(Luận văn) nghiên cứu ứng dụng mạng nơ ron nhân tạo vào nhận dạng mặt người

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - NGUYỄN HẢI BÌNH lu an va n NGHIÊN CỨU ỨNG DỤNG MẠNG NƠ RON NHÂN tn to p ie gh TẠO VÀO NHẬN DẠNG MẶT NGƯỜI d oa nl w nf va an lu lm ul LUẬN VĂN THẠC SĨ KỸ THUẬT z at nh oi (Theo định hướng ứng dụng) z m co l gm @ an Lu HÀ NỘI - 2020 n va ac th si HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - NGUYỄN HẢI BÌNH lu an va n NGHIÊN CỨU ỨNG DỤNG MẠNG NƠ RON NHÂN to p ie gh tn TẠO VÀO NHẬN DẠNG MẶT NGƯỜI oa nl w d CHUYÊN NGÀNH : 8.48.01.04 nf va an lu MÃ SỐ: HỆ THỐNG THÔNG TIN lm ul z at nh oi LUẬN VĂN THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) z gm @ m co l NGƯỜI HƯỚNG DẪN KHOA HỌC: TS NGUYỄN ĐÌNH HĨA an Lu HÀ NỘI - 2020 n va ac th si i LỜI CAM ĐOAN Tơi xin cam đoan vấn đề trình bày luận văn “Nghiên cứu ứng dụng mạng nơ-ron việc nhận dạng mặt người” tìm hiểu cá nhân hướng dẫn TS Nguyễn Đình Hóa Tất tham khảo từ nghiên cứu liên quan trích dẫn, nêu rõ nguồn gốc cách rõ ràng từ danh mục tài liệu tham khảo luận văn Trong luận văn này, cam đoan không chép nguyên tài liệu, cơng trình nghiên cứu nguời khác mà khơng rõ tài liệu tham khảo lu an n va gh tn to Hà Nội, ngày tháng năm 2019 p ie Tác giả luận văn oa nl w d Nguyễn Hải Bình ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si ii LỜI CẢM ƠN Lời xin gửi lời cảm ơn chân thành đến thầy TS Nguyễn Đình Hóa tận tình bảo, hướng dẫn tơi suốt q trình thực luận văn Tơi xin chân thành cảm ơn thầy cô giáo giảng dạy giúp đỡ suốt thời gian học chương trình cao học Các thầy trang bị cho kiến thức quý báu để làm hành trang cho ứng dụng vào công việc tương lai Tôi xin gửi lời cảm ơn chân thành đến bạn đồng mơn, gia đình, bạn lu bè ủng hộ, động viên, giúp đỡ tạo điều kiện tốt cho vượt qua an n va khó khăn để hồn thành luận văn p ie gh tn to d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si iii MỤC LỤC LỜI CẢM ƠN ii LỜI CAM ĐOAN i DANH MỤC CÁC TỪ VIẾT TẮT v DANH MỤC CÁC HÌNH VẼ vi MỞ ĐẦU .1 CHƯƠNG TỔNG QUAN VỀ MẠNG NORON lu 1.1 Giới thiệu mạng noron nhân tạo an n va 1.1.1 Lịch sử phát triển mạng noron 1.1.3 Mạng noron nhân tạo ie gh tn to 1.1.2 Mạng noron sinh học p 1.1.4 Các hàm kích hoạt (hàm truyền) w oa nl 1.2 Cấu trúc mạng noron 11 d 1.3 Các luật học mạng noron 13 lu va an 1.3.1 Học có giám sát 13 ll u nf 1.3.2 Học không giám sát 14 oi m 1.3.3 Học bán giám sát 14 z at nh 1.4 Phân loại mạng noron 14 1.4.1 Phân loại theo số lớp 14 z gm @ 1.4.2 Phân loại theo liên kết lớp 16 m co l 1.5 Kết luận 17 CHƯƠNG II- MẠNG NƠ-RON VÀ ỨNG DỤNG TRONG NHẬN DẠNG MẶT an Lu NGƯỜI 18 n va ac th si iv 2.1 Tổng quan mạng noron tích chập 18 2.1.1 Lớp tích chập 20 2.1.2 Lớp hàm kích hoạt 23 2.1.3 Lớp Pooling 24 2.1.4 Lớp kết nối đầy đủ 24 2.1.5 Nguyên lý hoạt động 25 2.1.6 Overfitting 26 lu 2.1.7 Phương pháp lựa chọn mơ hình 28 an n va 2.1.8 Dropout 30 2.2.1 Ứng dụng nhận dạng khuôn mặt 31 ie gh tn to 2.2 Tổng quan toán nhận dạng 30 p 2.2.2 Các hướng tiếp cận tốn nhận dạng khn mặt 33 oa nl w 2.2.3 Khó khăn .39 d 2.3 Kết luận 40 lu va an CHƯƠNG III – CÁC KẾT QUẢ THỰC NGHIỆM 41 ll u nf 3.1 Cơng cụ lập trình 41 oi m 3.1.1 Ngơn ngữ lập trình Python .41 z at nh 3.1.2 Các chương trình thực 42 3.2 Bộ liệu .45 z @ 3.3 Quá trình thực nghiệm 49 gm m co l 3.4 Kết thực nghiệm 50 KẾT LUẬN .53 an Lu TÀI LIỆU THAM KHẢO 54 n va ac th si v DANH MỤC CÁC TỪ VIẾT TẮT lu an Artificial Neural Network Mạng nơ ron nhân tạo CNNs Convolutional Neural Network Mạng nơ ron tích chập EBP Error back propagation Lan truyền ngược sai số KNN K-Nearest Neighbors K- láng giềng gần MLP Multilayer Perceptron Mạng Perceptron nhiều lớp NN Neural Network Mạng nơ ron SSE Sum square error Tổng bình phương lỗi Support Vector Machines Bộ phận loại dựa véc tơ hỗ trợ n va ANN p ie gh tn to SVM d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si vi DANH MỤC CÁC HÌNH VẼ Hình 1.1 Mơ hình mạng nơron sinh học Hình 1.2 Mơ hình mạng noron Hình 1.4 Đồ thị hàm đồng Hình Đồ thị hàm bước nhị phân với = 10 Hình 1.5 Đồ thị hàm sigmoid 10 Hình 1.6 Đồ thị hàm Hàm sigmoid lưỡng cực 10 lu an Hình 1.7 Mạng tự kết hợp 11 va Hình 1.8 Kiến trúc mạng truyền thẳng 12 n gh tn to Hình 1.9 Kiến trúc mạng phản hồi 12 p ie Hình 1.10 Học có giám sát .13 w Hình 1.11 Mơ hình mạng noron lớp 15 oa nl Hình 1.12 Mơ hình mạng noron nhiều lớp 16 d Hình Mơ hình mạng hội quy 17 an lu u nf va Hình 2.1 Mơ hình CNN 19 Hình 2.2 Minh họa tích chập ma trận ảnh .21 ll oi m Hình 2.3 Tìm biên cạnh cho ảnh với tích chập 22 z at nh Hình 2.4 Làm mờ ảnh gốc với tích chập 22 z Hình 2.4 Minh họa tích chập chiều .23 @ l gm Hình 2.5 Max Pooling với lọc x 24 Hình 2.7 Mơ hình chi tiết cấu trúc CNN .26 m co Hình 2.8 Overfiting 27 an Lu n va ac th si vii Hình 2.9 Ví dụ ảnh phần khuôn mặt: (a) Ảnh phần khuôn mặt liệu LFW; (b) Ảnh phần khuôn mặt đám đông; (c) Ảnh khuôn mặt bị che mắt kinh, áo khoác 37 Hình 2.10 Sơ đồ thuật toán Bag of Word 38 lu an n va p ie gh tn to d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si MỞ ĐẦU Từ máy tính điện tử đời, đặc biệt khả xử lý tính tốn vượt trội ứng dụng vào hệ thống trợ giúp người, người khơng ngừng mong muốn tạo cỗ máy có khả xử lý quan sát phân tích hình ảnh giống với hệ thống thị giác người Nhận dạng khuôn mặt lĩnh vực xử lý ảnh Đặc biệt sau thảm họa ngày 11/9, nhận dạng ứng dụng rộng rãi nhiều lĩnh vực đời sống nhận dạng lĩnh vực thương mại, hay phát tội phạm lĩnh vực an ninh, hay lu lĩnh vực xử lý video, hình ảnh an Hiện có nhiều phương pháp nhận dạng khác xây dựng va n để nhận dạng người cụ thể giới thực Tuy nhiên việc nhận dạng tn to người giới thực vơ khó khăn, để nhận dạng ta ie gh phải xây dựng tập sở liệu