Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống
1
/ 75 trang
THÔNG TIN TÀI LIỆU
Thông tin cơ bản
Định dạng
Số trang
75
Dung lượng
4,93 MB
Nội dung
i LỜI CAM ĐOAN Tôi xin cam đoan luận văn khơng trùng lặp với khóa luận, luận văn, luận án cơng trình nghiên cứu cơng bố Người cam đoan Ngô Mạnh Hùng ii LỜI CẢM ƠN Trước hết, tơi xin bày tỏ lịng biết ơn chân thành sâu sắc tới thầy TS Phạm Thế Anh người thầy trực tiếp hướng dẫn tận tình cho tơi suốt q trình học tập, nghiên cứu hồn thiện luận văn thạc sỹ Xin bày tỏ lịng biết ơn tới thầy trường ĐH Hồng Đức thầy cô mời tham gia giảng dạy lớp cao học Khoa học máy tính K10 – ĐH Hồng Đức tận tình dạy dỗ hướng dẫn cho suốt trình học tập, giúp cho tơi có thêm kiến thức bổ ích, định hướng cho tương lai Tôi xin gửi lời cảm ơn chân thành tới quan, đồng nghiệp VNPT Thanh Hóa tạo điều kiện để tơi dành thời gian học tập, nghiên cứu hướng mới, sử dụng sở vật chất, trang thiết bị triển khai thử nghiệm hoàn thiện luận văn Cuối xin chân thành cảm ơn tất bạn lớp, người thân sát cánh bên hỗ trợ nhiều trình học tập đời sống trình làm luận văn Bản thân tơi cố gắng hồn thành luận văn chắn khơng tránh khỏi sai sót Kính mong nhận bảo tận tình quý thầy cô bạn Tôi xin chân thành cảm ơn! Học viên Ngô Mạnh Hùng iii MỤC LỤC DANH MỤC TỪ VIẾT TẮT v DANH MỤC BẢNG BIỂU vi DANH MỤC HÌNH ẢNH vii MỞ ĐẦU CHƯƠNG 1: TỔNG QUAN 1.1 Tổng quan học máy 1.2 Bài toán phát mặt người 1.3 Các ứng dụng thực tiễn 1.4 Một số sản phẩm thương mại thị trường 1.5 Kế hoạch ứng dụng VNPT Thanh Hóa CHƯƠNG 2: BÀI TOÁN PHÁT HIỆN MẶT NGƯỜI THỜI GIAN THỰC 2.1 Giới thiệu toán 2.1.1 Bài toán phát mặt người thời gian thực 2.1.2 Các khó khăn tốn nhận dạng mặt người 11 2.1.3 Đánh giá hiệu hệ thống phát khuôn mặt 12 2.2 Phương pháp dựa xử lý ảnh, thị giác máy 13 2.2.1 Các kỹ thuật dựa đặc trưng HOG [32] 13 2.2.2 Kỹ thuật PCA [10] 15 2.2.3 Các kỹ thuật dựa đặc trưng Haar Cascade [20] 16 2.3 Phương pháp dựa mạng Neuron 18 2.3.1 Kỹ thuật Faster R-CNN 18 2.3.2 Kỹ thuật Single Shot MultiBox Detector [17] 23 2.3.3 Một số kỹ thuật khác 25 2.4 Kết luận 28 iv CHƯƠNG 3: GIẢI PHÁP ĐỀ XUẤT 29 3.1 Thiết kế mạng neuron nhân chập 29 3.1.1 Kiến trúc mạng 29 3.1.2 Cải tiến mạng CNN Faceboxes 31 3.1.3 Phương pháp huấn luyện 33 3.1.4 Đánh giá mơ hình 33 3.2 Thử nghiệm ứng dụng 35 3.2.1 Mô tả data set 35 3.2.2 Kết dò tìm khn mặt 36 3.2.3 Một số kết trực quan 37 3.3 Xây dựng ứng dụng 42 3.3.1 Kết ứng dụng 56 3.3.2 Kiểm soát giao dịch 58 3.3.3 Kết luận 59 KẾT LUẬN VÀ KIẾN NGHỊ 60 TÀI LIỆU THAM KHẢO 62 v DANH MỤC TỪ VIẾT TẮT STT Từ viết tắt Ý nghĩa AI Trí thông minh nhân tạo (Artifical Intelligence) BigData Cơ sở liệu lớn CNTT Công nghệ thông tin CSDL Cơ sở liệu CPU Đơn vị xử lý trung tâm (Central Prossesing Unit) ĐH Đại học GPU Đơn vị xử lý đồ họa (Graphics Processing Unit) IoT Internet vạn