phát triển hệ thống nhận dạng khuôn mặt ứng dụng trong các hệ thống quản lý nhân sự

Với sự phát triển mạnh mẽ của công nghệ thông tin và truyền thông, rất nhiều phương pháp nhận dạng khuôn mặt có độ chính xác cao, hiệu quả và dễ sử dụng đã được áp dụng nhiều trong các h

MỤC LỤC MỤC LỤC I DANH SÁCH CÁC HÌNH VẼ IV DANH SÁCH CÁC BẢNG BIỂU VI DANH SÁCH CÁC TỪ VIẾT TẮT VII

LỜI NÓI ĐẦU 1

Chương 1 2

TỔNG QUAN VỀ HỆ THỐNG 2

1.1 Các phần tử cơ bản của hệ thống xử lý nhận dạng ảnh 2

1.2 Các vấn đề cơ bản trong xử lý nhận dạng ảnh 3

1.2.1 Một số khái niệm 3

1.2.2 Biểu diễn ảnh 4

1.2.3 Tăng cường ảnh - khôi phục ảnh 5

1.2.4 Biến đổi ảnh 6

1.2.5 Phân tích ảnh 7

1.2.6 Nhận dạng ảnh 8

1.2.7 Nén ảnh 8

1.3 Những vấn đề đặt ra với các hệ thống QLNS hiện nay 9

1.3.1 Mục đích và ý nghĩa của đề tài 12

1.4 Giới thiệu về hệ thống QLNS đề xuất 13

1.4.1 Sơ đồ khối 13

1.4.2 Các chức năng cơ bản của hệ thống 15

Chương 2 20

MODULE NHẬN DẠNG 20

KHUÔN MẶT VÀ ĐẶC TRƯNG BVLC 20

2.1 Cơ sở lý thuyết của bài toán nhận dạng khuôn mặt 20

2.2 Module nhận dạng khuôn mặt và đặc trưng BVLC 23

2.2.1 Module nhận dạng khuôn mặt 23

2.2.2 Đặc trưng BVLC 24

Chương 3 28

PHÂN TÍCH VÀ THIẾT KẾ 28

PHẦN MỀM QUẢN LÝ NHÂN SỰ 28

3.1 Giới thiệu phần mềm quản lý nhân sự 28

3.1.1 Tìm hiểu yêu cầu 28

3.1.2 Các chỉ tiêu về hệ thống quản lý nhân sự 31

3.2 Phân tích và thiết kế hệ thống 31

3.2.1 Phân tích hệ thống 31

3.2.2 Thiết kế hệ thống 34

3.2.3 Công cụ và ngôn ngữ lập trình 51

Chương 4 52

ĐÁNH GIÁ KẾT QUẢ ĐẠT ĐƯỢC VÀ 52

HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI 52

4.1 Đặc trưng BVLC 52

4.1.1 Lựa chọn công cụ và ngôn ngữ lập trình 52

4.1.2 Vectơr BVLC 53

4.1.3 Hiệu suất của đặc trưng BVLC 54

4.1.4 Phần mềm QLNS 58

4.2 Đánh giá chung về hệ thống 67

4.2.1 Kết quả đạt được 67

4.2.2 Đánh giá chung về hệ thống 69

4.2.3 Hướng phát triển của đề tài 72

KẾT LUẬN 74

TÀI LIỆU THAM KHẢO 75

DANH SÁCH CÁC HÌNH VẼ

Hình 1.2 Ảnh biến dạng do nhiễu 5

Hình 1.3 Ưu điểm của hệ thống QLNS bằng phần mềm 10

Hình 1.4 Hạn chế của hệ thống QLNS sử dụng công nghệ RFID 12

Hình 1.5 Sơ đồ khối hệ thống QLNS ứng dụng nhận dạng khuôn mặt 14

Hình 1.6 Mô hình hệ thống RFID cơ bản 18

Hình 2.1 Sơ đồ khối phương pháp nhận dạng khuôn mặt sử dụng bộ phân loại SVM và các đặc trưng BDIP, BVLC 23

Hình 2.2 Phân loại BVLC 26

Hình 3.1 Mẫu lưu trữ nhân viên 29

Hình 3.2 Mẫu phiếu chấm công nhân viên 29

Hình 3.3 Mẫu bảng lương nhân viên 30

Hình 3.4 Biểu đồ phân cấp chức năng 32

Hình 3.5 Biểu đồ mức ngữ cảnh 33

Hình 3.6 Biểu đồ mức đỉnh 34

Hình 3.7 Sơ đồ thực thể liên kết ERD 36

Hình 3.8 Lưu đồ thuật toán nhập thông tin nhân viên 44

Hình 3.9 Lưu đồ thuật toán tìm thông tin nhân viên 45

Hình 3.10 Lưu đồ thuật toán sửa thông tin nhân viên 46

Hình 3.11 Lưu đồ thuật toán xóa thông tin nhân viên 47

Hình 3.12 Lưu đồ thuật toán thêm thông tin giao việc cho nhân viên 48

Hình 3.13 Lưu đồ thuật toán sửa thông tin giao việc cho nhân viên 49

Hình 3.14 Lưu đồ thuật toán xóa thông tin giao việc cho nhân viên 50

Hình 4.1 (a) Ảnh gốc; (b) Ảnh BVLC 53

Hình 4.2 Minh họa một số ảnh trong tập S+(hàng trên) 55

và tập S-negative (hàng dưới) 55

Hình 4.3 Ảnh đầu vào có độ tương phản thấp và sau khi cân bằng mức xám 55

Hình 4.4 Đường cong ROC với đặc trưng BVLC 57

Hình 4.5 Giao diện dành cho người sử dụng 58

Hình 4.6 Giao diện dành cho người quản lý 59

Hình 4.7 Các chức năng Danh mục công việc, trình độ, và phòng ban 60

Hình 4.8 Chức năng quản lý thông tin cá nhân của nhân viên 61

Hình 4.9 Chức năng giao việc cho nhân viên 62

Hình 4.10 Chức năng chấm công cho nhân viên 63

Hình 4.11 Chức năng tính lương cho nhân viên 64

Hình 4.12 Chức năng giám sát chứng thực 65

Hình 4.13 Báo cáo về thông tin nhân viên 66

Hình 4.14 Giao diện module thu nhận thông tin đầu vào 68

Hình 4.15 Giao diện tổng thể của hệ thống QLNS 69

ứng dụng nhận dạng khuôn mặt và RFID 69

Hình 4.16 Các kết quả nghiên cứu đạt được 71

DANH SÁCH CÁC BẢNG BIỂU

Bảng 3.1 Bảng liệt kê các thuộc tính 35

Bảng 3.2 Bảng từ điển dữ liệu 39

Bảng 4.1 So sánh các wrapper kết nối OpenCV với NET 53

Bảng 4.2 Kết quả kiểm tra 56

THUẬT NGỮ TIẾNG VIỆT

1 BDIP Block Difference of Inverse

4 ERD Enity Relationship Diagram Biểu đồ quan hệ thực thể

7 PCA Principal Component

8 RFID Radio Frequency

9 ROC Receiver Operating

Characteristic Đặc tính hoạt động của đầu vào

10 SVM Support Vector Machine Vecto trợ giúp

LỜI NÓI ĐẦU

Xử lý ảnh là một lĩnh vực nghiên cứu rộng và có rất nhiều ứng dụng trong thực tế Một trong những khía cạnh nghiên cứu của xử lý ảnh là nhận dạng khuôn mặt Kỹ thuật này cho phép chúng ta nhận dạng khuôn mặt người từ ảnh tĩnh hay video bằng cách so sánh với kho dữ liệu có sẵn trong hệ thống Với sự phát triển mạnh mẽ của công nghệ thông tin và truyền thông, rất nhiều phương pháp nhận dạng khuôn mặt có độ chính xác cao, hiệu quả và dễ sử dụng đã được áp dụng nhiều trong các hệ thống tương tác giữa người và máy, đặc biệt là các hệ thống quản lý, đặc biệt là các hệ thống quản lý đòi hỏi có

