Hcmute hệ thống điểm danh ứng dụng xử lí ảnh

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH CƠNG TRÌNH NGHIÊN CỨU KHOA HỌC CẤP SINH VIÊN HỆ THỐNG ĐIỂM DANH ỨNG DỤNG XỬ LÝ ẢNH MÃ SỐ: SV2019-91 SKC 0 8 Tp Hồ Chí Minh, tháng 06/2019 Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐH SƯ PHẠM KỸ THUẬT TPHCM BÁO CÁO TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CỦA SINH VIÊN HỆ THỐNG ĐIỂM DANH ỨNG DỤNG XỬ LÝ ẢNH SV2019-91 Thuộc nhóm ngành khoa học: Kỹ thuật - Ứng dụng TP Hồ Chí Minh, 6/2019 Luan van BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐH SƯ PHẠM KỸ THUẬT TPHCM BÁO CÁO TỔNG KẾT ĐỀ TÀI NGHIÊN CỨU KHOA HỌC CỦA SINH VIÊN HỆ THỐNG ĐIỂM DANH ỨNG DỤNG XỬ LÝ ẢNH SV2019-91 Thuộc nhóm ngành khoa học: Kỹ thuật - Ứng dụng SV thực hiện: Phạm Sỹ Phúc Nam, Nữ: Nam Dân tộc: Kinh Lớp, khoa: 16151CL1, khoa Đào tạo chất lượng cao Năm thứ: /Số năm đào tạo: Ngành học: Công nghệ kỹ thuật điều khiển tự động hóa Người hướng dẫn: TS.Vũ Văn Phong TP Hồ Chí Minh, 6/2019 Luan van Mục lục CHƯƠNG I: TỔNG QUAN 1.1.Nội dung đề tài 1.2.Ý nghĩa khoa học đề tài 1.3.Giới hạn đề tài CHƯƠNG II: CƠ SỞ LÍ THUYẾT 2.1.Tổng quan nhận dạng ảnh mặt người 2.2.Các hướng tiếp cận nhận dạng mặt người 2.2.1.Phương pháp trích chọn đặc trưng sử dụng mơ hình Markov ẩn 2.2.2.Phương pháp phân tích thành phần 2.2.3.Phương pháp Neural Network CHƯƠNG III: ỨNG DỤNG PCA VÀO BÀI TOÁN NHẬN DIỆN MẶT NGƯỜI 3.1.Cơ sở toán học PCA 3.2.Các bước thực PCA nhận diện mặt người 10 3.2.1.Quá trình huấn luyện 10 3.2.2.Quá trình nhận dạng ảnh vào 12 CHƯƠNG IV: THỰC NGHIÊM VÀ ĐÁNH GIÁ KẾT QUẢ 15 4.1.Kết trình thực PCA 15 4.2.Thiết kế chương trình ứng dụng 17 4.3.Kiểm tra Đánh giá kết GUI 18 CHƯƠNG V: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 20 5.1.Kết đạt 20 5.2.Hướng phát triển đề tài 20 TÀI LIỆU THAM KHẢO 21 Luan van CHƯƠNG I TỔNG QUAN Nội dung đề tài 1.1 Nội dung đề tài trình bày sở lý thuyết: khái niệm toán nhận dạng, nguyên lý toán học phương pháp PCA, vận dụng PCA vào nhận dạng đối tượng mặt người phần phần mềm MATLAB đánh giá độ xác Hình 1.1 Mặt người cần nhận dạng đề tài 1.2 Ý nghĩa khoa học đề tài Việc nghiên cứu cơng nghệ xử lí ảnh nhận dạng điều cần thiết để hiểu rõ tiến tới phát triển ứng dụng cho kinh tế, nông nghiệp, dân dụng, giúp người nhiều lĩnh vực khác đặc biệt việc quản lý an ninh sân bay, điểm danh nhân viên công ty, nhận dạng tội phạm hay bảo mật cho thiết bị cá nhân cần độ xác tốc độ xử lý nhanh Cơng nghệ góp phần giúp đất nước tham gia vào công cách mạng công nghiệp lần thứ tư quốc gia khu vực giới 1.3 Giới hạn đề tài Đề tài trình bày khái niệm sở toán học thuật toán PCA toán nhận dạng Phần mềm nhận dạng mặt người không gian định lần cho kết nhận dạng với người nhìn diện vào camera Việc nhận dạng chưa ổn định