Trong những năm gần đây, Việt Nam đã chứng kiến sự phát triển mạnh mẽ trong lĩnh vực công nghệ thông tin, đặc biệt là trong các ứng dụng của trí tuệ nhân tạo (AI) và học máy. Sự tiến bộ này không chỉ thể hiện ở sự gia tăng của các startup công nghệ, mà còn qua việc áp dụng các công nghệ tiên tiến vào các ngành nghề khác nhau. Trong số đó, công nghệ nhận diện khuôn mặt, một phần quan trọng của AI, đã và đang trở thành một công cụ không thể thiếu trong nhiều lĩnh vực từ an ninh, giao thông đến thương mại và giáo dục. Hệ thống nhận dạng bằng khuôn mặt là một trong những ứng dụng quan trọng của trí tuệ nhân tạo và thị giác máy tính. Hệ thống này có thể được sử dụng trong nhiều lĩnh vực khác nhau, như an ninh, giáo dục, y tế, và giải trí. Tuy nhiên, việc nhận dạng bằng khuôn mặt cũng gặp nhiều thách thức, như sự biến đổi của ánh sáng, góc nhìn, biểu cảm, và phụ kiện. Do đó, cần phải nghiên cứu và phát triển các phương pháp nhận dạng bằng khuôn mặt hiệu quả và chính xác. Một trong những hướng tiếp cận hiện đại và tiên tiến nhất cho bài toán nhận dạng bằng khuôn mặt là sử dụng các mô hình học sâu (Deep Learning). Các mô hình học sâu có thể học được các đặc trưng phức tạp và phân biệt của khuôn mặt từ dữ liệu ảnh, và sử dụng chúng để phân loại hoặc xác minh các khuôn mặt khác nhau. Các mô hình học sâu cũng có thể được huấn luyện trên các tập dữ liệu lớn và đa dạng, để tăng khả năng tổng quát hóa và chống nhiễu. Đề tài “Hệ thống nhận dạng bằng khuôn mặt sử dụng mô hình học sâu” nhằm mục đích nghiên cứu và xây dựng một hệ thống nhận dạng bằng khuôn mặt hiệu quả và chính xác, sử dụng các mô hình học sâu phổ biến và tiên tiến nhất hiện nay, như RetinaFace, MTCNN, và ArcFace. Đề tài cũng nhằm đánh giá và so sánh hiệu năng của các mô hình học sâu khác nhau trong bài toán nhận dạng bằng khuôn mặt, cũng như đề xuất các cải tiến và giải pháp cho các vấn đề còn tồn tại.
TRƯỜNG ĐẠI HỌC CÔNG NGHIỆP HÀ NỘI KHOA CÔNG NGHỆ THÔNG TIN BÁO CÁO THỰC NGHIỆM HỌC PHẦN: ĐỒ ÁN CHUYÊN NGÀNH HỆ THỐNG NHẬN DẠNG BẰNG KHUÔN MẶT SỬ DỤNG MƠ HÌNH DEEP LEARNING Giảng viên hướng dẫn: TS Nguyễn Mạnh Cường Lớp: IT6052.2 - 20231IT6052002 Nhóm thực hiện: Nhóm 16 Thành viên: Lý Thành Lâm - 2020600571 Lê Bá Việt Anh - 2020601175 Nguyễn Trọng Hoàng 2020600594 Hà Nội, Năm 2023 i MỤC LỤC DANH MỤC HÌNH ẢNH iii DANH MỤC BẢNG BIỂU v LỜI CẢM ƠN vi LỜI NÓI ĐẦU vii CHƯƠNG 1:TỔNG QUAN VỀ BÀI TỐN NHẬN DẠNG KHN MẶT 1.1 Tổng quan nhận dạng 1.2 Mạng nơ ron tích chập tốn nhận dạng 1.3 Bài toán nhận dạng khuôn mặt qua ảnh CHƯƠNG 2:NHẬN DẠNG KHUÔN MẶT SỬ DỤNG RETINAFACE VÀ ARCFACE 2.1 2.1.1 2.1.2 2.1.3 Phát khuôn mặt Haar cascade MTCNN 11 RetinaFace 15 2.2 Căn chỉnh khuôn mặt 18 2.3 2.3.1 2.3.2 2.3.3 Biểu diễn khuôn mặt 20 