(Luận văn thạc sĩ) nghiên cứu phương pháp nhận diện khuôn mặt và ứng dụng cho điểm danh sinh viên

HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - MAI NGỌC HUYNH NGHIÊN CỨU PHƯƠNG PHÁP NHẬN DIỆN KHUÔN MẶT VÀ ỨNG DỤNG CHO ĐIỂM DANH SINH VIÊN ĐỀ ÁN TỐT NGHIỆP THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) HÀ NỘI-2023 HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - MAI NGỌC HUYNH NGHIÊN CỨU PHƯƠNG PHÁP NHẬN DIỆN KHUÔN MẶT VÀ ỨNG DỤNG CHO ĐIỂM DANH SINH VIÊN CHUYÊN NGÀNH: HỆ THỐNG THÔNG TIN MÃ SỐ: 8.48.01.04 ĐỀ ÁN TỐT NGHIỆP THẠC SĨ KỸ THUẬT (Theo định hướng ứng dụng) NGƯỜI HƯỚNG DẪN KHOA HỌC: TS NGUYỄN NGỌC ĐIỆP HÀ NỘI-2023 i LỜI CAM ĐOAN Em xin cam đoan đề án công trình nghiên cứu cá nhân em, thực sở nghiên cứu lý thuyết, thực tế hướng dẫn TS Nguyễn Ngọc Điệp Các số liệu, kết nêu đề án trung thực chưa công bố cơng trình khác Hà Nội, Ngày tháng năm 2023 Học viên thực Mai Ngọc Huynh ii LỜI CẢM ƠN Em xin chân thành gửi lời cảm ơn đến TS Nguyễn Ngọc Điệp tận tình dạy hướng dẫn em việc lựa chọn đề tài, thực đề tài viết báo cáo đề án Sự hỗ trợ thầy giúp em hoàn thành tốt đề án Em xin gửi lời cảm ơn đến tất thầy cô giáo Trường Học viện Công nghệ Bưu Viễn thơng tận tình dạy dỗ bảo suốt năm học em Cuối cùng, em xin cảm ơn gia đình, bạn bè đồng nghiệp người bên cạnh, động viên giúp đỡ em suốt thời gian học tập làm đề án Nhờ có hỗ trợ họ, em có mơi trường tốt để hồn thành đề án Dù cố gắng nghiên cứu khả phạm vi cho phép, chắn không tránh khỏi thiếu sót Em mong nhận góp ý thông cảm từ thầy cô bạn Xin chân thành cảm ơn! iii MỤC LỤC MỞ ĐẦU .1 CHƯƠNG TỔNG QUAN VỀ BÀI TỐN NHẬN DIỆN KHN MẶT 1.1 Tổng quan nhận diện khuôn mặt .3 1.1.1 Giới thiệu toán nhận diện khuôn mặt .3 1.1.2 Các u cầu tổng quan tốn nhận diện khn mặt .4 1.1.3 Phạm vi thách thức .5 1.2 Vai trò tầm quan trọng hệ thống điểm danh tự động trường đại học 1.3 Bài toán điểm danh sinh viên qua nhận diện khuôn mặt 1.4 Khảo sát số phương pháp nhận diện khuôn mặt 11 1.4.1 Phương pháp Viola-Jones .11 1.4.2 Phương pháp VGGFace 12 1.4.3 Phương pháp Eigenfaces 13 1.4.4 Đánh giá đề xuất giải pháp nhận diện khuôn mặt 14 1.5 Kết luận chương 16 CHƯƠNG NGHIÊN CỨU CÁC PHƯƠNG PHÁP NHẬN DIỆN KHUÔN MẶT 18 2.1 Nghiên cứu phương pháp phát khuôn mặt 18 2.1.1 Phương pháp Viola-Jones .18 2.1.2 Phương pháp Multi-task Cascaded Convolutional Networks (MTCNN)24 2.2 Nghiên cứu phương pháp nhận diện khuôn mặt 31 2.2.1 Phương pháp VGGFace 32 2.2.2 Phương pháp FaceNet .36 2.3 Đề xuất giải pháp nhận diện khuôn mặt để ứng dụng cho toán điểm danh sinh viên .40 2.4 Kết luận chương 44 CHƯƠNG ỨNG DỤNG CÁC PHƯƠNG PHÁP NHẬN DIỆN KHUÔN MẶT TRONG ĐIỂM DANH SINH VIÊN 45 iv 3.1 Thiết kế tổng thể hệ thống điểm danh sinh viên 45 3.1.1 Sơ đồ thiết kế hệ thống nhận diện khuôn mặt 45 3.1.2 Mơ hình triển khai dự kiến .49 3.1.3 Môi trường triển khai 49 3.1.4 Thiết kế ứng dụng 50 3.2 Thử nghiệm phương pháp đánh giá 53 3.2.1 Thu thập liệu đầu vào 53 3.2.2 Dữ liệu huấn luyện 54 3.2.3 Tham số liệu đầu vào 55 3.2.4 Quá trình huấn luyện 56 3.3 Thử nghiệm chạy hệ thống nhận diện khuôn mặt nhận diện sinh viên 59 3.3.1 Thực nghiệm 59 3.3.2 Kết thực nghiệm .62 3.4 Cài đặt, triển khai ứng dụng 65 3.4.1 Giao diện hình webcam nhận dạng khn mặt .65 3.4.2 Giao diện hình chức quản lý điểm danh sinh viên 66 3.4.3 Giao diện hình chức quản lý mơn học 66 3.4.4 Giao diện hình chức quản lý sinh viên 67 3.5 Kết luận chương 68 KẾT LUẬN .69 DANH MỤC CÁC TÀI LIỆU THAM KHẢO 70 v DANH MỤC CÁC TỪ VIẾT TẮT Tên viết tắt Tiếng Anh Tiếng Việt CNN Convolutional Neural Network Mạng nơ-ron tích chập CSDL Database Cơ sở liệu FC Fully-connected Lớp kết nối đầy đủ LDA Principal Components Analysis Phân tích thành phần MLP Principal Components Analysis Mạng nơron truyền thẳng nhiều lớp MTCNN PCA Multi-task Cascaded Kiến trúc mạng nơ-ron Convolutional Networks tích chập Principal Components Analysis Phân tích thành phần ReLU Rectified Linear Unit Lớp phi tuyến vi DANH MỤC HÌNH ẢNH Hình 1-1 Tổng quan bước cho nhận diện khn mặt Hình 2-1 Tổng quan mơ hình hoạt động Viola-Jones .19 Hình 2-2 Đặc trưng Haar-like 20 Hình 2-3 Đặc trưng cạnh 20 Hình 2-4 Đặc trưng đường 20 Hình 2-5 Đặc trưng xung quanh tâm .21 Hình 2-6 Tính tích phân ảnh .21 Hình 2-7 Cách tính P(x,y) 22 Hình 2-8 Các bước loại khn mặt hay không 23 Hình 2-9 kết hợp phân loại yếu thành phân loại mạnh .23 Hình 2-10 Cấu trúc MTCNN 24 Hình 2-11 Kim tự tháp hình ảnh .26 Hình 2-12 Kernel tìm kiếm khn mặt .26 Hình 2-13 Mạng P-Net 27 Hình 2-14 Mạng R-Net .29 Hình 2-15 Mạng O-Net .30 Hình 2-16 Kiến trúc mơ hình VGGFace 33 Hình 2-17 Quá trình huấn luyện với Triple loss .34 Hình 2-18 Tạo Vector từ gương mặt 37 Hình 2-19 Mơ hình Inception resnet v1 37 Hình 2-20 Khoảng cách tuyệt đối hai Vector 39 Hình 3-1 Sơ đồ thiết kế hệ thống nhận diện khuôn mặt 45 Hình 3-2 Mơ hình triển khai hệ thống .49 Hình 3-3 Sơ đồ huấn luyện phát khn mặt 50 Hình 3-4 Quy trình xác định khn mặt 51 Hình 3-5 Quy trình huấn luyện nhận diện khuôn mặt .51 Hình 3-6 Quy trình nhận diện khn mặt thực điểm danh .52 vii Hình 3-7 Database hệ thống điểm danh 52 Hình 3-8 Ví dụ ảnh người .53 Hình 3-9 Ảnh 12 khn mặt người đánh thứ tự từ đến 12 54 Hình 3-10 Dữ liệu huấn luyện nhận diện khn mặt [22] 54 Hình 3-11 Kết phát khuôn mặt tư khác 57 Hình 3-12 Độ xác nhận diện khn mặt [21] 58 Hình 3-13 Hệ thống nhận diện bình thường .60 Hình 3-14 Nhận diện khn mặt đeo kính 60 Hình 3-15 Thực nghiệm điều kiện thiếu ánh sáng 61 Hình 3-16 Thực nghiệm nhận diện nhiều khn mặt có điều kiện ánh sáng khác 61 Hình 3-17 Độ xác nhận diện Faces94 theo thư mục 63 Hình 3-18 Độ xác nhận diện lớp BA học viện VTI 63 DANH MỤC BẢNG Bảng Kết thực nghiệm .62 Bảng Kết thử nghiệm mô hình tập liệu Yale, AT&T 64 MỞ ĐẦU Nhận diện khuôn mặt lĩnh vực quan trọng xử lý ảnh Và ngày nhận diện sử dụng rộng rãi nhiều lĩnh vực đời sống nhận diện lĩnh vực thương mại, hay phát lĩnh vực an ninh, hay xử lý video, ảnh Một ứng dụng tiêu biểu nhận diện sử dụng phổ biến nhận diện khuôn mặt người ứng dụng điện thoại di động cụ thể Iphone Samsung sử dụng Hiện có nhiều phương pháp nhận diện khác xây dựng để nhận diện người cụ thể giới thực Ta nói tới số phương pháp như: học máy học sâu Các phương pháp học máy truyền thống nhận diện khuôn mặt nhanh độ xác cịn hạn chế khơng nhạy cảm với biến thể khác khuôn mặt (nét mặt, biểu cảm, tư thế, v.v.) hay thay đổi ánh sáng môi trường Gần đây, phương pháp dùng mơ hình mạng nơ ron sâu FaceNet, DeepFace, … đề xuất có độ khả nhận diện khuôn mặt người tốt Dựa phương pháp học sâu tiên tiến này, tốn nhận diện khn mặt người tiêu chuẩn giải với độ xác cao Tuy nhiên, cịn nhiều thách thức cần áp dụng giải toán nhận diện người thực tế, với nhiều điều kiện phức tạp Ví dụ nhận diện người qua khn mặt đeo trang bị che phần, nhận diện người đám đông di chuyển, với ánh sáng, góc quay chưa đảm bảo Ngồi ra, việc triển khai mơ hình học sâu để thành ứng dụng thực tế cần nhiều nỗ lực người phát triển Với phát triển giáo dục Việt Nam, số lượng sinh viên trường đại học ngày gia tăng, dẫn đến công tác quản lý khó khăn, phức tạp, địi hỏi hệ thống quản lý thơng minh với ứng dụng trí tuệ nhân 58 mẫu đào tạo cách thực xoay, nhân bản, thay đổi tỷ lệ thao tác khác liệu LFW Hình 3-12 Độ xác nhận diện khn mặt [22] 59 Do hệ số cân khác ảnh hưởng đến hiệu suất nhận dạng thuật toán, luận văn nghiên cứu tác động giá trị λ khác đến độ xác nhận dạng khn mặt Hình 3-12 cho thấy độ xác nhận dạng khn mặt hai thuật tốn (FaceNet FaceNet kết hợp với MTCNN) giá trị λ khác tập kiểm tra LFW Có thể thấy từ hình tỷ lệ nhận dạng hai thuật tốn thay đổi theo thay đổi λ Khi λ = × 10 –4, tỷ lệ nhận dạng tối đa 99,85% Trong đó, thấy λ = tức thuật tốn đạt độ xác nhận dạng thấp sử dụng Triplet Loss Trong trường hợp hệ số cân khác nhau, độ xác nhận dạng FaceNet kết hợp với MTCNN cao FaceNet, điều xác minh tính hiệu đào tạo chung Cho thấy kết kiểm tra khuôn mặt người với tư khác (tức nhìn thẳng, nhìn lên, nhìn