vật (Internet of Things) PC Máy tính cá nhân (Personal Computer) 10 SmartHome Hệ thống nhà thông minh 11 SmartStation Hệ thống nhà trạm thông minh 12 UI Giao diện người dùng (User Interface) 13 VNPT Tập đồn bưu viễn thơng Việt Nam (Vietnam Posts and Telecommunications Group) 14 VNPT IT Công ty Công nghệ thông tin VNPT vi DANH MỤC BẢNG BIỂU Bảng 3.1: Mô tả đầu vào đầu Faceboxes 32 Bảng 3.2: Bảng kết thử nghiệm mơ hình 36 vii DANH MỤC HÌNH ẢNH Hình 1.1: Triển khai ứng dụng VNPT Thanh hóa Hình 2.1: Sơ đồ khối hệ thống phát nhận dạng mặt người [31] Hình 2.2: Hệ thống nhận dạng mặt người [20] 17 Hình 2.3: Các đặc trưng Haar like [20] 18 Hình 2.4: Kiến trúc Faster R-CNN [28] 19 Hình 2.5: Thời gian xử lý Faster R-CNN [28] 20 Hình 2.6: Kiến trúc R-CNN [34] 21 Hình 2.7: Kiến trúc Fast R-CNN [34] 21 Hình 2.8: Slide window Faster R-CNN [34] 22 Hình 2.9: Kiến trúc Faster R-CNN [34] 23 Hình 2.10: Mơ hình SSD [25] 24 Hình 2.11: Kiến trúc sử dụng SSD [17] 24 Hình 2.12: Mơ tả feature map SSD [17] 25 Hình 2.13: Mơ hình YOLO [19] 26 Hình 2.14: Anchor box YOLO [21] 26 Hình 2.15: Chỉ số IoU [25] 27 Hình 3.1: Kiến trúc Faceboxes [30] 29 Hình 3.2: Anchorbox Faceboxes [30] 30 Hình 3.3: Hàm loss tọa độ (location) mơ hình 34 Hình 3.4: Hàm loss nhận dạng (face hay not face) mơ hình 34 Hình 3.5: Hàm loss toàn cục tập huấn luyện (màu đỏ) tập test (màu xanh) 35 Hình 3.6: Một số kết trực quan 42 Hình 3.7: Kiến trúc ứng dụng hệ thống 47 Hình 3.8: Thiết kế chức hệ thống 49 viii Hình 3.9: Mơ hình cài đặt, vận hành hệ thống 50 Hình 3.10: Máy tính PI 52 Hình 3.11: Giao diện quản lý người dùng 57 Hình 3.12: Quản lý danh mục đơn vị 57 Hình 3.13: Xem camera điểm giao dịch 58 Hình 3.14: Thống kê kiểm sốt giao dịch 58 MỞ ĐẦU Lý lựa chọn đề tài Viễn thơng Thanh Hóa đơn vị có địa bàn quản lý rộng khắp tỉnh, địa bàn rộng nhân đông Là đơn vị trực thuộc tập đồn VNPT, có định hướng chuyển dịch sang dịch sang dịch vụ CNTT nên tập đoàn đầu tư nguồn nhân lực CNTT Áp dụng công nghệ vào quản trị doanh nghiệp phát triển dịch vụ CNTT cho khách hàng Hiện nay, tập đồn có đầy đủ dịch vụ áp dụng cho lớp khách hàng khác từ khách hàng tổ chức doanh nghiệp, khách hàng cá nhân nhiều ngành nghề: Y tế, giáo dục, nông nghiệp, giao thông, tài nguyên môi trường, Với xu tập trung cho cách mạng công nghiệp 4.0, trụ cột hệ thống thơng minh (AI), Internet kết nối vạn vật (IoT) BigData Tập đoàn vừa thành lập công ty VNPT IT đầu mối quản trị, nghiên cứu phát triển giải pháp CNTT Các đơn vị thành viên có mối liên hệ chặt chẽ dây chuyền nghiên cứu, sản xuất, cung cấp hỗ trợ khách hàng dịch vụ CNTT Khơng nằm ngồi xu thế giới định hướng Tập đồn, VNPT Thanh Hóa đầu tư nguồn nhân lực CNTT nghiên cứu phát triển, sản xuất hệ thống thông minh Từ năm 2017, VNPT Thanh Hóa phối hợp với Trường ĐH Hồng Đức nghiên cứu giải pháp Nhà thông