VGGFace 21 FaceNet 22 ArcFace 24 2.4 2.4.1 2.4.2 Xác định danh tính khn mặt 26 Khoảng cách Euclidean 27 Khoảng cách Cosine 28 CHƯƠNG 3: MỘT SỐ KẾT QUẢ THỰC NGHIỆM 32 3.1 Giới thiệu liệu thực nghiệm 32 3.2 3.2.1 3.2.2 Quy trình thực nghiệm 33 Mơ hình phát khn mặt 34 Mơ hình nhận dạng khuôn mặt 35 3.3 3.3.1 Các siêu tham số thiết lập mơi trường 35 Mơ hình phát khuôn mặt 36 ii 3.3.2 Mơ hình nhận dạng khn mặt 36 3.4 3.4.1 3.4.2 Một số kết 37 Mơ hình phát khn mặt 37 Mơ hình nhận dạng khuôn mặt 39 CHƯƠNG 4:XÂY DỰNG HỆ THỐNG NHẬN DẠNG BẰNG KHUÔN MẶT 41 4.1 4.1.1 4.1.2 4.1.3 Các công cụ sử dụng 41 Streamlit 41 DeepFace 42 PyCharm 42 4.2 4.2.1 4.2.2 4.2.3 4.2.4 4.2.5 4.2.6 Các bước xây dựng phần mềm 43 Phân tích yêu cầu 43 Thu thập chuẩn bị liệu 43 Xây dựng mơ hình nhận diện khn mặt 44 Thiết kế giao diện người dùng logic ứng dụng 44 Kiểm thử phần triển khai phần mềm 44 Bảo trì cập nhật 45 4.3 4.3.1 4.3.2 4.3.3 4.3.4 Phân tích/ thiết kế phần mềm 45 Biểu đồ use case 45 Mô tả chi tiết use case nhận dạng 45 Mô tả chi tiết use case đăng ký 46 Thiết kế giao diện 48 4.4 4.4.1 4.4.2 Kết đạt 50 Trang nhận dạng khuôn mặt 50 Trang đăng ký thông tin nhận dạng 54 KẾT LUẬN 59 TÀI LIỆU THAM KHẢO 61 iii DANH MỤC HÌNH ẢNH Hình 2.1: Các đặc trưng hình chữ nhật Hình 2.2: Minh hoạ Haar Cascade Hình 2.3: Cấu trúc tầng cho Haar Cascade Hình 2.4: Mơ hình MTCNN 11 Hình 2.5: Kiến trúc P-Net 12 Hình 2.6: Kiến trúc R-Net 13 Hình 2.7: Kiến trúc O-Net 14 Hình 2.8: Kiến trúc RetinaFace 16 Hình 2.9: Mơ hình nhận dạng khn mặt sử dụng RetinaFace đạt kết tốt MTCNN 17 Hình 2.10: Mơ hình phát điểm khuôn mặt sử dụng RetinaFace đạt kết tốt MTCNN 17 Hình 2.11: Khn mặt phát 18 Hình 2.12: Mơ tả vị trí hai mắt ảnh ví dụ 19 Hình 2.13: Kết chỉnh khuôn mặt 20 Hình 2.14: Mơ hình VGGFace 21 Hình 2.15: Kiến trúc mơ hình VGGFace 21 Hình 2.16: Huấn luyện mơ hình nhận dạng khuôn mặt sâu ArcFace đề xuất (K=1) sub-center ArcFace (ví dụ: K=3) 25 Hình 2.17: So hàm Softmax hàm mát ArcFace 26 Hình 2.18: Sử dụng định lý Pythagorean để tính khoảng cách Euclidean 2-chiều 27 Hình 2.19: Vector ví dụ 28 Hình 2.20: Tạo vector để vẽ hình tam giác 29 Hình 3.1: Bộ liệu WIDERFACE 32 iv Hình 3.2: Bộ liệu LFW 33 Hình 3.3: Biểu đồ tỷ lệ nhận diện khuôn mặt cho loại kiện khác 34 Hình 3.4: Kết huấn luyện mơ hình RetinaFace với backbone ResNet50 37 Hình 3.5: Kết dự đốn mơ hình phát khn mặt 38 Hình 3.6: So sánh giá trị dự đoán giá trị thực tế 39 Hình 3.7: Một số kết nhận dạng khn mặt 40 Hình 4.1: Biểu đồ use case 45 Hình 4.2: Thiết kế giao diện trang nhận dạng khuôn mặt 48 Hình 4.3: Thiết kế giao diện trang đăng ký nhận dạng 49 Hình 4.4: Trang nhận dạng khn mặt 50 Hình 4.5: Trang nhận dạng khuôn mặt 50 Hình 4.6: Trang nhận dạng khn mặt 51 Hình 4.7: Trang nhận dạng khuôn mặt 52 Hình 4.8: Trang nhận dạng khn mặt 52 Hình 4.9: Trang nhận dạng khn mặt 53 Hình 4.10: Trang đăng ký thông tin nhận dạng 54 Hình 4.11: Trang đăng ký thơng tin nhận dạng 54 Hình 4.12: Trang đăng ký thơng tin nhận dạng 55 Hình 4.13: Trang đăng ký thông tin nhận dạng 55 Hình 4.14: Trang đăng ký thơng tin nhận dạng 56 Hình 4.15: Trang đăng ký thơng tin nhận dạng 56 Hình 4.16: Trang đăng ký thông tin nhận dạng 57 Hình 4.17: Trang đăng ký thông tin nhận dạng 57 Hình 4.18: Trang đăng ký thơng tin nhận dạng 58 v DANH MỤC BẢNG BIỂU Bảng 3.1: Kết đánh giá mơ hình phát khn mặt 37 Bảng 3.2: Kết đánh giá mơ hình sử dụng phương pháp khác 39 Bảng 4.1: Mô tả chi tiết use case nhận dạng 45 Bảng 4.2: Mô tả chi tiết use case đăng ký thông tin 46 vi LỜI CẢM ƠN Trong trình thực báo cáo học phần đồ án chuyên ngành, với đề tài "Hệ thống nhận dạng khn mặt sử dụng mơ hình Deep Learning", xin gửi lời cảm ơn chân thành đến tất người đóng góp hỗ trợ chúng tơi hồn thành thành cơng báo cáo Đầu tiên, muốn gửi lời cảm ơn sâu sắc tới Giảng viên hướng dẫn chúng tôi, tiến sĩ Nguyễn Mạnh Cường, dẫn, hướng dẫn kiến thức quý báu mà thầy truyền đạt cho chúng tơi suốt q trình thực báo cáo trình học Sự kiên nhẫn tận tâm thầy giúp vượt qua khó khăn hồn thiện báo cáo cách tốt Chúng muốn bày tỏ lịng biết ơn đến khoa Cơng nghệ thơng tin trường Đại học Công Nghiệp Hà Nội tạo điều kiện thuận lợi cung cấp kiến thức chuyên môn quan trọng cho chúng tơi suốt q trình học tập nghiên cứu trường Chúng không nhắc đến giúp đỡ bạn bè lớp việc tìm kiếm thơng tin, trao đổi ý kiến hỗ trợ kỹ thuật Chúng muốn bày tỏ lịng biết ơn đến gia đình người thân ủng hộ, động viên hiểu rõ khó khăn chúng tơi gặp phải q trình thực báo cáo Sự động viên tình yêu thương gia đình nguồn động lực quan trọng giúp chúng tơi vượt qua khó khăn Cuối cùng, xin gửi lời cảm ơn chân thành đến tất người đọc đánh giá báo cáo Sự quan tâm góp ý người động lực để tiếp tục nỗ lực hoàn thiện nghiên cứu dự án tương lai Xin chân thành cảm ơn! Lý Thành Lâm Lê Bá Việt Anh Nguyễn Trọng Hồng vii LỜI NĨI ĐẦU Trong năm gần đây, Việt Nam chứng kiến phát triển mạnh mẽ lĩnh vực công nghệ thông tin, đặc biệt ứng dụng trí tuệ nhân tạo (AI) học máy Sự tiến gia tăng startup công nghệ, mà cịn qua việc áp dụng cơng nghệ tiên tiến vào ngành nghề khác Trong số đó, công nghệ nhận diện khuôn mặt, phần quan trọng AI, trở thành công cụ thiếu nhiều lĩnh vực từ an ninh, giao thông đến thương mại giáo dục Hệ thống nhận dạng khuôn mặt ứng dụng quan trọng trí tuệ nhân tạo thị giác máy tính Hệ thống sử dụng nhiều lĩnh vực khác nhau, an ninh, giáo dục, y tế, giải trí Tuy nhiên, việc nhận dạng khuôn mặt gặp nhiều thách thức, biến đổi ánh sáng, góc nhìn, biểu