LUẬN VĂN THẠC SĨ KHOA HỌC KHOA HỌC MÁY TÍNH

TRƯỜNG ĐẠI HỌC BÁCH KHOAĐỖ PHÚC HẢO NGHIÊN CỨU PHƯƠNG PHÁP TRÍCH CHỌN ĐẶC TRƯNG ẢNH XÂY DỰNG HỆ THỐNG PHỤC VỤ ĐIỂM DANH VÀ ĐÁNH GIÁ THÁI ĐỘ HỌC TẬP CỦA SINH VIÊN LUẬN VĂN THẠC SĨ KHOA HỌ

TRƯỜNG ĐẠI HỌC BÁCH KHOA

ĐỖ PHÚC HẢO

NGHIÊN CỨU PHƯƠNG PHÁP TRÍCH CHỌN ĐẶC TRƯNG ẢNH XÂY DỰNG HỆ THỐNG PHỤC VỤ ĐIỂM DANH VÀ ĐÁNH GIÁ

THÁI ĐỘ HỌC TẬP CỦA SINH VIÊN

LUẬN VĂN THẠC SĨ KHOA HỌC KHOA HỌC MÁY TÍNH

ĐÀ NẴNG - 2016

TRƯỜNG ĐẠI HỌC BÁCH KHOA

ĐỖ PHÚC HẢO

NGHIÊN CỨU PHƯƠNG PHÁP TRÍCH CHỌN ĐẶC TRƯNG ẢNH XÂY DỰNG HỆ THỐNG PHỤC VỤ ĐIỂM DANH VÀ ĐÁNH GIÁ

THÁI ĐỘ HỌC TẬP CỦA SINH VIÊN

Chuyên ngành: Khoa học máy tính

Tôi xin cam đoan:

- Những nội dung trong luận văn này là do tôi thực hiện dưới sựhướng dẫn trực tiếp của thầy Phạm Minh Tuấn

- Mọi tham khảo dùng trong luận văn đều được trích dẫn rõ ràng têntác giả, tên công trình, thời gian và địa điểm công bố

- Những sao chép không hợp lệ, vi phạm quy chế đào tạo, hay gian trá, tôi xinchịu hoàn toàn trách nhiệm

Tôi xin chân thành cảm ơn các thầy cô trong khoa Công nghệ thông tincũng như các thầy cô giảng dạy trong trường Đại học Đà Nẵng đã truyền đạtnhững kiến thức quý báu cho tôi trong những năm nghiên cứu và học tập tạitrường.

Đặc biệt, tôi xin chân thành cảm ơn thầy Phạm Minh Tuấn, khoa Côngnghệ thông tin, trường Đại học Bách khoa đã tận tình hướng dẫn, động viên vàgiúp đỡ tôi trong suốt thời gian nghiên cứu và thực hiện đề tài

Và để có được kết quả như ngày hôm nay, tôi rất biết ơn gia đình đã độngviên, khích lệ, tạo mọi điều kiện thuận lợi nhất trong suốt quá trình nghiên cứu,học tập cũng như quá trình thực hiện đề tài tốt nghiệp này

Một lần nữa xin chân thành cám ơn!