xác cao phụ thuộc vào điều kiện ánh sáng môi trường Luan van CHƯƠNG II CƠ SỞ LÝ THUYẾT 2.1 Tổng quan nhận dạng ảnh mặt người - Bài tốn nhận dạng ảnh nhằm mục đích phát hiện, nhận dạng đối tượng ảnh ứng dụng nhiều lĩnh vực, đặc biệt nhận dạng mặt người hệ thống bảo mật, nhận dạng người lái xe, hộ chiếu, nhận dạng người hệ thống tương tác người-máy, lĩnh vực giải trí,… - Có thể nhận diện người dựa đặc điểm sinh trắc tĩnh người khuôn mặt, mắt, vân tay, bàn tay, gen… hay đặc trưng hành vi khác dáng đi, chữ viết, giọng nói… - Mặc dù việc nhận dạng mặt người chưa xác phương pháp khác, nhận quan tâm lớn nhà nghiên cứu lĩnh vực thị giác máy mặt người cách truyền thống để người nhận - Một hệ thống nhận dạng mặt nguời điển hình bao gồm thành phần Hình 2.1: Mơ hình chung tốn nhận dạng mặt người + Tách khn mặt (Face Detection): Xác định vị trí, kích cỡ nhiều khn mặt ảnh chụp từ tách phần mặt + Trích chọn đặc trưng (Features Extraction): Tìm đặc trưng ảnh khn mặt, từ đặc trưng hình thành vector đặc trưng, vector sử dụng để so sánh giống ảnh mặt cần tìm ảnh mặt sở liệu (CSDL) + Nhận dạng: Thực việc so sánh vector đặc trưng để chọn độ tương tự ảnh cần tìm ảnh CSDL - Khi nhận dạng cần quan tâm đến độ xác, tốc độ thực hệ CSDL lớn, cách thực đơn giản hay phức tạp Luan van 2.2 Các hướng tiếp cận nhận dạng mặt người - Hướng tiếp cận hình học sử dụng việc ánh xạ không gian đặc trưng mặt người Mặt người phân loại theo khoảng cách hình học, theo đường bao theo góc điểm - Hướng tiếp cận hình ảnh bao gồm việc xây dựng mẫu từ đặc trưng mặt người Mẫu đặc trưng bật, chí tồn khn mặt thiết lập, việc nhận dạng thực cách duyệt khn mặt tìm mặt khớp với mẫu - Hiện hệ thống nhận diện mặt người tiếp tục phát triển Dưới số phương pháp trích chọn đặc trưng: + Mơ hình Markov ẩn + Phân tích thành phần (PCA) + Neural Network … 2.2.1 Phương pháp trích chọn đặc trưng sử dụng mơ hình Markov ẩn Mơ hình Markov ẩn phân loại đặc trưng mặt người tính chất chuỗi Markov Một dãy ngẫu nhiên biến lấy giá trị điểm ảnh tương ứng tạo nên chuỗi Markov, xác suất để hệ thống đạt trạng thái xn+1 thời điểm n+1 phụ thuộc vào xác suất để hệ thống đạt trạng thái xn thời điểm n Trong chuỗi Markov, việc chuyển hệ thống từ trạng thái sang trạng thái khác tương ứng với xác suất đó, kết ký hiệu lại xác định trước Như vậy, kết phân bố xác suất tất ký hiệu trạng thái kết dùng để so sánh hai khn mặt Việc trích chọn đặc trưng thực cách tự động trình huấn luyện Song song với việc đẩy tiêu chuẩn tối ưu lên cực đại, thuật toán huấn luyện đồng thời xác hệ số phương sai hàm mật độ phân phối chuẩn cho phù hợp đặc trưng chung đường biên mẫu Điều có nghĩa giải thuật huấn luyện tự động phân tích mẫu huấn luyện để từ xác định điểm điểm quan trọng (trích đặc trưng) điểm không quan