cảm, phụ kiện Do đó, cần phải nghiên cứu phát triển phương pháp nhận dạng khuôn mặt hiệu xác Một hướng tiếp cận đại tiên tiến cho tốn nhận dạng khn mặt sử dụng mơ hình học sâu (Deep Learning) Các mơ hình học sâu học đặc trưng phức tạp phân biệt khuôn mặt từ liệu ảnh, sử dụng chúng để phân loại xác minh khn mặt khác Các mơ hình học sâu huấn luyện tập liệu lớn đa dạng, để tăng khả tổng quát hóa chống nhiễu Đề tài “Hệ thống nhận dạng khn mặt sử dụng mơ hình học sâu” nhằm mục đích nghiên cứu xây dựng hệ thống nhận dạng khn mặt hiệu xác, sử dụng mơ hình học sâu phổ biến tiên tiến nay, RetinaFace, MTCNN, ArcFace Đề tài nhằm đánh giá so sánh hiệu mơ hình học sâu khác tốn nhận dạng khn mặt, đề xuất cải tiến giải pháp cho vấn đề tồn viii Bố cục đề tài bao gồm bốn chương chính: Chương Tổng quan tốn nhận dạng khn mặt: Giới thiệu tổng quan toán, số hướng tiếp cận chung, từ định nghĩa tốn khác cần phải giải Chương Nhận dạng khuôn mặt sử dụng RetinaFace ArcFace: tổng hợp nghiên cứu có liên quan phương pháp giải toán đề tài đưa phương pháp sử dụng báo cáo Chương Một số kết thực nghiệm: đưa thông tin mặt thực nghiệm kết đạt việc giải toán Chương Xây dựng hệ thống nhận dạng khn mặt: trình bày cơng cụ, quy trình xây dựng, phân tích thiết kế phần mềm demo, kết đạt Qua đề tài này, chúng tơi mong muốn đóng góp phương pháp hiệu đơn giản để nhận dạng sử dụng khuôn mặt Chúng hy vọng đề tài giúp ích cho hệ thống nhận dạng danh tính điểm danh khn mặt CHƯƠNG 1: TỔNG QUAN VỀ BÀI TOÁN NHẬN DẠNG KHUÔN MẶT 1.1 Tổng quan nhận dạng Theo Wikipedia [1], nhận dạng mẫu trình xác định phân loại mẫu mẫu liệu dựa đặc trưng thuộc tính Đối tượng nhận dạng đối tượng vật lý, hình ảnh, âm thanh, chữ viết, dạng liệu khác Tổng quan trình nhận dạng mẫu gồm bước sau: • Thu thập liệu: Đầu tiên, cần thu thập liệu mẫu để xây dựng mơ hình nhận dạng Dữ liệu hình ảnh, tệp âm thanh, liệu văn dạng liệu phù hợp với vấn đề nhận dạng cụ thể • Tiền xử lý liệu: Trước huấn luyện mơ hình nhận dạng, liệu cần tiền xử lý để chuẩn hóa, loại bỏ nhiễu chuẩn bị cho trình huấn luyện Các bước tiền xử lý bao gồm chuẩn hóa liệu, giảm kích thước, loại bỏ nhiễu tăng cường liệu • Trích xuất đặc trưng: Các đặc trưng quan trọng phù hợp với tốn nhận dạng rút trích từ liệu mẫu Việc rút trích đặc trưng dựa phương pháp truyền thống phân tích thành phần (PCA) sử dụng mơ hình học sâu mạng nơ-ron tích chập (CNN) trường hợp nhận dạng hình ảnh • Xây dựng mơ hình nhận dạng: Với đặc trưng rút trích, xây dựng mơ hình nhận dạng Mơ hình dựa thuật tốn máy học học có giám sát (supervised learning), học không giám sát (unsupervised learning) kết hợp hai • Huấn luyện đánh giá: Mơ hình nhận dạng cần huấn luyện liệu mẫu chuẩn bị Q trình huấn luyện đưa mơ hình có