minh (SmartHome) bước đầu có kết tốt, áp dụng để quản lý nhà trạm viễn thông (SmartStation) triển khai thử nghiệm trạm, nghiên cứu triển khai rộng khắp tồn VNPT Thanh Hóa đề xuất sản phẩm thành phần mềm dùng chung cho tập đoàn VNPT, từ định hướng triển khai cho tất đơn vị thành viên Bên cạnh hồn thiện thương mại sản phẩm SmartHome Như vậy, nhà trạm VNPT Thanh Hóa đầu tư triển khai giải pháp quản lý nhà trạm thông minh, phòng bán hàng triển khai giám sát qua Camera thông minh Tuy nhiên, tất giao dịch VNPT Thanh Hóa lắp đặt Camera, mức độ giám sát thông thường mà chưa áp dụng giải pháp thơng minh Trong khi, với cơng nghệ có nhiều giải pháp thông minh để ứng dụng giám sát điểm giao dịch phục vụ cho mục đích quản trị doanh nghiệp, quan hệ khách hàng Việc giám sát, kiểm sốt điểm giao dịch thơng qua kỹ thuật phát mặt người ứng dụng Deep Learning có nhiều giải pháp hoàn thiện nhiên thường áp dụng phịng thí nghiệm giải pháp địi hỏi thiết bị cấu hình cao đơi với giá thành khơng rẻ Thường dạng siêu máy tính nhiều CPU máy tính có tích hợp Card đồ họa GPU để tính tốn song song Do vậy, chi phí đầu tư triển khai rộng khắp tốn không khả thi triển khai thực tế Trên sở hạ tầng sẵn có, đề xuất nghiên cứu kỹ thuật phát mặt người áp dụng máy tính thơng thường (CPU) phát mặt người thời gian thực Việc nghiên cứu áp dụng kỹ thuật phát mặt người thời gian thực có ý nghĩa quan trọng, giúp cho việc ứng dụng thực tế dễ dàng hơn, rộng rãi Bên cạnh đó, áp dụng kỹ thuật cho lớp toán tương tự dùng kỹ thuật học sâu triển khai thực tế với chi phí chấp nhận Mục đích nhiệm vụ nghiên cứu Nắm bắt xu hướng dịch vụ công nghệ, sở phân tích, đánh giá tồn tại, nhu cầu thực tế quản lý, kiểm soát điểm giao dịch Viễn thơng Thanh Hóa, đề tài nhằm mục đích kết nối kỹ thuật tiên tiến phát mặt người phịng thí nghiệm ứng dụng toán thực tế Áp dụng với thời gian thực góp phần giảm chi phí dễ dàng triển khai thương mại Đối tượng phạm vi nghiên cứu Trong phạm vi đề tài tập trung vào việc phát khuôn mặt từ camera mức thời gian thực sử dụng thuật toán AI có cải tiến Có nghĩa thuật tốn áp dụng phải có tốc độ đáp ứng nhanh gần 53 1.1 Bảng Donvi Tên trường Kiểu liệu Mô tả ma_dv int ten_donvi string diachi string thumuc string ma_dv_cha String Khóa bảng Tên đơn vị, theo phân cấp nhiều mức Mức gốc VNPT Thanh Hóa Địa đơn vị Thư mục lưu trữ liệu ảnh camera theo đơn vị Ma đơn vị cha/cấp đơn vị Bảng khách hàng: Nguoidung Mô tả: Chứa thông tin người dùng đăng nhập sử dụng chức hệ thống Các thông tin bảng: Tên trường Kiểu liệu Mô tả Mã định danh mã người dùng (có thể ma_nd bigint khách hàng, nhân viên triển khai, quản trị viên), nhất, khóa bảng ten_nd string Họ tên người sử dụng hệ thống diachi string Địa khách hàng/người dùng Mã đơn vị khách hàng/người dùng ma_dv int Trường liên kết với với Khóa Bảng Donvi 54 Tên trường