Nghiên cứu ứng dụng xử lý ảnh để nhận dạng người học

Tổng quan về đề tàiHệ thống nhận dạng mặt người bao gồm hai bước:phát hiện khuôn mặt và định danh tự động đối tượng.Công việc chính dựa vào các kỹ thuật rút trích đặc trưngtừ ảnh đối tượ

1 HỘI NGHỊ TỔNG KẾT HOẠT ĐỘNG SINH VIÊN NGHIÊN CỨU KHOA HỌC VÀ NHÓM SRT NĂM HỌC 2019-2020

NGHIÊN CỨU ỨNG DỤNG XỬ LÝ ẢNH ĐỂ NHẬN DẠNG NGƯỜI HỌC

STUDY ON IMAGE PROCESSING FOR STUDENTS IDENTIFICATION APPLICATION

SVTH: Nguyễn Duy Hà Sơn, Đặng Sỹ Phi Hùng, Vàng Minh Tuấn Anh Tài, Mai Ngọc Đức, Ngọ Văn Khán

Lớp 17KTDT1, Khoa Điện – Điện tử, Trường Đại học Sư phạm Kỹ thuật - Đại học Đà Nẵng

GVHD: ThS Lê Hữu Duy

Khoa Điện – Điện tử, Trường Đại học Sư phạm Kỹ thuật - Đại học Đà Nẵng

Tóm tắt - Sự phát triển nhanh chóng của khoa học - công

nghệ, tự động hóa và thông minh nhân tạo, công nghệ xử lý hình

ảnh đang tạo ra những bước nhảy vọt Để tận dụng lợi thế của

các công nghệ phát triển này, trong bài báo này, chúng tôi đã sử

dụng công nghệ xử lý hình ảnh để xây dựng ứng dụng nhận dạng

khuôn mặt bằng thuật toán nhận diện khuôn mặt và trích xuất

thuộc tính khuôn mặt để xây dựng ứng dụng điểm danh của sinh

viên Thông tin sinh viên được lưu vào cơ sở dữ liệu và hệ thống

của chúng tôi được triển khai trên bộ Raspberry Pi 3B, với máy

ảnh C270 HD và ngôn ngữ lập trình Python

Abstract - The rapid development of science - technology,

automation and artificial intelligent, image processing technology are making great leaps and bounds In order to take an advantage of these development technologies, in this paper we used image processing technology to build face recognition application using face detection algorithm and face feature extraction for face verification to build student attendance checking Students information is saved to the database, and our system is implemented on Raspberry Pi 3B kit, with C270 HD camera and Python programming language.

Từ khóa - Xử lý ảnh, nhận diện khuôn mặt, Raspberry,… Key words - Image processing,face recognizer Raspberry,

1 Đặt vấn đề

Công nghệ ngày càng hiện đại, xu hướng công nghệ

4.0 đang toàn cầu hóa và áp dụng trong đời sống khá là

phổ biến Ví dụ như trong học đường, để đánh giá điểm

chuyên cần tức là điểm danh học sinh – sinh viên phải bỏ

ra vài phút đối với số học inh – sinh viên trong lớp học ít

người và trung, nhưng đối với những lớp học đông người

thì việc đánh giá chuyên cần xảy ra cả chục phút làm ảnh

hưởng thời gian giảng dạy của giảng viên Công nghệ Xử

lý ảnh để nhận diện khuôn mặt người sẽ giúp cải thiện về

vấn đề dó, tiết kiệm thời gian, kiểm tra sĩ số lớp học nhận

diện đối tượng chính xác tránh trường hợp thi hộ hoặc

điểm danh hộ

2 Tổng quan về đề tài

Hệ thống nhận dạng mặt người bao gồm hai bước:

