Xây dựng mô hình phân lớp để nhận diện khuôn mặt dựa trên mạng nơron xoắn

- ĐẠI HỌC HUẾ TRƯỜNG ĐẠI HỌC KINH TẾ HUẾ KHOA HỆ THỐNG THÔNG TIN KINH TẾ ́ ̣c K in h tê ́H uê - - ho KHỐ LUẬN TỐT NGHIỆP XÂY DỰNG MƠ HÌNH PHÂN LỚP ĐỂ NHẬN DIỆN g Đ ại KHUÔN MẶT DỰA TRÊN MẠNG NƠRON XOẮN Giảng viên hướng dẫn: Phạm Nguyễn Hà Quang TS Nguyễn Đình Hoa Cương ươ ̀n Sinh viên thực hiện: Tr Lớp: K49A Tin học kinh tế Niên khoá: 2015-2019 Huế, 01/2019 - Khoá luận tốt nghiệp GVHD: TS Nguyễn Đình Hoa Cương LỜI CẢM ƠN Được phân công khoa Hệ Thống Thông Tin Kinh Tế, trường Đại Học Kinh Tế Huế, sau gần ba tháng thực tập công ty TNHH Một thành viên MagRabbit Huế viết khoá luận, em hồn thành khố luận tốt nghiệp cuối khố Để hoàn thành nhiệm vụ giao, nỗ lực học hỏi thân cịn có hướng dẫn tận tình thầy cơ, giúp đỡ bạn bè anh chị công ty, đặc ́ uê biệt động viên tinh thần lớn từ gia đình ́H Em xin chân thành cảm ơn TS Nguyễn Đình Hoa Cương, người hướng dẫn tê cho em suốt thời gian thực tập Thầy vấn đề mà em gặp phải lúc làm khố luận, định hướng cho em để em hồn thành tốt nhiệm vụ in h Xin cảm ơn tất bạn bè, thầy cô, anh chị công ty gia đình giúp đỡ, ̣c K dìu dắt em suốt thời gian qua Tất người nhiệt tình giúp đỡ, số lượng công việc công ty ngày tăng lên công ty dành thời gian để ho hướng dẫn nhiệt tình Bên cạnh đó, động lực vơ to lớn để em cố gắng hồn thành tốt khố luận gia đình ại Để hồn thành khoá luận này, em nhận hướng dẫn, giúp đỡ động Đ viên tận tình từ nhiều phía Tất điều trở thành động lực lớn g giúp em hồn thành tốt công việc giao ươ ̀n Một lần xin gửi đến gia đình, thầy bạn bè anh chị công ty Tr MagRabbit lời cảm ơn chân thành tốt đẹp nhất! Huế, tháng năm 2019 Sinh viên ký tên Phạm Nguyễn Hà Quang SVTH: Phạm Nguyễn Hà Quang i - Khố luận tốt nghiệp GVHD: TS Nguyễn Đình Hoa Cương MỤC LỤC LỜI CẢM ƠN i MỤC LỤC ii DANH MỤC THUẬT NGỮ v DANH MỤC HÌNH ẢNH vii ́ uê DANH MỤC BẢNG viii ́H MỞ ĐẦU .1 tê Lý chọn đề tài h Mục tiêu đề tài in Đối tượng phạm vi nghiên cứu ̣c K Phương pháp nghiên cứu ho Cấu trúc khoá luận CHƯƠNG I CƠ SỞ LÝ THUYẾT .3 ại 1.1 Khai phá liệu Đ 1.1.1 Khai phá liệu quy trình ươ ̀n g 1.1.2 Các phương pháp khai phá liệu 1.1.2.1 Khai phá luật kết hợp .4 Tr 1.1.2.2 Phân cụm 1.1.2.3 Phân lớp 1.1.3 Các phương pháp phân lớp sử dụng khoá luận 1.1.3.1 Mơ hình Nạve Bayes .7 1.1.3.2 Mô hình k-lân cận (k-Nearest Neighbors) 1.1.3.3 Mơ hình mạng nơron nhân tạo (Artificial Neural Network) 10 1.1.3.4 Mơ hình mạng nơron xoắn (Convolutional Neural Network) 11 SVTH: Phạm Nguyễn Hà Quang ii - Khoá luận tốt nghiệp GVHD: TS Nguyễn Đình Hoa Cương 1.2 Phát biểu tốn nghiên cứu .13 1.3 Các cơng trình liên quan .14 CHƯƠNG II PHƯƠNG PHÁP XÂY DỰNG MƠ HÌNH MẠNG NƠRON XOẮN .25 2.1 Cấu trúc ảnh trình xử lý ảnh 25 ́ uê 2.1.1 Cấu trúc ảnh 25 ́H 2.1.2 Quá trình xử lý ảnh .26 tê 2.1.2.1 Thu nhận ảnh 28 2.1.2.2 Lọc nâng cao ảnh .29 in h 2.1.2.3 Khôi phục ảnh 30 ̣c K 2.1.2.4 Xử lý ảnh màu 31 2.1.2.5 Xử lý Wavelet đa nhiệm 32 ho 2.1.2.6 Nén ảnh 33 ại 2.1.2.7 Xử lý hình thái ảnh .36 Đ 2.1.2.8 Phân đoạn ảnh 37 ươ ̀n g 2.1.2.9 Biểu diễn mô tả ảnh 38 2.1.2.10 Nhận dạng ảnh 40 Tr 2.2 Phương pháp xây dựng mô hình 41 2.3 Phương pháp đánh giá mơ hình 41 CHƯƠNG III THÍ NGHIỆM VÀ KẾT LUẬN .44 3.1 Thiết lập thí nghiệm 44 3.2 Kết thí nghiệm 44 3.3 Ứng dụng Swing vào thí nghiệm 48 3.4 Thảo luận kết luận 50 SVTH: Phạm Nguyễn Hà Quang iii - Khoá luận tốt nghiệp GVHD: TS Nguyễn Đình Hoa Cương KẾT LUẬN 52 ́ Tr ươ ̀n g Đ ại ho ̣c K in h tê ́H uê DANH MỤC TÀI LIỆU THAM KHẢO 53 SVTH: Phạm Nguyễn Hà Quang iv - Khoá luận tốt nghiệp GVHD: TS Nguyễn Đình Hoa Cương DANH MỤC THUẬT NGỮ STT Từ viết tắt Tên tiếng Anh Tên tiếng Việt ANN Artificial Neural Network Mạng nơron nhân tạo CCD Charge Coupled Device Linh kiện tích điện kép CNN Convolutional Neural Network Mạng nơron xoắn DEF Distance-based Evidence Fusion k-NN k-nearest neighbors LBP Local binary patterns LDA Linear Discriminant Analysis LDP Local Directional Pattern LPF 10 ́ uê Phép hợp dựa ́H khoảng cách tê k-lân cận Phân tích phân biệt tuyến tính Mơ hình hướng cục Bộ lọc thơng thấp LRC Linear Regression Classification Phân lớp hồi quy tuyến tính 11 LTP Local ternary patterns Mẫu tam phân cục 12 PCA Principal Component Analysis Phân tích thành phần 13 Rectified Linear Unit g Đ ại Low Pass Filter ươ ̀n ho ̣c K in h Mẫu nhị phân cục Tr ReLU 14 ROC 15 SDK 16 SIFT Đơn vị tuyến tính tinh chỉnh Receiver Operating Đường cong đặc trưng Characteristic hoạt động thu nhận Software Development Kit Bộ công cụ phát triển phần mềm Scale-Invariant Feature Giải thuật Transform thị giác máy tính SVTH: Phạm Nguyễn Hà Quang v - Khoá luận tốt nghiệp GVHD: TS Nguyễn Đình Hoa Cương Singular Value Decomposition Phân tích giá trị đơn trị 18 VQ Vector Quantization Lượng hoá vectơ Tr ươ ̀n g Đ ại ho ̣c K in h tê ́H ́ SVD uê 17 SVTH: Phạm Nguyễn Hà Quang vi - Khoá luận tốt nghiệp GVHD: TS Nguyễn Đình Hoa Cương DANH MỤC HÌNH ẢNH Hình 1.1: Q trình khai phá liệu .3 Hình 1.2: Kiến trúc mạng nơron xoắn 12 Hình 2.1: Toạ độ ảnh 25 Hình 2.2: Quá trình xử lý ảnh 27 ́ uê Hình 2.3: Hệ thống nén ảnh 34 ́H Hình 3.1: Đường ROC mơ hình xét tập liệu FEI 46 tê Hình 3.2: Đường ROC mơ hình xét tập liệu LFW .47 h Hình 3.3: Đường ROC mơ hình xét tập liệu ORL .48 in Hình 3.4: Giao diện phân lớp 49 Tr ươ ̀n g Đ ại ho ̣c K Hình 3.5: Giao diện dự đoán nhãn lớp 50 SVTH: Phạm Nguyễn Hà Quang vii - Khoá luận tốt nghiệp GVHD: TS Nguyễn Đình Hoa Cương DANH MỤC BẢNG Bảng 2.1: Ma trận hỗn hợp 42 Bảng 3.1: Độ xác 45 ́ Tr ươ ̀n g Đ ại ho ̣c K in h tê ́H uê Bảng 3.2: Độ sai lệch 45 SVTH: Phạm Nguyễn Hà Quang viii - Khoá luận tốt nghiệp GVHD: TS Nguyễn Đình Hoa Cương MỞ ĐẦU Lý chọn đề tài Trong năm gần đây, với phát triển vượt bậc công nghệ thông tin, ứng dụng trí tuệ nhân tạo ngày phát triển đánh giá cao Ứng dụng trí tuệ nhân tạo lưu trữ khối lượng lớn liệu hoạt động hàng ngày chúng Từ khối liệu này, kỹ thuật khai phá liệu dùng để ́ uê trích xuất thơng tin hữu ích mà chưa biết Các tri thức vừa học có ́H thể vận dụng để nâng cao hiệu suất làm việc cải thiện chất lượng sống người Một ứng dụng trí tuệ nhân tạo quan tâm, tê nhận diện khn mặt h Khn mặt đóng vai trị giao tiếp người với người, mang lượng lớn in thông tin, từ xác định giới tính, tuổi tác, cảm xúc người Vì vậy, nhận ̣c K diện khuôn mặt ứng dụng vào nhiều lĩnh vực đời sống người, chẳng hạn tìm kiếm người, bảo mật Trong ứng dụng khai phá liệu, để có ho thể nhận diện người xác, liệu khn mặt cần phải phân loại - ại xác định trước, từ hệ thống nhận diện xác định người Đ Từ lý đó, tơi định chọn đề tài “Xây dựng mơ hình phân lớp để g nhận diện khuôn mặt dựa mạng nơron xoắn” làm hướng nghiên cứu đề tài ươ ̀n Mục tiêu đề tài Nghiên cứu phương pháp xây dựng mơ hình mạng nơron xoắn phương pháp xử Tr lý ảnh để áp dụng vào tốn nhận diện khn mặt Đối tượng phạm vi nghiên cứu  Đối tượng nghiên cứu: mơ hình mạng nơron xoắn phương pháp xử lý ảnh  Phạm vi nghiên cứu: cơng trình, báo lĩnh vực nhận diện khuôn mặt Phương pháp nghiên cứu  Phương pháp thu thập thơng tin: tìm kiếm, tham khảo tất tài liệu liên quan đến mơ hình mạng nơron xoắn phương pháp xử lý ảnh SVTH: Phạm Nguyễn Hà Quang - Khoá luận tốt nghiệp score: Accuracy ( GVHD: TS Nguyễn Đình Hoa Cương ): (28) (29) (độ hồi tưởng - Recall) đo lường tỉ lệ dương thực tế xác định chắn, cao quan sát thực bị bỏ sót Trong dương giả không xác định chắn, đo lường tỉ lệ cao quan sát thực bị ́ bỏ sót nhiều ́H (độ xác - Precision) tỉ lệ quan sát dương dự đốn xác so với tổng số quan sát dương dự đốn xác tê Điểm mức trung bình có trọng số Precision Recall Do điểm in h