trọng (khử nhiễu) Đây lý mà ta chọn hàm mật độ phân phối chuẩn để làm hàm đo xác suất phát xạ mẫu 2.2.2 Phương pháp phân tích thành phần Luan van Trong phương pháp phân tích thành phần (PCA), tập liệu biểu diễn lại với số đặc trưng đồng thời giữ hầu hết thông tin quan trọng liệu PCA thường sử dụng phương pháp mặt riêng Tập vector riêng dùng làm vector sở không gian con, ta so sánh với ảnh sở liệu để nhận dạng ảnh Các vector sở gọi thành phần sở liệu ảnh Giả sử tập liệu ban đầu quan sát không gian ba chiều Rõ ràng ba trục không biều diễn tốt mức độ biến thiên liệu PCA tìm hệ trục tọa độ Sau tìm khơng gian mới, liệu chuyển sang không gian để biểu diễn Trong PCA, trục tọa độ không gian đảm bảo trực giao đôi với nhau, không gian ban đầu, trục khơng trực giao 2.2.3 Phương pháp Neural Network Mạng nơron sử dụng rộng rãi hệ thống nhận dạng mặt người Kỹ thuật mạng nơron mô hoạt động nơron não người Mạng nơron có khả điều chỉnh trọng số dựa mẫu học trình huấn luyện Kết mạng đạt hiệu cao việc phân loại lớp, dựa liệu mẫu khả tách tuyến tính phi tuyến Nhận xét: từ phương pháp ta thấy PCA phương pháp đơn giản phân tích đa biến dựa vector đặc trưng Nếu tập liệu đa biến xem xét tập tọa độ không gian liệu nhiều chiều (mỗi trục biểu diễn biến) phương pháp PCA cung cấp cho ảnh chiều dựa vào dó ta nhận dạng xác định đối tượng nên báo cáo đề xuất tìm hiểu thuật tốn cách thực việc nhận dạng mặt người phương pháp PCA PCA phương pháp với nhiều đặc tính tốt như:  Giúp giảm số chiều liệu  Thay giữ lại trục tọa độ khơng gian cũ, PCA xây dựng khơng gian chiều hơn, lại có khả biểu diễn liệu tốt tương đương không gian cũ, nghĩa đảm bảo độ biến thiên liệu chiều Luan van  Các trục tọa độ không gian tổ hợp tuyến tính khơng gian cũ, mặt ngữ nghĩa, PCA xây dựng feauture dựa feauture quan sát Điểm feauture biểu diễn liệu tốt ban đầu  Trong không gian mới, liên kết tiềm ẩn liệu khám phá, mà đặt không gian cũ khó phát hơn, liên kết rõ Luan van CHƯƠNG III ỨNG DỤNG PCA VÀO BÀI TOÁN NHẬN DẠNG MẶT NGƯỜI 3.1 Cơ sở toán học PCA - PCA dựa vào phép biến đổi Karhunen – Loeve, ý tưởng Pearson trình bày vào năm 1901 sau Hotelling vào năm 1933 - Ý tưởng chung PCA tìm khơng gian với số chiều nhỏ số chiều không gian cũ Các trục tọa độ không gian xây dựng cho trục độ biến thiên liệu lớn Hình 3.1: Mơ tả ý tưởng PCA  Một số khái niệm toán học sử dụng PCA Trong miền liệu chiều Cho N giá trị x1, x2,…, xn Kỳ vọng phương sai liệu định nghĩa là: 𝑁 1 𝑥 = ∑ 𝑥𝑛 = 𝑋1 𝑁 𝑁 𝑛=1 𝑁 𝜎 = ∑(𝑥𝑛 − 𝑥)2 𝑁 𝑛=1 Luan van  Cơ sở toán học PCA - Giả sử hệ sở trực chuẩn U muốn giữ lại K toạ độ hệ sở Khơng tính tổng qt, giả sử K thành phần Hình 3.2: Hình biểu diển ý tưởng biến đổi PCA ̅𝐾 𝑌 𝑋 = 𝑈𝐾 𝑍 + 𝑈 + Với X hệ CSDL ban đầu 𝑈𝑇 𝑍 = 𝑈𝐾𝑇 𝑋 𝑍 [ ] = [ 𝐾𝑇 ] 𝑋 => ̅𝐾 ̅𝐾𝑇 𝑋 𝑌 𝑈 𝑌=𝑈 - Mục đích