phát hiện khuôn mặt và định danh tự động đối tượng

Công việc chính dựa vào các kỹ thuật rút trích đặc trưng

từ ảnh đối tượng và thực hiện đối sánh để định danh tự

động Hiệu quả của hệ thống nhận dạng phụ thuộc vào các

phương pháp sử dụng

Các nghiên cứu trước đây để nhận diện được khuôn

mặt họ sử dụng: Tiếp cận dựa trên các đặc trưng như mắt,

tai, màu tóc, độ dày môi để tự động nhận dạng Dùng

mạng nơron để dò tìm khuôn mặt trong ảnh Sử dụng

thuật toán AdaBoost để dò tìm khuôn mặt kết hợp với

thuật toán FSVM để tiến hành nhận dạng mặt người Sử

dụng các đặc trưng SIFT để nhận dạng mặt người Hay

hiện nay sử dụng deep learning, công nghệ AI để nhận

dạng khuôn mặt hay đối tượng trong ảnh, video

Trong bài báo này, chúng tôi đề xuất sử dụng các đặc

trưng Haar Like [1] với thuật toán AdaBoost và mô hình

phân tầng Cascade [7] để định vị khuôn mặt kết hợp với

thuật toán LBPH[5] để trích những đặc trưng và nhận

dạng khuôn mặt

3 Giới thiệu chung

3.1 Raspberry Pi

Raspberry Pi là cái máy tính giá 35usd kích cỡ như iPhone và chạy HĐH Linux Với mục tiêu chính của chương trình là giảng dạy máy tính cho trẻ em Được phát triển bởi Raspberry Pi Foundation – là tổ chức phi lợi nhuận với tiêu chí xây dựng hệ thống mà nhiều người có thể sử dụng được trong những công việc tùy biến khác nhau

Raspberry Pi sản xuất bởi 3 OEM: Sony, Qsida, Egoman Và được phân phối chính bởi Element14, RS Components và Egoman

Nhiệm vụ ban đầu của dự án Raspberry Pi là tạo ra máy tính rẻ tiền có khả năng lập trình cho những sinh viên, nhưng Pi đã được sự quan tâm từ nhiều đối tượng khác nhau Đặc tính của Raspberry Pi xây dựng xoay quanh bộ xử lí SoC Broadcom BCM2835 ( là chip xử lí mobile mạnh mẽ có kích thước nhỏ hay được dùng trong điện thoại di động ) bao gồm CPU , GPU , bộ xử lí âm thanh /video , và các tính năng khác … tất cả được tích hợp bên trong chip có điện năng thấp này

Raspberry Pi không thay thế hoàn toàn hệ thống để bàn hoặc máy xách tay Bạn không thể chạy Windows trên đó vì BCM2835 dựa trên cấu trúc ARM nên không

hỗ trợ mã x86/x64 , nhưng vẫn có thể chạy bằng Linux với các tiện ích như lướt web , môi trường Desktop và các nhiệm vụ khác Tuy nhiên Raspberry Pi là một thiết bị đa năng đáng ngạc nhiên với nhiều phần cứng có giá thành rẻ nhưng rất hoàn hảo cho những hệ thống điện tử , những

dự án DIY , thiết lập hệ thống tính toán rẻ tiền cho những bài học trải nghiệm lập trình …

Nguyễn Duy Hà Sơn, Đặng Sỹ Phi Hùng, Vàng Minh Tuấn Anh Tài, Mai Ngọc Đức, Ngọ Văn Khán 2

Hình 1 Raspberry Pi

Hình 2 Sơ đồ cấu tạo Raspberry Pi

Ưu điểm:

- Giá rẻ

- Nhỏ gọn

- Siêu tiết kiệm điện

- GPU mạnh

- Phục vụ cho nhiều mục đích

- Khả năng hoạt động liên tục 24/7

Nhược điểm:

- CPU cấu hình thấp

- Lan 100

- Không có tích hợp WiFi (có thể mua USB WiFi về

gắn vô)