Kiểu liệu Mô tả so_dt string Điện thoại khách hàng/người dùng email string Email khách hàng/người dùng ngay_dk DateTime Ngày đăng ký vào hệ thống ten_dangnhap string matkhau string otp String time_otp DateTime alive_otp int Tài khoản đăng nhập vào hệ thống, mã hóa trường Mật đăng nhập vào hệ thống, mã hóa trường Mật One Time Password Dùng để xác thực người dùng thêm mức bảo mật Thời gian tạo otp Giá trị tính phút Là khoảng thời gian giá trị otp hiệu lực (mặc định): khách hàng sử dụng sản phẩm hệ thống vaiTro int 1: quản trị viên 2: nhân viên triển khai, lắp đặt sản phẩm enable int Trạng thái người dùng hiệu lực hệ thống hay khơng Trạng thái khóa người dùng tạm thời Dùng lock int đăng nhập sai password nhiều lần trường hợp cần thiết khác 55 Bảng phân quyền: Phanquyen Mô tả: Phân quyền sử dụng chức hệ thống cho người dùng Tên trường Kiểu liệu Mơ tả ma_quyen int Khóa bảng ma_nd bigint Mã định danh người dùng, quản trị viên, nhân viên hệ thống, nhân viên triển khai, Phân quyền chức quản trị phần chucnang string mềm Tên chức (tên site mà người dùng sử dụng) 0: disable (khơng cịn hoạt động, ví dụ: bị trangthai int hủy quản trị viên) 1: active (đang hoạt động), 2: Done (đã lắp/tư vấn/sửa chữa xong cho khách hàng) ngaycap DateTime Ngày cấp phát chức cho người dùng ngayhuy DateTime Ngày hủy chức Bảng menu chức năng: Menu Mô tả: Danh sách menu chương trình Tên trường Kiểu liệu Mơ tả ma_menu int Khóa bảng ten_menu string Tên menu ma_menu_cha string Mã menu mức cha 56 Tên trường Kiểu liệu Mô tả enable int Menu có dùng hay khơng Bảng thống kê: Thongke Mô tả: Thống kê lượng khách hàng đến điểm giao dịch VNPT Thanh Hóa Tên trường Kiểu liệu Mô tả ma_thongke int ma_dv int Datetime Ngày lưu liệu thống kê tugio Datetime Giờ bắt đầu đếm lượt giao dịch dengio Datetime Giờ kết thúc đếm lượt giao dịch Soluong int Số lượng khách hàng đến điểm giao dịch Khóa bảng Mã đơn vị thống kê Trường khóa bảng Donvi 3.3.1 Kết ứng dụng Hệ thống kiểm soát giao dịch VNPT Thanh Hóa triển khai thử nghiệm điểm giao dịch VNPT Thanh Hóa có gắn Camera khoảng thời gian: Từ 01/7/2019-15/07/2019 Sau số kết ứng dụng: 57 Hình 3.11: Giao diện quản lý người dùng Hình 3.12: Quản lý danh mục đơn vị 58 Hình 3.13: Xem camera điểm giao dịch Hình 3.14: Thống kê kiểm sốt giao dịch 3.3.2 Kiểm soát giao dịch Hệ thống nghiên cứu, phát triển dạng học thuật, triển khai thử nghiệm số điểm giao dịch VNPT Thanh hóa 59 Việc kiểm sốt giao dịch yêu cầu mức bình thường Đếm số lượng người giao dịch sử dụng phương pháp bình quân Tức phát số lượng mặt người khung hình khoảng thời gian định - Xét khung hình từ i -> n - Số lượng mặt người khung hình i là: Ni - Số lượng người đến giao dịch khoảng thời gian có khung hình từ i-> n là: ∑ Trong thuật tốn có phát nhận dạng, để kiểm soát giao dịch hỗ trợ khách hàng tốt cần thiết phải