Phương pháp nhận dạng khuôn mặt dựa trên phương pháp học chuyển giao của mạng nowrron tích chập và ứng dụng vào bài toán điểm danh học sinh tại trường thpt chuyên vĩnh phúc

LỜI CAM ĐOAN Tên là: Nguyễn Thị Nhung Sinh ngày: 04/11/1984 Học viên lớp cao học 18M - CT52 trường Đại học Mở Hà Nội Hiện công tác tại: Trường THPT Chuyên Vĩnh Phúc, tỉnh Vĩnh Phúc Tôi xin cam đoan đề tài “Phương pháp nhận dạng khuôn mặt dựa phương pháp học chuyển giao mạng nơron tích chập ứng dụng vào tốn điểm danh học sinh trường THPT Chuyên Vĩnh Phúc” thầy giáo TS Dương Thăng Long hướng dẫn công trình nghiên cứu riêng tơi Các kết đạt luận văn sản phẩm riêng cá nhân, không chép người khác Nội dung luận văn có tham khảo sử dụng số thơng tin, tài liệu từ nguồn sách, tạp chí liệt kê danh mục tài liệu tham khảo Vĩnh Phúc, ngày 10 tháng năm 2021 Tác giả luận văn Nguyễn Thị Nhung i LỜI CẢM ƠN Sau thời gian nghiên cứu làm việc nghiêm túc, động viên, giúp đỡ hướng dẫn tận tình Thầy giáo hướng dẫn TS Dương Thăng Long, luận văn với đề tài “Phương pháp nhận dạng khuôn mặt dựa phương pháp học chuyển giao mạng nơron tích chập ứng dụng vào tốn điểm danh học sinh trường THPT Chuyên Vĩnh Phúc” hồn thành Tơi xin bày tỏ lịng biết ơn sâu sắc đến: Thầy giáo hướng dẫn TS Dương Thăng Long tận tình dẫn, giúp đỡ tơi hồn thành luận văn Tôi xin chân thành cảm ơn bạn bè, đồng nghiệp gia đình động viên, khích lệ, tạo điều kiện giúp đỡ suốt trình học tập, thực hồn thành luận văn Tác giả luận văn Nguyễn Thị Nhung ii MỤC LỤC Trang LỜI CAM ĐOAN i LỜI CẢM ƠN ii MỤC LỤC iii DANH MỤC CÁC KÍ HIỆU, CÁC CHỮ VIẾT TẮT vi DANH MỤC CÁC BẢNG vii DANH MỤC HÌNH VẼ viii MỞ ĐẦU .1 CHƯƠNG 1: GIỚI THIỆU VỀ NHẬN DẠNG KHUÔN MẶT VÀ MẠNG NƠRON TÍCH CHẬP .4 1.1 Hệ thống nhận dạng khuôn mặt 1.1.1 Mơ tả tốn nhận dạng khn mặt 1.1.2 Hệ thống nhận dạng khuôn mặt 1.1.3 Một số ứng dụng hệ thống nhận dạng khuôn mặt .7 1.2 Một số hướng tiếp cận nhận dạng khuôn mặt 1.2.1 Hướng tiếp cận dựa tri thức 1.2.2 Hướng tiếp cận dựa đặc trưng không thay đổi 11 1.2.3 Hướng tiếp cận dựa so khớp mẫu .14 1.2.4 Hướng tiếp cận dựa diện mạo 15 1.3 Mạng nơron nhân tạo 16 1.3.1 Mạng nơron sinh học 16 1.3.2 Mạng nơron nhân tạo 18 1.3.3 Quá trình học mạng nơron 23 1.3.4 Các ứng dụng mạng nơron 26 1.4 Mạng nơron tích chập .27 1.4.1 Định nghĩa mạng nơron tích chập 27 1.4.2 Cấu trúc tổng quát mạng nơron tích chập 29 1.4.3 Giải thuật lan truyền ngược 39 Kết luận chương .41 iii CHƯƠNG 2: NHẬN DẠNG KHUÔN MẶT DỰA TRÊN PHƯƠNG PHÁP HỌC CHUYỂN GIAO CỦA MẠNG NƠRON TÍCH CHẬP 42 2.1 Thiết kế mạng nơron CNN nhận dạng khuôn mặt 42 2.1.1 Tiền xử lý ảnh đầu vào 43 2.1.2 Mơ hình nhận dạng khuôn mặt dựa CNN 44 2.2 