Mô hình nhận dạng khuôn mặt dựa trên mạng nơron tích chập để ứng dụng cho bài toán giám sát người thi trực tuyến

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC MỎ HÀ NỘI LUẬN VĂN THẠC sĩ Chuyên ngành: Công nghệ thơng tin Mã ngành: 8480201 Đề tài: MƠ HÌNH NHẶN DẠNG KHN MẶT DỤ A TRÊN MẠNG NƠRON TÍCH CHẬP ĐÉ ÚNG DỤNG CHO BÀI TOÁN GIÁM SÁT NGƯỜI THI TRỤC TUYÉN HƯỚNG DẢN KHOA HỌC: TS DUONG THĂNG LONG HỌC VIÊN THỤC HIỆN: CHU MINH HÀ NỘI- 2023 LỜI CAM ĐOAN Em xin cam đoan cơng trình nghiên cứu khoa học cúa riêng cm với hướng dẫn khoa học TS Dương Thăng Long Kết quà nội dung nghiên cứu xác thực chưa tùng công bố bất ki tài liệu Các số liệu, bàng biếu thí nghiệm nghiên cứu phục vụ cho đề tài có ghi rõ phần tài liệu tham khảo Trong luận văn có tham khảo nhận xét, đánh giá, số liệu đề tài tương tự khác cùa tác già, quan, tổ chức có trích dẫn nguồn thích Nếu phát gian lận, em xin hồn tồn chịu trách nhiệm nội dung luận văn Hà Nội, ngày tháng năm 2023 Tác giả luận văn Thư viện Trường Đại học Mở Hà Nội Chu Minh ii LỜI CẢM ƠN Em xin bày tó biết ơn chân thành sâu sắc tới TS Dương Thăng Long - Giàng viên hướng dẫn hết lịng hồ trợ, giúp đờ em q trình nghiên cứu hồn thiện luận văn thạc sĩ Em xin gửi lời căm ơn chân thành tới thày, cô giảng viên cửa trường Đại học Mờ Hà Nội tận tình dạy dỗ hướng dẫn cho em suốt trình học tập thạc sĩ trường Xin cảm ơn đong nghiệp, bạn lớp giãi đáp vấn đề liên quan giúp đỡ tìm kiếm tài liệu nghiên cứu Mặc dù co gắng hoàn thành luận văn chắn không tránh khỏi sai sót Kính mong nhận cảm thơng, chi bảo tận tình cùa q thầy bạn Em xin chân thành câm ơn! Thư viện Trường Đại học Mở Hà Nội iii MỤC LỤC LỜI CAM ĐO AN .ii LỜI CẢM ƠN iii DANH MỤC TÙ VIÉT TẮT vi DANH MỤC CÁC BẢNG vii DANH MỤC CÁC HÌNH viii MỞ ĐẦU 1.1 Tên đề tài 1.2 Đặt vấn đề 1.3 Mục tiêu nghiên cứu 1.4 Đối tượng phạm vi nghiên cứu 1.5 Phương pháp nghiên cứu 1.6 Nội dung nghiên cứu CHƯƠNG 1:GIỚI THIỆU VÈ MẠNG NƠRON TÍCH CHẬP VÀ ÚNG DỤNG 1.1 Mạng Nơron tích chập 1.2 Cấu trúc tống quát cùa CNN 10 1.3 Một số kiến trúc mạng CNN tiêu biếu 20 1.4 Một sổ ứng dụng mạng nơron tích chập 22 1.5 Bài tốn nhận dạng khn mặt 24 CHUƠNG 2:MƠ HÌNH NHẬN DẠNG KHN MẶT su’ DỤNG MẠNG NƠRON TÍCH CHẶP VÀ ÚNG DỤNG GIÁM SÁT THI TRỤC TUYẾN 31 2.1 Kiến trúc CNN kiểu SENct phương pháp học chuyển tiếp mơ hình CNN 31 2.2 Thiết kế mơ hình VF2SENet 34 2.3 ứng dụng VF2SENet cho giám sát thi trực tuyến 41 iv CHƯƠNG 3:XÂY DựNG PHẦN MỀM MÔ PHỎNG VÀ KÉT QUẢ THỦ NGHIỆM 43 3.1 Phân tích tốn .43 3.2 Công cụ xây dựng phần mềm 43 3.3 Thu thập liệu tiền xử lý 54 3.4 Kết thực nghiệm 57 KẾT LUẬN VÀ KIẾN NGHỊ 64 4.1 Kết luận 64 4.2 Kiến nghị 65 DANH MỤC