Phương pháp nhận dạng khuôn mặt người ứng dụng quản lý nhân sự”, Đại học Công nghệ - Đại học Quốc gia Hà Nội, 2018 [12] Tống Văn Ngọc, “Nhận dạng phát hành động người dùng thị giác máy tính”, Đại học Sư phạm Kỹ thuật TP Hồ Chí Minh, 2018 90 [13] Đỗ Văn Dương, Nghiên cứu phương pháp nhận dạng tự động số đối tượng xây dựng sở liệu 3D liệu ảnh thu nhận từ thiết bị bay khơng người lái, 2018 [14] Hồng Kiếm, Nguyễn Hồng Sơn, Đào Minh Sơn, "Ứng dụng mạng nơron nhân tạo hệ thống xử lý biểu mẫu tự động", 2001 [15] Nguyễn Tiến Đạt, “Ảnh số điểm ảnh”, [Online]: viblo.asia/p/tuan-1-gioithieu-xu-ly-anh-yMnKMdEQ57P [16] Banghn, “Nhận dạng mặt người – Các hướng tiếp cận”, [Online]: https://bloghnb.wordpress.com/tag/cac-huong-tiep-can-nhan-dang, 2010 [17] Phạm Anh Phương, Ngô Quốc Tạo, Lương Chi Mai, "Trích chọn đặc trưng wavelet Haar kết hợp với SVM cho việc nhận dạng chữ viết tay tiếng Việt", 2008 [18] Nguyễn Thanh Tuấn, "Deep Learning bản", 2019 [19] Phạm Đình Khánh, “YOLO You Only Look Once”, [Online]: phamdinhkhanh.github.io/2020/03/09/DarknetAlgorithm.html#7-d%E1%BB%B1b%C3%A1o-bounding-box [20] Phạm Duy Tùng, “Tìm hiểu single shot object detectors”, [Online]: phamduytung.com/blog/2018-12-06-what-do-we-learn-from-single-shot-object detection, 2018 [21] FPT Software – AI phát người xâm nhập, codelearn.io/sharing/ai-phathien-nguoi-xam-nhap-p2, 2020 [22] Hải Hà, “Tìm hiểu phương pháp nhận diện khuôn mặt Violas & John”, [Online]: viblo.asia/p/tim-hieu-ve-phuong-phap-nhan-dien-khuon-mat-cua-violas-john -ByEZkNVyKQ0 Tài liệu tiếng anh: [23] Ming-Hsuan Yang., David J Kriegman., Narendra Ahuja, “Detecting Faces in Images: A Survey, IEEE Transaction on Pattern Analysis and Machine Intelligence”, 2002 91 [24] Prabhu, “Understanding of Convolutional Neural Network (CNN) - Deep Learning” [Online] Available: medium.com/@RaghavPrabhu/understanding-of-con volutional-neural-network-cnn-deep-learning-99760835f148, 2018 [25] Joseph Chet Redmon, “YOLO: Real-Time Object Detection”, [Online] Available: https://pjreddie.com/darknet/yolo/ [26] Adit Deshpande, “A Beginner's Guide To Understanding Convolutional Neural Networks” [Online] Available: https://adeshpande3.github.io/adeshpande3 github.io/A-Beginner's-Guide-To-Understanding-Convolutional-Neural-Networks, 2016 [27] Ayoosh Kathuria, “What’s new in YOLO v3”, [Online] Available: https://towardsdatascience.com/yolo-v3-object-detection-53fb7d3bfe6b, 2018 [28] Jonathan Hui “Real-time Object Detection with YOLO, YOLOv2 and now YOLOv3” [Online] Available: https://medium.com/@jonathan_hui/real-time-objectdetection-with-yoloyolov2-28b1b93e2088, 2018 [29] P Viola, M Jones, “Rapid object detection using a boosted cascade of simple features”, Proceedings of the 2001 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2001 92 PHỤ LỤC I Code thích số kết tìm người khn mặt ảnh tĩnh - Khởi tạo môi trường: - Định nghĩa hàm cần dùng: + Hàm lấy đầu ra: + Hàm vẽ khung bao quanh đối tượng tìm thấy - Đọc liệu lớp train YOLOv3: Ở phần tiến hành đọc liệu train từ trước YOLOv3 từ file yolov3.txt vào biến classes để dùng load mạng yolo huấn luyện vào lớp net - Nạp hình ảnh vào đồng thời thu nhỏ ảnh giúp xử lý nhanh 93 - Chia hình thành blob nhỏ đưa blob trích vào cho mạng yolo nhận diện - Khởi tạo mảng: lưu thông tin id, độ tin cậy lớp, khung giới hạn đầu mạng thiết lập giá trị ngưỡng cho độ tin cậy (ngưỡng cho phép nhận diện với độ chắn kết 50% trở lên) - Quét thực gán nhãn cho lớp: Thực quét qua tất khung giới hạn kết trả giữ khung có độ tin cậy cao sau gán nhãn cho layer có số điểm cao - Vẽ khung quanh người tìm thấy: Khi tìm thấy người ảnh tiến hành vẽ khung hình chữ nhật bao quanh 94 Hình 4.7 Kết tìm người ảnh tĩnh - Chuyển ảnh sang chế độ ảnh xám - Tìm khn mặt: Dùng thuật tốn Viola-Jones để tìm khn mặt 95 Hình 4.8 Kết tìm khn mặt ảnh - Cắt khn mặt phát Hình 4.9 Show khn mặt cắt Code thích mốt số kết tìm người khn mặt video - Tương tự xử lý ảnh tĩnh, bước đầu định nghĩa hàm lấy đầu (video), hàm vẽ khung bao quanh đối tượng + Hàm lấy đầu ra: + Hàm vẽ khung bao quanh đối tượng tìm thấy 96 - Đọc liệu lớp train YOLOv3: Ở phần tiến hành đọc liệu train từ trước YOLOv3 từ file yolov3.txt vào biến classes để dùng load mạng yolo huấn luyện vào lớp net - Nạp video vào, định dạng độ phân giải video chia video thành khung hình (frame, 24 frame/giây) sau xử lý khung ảnh tĩnh: - Trên khung hình chia hình thành blob nhỏ đưa blob trích vào cho mạng yolo nhận diện; Quét thực gán nhãn cho lớp; Vẽ khung lên đối tượng phát hiện;… 97 - Trong frame phát đối tượng người tiến hành tìm khn mặt, phát khn mặt vẽ khung bao quanh lưu vào ổ đĩa 98 ... DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÀ RỊA-VŨNG TÀU - MAI XUÂN GIANG NGHIÊN CỨU VÀ ỨNG DỤNG DEEP LEARNING PHÁT HIỆN NGƯỜI XÂM NHẬP Ngành: Công nghệ thông tin Mã ngành: 8480201 LUẬN VĂN THẠC... thực tế Mục tiêu đề tài - Mục tiêu tổng quát: Nghiên cứu ứng dụng thành công công nghệ học sâu để hỗ trợ việc giám sát, phát cảnh báo người xâm nhập không gian đơn vị Trung tâm Hành tỉnh Bà Rịa-Vũng... để hỗ trợ tự động thơng báo có người xâm nhập thời gian ngồi hành cần thiết mang tính khả thi cao Từ kết đề tài đề xuất hướng ứng dụng phát triển công nghệ áp dụng vào điều kiện thực tế Mục tiêu