PCA tìm ma trận trực giao U cho phần lớn thông tin giữ lại phần màu xanh UKZ phần màu đỏ lược bỏ thay ma trận không phụ thuộc vào điểm liệu Nói cách khác, ta xấp xỉ Y ma trận có tồn cột Khi đó, ta xấp xỉ: Luan van 𝑌 ≈ 𝑏1𝑇 ̅𝐾𝑇 𝑋 − 𝑏1𝑇 ||2𝐹 𝑏 = 𝑎𝑟𝑔𝑚𝑖𝑛𝑏 ||𝑌 − 𝑏1𝑇 ||2𝐹 = 𝑎𝑟𝑔𝑚𝑖𝑛𝑏 ||𝑈 - Với giá trị b tìm này, liệu ban đầu xấp xỉ với: ̅𝐾 𝑈 ̅𝐾𝑇 𝑥̅ 1𝑇 𝑋 ≈ 𝑋̅ = 𝑈𝐾 𝑍 + 𝑈 - Như vậy, việc tính tốn thuận tiện nhiều vector kỳ vọng 𝑥̅ =0 Việc đạt từ đầu, trừ vector liệu vector kỳ vọng toàn liệu Đây bước PCA - Ta định nghĩa hàm mát sau: + Hàm mát hiểu lượng thơng tinh sai lệch hệ CSDL cũ qua phép biến đổi 𝐷 1 ̅𝐾 ||2𝐹 = ∑ 𝑢𝑖𝑇 𝑆𝑢𝑖 𝐽 = ||𝑋 − 𝑋̅ ||2𝐹 = ||𝑋̂ 𝑇 𝑈 𝑁 𝑁 𝑖=𝐾+1 Với 𝑋̂ = 𝑋 − 𝑥̅ 1𝑇 , 𝑋̂𝑛 = 𝑋𝑛 − 𝑋̅ Ta tìm ui cho J bé + Thay K=0 vào ta 𝐷 𝐿= 𝐷 ∑ 𝑢𝑖𝑇 𝑆𝑢𝑖 𝑖=1 ̅𝐾 ||2𝐹 = 𝑡𝑟𝑎𝑐𝑒 (𝑆) = ∑ 𝜆𝑖 = ||𝑋̂ 𝑇 𝑈 𝑁 𝑖=1 Với λ1≥λ2≥⋯≥λD≥ trị riêng ma trận S (ma trận hiệp phương sai)  Việc tối thiểu J đồng nghĩa với việc ta tối đa F, với 𝐾 𝐹 = 𝐿 − 𝐽 = ∑ 𝑢𝑖 𝑆𝑢𝑖𝑇 𝑖=1 - Mà F đạt giá trị lớn ∑Ki=1λi ui vector riêng ứng với trị riêng Vậy toán PCA ta lúc chuyển thành việc tìm K vector riêng ứng với K trị riêng đồng thời trị riêng lớn ma trận hiệp phương sai S - Từ kết từ phép biến học ta biết bước thực nhận dạng mặt người theo phương pháp PCA phần Luan van 3.2 Các bước thực PCA nhận diện mặt người 3.2.1 Quá trình huấn luyện Hình 3.3: Sơ đồ biểu diễn trình huấn luyện tập liệu - Đầu tiên đọc sở liệu nhận vào ảnh huấn luyện Ii Các ảnh huấn luyện ảnh mặt có kích thước với Hình 3.4: Các ảnh huấn luyện có kích thuớc mặt tâm ảnh 10 Luan van Sau ta tương ứng ảnh Ii với vector Γi Có nghĩa ta chuyển tập ma trận ảnh thành ma trận mà cột tương ứng ảnh tập training Ii (ảnh N×N) → Γi(vector N2×1) - Tính giá trị ảnh trung bình 𝜳= 𝑴 𝟏 ∑ Ґ𝒊 𝑴 𝒏=𝟏 + Với M số ảnh tập luyện, Γi vector chiều (N2×1) đại diện cho ảnh + Ψ vector trung bình (kích thước N2×1) tập tất Γi trên; Ψ gọi vector trung bình mặt tập huấn luyện - Trừ giá trị trung bình + Sai số ảnh so với giá trị vector mặt trung bình tính tốn theo cơng thức: Φi = Γi – Ψ + Trong đó: Φi vector sai số ứng với ảnh, Γi vectot chiều ảnh, Ψ vector trung bình mặt - Tính ma trận hiệp phương sai 𝐶= 𝑀 ∑ Փ𝑛 Փ𝑇𝑛 = 𝐴𝐴𝑇 𝑀 𝑛=1 𝐴= √𝑀 [Փ1 Փ2 … Փ𝑛 ] Tính trị riêng vector đặc trưng ma trận hiệp phương sai + Khi lượng liệu tập training lớn,việc tính tốn ma trận hiệp phương sai trị riêng trở nên bất khả thi C ma trận N2×N2 nên số chiều q lớn, khối lượng tính tốn vơ nhiều ta có hướng giải hiệu cho trường hợp dựa vào tính chất sau Tính chất 1: Trị riêng A trị riêng kA với k≠0 Điều suy trực tiếp từ định nghĩa trị riêng vector riêng 11 Luan van Tính chất 2: Trị riêng AB trị riêng BA với ma trận d1,d2 số tự nhiên khác khơng + với trường hợp ta nhận thấy ma trận AAT ATA ln có chung trị riêng vector đặc trưng có liên hệ với biểu thức ui = Avi