triển khai toán quy mơ lớn phát nhận dạng xác khách hàng Khi kiểm sốt xác lượng người giao dịch triển khai sang lớp tốn chăm sóc, quan hệ khách hàng (crm - Customer relationship management) Chi tiết đề xuất mở rộng phần sau đề tài 3.3.3 Kết luận Hệ thống kiểm sốt giao dịch VNPT Thanh Hóa nghiên cứu, phát triển theo mục tiêu đề Một phần giải pháp nghiên cứu kỹ thuật phát mặt người để triển khai thực tế đảm bảo yếu tố quan trọng: Thuật toán phải đáp ứng thời gian thực thiết bị triển khai phải phù hợp với thiết bị thông dụng Chỉ cần triển khai hệ thống với thiết bị máy tính PI loại máy tính nhỏ gọn, cấu hình bình thường triển khai thời gian thực Hệ thống triển khai dạng thử nghiệm để đánh giá thuật tốn Cần điều chỉnh để triển khai nhân rộng ứng dụng có hiệu thực tế cho nhiều loại toán phát nhận dạng mặt người 60 KẾT LUẬN VÀ KIẾN NGHỊ Kết luận Hệ thống đáp ứng mục tiêu đề cải tiến thuật tốn có để hướng tới triển khai phát khuôn mặt người thời gian thực cải tiến triển khai thiết bị phổ biến giá hợp lý để triển khai diện rộng Thời gian nghiên cứu triển khai thử nghiệm không nhiều nên chưa đánh giá hết tiềm ứng dụng mang lại giá trị thiết thực cho thực tiễn Đề tài chủ yếu dạng nghiên cứu, học thuật Việc ứng dụng thực tiễn dạng thử nghiệm, để triển khai ứng dụng tốt cho thực tiễn cần phải cải tiến toán cho số mục tiêu cao cần doanh nghiệp tạo điều kiện để triển khai đến tất điểm giao dịch Trong điều kiện doanh nghiệp triển khai hệ thống camera giám sát điểm giao dịch với mục đích giám sát đơn Do đó, việc kết hợp triển khai hệ thống giám sát đề tài dạng thử nghiệm số điểm giao dịch khoảng thời gian ngắn Vì để triển khai theo mơ hình cần phải đầu tư thêm thiết bị để xử lý liệu dạng thơ, có phát mặt người điểm giao dịch Điều nằm phạm vi ban đầu dự án đầu tư thiết bị hệ thống camera giám sát điểm giao dịch VNPT Thanh Hóa Trong phạm vi nghiên cứu đề tài thử nghiệm số dạng máy tính thơng thường gồm máy tính PI máy tính Desktop cấu hình bình thường Các kết thử nghiệm đáp ứng đầy đủ yêu cầu đề đề tài Tuy nhiên, cần thời gian để thử nghiệm cải tiến nhiều loại máy tính với cấu hình khác để từ có nhìn tổng quan cải tiến thuật toán ban đầu đưa số so sánh xác Thực tế, dịng thiết bị khác có đặc trưng tính tốn, xử lý khác 61 Đề tài nghiên cứu dạng học thuật, có cải tiến tốt phịng thí nghiệm nhiên thực tế chủ động triển khai diện rộng phụ thuộc điều kiện sở vật chất, đầu tư ban đầu doanh nghiệp Chúng cố gắng sử dụng tối đa trang thiết bị để có kết thử nghiệm tốt Kiến nghị Giải pháp đáp ứng mục tiêu đề ra, nhiên để triển khai thực tế cần phải cải tiến nhiều việc xác định toán Giải pháp vừa phát nhận dạng khuôn mặt, để triển khai mở rộng tốn theo hướng chăm sóc khách hàng đến điểm giao dịch Hỗ trợ giao dịch viên có thơng tin tóm tắt khách hàng từ khách hàng vào điểm giao dịch