độ bảo mật và có tính ưu việt như hệ thống quản lý nhân sự, quản lý hàng hóa, giám sát sân bay Để xây dựng được một hệ thống quản lý nói chung và quản lý nhân sự nói riêng với những đòi hỏi về tính ưu việt, hiệu quả cao cũng như đảm bảo được các yêu cầu về an ninh khắt khe, các nhà nghiên cứu và kỹ thuật đã tích hợp các công nghệ khác nhau như công nghệ thông tin, tự động hóa, công nghệ không dây… trong cùng một hệ thống Có thể nói một trong những xu hướng phát triển chính của khoa học công nghệ hiện đại đó là tổng hợp thành tựu của các lĩnh vực khác nhau để xây dựng một hệ thống đáp ứng được những yêu cầu ngày càng cao của sản xuất và đời sống

Dựa trên cơ sở của việc nghiên cứu và đề xuất một phương pháp nhận dạng khuôn mặt mới có độ chính xác cao, em đã phát triển nghiên cứu của mình trong một ứng dụng về quản lý nhân sự sử dụng nhận dạng khuôn mặt làm nền tảng hoạt động chính Đề tài mà

em thực hiện trong luận văn là nghiên cứu đặc trưng BVLC sử dụng trong module nhận dạng khuôn mặt và thiết kế phần mềm quản lý nhân sự ứng dụng cho phương pháp nhận dạng khuôn mặt

Em xin chân thành cảm ơn thầy giáo hướng dẫn PGS.TS Nguyễn Tiến Dũng đã có những định hướng và góp ý quý báu đối với em, để em hoàn thành tốt luân văn của mình với kết quả tốt nhất Cuối cùng em xin cảm ơn gia đình và bạn bè đã giúp đỡ, động viên em trong thời gian vừa qua

Hà N ội, ngày tháng năm 2012

Học viên

Trần văn Huy

Chương 1 TỔNG QUAN VỀ HỆ THỐNG 1.1 Các phần tử cơ bản của hệ thống xử lý nhận dạng ảnh

Xử lý nhận dạng ảnh đã và đang được ứng dụng rộng rãi hiện nay Để có thể hình dung cấu hình một hệ thống xử lý nhận dạng ảnh chuyên dụng hay một hệ thống xử lý nhận dạng ảnh dùng trong nghiên cứu, đào tạo, trước hết chúng ta sẽ xem xét các bước cần thiết trong xử lý nhận dạng ảnh

Trước hết là quá trình thu nhận nhận dạng ảnh Ảnh có thể thu nhận qua camera Thường ảnh thu nhận qua camera là tín hiệu tương tự (loại camera ống kiểu CCIR), nhưng cũng có thể là tín hiệu số hóa (loại CCD - Charge Coupled - Device)

Hình 1.1 Các giai đoạn chính trong xử lý nhận dạng ảnh

Ảnh cũng có thể thu nhận từ vệ tinh qua các bộ phận cảm ứng (sensor), hay ảnh, tranh được quét trên scanner Tiếp theo là quá trình số hóa (Digitalizer) để biến đổi tín hiệu tương tự sang giai đoạn xử lý, phân tích hay lưu trữ lại

Quá trình phân tích nhận dạng ảnh thực chất bao gồm nhiều công đoạn nhỏ Trước hết là công việc tăng cường ảnh để nâng cao chất lượng ảnh Do những

nguyên nhân khác nhau: có thể do chất lượng thiết bị thu nhận ảnh, do nguồn sáng hay do nhiễu, ảnh có thể bị suy biến Do vậy cần phải tăng cường và khôi phục lại ảnh để làm nổi bật một số đặc tính chính của ảnh, hay làm cho ảnh gần giống nhất với trạng thái gốc, trạng thái trước khi ảnh bị biến dạng Giai đoạn tiếp theo là phát hiện các đặc tính như biên, phân vùng ảnh, trích chọn các đặc tính, v.v

Cuối cùng, tùy theo mục đích của ứng dụng, sẽ là giai đoạn nhận dạng, phân lớp hay các quyết định khác Các giai đoạn chính của quá trình xử lý nhận dạng ảnh

có thể mô tả ở hình 1.1

Đối với một hệ thống xử lý nhận dạng ảnh thu nhận qua camera - camera như là con mắt của hệ thống Có 2 loại camera: camera ống loại CCIR và camera CCD Loại camera ứng với chuẩn CCIR quét ảnh với tần số 1/25 và mỗi ảnh gồm

625 dòng Loại CCD gồm các photo điốt và làm tương ứng một cường độ sáng tại một điểm ảnh ứng với một phần tử ảnh (pixel) Như vậy, ảnh là tập hợp các điểm ảnh Số pixel tạo nên một ảnh gọi là độ phân giải (resolution)

1.2 Các vấn đề cơ bản trong xử lý nhận dạng ảnh

Như đã đề cập trong phần giới thiệu, chúng ta đã thấy được một cách khái quát các vấn đề chính trong xử lý nhận dạng ảnh Để hiểu chi tiết hơn, trước tiên ta xem xét hai khái niệm (thuật ngữ) thường dùng trong xử lý ảnh đó là Pixel (phần tử ảnh) và grey level (mức xám), tiếp theo là tóm tắt các vấn đề chính

1.2.1 Một số khái niệm

• Pixel (Picture Element): phần tử ảnh

Ảnh trong thực tế là một ảnh liên tục về không gian và về giá trị độ sáng Để

có thể xử lý ảnh bằng máy tính cần thiết phải tiến hành số hóa ảnh Trong quá trình

số hóa, người ta biến đổi tín hiệu liên tục sang tín hiệu rời rạc thông qua quá trình lấy mẫu (rời rạc hóa về không gian) và lượng hóa thành phần giá trị mà thể về nguyên tắc bằng mắt thường không phân biệt được hai điểm kề nhau Trong quá

trình này, người ta sử dụng khái niệm Picture element mà ta quen gọi hay viết là

Pixel - phần tử ảnh Ở đây cũng cần phân biệt khái niệm pixel hay đề cập đến trong

các hệ thống đồ họa máy tính Để tránh nhầm lẫn ta tạm gọi khái niệm pixel này là pixel thiết bị Khái niệm pixel thiết bị có thể xem xét như sau: khi ta quan sát màn hình (trong chế độ đồ họa), màn hình không liên tục mà gồm nhiều điểm nhỏ, gọi là pixel Mỗi pixel gồm một cặp tọa đội x, y và màu

Cặp tọa độ x, y tạo nên độ phân giải (resolution) Như màn hình máy tính có

nhiều loại với độ phân giải khác nhau: màn hình CGA có độ phân giải là 320 x 200; màn hình VGA là 640 x 350,