TÀI LIỆU THAM KHẢO 66 Thư viện Trường Đại học Mớ Hà Nội V DANH MỤC TỪ VIẾT TẮT STT Từ viết tắt CNN Mạng nơron tích chập KNN K láng giềng gần ANN Mạng nơron nhân tạo VGG Dữ liệu hình ảnh khn mặt đại học Oxford SVM Máy véc-tơ hồ trợ Ý nghĩa đầy đù Thu’ viên T nrnmnr CONV VF2SENet hnr Mnr Hồ M Lớp nơron tích chập Mạng nơron nhận dạng khuôn mặt sử dụng mô hình học chuyển tiếp vi DANH MỤC CÁC BẢNG Bàng 3.1: Kết quà phân lớp tập kiểm tra cúa liệu LFW5 58 Băng 3.2: Kết quà phân lớp tập kiếm tra liệu VISGRAF 59 Thư viện Trường Đại học Mở Hà Nội vii DANH MỤC CÁC HÌNH Hình 1.1: cấu trúc Nơron sinh học Hình 1.2: cấu trúc mạng ANN Hình 1.3: Quá trình xứ lý Nơron Hình 1.4: Mạng Nơron truyền thẳng nhiều lớp Hình 1.5: Mạng Nơron hồi quy (Recurrent Neural Network) Hình 1.6: Kiện tướng cờ vua Gary Kasparov so tài với siêumáy tính Deep Blue 10 Hình 1.7: Kiến trúc mạng CNN 12 Hình 1.8: Phép biến đồi tích phân đặc biệt 13 Hình 1.9: Hàm số phức không gian Rd 13 Hình 1.10: Hàm số phức f, g xác định tập số nguyên z 13 Hình 1.11: Minh họa tính tốn phép tích chập 14 Hình 1.12: Cơng thức tích chập hàm ảnh 15 Hình 1.13: Ket quà ba lọc điền hình ành đầu vào 15 Hình 1.14: MinhTỊ^iltíịHệlíậ^3'kSíìẳìi(X.f)ặ.l.h.Ọ.C M.0’ Hà N.ộl 16 Hình 1.15: Một số hàm kích hoạt thường dùng CNN 16 Hình 1.16: Max pooling với lọc X 17 Hình 1.17: Minh họa Lớp kết nối đầy đủ (Fully Connected - FC) 18 Hình 1.18: Ví dụ cấu trúc CNN 18 Hình 1.19: Mơ hình chi tiết cấu trúc CNN 19 Hình 1.20: Cách tính hàm hao tổn dạng Cross-Entropy 20 Hình 1.21: Một số mơ hình CNN với kiến trúc đại 20 Hình 1.22: cấu trúc cùa hệ thống nhận dạng khuôn mặt 24 Hình 1.23: Minh họa phương pháp PCA rút gọn số chiều đặc trưng 27 Hình 1.24: Ví dụ minh họa phép biến đổi LDA 28 Hình 1.25: Mơ hình lưới khuôn mặt khác 29 Hình 2.1: Nguyên lý cùa khối Squeeze-and-Excitcd (SE) 31 Hình 2.2: Minh họa trình học chuyển tiếp 33 Hình 2.3: Phương pháp chuyển giao mơ hình học chuyển tiếp .34 viii Hình 2.4: Kiến trúc mơ hình VF2SENet 35 Hình 2.5: cấu trúc khối SENet kiến trúc cùa VF2SENet .36 Hình 2.6: cấu trúc khối RES kiến trúc VF2SENet 37 Hình 2.7: Biểu đồ khoảng cách intra-class inter-class ành .39 Hình 2.8: Sơ đồ phân lớp dựa độ đo khoáng cách 40 Hình 2.9: Mơ hình VST nhận dạng khn mặt dựa VF2SENet 41 Hình 2.10: Quy trình ứng dụng giám sát khn mặt 42 Hình 3.1: Các thư viện deepleaming hãng công nghệ lớn 46 Hình 3.2: cấu trúc thư mục chứa liệu hình ánh cho huấn luyện 49 Hình 3.3: Biểu đồ phân bố số lượng ảnh theo người LFW 54 Hình 3.4: Biếu đồ phân bố số lượng người theo số lượng hìnhảnh LFW 55 Hỉnh 3.5: Hỉnh ánh số người dừ liệu LFW 55 Hình 3.6: Quy trình thu thập tiền xử