- Yêu cầu phải có kiến thức cơ bản về Linux, điện

tử

3.2 WEDCAM C270

Webcam Logitech C270 full HD giúp người dùng có

thể trò chuyện trực tuyến với nhau thông qua các cuộc gọi

video trên mạng Đây là chiếc webcam tuyệt vời dành cho

bạn khi chat online hay gọi video facebook

Hình 3 Thiết bị ghi hình/Webcam Logitech C270

Với độ phân giải lên đến 3.0MP giúp người dùng có thể chụp hình, quay video full HD 720P cho hình ảnh linh động - chân thật đến 99%

Logitech C270 có khả năng điều chỉnh hình ảnh ngay

cả khi bạn thực hiện cuộc gọi video trong bối cảnh mờ hoặc ngược sáng, camera sẽ điều chỉnh thông minh để cho hình ảnh tốt nhất có thể

Webcam Logitech C270 full HD tương thích hoạt động với Raspberry Pi, Androi TV Box, Skype™, Google Hangouts™, Messenger, và các ứng dụng nhắn tin tức thời phổ biến Bên cạnh đó micro có tích hợp tính năng giảm tiếng ồn mang đến cho bạn cuộc trò chuyện rõ ràng không có tạp âm nền gây phiền nhiễu

3.3 Ngôn ngữ lập trình Python

Python là một ngôn ngữ lập trình bậc cao cho các mục đích lập trình đa năng, do Guido van Rossum tạo ra và lần đầu ra mắt vào năm 1991 Python được thiết kế với ưu điểm mạnh là dễ đọc, dễ học và dễ nhớ Python là ngôn ngữ có hình thức rất sáng sủa, cấu trúc rõ ràng, thuận tiện cho người mới học lập trình Cấu trúc của Python còn cho phép người sử dụng viết mã lệnh với số lần gõ phím tối thiểu Vào tháng 7 năm 2018, Van Rossum đã từ chức Leader trong cộng đồng ngôn ngữ Python sau 30 năm lãnh đạo

Python hoàn toàn tạo kiểu động và dùng cơ chế cấp phát bộ nhớ tự động; do vậy nó tương tự như Perl, Ruby, Scheme, Smalltalk, và Tcl Python được phát triển trong một dự án mã mở, do tổ chức phi lợi nhuận Python Software Foundation quản lý

Ban đầu, Python được phát triển để chạy trên nền Unix Nhưng rồi theo thời gian, Python dần mở rộng sang mọi hệ điều hành từ MS-DOS đến Mac OS, OS/2, Windows, Linux và các hệ điều hành khác thuộc họ Unix Mặc dù sự phát triển của Python có sự đóng góp của rất nhiều cá nhân, nhưng Guido van Rossum hiện nay vẫn là tác giả chủ yếu của Python Ông giữ vai trò chủ chốt trong việc quyết định hướng phát triển của Python

3.4 Phần mềm PHPmyadmin

Hình 4 Hình ảnh phần mềm PHPmyadmin

Phpmyadmin là một phần mềm có mã nguồn mở được viết bằng ngôn ngữ lập trình PHP Người sử dụng phần mềm này thường là nhà quản trị các cơ sở dữ liệu, các database administrator Nhờ vào việc sử dụng phần mềm này, người dùng có thể quản lý các dữ liệu MySQL thông qua giao diện web thay vì sử dụng giao diện cửa sổ dòng lệnh truyền thống

Cài đặt Phpmyadmin trên Windows, Ubuntu, Mac giúp cho người dùng dễ dàng thực hiện được nhiều tác vụ

Ảnh đã xử lý

Vectơ đặc trưng

Vị trí đối tượng

Nhận dạng

3 HỘI NGHỊ TỔNG KẾT HOẠT ĐỘNG SINH VIÊN NGHIÊN CỨU KHOA HỌC VÀ NHÓM SRT NĂM HỌC 2019-2020 khác nhau như cập nhật, tạo mới, sửa đổi hoặc xóa bỏ cơ

sở dữ liệu, bản ghi hoặc bảng, thực hiện các báo cáo SQL,

phân quyền và quản lý người dùng,

Những đặc tính nổi bật của Phpmyadmin:

- Tăng hiệu quả quản lý

- Giao diện web thân thiện

- Chế độ xem trước (Design View)

Ưu điểm:

- Hiệu quả về quản lý cơ sở dữ liệu

- Tài nguyên lớn

- Đa ngôn ngữ

Nhược điểm:

- Bảo mật Phpmyadmin

- Sao lưu dữ liệu

4 Định nghĩa bài toán nhận dạng đối tượng

Nhận dạng đối tượng (Object recognition) lĩnh vực

thuộc “machine learning” nghiên cứu việc tìm một đối

tượng trong một ảnh hay video cho trước, đó là việc phát

hiện đối tượng cụ thể với các lớp đối tượng khác của hệ

thống

Hình 5 Minh họa về nhận dạng mặt người

Sự phát triển khoa học công nghệ đã thúc đẩy chi việc

đưa bài toán nhận dạng đối tượng vào thực tiễn với mức

độ tinh vi ngày càng cao, ta có thể thấy rất nhiều ứng

dụng trong nhận dạng đối tượng phổ biến hiện nay như:

các camera theo dỏi các trung tâm lớn, hệ thống nhận

dạng tội phạm, nhận dạng vân tay, công nghệ robot,… Vì

vậy, nhận dạng đối tượng là một lĩnh vực đang rất được

quan tâm và có tính ứng dụng cao

5 Tổng quan kiến trúc một hệ thống nhận dạng đối

tượng

Một hệ thống nhận dạng đối tượng thông thường xử lý

bốn bước sau:

- Thu nhận tín hiệu (hình ảnh) và tiền xử lý

- Tríc chọn đặc trưng

- Phát hiện đối tượng(detection)

- Phân lớp đối tượng(classification)

Hình 6: Các bước hệ thống nhận dạng mặt người

6 Hệ thống nhận diện và điểm danh người học

Một hệ thống điểm danh bằng khuôn mặt bao gồm 2 modul chính:

- Modul thêm đối tượng: là dữ liệu khuôn mặt và thông tin các bạn học vào cơ sở dữ liệu

- Modul nhận diện đối tượng: nhận diện bạn học và lưu thông tin vào cơ sở dữ liệu

Modul thêm đối tượng thực hiện các bước: thu ảnh của các đối tượng trong hệ thống từ camera (webcam), định vị tự động khuôn mặt, lưu ảnh khuôn mặt của các đối tượng vào cơ sở dữ liệu, rút trích đặc trưng từ ảnh khuôn mặt các đối tượng và huấn luyện mô hình nhận dạng các đối tượng trong hệ thống

Modul nhận diện đối tượng thực hiện thu ảnh từ camera, định vị khuôn mặt, rút trích đặc trưng từ ảnh khuôn mặt và sử dụng hệ thống nhận dạng (được huấn luyện bởi module thêm đối tượng) để nhận diện và lưu thông tin đối tượng đối tượng

Hệ thống nhận dạng mặt người

Xử lý dữ liệu Ảnh, video

Trích chọn đặc trưng

Phát hiện đối tượng

Phân lớp đối tượng

Ảnh từ camera Ảnh từ camera

Nguyễn Duy Hà Sơn, Đặng Sỹ Phi Hùng, Vàng Minh Tuấn Anh Tài, Mai Ngọc Đức, Ngọ Văn Khán 4

Hình 7 Sơ đồ Module thêm và nhận nhận diện đối tượng

Chúng ta có thể thấy rằng 2 modul chính của hệ thống

cần thực hiện 3 thao tác quan trọng: định vị tự động

khuôn mặt trong ảnh thu được từ camera, rút trích đặc

trưng, huấn luyện mô hình nhận dạng đối tượng trong hệ

thống

Hệ thống đề xuất thực hiện:

