Phát triển hệ thống điểm danh trong lớp học sử dụng công nghệ nhận diện khuôn mặt

Vui lòng liên hệ ZALO 0353764719 hoặc GMAIL: 123docntcgmail.com để mua tài liệu trực tiếp với giá ưu đãi, GIẢM GIÁ 2050% . Xin cám ơn Vui lòng liên hệ ZALO 0353764719 hoặc GMAIL: 123docntcgmail.com để mua tài liệu trực tiếp với giá ưu đãi, GIẢM GIÁ 2050% . Xin cám ơn

HỌ VÀ TÊN SINH VIÊN: ĐỖ KHÁNH LINH BỘ THÔNG TIN VÀ TRUYỀN THƠNG HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THÔNG ĐỒ ÁN TỐT NGHIỆP ĐẠI HỌC LỚP: D17HTTT06 Đề tài: “PHÁT TRIỂN HỆ THỐNG ĐIỂM DANH TRONG LỚP HỌC SỬ DỤNG CÔNG NGHỆ NHẬN DIỆN KHUÔN MẶT” Người hướng dẫn: Sinh viên thực hiện: Lớp: Hệ: ThS Nguyễn Văn Tiến Đỗ Khánh Linh D17HTTH06 Đại học quy HÀ NỘI – NĂM 2022 BỘ THÔNG TIN VÀ TRUYỀN THƠNG HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG ĐỒ ÁN TỐT NGHIỆP ĐẠI HỌC Đề tài: “PHÁT TRIỂN HỆ THỐNG ĐIỂM DANH TRONG LỚP HỌC SỬ DỤNG CÔNG NGHỆ NHẬN DIỆN KHUÔN MẶT” Người hướng dẫn: ThS Nguyễn Văn Tiến Sinh viên thực hiện: Đỗ Khánh Linh Lớp: D17HTTH06 Hệ: Đại học quy NHẬN XÉT CỦA GIẢNG VIÊN HƯỚNG DẪN ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ………………………………………………………………………………………… Điểm: (Bằng chữ: ) Hà Nội, ngày tháng năm 20… Giảng viên hướng dẫn NHẬN XÉT CỦA GIẢNG VIÊN PHẢN BIỆN ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ……………………………………………………………………………………………… ………………………………………………………………………………………… Điểm: (Bằng chữ: ) Hà Nội, ngày tháng Giảng viên phản biện năm 20… Đồ án tốt nghiệp đại học LỜI CẢM ƠN Lời đầu tiên, em xin chân thành cảm ơn khoa Công nghệ thông tin 1, Học viện Công nghệ Bưu Viễn Thơng tạo điều kiện thuận lợi cho em học tập thực đề tài tốt nghiệp Em xin bày tỏ lòng biết ơn sâu sắc tới thầy Nguyễn Văn Tiến tận tình định hướng, hướng dẫn, hỗ trợ chúng em trình thực đồ án Chúng em xin chân thành cảm ơn thầy cô khoa Công nghệ thông tin, khoa Cơ tận tình giảng dạy, trang bị cho em kiến thức quý báu năm vừa qua Cuối cùng, em xin cảm ơn gia đình, bạn bè người bên cạnh, quan tâm động viên, giúp em hồn thành đồ án tốt Mặc dù cố gắng hoàn thành đồ án phạm vi khả cho phép khơng thể tránh khỏi thiếu sót Em mong nhận thơng cảm, góp ý nhận xét quý thầy cô bạn Hà Nội, tháng năm 2022 Sinh viên Đỗ Khánh Linh Đỗ Khánh Linh – D17HTTT06 i Đồ án tốt nghiệp đại học MỤC LỤC LỜI CẢM ƠN i MỤC LỤC ii DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT iv DANH MỤC CÁC HÌNH VẼ v DANH MỤC CÁC BẢNG viii MỞ ĐẦU x CHƯƠNG 1: TÌM HIỂU BÀI TỐN ĐIỂM DANH SỬ DỤNG NHẬN DIỆN KHN MẶT 1.1 Tổng quan toán 1.1.1 Bài tốn điểm danh khn mặt 1.1.2 Những khó khăn việc điểm danh khuôn mặt 1.2 Cơ sở lý thuyết tổng quan mạng nơ-ron tích chập (Convolution Neural Network) Deep Learning 1.2.1 Mạng nơ-ron nhân tạo (Neural Network) 1.2.2 Mạng nơ-ron tích chập (Convolution Neural Network) CHƯƠNG 2: KHẢO SÁT CÁC CÔNG NGHỆ XỬ LÝ ẢNH, HỌC MÁY TRONG HỆ THỐNG NHẬN DIỆN GƯƠNG MẶT 17 2.1 Bộ phát khuôn mặt (Face Detector) 18 2.2 Bộ chỉnh khuôn mặt (Face Alignment) 24 2.3 Bộ chống giả mạo khuôn mặt (Face Anti-spoofing) 25 2.4 Bộ trích xuất đặc trưng khuôn mặt (Face Feature Extraction) 29 2.5 Bộ nhận diện khn mặt 32 CHƯƠNG 3: PHÂN TÍCH THIẾT KẾ HỆ THỐNG 3.1 Phân tích hệ thống 35 35 3.1.1 Mơ tả chức hệ thống: 35 3.1.2 Use Case tổng quan hệ thống: 36 3.1.3 Đặc tả Use Case hệ thống: 36 3.2 Thiết kế hệ thống 50 3.2.1 Biểu đồ lớp hệ thống 50 3.2.2 Biểu đồ CSDL 50 3.2.3 Thiết kế vật lý hệ thống 52 Đỗ Khánh Linh – D17HTTT06 ii Đồ án tốt nghiệp đại học 3.3 Tổng quan chức điểm danh nằng khuôn mặt CHƯƠNG 4: THỬ NGHIỆM CÀI ĐẶT VÀ XÂY DỰNG ỨNG DỤNG 53 57 4.1 Cài đặt Server 57 4.2 Cài đặt Client 57 4.3 Thiết kế giao diện 58 4.3.1 Giao diện đăng nhập 58 4.3.2 Giao diện danh sách lớp học 59 4.3.3 Giao diện điểm danh 60 4.3.4 Giao diện kết điểm danh 61 4.2.5 Giao diện đăng nhập Admin 62 4.2.6 Giao diện thêm tài khoản 62 4.2.7 Giao diện thêm ảnh vào tài khoản sinh viên 63 4.2.8 Giao diện sửa tài khoản 63 4.2.9 Giao diện xóa tài khoản 64 KẾT LUẬN 65 TÀI LIỆU THAM KHẢO 66 Đỗ Khánh Linh – D17HTTT06 iii Đồ án tốt nghiệp đại học DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT STT Từ viết tắt Diễn giải AI Artificial Intelligence CNN Convolution Neural Network GAP Global Average Pooling SVM Support Vector Machine LBP Local Binary Pattern SIFT Scale-Invariant Feature Transform HOG Histogram of Oriented Gradients Đỗ Khánh Linh – D17HTTT06 iv Đồ án tốt nghiệp đại học DANH MỤC CÁC HÌNH VẼ Hình 1.1 Cấu trúc nơ-ron thần kinh [9] ….……………………………………….………… Hình 1.2 Cấu trúc nơ-ron nhân tạo……………………………………………………………3 Hình 1.3 Hàm sigmoid [9] … ………………………………………………………………… Hình 1.4 Mơ hình neural network [9] … ……………………………………………………… Hình 1.5 Mơ hình neural network với 2-3-3-1 (input layer có node, hidden layer có node, hidden layer có node, output layer có node) [1] .5 Hình 1.6 Kiến trúc mạng nơ-ron tích chập [10] ………………………………….7 Hình 1.7 Ví dụ Vector, Matrix, Tensor…………………………………………………………8 Hình 1.8 Ví dụ lọc kích thước 3x3…………………………………………………….……….8 Hình 1.9 Tích chập ảnh 5x5x1 với lọc 3x3x1 để có hình ảnh chập 3x3x1 [10] ………………………………………………………………………………………………….….9 Hình 1.10 Ví dụ Stride = 2, Padding = (bên trái) Stride = 1, Padding = (Padding = Same) (bên phải) .…9 Hình 1.11 Thực phép tính convolution ảnh màu [10].….………………….… ………10 Hình 1.12 Ví dụ Pooling layer……………………………………….………………….….…11 Hình 1.13 Ví dụ Fully Connected Layer…………………………………………………… 12 Hình 1.14 Kiến trúc mạng VGG 16 [11].……………………….……………………………… 12 Hình 1.15 Hiện tượng Vanishing Gradient……………………………………………………….13 Hình 1.16 Kiến trúc mạng ResNet……………………………………………………….………14 Hình 1.17 Khối Residual ResNet [11].………………….…………………………….……14 Hình 1.18 Cấu trúc khối Inception [11].………………………….