có tính dương giả âm giả ̣c K (độ xác - Accuracy) tỉ lệ quan sát dự đốn xác so với Tr ươ ̀n g Đ ại ho tổng quan sát Độ xác cao mơ hình tốt SVTH: Phạm Nguyễn Hà Quang 43 - Khoá luận tốt nghiệp GVHD: TS Nguyễn Đình Hoa Cương CHƯƠNG III THÍ NGHIỆM VÀ KẾT LUẬN 3.1 Thiết lập thí nghiệm Thí nghiệm tiến hành dựa liệu ảnh:  FEI [4] gồm 2780 mẫu liệu ảnh màu  Labeled Faces in the Wild (LFW) [16] gồm 750 mẫu liệu ảnh màu ́ uê  ORL [31] gồm 400 mẫu liệu ảnh trắng đen Q trình thiết lập thí nghiệm sử dụng phần mềm Weka thực sau: ́H  Bước 1: Từ tập liệu ảnh, ta tạo tập tin ARFF với thuộc tính cho tê tập liệu ảnh Thuộc tính tên tập tin ảnh thuộc tính h thứ hai nhãn lớp in  Bước 2: Khởi động phần mềm Weka  Explorer ̣c K  Bước 3: Tải liệu cần huấn luyện vào  Bước 4: Chọn Choose  filters  unsupervised  instance  imageFilter ho  ColorLayoutFilter (tập liệu tạo thêm 33 thuộc tính)  Chọn địa lưu trữ tập tin ảnh liệu  Apply ại  Bước 5: Loại bỏ thuộc tính tên tập tin ảnh Đ  Bước 6: Chọn Choose  filters  unsupervised  instance  g RemovePercentage  chỉnh tham số để chia liệu thành tập huấn ươ ̀n luyện (70%) kiểm thử (30%)  Bước 7: Q trình xây dựng mơ hình Nạve Bayes, k-NN ANN Tr tương tự bước xây dựng mơ hình phân lớp CNN, nhiên với mơ hình, ta chọn phân lớp tương ứng  Bước 8: Lặp lại bước với tập liệu lại 3.2 Kết thí nghiệm Sau tiến hành huấn luyện kiểm thử mơ hình phân lớp, kết trình bày bảng 3.1 bảng 3.2: SVTH: Phạm Nguyễn Hà Quang 44 - Khoá luận tốt nghiệp GVHD: TS Nguyễn Đình Hoa Cương Bảng 3.1: Độ xác Dữ liệu ORL Naïve Bayes 81,77% 75,56% 83,33% k-NN (k = 5) 84,41% 82,67% 83,33% ANN 83,09% 82,22% 83,33% CNN 89,21% 86,67% 83,33% ́H ́ LFW FEI Mơ hình Nhận xét: Dựa vào kết độ xác bảng 3.1, mơ hình phân lớp tê Nạve Bayes, k-NN, ANN CNN, ta thấy mơ hình CNN cho kết cao h tập liệu Tuy nhiên, tập liệu ORL, mơ hình CNN cho in kết cao nhất, kết lại xấp xỉ với mơ hình cịn lại Dữ liệu FEI LFW ORL 24,44% 16,67% 15,59% 17,33% 16,67% 16,91% 17,78% 16,67% 10,79% 13,33% 16,67% ho Mơ hình Đ ươ ̀n g ANN 18,23% ại Naïve Bayes k-NN (k = 5) ̣c K Bảng 3.2: Độ sai lệch CNN Tr Nhận xét: Dựa vào kết độ sai lệch bảng 3.2, mơ hình phân lớp Nạve Bayes, k-NN, ANN CNN, ta thấy mơ hình Nạve Bayes có kết sai lệch nhiều so với mơ hình cịn lại tập liệu FEI LFW Từ kết phân lớp bảng 3.1 3.2, ta có biểu đồ đường ROC mơ hình tập liệu SVTH: Phạm Nguyễn Hà Quang 45 - ̣c K in h tê ́H ́ GVHD: TS Nguyễn Đình Hoa Cương uê Khố luận tốt nghiệp Hình 3.1: Đường ROC mơ hình xét tập liệu FEI ho Trong khoảng (0,0; 0,15) đến