Đà Nẵng, tháng 12 năm 2016

Tác giả

ĐỖ PHÚC HẢO

MỤC LỤC

LỜI CẢM ƠN

MỤC LỤC

DANH MỤC VIẾT TẮT

DANH MỤC CÁC BẢNG

DANH MỤC CÁC HÌNH

MỞ ĐẦU 1

1 Lý do chọn đề tài 1

2 Ý nghĩa đề tài 2

3 Mục tiêu và nhiệm vụ 2

4 Đối tượng và phạm vi nghiên cứu 3

5 Phương pháp nghiên cứu 3

6 Bố cục của luận văn 3

CHƯƠNG 1 4

TỔNG QUAN NGHIÊN CỨU 4

1.1 NHẬN DẠNG MẶT NGƯỜI 4

1.1.1 Khái niệm nhận dạng mặt người 4

1.1.2 Các bước xây dựng hệ thống nhận dạng 4

1.2 HỌC MÁY 5

1.2.1 Khái niệm 5

1.2.2 Các phương pháp học máy 5

1.2.2.1 Học không giám sát 5

1.2.2.2 Học có giám sát 6

1.2.2.4 Học tăng cường 7

1.2.3 Các mô hình học máy 7

1.2.4 Ứng dụng học máy 7

1.2.5 Thách thức đối với hệ thống nhận dạng 7

1.3 KỸ THUẬT TRÍCH CHỌN ĐẶC TRƯNG 9

1.3.1 Phân tích thành phần chính (PCA) 9

1.3.2 Phương pháp hồi quy thành phần chính (PCR) 10

CHƯƠNG 2 12

XÂY DỰNG HỆ THỐNG VÀ PHƯƠNG PHÁP ĐỀ XUẤT 12

2.1 XÂY DỰNG HỆ THỐNG 12

2.1.1 Giới thiệu bài toán 12

2.1.2 Thiết kế cơ sở dữ liệu 12

2.1.2.1 Mô tả 12

2.1.2.2 Thiết kế dữ liệu 12

2.1.2.3 Dữ liệu mẫu 15

2.1.3 Luồng hệ thống 16

2.1.3.1 Quá trình thu thập ảnh 16

2.1.3.2 Quá trình xử lý kết quả 19

2.1.3.3 Quá trình đánh giá thái độ sinh viên 21

2.2 PHƯƠNG PHÁP ĐỀ XUẤT 21

2.2.1 Đại số hình học bảo giác (CGA) 21

2.2.2 Phương pháp trích chọn đặc trưng dựa trên Đại số hình học bảo giác (CGA) 23

THỰC NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ 26

3.1 MÔI TRƯỜNG THỰC NGHIỆM 26

3.1.1 Dữ liệu sử dụng 26

3.1.1.1 Dữ liệu quay 3D 26

3.1.1.2 Dữ liệu khuôn mặt 2D 27

3.1.2 Môi trường triển khai 28

3.2 CÁC GIAI ĐOẠN THỰC NGHIỆM 29

3.2.1 So sánh kêt quả giữa PCR và PCR-CGA 29

3.2.1.1 Thực nghiệm trên tập dữ liệu 3D 29

3.2.1.2 Thực nghiệm trên tập dữ liệu 2D 33

3.2.2 Kết quả xây dựng hệ thống 35

3.2.2.1 Giới thiệu chương trình 35

3.2.2.2 Giao diện chương trình 36

3.2.2.2.1 Đăng nhập 36

3.2.2.2.2 Lấy Token Key từ Server Box 37

3.2.2.2.3 Tạo file cho hệ thống và xác nhận token 37

3.2.2.2.4 Thông tin tài khoản của giáo viên 37

3.2.2.2.5 Thông tin tài khoản của sinh viên 38

3.2.2.2.6 Thông tin học phần của từng sinh viên 38

3.2.2.2.7 Giao diện của giáo viên 39

3.2.2.2.8 Giao diện upload của giáo viên 40

3.2.2.2.9 Giao diện hình ảnh sinh viên của từng học phần 41

3.2.2.2.10 Giao diện xác nhận hình của sinh viên 42

3.2.2.2.12 Dữ liệu lưu trên Box server 44

3.2.2.2.13 Luồng chi tiết giao diện hệ thống 44

3.2.2.2.14 Giao diện giáo viên đánh giá thái độ sinh viên 45

3.2.2.3 Kết quả thực nghiệm ảnh thực tế 46

3.3 ĐÁNH GIÁ 47

3.3.1 Về lý thuyết 47

3.3.2 Về cài đặt 47

3.3.3 Về thực nghiệm 47

3.4 KẾT LUẬN 48

3.4.1 Đã làm được 48

3.4.2 Các vấn đề cần cải thiện 48

3.4.3 Hướng phát triển 48

TÀI LIỆU THAM KHẢO 49

CGA Conformal geometric algebra

PCA Principal component analysis

PCR Principal component regression

DBSCAN Density-based spatial clustering of applications with noise

PCR-CGA Principal Component Regression – Conformal Geometric Algebra

Số hiệu

Số hiệu hình Tên hình Trang

Hình 3.1 Ảnh xám của 8 đối tượng trong tập dữ liệu 3D 26Hình 3.2 Dữ liệu mẫu theo các góc quay của một đối tượng 3D 27Hình 3.3 Hình ảnh chụp các góc cho một đối tượng 2D 28

Hình 3.7 Khoảng cách Mahalanobis của dữ liệu theo từng thànhphần k 31Hình 3.8 Trung bình và độ lệch chuẩn của độ chính xác phân lớpsử dụng PCA và CGA-PCA 32Hình 3.9 Trung bình và độ lệch chuẩn của độ chính xác phân lớp

Hình 3.14 Xác nhận token key và tạo file cho hệ thống 37

Hình 3.22 Danh sách hình ảnh của sinh viên trong một học phần 41

Hình 3.24 Sinh viên xác nhận lại khuôn mặt chính xác của mình 42Hình 3.25 Sinh viên xác nhận hệ thống nhận dạng đúng 43Hình 3.26 Giao diện xác nhận hình ảnh của giáo viên 43