…… ……………………….15 Hình 1.19 Kiến trúc Inception V4 Inception-A (trái dưới), Reduction-A (phải dưới) [12] ……………………………………………………………………………………………………16 Hình 2.1 Tổng quan hệ thống nhận diện khn mặt……………………………….…………….17 Hình 2.2 Các khn mặt khó thực tế [2] ……………… …………….… ……………18 Hình 2.3 Đặc trưng HOG ảnh chứa khn mặt………………………….….……………….19 Hình 2.4 Mơ hình phát khn mặt giai đoạn 2015-2020 [2] ………… …….…………….19 Hình 2.5 Kiến trúc P-Net, R-Net, O-Net MTCNN [3] ……………….….….…………….20 Hình 2.6 Kiến trúc Faster R-CNN…………………………………………………….………….21 Hình 2.7 Kiến trúc mơ hình SSD [13] ……………………………………………………………22 Hình 2.8 Kiến trúc mơ hình FPN…………………………………………………………………22 Hình 2.9 Mơ hình Retina Face……………………………………………………… ………….23 Hình 2.10 Cấu trúc mạng đường trục MobileNet………………………………… …………….23 Hình 2.11 Các phép biến đổi hình học………………………………………….……………… 24 Hình 2.12 Ví dụ điểm facial landmark………………………………………….……………25 Đỗ Khánh Linh – D17HTTT06 v Đồ án tốt nghiệp đại học Hình 2.13 Ví dụ alignment face…………………………………………………….…………….25 Hình 2.14 Ví dụ cách công giả mạo hệ thống bảo mật………… ……………26 Hình 2.15 Cấu trúc Central Different Convolution [5] ……………………………….………….28 Hình 2.16 Cấu trúc Streaming Module [6] ………………………………… ……….……….28 Hình 2.17 Các kiến trúc CNN dùng cho nhận diện khuôn mặt qua năm [7] ….………29 Hình 2.18 Các Loss Functions phục vụ cho nhận diện khuôn mặt qua năm [7] ….…………30 Hình 2.19 Hàm Triplet Loss [14] ……………………………………………… …………….30 Hình 2.20 ArcFace số hàm Loss khác [4] …………………….…………….……………31 Hình 2.21 Euclidean Distance [16] … …… ….………………………………….……………32 Hình 2.22 Cosine Similarity [16] ……….……………………………………………………….33 Hình 2.23 Hamming Distance [16] … ….…….………………………….……………….… 33 Hình 3.1 Biểu đồ Use Case tồn hệ thống…………………… …………………………….36 Hình 3.2 Biểu đồ chức đăng nhập……………………….………………………….37 Hình 3.3 Biểu đồ chức thêm thơng tin GV…………………………………………38 Hình 3.4 Biểu đồ chức xóa GV…………………………………………………….39 Hình 3.5 Biểu đồ chức sửa thông tin GV……… ………………………………….40 Hình 3.6 Biểu đồ chức thêm thơng tin SV……….…………………………………41 Hình 3.7 Biểu đồ chức xóa SV……………………… ………………………… 42 Hình 3.8 Biểu đồ chức sửa thơng tin SV………………………………………… 43 Hình 3.9 Biểu đồ ca sử dụng thêm thông tin lớp học………………… …………………………44 Hình 3.10 Biểu đồ ca sử dụng xóa lớp học………………………………………………………45 Hình 3.11 Biểu đồ ca sử dụng sửa thơng tin lớp học…………………………………………….46 Hình 3.12 Biểu đồ ca sử dụng tạo phiên điểm danh………………………………………………47 Hình 3.13 Biểu đồ ca sử dụng thống kê kết điểm danh theo ngày học………………………48 Hình 3.14 Biểu đồ ca sử dụng điểm danh………………….…………………………………….49 Hình 3.15 Biểu đồ lớp phân tích hệ thống…… ……………………………………………50 Hình 3.16 Biểu đồ CSDL……………………… ………………………………………………51 Hình 3.17 Thiết kế vật lý hệ thống………………… ………………………………………52 Hình 4.1 Giao diện đăng nhập………………………………………………….……………… 58 Hình 4.2 Giao diện danh sách lớp học……………….……………………….