lý liệu huấn luyện 56 Hình 3.7: Khoảng cách hình ảnh thu nhị với hình ành gốc 57 Hỉnh 3.8: Trang chù ứng dụng giám sát người thi trực tuyên 60 us , o T_ „ Ihir vien J iTLO'ja2 Dai Jape Mơ.Hà Nội , Hình 3.9: Trang đăng ký khn mặt theo tài khoản định danh 61 Hình 3.10: Tiến hành chụp ảnh theo góc mặt 61 Hỉnh 3.11: Bật camera giám sát 62 Hình 3.12: Ket sau giám sát hình Monitoring Result .63 ix MỎ ĐẦU 1.1 Tên đề tài “Mô hình nhận dạng khn mặt dựa mạng Nơron tích chập đế ứng dụng cho toán giám sát người thi trực tuyến.” 1.2 Đặt vấn đề Bước sang giai đoạn kinh tế tri thức, mơ hình giáo dục trực tuyến đời trở thành xu hướng phát triến tất yếu quốc gia the giới Dù nước phát triển Việt Nam nhanh chóng bắt kịp xu hướng Đối với Việt Nam, hình thức cơng nghiệp hóa giáo dục theo định hướng phát triển, nhiều tổ chức, công ty hoạt động lĩnh vực giáo dục trực tuyến đời Là hình thức đào tạo trực tuyến đối hom so với hình thức học truyền thống, có tính tương tác cao dựa tàng đa phương tiện, tạo điều kiện cho người học trao đổi thông tin dễ dàng cung cấp nội dung học phù hợp với lực sở thích cúa cá nhân Đặc biệt bối cánh dịch bệnh Covid ’■ Ọịự viện.TOvng Đạniộc MaHa NỘI ■ , hoành hành khãp thê giới, Việt Nam, đê đảm bào thời lượng học truyên đạt đù kiến thức cho học sinh mà phòng ngừa dịch bệnh, việc dạy, học trực tuyến triển khai diện rộng đạt thành tích cực Tuy nhiên, hạn chế việc dạy học thi trực tuyến giáo viên khó việc kiếm sốt thường xuyên có mặt học sinh lớp tập trung học sinh trình học buối dạy học truyền thống Đặc biệt q trình thi, giáo viên khơng thể liên tục điếm danh hay xem qua camera để kiếm tra xem học sinh có ngồi trước máy hay khơng, gây thời gian ảnh hưởng trực tiếp đen chất lượng tính xác buổi thi Đe giải tốn trên, ứng dụng mơ hình nhận dạng khn mặt ln ưu việt, có tính thi cao Và việc sử dụng mạng Nơron tích chập phát huy mạnh định 3.3 Thu thập liệu tiền xử lý Trong nghiên cứu này, chúng cm sử dụng hai liệu, liệu Labelled Faces in the Wild (LFW) liệu thừ nghiệm cho toán thực te (Hanoi Open University Faces in the Wild - HFW), xuất bàn de kiếm tra tính hiệu cùa mơ hình nhận dạng khn mặt thử nghiệm Tập liệu LFW hau hết tác giả nghiên cứu sử dụng đế đánh giá mơ hình, bao gồm 13.233 hình ảnh 5.749 người, 4069 người có hình ãnh 423 người có từ hình ảnh trớ lên Em sử dụng liệu rút gọn với 5.985 hình ảnh cùa 423 người có tối thiếu hình ãnh nhằm phù hợp với cấu hình máy thử nghiệm, ứng dụng thực tế vào khống 400 sinh viên Hình 3.3 biếu đồ phân bố hình ãnh theo Object phân lớp Biếu đồ cho thấy cao có người với số ánh 530 có tỷ lệ lớn (338 người, 79,9%) người có có số ành từ đến 15 Hình 