Phát hiện mặt người và xác định danh tính bằng kỹ thuật học sâu hỗ trợ công tác giám sát điểm danh học sinh

BỘ GIÁO DỤC VÀ ĐÀO TẠO UBND TỈNH THANH HÓA TRƯỜNG ĐẠI HỌC HỒNG ĐỨC NGUYỄN THỊ MAI HƯƠNG PHÁT HIỆN MẶT NGƯỜI VÀ XÁC ĐỊNH DANH TÍNH BẰNG KỸ THUẬT HỌC SÂU HỖ TRỢ CÔNG TÁC GIÁM SÁT ĐIỂM DANH HỌC SINH LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN THANH HÓA, NĂM 2019 BỘ GIÁO DỤC VÀ ĐÀO TẠO UBND TỈNH THANH HÓA TRƯỜNG ĐẠI HỌC HỒNG ĐỨC NGUYỄN THỊ MAI HƯƠNG PHÁT HIỆN MẶT NGƯỜI VÀ XÁC ĐỊNH DANH TÍNH BẰNG KỸ THUẬT HỌC SÂU HỖ TRỢ CÔNG TÁC GIÁM SÁT ĐIỂM DANH HỌC SINH LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN Chuyên ngành: Khoa học máy tính Mã số: 8480101 Người hướng dẫn khoa học: TS HỒNG VĂN DŨNG THANH HĨA, NĂM 2019 i LỜI CAM ĐOAN Tôi xin cam đoan luận văn “Phát mặt người xác định danh tính kỹ thuật học sâu hỗ trợ công tác giám sát điểm danh học sinh” đề tài nghiên cứu cá nhân tơi hướng dẫn TS Hồng Văn Dũng, trung thực không chép tác giả khác Trong toàn nội dung nghiên cứu luận văn, vấn đề trình bày tìm hiểu nghiên cứu cá nhân tơi 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 25 tháng 08 năm 2019 Người cam đoan Nguyễn Thị Mai Hương ii LỜI CẢM ƠN Trước tiên em xin gửi lời cảm ơn xâu sắc đến Thầy hướng dẫn, Ts Hồng Văn Dũng tận tình hướng 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, Trường đại học Hồng Đức, người 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 trường THPT Hàm Rồng – TP Thanh Hóa tạo điều kiện thời gian để tơi hồn thành chương trình học Sau xin gửi lời cảm ơn đến gia đình, bạn bè bạn học viên lớp thạc sĩ khoa học máy tính khóa 2017-2019 ln động viên, giúp đỡ q trình học tập làm luận văn Mặc dù thân cố gắng nghiên cứu với khả kiến thức có hạn nên khơng tránh khỏi thiếu sót Rất mong nhận góp ý quý báu từ Q Thầy, Cơ để luận văn hồn chỉnh Một lần em xin chân thành cảm ơn! Học viên Nguyễn Thị Mai Hương iii MỤC LỤC MỞ ĐẦU 1 Lý chọn đề tài Mục đích đề tài Đối tượng phạm vi nghiên cứu 3.1 Đối tượng nghiên cứu đề tài 3.2 Phạm vi nghiên cứu Phương pháp nghiên cứu 4.1 Phương pháp nghiên cứu lý thuyết 4.2 Phương pháp nghiên cứu thực nghiệm Dự kiến kết đạt Cấu trúc luận văn CHƯƠNG TỔNG QUAN VỀ CÁC KỸ THUẬT XỬ LÝ ẢNH, HỌC MÁY 1.1 Một số kỹ thuật xử lý ảnh 1.1.1 Các bước trình xử lý ảnh 1.1.2 Một số hệ màu phổ biến 1.1.3 Phân loại ảnh 1.1.4 Các phép biến đổi ảnh 1.1.4.1 Lược đồ ảnh (Histogram) 1.1.4.2 Cân lược đồ ảnh (Histogram equalization) 1.1.4.3 Điều chỉnh mức sáng (Brightness adjustment) 1.1.4.4 Điều chỉnh độ tương phản 10 1.1.4.5 Biến đổi ảnh màu đa mức xám 10 1.2 Học máy (Machine learning) 13 1.2.1 Dữ liệu huấn luyện liệu kiểm thử học máy 13 1.2.2 Một số phương pháp học máy 13 1.3 Mạng nơ-ron nhân tạo 15 1.4 Máy phân loại hỗ trợ vector SVM 18 1.5 Máy phân loại tăng cường Boosting 20 1.6 Các phương pháp trích