………………….59 Hình 4.3 Giao diện điểm danh……………………………….………………….……………….60 Hình 4.4 Giao diện kết điểm danh………….………….………………….…………………61 Hình 4.5 Giao diện đăng nhập Admin…………….……………………….……………… 62 Hình 4.6 Giao diện thêm tài khoản……………………………………….…………………62 Hình 4.7 Giao diện thêm ảnh vào tài khoản sinh viên………………………….……………… 62 Hình 4.8 Giao diện sửa tài khoản…………………………………….………….……………….63 Đỗ Khánh Linh – D17HTTT06 vi Đồ án tốt nghiệp đại học Chương 3: PHÂN TÍCH THIẾT KẾ … 3.2.3 Thiết kế vật lý hệ thống Hình 3.17 Thiết kế vật lý hệ thống ❖ Server ● Docker Để dễ dàng trình cài đặt, dịch vụ hệ thống đóng gói lại thành image docker sau đẩy lên gitlab container registry Docker tảng cho lập trình viên để develop, deploy run application với container Nó cho phép tạo môi trường độc lập tách biệt để khởi chạy phát triển ứng dụng môi trường gọi container Khi cần deploy lên server cần run container Docker application khởi chạy Lợi ích việc sử dụng docker Khởi chạy nhanh, nhẹ máy ảo Không phụ thuộc tảng, không ảnh hưởng đến phần mềm khác hệ thống - Dễ dàng thiết lập môi trường làm việc ● Manager service - Manager service viết Flask web frameworks, thuộc loại micro-framework xây dựng ngơn ngữ lập trình Python Flask cho phép xây dựng ứng dụng web từ đơn giản tới phức tạp Flask Đỗ Khánh Linh – D17HTTT06 52 Đồ án tốt nghiệp đại học Chương 3: PHÂN TÍCH THIẾT KẾ … có ưu điểm nhẹ, phụ thuộc vào cập nhật dễ tìm kiếm lỗi bảo mật ● Database Sử dụng hệ quản trị sở liệu MySQL ❖ Client Về phía client, hệ thống bao gồm ứng dụng di động chạy hệ điều hành Android dành cho giảng viên, sinh viên ứng dụng PC Ứng dụng đóng vai trị giao diện để người dùng dễ dàng tương tác với phần server hệ thống Ứng dụng Android viết ngơn ngữ lập trình Java Ứng dụng Desktop viết ngôn ngữ PythonQT 3.3 Tổng quan chức điểm danh nằng khn mặt Ứng dụng gồm có phần chính: phát khn mặt, chỉnh khn mặt, chống giả mạo, trích xuất đặc trưng nhận diện khuôn mặt, cụ thể là: ❖ Bộ phát khuôn mặt: Sử dụng ảnh RGB làm đầu vào phát khn mặt ảnh dạng hộp giới hạn (bounding box) sau làm đầu vào cho khối chức Có nhiều phương pháp phát khn mặt, thống kê độ xác (độ đo sử dụng để đánh giá AP) phát khn mặt số mơ hình tập liệu WIDER FACE (dễ, trung bình, khó): Mơ hình WIDER FACE (Dễ) WIDER FACE (Trung bình) WIDER FACE (Khó) MTCNN 85.1% 82.0 % 60.7% CMS-RCNN 90.2% 87.4% 64.3% SSH 92.7% 91.5% 84.4% PyramidBox 95.6% 94.6% 90.0% RetinaFace 96.3% 95.6% 91.4% Bảng 3.14 Độ xác mơ hình phát khuôn mặt tập WIDER FACE [8] Dựa vào kết trên, em sử dụng pre-train model Retina Face thư viện ncnn-android để thực ❖ Bộ chỉnh khuôn mặt: Đỗ Khánh Linh – D17HTTT06 53 Đồ án tốt nghiệp đại học Chương 3: PHÂN TÍCH THIẾT KẾ … Mơ hình phát khn mặt Retina Face cho kết bounding box điểm khuôn mặt: mắt trái, mắt phải, mũi, hai điểm mơi Từ ta dễ dàng thực chỉnh khuôn mặt ❖ Bộ chống