Nghiên cứu các kỹ thuật phát hiện giả mạo ngƣời dùng bằng khuôn mặt qua camera

BỘ GIÁO DỤC VÀ ĐÀO TẠO UBND TỈNH THANH HÓA TRƢỜNG ĐẠI HỌC HỒNG ĐỨC NGUYỄN THỊ BÌNH NGHIÊN CỨU CÁC KỸ THUẬT PHÁT HIỆN GIẢ MẠO NGƢỜI DÙNG BẰNG KHUÔN MẶT QUA CAMERA LUẬN VĂN THẠC SĨ CÔNG NGHỆ THƠNG TIN THANH HĨA, NĂM 2020 BỘ GIÁO DỤC VÀ ĐÀO TẠO UBND TỈNH THANH HÓA TRƢỜNG ĐẠI HỌC HỒNG ĐỨC NGUYỄN THỊ BÌNH NGHIÊN CỨU CÁC KỸ THUẬT PHÁT HIỆN GIẢ MẠO NGƢỜI DÙNG BẰNG KHUÔN MẶT QUA CAMERA LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN Chuyên ngành: Khoa học máy tính Mã số: 8480101 Ngƣời hƣớng dẫn khoa học: PGS.TS PHẠM THẾ ANH THANH HÓA, NĂM 2020 LỜI CAM ĐOAN Tôi xin cam đoan luận văn “Nghiên cứu kỹ thuật phát giả mạo ngƣời dùng khuôn mặt qua camera” đề tài nghiên cứu cá nhân dƣới hƣớng dẫn PGS.TS Phạm Thế Anh, trung thực không chép tác giả khác Trong toàn nội dung nghiên cứu luận văn, vấn đề đƣợc trình bày tìm hiểu nghiên cứu cá nhân tơi đƣợc trích dẫn từ nguồn tài liệu có ghi tham khảo rõ ràng, hợp pháp Tơi xin chịu trách nhiệm hình thức kỷ luật theo quy định cho lời cam đoan Thanh Hóa, ngày 15 tháng 07 năm 2020 Ngƣời cam đoan Nguyễn Thị Bình i LỜI CẢM ƠN Trƣớc tiên em xin gửi lời cảm ơn sâu sắc đến Thầy hƣớng dẫn PGS.TS Phạm Thế Anh tận tình hƣớng dẫn, truyền đạt kiến thức, kinh nghiệm cho em suốt trình thực luận văn Xin gửi lời cảm ơn đến quý thầy cô Khoa Công nghệ thông tin, Trƣờng đại học Hồng Đức, ngƣời truyền đạt kiến thức quý báu cho em suốt thời gian học tập vừa qua Tôi xin gửi lời cảm ơn tới đồng chí lãnh đạo đơn vị trƣờng THPT Quảng Xƣơng I - Huyện Quảng Xƣơng tạo điều kiện thời gian để tơi hồn thành chƣơng trình học Sau xin gửi lời cảm ơn đến gia đình, bạn bè bạn học viên lớp thạc sĩ khoa học máy tính khóa 2018-2020 ln động viên, giúp đỡ trình học tập làm luận văn Mặc dù thân cố gắng nghiên cứu nhƣng với khả kiến thức có hạn nên khơng tránh khỏi thiếu sót Rất mong nhận đƣợc góp ý quý báu từ Quý Thầy, Cô để luận văn đƣợc hoàn chỉnh Một lần em xin chân thành cảm ơn! ii DANH MỤC TỪ VIẾT TẮT AI Artifical intelligence ANN Artificial Neural Network CNN Convolutional Neural Network ML Machine Learning : : iii MỤC LỤC MỞ ĐẦU 1 Tính cấp thiết đề tài Mục tiêu nghiên cứu Đối tƣợng, phạm vi nghiên cứu Nội dung nghiên cứu: Phƣơng pháp nghiên cứu: Dự kiến kết đạt đƣợc Cấu trúc luận văn Chƣơng 1: TỔNG QUAN VỀ TRÍ TUỆ NHÂN TẠO VÀ HỌC MÁY Tổng quan trí tuệ nhân tạo học máy 1.1 Trí tuệ nhân tạo (artificial intelligence) 1.2 Học máy (Machine leanring) 1.3 Phân loại thuật toán học máy 1.3.1 Học có giám sát (supervised learning) 1.3.2 Học không giám sát (unsupervised learning ) : 1.4 Các mơ hình học máy 1.4.1 Mơ hình q khớp (overfitting) 1.4.2 Mơ hình chƣa khớp (underfitting) 1.5 Ứng dụng học máy trí tuệ nhân tạo 1.6 Tƣơng lai trí tuệ nhân tạo 11 1.7 Trí tuệ nhân tạo Việt Nam 15 Giới thiệu hệ thống nhận dạng khuôn mặt 15 2.1 Bài toán giả mạo ngƣời dùng khuôn mặt qua camera 16 2.2 Những khó khăn thách thức tốn nhận diện khn mặt 17 2.4 Những lợi ích nhận dạng khuôn mặt 19 Phạm vi nghiên cứu đề tài 19 CHƢƠNG 2: GIỚI THIỆU BÀI TOÁN VÀ CƠ SỞ LÝ THUYẾT 20 2.1 Giới thiệu toán 20 iv 2.2 Các cách tiếp cận truyền thống 22 2.3 Cách tiếp cận dựa mạng neural tích chập (CNN) 23 2.3.1 Phép tốn tích chập 23 2.3.2 Cấu trúc CNN 24 2.3.4 Các hàm kích hoạt (Nonlinear Layer) 28 2.3.5 Tầng rút gọn/giảm chiều (Pooling Layer) 29 2.3.6 Tầng nhân chập đầy đủ (Fully Connected Layer) 30 2.4 Các hàm mục tiêu 30 2.5 Các cách tiếp cận dựa mạng nơ ron nhân chập 33 2.6 Kết luận chƣơng 38 CHƢƠNG XÂY DỰNG GIẢI PHÁP 40 3.1 Giới thiệu chung 40 3.2 Thiết kế kiến trúc hệ thống 40 3.3 Xây dựng liệu huấn luyện 43 3.3.1 Quy trình thu thập liệu khn mặt học sinh 43 3.3.2 Gán nhãn cho liệu 44 3.3.3 Sử dụng thêm nguồn liệu khác 45 3.5 Huấn luyện mạng đề xuất 45 3.6 Đánh giá hiệu mạng nơ ron đề xuất 47 3.6.1 Đánh giá độ xác 47 3.6.2 Đánh giá độ phức tạp tính tốn 48 3.7 Cài đặt hệ thống demo 49 3.8 Kết luận chƣơng 51 KẾT LUẬN VÀ KIẾN NGHỊ 52 Kết luận 52 Kiến nghị 52 TÀI LIỆU THAM KHẢO 54 v DANH MỤC CÁC BẢNG Bảng 2.1 So sánh lọc nhỏ, lớn 27 Bảng 3.1 Kiến trúc mạng CNN đề xuất 42 Bảng 3.2 Thống kê tập liệu huấn luyện, kiểm thử đánh giá (testing) 45 Bảng 3.3 Các tham số trình huấn luyện 46 Bảng 3.4 Độ xác mơ hình mạng neuron đề xuất 47 Bảng 3.5 Tóm tắt độ phức tạp (số lƣợng tham số tầng toàn mạng) 49 Bảng 3.6 Một số kết thực nghiệm phát giả mạo khuôn mặt từ camera 50 vi DANH MỤC HÌNH Hình 1.1 Trí tuệ nhân tạo Hình 1.2 Học máy Hình 1.3 Phân loại học máy Hình 1.4 Mơ hình q khớp Hình 1.5 Mơ hình chƣa khớp Hình 1.6 Hệ thống giám sát 11 Hình 1.7 Xe không ngƣời lái [18] 11 Hình 1.8 Hệ thống nhận dạng[18] 11 Hình 1.9 ảnh rơ bốt sophia 13 Hình 1.10 Ảnh rô bốt phẫu thuật 13 Hình 1.11 Cơng nghệ thực tế ảo 14 Hình 1.12 Mẫu xe tơ tự lái đƣờng 14 Hình 1.13 Rơ bốt phục vụ 14 Hình 1.14 Nhận dạng mặt ngƣời 16 Hình 1.15 Bài tốn nhận dạng giả mạo ngƣời dùng 17 Hình 2.1 Mơ hình đề xuất báo [11] 22 Hình 2.2 Phép tốn tích chập 24 Hình 2.3 Ví dụ minh họa cấu trúc cuả mạng CNN 25 Hình 2.4: Minh họa tầng convolution 26 Hình 2.5 Minh họa phép nhân chập 3x3 27 Hình 2.6 Hàm ReLU 28 Hình 2.7 Minh họa hoạt động lớp pooling 29 Hình 2.8 Mơ hình lớp kết nối đầy đủ 30 Hình 2.9 Đồ thị hàm Sigmoid 31 Hình 2.10 Mơ hình hàm softmax 32 Hình 2.11 Kiến trúc mạng CNN đề xuất báo [1] 34 Hình 2.12 Kiến trúc mạng CNN [2] 35 Hình 2.13 Sơ đồ hệ thống mạng CNN [4] 36 vii Hình 2.14 Mơ cách dùng thơng tin depth rPPP để phát giả mạo khuôn mặt đƣợc trình bày [5] 38 Hình 3.1 Kiến trúc module Inception 41 Hình 3.2 Kiến trúc tổng quát