xuất biểu diễn đặc trưng 22 1.6.1 Trích chọn biên phương pháp Canny 22 1.6.2 Trích chọn đặc trưng Haar 24 1.6.3 Trích chọn đặc trưng HOG 27 iv 1.7 Ứng dụng học máy kỹ thuật xử lý ảnh thực tế 36 CHƯƠNG KỸ THUẬT HỌC SÂU TRONG ĐỊNH DANH HỌC SINH 37 2.1 Phát biểu tốn nhận diện khn mặt để xác định danh tính học sinh 37 2.2 Giải pháp nhận dạng danh tính học sinh 38 2.2.1 Giải pháp tổng thể 38 2.2.2 Các phương pháp học máy phát mặt người 39 2.3 Xây dựng mạng học sâu 41 2.4 Kỹ thuật tăng cường liệu 43 CHƯƠNG THỰC NGHIỆM ĐÁNH GIÁ 45 3.1 Cài đặt chương trình 45 3.1.1 Mơi trường cơng cụ lập trình 45 3.1.2 Định nghĩa cấu trúc mạng CNN 46 3.2 Phân tích, đánh giá kết thực nghiệm 48 3.2.1 Thực nghiệm liệu Staffhome 49 3.2.2 Thực nghiệm liệu AT&T_faces 52 3.2.3 Thực nghiệm liệu tự tạo 55 3.3 Một số ví dụ minh họa thực nghiệm nhận dạng danh tính người 58 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 61 Kết đạt 61 Hướng phát triển 61 TÀI LIỆU THAM KHẢO 62 Tiếng Anh 62 Tiếng Việt 62 v DANH MỤC TỪ VIẾT TẮT ANN Artificial Neural Network CNN Convolutional Neural Network DNN Deep neural network SVM Support vector machine vi DANH MỤC BẢNG BIỂU Bảng 2.1 Kiến trúc học sâu gồm 23 lớp ẩn, lớp đầu vào lớp đầu 43 Bảng 2.2 Tăng độ xác nhờ tăng cường liệu 44 Bảng 3.1 Một số framework hỗ trợ kỹ thuật học sâu 46 Bảng 3.2 Kết thực nghiệm liệu Staffhome 50 Bảng 3.3 So sánh kết nhận dạng HOG+SVM CNN 52 Bảng 3.4 Kết thực nghiệm liệu AT&T 53 Bảng 3.5 So sánh kết nhận dạng HOG+SVM CNN 54 Bảng 3.6 Thứ tự tên học sinh sử dụng thực nghiệm 57 Bảng 3.7 So sánh kết nhận dạng HOG+SVM CNN 57 vii DANH MỤC HÌNH ẢNH Hình 1.1 Sơ đồ hệ thống xử lý ảnh Hình 1.2 Biểu diễn hệ màu RGB khối hộp lập phương Hình 1.3 Hình không gian màu HSV Hình 1.4 Mặt phẳng thể màu theo Cb Cr với hệ số Y’=0.5 Hình 1.5 Sơ đồ tổng quát hệ thống biến đổi ảnh Hình 1.6 Lược đồ ảnh đa mức xám Hình 1.7 Cân Histogram Hình 1.8 Điều chỉnh độ sáng ảnh Hình 1.9 Điều chỉnh độ tương phản ảnh 10 Hình 1.10 Chuyển đổi hệ màu từ RGB thành grayscale 11 Hình 1.11 Mơ hình học có giám sát 13 Hình 1.12 Kiến trúc tổng quát ANN 16 Hình 1.13 Quá trình xử lý thông tin ANN 16 Hình 1.14 Hàm chuyển đổi 17 Hình 1.15 Phân chia lớp không gian hai chiều 18 Hình 1.16 Margin SVM 19 Hình 1.17 Minh họa tìm cực đại cục theo hướng gradient 23 Hình 1.18 Mơ tả đặc trưng Haar-Like 25 Hình 1.19 Đặc trưng Haar-like 25 Hình 1.20 Đặc trưng cạnh 25 Hình 1.21 Đặc trưng đường 25 Hình 1.22 Đặc trưng xung quanh tâm 26 Hình 1.23 Sơ đồ q trình trích rút đặc trưng HOG 27 Hình 1.24 Đưa tất hình ảnh tập liệu kích thước chung 28 Hình 1.25 Kết thu sau bước 29 Hình 1.26 Các block xếp chồng lên 30 Hình 1.27 Chuẩn hóa histogram thành phần theo khối (block) 31 Hình 1.28 Tính tốn đặc trưng HOG cell 31 Hình 1.29 Xây dựng biểu đồ cường độ gradients cell 32 Hình 1.30 Biểu đồ kết cường độ gradients cell 32 viii Hình 1.31 Minh họa ảnh hưởng việc chuẩn hóa tới vector gradient 33 Hình 1.32 Mỗi block chứa cells với bins/cell 35 Hình 2.1 Sơ đồ tổng qt q trình nhận dạng khn mặt 37 Hình 2.2 Sơ đồ tổng quát giải pháp xác định danh tính học sinh 38 Hình 2.3 Mơ hình mạng Neural theo Rowley 40 Hình 2.4 Ví dụ tăng cường hình liệu hình ảnh 44 Hình 3.1 Kết huấn luyện mạng CNN 49 Hình 3.2 Một số mẫu ảnh liệu staffhome 51 Hình 3.3 Ma trận chéo tỷ lệ nhận dạng tên người liệu Staffhome 51 Hình 3.4 So sánh HOG+SVM CNN kết độ xác nhận dạng theo người với liệu Staffhome 52 Hình 3.5 Một số ví dụ khuôn mặt liệu ATT-face 53 Hình 3.6 Ma trận chéo tỷ lệ nhận dạng tên người liệu AT&T 54 Hình 3.7 So sánh HOG+SVM CNN kết độ xác nhận dạng theo người với liệu ATT-faces 55 Hình 3.8 Một số khuôn mặt học sinh 57 Hình 3.9 Ma trận chéo tỷ lệ nhận dạng tên người liệu tự tạo 30 học sinh 58 Hình 3.10 So sánh HOG+SVM CNN kết độ xác nhận dạng theo người với liệu tự tạo 58 Hình 3.11 Một số kết phát mặt xác định tên học sinh lớp 10A10, trường THPT Hàm Rồng 59 Hình 3.12 Ảnh chụp tổng thể học sinh ngồi lớp học hướng từ mép bảng đen zoom chụp xa 59 Hình 3.13 Ảnh chụp tổng thể học sinh ngồi lớp học hướng trần xuống zoom cận mặt 60 Hình 3.14 Ảnh chụp lớp tập trung theo hàng với khoảng cách hàng liền kề gần 60 50 Trong luận văn này, chúng tơi sử dụng tiêu chí đánh giá hiệu thuật tốn độ xác (accuracy), xác định theo công thức số mẫu nhận dạng số mẫu lớp, độ xác toàn tập mẫu đánh giá tính tương tự xét cho tồn số lượng mẫu đánh giá Cơng thức tính độ xác sau [32]: AC  ND ND  SN Trong đó: AC độ xác, ND số mẫu nhận dạng lớp nó, NS số mẫu nhận dạng bị sai Kết thực nghiệm đánh sau: Số mẫu dùng cho huấn luyện 2101 Số mẫu dùng cho đánh giá 1393 Thời gian huấn luyện 1226.22 giây Thời gian nhận dạng 650.13 giây Độ xác 98.99% Bảng 3.2 Kết thực nghiệm liệu Staffhome 51 Hình 3.2 Một số mẫu ảnh liệu staffhome Hình 3.3 Ma trận chéo tỷ lệ nhận dạng tên người liệu Staffhome 52 Hình 3.4 So sánh HOG+SVM CNN kết độ xác nhận dạng theo người với liệu Staffhome Phương pháp Tập huấn luyện Tập đánh giá Độ xác HOG+SVM 2101 1393 98.84 Giải pháp đề xuất CNN 24398 1393 98.99 Bảng 3.3 So sánh kết nhận dạng HOG+SVM CNN 3.2.2 Thực nghiệm liệu AT&T_faces Tập liệu AT&T_faces tạo lập nhóm nghiên cứu phịng thí nghiệm AT&T trường Đại học Cambridge [8],[33] Cơ sở liệu có 400 mẫu ảnh, người lấy mẫu có 10 ảnh khác lưu trữ vào thư mục độc lập cho người Đối với số đối tượng, hình ảnh chụp vào thời điểm khác nhau, thay đổi ánh sáng, nét mặt (mắt mở/ nhắm, mỉm cười/ khơng cười) khn mặt có đeo kính khơng đeo kính Tất hình ảnh chụp với đồng tối với đối tượng vị trí thẳng đứng, phía trước (với thư khoan dung, số chuyển động, thay đổi bên khuôn mặt Các mẫu ảnh lưu với định dạng PGM với ảnh đa mức xám Kích thước hình ảnh 92x112 pixel, với 