Hình 3.28 Đánh giá thái độ sinh viên thông qua góc nhìn 45

Hình 3.30 Kết quả của nhận dạng khuôn mặt lớp học thực tế 46

NGHIÊN CỨU PHƯƠNG PHÁP TRÍCH CHỌN ĐẶC TRƯNG ẢNH XÂY DỰNG HỆ THỐNG PHỤC VỤ ĐIỂM DANH VÀ ĐÁNH GIÁ

THÁI ĐỘ CỦA SINH VIÊN

Đỗ Phúc Hảo, học viên cao học khóa 30, chuyên ngành Khoa học máy tính

Tóm tắt – Hiện nay, có rất nhiều phương pháp trích chọn đặc trưng như Principal

Component Analysis (PCA), Multiple Discriminant Analysis (MDA) là những kỹ thuật vôcùng quan trọng trong lĩnh vực nghiên cứu về học máy Đặc điểm của trích chọn đặc trưng làbiến đổi dữ liệu từ một không gian phân lớp phức tạp sang một không gian phân lớp dễ dànghơn Việc trích chọn đặc trưng trước khi vận dụng các thuật toán học máy vào sẽ tăng kết quảphân lớp dữ liệu lên rất nhiều Phương pháp Principal Component Regression (PCR) là tìmkiếm một siêu mặt phẳng xấp xỉ mà dữ liệu phân bố trên đó Vấn đề bây giờ là trong trườnghợp dữ liệu không phân bổ trên siêu mặt phẳng mà nó phân bổ trên siêu mặt cầu như trongtrường hợp đối tượng quay, thì phương pháp trích chọn đặc trưng PCR sẽ không thể phân lớpvới kết quả cao được được Hiện có rất nhiều hệ thống phục vụ điểm danh sinh viên, nhưngtrong trường hợp hình ảnh khuôn mặt sinh viên xoay với các góc khác nhau thì kết quả chưacao Cho nên, trong nghiên cứu này, tác giả sẽ tập trung vào nghiên cứu phương pháp tríchchọn đặc trưng bẳng cách tìm kiếm một xấp xỉ siêu mặt cầu hoặc siêu mặt phẳng mà nó vừakhớp với tập dữ liệu trong không gian Comformal Geometric Algebra (CGA) nhằm cải thiện

tỷ lệ nhận dạng các đối tượng quay trong không gian

Từ khóa – Hệ thống nhận dạng, trích chọn đặc trưng, đại số hình học bảo giác.

IMAGE FEATURE EXTRACTION METHOD FOR EVALUATION SYSTEM OF ATTITUDE AND ATTENDANCE OF STUDENTS

Abstract – Currently, there are many methods for feature extraction, such as Principal

Component Analysis (PCA), Multiple Discriminant Analysis (MDA) techniques areextremely important in the field of machine learning research The Characteristic of featureextraction is to transform the data from a difficulty classified space to a easily classifiedspace The allocation to extract the good features before applying machine learning methodsget more effect classification results The Principal Component Regression (PCR) finds theapproximation hyper-planes, for example they distributed on hyper-spheres such as therotation objects, the PCR can not extract the good feature to apply the classification problems.There are so many systems to serve student attendance, but in the case of face images ofstudents rotate to different angles, the results is not high Therefore, in this study, the authorwill propose a new feature extraction method in conformal geometric algebra (CGA) space tofind the approximation hyper-planes or hyper-spheres which fit to the set of data using theleast square approach

Key words – identification system, feature extraction, conformal geometric algebra.

MỞ ĐẦU

1 Lý do chọn đề tài

Hiện nay, nhà nước đã và đang chú trọng trong việc đổi mới “Căn bản toàn diện

giáo dục”, cụ thể là các phương pháp giảng dạy và quản lý trong giáo dục và đào tạo,

nên việc nghiên cứu và ứng dụng các kỹ thuật công nghệ thông tin trong giảng dạy vàhọc tập đang là vấn đề rất bức thiết hiện nay Đã có rất nhiều mô hình giảng dạy vàhọc tập kết hợp với e-learning, học trực tuyến được đưa ra nhằm tăng chất lượng giáodục Tuy nhiên, việc giảng dạy tại các lớp học bằng mô hình truyền thống là không thểthiếu Một trong những vấn đề cấp thiết được đưa ra là việc nắm bắt tình hình học tậpcủa sinh viên tại các lớp học trong các trường đại học

Thông thường, các lớp học tại các trường đại học thường có số lượng sinh viêntương đối lớn Giáo viên khó có thể nắm bắt được năng lực cũng như tình hình học tậpcủa từng sinh viên trong các học phần đảm nhiệm Việc điểm danh trong mỗi buổi họcgiúp ích phần nào cho nhận biết sinh viên có đi học đều đặn hay không Tuy nhiên đểnắm bắt được sinh viên có thực sự tham gia vào bài giảng hay không là một việc rấtkhó khăn Ví dụ như, có sinh viên lúc nào cũng tới lớp đều đặn nhưng hầu như chỉ làmviệc riêng và không tham gia nghe giảng cũng như tham gia các hoạt động làm việcnhóm tại lớp học Nếu như căn cứ vào việc đi học chuyên cần thì sinh viên đó hoàntoàn đáp ứng nhưng việc tham gia vào bài giảng thì hoàn toàn không Nhiệm vụ củagiáo viên cần nhắc nhở hoặc tư vấn để những sinh viên như vậy có thể tham gia bàigiảng một cách tốt hơn Chính vì vậy, một hệ thống tự động nhận dạng khuôn mặt vàphân tích thái độ học tập của sinh viên là điều vô cùng cần thiết

Hiện nay, có rất nhiều phương pháp trích chọn đặc trưng như Principal ComponentAnalysis (PCA) [1], Multiple Discriminant Analysis (MDA) [2] là những kỹ thuật vôcùng quan trọng trong lĩnh vực nghiên cứu về học máy Đặc điểm của trích chọn đặctrưng là biến đổi dữ liệu từ một không gian phân lớp phức tạp sang một không gianphân lớp dễ dàng hơn Việc trích chọn đặc trưng trước khi vận dụng các thuật toán họcmáy vào sẽ tăng kết quả phân lớp dữ liệu lên rất nhiều