khoảng (0,05; 0,5), kết xác mơ hình CNN ại có phần so với mơ hình ANN Nạve Bayes Nhưng sau đó, đường cong Đ mơ hình CNN dần dọc theo biên trái dọc theo biên phía vượt Tr ươ ̀n g hẳn đường cong lại SVTH: Phạm Nguyễn Hà Quang 46 - ̣c K in h tê ́H ́ GVHD: TS Nguyễn Đình Hoa Cương Khố luận tốt nghiệp Hình 3.2: Đường ROC mơ hình xét tập liệu LFW ho Kết xác ban đầu mơ hình CNN có xuất phát độ lớn lớn hẳn đường ại cong lại Trong khoảng (0,02; 0,25) đến khoảng (0,5; 0,8), kết xác Đ mơ hình CNN có phần nhiều so với đường cong mơ hình Nạve Bayes ANN Từ khoảng (0,5; 0,8) trở đi, đường cong mơ hình CNN vượt lên Tr ươ ̀n g thể vượt trội SVTH: Phạm Nguyễn Hà Quang 47 - ̣c K in h tê ́H ́ GVHD: TS Nguyễn Đình Hoa Cương Khố luận tốt nghiệp Hình 3.3: Đường ROC mơ hình xét tập liệu ORL ho Kết xác ban đầu mơ hình CNN có phần mơ hình ANN ại lại lớn hẳn so với mơ hình Nạve Bayes k-NN Sau đường Đ cong mơ hình vượt lẫn Từ khoảng (0,58; 0,59) trở đi, kết g xác mơ hình CNN có phần mơ hình cịn lại ươ ̀n 3.3 Ứng dụng Swing vào thí nghiệm Ngồi việc sử dụng phần mềm Weka để làm thí nghiệm, thí nghiệm Tr tiến hành với phần mềm sau: SVTH: Phạm Nguyễn Hà Quang 48 - h tê ́H ́ GVHD: TS Nguyễn Đình Hoa Cương Khố luận tốt nghiệp in Hình 3.4: Giao diện phân lớp ̣c K Ở giao diện phân lớp, chương trình có phần:  Phần Dataset: tuỳ chỉnh thư mục chứa tập liệu huấn luyện tập liệu ho kiểm thử chuẩn bị trước ại  Phần Convolutional Neural Network: thiết lập tham số cho mơ hình Đ mạng nơron xoắn  Phần xây dựng mơ hình phân lớp: sau nhấn nút Build model để xây = 5), ươ ̀n g dựng mơ hình Nạve Bayes, k-NN (thiết lập mặc định tham số mạng nơron nhân tạo mạng nơron xoắn, ta nhận kết độ Tr xác mơ hình SVTH: Phạm Nguyễn Hà Quang 49 - h tê ́H ́ GVHD: TS Nguyễn Đình Hoa Cương Khố luận tốt nghiệp in Hình 3.5: Giao diện dự đốn nhãn lớp ̣c K Ở giao diện dự đoán nhãn lớp, nhấn nút Load chương trình hộp thoại để ta chọn ảnh từ tập liệu ảnh chuẩn bị trước Sau chọn ảnh chương ại 3.4 Thảo luận kết luận ho trình hiển thị ảnh lên giao diện dự đốn nhãn lớp cho ảnh Đ Mỗi phân lớp đại diện điểm ROC không gian tương ứng g với cặp trục (x,y) biễn diễn kết mơ hình cách tổng qt để chọn tiêu ươ ̀n chí xếp thứ tự mơ hình cho phù hợp để phân tích đưa kết xác Dựa vào kết thí nghiệm, ta thấy: Tr  Đối với hai tập liệu FEI LFW, mơ hình CNN có kết xác trội hẳn mơ hình Naïve Bayes, k-NN ANN  Đối với tập liệu ORL, q trình xây dựng mơ hình, mơ hình CNN có phần xác so với mơ hình ANN, mơ hình có dao động lớn nhiều so với mô hình Nạve Bayes k-NN