Như vậy, một ảnh là một tập hợp các điểm ảnh Khi được số hóa, nó thường được biểu diễn bởi bảng hai chiều I(n, p): n dòng và p cột Ta nói ảnh gồm n × x pixels Người ta thường ký hiệu I(x, y) để chỉ một pixel Thường giá trị của n chọn bằng p và bằng 250 Hình 1.2 cho ta thấy việc biểu diễn một ảnh với độ phân giải khác nhau Một pixel có thể lưu trữ trên 1, 4, 8 hay 24 bit

• Gray level: Mức xám

Mức xám là kết quả sự mã hóa tương ứng một cường độ sáng của mỗi điểm ảnh với một giá trị số - kết quả của quá trình lượng hóa Cách mã hóa kinh điển thường dùng 16, 32 hay 64 mức Mã hóa 256 mức là phổ dụng nhất do lý do kỹ thuật Vì 28 = 256 (0, 1, , 256), nên với 256 mức, mối pixel sẽ được mã hóa bởi 8 bít

1.2.2 Biểu diễn ảnh

Trong biểu diễn ảnh, người ta thường dùng các phần tử đặc trưng của ảnh là pixel Nhìn chung, ta có thể xem một hàm hai biến chứa các thông tin như biểu diễn của một ảnh Các mô hình biểu diễn ảnh cho ta một mô tả lô gic hay định lượng các tính chất của hàm này Trong biểu diễn ảnh cần chú ý đến tính trung thực của ảnh hoặc các tiêu chuẩn "thông minh" để đo chất lượng ảnh hoặc tính hiệu quả của các

kỹ thuật xử lý

Việc xử lý ảnh số yêu cầu ảnh phải được mẫu hóa và lượng tử hóa Thí dụ một ảnh ma trận 512 dòng gồm khoảng 512 × 512 pixel Việc lượng tử hóa ảnh là một chuyển đổi tín hiệu tương tự sang tín hiệu số (Analog Digital Convert) của một ảnh đã lấy mẫu sang một số hữu hạn mức xám

Một số mô hình thường được dùng trong biểu diễn ảnh: Mô hình toán, mô hình thống kê Trong mô hình toán, ảnh hai chiều được biểu diễn nhờ các hàm hai

biến trực giao gọi là các hàm cơ sở Các biến đổi này sẽ trình bày kỹ trong chương

3 Với mô hình thống kê, một ảnh được coi như một phần tử của một tập hợp đặc trưng bởi các đại lượng như: kỳ vọng toán học, hiệp biến, phương sai, moment

1.2.3 Tăng cường ảnh - khôi phục ảnh

Tăng cường ảnh là bước quan trọng, tạo tiền đề cho xử lý ảnh Nó gồm một loạt các kỹ thuật như: lọc độ tương phản, khử nhiễu, nổi màu, v.v

Hình 1.2 Ảnh biến dạng do nhiễu

Hình 1.2 ở trên cho ta thí dụ về sự biến dạng của ảnh do nhiễu

Khôi phục ảnh là nhằm loại bỏ các suy giảm (degradation) trong ảnh Với một hệ thống tuyến tính, ảnh của một đối tượng có thể biểu diễn bởi:

- η(x, y) là hàm biểu diễn nhiễu cộng

- f(α, β) là hàm biểu diễn đối tượng

- g(x, y) là ảnh thu nhận

- h((x, y; α, β) là hàm tán xạ điểm (Point Spread Function - PSF)

Một vấn đề khôi phục ảnh tiêu biểu là tìm một xấp xỉ của f(α, β) khi PSF của

nó có thể đo lường hay quan sát được, ảnh mờ và các tính chất sác xuất của quá trình nhiễu

1.2.4 Biến đổi ảnh

Thuật ngữ biến đổi ảnh (Image Transform) thường dùng để nói tới một lớp các ma trận đơn vị và các kỹ thuật dùng để biến đổi ảnh Cũng như các tín hiệu một chiều được biểu diễn bởi một chuỗi các hàm cơ sở, ảnh cũng có thể được biểu diễn

bởi một chuỗi rời rạc các ma trận cơ sở gọi là ảnh cơ sở Phương trình ảnh cơ sở có

dạng:

A*k.1 = ak al

*T

, với ak là một thứ k của ma trận A A là ma trận đơn vị Có nghĩa là A

A*T = I Các A*k.l định nghĩa ở trên, với k, l = 0,1, , N-1 là ảnh cơ sở Có nhiều loại biến đổi được dùng như:

- Biến đổi Fourier, Sin, Cosin, Hadamard,

Trong xử lý ảnh, việc phân tích có thể được đơn giản hơn khá nhiều do làm việc với ma trận khối gọi là tích Kronecker

• Ma trận khối là ma trận mà phân tử của nó lại là một ma trận

Ain 1

A1 2

Ain 1

Ain n

Ma trận A với Aij là ma trận m × n; i = 1, 2, , m và j = 1, 2, , n

• Tích Kronecker

Cho A là ma trận kích thước M1 × M2 và B là ma trận kích thước N1 × N2 Tích Kronecker của A và B ký hiệu là A⊗ B là ma trận khối được định nghĩa: A⊗ B

Với ai.j là các phần tử của ma trận A

1 3-1-3

2 4-2-4

1.2.5 Phân tích ảnh

Phân tích ảnh liên quan đến việc xác định các độ đo định lượng của một ảnh

để đưa ra một mô tả đầy đủ về ảnh Các kỹ thuật được sử dụng ở đây nhằm mục đích xác định biên của ảnh Có nhiều kỹ thuật khác nhau như lọc vi phân hay dò theo quy hoạch động

Người ta cũng dùng các kỹ thuật để phân vùng ảnh Từ ảnh thu được, người

ta tiến hành kỹ thuật tách (split) hay hợp (fusion) dựa theo các tiêu chuẩn đánh giá như: màu sắc, cường độ, v.v Các phương pháp được biết đến như Quad-Tree,

mảnh hóa biên, nhị phân hóa đường biên Cuối cùng, phải kể đến các kỹ thuật phân lớp dựa theo cấu trúc

1.2.6 Nhận dạng ảnh

Nhận dạng ảnh là quá trình liên quan đến các mô tả đối tượng mà người ta muốn đặc tả nó Quá trình nhận dạng thường đi sau quá trình trích chọn các đặc tính chủ yếu của đối tượng Có hai kiểu mô tả đối tượng:

- Mô tả tham số (nhận dạng theo tham số)

- Mô tả theo cấu trúc (nhận dạng theo cấu trúc)

Trên thực tế, người ta đã áp dụng kỹ thuật nhận dạng khá thành công với nhiều đối tượng khác nhau như: nhận dạng ảnh vân tay, nhận dạng chữ (chữ cái, chữ số, chữ có dấu)

Nhận dạng chữ in hoặc đánh máy phục vụ cho việc tự động hóa quá trình đọc tài liệu, tăng nhanh tốc độ và chất lượng thu nhận thông tin từ máy tính

Nhận dạng chữ viết tay (với mức độ ràng buộc khác nhau về cách viết, kiểu chữ, v.v ) phục vụ cho nhiều lĩnh vực