3.4 biếu đồ phân lớp số lượng người theo số lượng hình ảnh Ta thấy số lượng cao 112 người có hình ành, 55 người có hình ãnh giảm dan Hình 3.3: Biểu đồ phân bố số lu'9'ng ảnh theo người cùa LFW 54 100 Hình 3.4: Biếu đồ phân bố số lưọ’ng ngưịi theo số lượng hình ảnh cùa LFW Nghiên cứu sử dụng liệu LFW đà chuẩn hóa, đóng gói xuất thư viện sklearn.datasets Kích thước hình ảnh cùa tập liệu 125 X 94 X 3, xử lý trước đế có kích thước theo đầu vào mơ hình nhận dạng (224 X 224 X 3) Hình 3.5 cho thấy hình ánh ba người từ dừ liệu LFW Trong số đó, George w Bush có nhiều ánh với 530 bức, Ahmed Chalabi ảnh với Vladimir Putin với 113 ảnh [6], [7] Hình 3.5: Hình ảnh số người liệu LFW Đế tạo tập liệu HFW thử nghiệm thực tế, em sử dụng hai kỹ thuật Đầu tiên, sử dụng camera giám sát có để kiếm tra hình ghi hình buồi học trực tuyến Một cơng cụ tìm kiếm internet sau sứ dụng đế thu thập hình ánh liên quan đến cá nhân mong muốn Tất cà hình ánh xử lý trước bước, bao gồm nhận diện khn mặt hình ảnh thu thập, 55 chép phần cùa hình ảnh khn mặt người đó, hiệu chỉnh khn mặt cần hiệu chỉnh độ sáng Tập liệu huấn luyện mơ hình Bước gắn nhãn hình ảnh cho phép kết hợp lựa chọn chất lượng hình ảnh hình ánh người nhận dạng đế có kết tốt cho việc đào tạo nhận dạng đối tượng [6], / X , xy.x X Face labeling crop & alignment ■> V / xxvvxx& x^yx xxyw XXXV xxxx xxyx Hình 3.6: Quy trình thu thập tiền xử lý liệu huấn luyện Kết thu thập 6000 ánh Tuy nhiên sau qua bước tiền xử lý gán nhãn theo quy trinh trên, em thu liệu cũa XXX học viên hệ thống với XXX khuôn mặt Đẻ đảm bảo chất lượng huấn luyện mơ hình nhận dạng, khn mặt khơng đàm báo chất lượng (hình ảnh bé, chất lượng thấp) bị loại bỏ [5], [6], Phân tích trường hợp kích thước ảnh khác sứ dụng phương pháp khoản cách “cosin” dựa vector đặc trưng (Hình 3.7), liệu ATT, Yale LFW có sai khác mức thấp (khống 0.02) với ti lệ thu nhị đến 0.3 so với kích thước đầu vào (224x224x3) Điều cho thay tiềm cùa chất lượng nhận dạng khuôn mặt ảnh hướng không đáng kế khoảng thu nhỏ Vậy nên em lựa chọn kích thước tối thiểu hình ảnh khn mật 70x70 56 Hình ánh khn mặt cân chỉnh lại đế tăng hiệu quà nhận dạng Em áp dụng kỹ thuật cân chinh 2D dựa đặc trưng khuôn mặc phát Hình 3.7: Khoảng cách hình ảnh thu nhổ vó'i hình ảnh gốc 3.4 Kết thực nghiệm 3.4.1 Thử nghiệm (lữ liệu mau Em thử nghiệm liệu LFW với việc chi sử dụng hình ảnh nhãn lớp để huấn luyện mơ hình, hình ảnh cịn lại dùng đế kiếm tra mơ hình Trên thừ nghiệm chì áp dụng với nhãn từ hai ảnh trở lên Trong ãnh để huấn luyện ảnh đế kiêm tra số ánh liệu LFW 9.164 gồm 1.680 người (em đặt tên LFW2) Do đó, liệu huấn luyện 1.680 ảnh người ảnh, kiếm