mạng đề xuất 43 Hình 3.3 Một số ảnh thu thập đƣợc gán nhãn ảnh thật (“real images”) 44 Hình 3.4 Một số ảnh thu thập đƣợc gán nhãn ảnh giả (“Faked images”) 45 Hình 3.5 Hàm mục tiêu (loss) trình huấn luyện 46 Hình 3.6 Đồ thị độ xác (accuracy) tập kiểm thử (validation) 47 viii Base Conv 1x1x24 Conv 1x1x32 Conv 3x3 Conv 1x1x24 Conv 3x3x32 Conv 1x1x32 Conv 3x3x32 Conv 3x3x32 Concat Hình 3.1 Kiến trúc module Inception Mơ hình mạng học sâu đề xuất đƣợc mơ tả nhƣ sau (Hình 3.2 Bảng 3.1) Ảnh đầu vào đƣợc chuẩn hóa kích thƣớc: 128  128  (ảnh màu, kích thƣớc 128  128) - Gồm tầng nhân chập với kích thƣớc lọc: 33 bƣớc nhảy(stride=2), đặt tên từ conv1 đến conv5 Do vậy, kích thƣớc khối neuron đầu bị giảm 50% mặt phẳng không gian ảnh Số lƣợng filter tầng phụ thuộc đƣợc tối ƣu để có lợi hiệu tính tốn đƣợc mơ tả chi tiết Bảng 3.1 - Xen kẽ tầng nhân chập tầng Inception module Chú ý rằng, tầng Inception không thay đổi số lƣợng filter đầu tầng trƣớc đó.Tuy nhiên, chúng tơi thực số thay đổi nhỏ kiến trúc khối Inception để giảm độ phức tạp tính tốn giảm thiểu ảnh hƣởng tƣợng overfitting Cụ thể, nhánh khối Inception, khối có số lƣợng filter (bộ lọc) 32 thay 16 (giảm 50% số lƣợng lọc) 41 Bảng 3.1 Kiến trúc mạng CNN đề xuất TT Layer Conv1 Inception1 Conv2 Inception2 Conv3 Inception3 Conv4 Inception4 Conv5 10 Inception5 Kernel: Size, #Filter,Stride ×3,16, ×3,24, ×3,32, ×3,48, ×3,64, 11 Flatten 12 FC1 13 Dropout (keep_prob=0.5) 14 FC2 15 Binary Cross Entropy Loss Input Output 128 × 128 × 64× 64× 16 64× 64× 16 64× 64× 16 64× 64× 16 32 × 32× 24 32 × 32× 24 32 × 32× 24 32 × 32× 24 16 × 16 × 32 16 × 16 × 32 16 × 16 × 32 16 × 16 × 32 × × 48 × × 48 × × 48 × × 48 × × 64 × × 64 × × 64 × × 64 1,024 1,024 96 96 - Phía cuối mạng tầng biển đổi đầu thành định dạng phẳng (Flatten) tầng kết nối đầy đủ FC (Fully Connected) Tầng FC1 có 96 neuron đầu ra, đóng vai trị nhƣ vector đặc trƣng Tầng FC2 có neuron ra, đóng vai trị xác suất dự đốn ảnh đầu vào “real” hay “faked” - Do liệu huấn luyện khơng đủ nhiều, mơ hình dễ bị rơi vào tƣợng học nhớ (overfitting) Để xử lý vấn đề này, áp dụng phƣơng pháp Dropout (dùng để loại bỏ 50% cách ngẫu nhiên số lƣợng tham số kiến trúc mạng) Do vậy, khắc phục đƣợc tốn liệu khơng đầy đủ 42 Hàm mục tiêu gắn với toán phân lớp nhị phân mơ hình hàm Cross Entropy hai lớp Hình 3.2 Kiến trúc tổng quát mạng đề xuất 3.3 Xây dựng liệu huấn luyện 3.3.1 Quy trình thu thập liệu khn mặt học sinh Bộ liệu thu thập học sinh trƣờng THPT Quảng Xƣơng Bộ liệu có tên HOCSINH, liệu đƣợc chụp với điện 43 thoại IP với độ phân giải bình thƣờng Dữ liệu ảnh đƣợc chụp với điều kiện ảnh sáng khác với góc chụp khác khn mặt ví dụ: chụp thẳng diện, chụp nghiêng, chụp có tóc che ngang, chụp cuối mặt Tập liệu HOCSINH đƣợc chụp từ 1200 học sinh khác