giả mạo: Sử dụng ảnh chứa khuôn mặt làm đầu vào, đưa qua mơ hình huấn luyện để tiến hành phân loại khuôn mặt đầu vào thật hay giả mạo Em xây dựng mơ hình có kiến trúc khai thác điểm mạnh Depthwise Convolution khối residual ResNet, train Colab để phát chống giả mạo android Chuẩn bị liệu: Bộ liệu train gồm 48,134 hình ảnh khn mặt thật khuôn mặt giả mạo Các khuôn mặt thật chụp với góc mặt khác Các khn mặt giả mạo tạo hình hiển thị khác Cụ thể: Tập liệu Huấn luyện Kiểm thử Số khuôn mặt thật 11,025 2,945 Số khuôn mặt giả mạo 21,845 12,319 Tổng số khuôn mặt 32,870 15,264 Bảng 3.15 Số lượng hình ảnh khn mặt tập train Bộ liệu test lấy phần từ Oulu-NPU SiW Bộ SiW tạo từ 165 người khác nhau, có tổng số 1,434,748 khn mặt tập train, 1,220,369 khuôn mặt tập test, ảnh tạo góc cử khn mặt khác Bộ Oulu-NPU gồm 4950 video khuôn mặt thật khn mặt giả mạo, có tổng số 241,279 khuôn mặt tập train, 179,898 khuôn mặt tập test, ảnh tạo điều kiện môi trường khác nhau, ảnh giả mạo thu qua hình máy in khác Vì liệu gốc lớn nên em sử dụng phần làm tập test gọi Oulu-NPU-mini SiW-mini, cụ thể: Tập liệu (ours) Oulu-NPU-mini SiW-mini Số khuôn mặt thật 3,260 6,667 Số khuôn mặt giả mạo 5,840 7,742 Tổng số 9,100 14,409 Đỗ Khánh Linh – D17HTTT06 54 Đồ án tốt nghiệp đại học Chương 3: PHÂN TÍCH THIẾT KẾ … Bảng 3.16 Số lượng hình ảnh khn mặt tập test Thông số đánh giá: Trong tốn chống giả mạo khn mặt, em xác định lớp Positive khuôn mặt giả mạo, lớp Negative khuôn mặt thật Do False Positive (FP) lỗi mơ hình dự đốn khn mặt giả mạo khn mặt thật False Negative (FN) lỗi mơ hình dự đốn khn mặt thật thành khn mặt giả mạo Từ định nghĩa trên, em đánh giá mơ hình dựa độ đo: ● APCER: tỉ lệ từ chối sai, có nghĩa tỉ lệ phân loại nhầm ảnh thật thành ảnh giả, người dùng thật truy cập vào hệ thống lại bị từ chối Nếu tỉ lệ lớn dẫn đến việc người dùng khó đăng nhập vào hệ thống APCER = FP / (TN + FP) ● NPCER: tỉ lệ chấp nhận sai, có nghĩa tỉ lệ phân loại nhầm ảnh giả thành ảnh thật, người dùng truy cập giả mạo hệ thống chấp nhận Nếu tỉ lệ lớn hệ thống có khả chống giả mạo Đây mối nguy hiểm cho hệ thống bảo mật NPCER = FN / (TP + FN) ● ACER: tỉ lệ lỗi trung bình hệ thống Tỉ lệ giúp ta có nhìn tổng quan đánh giá khách quan mức độ từ chối chấp nhận phương pháp khác ACER = (APCER + NPCER) / Kết thực nghiệm: Bộ liệu đánh giá APCER (%) NPCER (%) ACER (%) Oulu-NPU-mini 2.4 0.56 1.49 SiW-mini 0.49 0.5 0.49 Bảng 3.17 Kết đánh giá mơ hình chống giả mạo ❖ Bộ trích xuất đặc trưng Sau phân loại khuôn mặt chống giả mạo, khn mặt thật đưa vào trích xuất đặc trưng Dựa tiêu chí cân tốc độ độ xác, em lựa chọn mơ hình mạng LResNet100E-IR xây dựng Jiankang Deng làm mô hình trích chọn đặc trưng cho khn mặt Kiến trúc mạng có backbone mạng ResNet100 sử dụng làm loss ArcFace để tối ưu kết Đầu mạng vector đại diện cho khuôn mặt có số chiều 512 ❖ Bộ nhận