tra với dừ liệu 7.484 ảnh Người có ánh kiểm tra 1, nhiều 529 Do kích thước dừ liệu lớn, hạn chế thiết bị thử nghiệm, cm sử dụng phương pháp nhận diện sử dụng độ đo khoảng cách “cosin” đế xác định ành gần tập huấn luyện với ánh cần kiểm tra đế xác định nhãn phân lớp cho ãnh kiềm tra Ket quà đạt ti lệ nhận diện 94.70% (Bảng 4.1) Tuy 57 tý lệ ánh đế huấn luyện thấp (chỉ 18.33%) kết q nhận diện dựa mơ hình lại cao có the ứng dụng vào thực tế lớn Từ đó, em thử nghiệm với ti lệ huấn luyện 20%, 40%, 60% liệu LFW với số ảnh tối thiểu mồi người Bây liệu có 5.985 ảnh 423 người (ký hiệu LFW5) Trong báng 3.1 kết nhận diện tập kiểm tra cùa kịch liệu khác cùa LFW5 Ký hiệu #run thổ số lần chạy thừ nghiệm, liệu chia thành phần tương đương lấy tô hợp số phần theo tỉ lệ chọn phần làm dừ liệu huấn luyện, số lần chạy số tổ hợp Từ ta có kết nhận dạng tính trung bình lan chạy [6] Bảng 3.1: Kết phân lóp tập kiểm tra ciia lỉệu LFW5 Tỷ lệ nhận Tỷ lệ liệu huấn luyện #Run dạng (%) Thii^ện Trường Đại l c WOà N 51 98.42 40% 10 (C2S) 99.23 60% 10(C3s) 99.45 80% 10 (C45) 99.57 94.70 Chi ãnh cúa mồi người (OvR) liệu LFW2 Đe cho thấy rõ ràng hiệu q cua mơ hình, em thứ nghiệm tiếp liệu V1SGRAF gồm 432 hình ảnh cùa 36 người, mồi người có 12 ảnh Vì liệu cân bàng nên chia thành 12 phần, mồi phần 36 ảnh 36 người Do đó, chạy thử nghiệm lấy tồ họp phan tành tập liệu huấn luyện, lại để kiểm tra số lần chạy bàng số tố hợp cho kết q tính trung bình lần chạy Ket quã nhận diện Báng 4.2 Cao 58 100% nhận diện tập huấn luyện đến 91.68% (11/12 ảnh người), trường hợp dùng 50% huấn luyện đạt ti lệ nhận dạng 99.80% Các trường hợp thấp chi dùng ãnh mồi người (OvR) đế huấn luyện đạt kết nhận diện 98.93 [6], Bảng 3.2: Kết phân lóp tập kiểm tra ciia liệu VISGRAF Tỷ lệ nhận Tỷ lệ liệu huấn luyện #Run dạng (%) 16,67% 66 (C212) 99.56 25% 220 (C312) 99.66 33.33% 495 (C412) 99.72 41.67% 792 (C512) 99.76 50% 924 (C612) 99,80 Trường Đại li ỌC Chi ãnh mồi người (OvR) MOfe N 12 (C/2) 100 98.93 Những kết quà cho thấy chất lượng nhận dạng cùa mơ hình cho kết tốt tiềm ứng dụng thử nghiệm vào thực tế toán Tiếp theo, em triền khai ứng dụng thực tế 3.4.2 ủng dụng giám sát thi trực tuyến Sau phân tích xác định chức tốn, kết hợp với mơ hình thứ nghiệm phần trên, em tiến hành ứng dụng vào phần mềm Giám sát thi trực tuyến với mô-đun tương ứng với chức xác định phần Phân tích tốn: Đăng ký khn mặt, giám sát khuôn mặt kết quà giám sát khn mặt Do thiết bị cịn hạn chế, em gộp mơ-đun thành hình thực thi độc lập theo chức Nhưng đế vận hành tốt sau quy trình vận hành ứng dụng Giám sát thi trực tuyến em: 59 - Bước 1: Đăng kí khn mặt: Tiến hành đăng nhập tài khoán