Ngoài 2 kỹ thuật nhận dạng trên, hiện nay một kỹ thuật nhận dạng mới dựa vào kỹ thuật mạng nơron đang được áp dụng và cho kết quả khả quan

1.2.7 Nén ảnh

Dữ liệu ảnh cũng như các dữ liệu khác cần phải lưu trữ hay truyền đi trên mạng Như đã nói ở trên, lượng thông tin để biểu diễn cho một ảnh là rất lớn Trong phần 1.1 chúng ta đã thấy một ảnh đen trắng cỡ 512 × 512 với 256 mức xám chiếm 256K bytes Do đó làm giảm lượng thông tin hay nén dữ liệu là một nhu cầu cần thiết Nhiều phương pháp nén dữ liệu đã được nghiên cứu và áp dụng cho loại dữ liệu đặc biệt này

1.3 Những vấn đề đặt ra với các hệ thống QLNS hiện nay

Các hệ thống QLNS hiện nay được sử dụng rất phổ biến và rộng rãi từ trong các công sở, xí nghiệp, nhà máy cho đến các cơ quan tổ chức Nhà nước, trường học, bệnh viện, khách sạn…[1] Có thể nói các hệ thống QLNS đã mang lại một cuộc cách mạng trong lĩnh vực quản lý, không những giảm thời gian và chi phí so với việc quản lý thủ công mà còn nâng cao hiệu quả và độ chính xác rất cao Với những đòi hỏi mới phát sinh trong quá trình sử dụng mà các hệ thống QLNS ngày càng được tăng cường thêm nhiều chức năng mới, giảm lao động trực tiếp của con người, tăng hiệu quả quản lý Từ những chức năng đơn giản ban đầu như lưu trữ thông tin, tìm kiếm, bổ sung và xóa thông tin khỏi hệ thống, các phần mềm quản lý thông minh hiện nay còn cho phép người dùng có thể thực hiện nhiều bài toán nghiệp vụ trên đó, đặc biệt có thể thực hiện việc chấm công và tính lương một cách chính xác

và trung thực

Tuy nhiên, các hệ thống QLNS đang được áp dụng hiện nay vẫn tồn tại một

số hạn chế:

Thứ nhất, với các hệ thống quản lý thuần túy xây dựng trên các kỹ thuật lập

trình phần mềm thì việc chấm công, tính lương cho nhân viên sẽ khó thực hiện được

do không giám sát được thời gian đi, về và thời gian làm việc của nhân viên, đặc biệt là ở các công ty lớn, số lượng nhân viên nhiều Để tính được lương theo ngày công một cách chính xác với nhân viên thì hệ thống QLNS cần có khả năng ghi lại thời gian đến, thời gian ra về, thời gian đó sẽ được lưu lại trong hệ thống để từ đó tính ra thời gian làm việc của nhân viên Với các hệ thống phần mềm thuần túy, việc nhập dữ liệu về thời gian đi và về của nhân viên phải thực hiện bằng tay và không thể xử lý tự động được Do đó nhu cầu đặt ra là cần tự động hóa quá trình nhập dữ liệu và xử lý dự liệu đối với các hệ thống quản lý giám sát Điều này có thể được giải quyết bằng cách áp dụng một công nghệ nhận dạng tự động đó là công nghệ nhận dạng bằng sóng điện từ RFID Mỗi người dùng mà ở đây là mỗi nhân viên sẽ được phát một thẻ RFID với một mã số duy nhất, mỗi khi ra vào công ty hoặc các

phòng ban, người sử dụng chỉ cần quẹt thẻ qua một đầu đọc RFID, thông tin về mã

số thẻ sẽ xác định nhân viên đó và thời gian quẹt thẻ sẽ được lưu vào trong hệ thống

để từ đó biết được thời điểm vào ra của các nhân viên và giải quyết được việc chấm công và tính lương một cách tự động RFID là một công nghệ nhận dạng điện tử thông qua sóng vô tuyến được áp dụng rộng rãi trong nhiều hệ thống QLNS hiện nay ở Việt Nam

Hình 1.3 Ưu điểm của hệ thống QLNS bằng phần mềm

Thứ hai,việc áp dụng công nghệ RFID vào hệ thống QLNS tuy có thể giải

quyết được bài toán chấm công và tính lương nhưng vẫn tồn tại một nhược điểm có thể làm ảnh hưởng đến kết quả xử lý Đó là trong trường hợp các nhân viên có thể mượn thẻ của nhau để ra vào công ty hoặc chỉ đơn giản là cầm nhầm thẻ của nhau,

cả hai điều đó đều làm mất đi độ chính xác của việc giám sát để xác định thời gian làm việc, tiền đề của bài toán chấm công tính lương Hoặc trường hợp xấu hơn có thể có là người ngoài công ty sẽ sử dụng thử RFID của nhân viên trong công ty để

ra vào trái phép, các tài sản của công ty trong thời gian này khó có thể đảm bảo an toàn Điều này đặt ra một bài toán kỹ thuật đòi hỏi tăng cường độ chính xác của thông tin đầu vào cho hệ thống quản lý, khắc phục các thiếu sót và nhầm lẫn trong quá trình giám sát truy nhập hệ thống của các nhân viên trong công ty

Hình 1.4 Hạn chế của hệ thống QLNS sử dụng công nghệ RFID

Trước những hạn chế còn tồn tại ở các hệ thống hiện thời, để xây dựng được một hệ thống QLNS đáp ứng được đầy đủ các chức năng cơ bản và đảm bảo được cho bài toán chấm công và tính lương một cách chính xác nhất, nâng cao tính bảo

mật và an toàn cho hệ thống, em đã lựa chọn đề tài “Hệ thống quản lý nhân sự ứng dụng nhận dạng khuôn mặt và RFID”

1.3.1 Mục đích và ý nghĩa của đề tài

Như đã đề cập ở trên, mục đích của em khi chọn đề tài đó là muốn xây dựng hoàn thiện một hệ thống QLNS khắc phục được những tồn tại thiếu sót của các hệ

thống trước đó, sử dụng các công nghệ hiện đang rất phát triển vào một lĩnh vực có tính áp dụng cao trong thực tế Hệ thống được xây dựng sẽ đáp ứng những mục đích

cơ bản đề ra như sau:

• Thực hiện đầy đủ chức năng của một bài toán QLNS thông thường, cho phép nhập, sửa, xóa, quản lý thông tin về các nhân viên trong công ty

• Đảm bảo được yêu cầu bài toán chấm công tính lương, thông tin đầu vào được xác thực và tính toán chính xác

• Quản lý truy nhập vào các phòng ban quan trọng thông qua cơ chế phân quyền người sử dụng

1.4 Giới thiệu về hệ thống QLNS đề xuất

Hệ thống được xây dựng sẽ bao gồm các module chính được thể hiện qua sơ

đồ khối tổng quan dưới đây, tiếp theo dó sẽ là phần chú thích cụ thể về các module

và chức năng của từng module trong hệ thống

1.4.1 Sơ đồ khối

Tr ần văn Huy – Kỹ thuật điện tử – K3 14

Hình 1.5 S ơ đồ khối hệ thống QLNS ứng dụng nhận dạng khuôn mặt

1.4.2 Các chức năng cơ bản của hệ thống

1.4.2.1 Hoạt động của hệ thống

Hệ thống sẽ hoạt động cơ bản theo chu trình sau:

Hệ thống bao gồm hai phần chính là xác thực thông tin đầu vào và phần mềm QLNS Module xác thực thông tin đầu vào gồm có webcam để chụp ảnh người sử dụng, đầu đọc thẻ RFID đọc thông tin về mã thẻ đã được nạp trong thẻ, cơ

sở dữ liệu chứa mã thẻ RFID của các nhân viên và cơ sở dữ liệu khuôn mặt Đầu vào sẽ là khuôn mặt người sử dụng và thẻ RFID được xử lý cùng một thời điểm a được đưa vào

FaceID là giá trị RFID serial được gán cho một Face image nhất định và được thực hiện khi xây dựng cơ sở dữ liệu; với FaceID được trả về từ RFID Database, hệ thPhần mềm QLNS sẽ dựa trên thông tin đầu vào là khuôn mặt người

sử dụng và mã thẻ RFID để thực hiện các chức năng tiếp theo

1 Thu nhận thông tin ảnh người dùng và số thẻ RFID

2 Số thẻ RFID được đưa vao RFID Database để kiểm tra sự tồn tại và tính hợp lệ

3 Nếu hợp lệ, RFID Database trả về cho hệ thống FaceID tương ứng với RFID serial vừống sẽ lấy ra FaceID Image từ Face Database

4 Sau các bước trên, hệ thống đã có được User image và FaceID image tương ứng với RFID serial

5 Dữ kiện này được đưa vào module chứng thực khuôn mặt để thực hiện chứng thực

5.1 Nếu 2 dữ kiện này so khớp (matched), quá trình đăng nhập thành công, thông tin đăng nhập sẽ được cập nhật vào phần mềm QLNS (thông tin đăng nhập bao gồm ảnh khuôn mặt, thông tin thẻ RFID đã

sử dụng, thời gian đăng nhập)

5.2 Nếu 2 dự kiện này không so khớp, hệ thống đưa ra cảnh báo và cho phép đăng nhập lại

6 Phần mềm QLNS sẽ có Staff Database, với thông tin được trả về sau quá trình đăng nhập thành công (ảnh khuôn mặt, thông tin thẻ RFID

đã sử dụng, thời gian đăng nhập) sẽ được xử lý để thực hiện các chức năng: Quản lý nhân viên, chấm công tính lương và kết xuất các báo cáo định kỳ

1.4.2.2 Phương pháp nhận dạng và xác thực khuôn mặt sử dụng trong hệ thống

Để nhận dạng khuôn mặt, hiện nay có 2 phương pháp chủ yếu [2]:

- Nhận dạng dựa trên các đặc trưng của các phần tử trên khuôn mặt (Feature based face recognition) Phương pháp này nhận dạng khuôn mặt dựa trên các đặc trưng hình học của các chi tiết trên một khuôn mặt( như vị trí, diện tích, hình dạng của mắt, mũi, miệng, ) và mối quan hệ giữa chúng (như khoảng cách của hai mắt, khoảng cách của hai lông mày, )

- Nhận dạng dựa trên xét tổng thể khuôn mặt (Appearance based face recognition) Phương pháp này sẽ xem mỗi bức ảnh khuôn mặt có kích thước RxC

là một vector trong không gian RxC chiều Ta sẽ xây dựng một không gian mới có chiều nhỏ hơn sao cho khi biểu diễn trong không gian đó, các đặc điểm chính của một khuôn mặt không bị mất đi Trong không gian đó, các ảnh của cùng một người

sẽ được tập trung lại thành một nhóm gần nhau và cách xa các nhóm khác

Ngoài ra còn có một số phương pháp khác như :

- Nhận dạng 2D: Elastic Bunch Graph, Active Appearance Model

- Nhận dạng 3D: 3D Morphable Model

Trong hệ thống này, phương pháp nhận dạng khuôn mặt được tiến hành qua hai giai đoạn:

Thứ nhất, là quá trình nhận dạng khuôn mặt (Face detection) cho phép tìm ra

vị trí và kích thước của khuôn mặt trong một bức ảnh số hoặc trong các hình ảnh

được được ghi lại bởi camera Quá trình này cần đảm bảo nhận dạng đúng khuôn mặt, phân biệt tốt yếu tố khuôn mặt với các yếu tố không phải khuôn mặt như nhà cửa, cây cối… Module nhận dạng khuôn mặt được xây dựng dựa trên việc sử dụng

2 đặc trưng về kết cấu BDIP và BVLC được tính toán từ ảnh dữ liệu đầu vào, sau

đó sẽ phân loại chúng vào các mômen đặc trưng rồi sử dụng bộ phân loại SVM để xác định khuôn mặt Phương pháp này đã được thử nghiệm trên nhiều tập hình ảnh với các điều kiện khác nhau về hướng, độ sáng và cho tỷ lệ nhận dạng chính xác luôn cao hơn 95%

Thứ hai, là quá trình xác thực khuôn mặt Quá trình này cho phép đối chiếu

hình ảnh thu được sau bước nhận dạng khuôn mặt và các hình ảnh lấy ra từ cơ sở dữ liệu rồi đưa ra quyết định chấp nhận hay từ chối việc đăng nhập vào hệ thống Đối với hệ thống kết hợp nhận dạng khuôn mặt với thẻ RFID thì module này sẽ chỉ cần

so sánh hình ảnh sau bước thu nhận với ảnh trong cơ sở dữ liệu của người mang thẻ RFID đó Có hiều thuật toán có thể áp dụng cho bài toán này như Eigenface sử dụng PCA, Fisherface sử dụng LDA

1.4.2.3 Công nghệ thẻ RFID ứng dụng trong thu nhận thông tin

Công nghệ nhận dạng bằng sóng vô tuyến RFID là một công nghệ phát triển rất mạnh mẽ trong lĩnh vực nhận dạng tự động thu thập dữ liệu AIDC Nhận dạng

tự động (Automatic Identification) là một thuật ngữ chỉ các công nghệ tự động dùng

để giúp các máy nhận dạng các đối tượng Nhận dạng tự động thường được thực hiện bằng cách tự động bắt dữ liệu Đó là cách mà người quản lý muốn nhận dạng các đối tượng, bắt thông tin về chỉnh và bằng cách nào đó thu nhận dữ liệu đưa vào máy tính thay vì nhập dữ liệu bằng tay Mục tiêu của Auto-ID là tăng tính hiệu quả, giảm lỗi dữ liệu đầu vào và giảm sức lao động trong việc nhận dạng Các công nghệ

Auto-ID bao gồm: mã vạch (Bar codes), nhận dạng tiếng nói, nhận dạng khuôn mặt, một số công nghệ sinh trắc học (Biometric), nhận dạng đặc trưng quang học OCR

và nhận dạng nhãn vô tuyến RFID

Trong hệ thống QLNS này, chúng em đã tích hợp công nghệ nhận dạng bằng sóng vô tuyến RFID để tăng độ chính xác, đảm bảo yêu cầu an ninh đồng thời tạo

sự linh hoạt cho hệ thống

Hệ thống RFID gồm ba bộ phận cấu thành [3]:

• Thẻ RFID (RFID tag) được tạo nên bởi vi chip (IC) và anten, được gắn vào đối tượng cần nhận dạng, trong hệ thống này thẻ RFID sẽ được cấp phát cho các nhân viên

• Đầu đọc RFID (RFID reader)