diện khn mặt Đỗ Khánh Linh – D17HTTT06 55 Đồ án tốt nghiệp đại học Chương 3: PHÂN TÍCH THIẾT KẾ … Với hình ảnh khn mặt đầu vào trích xuất thành vector đặc trưng, sau sử dụng độ đo khoảng cách Euclidean để phân khuôn mặt đầu vào khuôn mặt nằm CSDL vượt qua giá trị ngưỡng cho phép Đỗ Khánh Linh – D17HTTT06 56 Đồ án tốt nghiệp đại học Chương 4: THỬ NGHIỆM CÀI ĐẶT … CHƯƠNG 4: THỬ NGHIỆM CÀI ĐẶT VÀ XÂY DỰNG ỨNG DỤNG 4.1 Cài đặt Server Hệ thống thuê dịch vụ AWS (Amazon Web Services) với cấu sau CPU Ram Bộ nhớ Core 4GB 32GB SSD Phiển phầm mềm sử dụng - Python 3.9.9 bulleye Mysql 5.7 - Docker 19 Container chứa backend service data sử dụng chung network ảo export port 8092 để giúp cho client giao tiếp với backend 4.2 Cài đặt Client Android Application Em sử dụng trình biên dịch Android Studio Artic Fox để lập trình app Android Cấu hình thiết bị kiểm thử mô tả bảng dưới: Android verion API version SoC RAM 10.0 API 29 Snapdragon 660 4GB Desktop Application Được viết QT framework với ngôn ngữ lập trình Python QT sử dụng để tạo chương trình GUI khơng phụ thuộc tảng, phần mềm tạo QT chạy hầu hết hệ điều hành PC Các chương trình tạo QT bao gồm thành phần QTCore, QWidget, QtUiTools … QT cung cấp nhiều công cụ mạnh mẽ để tạo chương trình chạy desktop Mơi trường phát triển QT QT Creator Đỗ Khánh Linh – D17HTTT06 57 Đồ án tốt nghiệp đại học Chương 4: THỬ NGHIỆM CÀI ĐẶT … 4.3 Thiết kế giao diện 4.3.1 Giao diện đăng nhập Hình 4.1 Giao diện đăng nhập Người dùng Sinh viên Giảng viên nhập mã mật chọn ĐĂNG NHẬP giao diện Đỗ Khánh Linh – D17HTTT06 58 Đồ án tốt nghiệp đại học Chương 4: THỬ NGHIỆM CÀI ĐẶT … 4.3.2 Giao diện danh sách lớp học Hình 4.2 Giao diện danh sách lớp học Sinh viên xem danh sách lớp học cần điểm danh chọn ĐIỂM DANH giao diện (hình bên trái) Giảng viên xem danh sách lớp học chọn lớp để tạo phiên điểm danh (hình bên phải) Đỗ Khánh Linh – D17HTTT06 59 Đồ án tốt nghiệp đại học Chương 4: THỬ NGHIỆM CÀI ĐẶT … 4.3.3 Giao diện điểm danh Hình 4.3 Giao diện điểm danh Sinh viên thực chụp ảnh điểm danh, gửi lên hình ảnh giả mạo (hình bên trái) khơng chấp nhận, chụp hình người thật chấp nhận (hình bên phải) Đỗ Khánh Linh – D17HTTT06 60 Đồ án tốt nghiệp đại học Chương 4: THỬ NGHIỆM CÀI ĐẶT … 4.3.4 Giao diện kết điểm danh Hình 4.4 Giao diện kết điểm danh Giao diện kết điểm danh Sinh viên lớp, Sinh viên chưa điểm danh được Giảng viên chọn điểm danh cho Đỗ Khánh Linh – D17HTTT06 61 Đồ án tốt nghiệp đại học Chương 4: THỬ NGHIỆM CÀI ĐẶT … 4.2.5 Giao diện đăng nhập Admin Hình 4.5 Giao diện đăng nhập Admin Admin nhập tên đăng nhập mật chọn đăng nhập giao diện 4.2.6 Giao diện thêm tài khoản Hình 4.6 Giao diện thêm tài khoản Admin chọn chức tạo tài khoản nhập thông tin cho Sinh viên, Giảng viên Đỗ Khánh Linh – D17HTTT06 62 Đồ án tốt nghiệp đại học Chương 4: THỬ NGHIỆM CÀI ĐẶT … 4.2.7 Giao diện thêm