cấp chụp ảnh theo 17 góc mặt: Trái, Phải, Giữa, Ngối trái, Ngồi phải, Trên, Dưới, Trái trên, Trái dưới, Ngoài trái trên, Ngoài trái dưới, Phải trên, Phải dưới, Ngoài phải trên, Ngồi phãi - Bước 2: Giám sát khn mặt: Sau đăng ký đầy đủ 17 góc mặt, người thi tiến hành vào làm bài, trình làm cần bật camera để hệ thống giám sát phát có - Bước 3: Ket quà giám sát: Sau người thi hoàn thành thi, quàn trị viên vào xem kết quă giám sát Tại đây, ta biểt số giám sát khuôn mặt tương ứng Dưới ánh chụp hình trình vận hành hệ thống: - Trang chủ Face detection and monitoring system Client address:127.0.0.1 Platform-.macos Browser:safari Face Registration Face Monitoring Monitoring Results t>w»ay race monitoring roums aftar monitoring #BfôOôll*0 Mađ *9 Hỡnh 3.8: Trang ch ng dụng giám sát ngưòi thi trực tuyến - Face Registration: Trang đăng ký khn mặt tương ứng với tài khốn có 60 Safari Fie Ede v.ew Mstorr BooKmarki W-rdov Help FACE CAPTURING pciure.13 NoPKture oidure.12 NoP.cture picture.11 Ngoài Trái-Trỉn:13 NoPcturc Khơng chụp ành piC1ure,5 Ngồi Tr4n:12 picture Khơng chụp ânh pictured Ngồi Phi-Trèn:11 NoPíclure Phài-Trén3 Ngối Trtl:14 NoPicture Trtl'6 pictire.7 Gửa picture.a PMkỉ pictiro.g Không chụp ành NgoốiPhHO NoPcture nđôooao*đgôđet Mao ftT Hỡnh 3.9: Trang ng ký khuôn mặt theo tài khoản định danh - Tiến hành mớ camera Cjhvp ãnh thco; fẠc.góc mặc u cầu ■•■BaaoaBtMSi èaạ ft V Hình 3.10: Tiến hành chụp ảnh theo góc mặt 61 - Bật camera giám sát Ban có thí tham dự khống? • o Cú tơ tới Cứ người SŨ ban se tham dự? *,>■□□□3®IISS ■ Hình 3.11: Bật camera giám sát Thư viện Trường Đại học Mở Hà Nội 62 Ket sau giám sát hình Monitoring Result Monitoring Results Last activity td, ID ív6 Total activities Time from c#«>< 10/11/202223:09:54:532 Server 0.1316 Label sv5 Slmlbnty 863 Sun ôã 86.5 All 454 Non- similarity (Cnt,Avg) Vừa (Cnt.Avg) Tháp (Cnt.Avg) 90.07 4/61.86 447/9404 3/54.14 Copyrght â Chu Minh neaoQOộtỡớB đâssố ft st Hình 3.12: Kết sau giám sát hình Monitoring Result Từ kết sau giám sát ta có thẻ thấy cho kết cao (trung bình 90%) nhận diện liên tục cá trình giám sát 63 KÉT LUẬN VÀ KIẾN NGHỊ 4.1 Kết luận Qua việc nghiên cứu triến khai đề tài kết đạt được, em tiếp cận ứng dụng vào toán nhận diện khuôn mặt giám sát thi trực tuyến dựa mơ hình mạng nơron tích chập (CNN) với chế học sâu Trong đó, tập trung vào phân tích sâu tích chọn đặc trưng cho nhận diện khn mặt mơ hình CNN với kiến trúc mạng đại khác ResNet, SENet Các kiến trúc xây dựng huấn luyện trôn liệu lớn Đồ tài tiếp cận theo phương pháp bổ biến học chuyển tiếp (transfer learning), học máy (machine learning) Đe tài đà thiết kế mơ hình nhận