- Định vị tự động nhanh, chính xác khuôn mặt trong

ảnh thu được từ camera bằng mô hình phân tầng

CBC(Cascade of Boosted Classifiers)[7] sử dụng đặc

trưng Haar-like

- Để rút trích đặc trưng dùng LBPH[5] để nhận diện

ảnh đối tượng thu được từ camera, webcam

A Định vị khuôn mặt dùng mô hình phân tầng

CBC(Cascade of Boosted Classifiers) sử dụng đặc trưng

Haar-like:

Hình 8: Định vị khuôn mặt ảnh

a) Đặc trưng cạnh (edge feature)

b) Đặc trương đường (line feature)

c) Đặc trưng tâm (center-surround features)

Hình 9 Các đặc trưng Haar-like

Phương pháp định vị khuôn mặt bằng cách di chuyển cửa sổ trượt trên ảnh (từ trái sang phải, từ trên xuống dưới), rút trích đặc trưng Haar-like của vùng ứng viên (cửa sổ đang xét), đưa vào mô hình phân lớp Adaboost theo thứ tự từ tầng 1 đến tầng thứ N của mô hình phân tầng CBC, nếu ở tầng thứ N mô hình h¬N phân lớp vùng ứng viên không phải là khuôn mặt người thì cửa sổ trượt tiếp tục đến vị trí tiếp theo trên ảnh, nếu vùng ứng viên được mô hình ht ở tầng thứ t phân lớp là khuôn mặt người thì vùng ứng viên tiếp tục chuyển đến tầng thứ t+1 để xét vùng ứng viên có phải mặt người hay không, quá trình tiếp tục cho đến khi tầng N mô hình hN phân lớp là khuôn mặt người thì vùng ứng viên được xác định là khuôn mặt người

B Sử dụng LBPH để nhận diện đối tượng:

LBPH là một toán tử kết cấu đơn giản nhưng rất hiệu quả, gắn nhãn các pixel của hình ảnh bằng cách chia vùng lân cận của mỗi pixel và đưa ra kết quả là số nhị phân Do sức mạnh phân biệt và tính đơn giản tính toán của nó, toán tử kết cấu LBP đã trở thành một phương pháp phổ biến trong các ứng dụng khác nhau Nó có thể được coi là một cách tiếp cận thống nhất cho các mô hình thống kê và cấu trúc phân tích truyền thống khác nhau Có lẽ tính chất quan trọng nhất của toán tử LBP trong các ứng dụng trong thế giới thực là sự mạnh mẽ của nó đối với các thay đổi quy mô màu xám đơn điệu gây ra, ví dụ, bởi các biến thể chiếu sáng Một tính chất quan trọng khác là tính đơn giản tính toán của nó, giúp phân tích hình ảnh trong các cài đặt thời gian thực đầy thách thức

Hình 10: Mô tả biểu thức khuôn mặt với các mã nhị phân

a) Tham số: LBPH sử dụng 4 tham số

• Bán kính(Radius) : bán kính được sử dụng để xây

dựng mô hình nhị phân cục bộ tròn và biểu thị bán kính xung quanh pixel trung tâm Nó thường được đặt thành 1

• Neighbors: số lượng điểm mẫu để xây dựng mô

Định vị khuôn

mặt

Định vị khuôn mặt

trưng

Rút trích đặc

trưng và huấn

luyện mô hình

nhận dạng

Hệ thống nhận dạng

Nhận diện và điểm danh

Tầng N hN

Tầng 1

h1

Cửa

sổ

trượt

Khuôn mặt

Cửa sổ trượt không phải khuôn mặt

5 HỘI NGHỊ TỔNG KẾT HOẠT ĐỘNG SINH VIÊN NGHIÊN CỨU KHOA HỌC VÀ NHÓM SRT NĂM HỌC 2019-2020 hình nhị phân cục bộ tròn Hãy ghi nhớ: bạn bao gồm