trƣờng THPT Quảng Xƣơng Mỗi học sinh đƣợc chụp lấy khoảng 5-6 mẫu khn mặt khác Trong ngồi chúng tơi lấy thêm mẫu ảnh khác chứa mặt ngƣời đối tƣợng khác Hình 3.3 Một số ảnh thu thập đƣợc gán nhãn ảnh thật (“real images”) 3.3.2 Gán nhãn cho liệu Các ảnh chụp trực tiếp qua lần thu nhận ảnh đƣợc gán ảnh thật “real faces” (không giả mạo) Đối với ảnh giả mạo, tạo quay lại video đối tƣợng, sau đặt video trƣớc camera lần Dùng thuật tốn dị tìm khn mặt để cắt phần khuôn mặt lƣu thành tệp ảnh, gán thành lớp “faked faces” gán thành lớp “Real” Một số ảnh giả đƣợc tạo cách đƣa ảnh tĩnh đối tƣợng lên trƣớc camera lặp lại quy trình 44 3.3.3 Sử dụng thêm nguồn liệu khác Để tăng cƣờng liệu huấn luyện, sử dụng thêm nguồn liệu khác nhƣ sau: - Dữ liệu Face Antispoofing Trung Quốc22: Gồm 6100 ảnh “faked faces” 4050 ảnh “real faces” - Dữ liệu Face Antispoofing từ báo [14]: Gồm 7000 ảnh “faked faces” hay “spoof faces” 1200 ảnh “real faces” Tổng hợp nguồn liệu, xây dựng tập huấn luyện kiểm thử (validation) trình huấn luyện, tập test (sau huấn luyện) nhƣ sau (Bảng 3.2): Bảng 3.2 Thống kê tập liệu huấn luyện, kiểm thử đánh giá (testing) Training Validation Testing Real faces 8100 400 329 Faked faces 9000 2500 4435 Hình 3.4.Một số ảnh thu thập đƣợc gán nhãn ảnh giả (“Faked images”) 3.5 Huấn luyện mạng đề xuất Mạng đề xuất đƣợc huấn luyện tập liệu (mô tả Bảng 3.2), kiến trúc máy GPU nhƣ sau: - Máy GPU: GTX 1070, GB RAM, Core i7-7700 @ 4.2GHz https://github.com/JinghuiZhou/awesome_face_antispoofing 22 45 - Các tham số huấn luyện: chi tiết Bảng 3.3.Chú ý rằng, sử dụng phƣơng pháp giảm bƣớc học (learning rate) cách tự động hàm Cosine, không gán thủ công tuyến tính nhƣ nhiều phƣơng pháp truyền thống khác Bảng 3.3 Các tham số trình huấn luyện Tham số Giá trị BatchSize 32 init learning rate 0.025 num training step 40,000 Ghi Cosine decay strategy Hình 3.5 hiển thị trình thay đổi giá trị hàm mục tiêu mạng đề xuất Chúng ta thấy kiến trúc mạng học nhanh, sau 40K bƣớc hội tụ ổn định Kết kiểm thử q trình huấn luyện đạt độ xác 88% (Hình 3.6) Hình 3.5 Hàm mục tiêu (loss) trình huấn luyện 46 Hình 3.6 Đồ thị độ xác (accuracy) tập kiểm thử (validation) 3.6 Đánh giá hiệu mạng nơ ron đề xuất 3.6.1 Đánh giá độ xác Để đánh giá độ xác mơ hình mạng đề xuất, chúng tơi chạy mơ hình tập liệu đánh giá (testing) đƣợc mô tả bảng 3.2 Độ xác đƣợc tính tỉ lệ phần trăm số câu trả lời tổng số ảnh tập đánh giá Bảng 3.4 tóm tắt độ xác mơ hình đề xuất: Bảng 3.4 Độ xác mơ hình mạng neuron đề xuất Dữ liệu Độ xác Tập Real Faces Tập Faked Faces Toàn (329) (4435) (4,764) 62.9% 92.7% 90.6% Theo Bảng 3.4, hệ thống đạt độ xác trung bình 90.6% Khi xem xét kỹ kết tập Real Faces Faked Faces, có số nhận xét nhƣ sau - Hệ thống hoạt động tốt tập Faked Faces hiệu tập Real Faces - Hiện tƣợng phù hợp với ngữ cảnh thực tế thƣờng kỳ vọng hệ thống nhạy cảm việc phát trƣờng hợp giả so với việc phát nhầm khuôn mặt thật ảnh giả 47 Chúng ta mong muốn có hội làm giả nào, việc phải đƣợc hệ thống phát ngăn chặn.Ngƣợc lại, đối tƣợng cần xác thực hệ thống không chấp nhận hay phủ nhận chấp nhận đƣợc ngữ cảnh ứng dụng thực tế Thông tin tệp log chạy từ hệ thống: test_real/ : 329 images + Final: class0 = 0.3708206686930091 + Final: class1 = 0.6291793313069909 test_fake/ : 4435 images + Final: class0 = 0.9276211950394588 + Final: class1 = 0.07237880496054115 3.6.2 Đánh giá độ phức tạp tính tốn Để đánh giá độ phức tạp tính tốn mơ hình mạng đề xuất, chúng tơi phân tích mơ hình qua tổng số tầng mạng, số phép toán nhân chập số lƣợng trọng số tầng, tồn mơ hình Bảng 3.5 tóm tắt giá trị thống kê liên quan đến độ phức tạp tính tốn mơ hình đề xuất Theo đó, mơ hình gọn nhẹ hiệu quả, tổng số trọng số không nhiều Các phép nhân chập chủ yếu thực mặt nạ có kích thƣớc nhỏ (3   1) Chẳng hạn, xét tầng đầu tiên, ta thực nhân chập 16 mặt nạ (filters) ảnh đầu vào có kích thƣớc 128  128  độ phức tạp tính tốn là: 128  128   16  = 7,077,888 phép tính (số thực) sử dụng mặt nạ  Nếu đặt kích thƣớc ảnh đầu vào N  N độ phức tạp tính tốn tầng là: O(432N2) Một cách tƣơng đƣơng, đánh giá độ phức tạp mơ hình mạng qua tổng số tham số mặt nạ tầng nhân chập  Về mặt nhớ, mơ hình có kích thƣớc nhẹ, 2.8 MB Có thể nạp chạy máy CPU nhỏ gọn có lực tính tốn thấp 48 Bảng 3.5 Tóm tắt độ phức tạp (số lƣợng tham số tầng toàn mạng) TT Layer Kernel: Size, Input #Filter,Stride Output 128 × 128 × 64× 64× 16 Số lƣợng tham số 3 16 16 = 448 Conv1 ×3,16, Conv2 ×3,24, 64× 64× 16 32 × 32× 24 Conv3 ×3,32, 32 × 32× 24 16 × 16 × 32 ×3×32×24+32=6944 Conv4 ×3,48, 16 × 16 × 32 × × 48 ×3×48×32+48=13872 Conv5 ×3,64, × × 48 × × 64 ×3×64×48+64=27712 ×3×24×16+24=3480 11 Flatten × × 64 1,024 12 FC1 1,024 96 1024×96+96 = 98400 14 FC2 96 96×2+2 = 194 15 Tổng trọng số 151050 * Về mặt thời gian xử lý, tốc độ chạy mơ hình mạng đề xuất nguồn liệu video cho thấy mô hình có tốc độ xử lý đạt khoảng 65 FPS cấu hình Core i7-7700 @ 4.2GHz (khơng tính thời gian đọc ảnh vào nhớ) 3.7 Cài đặt hệ thống demo Chúng tơi tích hợp hệ thống đề xuất với dị tìm khn mặt ảnh hiển thị kết gồm: - Hình chữ nhật bao quanh khn mặt dị tìm ảnh - Nhãn khuôn mặt “Real” hay “Faked” - Độ tự tin hay xác suất câu trả lời hệ thống (độ tự tin việc dự đốn khn mặt “Real” hay “Faked”) 49 Bảng 3.6 Một số kết thực nghiệm phát giả mạo khuôn mặt từ camera (a) (b) (c) (d) (e) (f) (g) (h) (k) Khuôn mặt thật trƣớc camera, (b) khuôn mặt giả tạo đƣợc in từ ảnh, (c) khuôn mặt giả tạo đƣợc chụp điện thoại Khuôn mặt giả tạo đƣợc chụp điện thoại, (e) khuôn mặt giả tạo đƣợc in từ ảnh 50 Khuôn mặt thật trƣớc camera Khuôn