khả dự đốn phân loại mẫu dựa đặc trưng học • Kiểm tra triển khai: Mơ hình huấn luyện cần kiểm tra liệu kiểm tra độc lập để đánh giá hiệu suất độ xác Nếu kết 48 4.3.4 Thiết kế giao diện a Giao diện trang nhận dạng khuôn mặt Hình 4.2: Thiết kế giao diện trang nhận dạng khn mặt 49 b Giao diện trang đăng ký thông tin nhận dạng Hình 4.3: Thiết kế giao diện trang đăng ký nhận dạng 50 4.4 Kết đạt 4.4.1 Trang nhận dạng khn mặt Hình 4.4: Trang nhận dạng khn mặt Khi bắt đầu sử dụng tính nhận dạng khn mặt (hay chúng tơi gọi tìm kiếm thơng tin khn mặt), người dùng có hai lựa chọn để tải lên ảnh đầu vào tải ảnh lên từ máy tính (chỉ hỗ trợ định dạng PNG, JPG, JPEG) chụp ảnh trực tiếp từ camera, lưu ý tính cho phép ảnh đầu vào Hình 4.5: Trang nhận dạng khn mặt 51 Sau ảnh tải lên thành công, ảnh đầu vào hiển thị Hình 4.6: Trang nhận dạng khuôn mặt Ở bước này, trước thực tìm kiếm thơng tin, người dùng tích vào ô “Hiển thị cài đặt nâng cao” để hiển thị thêm tuỳ chỉnh cài đặt lựa chọn phép đo khoảng cách (có lựa chọn “cosine”, “euclidean”, “euclidean_l2”) khoảng cách tối đa (giá trị từ 0,1 đến 2) Hơn nữa, người dùng tích chọn ô “Hiển thị đầu dạng json” để hiển thị file json thông tin kết hiển thị Cuối cùng, sau cài đặt xong để mặc định, người dùng click nút “Find” để bắt đầu tìm kiếm 52 Hình 4.7: Trang nhận dạng khn mặt Nếu tìm kiếm thành cơng, kết nhận dạng hiển thị dạng hai cột, cột thứ hình ảnh khn mặt, cột thứ hai thông tin người liên quan Trong trường hợp khung hình có nhiều khn mặt, tất khn mặt phát nhận dạng kết in tương tự Hình 4.8: Trang nhận dạng khn mặt Trong trường hợp người dùng tích vào “Hiển thị đầu dạng json”, kết hiển thị thêm thông tin dạng json bao gồm thông tin như: 53 ● ● ● ● ● ● ● ● ● ● ● ● x: toạ độ x khung chứa khuôn mặt y: toạ độ y khung chứa khuôn mặt w: độ rộng khung chứa khuôn mặt h: độ dài khung chứa khuôn mặt found: có hai giá trị True False, tìm thấy thông tin No.: số định danh Full name: tên đầy đủ Date of birth: ngày sinh Sex: giới tính Nationality: quốc tịch Place of origin: quê quán Place of residence: nơi thường trú Ngược lại, tìm kiếm thơng thành công, kết in thay thơng tin thơng báo “Khơng tìm thấy thơng tin người này” lên Hình 4.9: Trang nhận dạng khuôn mặt 54 4.4.2 Trang đăng ký thông tin nhận dạng Hình 4.10: Trang đăng ký thơng tin nhận dạng Khi vào trang đăng ký thông tin nhận dạng, người dùng tải lên nhiều ảnh từ máy tính để làm ảnh đầu vào Hình 4.11: Trang đăng ký thông tin nhận dạng Các ảnh sau tải lên đưa vào mơ hình phát khn mặt bắt buộc ảnh có khn mặt Vì thế, trường hợp không hợp lệ hiển thị thông báo lỗi không lấy làm ảnh đầu vào 55 Hình 4.12: Trang đăng ký thơng tin nhận dạng Các trường hợp ảnh tải lên hợp lệ hiển thị coi ảnh đầu