Phương pháp học chuyển giao CNN .50 2.2.1 Giới thiệu phương pháp học chuyển giao 50 2.2.2 Một số biện pháp học chuyển giao CNN 51 2.2.3 Vai trò học chuyển giao .54 2.3 Mơ số mơ hình mạng CNN đại .56 2.3.1 Mạng VGG .56 2.3.2 Mạng Googlenet .59 2.3.3 Mạng Resnet .61 2.3.4 Mạng Densenet 65 2.4 Áp dụng phương pháp học chuyển giao cho tốn nhận dạng khn mặt để điểm danh .66 2.4.1 Phân tích tốn .66 2.4.2 Cơ sở liệu ảnh .67 2.4.3 Áp dụng phương pháp học chuyển giao với mạng VGG Resnet vào nhận dạng khuôn mặt 68 Kết luận chương .71 CHƯƠNG 3: XÂY DỰNG PHẦN MỀM MÔ PHỎNG VÀ KẾT QUẢ THỬ NGHIỆM 72 3.1 Xây dựng chương trình ứng dụng 72 3.1.1 Công cụ xây dựng phần mềm 72 3.1.2 Cài đặt .74 3.2 Thử nghiệm chương trình .76 3.2.1 Tiền xử lý ảnh đầu vào .76 3.2.2 Đào tạo mơ hình .79 3.2.3 Nhận diện khuôn mặt qua Camera 86 3.2.4 Nhận diện khn mặt qua ảnh có sẵn .87 3.2.5 Đánh giá kết .88 Kết luận chương .89 iv KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 90 TÀI LIỆU THAM KHẢO 91 v DANH MỤC CÁC KÍ HIỆU, CÁC CHỮ VIẾT TẮT STT Từ viết tắt Tiếng Anh Tiếng Việt CSDL ANN Artificial Neural Network Mạng nơron nhân tạo CNN Convolution Neural Network Mạng nơron tích chập VGG Visual Geometry Group FC RELU Cơ sở liệu Fully Connected Lớp kết nối đầy đủ Rectified Linear Unit Hàm kích hoạt vi DANH MỤC CÁC BẢNG Trang Bảng 1.1 Một số hàm truyền thông dụng 21 Bảng 2.1 Ví dụ liệu phân lớp mơ hình CNN 50 Bảng 3.1 Cấu trúc chương trình 76 Bảng 3.2 Bảng so sánh mô hình VGG19 - VGG Face 88 Bảng 3.3 Bảng so sánh hiệu mơ hình VGG19 - VGGFACE 89 vii DANH MỤC HÌNH VẼ Trang Hình 1.1 Mơ hình tốn nhận dạng mặt người Hình 1.2 Cấu trúc tổng quát hệ thống nhận dạng khn mặt Hình 1.3 Hệ thống đa độ phân giải 10 Hình 1.4 Một lọai tri trức người nghiên cứu phân tích khn mặt .10 Hình 1.5 Cấu trúc nơron sinh học 17 Hình 1.6 Cấu tạo Neural 19 Hình 1.7 Mạng tự kết hợp 21 Hình 1.8 Mạng kết hợp khác kiểu 22 Hình 1.9 Mạng truyền thẳng 22 Hình 1.10 Mạng phản hồi .23 Hình 1.11 Mơ hình huấn luyện mạng có giám sát [11] 24 Hình 1.12 Mơ hình huấn luyện mạng khơng giám sát [11] .25 Hình 1.13 Mơ hình huấn luyện mạng tăng cường [11] 26 Hình 1.14 Mơ hình CNN 29 Hình 1.15 Cấu trúc tổng qt mạng nơron tích chập .30 Hình 1.16 Minh hoạ tích chập ma trận ảnh .31 Hình 17 Minh hoạ tích chập chiều 32 Hình 1.18 Max pooling với lọc 2x2 35 Hình 1.19 Mơ hình hàm softmax cho mạng Neural 37 Hình 1.20 Quá khớp 38 Hình 1.21 Mạng nơron truyền thẳng nhiều lớp sử dụng giải thuật lan truyền ngược 40 Hình 2.1 Sơ đồ quy trình mơ hình nhận dạng khn mặt 42 Hình 2.2 Các dạng đặc trưng Haar-like 43 Hình 2.3 Kiến trúc dạng khối mơ hình CNN 45 Hình 2.4 Một ảnh đầu vào kích thước 