xuống, nhìn nghiêng) qua FaceNet kết hợp với MTCNN Có thể thấy, ảnh thể xác thông số nhận diện khuôn mặt người Nếu tham số khuôn mặt thực tế nhỏ ngưỡng đạt đào tạo mạng, hệ thống xác định nhận dạng khn mặt tương ứng cách xác Nếu tham số khuôn mặt thực tế lớn ngưỡng, hệ thống nhận dạng khuôn mặt tương ứng 3.3 Thử nghiệm chạy hệ thống nhận diện khuôn mặt nhận diện sinh viên 3.3.1 Thực nghiệm Mơ hình thử nghiệm huấn luyện với tập liệu khoảng gần 154 người, người có khoảng 20 ảnh khn mặt sở liệu Trong trình phân loại em chọn ngưỡng > 70% để xác định khuôn mặt Ngưỡng sử dụng giúp cho việc xắc suất khuôn mặt trả tỷ lệ thấp gây nhầm lẫn nhận diện khuôn mặt Sau thiết lập địa luồng phát video trực tiếp, bắt đầu khởi động hệ thống Dưới số hình ảnh minh họa cho hoạt động hệ thống 60 Hình 3-13 Hệ thống nhận diện bình thường Hình 3-14 Nhận diện khn mặt đeo kính 61 Hình 3-15 Thực nghiệm điều kiện thiếu ánh sáng Hình 3-16 Thực nghiệm nhận diện nhiều khn mặt có điều kiện ánh sáng khác 62 Với người có danh sách sau xuất lưu lại 10 giây để dễ dàng quan sát Hệ thống nhận diện hay nhiều khn mặt cách bình thường người đeo kính, điều kiện thiếu ánh sáng, ánh sáng vàng, trắng góc độ khác Từ thấy mơ hình trích rút đặc trưng mơ hình phân loại hoạt động tốt thực tế Hệ thống nhận diện sinh viên giây xử lý khung hình với độ phân giải fullhd 3.3.2 Kết thực nghiệm Theo đó, chương trình thử nghiệm em xây dựng môi trường Python sử dụng frameworks tensorflow, facenet, open cv2 với giao diện thư viện keras, thư viện cung cấp tính mạnh mẽ cho xử lý ảnh cho mơ hình Neural network Kết liệu faces94 thực nghiệm so sánh kết mô hình MTCNN FaceNet vừa huấn luyện với kết số phương pháp sử dụng nghiên cứu [18] [19] LDA, PCA, LBP, SVM based on LDA MLP kết hợp với PCA DCT Hệ thống sử dụng tổng cộng 200 ảnh từ nguồn sau: 150 ảnh thu thập từ faces94 50 ảnh lấy từ học viện VTI chụp điện thoại Sau đó, ta thu thập 50 thông tin từ 200 ảnh tiến hành thực nghiệm Dưới bảng kết thu thực theo [22]: Bảng Kết thực nghiệm Loại ảnh 100 100 Nhận 98 Nhận không Không phải mặt Khuôn mặt nằm tập huấn luyện 1 Tỷ lệ 98% Khuôn mặt không nằm tập huấn luyện (khuôn mặt mới) 97 97% Ảnh khơng có khn mặt 50 0 47 94% 63 Hình 3-17 Độ xác nhận diện Faces94 theo thư mục 1.02 0.98 0.96 0.94 0.92 0.9 0.88 0.86 0.84 0.82 Hình 3-18 Độ xác nhận diện lớp BA học viện VTI Ngoài theo tài liệu [23], kết thử nghiệm liệu AT&T Yale so sánh phương pháp CNN, MTCNN & FaceNet sử dụng SVM MTCNN & FaceNet sử dụng VGG16 Để so sánh mơ hình báo sử dụng phương pháp CNN làm tiêu chuẩn phương pháp cho tỉ lệ accuracy đạt 64 95% Đề xuất ban đầu dùng phương pháp MTCNN, FaceNet sử dụng