vào bước Hình 4.13: Trang đăng ký thơng tin nhận dạng Nếu có ảnh đầu vào, form lên để người dùng nhập thông tin đăng ký Sau nhập thơng tin, người dùng click “Đăng ký” để lưu thông tin vào hệ thống 56 Hình 4.14: Trang đăng ký thơng tin nhận dạng Trường hợp thơng tin cịn thiếu, thơng báo lên Hình 4.15: Trang đăng ký thơng tin nhận dạng Trường hợp thông tin điền đầy đủ, hệ thống kiểm tra database có chứa thông tin người hay chưa dựa vào “mã định danh” Nếu chưa tồn liệu thêm vào bao gồm tất ảnh đầu vào hợp lệ thông tin nhận dạng, hiển thị thơng báo 57 Hình 4.16: Trang đăng ký thơng tin nhận dạng Nếu thông tin tồn tại, thông báo hai lựa chọn lên Hình 4.17: Trang đăng ký thông tin nhận dạng Người dùng chọn “Cập nhật” để ghi đè thơng tin vào thơng tin cũ database 58 Hình 4.18: Trang đăng ký thông tin nhận dạng Với lựa chọn “Huỷ bỏ”, người dùng bỏ qua cập nhật thơng tin Qua chương 4, nhóm xây dựng thành công hệ thống nhận dạng khuôn mặt chạy tảng web nhờ áp dụng công cụ thích hợp, tuân thủ bước xây dựng phần mềm, phân tích thiết kế phần mềm, ứng dụng kiến thức, kinh nghiệm học 59 KẾT LUẬN Trong dự án này, nhóm chúng tơi phát triển hệ thống nhận dạng khuôn mặt sử dụng mơ hình deep learning sử dụng mơ hình RetinaFace mơ hình ArcFace huấn luyện trước Chúng tơi thực tích hợp hàm liên quan để đảm bảo hệ thống hoạt động cách xác hiệu Trong q trình hồn thiện dự án, đạt số thành tựu đáng kể Đầu tiên thành công việc xây dựng hệ thống nhận dạng khuôn mặt đáng tin cậy, hệ thống có khả nhận dạng khn mặt với độ xác cao, nhờ hỗ trợ mơ hình deep learning Thứ hai, giao diện web tích hợp vào hệ thống sử dụng framework streamlit Điều cho phép người dùng dễ dàng sử dụng hệ thống thơng qua trình duyệt web Mặc dù đạt nhiều thành tựu, chúng tơi nhận cịn số điều chưa hồn thiện Một số hiệu suất hệ thống, hệ thống nhận dạng khn mặt cách tương đối xác, việc xử lý ảnh, tính tốn, tìm kiếm thơng tin nhiều thời gian ảnh có kích thước lớn số lượng khn mặt khung hình nhiều Điều gây trễ hẹn gây phiền hà cho người dùng Hai trường hợp sở liệu lớn, toàn liệu ảnh lưu trữ không nén độ phức tạp thời gian cho truy vấn thông tin 𝑂(𝑁), nên tốn nhiều khơng gian phần cứng khiến tốc độ truy vấn thông tin nhận dạng giảm nhiều Để cải thiện điều này, nhóm tiếp tục nghiên cứu tối ưu hóa hệ thống, nhằm tăng tốc độ xử lý, giảm thời gian đáp ứng tìm giải pháp lưu trữ truy vấn sở liệu Trong tương lai, tiếp tục phát triển dự án để nâng cao tính hiệu suất hệ thống Một hướng phát triển tiềm mở rộng hệ thống để gia tăng việc đăng ký thông tin Điều cho phép người dùng đăng ký lưu trữ thông tin cá nhân họ sở liệu cách dễ dàng Bên cạnh đó, thuật tốn lân cận gần (A-NN) Elastic Search áp dụng để làm giảm đáng kể độ phức tạp thời