100×90×1 (đa cấp xám) 46 Hình 2.5 Hình ảnh sau xử lý khối B2 lớp nơron POOL 47 Hình 2.6 Hình ảnh kết xử lý sau B5, B7 B9 48 Hình 2.7 Mơ hình VGG ban đầu mơ hình VGG 52 Hình 2.8 Bỏ fully connected layer model VGG16 thêm vào Fully connected layer 53 Hình 2.9 So sánh hiệu suất mơ hình trước sau áp dụng học chuyển giao .55 Hình 2.10 Kiến trúc mơ hình VGG 57 Hình 2.11 Các biến thể mơ hình VGG 58 Hình 2.12 Inception 60 Hình 2.13 Vanishing Gradients 62 Hình 2.14 Residual Module vài lớp ResNet 64 viii Hình 2.15 Mạng Densenet 65 Hình 2.16 Cấu hình khác DenseNet 66 Hình 2.17 Hình ảnh tập liệu ảnh khn mặt cho danh tính 67 Hình 2.18 Mô tả định dạng xếp thư mục tập liệu ảnh mẫu ban đầu 68 Hình 3.1 Kiểm tra cài đặt ngôn ngữ python 74 Hình 3.2 Cài đặt thư viện dlib 75 Hình 3.3 Cài đặt thư viện OpenCV 75 Hình 3.4 Cài đặt Kera .76 Hình 3.5 Tiền xử lý ảnh đầu vào 79 Hình 3.6 Kết nhận diện Camera - mơ hình VGG19 86 Hình 3.7 Kết nhận diện Camera - mơ hình VGG Face 86 Hình 3.8 Ảnh nhận diện qua File - mơ hình VGG face 87 Hình 3.9 Ảnh nhận diện qua file - mơ hình VGG19 87 ix MỞ ĐẦU Lý chọn đề tài Hiện nay, với phát triển xã hội, vấn đề an ninh bảo mật yêu cầu khắt khe quốc gia giới Các hệ thống nhận dạng người đời với độ tin cậy ngày cao Một toán nhận dạng người quan tâm nhận dạng mặt người Bài toán nhận dạng khuôn mặt người vốn nghiên cứu từ năm 1970 nay, nhiều nghiên cứu lẫn ứng dụng cho toán đời Bài tốn nhận dạng mặt người áp dụng rộng rãi nhiều lĩnh vực khác Các ứng dụng liên quan đến nhận dạng mặt người kể như: hệ thống phát tội phạm, hệ thống theo dõi nhân đơn vị, hệ thống tìm kiếm thơng tin ảnh, video dựa nội dung… Deep Learning thuật toán dựa số ý tưởng từ não tới việc tiếp thu nhiều tầng biểu đạt, cụ thể lẫn trừu tượng, qua làm rõ nghĩa loại liệu Deep Learning ứng dụng nhận diện hình ảnh, nhận diện giọng nói, xử lý ngơn ngữ tự nhiên Hiện nhiều toán nhận dạng sử dụng deep learning để giải deep learning giải toán với số lựợng lớn, kích thước đầu vào lớn với hiệu độ xác vượt trội so với phương pháp phân lớp truyền thống Convolutional Neural Network (CNN – Mạng nơ-ron tích chập) mơ hình Deep Learning tiên tiến giúp cho xây dựng hệ thống thơng minh với độ xác cao Trong luận văn cao học này, nghiên cứu “Phương pháp nhận dạng khuôn mặt dựa phương pháp học chuyển giao mạng nơron tích chập ứng dụng vào toán điểm danh học sinh trường trung học phổ thông Chuyên Vĩnh Phúc” Mục tiêu nghiên cứu - Nghiên cứu tổng quan tốn nhận dạng khn mặt người detector = MyFaceRecognition() list_persons = next(os.walk(source_folder))[1] data = {} total_faces = for person in list_persons: # print('Ten nguoi: ', person) person_folder = dataset_folder + '/' + person # crop anh vao day # print('Crop anh den: ', person_folder) if not os.path.exists(person_folder): os.mkdir(person_folder) all_file_person = [] source_folder_person = source_folder + '/' + person # nguon anh o day all_files = glob.glob(os.path.join(source_folder_person, filetype)) all_file_person = all_file_person + all_files # noi vao list chung num_faces = for filename in all_file_person: cimg = cv2.imread(filename, cv2.IMREAD_COLOR) faces, fconf = detector.get_face_locations_from_image(cimg) if len(faces) == 0: print('The file [', filename, '] has NO faces') else: icof = np.argmax(fconf) (le, to, ri, bo) = faces[icof] num_faces += f = cimg[to:bo, le:ri] f = cv2.resize(f, input_size) newfile = '{}/{}'.format(person_folder, os.path.basename(filename)) cv2.imwrite(newfile, f) data[person] = '#file[{}]#faces[{}]>'.format(len(all_file_person), num_faces) print(person, data[person]) 77 total_faces += num_faces print('Total faces :', total_faces) Kết thúc q trình thu hình ảnh khn mặt cắt tập liệu ảnh ban đầu A.Minh #file[10]#faces[10]> Anh2 #file[10]#faces[10]> Anhz #file[10]#faces[10]> Hieu #file[10]#faces[10]> Ly #file[10]#faces[10]> N.Linh #file[10]#faces[10]> Ngocj #file[10]#faces[10]> Nhung #file[29]#faces[29]> NK.Linh #file[10]#faces[10]> P.Linh #file[10]#faces[10]> T.Dungz #file[10]#faces[10]> The file [ C:/Users/Dell/PycharmProjects/luanvan/DuLieu/T.Duong\T.Duong_10.jpg ] has NO faces T.Duong #file[10]#faces[9]> T.Minh #file[10]#faces[10]> Taif #file[10]#faces[10]> Thow #file[9]#faces[9]> Thuw #file[10]#faces[10]> Tuaan #file[10]#faces[10]> 78 Hình 3.5 Tiền xử lý ảnh đầu vào 3.2.2 Đào tạo mơ hình 3.2.2.1 Đào tạo mơ hình sử dụng VGG19 Model: "vgg19" _ Layer (type) Output Shape Param # =========================================================== input_1 (InputLayer) (None, 224, 224, 3) _ block1_conv1 (Conv2D) (None, 224, 224, 64) 1792 _ block1_conv2 (Conv2D) (None, 224, 224, 64) 36928 _ 79 block1_pool (MaxPooling2D) (None, 112, 112, 64) _ block2_conv1 (Conv2D) (None, 112, 112, 128) 73856 _ block2_conv2 (Conv2D) (None, 112, 112, 128) 147584 _ block2_pool (MaxPooling2D) (None, 56, 56, 128) _ block3_conv1 (Conv2D) (None, 56, 56, 256) 295168 _ block3_conv2 (Conv2D) (None, 56, 56, 256) 590080 _ block3_conv3 (Conv2D) (None, 56, 56, 256) 590080 _ block3_conv4 (Conv2D) (None, 56, 56, 256) 590080 _ block3_pool (MaxPooling2D) (None, 28, 28, 256) _ block4_conv1 (Conv2D) (None, 28, 28, 512) 1180160 _ block4_conv2 (Conv2D) (None, 28, 28, 512) 2359808 _ 80 block4_conv3 (Conv2D) (None, 28, 28, 512) 2359808 _ block4_conv4 (Conv2D) (None, 28, 28, 512) 2359808 _ block4_pool (MaxPooling2D) (None, 14, 14, 512) _ block5_conv1 (Conv2D) (None, 14, 14, 512) 2359808 _ block5_conv2 (Conv2D) (None, 14, 14, 512) 2359808 _ block5_conv3 (Conv2D) (None, 14, 14, 512) 2359808 _ block5_conv4 (Conv2D) (None, 14, 14, 512) 2359808 _ block5_pool (MaxPooling2D) (None, 7, 7, 512) =========================================================== ====== Total params: 20,024,384 Trainable params: 20,024,384 Non-trainable params: _ Để đào tạo mơ hình, sử dụng hàm: train_model(data, kfold=0, batch_size=32, epochs=800, file_model=file_model) 81 Train on 326 samples, validate on 326 samples Epoch 1/800 32/326 [=> ] - ETA: 1:12 - loss: 3.6542 - accuracy: 0.0000e+0020 64/326 [====> .] - ETA: 55s - loss: 3.5146 - accuracy: 96/326 [=======> ] - ETA: 46s - loss: 3.5196 - accuracy: 0.0625 128/326 [==========> ] - ETA: 39s - loss: 3.5402 - accuracy: 0.0781 160/326 [=============> ] - ETA: 33s - loss: 3.5934 - accuracy: 0.0688 192/326 [================> ] - ETA: 27s - loss: 3.6211 - accuracy: 0.0677 224/326 [===================> ] - ETA: 20s - loss: 3.5477 - accuracy: 0.0848 256/326 [======================> .] - ETA: 14s - loss: 3.5224 - accuracy: 0.0977 288/326 [=========================> ] - ETA: 7s - loss: 3.4816 accuracy: 0.1111 320/326 [============================>.] - ETA: 1s - loss: 3.4803 accuracy: 0.1156 326/326 [==============================] - 126s 387ms/step - loss: 3.4706 - accuracy: 0.1166 - val_loss: 2.8721 - val_accuracy: 0.2055 … Train on 326 samples, validate on 326 samples Epoch 8/500 32/326 [=> ] - ETA: 3:41 - loss: 2.3774 - accuracy: 0.5000 82 64/326 [====> .] - ETA: 3:34 - loss: 2.6621 - accuracy: 0.3594 96/326 [=======> ] - ETA: 3:06 - loss: 2.5810 - accuracy: 0.3438 128/326 [==========> ] - ETA: 2:42 - loss: 2.6438 - accuracy: 0.2891 160/326 [=============> ] - ETA: 2:18 - loss: 2.5922 - accuracy: 0.3125 192/326 [================> ] - ETA: 1:53 - loss: 2.5875 - accuracy: 0.3177 224/326 [===================> ] - ETA: 1:28 - loss: 2.5429 - accuracy: 0.3348 256/326 [======================> .] - ETA: 1:01 - loss: 2.5160 - accuracy: 0.3242 288/326 [=========================> ] - ETA: 34s - loss: 2.5037 accuracy: 0.3264 320/326 [============================>.] - ETA: 5s - loss: 2.4717 accuracy: 0.3500 326/326 [==============================] - 391s 1s/step - loss: 2.4664 accuracy: 0.3528 - val_loss: 1.9142 - val_accuracy: 0.7730 …… 3.2.2.2 Đào tạo mô hình sử dụng VGGFace Sau hàm “train_model_vggface2” thực thi, lưu đặc điểm vectơ đặc trưng Ánh 2883.298936008796 [0 0.58305746 0.03847307 Ánh 83 0 ] 2707.753454275997 [0.00867799 0.4274315 0.10263711 ] Ánh 3014.080108361857 [0 