mà ma trận ATA lại có số chiều hẳn (ma trận M×M) nên ta chuyển đổi ma trận ATA Lựa chọn thành phần xây dựng vector đặc trưng + Để giảm thiểu tối đa số chiều giảm độ phức tạp tính tốn, ta giữ lại K vector đặc trưng (tương ứng K giá trị riêng lớn nhất) Khi khn mặt sau trừ giá trị trung bình đại diện K vector đặc trưng: 𝑇 ̂ 𝑖 − 𝑚𝑒𝑎𝑛 = ∑𝐾 Փ 𝐽=1 𝑤𝑗 𝑢𝑗 , (𝑤𝑗 = 𝑤𝑗 Փ𝑖 ) + Mỗi khuôn mặt training Φi biểu diễn vector: 𝑤1𝑖 𝑖 𝛺𝑖 = 𝑤2 , 𝑖 = 1,2, … , 𝑀 … [𝑤𝐾𝑖 ] + Trong 𝑤𝑖 (j=1 K) trọng số tương ứng với K vector đặc trưng, 𝛺𝑖 vector đại diện cho khuôn mặt thứ i tập luyện 3.2.2 Quá trình nhận dạng ảnh vào Hình 3.5: Sơ đồ biểu diễn trình nhận dạng 12 Luan van Đưa ảnh có khn mặt Γ (khn mặt chuẩn hóa), nhận dạng đưa thơng tin người Trích rút đặc trưng PCA + Mỗi ảnh đưa vào nhận dạng (đã chuẩn hóa ánh sáng, góc chụp) có kích thước N×N tương đương với N2 vector đặc trưng mặt, đặc trưng mặt lớn, để giảm số đặc trưng mặt ta đưa ảnh cần nhận dạng vào không gian mặt đặc trưng giảm số chiều (chỉ K vector đặc trưng giữ lại) Chuẩn hóa, trừ vector trung bình Chuẩn hóa Γ: Φ=Γ−Ψ Đưa vào khơng gian đặc trưng + Sau chuẩn hóa, đưa ảnh thử nghiệm vào không gian trị riêng cách thực phép nhân sau: Փ = 𝐾𝑖=1 𝑤𝑖 𝑢𝑖 , (𝑤𝑖 = 𝑤𝑖𝑇 Փ) + Trong K số vector đặc trưng không gian ảnh ui (i=1 K) K vector đặc trưng lớn nhất, wi trọng số tương ứng với vector đặc trưng Tương ứng Φ với 𝛺 + Ảnh sau đưa vào khơng gian trị riêng tương đương với vector Ω mà phần tử Ω hệ số tương ứng ảnh thử nghiệm so với vector đặc trưng tương ứng không gian trị riêng 𝑤1 𝑤2 𝛺= … 𝑤𝐾 Tính khoảng cách er + Bước tính khoảng cách Euclide ma trận Ω so với không gian 13 Luan van mặt Tức ta tính khoảng cách tới ảnh tập ảnh luyện tìm khoảng cách tới ảnh luyện gần không gian mặt Khoảng cách gọi khoảng cách không gian mặt (distance within the face space –difs) 𝑒𝑟 = 𝑚𝑖𝑛𝑖 ||𝛺 − 𝛺𝑖 || - So sánh khoảng cách ngưỡng rút kết luận + Sau tính khoảng cách Euclide, ta so sánh với khoảng cách ngưỡng Tr (khoảng cách ngưỡng xác định thực nghiệm tùy thuộc vào tập ảnh luyện tùy thuộc vào số vector đặc trưng giữ lại) + Nếu er < Tr Γ nhận diện khuôn mặt thứ l tập training cịn khơng Γ khơng khn mặt tập luyện cho 14 Luan van CHƯƠNG IV THỰC NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ  Đầu vào ảnh khn mặt người chuẩn hóa  Đầu ra: Chương trình nhận dạng đưa ảnh thơng tin người 4.1 Kết trình thực PCA Tập ảnh huấn luyện: - Hình 4.1: Tập ảnh dùng để huấn luyện - Tập ảnh kiểm tra : Hình 4.2: Tập ảnh dùng kiểm tra kết 15 Luan van - Kết sau huấn luyện Hình 4.3: Kết sau huấn luyện - Các vector đặc trưng Hình 4.4: Các hình ảnh đặc trưng - Ảnh trung bình Hình 4.5: Ảnh trung bình tập ảnh huấn luyện 16 Luan van 4.2 Thiết kế chương trình ứng dụng - Thiết kế giao diện Guide MATLAB Hình 4.6: Giao diện chương