mặt giả mạo đƣợc in từ ảnh nhƣng báo mặt thật, (h) Khuôn mặt thật camera không phát đƣợc giả mạo, (k) khuôn mặt giả mạo đƣợc in từ ảnh nhƣng camera báo khuôn mặt thật 3.8 Kết luận chương Trong chƣơng tơi trình bày kiến trúc mạng neuron nhân tạo học sâu để giải toán phát giả mạo xác thực ngƣời dùng đặc trƣng khuôn mặt Mạng neuron đề xuất khai thác ƣu điểm tầng nhân chập (Conv layer), loại bỏ tầng Max Pooling, bổ sung tầng Inception để học đặc trƣng khuôn mặt theo chiều rộng chiều sâu, giúp tăng cƣờng thơng tin ngữ cảnh đối tƣợng Ngồi ra, kiến trúc mạng đề xuất áp dụng kỹ thuật Dropout với xác suất loại bỏ trọng số cách ngẫu nhiên (50% loại bỏ) nhằm hạn chế ảnh hƣởng tƣợng học nhớ (overfitting) Điều hữu ích với trƣờng hợp liệu ít, khơng đầy đủ Kết huấn luyện mơ hình cho thấy độ xác tốt (90.6%) hoạt động ổn định, nhẹ, thời gian xác thực nhanh, đáp ứng ràng buộc thời gian thực Chúng tích hợp mơ hình đề xuất với mạng dị tìm khn mặt ảnh để xây dựng ứng dụng demo tính hệ thống Có thấy nhận diện khuôn mặt vấn đề quan trọng có ý nghĩa khoa học nhƣ sống thƣờng ngày Hi vọng ngày có nhiều cơng nghệ ứng dụng lĩnh vực 51 KẾT LUẬN VÀ KIẾN NGHỊ Kết luận Sau thời gian học tập nghiên cứu, dẫn giáo viên hƣớng dẫn Luận văn giải toán phát số hình thức phƣơng pháp xác thực cách giả mạo khuôn mặt hệ thống nhận dạng mặt ngƣời Luận văn cung cấp trình bày sở lý thuyết đầy đủ chi tiết ngữ cảnh toán, phạm vi ứng dụng, vấn đề kỹ thuật thời gian xử lý Sau đó, luận văn trình bày cách tiếp cận chính, chủ yếu tập trung lĩnh vực trí tuệ nhân tạo, mạng học sâu, máy học, để giải toán Luận văn đáp ứng đƣợc số mục tiêu nhƣ là: Xây dựng tập liệu huấn luyện bổ sung cho mơ hình mạng neuron học sâu để giải đƣợc tốn phát giả mạo khn mặt, có nghĩa cho phép phân biệt đƣợc ảnh từ khuôn mặt thật ảnh chụp lại video có sẵn Trình bày tổng quan cách tiếp cận đại cho toán nhận dạng giả mạo khn mặt, nêu rõ ƣu, nhƣợc điểm Đề xuất mạng nhân chập, tổ chức huấnluyện mạng, đánh giá mạng báo cáo kết kiểm thử thu đƣợc Kết huấn luyện mơ hình cho thấy độ xác tốt, hoạt động ổn định, nhẹ, thời gian xác thực nhanh, đáp ứng ràng buộc thời gian thực + Xây dựng sản phẩm demo có tính hệ thống Kiến nghị Bên cạnh vấn đề đạt đƣợc, đề tài cần đƣợc hoàn thiện phát triển thêm vấn đề sau: Nghiên cứu cải tiến thuật toán nhằm việc nhận dạng khuôn mặt giả mạo đƣợc tốt + Thu thập thêm mẫu ảnh khuôn mặt cho liệu huấn luyện đồng 52 thời thực nghiệm tìm đƣợc mơ hình có độ xác cao nhằm nâng cao độ xác hệ thống Hƣớng tới tích hợp vào ứng dụng tạo phần mềm hỗ trợ cho việc quản lí 53 TÀI LIỆU THAM KHẢO Tài liệu tiếng Việt [1] Phạm Thế Anh (chủ biên), PGS.TS Nguyễn Mạnh An, PGS.TS Đỗ Năng Tồn (2017), Giáo trình xử lí ảnh, tr.177- 180, Nhà xuất giáo dục Việt Nam [2] Hoàng Văn Dũng (2018), Nhận