Các thông tin khách hàng thông tin cá nhân hệ thống lưu trữ, hiển thị thông tin dịch vụ khách hàng sử dụng, thông tin khác lịch sử giao dịch, … Muốn thế, hệ thống việc phát nhận dạng khách hàng cần phải có liệu huấn luyện lớn, phần liệu khách hàng có với ảnh chân dung phần phải huấn luyện chỗ điểm giao dịch VNPT Thanh hóa Đây cơng việc phức tạp tốn thiết bị, thời gian nguồn nhân lực Vì cần hỗ trợ, tạo điều kiện doanh nghiệp để hệ thống triển khai đem lại lợi ích thiết thực cho doanh nghiệp Khi giải pháp hồn thiện triển khai cho nhiều khách hàng khác có nhu cầu chăm sóc khách hàng nhờ sử dụng cơng nghệ nhận dạng khách hàng thân quen: Các doanh nghiệp, quán café, điểm giao dịch ngân hàng, dịch vụ hành cơng 62 TÀI LIỆU THAM KHẢO Tài liệu tiếng Việt [1] Phạm Thế Anh, Nguyễn Mạnh An, Đỗ Năng Tồn, Giáo trình Xử lý ảnh, NXB Giáo dục, 2017 [2] Lương Mạnh Bá, Nguyễn Thanh Thuỷ (2002), Nhập môn Xử lý ảnh số, NXB Khoa học Kỹ thuật, 2002 [3] Phạm Việt Bình, Đỗ Năng Tồn, Giáo trình Xử lý ảnh số, Đại học Thái Nguyên, 2007 Tài liệu tiếng Anh [4] The-Anh Pham, Nam Hoang, Hao Le, and Hong Le, "Symbol recognition using directional and spatial features", International Conference on Image Processing Theory, Tools and Applications (IPTA'15), 2015 [5] The-Anh Pham, "Pair-wisely optimized clustering tree for feature indexing", Computer Vision and Image Understanding (IF = 2.134), accepted for publication, 2016 [6] The-Anh Pham, Mathieu Delalandre, “Effective decompression of JPEG document images” IEEE Transactions on Image Processing (2016), Vol 25, No 6, pp 3655 - 3670, 2016 (IF = 3.625) [7] The-Anh Pham, Hong-Ha Le and Nang-Toan Do, “Offline handwritten signature verification using local and global features” Annals of Mathematics and Artificial Intelligence, Vol 75, No (1-2), pp: 231-247, 2015, (IF = 0.618) [8] The-Anh Pham, “The improvement of Knapsack cipher”, Computer Communications Journal, Vol 34, No 3, pp.342–343, 2010, (IF = 1.352) 63 Tài liệu Internet [9] “Deep Learning,” deeplearning.net, [Trực tuyến] Available: http://deeplearning.net/ [Đã truy cập 01/06/2019] [10] “Nhận dạng mặt người (Face recognition) PCA (eigenface) – Matlab code on ORL database,” 31/07/2012 [Trực tuyến] Available: https://4fire.wordpress.com/2012/07/31/nhan-dang-mat-nguoi-facerecognition-bang-pca-eigen-face-matlab-code-on-orl-database/ [Đã truy cập 05/06/2019] [11] “python.org,” Python Software Foundation, [Trực tuyến] Available: https://www.python.org [Đã truy cập 01/06/2019] [12] “TensorFlow,” TensorFlow, [Trực tuyến] Available: https://www.tensorflow.org/guide/using_gpu [Đã truy cập 08 08 2019] [13] “The Database of Faces,” AT&T Laboratories Cambridge, 2012 [Trực tuyến] Available: https://www.cl.cam.ac.uk/research/dtg/attarchive/facedatabase.html [Đã truy cập 08/08/2019] [14] “w3schools.com,” Refsnes