Phương pháp Principal Component Regression (PCR) [3] là tìm kiếm một siêu mặtphẳng xấp xỉ mà dữ liệu phân bố trên đó Vấn đề bây giờ là trong trường hợp dữ liệukhông phân bổ trên siêu mặt phẳng mà nó phân bổ trên siêu mặt cầu như trong trườnghợp đối tượng quay, thì phương pháp trích chọn đặc trưng PCR sẽ không thể phân lớpvới kết quả cao được được Cho nên, trong đề tài này sẽ tập trung vào nghiên cứuphương pháp trích chọn đặc trưng bẳng cách tìm kiếm một xấp xỉ siêu mặt cầu hoặcsiêu mặt phẳng mà nó vừa khớp với tập dữ liệu trong không gian ComformalGeometric Algebra (CGA) [4]

Vì những lý do như trên, tôi đề xuất chọn đề tài luận văn cao học:

“Nghiên cứu phương pháp trích chọn đặc trưng ảnh xây dựng hệ thống

phục vụ điểm danh và đánh giá thái độ học tập của sinh viên”

2 Ý nghĩa đề tài

2.1 Ý nghĩa khoa học

Nghiên cứu sâu phương pháp trích xuất đặc trưng nhằm tăng hiệu quả cho các bàitoán nhận dạng, phân lớp dữ liệu Kết quả sẽ mở ra một kỹ thuật trích chọn đặc trưngcho các nghiên cứu sau này

2.2 Ý nghĩa thực tiễn

Đề xuất giải pháp góp phần tăng hiệu quả việc quản lý đào tạo sinh viên, nhằmnâng cao chất lượng sinh viên trong môi trường đại học Hỗ trợ giáo viên thay đổiphương pháp giảng dạy phù hợp hoặc nhắc nhở sinh viên trong lớp học phần củamình

3 Mục tiêu và nhiệm vụ

3.1 Mục tiêu

Hỗ trợ cho giáo viên đánh giá sinh viên và nâng cao chất lượng dạy học:

- Tự động hóa việc điểm danh sinh viên trong các lớp học

- Tự động đánh giá thái độ học tập của sinh viên, từ đó đề xuất cho giáo viên thayđổi phương pháp giảng dạy hoặc nhắc nhở sinh viên trong học tập

Mục tiêu chính của đề tài là nghiên cứu phương pháp trích chọn đặc trưng ảnh đểnâng cao kết quả nhận dạng và đánh giá thái độ học tập của sinh viên trong lớp họcphần cụ thể Để thoải mãn mục tiêu này thì cần đạt được những chi tiết mục tiêu cụ thểsau:

- Ứng dụng đại số Clifford (Clifford Algebra) nhằm trích chọn các đặc tính bấtbiến hình học trong nhận dạng đối tượng

- Xây dựng hệ thống phục vụ điểm danh và đánh giá thái độ học tập của sinh viên

3.2 Nhiệm vụ

- Nghiên cứu phương pháp tiền xử lý ảnh & kỹ thuật xử lý dữ liệu trên ma trận vàvector

- Nghiên cứu tổng quan về không gian CGA [4]

- Nghiên cứu về trích chọn đặc trưng hình học

- Các kỹ thuật biến đổi không gian

- Ước lượng phân bổ dữ liệu

4 Đối tượng và phạm vi nghiên cứu

Trong khuôn khổ của luận văn thuộc loại nghiên cứu và xây dựng ứng dụng, luậnvăn này sẽ tập trung nghiên cứu các vấn đề sau:

- Nghiên cứu về phương pháp trích chọn đặc trưng hình học.

- Xây dựng các kỹ thuật tiền xử lý ảnh & kỹ thuật tính toán trên vector và matrận

5 Phương pháp nghiên cứu

5.1 Phương pháp lý thuyết

- Tổng quan về không gian CGA [4]

- Nghiên cứu về phương pháp trích chọn đặc trưng hình học

- Nghiên cứu các kỹ thuật biến đổi không gian

- Xây dựng các ước lượng phân bổ dữ liệu

5.2 Phương pháp thực nghiệm

- Xây dựng hệ thống web trên Java

- Xây dựng phương pháp tiền xử lý dữ liệu ảnh

- Xây dựng công thức tính toán các giá trị riêng và vector riêng trong không gianCGA, kết hợp với kỹ thuật PCR để trích chọn các đặc trưng, nhằm phân lớp dữliệu của bài toán

- Xây dựng bài toán phân lớp dữ liệu dựa trên kỹ thuật bình phương tối thiểu đểtính toán các đặc trưng để quyết định phân lớp

- Xây dựng các phương thức để tính toán dữ liệu trên vector và ma trận

- Kiểm tra, thử nghiệm, nhận xét và đánh giá kết quả

6 Bố cục của luận văn

Cấu trúc của luận văn gồm có 4 phần như sau:

Chương “MỞ ĐẦU” giới thiệu sơ bộ về lý do chọn đề tài, mục tiêu và nhiệm vụ,

đối tượng và phạm vi nghiên cứu của đề tài

Chương 1 “TỔNG QUAN NGHIÊN CỨU” giới thiệu hệ thống nhận dạng mặt

người, học máy và các phương pháp thường dùng, các vấn đề đối mặt với hệ thốngnhận dạng, đồng thời nên ra các kỹ thuật toán bản về trích xuất đặc trưng của dữ liệu