càng nhiều điểm mẫu, chi phí tính toán càng cao Nó

thường được đặt thành 8

• Lưới X, Lưới Y : số lượng ô theo hướng ngang và

dọc Càng nhiều ô, lưới càng mịn, thì chiều của vectơ đặc

trưng kết quả càng cao

b) Đào tạo thuật toán

Trước tiên, chúng ta cần đào tạo thuật toán Để làm

như vậy, chúng ta cần sử dụng một bộ dữ liệu với hình

ảnh khuôn mặt của những người mà chúng ta muốn nhận

ra Chúng ta cũng cần đặt ID (có thể là số hoặc tên của

người đó) cho mỗi hình ảnh, vì vậy thuật toán sẽ sử dụng

thông tin này để nhận dạng hình ảnh đầu vào và cung cấp

cho bạn đầu ra Hình ảnh của cùng một người phải có

cùng ID Với tập huấn luyện đã được xây dựng, hãy xem

các bước tính toán LBPH

c) Áp dụng thao tác LBPH

Bước tính toán đầu tiên của LBPH là tạo ra một hình

ảnh trung gian mô tả hình ảnh gốc theo cách tốt hơn, bằng

cách làm nổi bật các đặc điểm khuôn mặt Để làm như

vậy, thuật toán sử dụng khái niệm cửa sổ trượt, dựa trên

bán kính tham số và các lân cận (Neighbors)

Hình 11: Mô tả về thuật toán LBPH

d) Trích xuất biểu đồ

Bây giờ, bằng cách sử dụng hình ảnh được tạo ở bước

cuối cùng, chúng ta có thể sử dụng các tham số Grid X và

Grid Y để chia hình ảnh thành nhiều lưới, như có thể thấy

trong hình ảnh sau:

Hình 12: Phân tích ảnh thành biểu đồ nhị phân

e) Thực hiện nhận dạng khuôn mặt

Trong bước này, thuật toán đã được đào tạo Mỗi biểu

đồ được tạo ra được sử dụng để thể hiện mỗi hình ảnh từ

tập dữ liệu đào tạo Vì vậy, được cung cấp một hình ảnh

đầu vào, chúng tôi thực hiện lại các bước cho hình ảnh

mới này và tạo ra một biểu đồ đại diện cho hình ảnh

- Vì vậy, để tìm hình ảnh phù hợp với hình ảnh đầu vào,

chúng ta chỉ cần so sánh hai biểu đồ và trả lại hình ảnh

với biểu đồ gần nhất

- Chúng ta có thể sử dụng các cách tiếp cận khác nhau

để so sánh biểu đồ (tính khoảng cách giữa hai biểu đồ)

theo công thức sau:

D = √ ∑

i=1

n

( hist 1 ¿¿ i−hist 2i)2¿

7 Sơ đồ thuật toán và hệ thống nhận dạng

7.1 Sơ đồ khối

Hình 13: Sơ đồ khối

7.2 Hệ thống nhận dạng

Hình 14: Hệ thống nhận dạng khuôn mặt

8 Kết quả thực nghiệm

Trong phần này, chúng tôi tiến hành đánh giá hiệu năng của hệ thống nhận dạng mặt người như đã đề xuất (sử dụng thuật toán Haar Like Feature – Cascade of Boosted Classifiers và các đặc trưng LBPH) Hệ thống nhận dạng này được cài đặt bằng ngôn ngữ lập trình Python sử dụng Bước phát hiện mặt người thu được từ