• Module xử lý RFID database trong phần mềm QLNS

Hình 1.6 Mô hình hệ thống RFID cơ bản

Nội dung về cơ chế hoạt động của RFID trong hệ thống sẽ được trình bày cụ thể trong những phần sau

1.4.2.4 Phần mềm quản lý nhân sự

Ngày nay phần mềm được ứng dụng trong hầu hết các lĩnh vực của cuộc sống hiện đại Trong cuộc sống hàng ngày, chúng ta đều tiếp xúc một cách trực tiếp hoặc gián tiếp đến các hệ thống phần mềm với quy mô từ nhỏ đến lớn Từ các thiết

bị dân dụng trong gia đình như tivi, máy giặt, lò vi sóng…đều được ứng dụng các phần mềm nhúng để điều khiển hoạt động đến các hệ thống lớn như trong các ngân hàng, các công ty, trường học… Tất cả đều được ứng dụng phần mềm trong một phần hay toàn bộ công việc Đóng góp một phần quan trọng trong thế giới phần mềm đó là các phẩn mềm quản lý dữ liệu, Quản lý sản phẩm trong kho, quản lý bán hàng, quản lý sách, quản lý sinh viên, quản lý nhân sự công ty… đều là những ví dụ rất điển hình về dữ liệu

Phần mềm QLNS được xây dựng với mục đích ứng dụng công nghệ RFID và nhận dạng khuôn mặt gồm 2 phần chính:

• Giao diện dành cho người dùng (user) để người dùng có thể đăng nhập vào

hệ thống bằng việc quét thẻ RFID vào đầu đọc và nhận dạng khuôn mặt bằng camera

• Giao diện dành cho người quản trị (Adminstrator)

Cả hai phần trên đều được xây dựng bằng ngôn ngữ C# với hệ cơ sở dữ liệu chung là SQL Server 2005 Phần mềm có nhiệm vụ quản lý thông tin cán bộ công nhân viên trong một công ty hoặc trong các phòng ban của công ty, quản lý vào ra, thời gian làm việc cũng như thời gian kết thúc công việc của nhân viên trong ngày Sau đó tổng hợp số liệu cho việc chấm công, tính lương, khen thưởng, kỷ luật một cách tiện lợi, nhanh chóng và chính xác

Chương 2 MODULE NHẬN DẠNG KHUÔN MẶT VÀ ĐẶC TRƯNG BVLC

Nội dung của chính trong chương này nhằm giới thiệu tổng quan về bài toán nhận dạng khuôn mặt, các phương pháp tiếp cận để giải quyết bài toán nhận dạng khuôn mặt, các ứng dụng của hệ thống nhận dạng khuôn mặt và cơ sở lý thuyết các

kỹ thuật được lựa chọn áp dụng trong đề tài để xây dựng nên hệ thống nhận dạng khuôn mặt mà em đã nghiên cứu và tìm hiểu

2.1 Cơ sở lý thuyết của bài toán nhận dạng khuôn mặt

Nhận dạng khuôn mặt (Face detetion) là bước đầu tiên trong hai bước của quá trình nhận dạng khuôn mặt người (Face recognition) Nhận dạng khuôn mặt là

một công nghệ được phát triển rất mạnh đã có nhiều ứng dụng mạnh mẽ trong nhiều lĩnh vực từ công nghiệp, dịch vụ, y tế cho đến quân sự Nhận dạng khuôn mặt cũng giống như nhận dạng bằng sóng vô tuyến, là một công nghệ nhận dạng tự động AIDC và nằm trong hệ thống các phương pháp nhận dạng dựa trên các đặc điểm

sinh trắc học (biometric) bao gồm một số phương pháp như nhận dạng khuôn mặt, nhận dạng vân tay (fingerprint), nhận dạng đồng tử mắt (iris recognition) hay nhận dạng tiếng nói (Voice recognition)…[4, 5, 6]

Xác định khuôn mặt người là một kỹ thuật máy tính dùng để xác định vị trí

và kích thước của khuôn mặt từ hình ảnh thu nhận được từ thiết bị thu nhân ảnh [2] Công nghệ nhận dạng khuôn mặt cho phép phân biệt được khuôn mặt người (face) với các chi tiết không phải khuôn mặt người (non-face) trong ảnh như nhà cửa, cây cối….Lịch sử phát triển của công nghệ nhận dạng khuôn mặt đã trải qua nhiều thập

kỷ với sự tiến bộ từ những công nghệ xử lý đơn giản đối với ảnh đen trắng, xám, cho đến ảnh màu và thậm chí là công nghệ nhận dạng 3D như ngày nay Các yêu cầu đặt ra với bài toán nhận dạng khuôn mặt cũng không ngừng được nâng cao từ lúc ban đầu khi mỗi bức hình đen trắng chỉ có một khuôn mặt, đầu luôn ở tư thế nhìn thẳng cho đến những bức ảnh màu, trong hình gồm nhiều khuôn mặt khác

nhau và có thể ở nhiều tư thế cũng như ở những điều kiện ánh sáng khác nhau Hiện nay, công nghệ nhận dạng khuôn mặt đã được phát triển giải quyết được những bài toán phức tạp như nhận dạng 3D, nhận dạng thời gian thực khi camera số ghi lại hình ảnh và phần mềm nhận dạng khuôn mặt có thể phát hiện và bám sát mục tiêu được nhận dạng là khuôn mặt Đây chính là sự tiến bộ vượt bậc khiến công nghệ nhận dạng khuôn mặt đã được áp dụng rộng rãi trong lĩnh vực công nghiệp như áp

dụng trong máy ảnh kỹ thuật số (digital camera), trong giao tiếp người và máy tính (human computer interaction), công nghệ nhận dạng khuôn mặt cùng với xác thực khuôn mặt (face authentication) được áp dụng phổ biến trong các hệ thống an ninh (security system) như chứng thực hộ chiếu (passport verification), nhận dạng tội phạm (criminal verification)

Có rất nhiều phương pháp nhận dạng khuôn mặt người, tuy nhiên, tổng kết lại có thể chia làm 4 hướng tiếp cận chính [2]:

• Hướng tiếp cận dựa trên tri thức (knowledge-based)

• Hướng tiếp cận dựa trên các đặc trưng không thay đổi (feature invariant)

• Hướng tiếp cận dựa trên so khớp mẫu (template matching)

• Hướng tiếp cận dựa trên diện mạo (appearance-based)

a) Hướng tiếp cận dựa trên tri thức

Hướng tiếp cận này chủ yếu dựa trên các luật định nghĩa về khuôn mặt người Các luật này thường mô tả về các mối quan hệ giữa các thành phần trên khuôn mặt người Các quan hệ đặc trưng có thể được mô tả như quan hệ

về khoảng cách và vị trí Theo phương pháp này, những người thực hiện sẽ trích chọn đặc trưng của khuôn mặt trước tiên để có được các ứng viên, sau