diện khn mặt dựa mạng SENet, kết hợp áp dụng phương pháp học chuyến tiếp nhằm điều chình tiến mơ hình tập liệu VGGFace2 phương pháp huấn luyện phân lớp (classification) tinh chinh trọng số đề nâng cao chất lượng cho toán đặt Phần phân lớp J .Jpu:vi£nTrựợngxĐãịJaocJMaHaNộĩ _ áp dụng theo hai phương pháp, đâu tiên sử dụng độ đo khoang cách vector đặc trưng ảnh đế nhận diện, hai xây dựng lớp nơron liên kết đầy đú (FC layers) để huấn luyện phân lớp Kct thử nghiệm liệu cho thấy độ xác nhạn diện mơ hình Trường hợp liệu LW5 VISGRAF cho ti lệ nhận diện cao với hầu hết lần thừ nghiệm 99% Còn trường hợp chi sử dụng ánh người tập huấn luyện đạt tì lệ nhận diện cao (94.7 98.93) Kết thứ nghiệm sau đưa vào ứng dụng hệ thống Giám sát thi trực tuyến cho tì lệ nhận diện cao xác thiết bị camera webcam Tuy nhiên, mơ hình chi áp dụng với điều kiện khn mặt khơng bị che khuất, khoảng cách tìr camera tới mặt vừa đù không xa Hệ thong Giám sát thi trực tuyến chi mức thử nghiệm chưa sâu vào nghiệp vụ Đày điếm hạn chế đề tài em hoàn thiện cài thiện vấn đề thời gian tới 64 4.2 Kiến nghị Từ kết nghiên cứu thí nghiệm ứng dụng đạt trên, đề tài đề xuất số vấn đề sau: - Cho phép triển khai thực nghiêm phạm vi quy mô lớn đế phục vụ vấn đề thực tiễn nhà trường quan - Đế triền khai hệ thong cần có thiết bị xử lý hình ảnh tốc độ cao máy tính phải có xử lý đồ họa có cấu hình cao (GPU) nhằm đáp ứng cho thực thi tính tốn kiến trúc mạng CNN - Trong thời gian tới, em nghiên cứu sâu phát triển mở rộng đế nhận diện khuôn mặt kẻ cà có vật chc khuất (khẩu trang) xa qua thể mà không cần đến khuôn mặt, nhận diện biểu cảm để xác định độ tập trung, hài lịng để từ đánh giá chất lượng trinh học tập trực tuyến Thir viện Trường Đại học Mở Hà Nội 65 DANH MỤC TÀI LIỆU THAM KHẢO Tiếng Việt [1] Đoàn Hồng Quang, Lê Hồng Minh, Chu Anh Tuấn (2015), “Nhận dạng bàn tay mạng nơ ron nhân tạo”, Tuyển tập báo cáo Diễn đàn “Đối - Chìa khóa cho phát triền bền vừng”, Viện ứng dụng Công nghệ, Bộ Khoa học Công nghệ [2] Nguyễn Thị Thanh Tân, Huỳnh Văn Huy (2017), Phương pháp nhận dạng khuôn mặt từ webcam, K yếu hội thảo quốc gia lần thứ XX: Một số vấn đề chọn lọc cùa Công nghệ thông V truyền thông, tr.285-291 [3] Nguyễn Quang Hoan, Đoàn Hồng Quang (2014), “Dự báo chi số giá chứng khốn RFNN”, Tạp chí Khoa học Cơng nghệ, Trường Đại học Sư phạm Kỳ thuật Hưng Yên, 1, tr.52-56 ,, A Tnuvren Trương Đại học Mở Hà Nội [4] Nguyền Quang Hoan, Dương Thu Trang, Đoàn Hồng Quang (2018), “Dự báo số học sinh nhập trường mạng nơron nhân tạo”, Tạp chí Khoa học Công nghệ, Trường Đại học Sư phạm Kỹ thuật Hưng Yên, 18, tr -8 [5] Phạm Nguyên Khang (2017) Điếm danh bàng mặt