SVM để phân lớp nhiên tỷ lệ đạt 95,1% tương đương với CNN Bài báo đưa đề xuất cải tiến dùng phương pháp thay sử dụng SVM báo sử dụng VGG16 phương pháp cho kết tốt đạt 97,0% cao so với hai phương pháp trước Bảng Kết thử nghiệm mô hình tập liệu Yale, AT&T Phương pháp Tỉ lệ train model CNN MTCNN, 95,0% MTCNN, FaceNet sử dụng SVM (*) 95,1% MTCNN, FaceNet sử dụng VGG16 (**) 97,0% 65 Kết việc kết hợp hai mơ hình MTCNN Face cho thấy hiệu suất cao tập liệu sử dụng Sự khác biệt lớn hai phương pháp nằm việc trích xuất đặc trưng Mạng MTCNN có khả học trích xuất đặc trưng khn mặt tốt nhiều so với phương pháp học máy truyền thống Kiến trúc mạng tích chập có khả học đặc trưng khn mặt tốt, trường hợp thiếu ánh sáng, khuôn mặt khơng hồn chỉnh hay người đeo kính Dựa kết quả, thấy phương pháp học máy SVM đạt kết ấn tượng, nhiên kết cao thuộc MTCNN FaceNet 3.4 Cài đặt, triển khai ứng dụng Từ mơ hình nhận diện khn mặt mà đề án trình bày Em xin đề xuất ứng dụng quản lý điểm danh sinh viên sử dụng nhận diện khuôn mặt Hệ thống bao gồm phân hệ sau: camera trước vào lớp học, người đứng trước camera hệ thống nhận thơng tin người thực nhập thông tin chức nhận dạng thêm thông tin điểm danh sinh viên vào CSDL Sau có phân hệ báo cáo, lấy liệu sinh viên điểm danh hiển thị lên hình, giảng viên tìm kiếm trích xuất liệu 3.4.1 Giao diện hình webcam nhận dạng khuôn mặt Màn hình webcam nhận diện khn mặt 66 3.4.2 Giao diện hình chức quản lý điểm danh sinh viên Chức cho phép người dùng view báo cáo điểm danh sinh viên theo lớp ngày điểm danh số tiêu chí 3.4.3 Giao diện hình chức quản lý môn học Chức cho phép người dùng thêm, sửa, xóa, tìm kiếm môn học 67 3.4.4 Giao diện hình chức quản lý sinh viên Chức cho phép người dùng thêm thông tin sinh viên : mã sinh viên, tên, cccd, hình ảnh đại diện, hình ảnh nhận diện … Ngồi cịn cho phép chỉnh sửa xóa sinh viên 68 3.5 Kết luận chương Chương trình bày trình huấn luyện, kiểm thử, đánh giá chất lượng mơ hình sử dụng MTCNN FaceNet q trình nhận diện khn mặt mang lại kết tốt đáng tin cậy MTCNN sử dụng để phát xác định đặc trưng khuôn mặt, bao gồm mắt, mũi miệng Sau đó, FaceNet sử dụng biểu diễn đặc trưng để tạo vector đặc trưng độc cho khuôn mặt Ưu điểm việc kết hợp MTCNN FaceNet tạo hệ thống nhận diện khn mặt tồn diện xác MTCNN giúp xác định xác vị trí khn mặt đặc trưng quan trọng, FaceNet tạo biểu diễn đặc trưng độc cho khn mặt Kết hợp hai mơ hình giúp đảm bảo tính xác độ tin cậy cao việc nhận diện nhận diện khuôn mặt Kết hệ thống tốt với thời gian xử lý khoảng 0.2 giây khung hình với khả nhận diện khn mặt từ nhiều góc độ, sắc thái, điều kiện khác nhau, điều mà mô hình học máy