Chương 2 “XÂY DỰNG HỆ THỐNG VÀ PHƯƠNG PHÁP ĐỀ XUẤT” giới

thiệu kỹ thuật PCR, tổng quan về đại số hình học bảo giác và phương pháp sử dụng nó.Đồng thời, nêu rõ quá trình xây dựng hệ thống

Chương 3,“THỰC NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ” Quá trình thực

nghiệm và đánh giá kết quả

CHƯƠNG I: TỔNG QUAN NGHIÊN CỨU1.1 NHẬN DẠNG MẶT NGƯỜI

1.1.1 Khái niệm về nhận dạng mặt người

Nhận dạng mặt người (face recognititon) [11] là một lĩnh vực nghiên cứu củangành Computer Vision, và cũng được xem là một lĩnh vực nghiên cứu của ngànhBiometrics (tương tự như nhận dạng vân tay, hay nhận dạng mống mắt) Xét vềnguyên tắc chung, nhận dạng khuôn mặt có sự tương đồng rất lớn với nhận dạng vântay và nhận dạng mống mắt, tuy nhiên sự khác biệ nắm ở bước trích chọn đặc trưng(feature extraction) ở mỗi lĩnh vực khác nhau

Trên thực tế người ta hay chia các phương pháp nhận dạng mặt ra làm 3 loại:phương pháp tiếp cận toàn cục (Eigenfaces-PCA, Fisherface-LDA), phương pháp tiếpcận dựa trên các đặc điểm cục bộ (LBP [12], Gabor wavelets [13]) và phương pháp lai(là sự kết hợp của hai phương pháp toàn cục và đặc điểm cục bộ)

Phương pháp dựa trên các đặc điểm cụ thể đã được chứng minh là ưu việt hơn khilàm việc trong các điều kiện không có kiểm soát và có thể nói rằng lịch sử phát triểncủa nhận dạng là sự phát triển của các phương pháp trích chọn đặc trưng (featureextraction methods) được sử dụng trong các hệ thống dựa trên feature based

Các ứng dụng của nhận dạng khuôn mặt dựa trên hai mô hình nhận dạng: xác địnhdanh tính (identification) và xác thực danh tính (verification) Trong bài toánidentification, ta cần xác định danh tính của ảnh kiểm tra, còn trong bài toánverification ta cần xác định hai ảnh có cùng thuộc về một người hay không?

- Bước 2: Tiền xử lý ảnh (preprocessing) bao gồm các bước sau:

o Căn chỉnh ảnh (face image alignment)

o Chuẩn hóa ánh sáng (illumination normalization)

o Trích chọn đặc trưng ảnh (feature extraction) để xây dựng một vector đặctrưng thể hiện cho ảnh cần nhận dạng

- Bước 3: Nhận dạng (recognition) hoặc phân lớp (classification)

o Thường sử dụng các phương pháp học máy (kNN, SVM, )

o Dữ liệu sẽ được chia thành 2 tập (tập huấn luyện – tranning và tập để kiểmnghiệm – testing)

o Tập training gồm các ảnh được dùng để huấn luyện thông thường tập nàyđược dùng để sinh ra một không gian con (project subspace) là một ma trận

và phương pháp hay được sử dụng là PCA[1] (Principal ComponentAnalysis), WPCA[14] (Whitened PCA), LDA[15] (Linear DiscriminantAnalysis), KPCA[16] (Kernel PCA),…

Mục đích của việc training: giảm số chiều của các vector đặc trưng vì các vectornày thường có độ dài khá lớn nên nếu để nguyên thì việc tính toán sẽ rất lâu, thứ hai làlàm tăng tính phân biệt (discriminative) giữa các ảnh khác lớp Ở đây cần lưu ý là mỗiảnh là một vector nên có thể dùng khái niệm hàm khoảng cách giữa hai vector để đo

sự khác biệt giữa các ảnh

1.2 HỌC MÁY

1.2.1 Khái niệm

Học máy [17] là một lĩnh vực của trí tuệ nhân tạo liên quan đến việc phát triển các

kĩ thuật cho phép các máy tính có thể "học" Cụ thể hơn, học máy là một phương pháp

để tạo ra các chương trình máy tính bằng việc phân tích các tập dữ liệu

Học máy có liên quan lớn đến thống kê, vì cả hai lĩnh vực đều nghiên cứu việcphân tích dữ liệu, nhưng khác với thống kê, học máy tập trung vào sự phức tạp của cácgiải thuật trong việc thực thi tính toán Nhiều bài toán suy luận được xếp vào loại bàitoán khó, vì thế một phần của học máy là nghiên cứu sự phát triển các giải thuật suyluận xấp xỉ mà có thể xử lý được

Học máy có tính ứng dụng rất cao bao gồm máy truy tìm dữ liệu, chẩn đoán ykhoa, phát hiện thẻ tín dụng giả, phân tích thị trường chứng khoán, phân loại các chuỗiDNA, nhận dạng tiếng nói và chữ viết, dịch tự động, chơi trò chơi và cử động rô-bốt