Data, [Trực tuyến] Available: https://www.w3schools.com/python/ [Đã truy cập 01/06/2019] [15] duongtung, “OpenCV nhận dạng face Recognition,” Viblo, 27/07/2016 [Trực tuyến] Available: https://viblo.asia/p/opencv-nhan-dang-facerecognition-ZjlearmzkqJ [Đã truy cập 08/08/2019] [16] DungHH, “Phần mềm nhận diện khuôn mặt HiFace Tinh Vân sẵn sàng,” Tinhvan, 15/05/2019 [Trực tuyến] Available: http://tinhvan.vn/2019/05/15/phan-mem-nhan-dien-khuon-mat-hifacecua-tinh-van-da-san-sang/ [Đã truy cập 08/08/2019] 64 [17] Forson, Eddie, “Understanding SSD MultiBox — Real-Time Object Detection In Deep Learning,” Towards Data Science, 18/11/2017 [Trực tuyến] Available: https://towardsdatascience.com/understanding-ssdmultibox-real-time-object-detection-in-deep-learning-495ef744fab [Đã truy cập 01/07/2019] [18] Joseph Redmon,Santosh Divvala, Ross Girshick, Ali Farhadi, “You Only Look Once: Unified, Real-Time Object Detection,” arxiv.org, 09/05/2016 [Trực tuyến] Available: https://arxiv.org/pdf/1506.02640v5.pdf [Đã truy cập 01/07/2019] [19] J Hui, “What we learn from single shot object detectors (SSD, YOLOv3), FPN & Focal loss (RetinaNet)?,” Medium, 28/03/2018 [Trực tuyến] Available: https://medium.com/@jonathan_hui/what-dowe-learn-from-single-shot-object-detectors-ssd-yolo-fpn-focal-loss3888677c5f4d [Đã truy cập 08/08/2019] [20] Châu Ngân Khánh, Đoàn Thanh Nghị, “Nhận dạng mặt người với giải thuật HAAR LIKE FEATURE – CASCADE OF BOOSTED CLASSIFIERS đặc trưng SIFT,” 2014 [Trực tuyến] Available: http://www.agu.edu.vn:8080/bitstream/AGU_Library/2517/1/Bai-3Chau-Ngan-Khanh-Doan-Thanh-Nghi.pdf [Đã truy cập 05/06/2019] [21] N V Lĩnh, “Deeplearning.ai CNN week 3: Object detection,” Medium, 06/02/2018 [Trực tuyến] Available: https://medium.com/datatype/deeplearning-ai-cnn-week-3-objectdetection-ce86e6c648e [Đã truy cập 08/08/2018] [22] Milovec, Marijan, “Face detection with OpenCV and Deep Learning from image-part 1,” Medium, 01/04/2018 [Trực tuyến] Available: https://becominghuman.ai/face-detection-with-opencv-and-deep- 65 learning-90b84735f421?gi=df33b22e57fd [Đã truy cập 05/06/2019] [23] Tuyết Nga, “Giải pháp camera giám sát CAM9,” Trường Đại học Công nghệ, Đại học Quốc Gia Hà Nội, 25/08/2017 [Trực tuyến] Available: https://uet.vnu.edu.vn/giai-phap-camera-giam-sat-cam9-2/ [Đã truy cập 08/08/2019] [24] Sáng Nguyễn, “BKFace – Hành trình bắt đầu,” Trường Đại học Bách, 19/07/2018 [Trực tuyến] Available: http://bulletin.hust.edu.vn/khpt/bkface-hanh-trinh-moi-bat-dau/ [Đã truy cập 08/08/2019] [25] Rosebrock, Adrian, “Intersection over Union (IoU) for object detection,” PyImageSearch, 07/11/2017 [Trực tuyến] Available: https://www.pyimagesearch.com/2016/11/07/intersection-over-unioniou-for-object-detection/ [Đã truy cập 08/08/2019] [26] Rosebrock, Adrian, “Face recognition