người với đặc trưng GIST máy học véc-tơ hỗ trợ, Kỳ yếu Hội nghị Quốc gia lần thứ X Nghiên cứu ứng dụng Công nghệ thông tin (FAIR), tr 156-164 [6] TS Dương Thăng Long Nhận dạng khuôn mặt dựa phương pháp học sâu mạng nơron ứng dụng định danh cán bộ, giáng viên Trường Đại học Mở Hà Nội Báo cáo tổng kết đề tài khoa học công nghệ cấp trường, tháng 06/2020 66 [7] TS Dương Thăng Long, Chu Minh, Phí Quốc Chính Mơ hình mạng Nơron tích chập đa nhiệm nhận dạng biếu cảm ứng dụng hồ trợ giám sát trực truyền Tạp chí khoa học Trường Đại học Mở Hà Nội, số 91,2022 Tiếng Anh [8] Alfredo Canziani, Adam Paszke, Eugenio Culurciello (2016), “An analysis of deep neural network models for practical applications” [9] Alexander Amigud, Thanasis Daradoumis, Ana-Elena Guerrero, Joan Arnedo-Moreno (2016), “A Behavioral Biometrics Based and Machine Learning Aided Framework for Academic Integrity in E-Assessment, International Conference on Intelligent Networking and Collaborative Systems” Thư viện Trường Đại học Mở Hà Nội [10] Mohannad Abuzneid, Ausif Mahmood (2018), “Enhanced Human Face Recognition Using LBPH Descriptor, Multi-KNN, and BPNN, IEEE Access” [11] Fay 14 Ayham Fayyoumi, Anis Zarrad (2014), “Novel Solution Based on Face Recognition to Address Identity Theft and Cheating in Online Examination Systems” [12] Feeza Radzi, Mohamed Khalil-Hani, Rabia Bakhteri, Shan Sung Liew (2014), “Convolutional Neural Network for Face Recognition with Pose and Illumination Variation” [13] Muhtahir o Oloycdc, Gerhard p Hanckc, Herman c Myburgh (2018), “Improving Face Recognition Systems Using a New Image Enhancement Technique, Hybrid Features and the Convolutional Neural Network” 67 [14] Li Cuimei, Qi Zhiliang, Jia Nan and Wu Jianhua (2017), “Human face detection algorithm via Haar cascade classifier combined with three additional classifiers” [15] Ramprasaath R Selvaraju, Michael Cogswell, Abhishek Das, Ramakrishna Vedantam, Devi Parikh, Dhruv Batra (2017), “Grad-CAM: Visual Explanations from Deep Networks via Gradient-based Localization” [16] Qiong Cao, Li Shen, Wcidi Xie, Omkar M Parkhi and Andrew Zisserman, “VGGFace2 (2018), A dataset for recognising faces across pose and age” [17] Yaniv Taigman, Ming Yang, Marc’Aurelio Ranzato, Lior Wolf (2014), “DeepFace: Closing the Gap to Human-Level Performance in Face Verification” Thư viện Trường Đại học Mở Hà Nội [18] Y Jia, E Shelhamer, J Donahue, s Karayev, J Long, R Girshick, s Guadarrama, T Darrell Caffe (2014), “Convolutional Architecture for Fast Feature” [19] Y Sun, X Wang and X Tang (2014), “Deep learning face representation by joint identification-verification” 68