1.2.2 Các phương pháp học máy

1.2.2.1 Học không giám sát

Học không giám sát tiếng Anh là Unsupervised Learning, là một phương phápnhằm tìm ra một mô hình mà phù hợp với các tập dữ liệu quan sát Nó khác biệt vớihọc có giám sát ở chỗ là đầu ra đúng tương ứng cho mỗi đầu vào là không biết trước.Trong học không có giám sát, đầu vào là một tập dữ liệu được thu thập Học không cógiám sát thường đối xử với các đối tượng đầu vào như là một tập các biến ngẫu nhiên.Sau đó, một mô hình mật độ kết hợp sẽ được xây dựng cho tập dữ liệu đó

Học không có giám sát có thể được dùng kết hợp với suy diễn Bayes (Bayesianinference) để cho ra xác suất có điều kiện cho bất kì biến ngẫu nhiên nào khi biết trướccác biến khác

Học không có giám sát cũng hữu ích cho việc nén dữ liệu: về cơ bản, mọi giải thuậtnén dữ liệu hoặc là dựa vào một phân bố xác suất trên một tập đầu vào một cách tườngminh hay không tường minh.

Có rất nhiều thuật toán học không giám sát được ra đời và phát triển nhằm giảiquyết bài toán phân cụm phục vụ khai thác hiệu quả nguồn dữ liệu chưa gán nhãnnhiều và rất đa dạng Việc lựa chọn sử dụng thuật toán nào tuỳ thuộc vào dữ liệu vàmục đích của từng bài toán Trong đó các thuật toán thường được sử dụng như: K-mean, HAC (Hierarchial Agglomerative Clustering), SOM (Self-Organizing Map),DBSCAN…

1.2.2.2 Học có giám sát

Học có giám sát (Supervised Learning) là một kĩ thuật của ngành học máy để xâydựng một hàm từ dữ liệu huấn luyện Dữ liệu huấn luyện bao gồm các cặp gồm đốitượng đầu vào (thường dạng vec-tơ), và đầu ra mong muốn Đầu ra của một hàm cóthể là một giá trị liên tục (gọi là hồi qui), hay có thể là dự đoán một nhãn phân loại chomột đối tượng đầu vào (gọi là phân loại)

Nhiệm vụ của chương trình học có giám sát là dự đoán giá trị của hàm cho một đốitượng bất kì là đầu vào hợp lệ, sau khi đã xem xét một số ví dụ huấn luyện (nghĩa là,các cặp đầu vào và đầu ra tương ứng) Để đạt được điều này, chương trình học phảitổng quát hóa từ các dữ liệu sẵn có để dự đoán được những tình huống chưa gặp phảitheo một cách hợp lý

Một số thuật toán thường được lựa chọn khi xây dựng bộ phân lớp gồm có: Máyvector hỗ trợ (Support Vector Machine – SVM), hạt nhân phân tích biệt thức, K lánggiềng gần nhất (K Nearest Neighbours – KNN), tiếp cận xác suất thống kê (NaiveBayes – NB), cây quyết định (Decision Tree – DT), mạng nơron (Neural Network –Nnet), Vector trọng tâm (Centroid–base vector), tuyến tính bình phương nhỏ nhất(Linear Least Square Fit – LLSF)

1.2.2.3 Học bán giám sát

Trong khoa học máy tính, học bán giám sát là một lớp của kỹ thuật học máy, sửdụng cả dữ liệu đã gán nhãn và chưa gán nhãn để huấn luyện - điển hình là một lượngnhỏ dữ liệu có gán nhãn cùng với lượng lớn dữ liệu chưa gán nhãn Học bán giám sátđứng giữa học không giám sát (không có bất kì dữ liệu có nhãn nào) và có giám sát(toàn bộ dữ liệu đều được gán nhãn) Nhiều nhà nghiên cứu nhận thấy dữ liệu khônggán nhãn, khi được sử dụng kết hợp với một chút dữ liệu có gán nhãn, có thể cải thiệnđáng kể độ chính xác Để gán nhãn dữ liệu cho một bài toán học máy thường đòi hỏimột chuyên viên có kĩ năng để phân loại bằng tay các ví dụ huấn luyện Chi phí choquy trình này khiến tập dữ liệu được gán nhãn hoàn toàn trở nên không khả thi, trong

khi dữ liệu không gán nhãn thường tương đối rẻ tiền Trong tình huống đó, học bángiám sát có giá trị thực tiễn lớn lao.