truyền thống chưa xử lý tốt 69 KẾT LUẬN Bài tốn nhận diện khn mặt khơng cịn vấn đề nhận diện khuôn mặt dựa mạng học sâu quan tâm Trên sở tìm hiểu nghiên cứu phương pháp nhận diện khuôn mặt áp dụng vào hệ thống nhận diện khuôn mặt qua camera, đề án đạt kết sau Đó tìm hiểu, thực nghiệm mơ hình mạng học sâu, học máy nơron tích chập facenet để xử lý tốn nhận diện Phân tích kết thu tìm mơ hình mạng học sâu thích hợp cho tốn nhận diện khn mặt Xây dựng thành cơng hệ thống nhận diện khn mặt qua camera có chức phát khuôn mặt trực tiếp qua video Hệ thống sau phát triển cho thấy việc mơ hình MTCNN FaceNet đem tới kết tốt nhiên xuất số mặt hạn chế Đó tốn nhiều tài ngun tính tốn gây trễ q trình xử lý Điều đặc biệt quan trọng ứng dụng yêu cầu xử lý nhanh thời gian thực Qua kết hạn chế ứng dụng cho thấy việc xây dựng hệ thống nhận diện khn mặt cịn địi hỏi phải thực hiện, nghiên cứu áp dụng thêm nhiều phương pháp Về hướng phát triển tương lai, đề án đề xuất nghiên cứu thêm số hướng Hướng thứ Kết hợp với mơ hình mới: MTCNN FaceNet kết hợp với mơ hình phương pháp tiên tiến khác để nâng cao khả nhận diện khuôn mặt Hướng Tăng cường liệu: Để cải thiện khả nhận diện, việc tăng cường liệu đào tạo hướng phát triển quan trọng Bằng cách sử dụng kỹ thuật tạo ảnh từ liệu có, phóng to, xoay, ánh sáng, ta tạo thêm liệu đa dạng để huấn luyện MTCNN FaceNet, từ tăng khả tổng quát hóa khả nhận diện điều kiện ánh sáng, góc nhìn biến đổi khác Do thời gian thực đề án không nhiều nên chắn đề án tránh khỏi hạn chế thiếu sót Em mong nhận ý kiến đóng góp từ thầy 70 DANH MỤC CÁC TÀI LIỆU THAM KHẢO [1] Quang, Hồng, and Thái Doãn Nguyên Lê Hồng Minh "Nhận dạng khn mặt video mạng nơ ron tích chập." Bản B Tạp chí Khoa học Cơng nghệ Việt Nam 62, no (2020) [2] Hà, Mai Văn, and Nguyễn Thế Xuân Ly "Ứng dụng thuật toán FaceNet xây dựng hệ thống nhận dạng khn mặt." Tạp chí Khoa học Công nghệ-Đại học Đà Nẵng (2021): 59-63 [3] Nhi ,Nguyễn Thị Uyên , and Hà, Phạm Thị Thanh and Anh ,Nguyễn Ngọc Quỳnh, and Phú ,Trần Thị Kim Phú, and Thư, Đỗ Nguyễn Minh, and Uyên , Nguyễn Thị Phương “Application Of Deep Learning: Face Recognition For Verification Of Student Identity In The Exam Room ” Tạp chí Khoa học Kinh Tế - số 10(02) - 2022 [4] Face Recognition in Videos https://rawalkhirodkar.github.io/docs/Btech_Report_Rawal.pdf , truy cập ngày 30/03/2023 [5] Học sâu (Deeplerning), https://tanca.io/blog/deep-learning-la-gi-hieutong-quan-ve-deep-learning-va-ung-dung truy cập ngày 30/03/2023 [6] Mạng nơ-ron https://aws.amazon.com/vi/what-is/neural-network/ truy cập ngày 30/03/2023 [7] Đoàn Xuân, Dũng (2018) Tóm Tắt Văn Bản Sử Dụng Các Kỹ Thuật