ảnh vào tài khoản sinh viên Hình 4.7 Giao diện thêm ảnh vào tài khoản sinh viên Admin thêm ảnh sinh viên vào tài khoản sinh viên để sau hệ thống kiểm tra điểm danh cho sinh viên hình ảnh 4.2.8 Giao diện sửa tài khoản Hình 4.8 Giao diện sửa tài khoản Admin chọn sửa tài khoản thay đổi thông tin người dùng Đỗ Khánh Linh – D17HTTT06 63 Đồ án tốt nghiệp đại học Chương 4: THỬ NGHIỆM CÀI ĐẶT … 4.2.9 Giao diện xóa tài khoản Hình 4.9 Giao diện xóa tài khoản Admin chọn chức xóa tài khoản người dùng giao diện Đỗ Khánh Linh – D17HTTT06 64 Đồ án tốt nghiệp đại học KẾT LUẬN KẾT LUẬN Qua thời gian tìm hiểu, học hỏi xây dựng đề tài “Phát triển hệ thống điểm danh lớp học sử dụng công nghệ nhận diện khuôn mặt”, em đạt số kết định: Kết đạt - Tìm hiểu cách tiếp cận phương pháp để giải toán - Ứng dụng giải pháp sử dụng mạng nơ-ron tích chập cho tốn - Nâng cao kỹ phân tích, thiết kế hệ thống - Trau dồi thêm kỹ lập trình Hướng phát triển Hiện hệ thống chưa đạt kết tốt chưa xử lý hết trường hợp xảy đến trình điểm danh Vì vậy, tương lai, em thay đổi model để kết xác hơn, tốc độ xử lý nhanh triển khai cho thực tế Đỗ Khánh Linh – D17HTTT06 65 Đồ án tốt nghiệp đại học TÀI LIỆU THAM KHẢO Tiếng Việt [1] Tiếng Anh [2] [3] [4] [5] [6] [7] [8] Nguyễn Thanh Tuấn - Deep Learning Cơ Bản Copyright 2019 Shervin Minaee, Ping Luo, Zhe Lin, Kevin Bowyer, “Going Deeper into Face Detection: A Survey” Meng Yuana, Seyed Yahya Nikoueia, Alem Fitwia, Yu Chena, Yunxi Dong, “Minor Privacy Protection Through Real-time Video Processing at the Edge” Jiankang Deng, Jia Guo, Niannan Xue, “ArcFace: Additive Angular Margin Loss for Deep Face Recognition” Zitong Yu, Chenxu Zhao, Zezheng Wang, Yunxiao Qin, Zhuo Su, Xiaobai Li, Feng Zhou, Guoying Zhao, “Searching Central Difference Convolutional Networks for Face Anti-Spoofing” Peng Zhang, Fuhao Zou1, Zhiwen Wu, Nengli DaiSkarpness Mark, Michael Fu, Juan Zhao, Kai Li, “FeatherNets: Convolutional Neural Networks as Light as Feather for Face Anti-spoofing” Mei Wang, Weihong Deng, “Deep Face Recognition: A Survey” Jialiang Zhang, Xiongwei Wu, Jianke Zhu, Steven C.H Hoi, “Feature Agglomeration Networks for Single Stage Face Detection” Danh mục website tham khảo [9] “https://dominhhai.github.io/vi/2018/04/nn-intro/” [10] “https://thanhvie.com/tim-hieu-ve-mang-no-ron-tich-chap-Convolutionalneural-network” [11] “https://phamdinhkhanh.github.io/2020/05/31/CNNHistory.html” [12] “https://paperswithcode.com/method/inception-v4” [13] “https://viblo.asia/p/detect-object-su-dung-mo-hinh-ssd-WAyK84rnKxX” [14] “https://ichi.pro/vi/giai-thich-ve-siamese-net-triplet-loss-va-circle-loss208539308200695” [15] “https://viblo.asia/p/nhan-dien-khuon-mat-voi-mang-mtcnn-va-facenetphan-1-Qbq5QDN4lD8” [16] “https://viblo.asia/p/distance-measure-trong-machine-learningByEZkopYZQ0” Đỗ Khánh Linh – D17HTTT06 66