0.69755274 0 ] 0.3058706 0.09233981 Ánh 2412.010435999153 [0 ] Ánh 2422.9461588565246 [0 0.23302683 0.18553653 ] Ánh 2586.883506562215 [0 0.6001291 0 ] Ánh 2412.010435999153 [0 0.3058706 0.09233981 ] Ánh 2707.0579214012578 [0.02150691 0.4510759 0.02627229 0 ] Ánh 2992.6141943948987 [0.02647755 2.1552732 0 ] Ánh 2753.485983449107 [0 1.5469936 0.00511852 Bình 2180.545473160724 [0 2.1420603 0 ] Bình 2294.8290945459958 [0 3.2472253 Bình 84 0 ] ] 2196.69224794034 [0 0.10020959 0 ] Bình 2119.315781671641 [0 0.00566028 2.7314048 0 ] 0.14158954 0.31862143 0 ] 0.48825687 1.4548975 0 ] Bình 2435.415145179344 [0 Bình 2104.260617945183 [0 Bình 2391.295520850532 [0 0.20456891 0 0.1279975 ] Bình 2178.413314857695 [0 1.3313946 0 ] Bình 2332.1839250274206 [0 0.03570962 1.4569236 0 ] Bình 2420.7618221260846 [0.06393409 0.27952382 0.06272814 0 ] …… Sau hồn tất cơng đoạn xử lý trước liệu, tiến hành đào tạo mơ hình Hồn tất q trình đào tạo mơ hình thu file “model.h5” File “model.h5” lưu trữ mô hình đào tạo làm sở cho trình nhận dạng thực thi 85 3.2.3 Nhận diện khuôn mặt qua Camera Hình 3.6 Kết nhận diện Camera - mơ hình VGG19 Hình 3.7 Kết nhận diện Camera - mơ hình VGG Face 86 3.2.4 Nhận diện khn mặt qua ảnh có sẵn Hình 3.8 Ảnh nhận diện qua File - mơ hình VGG face Hình 3.9 Ảnh nhận diện qua file - mơ hình VGG19 87 3.2.5 Đánh giá kết Sau tiến hành cài đặt chạy thử chương trình thử nghiệm, nhận thấy rằng, số lượng ảnh huấn luyện nhiều độ xác phương pháp tăng lên Điều hiển nhiên nhiều mẫu huấn luyện có nhiều đặc trưng cho lớp liệu không gian khuôn mặt Kết thực nghiệm cho thấy mơ hình đạt độ xác tương đối cao ổn định môi trường thực tế, không bị ảnh hưởng yếu tố tự nhiên người Mơ hình VGG19 Mơ hình VGG FACE - Mạng đào tạo: VGG19 - Mạng đào tạo: Resnet50 - Tham số: 143,667,240 - Tham số: 25,636,712 - Đào tạo tập liệu VGGFace2 - Đào tạo tập liệu ImageNet ImageNet tập liệu tiếng lĩnh vực computer vision, tập liệu khổng lồ với 14,197,122 ảnh 1000 class Hình ảnh tải xuống từ Tìm kiếm hình ảnh Google có nhiều biến thể tư thế, độ tuổi, ánh sáng, dân tộc nghề nghiệp (ví dụ: diễn viên, vận động viên, trị gia) Bộ liệu chứa 3,31 triệu ảnh 9131 đối tượng, với trung bình 362,6 ảnh cho đối tượng - Độ sâu: 19 layer - Độ sâu: 50 layer Bảng 3.2 Bảng so sánh mơ hình VGG19 - VGG Face Mơ hình VGG19 sử dụng tập liệu imagenet để đào tạo, tập imagenet gồm nhiều đối tượng người, động vật (chó, mèo, …), vật (ơ tơ, xe lửa) mơ hình VGG face, tập liệu gồm khn mặt nên với tốn nhận dạng khn mặt học sinh phương pháp học chuyển giao sử dụng mơ hình VGG face cho độ xác cao hơn, thời gian nhanh (VGG face không cần traning liệu) 88 Mơ hình đào