Trong Deep Learning (Doctoral dissertation) [8] Alaa Eleyan, Hasan Demirel (2006), “PCA and LDA Based Face Recognition Using Feedforward Neural Network Classifier” Conference: Multimedia Content Representation, pp 200-206 [9]Saad Albawi, Tareq Abed Mohammed (2017), “Understanding of a Convolutional Neural Network”, International Conference on Engineering and Technology (ICET) [10] Faces94, http://cmp.felk.cvut.cz/~spacelib/faces/faces94.html Truy cập ngày 15/04/2023 71 [11] Musab Coşkun, Ayegỹl Uỗar, ệzal Yildirim, Yakup Demir (2017), Face recognition based on convolutional neural network” 2017 International Conference on Modern Electrical and Energy Systems (MEES), pp 376-379 [12] Jin, Rongrong, Hao Li, Jing Pan, Wenxi Ma, and Jingyu Lin "Face recognition based on MTCNN and Facenet." (2021) [13] Jose, Edwin, M Greeshma, Mithun TP Haridas, and M H Supriya "Face recognition based surveillance system using facenet and mtcnn on jetson tx2." In 2019 5th International Conference on Advanced Computing & Communication Systems (ICACCS), pp 608-613 IEEE, 2019 [14] Gyawali, Dipesh, Prashanga Pokharel, Ashutosh Chauhan, and Subodh Chandra Shakya "Age range estimation using MTCNN and vgg-face model." In 2020 11th International Conference on Computing, Communication and Networking Technologies (ICCCNT), pp 1-6 IEEE, 2020 [15] Ramos-Cooper, Solange, Erick Gomez-Nieto, and Guillermo CamaraChavez "VGGFace-Ear: an extended dataset for unconstrained ear recognition." Sensors 22, no (2022): 1752 [16] Hoan, Nguyen Quang, Pham Ngoc Hung, and Nguyen Dinh Tai "Handwritting character recognition using convolutional neural networks." UTEHY Journal of Science and Technology 24 (2019): 60-65 [17] Zhou, Zhi-Hua Machine learning Springer Nature, 2021 [18] Kingma, DP Ba, J., Adam: Phương pháp tối ưu hóa ngẫu nhiên, 2014 arXiv:1412.6980 [19] A Vinay, Abhijay Gupta, Aprameya Bharadwaj, Arvind Srinivasan, K N Balasubramanya Murthy, S Natarajan (2018),"Deep Learning on Binary Patterns for Face Recognition", International Conference on Computational Intelligence and Dat Science, pp 77-83 [20] Nawaf Hazim (2016), "Face Recognition using PCA-BPNN with DCT Implemented on Face94 and Grimace Databases", International Journal of Computer Applications, pp 8-13 72 [21] Tổng quan học máy, https://dlu.edu.vn/wpcontent/uploads/2022/06/BaoCaoToanVan.pdf truy cập ngày 30/03/2023 [22]Wu, Chunming, and Ying Zhang "MTCNN and FACENET based access control system for face detection and recognition." Automatic Control and Computer Sciences 55 (2021): 102-112 [23] Mô, tcxếpc, and hình facenet "nhận diện khn mặt sử dụng mạng nơron."