Tuy nhiên kết sau mơ hình cho kết xấp xỉ Xây dựng mơ hình phân lớp CNN với tập liệu ảnh cho kết cao tập liệu, từ ta kết luận mơ hình CNN cho kết SVTH: Phạm Nguyễn Hà Quang 50 - Khoá luận tốt nghiệp GVHD: TS Nguyễn Đình Hoa Cương xác cao lĩnh vực nhận diện khn mặt Kết mơ hình CNN ́ Tr ươ ̀n g Đ ại ho ̣c K in h tê ́H uê thể rõ ràng đường ROC tập liệu SVTH: Phạm Nguyễn Hà Quang 51 - Khoá luận tốt nghiệp GVHD: TS Nguyễn Đình Hoa Cương KẾT LUẬN Với phát triển bùng nổ công nghệ thông tin, ứng dụng nhận diện khuôn mặt ngày phát triển đánh giá cao Nắm bắt xu thời đại, bắt đầu nghiên cứu đề tài “Xây dựng mơ hình phân lớp để nhận diện khuôn mặt dựa mạng nơron xoắn” đạt số kết sau:  Nắm lý thuyết mơ hình mạng nơron xoắn xử lý ảnh ́ uê  Xây dựng mô hình phân lớp CNN để nhận diện khn mặt áp dụng ́H vào tốn xác định giới tính tê Ngồi kết đạt bên cạnh cịn số thiếu sót:  Phương pháp xây dựng mơ hình phân lớp CNN để nhận diện khn mặt in h đơn giản ̣c K  Kết độ xác nhận diện khn mặt chưa thực cao Nhìn chung, việc nghiên cứu lĩnh vực nhận diện khn mặt hồn tồn khả thi ho thực tiễn, phù hợp với nhu cầu nhận dạng người hay bảo mật thơng tin Do thời gian tới, tiếp tục nghiên cứu thêm phương pháp nhận diện khuôn Đ Tr ươ ̀n g người ại mặt khác để cải thiện kết độ xác xác định độ tuổi, cảm xúc SVTH: Phạm Nguyễn Hà Quang 52 - Khoá luận tốt nghiệp GVHD: TS Nguyễn Đình Hoa Cương DANH MỤC TÀI LIỆU THAM KHẢO [1] Association Rules, , xem ngày 29/09/2018 [2] Andrew Wagner, John Wright., Arvind Ganesh, Zhou Zihan, Hossein Mobahi, and Ma Yi (2012), “Toward a Practical Face Recognition System: Robust Alignment and Illumination by Sparse Representation”, IEEE Trans Pattern Anal Mach Intell, 34(2), ́ uê 372-386 ́H [3] Cao Qiong, Ying Yiming, and Li Peng (2013), “Similarity Metric Learning for tê Face Recognition”, The IEEE International Conference on Computer Vision, 24082415 in h [4] Carlos Eduardo Thomaz - Personal Web Page, ̣c K , xem ngày 30/11/2018 [5] Châu Ngân Khánh, Đoàn Thanh Nghị (2014), “Nhận dạng mặt người với giải ho thuật Haar Like Feature - Cascade of Boosted Classifiers đặc trưng SIFT”, Tạp chí Khoa Học, 3(2), 15-24 ại [6] Classification, ươ ̀n g ngày 29/09/2018 Đ , xem [7] Clustering, , xem ngày 29/09/2018 Tr [8] Convolutional neural network, , xem ngày 29/09/2018 [9] Fabricio voznika, and Leonardo Viana (2001), “Data Mining Classification”, Springer [10] Florian Schroff, Dmitry Kalenichenko, and James Philbin (2015), “FaceNet: A Unified Embedding for Face Recognition and