Một số thuật toán thường được sử dụng gồm có: thuật toán Cực đại kỳ vọng (EM Expectation Maximization), SVM truyền dẫn (TSVM - Transductive Support VectorMachine), Self-training, Co-training và các phương pháp dựa trên đồ thị (graph-based)

-Việc lựa chọn thuật toán nào dựa trên một số định hướng: nếu các lớp dữ liệu cótính phân cụm cao thì nên dùng EM với mô hình hỗn hợp sinh; nếu đã sử dụng SVMthì mở rộng thành TSVM; khi khó nâng cấp mô hình học có giám sát đã có, thì nêndùng self-training; nếu các đặc trưng của dữ liệu phân chia tự nhiên thành hai phầnriêng rẽ thì nên dùng Co-training; còn nếu hai mẫu dữ liệu có đặc trưng tương tự nhauhướng tới một lớp thì sử dụng phương pháp dựa trên đồ thị

1.2.2.4 Học tăng cường

Học tăng cường [18] là phương pháp máy tính đưa ra quyết định hành động(action) và nhận kết quả phản hồi (response/reward) từ môi trường (environment) Sau

đó máy tính tìm cách chỉnh sửa cách ra quyết định hành động của mình

Các thuật toán học tăng cường được chia thành hai loại chính đó là: học dựa trên

mô hình (model based) và học không có mô hình (model free) Đại điện cho kiểu họcdựa trên mô hình phải kể đến phương pháp quy hoạch động (Dynamic Programming-DP), đại diện cho kiểu học không có mô hình là phương pháp Monte Carlo và phươngpháp TD (Temporal Difference)

1.2.3 Các mô hình học máy

- Mô hình hóa các mật độ xác suất điều kiện; hồi quy và phân loại

- Mô hình hóa các hàm mật độ xác suất qua các mô hình phát sinh

- Các kỹ thuật suy luận xấp xỉ đúng

- Thuật toán tiến hóa

- Thuật toán bầy đàn

hình video từ một nguồn video nào đó Một trong những cách để thực hiện điều này là

so sánh các đặc điểm khuôn mặt chọn trước từ hình ảnh và một cơ sở dữ liệu về khuônmặt

Hệ thống này thường được sử dụng trong các hệ thống an ninh và có thể được sosánh với các dạng sinh trắc học khác như hệ thống nhận dạng vân tay, hay tròng mắt.Một vài thuật toán nhận dạng khuôn mặt xác định các đặc điểm khuôn mặt bằngcách trích xuất các ranh giới, hoặc đặc điểm từ một hình ảnh khuôn mặt của đối tượng

Ví dụ, một thuật toán có thể phân tích các vị trí tương đối, kích thước và hình dạng củamắt, mũi , gò má và cằm Những tính năng này sau đó được sử dụng để tìm kiếm cáchình ảnh khác với các tính năng phù hợp Các thuật toán bình thường hóa một bộ sưutập các hình ảnh khuôn mặt và sau đó nén dữ liệu khuôn mặt, chỉ lưu dữ liệu hình ảnhnào là hữu ích cho việc nhận dạng khuôn mặt

Các thuật toán nhận dạng chủ yếu được chia thành 2 hướng chính là hình học, đóchính là nhìn vào tính năng phân biệt, hoặc trắc quang (đo sáng) là sử dụng phươngpháp thống kê để “chưng cất” một hình ảnh thành những giá trị và so sánh các giá trịvới các mẫu để loại bỏ độ chênh lệch

Các thuật toán nhận dạng phổ biến bao gồm Principal Component Analysis (Phépphân tích thành phần chính) sử dụng các khuôn mặt riêng, Linear DiscriminateAnalysis (Phân tích biệt tuyến tính), Elastic Bunch Graph Matching sử dụng thuật toánFisherface, các mô hình Markov ẩn, Multilinear Subspace Learning (Luyện nhớ khônggian con đa tuyến) sử dụng đại diện cơ căng, và theo dõi liên kết động thần kinh

Các điều kiện khác mà nhận dạng khuôn mặt không làm việc tốt bao gồm thiếu ánhsáng, đeo kính mát, tóc dài, hoặc các đối tượng khác mà một phần khuôn mặt bị che,

và các hình ảnh độ phân giải thấp

Một bất lợi nghiêm trọng là nhiều hệ thống sẽ kém hiệu quả nếu biểu hiện khuônmặt khác nhau Ngay cả một nụ cười lớn, cũng có thể làm cho hệ thống giảm tính hiệuquả Ví dụ: Canada hiện nay cho phép biểu lộ nét mặt trung tính trong ảnh chụp hộchiếu

Nhận dạng khuôn mặt không phải là hoàn hảo và khó khăn để thực hiện trong cácđiều kiện nhất định Ralph Gross, một nhà nghiên cứu tại Viện Mellon RoboticsCarnegie, mô tả một trở ngại liên quan đến các góc nhìn của khuôn mặt: "Nhận dạngkhuôn mặt đã thực hiện được khá tốt ở phía mặt trước và phía chênh lệch 20 độ, nhưngngay sau khi bạn đi về phía góc khuất, thì nó có vấn đề

Trong luận văn này, sẽ sử dụng phương pháp trích xuất đặc trưng bằng phươngpháp phân tích thành hồi quy thành phần chính (PCR[3]) để trích xuất các đặc trưng,nhằm phân loại các đối tượng với nhau Các phương pháp truyền thống rất khó để pháthiện các đối tượng quay các góc độ khác nhau và phân lớn đều sử dụng các phươngpháp học máy giám sát Điều này hơi không hợp với thực tế, chẳng hạn như việc điểm

danh sinh viên, thì dữ liệu có thể thay đổi theo thời gian, có thể sử dụng phương pháphọc tăng cường (tức là vừa có giám sát, vừa không giám sát)