with OpenCV, Python, and deep learning,” PyImageSearch, 18/06/2018 [Trực tuyến] Available: https://www.pyimagesearch.com/2018/06/18/face-recognition-withopencv-python-and-deep-learning/ [Đã truy cập 15/06/2019] [27] Shaohua Wan, Zhijun Chen, Tao Zhang, Bo Zhang, Kong-kat Wong, “Bootstrapping Face Detection with Hard Negative Examples,” Xiaomi, 09/06/2016 [Trực tuyến] Available: https://arxiv.org/pdf/1608.02236.pdf [Đã truy cập 05/06/2019] [28] Shaoqing Ren, Kaiming He, Ross Girshick and Jian Sun, “Faster RCNN: Towards Real-Time Object Detection with Region Proposal Networks,” [Trực tuyến] Available: https://papers.nips.cc/paper/5638faster-r-cnn-towards-real-time-object-detection-with-region-proposalnetworks.pdf [Đã truy cập 05/06/2019] 66 [29] Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun, “Faster RCNN: Towards Real-Time Object Detection with Region Proposal Networks,” 06/01/2016 [Trực tuyến] Available: https://arxiv.org/pdf/1506.01497.pdf [Đã truy cập 05/06/2019] [30] Shifeng Zhang, Xiangyu Zhu, Zhen Lei, Hailin Shi, Xiaobo Wang and Stan Z Li, “FaceBoxes: A CPU Real-time Face Detector with High Accuracy,” 25/12/2018 [Trực tuyến] Available: https://arxiv.org/pdf/1708.05234.pdf [Đã truy cập 05/06/2019] [31] Shireesha Chintalapati, M V Raghunadh, “Automated attendance management system based on face recognition algorithms,” 2013 [Trực tuyến] Available: https://www.semanticscholar.org/paper/Automatedattendance-management-system-based-on-ChintalapatiRaghunadh/f2b7593e9ea777676cabc08c3a198a40601ba08f [Đã truy cập 05/06/2019] [32] Nguyễn Hữu Tuân, Trịnh Thị Ngọc Hương, Lê Quyết Tiến, “Xây dựng hệ thống nhận dạng giới tính tự động sử dụng LPQ,” 2016 [Trực tuyến] Available: http://fit.vimaru.edu.vn/sites/default/files/filedinhkem/towards_building _an_automatic_gender_classification_system_using_lpq.pdf [Đã truy cập 05/06/2019] [33] Wei Liu, Dragomir Anguelov, Dumitru Erhan, Christian Szegedy, Scott Reed, Cheng-Yang Fu1 and Alexander C Berg, “SSD: Single Shot MultiBox Detector,” 29/11/2016 [Trực tuyến] Available: https://arxiv.org/pdf/1512.02325.pdf [Đã truy cập 05/06/2019] [34] Xu, Joyce, “Deep Learning for Object Detection: A Comprehensive Review,” Towards Data Science, 12/12/2017 [Trực tuyến] Available: 67 https://towardsdatascience.com/deep-learning-for-object-detection-acomprehensive-review-73930816d8d9 [Đã truy cập 08/08/2019] [35] Xudong Sun, Pengcheng Wu and Steven C.H Hoi, “Face detection using deep learning: An improved faster RCNN approach,” Elsevier B.V, [Trực tuyến] Available: https://www.sciencedirect.com/science/article/pii/S0925231218303229 [Đã truy cập 05/06/2019] [36] Zhang, Shifeng, “FaceBoxes: A CPU Real-time Face Detector with High Accuracy,” 2017 [Trực tuyến] Available: https://github.com/sfzhang15/FaceBoxes [Đã truy cập 05/06/2019]