gian cho truy vấn thông tin nhận dạng Thêm nữa, cách kết hợp thuật tốn nhận dạng khn mặt xử lý liệu, 60 hệ thống hồn chỉnh linh hoạt xây dựng để phục vụ nhiều mục đích khác Tổng kết lại, dự án "Hệ thống nhận dạng khuôn mặt sử dụng mơ hình deep learning" đạt kết đáng kể mở tiềm phát triển tương lai Chúng tơi hài lịng với thành tựu đạt tiếp tục nỗ lực để nâng cao hiệu suất tính hệ thống, nhằm đáp ứng tốt nhu cầu yêu cầu người dùng 61 TÀI LIỆU THAM KHẢO [1] N n đ g v Wikipedia, "Nhận dạng mẫu," Wikipedia, 12 Tháng 2022 [Online] Available: https://vi.wikipedia.org/wiki/Nh%E1%BA%ADn_d%E1%BA%A1ng_m%E 1%BA%ABu [Accessed Tháng 2024] [2] W contributors, "Convolutional neural network," Wikipedia, The Free Encyclopedia, 31 December 2023 [Online] Available: https://en.wikipedia.org/w/index.php?title=Convolutional_neural_network& oldid=1192823357 [Accessed January 2024] [3] S I Serengil, "A Gentle Introduction to Face Recognition in Deep Learning," 2020 [Online] Available: https://sefiks.com/2020/05/01/a-gentleintroduction-to-face-recognition-in-deep-learning/ [Accessed 2024] [4] N Duong, "HAAR CASCADE LÀ GÌ? HƯỚNG DẪN DEMO NHẬN DIỆN KHUÔN MẶT TRONG ẢNH BẰNG HAAR CASCADE," 10 2021 [Online] Available: https://onetech.vn/blog/haar-cascade-la-gi-13561 [Accessed 2024] [5] T Q Bảo, "Tìm hiểu MTCNN áp dụng để xác định vị trí khn mặt.," 25 10 2018 [Online] Available: https://code24h.com/tim-hieu-mtcnn-va-apdung-de-xac-dinh-vi-tri-cac-khuon-mat-d26908.htm [Accessed 2024] [6] J D a J G a Y Z a J Y a I K a S Zafeiriou, "RetinaFace: Single-stage Dense Face Localisation in the Wild," arXiv, 2019 [Online] Available: https://arxiv.org/abs/1905.00641 [Accessed 2024] [7] A V A Z Omkar M Parkhi, "Deep Face Recognition," 2015 [Online] Available: https://www.robots.ox.ac.uk/~vgg/publications/2015/Parkhi15/parkhi15.pdf [Accessed 2024] 62 [8] phamdinhkhanh, "Mơ hình Facenet face recognition," 12 2020 [Online] Available: https://phamdinhkhanh.github.io/2020/03/12/faceNetAlgorithm.html [Accessed 2024] [9] J a G J a Y J a X N a K I a Z S Deng, "ArcFace: Additive Angular Margin Loss for Deep Face Recognition," IEEE Transactions on Pattern Analysis and Machine Intelligence, vol 44, no 10, p 5962–5979, 2022 [10] W contributors, "Euclidean distance," Wikipedia, The Free Encyclopedia, 14 12 2023 [Online] Available: https://en.wikipedia.org/w/index.php?title=Euclidean_distance&oldid=1189 905477 [Accessed 2024] [11] S I Serengil, "Cosine Similarity in Machine Learning," 2018 [Online] Available: https://sefiks.com/2018/08/13/cosine-similarity-in-machinelearning/) [Accessed 2024] [12] S a L P a L C C a T X Yang, WIDER FACE: A Face Detection Benchmark, IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2016