Clustering”, The IEEE Conference on Computer Vision and Pattern Recognition, 815-823 SVTH: Phạm Nguyễn Hà Quang 53 - Khoá luận tốt nghiệp GVHD: TS Nguyễn Đình Hoa Cương [11] Image Processing Wikipedia book (2010), , xem ngày 09/11/2018 [12] Imran Naseem, Roberto Togneri, and Mohammed Bennamoun (2010), “Linear Regression for Face Recognition”, IEEE Trans Pattern Anal Mach Intell, 32(11), 2106-2112 ́ uê [13] k-nearest neighbors algorithm, ́H , xem ngày 29/09/2018 tê [14] Keiron Teilo O’Shea, and Ryan Nash (2015), “An Introduction to Convolutional in h Neural Networks”, ArXiv E-Prints ̣c K [15] KNN Classification, , xem ngày 29/09/2018 ho [16] LFW Face Database: Main, , xem ngày 30/11/2018 [17] Liao Shengcai, Anil K Jain, Stan Z Li (2013), “Partial Face Recognition: Đ ại Alignment-Free Approach”, IEEE Trans Pattern Anal Mach Intell, 35(5), 1193-1205 [18] Liu Linghui, Luan Xiao, Tang Shu, Geng Hongmin, and Zhang Ye (2017), “A g face recognition method based on residual image representation and feature ươ ̀n extraction”, 2017 International Conference on Security, Pattern Analysis, and Cybernetics (SPAC), 636-641 Tr [19] Lu Canyi, Min Hai, Gui Jie, Zhu Lin and Lei Yingke (2013), “Face recognition via Weighted Sparse Representation”, J Vis Commun Image Represent, 24(2), 111116 [20] Lu Jiwen, Liong Venice Erin, Zhou Xiuzhuang, and Zhou Jie (2015), “Learning Compact Binary Face Descriptor for Face Recognition”, IEEE Trans Pattern Anal Mach Intell, 37(10), 2041-2056 SVTH: Phạm Nguyễn Hà Quang 54 - Khoá luận tốt nghiệp GVHD: TS Nguyễn Đình Hoa Cương [21] Lu Jiwen, Tan Yap-Peng, Wang Gang (2013), “Discriminative Multimanifold Analysis for Face Recognition from a Single Training Sample per Person”, IEEE Trans Pattern Anal Mach Intell, 35(1), 39-51 [22] Lu Jiwen, Wang Gang, and Zhou Jie (2017), "Simultaneous Feature and Dictionary Learning for Image Set Based Face Recognition", IEEE Trans Image Process, 26(8), 4042-4054 ́ uê [23] Md Zahangir Alom, Tarek M Taha, Christopher Yakopcic, Stefan Westberg, ́H Paheding Sidike, Mst Shamima Nasrin, Brian C Van Esesn, Abdul A S Awwal, and Vijayan K Asari (2018), “The History Began from AlexNet: A Comprehensive tê Survey on Deep Learning Approaches” h [24] Naive Bayesian, , xem ngày ̣c K in 29/09/2018 [25] Naive Bayes classifier, , ho xem ngày 29/09/2018 [26] Pejman Rasti, Tõnis Uiboupin, Sergio Escalera, and Gholamreza Anbarjafari ại (2016), “Convolutional Neural Network Super Resolution for Face Recognition in Đ Surveillance