256 cấp độ xám pixel Dữ liệu người lưu trữ thư mục ký hiệu tên “S1” đến “S40” 53 Một số mẫu sở liệu ảnh khuôn mặt AT&T_faces thể Hình 3.5 Hình 3.5 Một số ví dụ khn mặt liệu ATT-face Huấn luyện mơ hình nhận dạng Trong thực nghiệm này, sử dụng tỷ lệ 60% mẫu loại cho huấn luyện 40% cho đánh giá kiểm tra Khác với tập liệu Staffhome, mẫu liệu nhóm AT&T crop chứa tồn mặt đầu người Kết thực nghiệm đánh sau: Số mẫu dùng cho huấn luyện 240 Số mẫu dùng cho đánh giá 160 Thời gian huấn luyện 54.23 giây Thời gian Nhận dạng 20.18 giây Độ xác 88.13% Bảng 3.4 Kết thực nghiệm liệu AT&T 54 Hình 3.6 Ma trận chéo tỷ lệ nhận dạng tên người liệu AT&T Tập huấn Tập đánh luyện giá HOG+SVM 240 160 85,00% Giải pháp đề xuất CNN 6000 160 88.13% Phương pháp Độ xác Bảng 3.5 So sánh kết nhận dạng HOG+SVM CNN 55 Hình 3.7 So sánh HOG+SVM CNN kết độ xác nhận dạng theo người với liệu ATT-faces 3.2.3 Thực nghiệm liệu tự tạo Bộ liệu tạo lập gọi HOCSINH, thực cách chụp hình với camera có độ phân giải bình thường Dữ liệu ảnh khn mặt chụp tương đối trực diện với điều kiện ánh sáng khác Ảnh crop chuẩn hóa cho mẫu ảnh chứa toàn đầu với rõ mặt Tập liệu HOCSINH gồm 4.832 mẫu khuôn mặt chụp từ 30 học sinh khác lớp 10A10 trường THPT Hàm Rồng, thứ tự tên học sinh thể Bảng 3.6 Mỗi học sinh lấy mẫu khoảng từ 91 đến 189 mẫu ảnh khuôn mặt khác Ngồi ra, chúng tơi tạo lập thêm tập liệu khơng thuộc 30 học sinh nói gồm 251 mẫu ảnh gồm ảnh chứa mặt người đối tượng khác Như vậy, tập liệu dùng cho thực nghiệm 5.083 mẫu Một số mẫu khuôn mặt thể Hình 3.8 TT Họ tên học sinh #1 Cao Thị Phương Anh #2 Nguyễn Thị Phương Anh #3 Lưu Vũ Trâm Anh #4 Vũ Thị Phương Anh 56 #5 Nguyễn Thị Quỳnh Anh #6 Nguyễn Thị Lâm Anh #7 Đặng Châu Anh #8 Phạm Lan Anh #9 Lại Linh Chi #10 Nguyễn Đăng Dương #11 Đỗ Thị Quỳnh Diễm #12 Phạm Hoàng Huyền Diệp #13 Lê Linh Đan #14 Nguyễn Thị Mỹ Hằng #15 Lưu Thị Hương #16 Nguyễn Thị Thanh Hà #17 Nguyễn Lê Thu Hà #18 Lê Phương Hiền #19 Mai Thị Thanh Hiền #20 Lê Hồi #21 Lương Thị Mỹ Hịa #22 Trịnh Trung Kiên #23 Nguyễn Văn Lâm #24 Lê Thanh Lâm #25 Trịnh Thảo Linh #26 Trịnh Thùy Linh #27 Tạ Thị Thanh Loan #28 Trương Thị Khánh Ly 57 #29 Nguyễn Thị Trà My #30 Mai Thị Bảo Ngọc Bảng 3.6 Thứ tự tên học sinh sử dụng thực nghiệm Hình 3.8 Một số khuôn mặt học sinh Phương pháp Tập huấn luyện Tập đánh giá Độ xác HOG+SVM 1673 1114 92.18% Our CNN 18140 1114 96.14% Bảng 3.7 So sánh kết nhận dạng HOG+SVM CNN 58 Hình 3.9 Ma trận chéo tỷ lệ nhận dạng tên người liệu tự tạo 30 học sinh Hình 3.10 So sánh HOG+SVM CNN kết độ xác nhận dạng theo người với liệu tự tạo 3.3 Một số ví dụ minh họa thực nghiệm nhận dạng danh tính người Phần chúng tơi trình bày số kết minh họa phát khn mặt nhận dạng danh tính học sinh Dưới số kết nhận dạng danh tính theo tên học sinh dùng mơ hình nhận dạng huấn 59 luyện tập liệu thu thập từ thực tế