đủ lớn việc xử lý liệu lớn đòi hỏi p phải nhanh xác Nhiệm vụ đặt nghiên cứu xây dựng chương nl w trình sử dụng phương pháp nhận dạng có độ xác cao mà khối lượng thời d oa gian tính tốn lại u nf chuyển khuôn mặt va an lu Năm 1998, Daniel Bgraham Nigel M Allinson sử dụng phương pháp gọi tạo không gian đặc trưng để biểu diễn nhận dạng hướng di ll Năm 2001, Guodong Guo, Stan Z.Li, Kap Luk Chan dùng phương pháp SVM để nhận dạng khuôn mặt Sử dụng chiến lược kết hợp nhiều phân loại nhị oi m z at nh phân để xây dựng phân loại SVM đa lớp Gần năm 2017, thi “Sáng tạo trẻ Bách khoa 2017” Sản z phẩm đạt giải Nhất có tên “Hệ thống nhận dạng khuôn mặt BKFace” Hệ thống sinh viên đến từ trường đại học có khả giải vấn đề cốt lõi: ngồi phát khn mặt cịn có nhận diện xác thực khn mặt Ba tính giúp Bkface ứng dụng vào nhiều lĩnh vực phức tạp đời sống: m co l gm @ an ninh, điều tra, truy bắt tội phạm an Lu n va ac th si 41 CHƯƠNG III – CÁC KẾT QUẢ THỰC NGHIỆM 3.1 Cơng cụ lập trình Trong q trình tìm hiểu xây dựng thực nghiệm mơ hình, luận văn lựa chọn ngơn ngữ lập trình Python để xây dựng 3.1.1 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 ngôn ngữ có hình thức lu an sáng sủa, cấu trúc rõ ràng, thuận tiện cho người học lập trình va n Python hoàn toàn tạo kiểu động dùng chế cấp phát nhớ tự động; tn to tương tự Perl, Ruby, Scheme, Smalltalk, Tcl Python phát triển lý p ie gh dự án mã mở, tổ chức phi lợi nhuận Python Software Foundation quản nl w Ngôn ngữ lập trình Python ngơn ngữ lập trình oa dụng nhiều việc phát triển trí tuệ nhân tạo Python nhiều người lựa d chọn để lập trình trí tuệ nhân tạo tính phổ biến, dễ học khả tương tích với lu va an cơng nghệ 4.0 Nó sử dụng cách trơn tru với cấu trúc liệu u nf thuật toán AI sử dụng thường xuyên khác ll Ngoài ứng dụng thực tế bật trên, Python sử dụng để: oi m z at nh - Làm game - Máy học với Theano, tensorflow, scikit-learn z gm @ - Khoa học máy tính: Python Opencv, numpys, panda, scipy l - Lập trình cho bo mạch: Ardruino, raspberry pi an Lu để sáng tạo nên công nghệ đỉnh cao m co Những tiện ích làm cho Python trở thành ngôn ngữ ưa chuộng n va ac th si 42 3.1.2 Các chương trình thực Phần cuối mạng lớp Fully Connecttecd với 128 phần tử lớp L2 normalization cho phép thu embedding vector Chính vậy, nhờ việc so sánh khoảng cách Euclide embedding vector khn mặt xác định khn mặt giống hay khác, cụ thể hai khn mặt giống có khoảng cách Euclide nhỏ hai khn mặt khác biệt có khoảng cách Euclide lớn Các chương trình thực sau: - Chương trình kiểm tra cắt khn mặt ảnh người lu an - Chương trình xoay ảnh n va - Chương trình model mạng CNN to - Chương trình nhân diện khuôn mặt p ie gh tn - Chương trình train model để trích xuất vector đặc trưng w Dưới mơ tả cấu hình hệ thống yêu cầu cài đặt: oa nl Môi trường thử nghiệm: d - Processor: Intel(R) Core i3 – 3110M