trình nhận dạng mặt người dùng PCA - Các chức có giao diện chương trình: + Nhận dạng người có tập ảnh chụp -Button (File Direction): Chọn đường dẫn cho thư mục chứa ảnh chụp cần nhận dạng, sau chọn thư mục, đường dẫn hiển thị bên phải -ListBox (Choose Image): Hiển thị tên File ảnh thư mục chọn, cho phép người dùng chọn ảnh cần nhận dạng, chọn, ảnh hiển thị Input Image -Button( Reccognition): Thực việc nhận dạng hiển thị ảnh người nhận dạng Output Image thông tin cá nhân người ảnh bao gồm tên, mã số sinh viên số điện thoại, chương trình đọc thơng tin + Nhận dạng người thông qua camera: -Button (Camera): Mở camera máy tính -Button(Capture): Thực việc chụp ảnh nhận dạng người có ảnh + Thu thập liệu huấn luyện: -Button( Collecct Data): Người dùng cung cấp thơng tin cá nhân vào Detail, chương trình thu thập thông tin, chụp ảnh đại diện, chụp ảnh mẫu người -Button( Train): Huần luyện tập liệu bao gồm người 17 Luan van 4.3 Kiểm tra Đánh giá kết GUI Hình 4.7: Kết nhận dạng ảnh chụp người huấn luyện Hình 4.8: Kết nhận dạng ảnh chụp người chưa huấn luyện 18 Luan van Hình 4.9: Kết nhận dạng camera người huấn luyện Hình 4.10: Kết nhận dạng camera người chưa huấn luyện 19 Luan van CHƯƠNG V KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 5.1 Kết đạt Kết nhận dạng cho việc nhận dạng mặt người áp dụng thuật toán PCA hoạt động tương đối tốt trường hợp có giới hạn khơng gian mơi trường xung quanh, đề tài nhận dạng số đối tượng mặt người định, nhiên số trường hợp chưa xác điều chứng minh qua việc kiểm tra kết cách, thứ cho đầu vào ảnh cố định cách thứ hai kiểm tra camera máy tính vị trí Theo thực nghiệm kết nhận dạng chưa xác nguyên nhân: Một tập liệu huấn luyện chưa tối ưu, thứ hai chất nhận dạng theo PCA phương pháp nhạy với nhiễu mà cụ thể nhiễu từ ánh sáng bên 5.2 Hướng phát triển đề tài Trong đề tài nhận lúc người nhận dạng hình thức ảnh vào hạn chế đề tài nên ý tưởng đưa nhập vào đoạn video hay hình ảnh trực tiếp từ webcam Đoạn video hay hình ảnh webcam mô tả người với khung biến đổi người đám đơng Sau chương trình phát khoanh vùng vị trí khn mặt khung hình truy xuất sở liệu đưa thơng tin người 20 Luan van TÀI LIỆU THAM KHẢO [1] Kyungnam Kim, “ Face Recognition using Principle Component Analysis” [2] Liton Chandra Paul1, Abdulla Al Sumam, “Face Recognition Using Principal Component Analysis Method” [3] Paul Viola, Michael Jones “Rapid Object Detection using a Boosted Cascade of Simple Features”, accepted conference on computer vision and pattern recognition 2001 [4] Website: https://www.mathworks.com/matlabcentral/fileexchange/45750-facerecognition-using-pca [5] Website: https://en.wikipedia.org/wiki/Principal_component_analysis [6] Website: https://machinelearningcoban.com/2017/06/15/pca/ 21 Luan van Luan van