Monitoring”, Articulated Motion and Deformable Objects, 175-184 g [27] PGS.TS Nguyễn Hà Nam, PGS.TS Nguyễn Trí Thành, PGS.TS Hà Quang Thụy ươ ̀n (2013), Giáo trình Khai phá liệu, NXB Đại học Quốc gia Hà Nội [28] Rafael C Gonzalez, Richard E Woods (2009), "Digital Image Processing, Third Tr Edition", J Biomed Opt, 14(2) [29] Receiver operating characteristic, , xem ngày 29/09/2018 [30] Tan Xiaoyang and Bill Triggs (2010), “Enhanced Local Texture Feature Sets for Face Recognition Under Difficult Lighting Conditions”, IEEE Trans Image Process, 19(6), 1635-1650 SVTH: Phạm Nguyễn Hà Quang 55 - Khoá luận tốt nghiệp GVHD: TS Nguyễn Đình Hoa Cương [31] The Database of Faces, , xem ngày 30/11/2018 [32] Tolga Soyata, Rajani Muraleedharan, Colin Funai, Minseok Kwon, and Wendi Heinzelman (2012), “Cloud-Vision: Real-time face recognition using a mobilecloudlet-cloud acceleration architecture”, 2012 IEEE Symposium on Computers and ́ uê Communications (ISCC), 000059-000066 ́H [33] Trịnh Tấn Đạt, Phạm Thế Bảo (2013), “Dùng đặc trưng Gabor kết hợp AdaBoost k-means tốn nhận dạng mặt người”, Tạp chí Khoa Học tê [34] Trương Công Lợi (2013), “Một số phương pháp phát khn mặt ảnh”, in h Tạp chí Khoa Học ̣c K [35] TS Nguyễn Đình Hoa Cương (2017), Bài giảng Khai phá liệu [36] Từ Minh Hiển, Trần Thị Khánh Hồ (2012), “Nhận dạng khn mặt người ho mạng nơron phương pháp phân tích thành phần chính”, Báo cáo Hội nghị Sinh Viên Nghiên cứu Khoa Học lần thứ Đại học Đà Nẵng năm 2012 ại [37] Yan Yan, Chen Qiu, and Lee Feifei (2016), “Face recognition using extended Đ vector quantization histogram features”, 2016 IEEE International Conference on g Signal and Image Processing (ICSIP), 90-95 ươ ̀n [38] Zhang Qiang, and Li Baoxin (2010), “Discriminative K-SVD for dictionary learning in face recognition”, 2010 IEEE Computer Society Conference on Computer Tr Vision and Pattern Recognition, 2691-2698 [39] Wen Yandong, Zhang Kaipeng, Li Zhifeng, and Qiao Yu (2016), “A Discriminative Feature Learning Approach for Deep Face Recognition”, Computer Vision – ECCV 2016, Springer International Publishing, 499-515 [40] What is an Artificial Neural Network (ANN), , xem ngày 29/09/2018 SVTH: Phạm Nguyễn Hà Quang 56 - Khoá luận tốt nghiệp GVHD: TS Nguyễn Đình Hoa Cương [41] What is Data Mining, , xem ngày 29/09/2018 [42] Wilhelm Burger, and Mark J Burge (2016), "Digital image processing An ́ Tr ươ ̀n g Đ ại ho ̣c K in h tê ́H uê algorithmic introduction using Java", Springer Berlin Heidelberg SVTH: Phạm Nguyễn Hà Quang 57