CPU @ 2.40GHz an lu u nf va - Memory (Ram): 12.00 GB - GPU: NVIDIA GeForce GT 620M ll m oi - System type: 64-bit Operating System, x64-based processor z at nh - Windows 10 Pro -2018 z Ngôn ngữ lập trình: Python 3.6.0 @ gm Cơng cụ lập trình: JetBrains PyCharm Community Edition 2018 m co l Thư viện gói cài đặt chính: Python 3.6, Tensorflow, Dlib, OpenCV2, Opencv 3.4.5, keras 2.2.4, tqdm 4.31.1, pandas 0.23.4, scipy 1.2.0, Model mạng an Lu CNN nn4.small2, Model shape_predictor_68_face_landmarks, Sparqlwrapper … n va ac th si 43 Một số chương trình: - Chương trình nhận dạng cắt khn mặt hình lu an n va p ie gh tn to w d oa nl - Chương trình xoay ảnh tính đặc trưng ảnh ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si 44 - Chương trình tính khoảng cách Euclide lu an n va p ie gh tn to d oa nl w - Chương trình test ảnh ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si 45 - Chương trình lu an va n 3.2 Bộ liệu to gh tn Dữ liệu huấn luyện tập liệu thu thập theo hình thức: Thu thập p ie từ nguồn ảnh mạng cơng cụ tìm kiếm ảnh google, thu thập thư viện Sparqlwrapper sử dụng liệu sử dụng oa nl w thành công thi nhận diện người tiếng AIVIVN tổ chức hồi tháng 3/2019 d an lu Dữ liệu thô ban đầu thu thập chức nhận diện cắt sát u nf va khuôn mặt ảnh để làm đầu vào cho trình trích chọn đặc trưng Q trình nhận diện khn mặt sử dụng mạng CNN cụ thể nội dung luận văn ll oi m sử dụng mạng nn4.small2 mạng mà có số lượng tham số lớn với vector z at nh nhúng 128 chiều[19] mơ hình mạng huấn luyện trước tập liệu lớn Facescrub [20] CASIA-Webface [20] z Cấu tạo liệu huấn luyện mơ sau: an Lu ├───1.jpg m co │ │ l │ ├───Phuong Thuy gm @ ├───image n va ac th si 46 │ │ ├───2.jpg │ │ ├───3.jpg │ │ ├───4.jpg │ │ ├───5.jpg │ ├───Tien Dung lu an n va tn to │ │ ├───1.jpg │ │ ├───2.jpg │ │ ├───3.jpg │ │ ├───4.jpg │ │ ├───5.jpg │ │ ├───1.jpg │ │ ├───2.jpg p ie gh │ ├───Cu Tit oa nl w ├───3.jpg d │ │ lu ├───4.jpg │ │ ├───5.jpg ll u nf va an │ │ oi m Dữ liệu ảnh thô lựa thu mục Image, xếp ảnh theo z at nh thư mục nhãn chúng, sau thực q trình xử lý ảnh thơ ảnh sau xử lý lưu đè vào thư mục với số thứ tự nhãn ban đầu z Do mơ hình nn4.small huấn luyện dựa đầu vào khuôn mặt @ gm thẳng, thực tế liệu thực tế lại chiều xoay để xoay ảnh m co l dạng thẳng có kích thước 96x96 tơi sử dụng chương trình xoay tính đặc trưng ảnh sư dụng model shape_predictor_68_face_landmarks định an Lu nghĩa đoạn chương trình align.py n va ac th si 47 Sau trình train diễn để tìm embedding vector cuả khn mặt, vector lưu dạng file train_embs.py để sử dụng trình nhận dạng sau Bộ liệu huấn luyện Bộ liệu huấn luyện bao gồm 72 ảnh với nhãn liệu tương ứng với đối tượng người khác Cụ thể, có 10 ảnh Bùi Tiến Dũng, 10 ảnh Nguyễn Công Phượng, 10 ảnh Nguyễn Hải Phong, 10 ảnh Quế Ngọc Hải, 10 ảnh Hoàng Thùy, 10 ảnh Mai Phương Thúy 12 ảnh cậu