tạo Số lần Thời gian Độ Thời gian traning huấn luyện xác (% nhận dạng liệu (phút) tập test) (giây) 500 428 95.7 1.4 - - 97.3 0.8 VGG19 VGG FACE Bảng 3.3 Bảng so sánh hiệu mơ hình VGG19 - VGGFACE Kết luận chương Xuất phát từ tính cấp thiết việc nhận dạng học sinh nhằm kiểm chứng tính đắn thuật tốn nhận dạng khn mặt, chương luận văn trình bày cách thức xây dựng chương trình mơ Từ việc chuẩn bị, thu thập mẫu liệu nhằm đạt yêu cầu đặt toán Kết kiểm chứng cho thấy phương pháp kết hợp cho hiệu tốt Cụ thể việc nhận dạng cho kết tốt thay đổi tư thế, góc nghiêng khuôn mặt, ảnh trước webcam thu thập điều kiện sáng khác 89 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN ❖ Kết luận • Ưu điểm: - Xây dựng chương trình thực nghiệm hệ thống nhận dạng khuôn mặt sử dụng phương pháp học chuyển giao mạng nơron tích chập - Thực q trình thử nghiệm đánh giá tính khả thi giải pháp - Đề tài có tính ứng dụng cao thực tế phục vụ số lĩnh vực nhận dạng học sinh, kiểm soát nhân viên vào quan • Hạn chế: - Số lượng sở liệu hình ảnh cịn mở mức hạn chế, hình ảnh chưa phong phú đa dạng - Q trình nhận dạng khn mặt đạt hiệu cao điều kiện môi trường thuận lợi, ánh sáng tốt ❖ Hướng phát triển - Trong thời gian tới mục tiêu khắc phục điểm hạn chế nêu - Nâng cấp tốc độ xử lý trình nhận dạng khn mặt 90 TÀI LIỆU THAM KHẢO Tài liệu tiếng Việt [1] Phạm Văn Dũng, Mạng nơron tốn nhận dạng khn mặt ứng dụng Luận văn thạc sĩ, trường Đại học Công Nghệ Thông Tin Truyền Thông Thái Nguyên (2016) [2] Dương Thăng Long, Trần Tiến Dũng, Nguyễn Thị Nhung Phương pháp hỗ trợ giám sát, đánh giá trình học tập người học trực tuyến dựa mơ hình nhận dạng khn mặt mạng nơron tích chập Tạp chí khoa học trường Đại học Mở Hà Nội, Số 77, 2021 [3] Phạm Thành Huân Tìm hiểu đặc trưng lồi 3D toán phát mặt người ảnh Đồ án tốt nghiệp, trường Đại học dân lập Hải Phòng (2013) [4] Nguyễn Thị Thu Hằng, Nghiên cứu mạng nơron tích chập ứng dụng cho tốn nhận dạng biển số xe Luận văn thạc sĩ, trường Đại học Công Nghệ - Đại học Quốc Gia Hà Nội (2016) [5] Nguyễn Văn Danh, Nhận dạng mặt người máy học chuyên sâu Luận văn thạc sĩ, trường Đại học Sư Phạm Thành Phố Hồ Chí Minh (2017) [6] Dương Thăng Long, Bùi Thế Hùng Một phương pháp nhận dạng khn mặt dựa mạng nơron tích chập Tạp chí khoa học Viện Đại học Mở Hà Nội, Số 58, 2019 Website tham khảo [8] https://phamdinhkhanh.github.io/2020/04/15/TransferLearning.html [9] https://viblo.asia [10] https://Forum.machinelearningcoban.com [11] http://www.nawapi.gov.vn [12] https://dlapplications.github.io/2018-07-06-CNN [13] http://kdientu.duytan.edu.vn/media/50176/ly-thuyet-mang-neural.pdf [14] https://keras.io/api/applications/ 91