học sinh lớp học Hình 3.11 Một số kết phát mặt xác định tên học sinh lớp 10A10, trường THPT Hàm Rồng Thử nghiệm tập liệu học sinh trường THPT khác với quy trình thu thập liệu, tổ chức huấn luyện đánh giá tương tự, ta có kết nhận dạng sau: Hình 3.12 Ảnh chụp tổng thể học sinh ngồi lớp học hướng từ mép bảng đen zoom chụp xa 60 Hình 3.13 Ảnh chụp tổng thể học sinh ngồi lớp học hướng trần xuống zoom cận mặt Hình 3.14 Ảnh chụp lớp tập trung theo hàng với khoảng cách hàng liền kề gần 61 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN Kết đạt Sau thời gian học tập, nghiên cứu, dẫn giáo viên hướng dẫn với học hỏi kinh nghiệm từ nhà nghiên cứu trước lĩnh vực xử lý ảnh học sâu, luận văn hoàn thành đạt kết sau: - Về lý thuyết: luận văn nghiên cứu, trình bày tổng quan lý thuyết xử lý ảnh số, kỹ thuật xử lý ảnh, kỹ thuật học máy, mơ hình học sâu CNN Nghiên cứu kỹ thuật nhận dạng mặt người để từ đề xuất hệ thống nhận diện hỗ trợ việc điểm danh học sinh - Về thực tiễn: + Luận văn xây dựng liệu 16314 ảnh khuôn mặt + Xây dựng hệ thống nhận diện khuôn mặt hỗ trợ cho việc điểm danh học sinh Hướng phát triển Bên cạnh vấn đề đạt được, đề tài cần hoàn thiện phát triển thêm vấn đề sau: - Thu thập thêm mẫu ảnh khuôn mặt cho liệu huấn luyện đồng thời thực nghiệm tìm mơ hình có độ xác cao nhằm nâng cao độ xác hệ thống - Nghiên cứu ứng dụng thêm kỹ thuật nhằm giảm thời gian xử lý nhằm hướng tới phát triển theo hướng xử lý theo thời gian thực 62 TÀI LIỆU THAM KHẢO Tiếng Việt [1] Phạm Thế Anh (Chủ biên), PGS.TS Nguyễn Mạnh An, PGS.TS Đỗ Năng Tồn, Giáo trình xử lí ảnh (Nhà xuất giáo dục Việt Nam) Nhà xuất giáo dục Việt Nam, 2017 [2] Lương Mạnh Bá Nguyễn Thanh Thủy, Nhập môn xử lý ảnh số (Nhà xuất khoa học kỹ thuật) Nhà xuất khoa học kỹ thuật, 2006 [3] Hoàng Văn Dũng, Nhận dạng xử lý ảnh (Nhà xuất khoa học kỹ thuật) Nhà xuất khoa học kỹ thuật, 2018 [4] Nguyễn Thị Phong Hoàng Văn Dũng, "Nghiên cứu kỹ thuật nhận dạng áp dụng hệ thống giám sát an ninh", Trường ĐHSP Kỹ thuật TPHCM Hồ Chí Minh, Trường ĐHSP Kỹ thuật TPHCM Hồ Chí Minh, 2017 [5] Đỗ Năng Tồn, Xử lý ảnh (Học viện bưu viên thơng) Học viện bưu viên thơng, 2006 Tiếng Anh [6] Ajmal Mian, "Illumination invariant recognition and 3D reconstruction of faces using desktop optics," Optics express, vol 19, no 8, pp 7491-7506, 2011 [7] Ajmal S Mian, "Shade face: multiple image-based 3D face recognition," in Computer Vision Workshops (ICCV Workshops), 2009 IEEE 12th International Conference on, 2009, pp 1833-1839: IEEE [8] Ferdinando Samaria and Andy Harter, "Face Recognition Using Hidden Markov Models," Cambridge University, Cambridge University, 1994 [9] Heba Ahmed Elnemr, Nourhan Mohamed Zayed, and Mahmoud Abdelmoneim Fakhreldein, "Feature extraction techniques: fundamental concepts and survey," Handbook of Research on Emerging