bé Cu Tít lu Hình 3.1 minh hoạ tập ảnh huấn luyện sử dụng luận văn an n va p ie gh tn to d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu Hình 3.1 Dữ liệu huấn luyện n va ac th si 48 Bộ liệu kiểm tra lu Để đánh giá chất lượng hoạt động chương trình, luận văn có sử dụng liệu kiểm tra bao gồm 49 ảnh có nhãn giống với liệu huấn luyện, có ảnh lấy từ đối tượng Bùi Tiến Dũng, với góc chụp bối cảnh chụp khác so với ảnh huấn luyện Tương tự, có lấy từ đối tượng Nguyễn Cơng Phượng, có lấy từ đối tượng Nguyễn Hải Phong, ảnh Quế Ngọc Hải, ảnh Hoàng Thùy, ảnh Mai Phương Thúy ảnh cậu bé Cu Tít Ngoài ảnh kiểm tra lấy từ đối tượng liệu huấn luyện, luận văn lấy thêm ảnh đối tượng khác với đối tượng liệu huấn luyện Cụ thể, có ảnh đối tượng khác, gán nhãn “unknown” Tổng cộng, 56 ảnh có nhãn khác sử dụng liệu kiểm tra Minh hoạ liệu kiểm tra trình bày Hình 3.2 an n va p ie gh tn to d oa nl w ll u nf va an lu oi m (a) z at nh z m co l gm @ (b) Hình 3.2 Bộ liệu kiểm tra: (a) Dữ liệu kiểm tra có nhãn giống liệu huấn an Lu luyện, (b) Dữ liệu kiểm tra có nhãn “unknown” n va ac th si 49 3.3 Q trình thực nghiệm Mơ hình nhận dạng khuôn mặt sử dụng mạng CNN Ảnh thô Ảnh thô lu Ảnh xử lý Tiền xử ý Tiền xử ý Huấn luyện Phân loại Phân loại Nhận dạng Không nhận dạng (a) (b) an Ảnh xử lý n va p ie gh tn to d oa nl w lu va an Hình 3.3 Mơ tả mơ hình nhận dạng ảnh bao gồm giai đoạn (a) huấn luyện u nf giai đoạn (b) nhận dạng ll Hình 3.3 mơ tả mơ hình nhận dạng khn mặt người dựa mơ hình CNN m oi Mơ hình thực thành giai đoạn: (a) giai đoạn huấn luyện (b) giải z at nh đoạn nhận dạng Trong giai đoạn huấn luyện, ảnh thô đầu vào xử lý để đưa z định dạng chuẩn, sau ảnh đưa qua mơ hình tính đặc trưng, sau gm @ huấn luyện đưa phân loại vector 128 chiều tương ứng với ảnh l Trong giai đoạn nhận dạng, ảnh cần nhận dạng ban đầu xử lý thô m co qua trình tiền xử lý đến khâu phân loại sử dụng phân loại từ giai đoạn huấn luyện để xác định ảnh đối tượng Tại khâu phân loại thực chất an Lu n va ac th si 50 so sánh khoảng cách Euclide ảnh xử lý từ giai đoạn huấn luyện với ảnh cần kiểm tra giai đoạn nhận dạng 3.4 Kết thực nghiệm Nhận dạng hai khuôn mặt có liệu huấn luyện lu an n va to Nhận dạng khn mặt có liệu huấn luyện, khuôn mặt p ie gh tn Hình 3.4 Kết nhận dạng hai khn mặt có liệu train d oa nl w báo unknown khơng có liệu huấn luyện ll u nf va an lu oi m z at nh z Hình 3.5 Kết sau chạy chương trình nhận dạng ảnh cần nhận dạng gm @ thư mục Test Image khơng có liệu huấn luyện m co l Nhận dạng nhầm khn mặt có liệu huấn luyện, khn mặt an Lu n va ac th si 51 Hình 3.6 Kết nhận dạng nhầm khn mặt có liệu huấn lu luyện, khuôn mặt liệu huấn luyện an Bảng 3.1 biểu diễn ma trận nhầm lẫn kết chạy hệ thống nhận dạng va n khuôn mặt liệu kiểm tra Trong ma trận này, hàng biểu diễn số ảnh với tn to nhãn đầu vào cần phải kiểm tra (gán