Khối điều khiển trung tâm Camera

Cơ sở dữ liệu

Nguồn

Khối hiển thị

Haar like - CBC

Phát hiện khuôn mặt

Ảnh đối tượng

Trích đặc trưng LBPH

Nhận diện khuôn mặt

So sánh dữ liệu HL

Xác minh danh tính Web data

Nguyễn Duy Hà Sơn, Đặng Sỹ Phi Hùng, Vàng Minh Tuấn Anh Tài, Mai Ngọc Đức, Ngọ Văn Khán 6 camera (webcam) sẽ được thực hiện thông qua việc huấn

luyện mô hình phân tầng với mỗi tầng là một mô hình

AdaBoost sử dụng bộ phân lớp yếu là cây quyết định với

các đặc trưng Haar-Like (hỗ trợ bởi

opencv_createsamples và opencv_haartraining của

OpenCV) trên tập ảnh (mặt người và không phải mặt

người) Thư viện mã nguồn mở OpenCV của Intel

(Bradski & Kaehler, 2012; Laganière, 2011), trên một

máy tính cá nhân chạy hệ điều hành Linux với bản phân

phối Ubuntu

Kết quả đạt được:

Hình 15: Giao diện nhận dạng

Hình 16: Hiển thị thông tin khuôn mặt nhận diện

Hệ thống hoạt động ổn định với số lượng đối tượng

được lưu bằng 20 Độ chính xác khoảng 94,7% do ảnh hưởng bởi môi trường, sai số thông số kỹ thuật phần cứng

Chức năng của hệ thống bao gồm: Nhận dạng và xác minh đối tượng thu nhận ảnh từ camera, các đối tượng nhận diện được là những đối tượng đã lưu và huấn luyện

cơ sở dữ liệu ban đầu Khi xác minh được đối tượng, hệ thống sẽ lưu thông tin của đối tượng lên cơ sở dữ liệu để giáo viên có thể dễ dàng quản lý Thêm và xóa đối tượng trong cơ sở dữ liệu

Tuy nhiên còn tồn tại một số hạn chế: Hệ thống chỉ hoạt động ổn định trên các hệ điều hành, máy tính, thiết bị

có cấu hình tốt Chương trình điểm danh, lưu thông tin đối tượng chưa được tối ưu Hệ thống hoạt động tốt khi đáp ứng đủ điều kiện về môi trường và lưu mẫu đối tượng Có khả năng bị đánh lừa công nghệ nhận dạng: dùng ảnh hay video để thay thế nhận dạng

9 Kết luận và hướng phát triển

Trong bài báo này, chúng tôi trình bày việc ứng dụng

xử lý ảnh để nhận dạng và điểm danh người học (sử dụng thuật toán Haar Like Feature – Cascade of Boosted Classifiers và các đặc trưng LBPH) định vị khuôn mặt, huấn luyện dữ liệu và nhận dạng đối tượng Hệ thống làm việc ổn định và đáp ứng được mục tiêu đề ra

Trong tương lai tiếp tục thực nghiệm trên tập dữ liệu lớn hơn, xây dựng các thuật toán để tăng độ chính xác sau

đó sẽ xây dựng mô hình hoàn thiện, đưa vào thị trường, các trường học, cơ quan và sẽ ứng dụng vào nhiều ngành nghề lĩnh vực khác nhau liên quan đến công nghệ nhận diện khuôn mặt

Tài liệu tham khảo

[1] https://viblo.asia/p/haar-cascade-la-gi-luan-ve-mot-ky-thuat- chuyen-dung-de-nhan-biet-cac-khuon-mat-trong-anh-E375zamdlGW

[2] https://github.com/kelvins/lbph [3] http://www.scholarpedia.org/article/Local_Binary_Patterns [4] https://techinsight.com.vn/nhan-dien-khuon-mat-va-ung-dung-thuc-te/

[5] https://towardsdatascience.com/face-recognition-how-lbph-works-90ec258c3d6b

[6] https://raspberrypi.vn/

[7] Paul Viola, Michael Jones, “Rapid Object Detection using a

Boosted Cascade of Simple Features”, accepted conference on computer vision and pattern recognition, năm 2001, tr.1-7

[8] Phạm Hồng Ngự, Nhận dạng đối tượng sử dụng thuật toán

ADABOOST, Trường Đại Học Khoa Học Huế, năm 2009, tr.37-62.

Hình 17 Hiển thị thông tin đối tượng tại cơ sở dữ liệu