dạng xử lý ảnh tr 197- 205, Nhà xuất khoa học kỹ thuật Tài liệu tiếng Anh [3] Aziz Alotaib and Ausif Mahmood (2017), "Deep face liveness detection based on nonlinear diffusion using convolution neural network", SIViP 11, 713-720 [4] Saptarshi Chakraborty and Dhrubajyoti Das (2014), An overview of face liveness detection.arXiv preprint arXiv:1405.2227 12 [5] Chingovska, I, Anjos, A., Marcel (2012), S: On the effectiveness of local binary patterns in face anti-spoofing In: BIOSIG—Proceedings of the International Conference of the Biometrics Special Interest Group (BIOSIG), pp 1-7 11 [6] Tiago de Freitas Pereira, Andre Anjos, Jose Mario De Martino, and Sebastien Marcel (2012) Lbp- top based countermeasure against face spoofing attacks In Asian Conference on Computer Vision, pages 121132 Springer, [7] Tiago de Freitas Pereira, Andre Anjos, Jose Mario De Martino, and Sebastien Marcel (2013) Can face anti-spoofing countermeasures work in a real world scenario? In 2013 international conference on biometrics (ICB), pages 1-8 IEEE, [8] Jukka Maatta, Abdenour Hadid, and Matti Pietikinen (2011), Face spoofing detection from single images using micro-texture analysis In 2011 international joint conference on Biometrics (IJCB), pages 1-7 IEEE, [9] Keyurkumar Patel, Hu Han, and Anil K Jain (2016) Secure face unlock: 54 Spoof detection on smartphones IEEE Transactions on Information Forensics and Security, 11(10): 2268-2283 [10] Szegedy, C, Wei Liu, Yangqing Jia, Sermanet, P, Reed, S, Anguelov, D, Erhan, D, Vanhoucke, V, Rabinovich (2015), A: Going deeper with convolutions In: 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp 1- 14 [11] Denis Timoshenko; Konstantin Simonchik; Vitaly Shutov; Polina Zhelezneva; Valery Grishkin (2019) “Large Crowdcollected Facial Anti-Spoofing Dataset” Computer Science and Information Technologies (CSIT), pp 208-211 13 [12] Xiaoguang Tu, Hengsheng Zhang, Mei Xie, Yao Luo, Yuefei Zhang, Zheng Ma “Deep Transfer Across Domains for Face Anti-spoofing” [13] Jianwei Yang, Zhen Lei, Shengcai Liao, and Stan Z Li (2013) Face liveness detection with component dependent descriptor In 2013 International Conference on Biometrics (ICB), pages 1-6 IEEE, 10 [14] Peng Zhang, Fuhao Zou, Zhiwen Wu, Nengli Dai, Skarpness Mark, Michael Fu, Juan Zhao, Kai Li (2019), “FeatherNets: Convolutional Neural Networks as Light as Feather for Face Anti-spoofing”, [15] Shifeng Zhang, Xiaobo Wang, Ajian Liu, Chenxu Zhao, Jun Wan, Sergio Escalera, Hailin Shi, Zezheng Wang, Stan Z Li (2015), "A Dataset and Benchmark for Large-scale Multi-modal Face Anti spoofing" [16] Zhang, S, Wang, X, Lei, Z., Li, S (2019) Z: Faceboxes: A cpu real-time and accurate unconstrained face detector Neurocomputing 364, 297-309 15 55