nhãn thật), cột biểu diễn số ảnh mà hệ p ie gh thống gán nhãn cho liệu đầu vào (nhãn hệ thống gán cho liệu) Bảng 3.1 Ma trận nhầm lẫn biểu diễn kết nhận diện khuôn mặt từ Hải Phong Hoàng Thùy Phương Thúy Cu Tit Unknown 0 0 0 0 0 0 0 6 0 Công Phượng Hải Phong 0 Hoàng Thùy 0 0 Phương Thúy 0 0 Cu Tit 0 0 m co Unknown 0 0 ll Ngọc Hải z at nh u nf va an Công Phượng gm Ngọc Hải lu Tiến Dũng Tiến Dũng d oa nl w liệu kiểm tra oi m z @ l an Lu n va ac th si 52 Nhận xét: Từ kết Bảng 3.1 Ma trận nhầm lẫn biểu diễn kết nhận diện khuôn mặt từ liệu kiểm tra cho thấy việc nhận dạng khuôn mặt thực tốt, với tỷ lệ tương đối cao lên đến 83.92% Tuy nhiên việc thay đổi ngưỡng trình nhận dạng làm thay đổi đáng kể tới kết toán Trong nhận dạng có trường hợp nhận dạng nhầm điển Hình 3.6 Trong trình nhận dạng khn mặt, tốc độ máy tính chưa đủ đáp ứng lu trình huấn luyện Dẫn đến thời gian lâu chưa hiệu an n va p ie gh tn to d oa nl w ll u nf va an lu oi m z at nh z m co l gm @ an Lu n va ac th si 53 KẾT LUẬN Luận văn trình bày hướng tiếp cận xu thế giới ứng dụng nhiều sống xã hội Luận văn thực kết sau: Luận văn trình bày cách tổng qt mơ hình mạng noron ứng dụng mạng noron tích chập tốn nhận dạng khn mặt Trình bày có hệ thống loại mạng noron giải pháp học mơ hình mạng noron Bên cạnh đó, luận văn cịn nghiên cứu phân tích việc sử dụng mạng nơ ron tích chập lu để giải tốn nhận dạng khn mặt Nghiên cứu cấu trúc hoạt động an n va cơng cụ lập trình Python, thư viện Tensorflow, Google colab để giải toán liệu người tiếng Việt Nam, liệu lấy trực tiếp gh tn to nhận dạng khuôn mặt Luận văn xây dựng tốn nhận dạng khn mặt Những tồn hướng phát triển p ie từ công cụ Google download Images nl w Những kết khả quan từ việc ứng dụng mạng nơ ron tích chập d oa tốn nhận dạng khn mặt chứng tỏ mơ hình ứng dụng an lu hiệu toán Tuy nhiên tốn cịn nhận dạng chưa va đối tượng nhận dạng nhầm đối tượng Việc phân bổ ngưỡng toán u nf ảnh hưởng tới kết luận văn ll Việc cải tiến mơ hình CNN ứng dụng mơ hình vào thực tế m oi nhà nghiên cứu quan tâm xây dựng Luận văn đạt số kết z at nh nêu trên, luận văn nhiều hạn chế điều kiện mặt thời gian phạm vi nghiên cứu đề tài Vì vậy, hướng nghiên cứu học viên là: z @ gm Nghiên cứu tăng độ xác cho việc nhận dạng khn mặt qua kỹ l thuật xử lý ảnh cao trước đưa vào huấn luyện mơ hình CNN Bên cạnh đó, m co nghiên cứu thêm mơ hình CNN để tăng độ xác cho việc nhận dạng ảnh tiết nhiều lĩnh vực an Lu từ ứng dụng thực tế Có thể phát triển ứng dụng liệu đầy đủ chi n va ac th si 54 TÀI LIỆU THAM KHẢO [1] Đỗ Duy Cốp, "Nghiên cứu phương pháp nhận dạng ảnh mặt người Ứng dụng", Luận văn thạc sỹ khoa học máy tính, Đại học Thái Nguyên, 2014 [2] Giáo trình Mạng neural, Tác giả: Phan Văn Hiền – Trường Đại học Bách khoa Đà Nẵng, 2013 [3] Phạm Thế Bảo Trịnh Tấn Đạt, "Dùng đặc trưng gabor kết hợp adaboost kmeans