đó các ứng viên này sẽ được xác định thông qua các luật để biết ứng viên nào

là khuôn mặt và ứng viên nào không phải là mặt Khó khăn với phương pháp này là làm sao chuyển từ tri thức của con người về khuôn mặt sang các luật một cách có hiệu quả vì nếu các luật chặt chẽ quá thì có thể xác định thiếu

luật Một số phương pháp nghiên cứu theo hướng này như Kanade, G.Yang, Kotropoulos, Sahbi và Boujemaa, Farhad và Abdolhorsein…

b) Hướng tiếp cận dựa trên các đặc trưng không thay đổi

Hướng tiếp cận này tập trung vào việc tìm kiếm những đặc trưng độc lập của khuôn mặt – những đặc trưng không phụ thuộc vào tư thế khuôn mặt nghiêng hay thẳng, điều kiện chiếu sáng, chất lượng hình ảnh v.v Các đặc trưng thỏa mãn những điều đó gọi là các đặc trưng bất biến và được sử dụng để phát hiện khuôn mặt Các nghiên cứu đầu tiên sẽ chỉ ra các đặc trưng của khuôn mặt sau đó quyết định xem khuôn mặt có nằm trong ảnh hay không Các đặc trưng như lông mày, mắt, mũi, miệng và đường viền của tóc được trích chọn bằng phương pháp xác định cạnh Trên cơ sở các đặc trưng này, xây dựng

mô hình thống kê để mô tả quan hệ của các đặc trưng này và xác định sự tồn tại của khuôn mặt trong ảnh Phương pháp này có thể xác định dựa trên các đặc trưng cạnh của khuôn mặt, phân bố của màu da… với các nghiên cứu của Sirohey, Chetverikov và Lerch, Yow và Cipolla, Augusteijin và Skufca, Sobottka và Pitas…

c) Hướng tiếp cận dựa trên so khớp mẫu

Trong hướng tiếp cận này, một mẫu khuôn mặt được định nghĩa bằng tay trước hoặc được tham số hóa bằng một hàm số Mẫu này được sử dụng để phát hiện khuôn mặt người bằng cách quét nó qua ảnh và tính toán giá trị tương đồng cho mỗi vị trí ví dụ về đường viền khuôn mặt, mắt, mũi và miệng Việc xuất hiện một khuôn mặt tại một vị trí nào đó trong ảnh phụ thuộc và giá trị tương đồng của điểm đó so với mẫu chuẩn Hướng tiếp cận này có lợi thế là dễ sử dụng, nhưng không có hiệu quả khi tỷ lệ, tư thế và hình dáng thay đổi Nhiều độ phân giải, đa tỷ lệ, các mẫu con và các mẫu biến dạng được xem xét thành bất biến về tỷ lệ và hình dạng

Phương pháp tiêu biểu trong hướng tiếp cận này là PCA để xác định hình chiếu của khuôn mặt được sử dụng như các mẫu để xác định khuôn mặt người, hình chiếu được mô tả như một mảng các bit

d) Hướng tiếp cận dựa trên diện mạo

Phương pháp này thường dùng một mô hình máy học nên còn được gọi là

phương pháp máy học (machine learning-based) Ngược với phương pháp so

sánh mẫu sử dụng các mẫu được định nghĩa trước, phương pháp này sử dụng những mẫu được rút trích qua một quá trình học Nói cách khác, các thuật toán dựa trên máy học dùng các kỹ thuật phân tích thống kê và máy học xấp

xỉ một hàm phân lớp tuyến tính Có nhiều mô hình máy học được áp dụng

trong hướng tiếp cận này như : Eigenface (M.Turk và A Pentland), Mô hình dựa trên phân phối (K.Sung và T.Poggion), Mạng nơron (H.Rowley), Support Vector Machine (E.Osuna), Phân lớp Bayes (H.Schneiderman và T.Kanade),

Mô hình Markov ẩn (A.Rajagopalan) và các mô hình tăng cường như AdaBoost (P.Viola và M.Jones), FloatBoost (Stan Z.Li và Zhen Qiu Zhang)…

2.2 Module nhận dạng khuôn mặt và đặc trưng BVLC

2.2.1 Module nhận dạng khuôn mặt

Hình 2.1 Sơ đồ khối phương pháp nhận dạng khuôn mặt sử dụng bộ phân loại SVM

và các đặc trưng BDIP, BVLC

Phương pháp nhận dạng khuôn mặt sử dụng các đặc trưng BDIP, BVLC và

bộ phân loại SVM được thể hiện qua sơ đồ khối trong hình vẽ 1.4 Ảnh đầu vào sẽ qua bước tiền xử lý, ở bước này, bức ảnh được chụp từ camera sẽ được chuẩn hóa

phản và cân bằng mức xám [7] Việc phân loại các mômen BDIP và BVLC được tính toán dựa trên các giá trị BDIP và BVLC được tính từ bắc ảnh và phân lớp vào 4 lớp Các mômen BDIP và BVLC sẽ được sử dụng như các thành phần để tạo thành một vector đặc trưng sử dụng cho quá trình phân loại Bộ phân loại SVM được sử dụng để tính toán, kiểm tra và phân loại ảnh đầu vào dựa trên các đặc trưng để xác định đó là khuôn mặt hay không phải là khuôn mặt Phương pháp này đã được thử nghiệm trên nhiều tập mẫu khác nhau và tỷ lệ nhận dạng khuôn mặt chính xác luôn trên 95% [7]

2.2.2 Đặc trưng BVLC

a) Định nghĩa về đặc trưng BVLC

BVLC [8,9] được định nghĩa là sự thay đổi của các hệ số tương quan cục bộ trong một block kích thước WxW tương ứng với 4 hướng xác định Đặc trưng BVLC phản ánh cấp độ không đồng đều của mỗi block với các block lân cận tương

ứng với các hướng, nó thể hiện được sự lồi lõm (smoothness) của bề mặt, đặc biệt

trong việc nhận dạng, việc xác định được độ lồi lõm ở các vị trí đặc biệt của khuôn mặt như mũi, miệng sẽ tăng độ chính xác cho việc xác định được bề mặt đó có phải

là khuôn mặt hay không

BVLC là đặc trưng biểu thị sự biến đổi của các hệ số tương quan cục bộ theo 4 hướng xung quanh một block cố định Đây là một đặc trưng cho phép xác định độ lồi lõm (smoothness) – độ gồ ghề trong block ảnh bằng cách xác định sự thay đổi của các hệ số tương quan cục bộ tương ứng với 4 hướng Hệ số tương quan cục bộ được trong mỗi hướng được xác định :

) (

) , (

) (

1 ) (

k l l

B j i

k l l j

i

k j

k i

I j i I W

µ µ ρ

(2.1)trong đóI(i, j)là cường độ mức xám của điểm ảnh (i, j)trong block,l =(u,v) là

vị trí của block trong ảnh, µl và σl tương ứng là trị trung bình và độ lệch quân phương cục bộ của block Ở đây, ∆(k)=(∆i(k),∆j(k)) là 4 hướng

) 45 , 45

( [ max

)

) ( )

O k

k O k

96 133 ) 70 130 50 135 130 125 135 140 ( 2

1 ) 1 , 0

× +

× +

l k

O l k

l k l

j k i I j i I M

l

k

, 0 , 0

) , (

, 0 , 0 2

4

) , ( ) , ( 1

)

,

(

σσ

µµρ

∑

∈

− + +

= , O4={(0,1),(1,0),(1,1),(1,−1)}

b) Vector đặc trưng BVLC

Trong cơ sở dữ liệu, mỗi ảnh được chia thành các block không phủ nhau có kích thước 2x2, và khi đó giá trị BVLC được tính riêng trong từng block Để phản ánh mức độ tích cực của các block trong vector đặc trưng, các block được phân phia thành 4 lớp theo phương pháp sau:

Hình 2.2 Phân loại BVLC

Đầu tiên các giá trị BVLC được chia thành 2 nhóm sử dụng mức ngưỡng là trị trung bình của giá trị BVLC từ tất cả các block Tiếp đó, mỗi nhóm lại được chia làm 2 nhóm nhỏ hơn sử dụng mức ngưỡng là trị trung bình của các giá trị BVLC trong mỗi nhóm

Từ đây ta có thế tính toán momen cấp 1 và cấp 2 tương ứng là trị trung bình

µivà độ lệch chuẩn icho cả 4 nhóm Các giá trị này sẽ được sử dụng như là đặc

trưng của vùng ảnh trong bộ phân loại SVM được trình bày ở chương tiếp theoVector đặc trưng khi đó có dạng:

[µ1(D),µ2(D), ,µn(D),µ1(V),µ2(V), ,µn(V)]

h =

h= [µ1(D) 1(D)… µn(D) n(D), µ1(V) 1(V)… µn(V) n(V)]

(2.3) Trong đó, µi(D), i(D) tương ứng là các momen cấp 1 và cấp 2 của nhóm BDIP thứ

i, µi(V), i(V) tương ứng là các momen cấp 1 và cấp 2 của nhóm BVLC thứ i

Kích thước của vector đặc trưng là một yếu tố rất quan trọng, nó xác định kích thước không gian lưu trữ cho vector đó, độ chính xác trong nhận dạng, thời gian xử lý (hay là độ phức tạp tính toán) Khi kích thước vector đặc trưng tăng, độ chính xác có khả năng tăng lên nhưng kéo theo đó là không gian cần thiết để lưu trữ cũng tăng và độ phức tạp tính toán cũng tăng lên Do đó cần thiết phải chọn lựa kích thước vector thích hợp vừa đảm bảo độ chính xác vừa đơn giản về tính toán

Chương 3 PHÂN TÍCH VÀ THIẾT KẾ PHẦN MỀM QUẢN LÝ NHÂN SỰ 3.1 Giới thiệu phần mềm quản lý nhân sự

Chức năng chính của phần mềm thiết kế nhằm quản lý tốt đội ngũ nhân viên của các doanh nghiệp hoặc cơ quan một cách tự động Phần mềm quản lý các thông tin cá nhân của nhân viên, giờ đi làm, thông tin nhắc việc cho nhân viên, kết xuất các báo cáo chấm công và tính lương cho nhân viên

Phần mềm bao gồm các module chính sau:

• Danh mục: bao gồm danh mục thông tin cá nhân của nhân viên, danh mục công việc, danh mục trình độ, danh mục tổ chức

• Phát sinh: quản lý việc chấm công, tính lương và cập nhật thông tin nhắc việc cho nhân viên

• Báo cáo: cho phép kết xuất ra các báo cáo về nhân sự, lương và chấm công cho từng phòng ban

Bên cạnh đó, phần mềm có khả năng tích hợp với module nhận diện khuôn mặt sử dụng các đặc trưng BDIP, BVLC cùng với bộ phân loại SVM và công nghệ RFID Đây cũng là những nội dung mà em đã tham gia nghiên cứu, thiết kế và phát triển nghiên cứu

3.1.1 Tìm hiểu yêu cầu

a) Yêu cầu thực tế

Đối với một doanh nghiệp hoặc cơ quan, việc ứng dụng tin học hóa vào trong quản

lý ngày nay đã trở nên phổ biến do tính hiệu quả của nó Một hệ thống QLNS cần phải đảm bảo các yêu cầu cơ bản sau đây:

• Lưu trữ thông tin nhân viên theo mẫu:

Thông tin nhân sự

Nơi thuyên chuyển

THÔNG TIN NHÂN SỰ

Ngày thuyên chuyển

Hình 3.1 Mẫu lưu trữ nhân viên

Cuối mỗi tháng, dựa vào bảng chấm công do các bộ phận, phòng ban gửi về, bộ

phận tiền lương sẽ nhập công cho các nhân viên theo mẫu:

Dựa vào bảng chấm công bộ phận tiền lương sẽ thực hiện tính lương cho nhân viên theo mẫu sau:

Tháng:……… Năm:… Phòng: ……… ……….

BẢNG LƯƠNG

Hình 3.3 Mẫu bảng lương nhân viên

b) Yêu cầu quản lý

Về phương diện nhà quản lý: Yêu cầu phần mềm có các chức năng cơ bản như :

• Nhập, sửa, xóa, update thông tin về nhân viên bao gồm: họ tên, ngày tháng năm sinh, nơi sinh, địa chỉ hiện tại, trình độ, phòng ban làm việc, quá trình công tác…

• Hệ thống có chức năng tìm kiếm, báo cáo các thông tin về nhân viên

• Hệ thống có chức năng giao việc cho nhân viên, thêm, sửa, xóa các thông tin công việc đã giao cho nhân viên trong một thời gian quy định

• Hệ thống có chức năng kết xuất ra các báo cáo về việc chấm công và lương của nhân viên theo từng tháng làm việc

Về phương diện người sử dụng (nhân viên): Yêu cầu hệ thống đã được tích hợp công nghệ RFID và nhận dạng khuôn mặt phải hiển thị được thời gian vào làm cũng như thời gian kết thúc làm việc trong từng ngày của mỗi nhân viên để nhà quản lý có thể thống kê giờ làm, chấm công cũng như tính lương của mỗi nhân viên theo từng tháng

3.1.2 Các chỉ tiêu về hệ thống quản lý nhân sự

Việc thiết kế phần mềm phải đảm bảo các tiêu chí sau:

- Tiêu chí 1: Không quá đơn giản nhưng dễ sử dụng, chứa đầy đủ các thông tin cần thiết, tránh các thao tác rườm rà, sự dư thừa dữ liệu và phải phục vụ tối đa cho mục đích QLNS ứng dụng công nghệ nhận dạng khuôn mặt và RFID

- Tiêu chí 2: Các quá trình xử lý đảm bảo nhanh chóng, tiện lời và thật chính xác Cập nhật đầy đủ các chức năng cần thiết, các thông tin tổng hợp phục vụ cho công việc quản lý theo từng giai đoạn cụ thể

- Tiêu chí 3: Đáp ứng được tối đa yêu cầu của người sử dụng và có khả năng nâng cấp khi phát sinh yêu cầu mới

- Tiêu chí 4: Giao diện đẹp mắt và thân thiện với người dùng Có hướng dẫn cài đặt và hướng dẫn sử dụng chi tiết, cụ thể, hướng dẫn xử lý khi xảy ra một số sự cố có thể xảy ra

3.2 Phân tích và thiết kế hệ thống

3.2.1 Phân tích hệ thống

3.2.1.1 Sơ đồ phân cấp chức năng – FD

Sau khi phân tích các yêu cầu thực tế và những module cần có, phần mềm QLNS cần có những chức năng được phân cấp như trong sơ đồ phân cấp chức năng dưới đây:

Tr ần văn Huy – Kỹ thuật điện tử – K3 32

Hình 3.4 Bi ểu đồ phân cấp chức năng

3.2.1.2 Biểu đồ luồng dữ liệu DFD (Data Flow Diagram)

a) DFD mức ngữ cảnh

Hình 3.5 Biểu đồ mức ngữ cảnh