Perspectives in Intelligent Pattern Recognition, Analysis, and Image Processing, p 264, 2015 63 [10] IJAEMS-MAR-2017-30-Attendance Monitoring System of Students Based on Biometric [11] Irwin Sobel, An Isotropic 3 Image Gradient Operator 2014 [12] J Canny, "A Computational Approach to Edge Detection," IEEE Trans Pattern Anal Mach Intell., vol 8, no 6, pp 679-698, 1986 [13] Nick Efford, Chapter 11: Morphological image processing in textbook: Digital image processing: a practical introduction using java Addison-Wesley Longman Publishing Co., Inc., 2000 [14] Nobuyuki Otsu, "A threshold selection method from gray-level histograms," IEEE transactions on systems, man, and cybernetics, vol 9, no 1, pp 62-66, 1979 [15] Navneet Dalal and Bill Triggs, "Histograms of oriented gradients for human detection," in Computer Vision and Pattern Recognition, 2005 CVPR 2005 IEEE Computer Society Conference on, 2005, vol 1, pp 886893: IEEE [16] Paul Viola and Michael Jones, "Rapid object detection using a boosted cascade of simple features," in Computer Vision and Pattern Recognition, 2001 CVPR 2001 Proceedings of the 2001 IEEE Computer Society Conference on, 2001, vol 1, pp I-I: IEEE [17] Ramesh Jain, Rangachar Kasturi, and Brian G Schunck, Machine vision McGraw-Hill, Inc., 1995, p 549 [18] Van-Dung Hoang, My-Ha Le, and Kang-Hyun Jo, "Hybrid cascade boosting machine using variant scale blocks based HOG features for pedestrian detection," Neurocomputing, vol 135, pp 357-366, 2014 [19] Yoav Freund, Robert Schapire, and Naoki Abe, "A short introduction to boosting," Journal-Japanese Society For Artificial Intelligence, vol 14, no 771-780, p 1612, 1999 Website [20]https://voer.edu.vn/m/cac-khong-gian-mau/f2ae523e 64 [21]https://vi.wikipedia.org/wiki/Kh%C3%B4ng_gian_m%C3%A0u_ HSB [22]https://vi.wikipedia.org/wiki/YcbCr [23]https://viblo.asia/p/tim-hieu-ve-phuong-phap-mo-ta-dac-trung-hoghistogram-of-oriented-gradients-V3m5WAwxZO7 [24]http://ictvietnam.vn/files/_layouts/biznews/uploads/file/Uploaded/a dmin/tong%20quan%20xac%20dinh%20khuon%20mat%20nguoi%20Pham %20the%20Bao.pdf [25]http://vi.wikipedia.org/wiki/Học_có_giám_sát [26]http://vi.wikipedia.org/wiki/Học_khơng_có_giám_sát [27]http://nawapi.gov.vn/index.php?option=com_content&view=article &id=3238%3Agii-thiu-tng-quan-v-mng-nron-nhan-to-artificial-neuralnetwork-ann&catid=70%3Anhim-v-chuyen-mon-ang-thchin&Itemid=135&lang=vi [28]https://viblo.asia/p/tim-hieu-ve-phuong-phap-nhan-dien-khuonmat-cua-violas-john-ByEZkNVyKQ0 [29]https://docs.opencv.org/3.3.1/da/d22/tutoria4l_py_canny.html [30]https://en.wikipedia.org/wiki/Comparison_of_deeplearning_software [31]http://staffhome.ecm.uwa.edu.au/~00053650/databases.html [32]https://en.wikipedia.org/wiki/Accuracy_and_precision [33]https://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html