tốn nhận dạng mặt người", Tạp chí Khoa học ĐHSP Thành phố Hồ Chí Minh , Số 43, 2013 lu [4] Võ Phúc Nguyên, "Nhận dạng ảnh mặt người sử dụng mạng nơron", Tạp chí Khoa học & Cơng nghệ, Số 64, trang 52-57, 2014 an n va gh tn to [5] Võ Hoàng Trọng, Nguyễn Thanh Thủy, "Nhận dạng mặt người dựa thông tin mặt người không đầy đủ", Luận văn tốt nghiệp đại học, Đại học Khoa học Tự nhiên, Thành phố Hồ Chí Minh, 2017 p ie [6] B D Ripley Pattern recognition and neural networks Cambridge university prees, 1996 w oa nl [7] Breiman Random forests Machine Learning 45(1):5–32, 2001 d [8] Chellappa, R., Wilson, C.L., and Sirohey, S (1995), "Human and Machine Recognition of Faces: A Survey", In Proc of IEEE Conf., 83, 705-740 an lu ll u nf va [9] F Schroff, D Kalenichenko and J Philbin, "Facenet: A unified embedding for face recognition and clustering," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, pp 815-823, 2015 oi m z at nh [10] G Mont´ufar, R Pascanu, K Cho, and Y Bengio On the number of linearregions of deep neural networks In NIPS, 2014 z [11] J R Quinlan C4.5: Programs for Machine Learning Morgan Kaufmann, 1993 gm @ m co l [12] Kresimir Delac, Mislav Grgic, " Face Recognition ", I-tech Education and Publishing chapters, ISBN 978-3-902613-03-5, Austria, 2007 an Lu [13] O M Parkhi, A Vedaldi and A Zisserman, "Deep face recognition," British Machine Vision Conference, vol 1, no 3, 2015 n va ac th si 55 [14] Samal, A., Iyengar, P.A (1992), "Automatic Recognition and Analysis of Human Faces and Facial Expressions", Pattern Recognition, 25, pp.65-77 [15] S Liao, A K Jain and S Z Li, "Partial face recognition: Alignment-free approach," IEEE Transactions on Pattern Analysis and Machine Intelligence 35.5 , pp 1193-1205, 2013 [16] X Tan and B Triggs, "Enhanced local texture feature sets for face recognition under difficult lighting conditions," IEEE transactions on image processing, vol 19(6), pp 1635-1650, 2010 [17] W Zhao, R Chellappa, P J Phillips, A.Rosenfeld, "Face Recognition - A lu Literature Survey", ACM Computing Surveys, Vol 35 (No 4), 2003 an n va tn to [18] Z Li, J.-i Imai and M Kaneko, "Robust face recognition using block-based bag of words.," Pattern Recognition (ICPR), 2010 20th International Conference on IEEE, pp 1285-1288, 2010 https://cmusatyalab.github.io/openface/models-and-accuracies/#running-thelfw-experiment p ie gh [19] [20] http://vintage.winklerbros.net/facescrub.html nl w d oa [21] https://techinsight.com.vn/nhan-dien-khuon-mat-va-ung-dung-thuc-te/ an lu [22] Nguyễn Thành An Nguyễn Phát Tài (ĐH Khoa học tự nhiên - ĐH Quốc gia va TP.HCM) giành giải lĩnh vực công nghệ thông tin Giải thưởng sinh viên u nf nghiên cứu khoa học Euréka 2017 với đề tài "Tổng hợp tìm kiếm video ll dựa vào phát nhận biết mặt người" oi m z at nh z m co l gm @ an Lu n va ac th si