Trong kết quả của luận văn này, sử dụng kiến thức về Đại số hình học bảo giác kếthợp với phương pháp trích xuất đặc trưng nhằm để nhận dạng tốt hơn Bởi vì theo nềntảng toán của Đại số hình học bảo giác cho rằng, những hình ảnh các góc quay khácnhau của một đối tượng cụ thể sẽ phân bổ đều trên một siêu mặt phẳng hoặc một siêumặt cấu nhất định, từ đó nên việc phân loại và nhận dạng đối tượng sẽ đạt hiệu quả và

tỉ lệ cao hơn

1.3 KỸ THUẬT TRÍCH CHỌN ĐẶC TRƯNG

1.3.1 Phân tích thành phần chính (PCA)

PCA [1] là một phương pháp quan trọng của việc trích xuất đặc trưng và nó được

sử dụng rộng rãi trong lĩnh vực học máy

Cho một tập dữ liệu dạng vector như sau:

X ={x i|x i ∈ R d

}i=1 n (1)

Ở đó xi là vector thứ i trong không gian d-chiều

PCA là một kỹ thuật biến đổi tuyến tính để đẩy dữ liệu vào một hệ tọa độ mới.Phép biến đổi tuyến tính được định nghĩa bởi tích vô hướng của vector x và vector đơn

vị của trọng số w ∈ R d, ở đó ‖w‖=1 Và vấn đề bây giờ là làm sao tìm được vectortrọng số như là hiệp phương sai của phép biến đổi tuyến tính w T x là lớn nhất

Có thể toán học hóa vấn đề như sau:

μ là trung bình của tất cả các vector của tập dữ liệu X

Để giải quyết vấn đề tối ưu này, trong luận văn này giới thiệu hệ số Lagrange λ ≥ 0

cho hàm Lagrange như sau:

C chính là ma trận phương sai của tập dữ liệu X

Cuối cùng, PCA sử dụng giảm số chiều của dữ liệu sử dụng k eigenvectors đầu

tiên Những vector là một tương ứng với giá trị eigenvalues lớn nhất Điều này có

nghĩa là tập dữ liệu gốc được xấp xỉ bởi dữ liệu có số chiều ít hơn và tổng quan hơn là

dữ liệu gốc PCA được sử dụng như một phương pháp trích chọn đặc trưng Đặc trưng

f (x) có thể được trích xuất từ vector x sử dụng k eigenvector đầu tiên như sau:

f PCA (x )=(( x−μ ) T w1, … ,(x−μ) T w k)T(8)

ở đó w i là eigenvector thứ i, 1 ≤i ≤ k

1.3.2 Phương pháp hồi quy thành phần chính (PCR)

PCR là một phương pháp phân tích hồi quy sử dụng PCA Đầu tiên, PCR tìmvector trọng số w theo hàm lỗi như sau:

ở đó m=min{n−1, d}là mức độ tự do của tập dữ liệu X

Luận văn mô tả một phương pháp phân lớ dựa trên PCR như sau Đưa vào một tập

Bởi vì một đặc trưng của PCR là giả sử dữ liệu được phân bổ trên siêu mặt phẳng,

nó không thể ứng dụng vào trường hợp dữ liệu phân bổ trên siêu mặt phẳng như những

đối tượng quay Phương pháp trích xuất đặc trưng sử dụng PCR có thể biểu diễn tốtnhững dữ liệu phân bổ trên siêu mặt phẳng, nhưng với những dữ liệu biểu diễn củanhững đối tượng quay thì phương pháp này biểu diễn không được tốt

Trong bài luận này, sử dụng phương pháp nhận dạng đối tượng quay, luận văn đềxuất sử dụng kết hợp giữa PCR và CGA nhằm trích xuất dữ liệu được phân bổ trênsiêu mặt cầu đối với những đối tượng quay Phương pháp đề xuất kết hợp giữa PCR vàCGA được trình bày chi tiết ở chương 2

CHƯƠNG II: XÂY DỰNG HỆ THỐNG VÀ PHƯƠNG PHÁP

ĐỀ XUẤT2.1 XÂY DỰNG HỆ THỐNG

2.1.1 Giới thiệu bài toán

Trong luận văn này, xây dựng hệ thống dùng để nhận dạng đối tượng sinh viênthông qua khuôn mặt với nhiều góc quay khác nhau Ở mỗi lần nhận dạng, hệ thống sẽđược “bổ sung” thêm dữ liệu để huấn luyện, điều này làm cho mô hình nhận dạng càngngày được nâng cao tỉ lệ nhận dạng Đây là một kỹ thuật thể hiện rõ nét phương pháphọc tăng cường của học máy

Với dữ liệu hình ảnh ban đầu, hệ thống nhận dạng được góc quay của từng khuônmặt so với hình ảnh đưa vào, từ đó xác định được thái độ học tập của sinh viên (tức là

có cùng nhìn về một hướng hay có người không tập trung so với những người còn lại)

Hệ thống cho phép giáo viên upload ảnh của mỗi học phần lên, nó cho phép đồng

bộ với Box server, trong khoảng thời gian nhất định, mỗi sinh viên của từng học phầnphải vào xác nhận tính đúng sai của hệ thống nhận dạng chính mình Sau khoảng thờigian đó, giáo viên sẽ kiểm tra và xác nhận tính đúng đắn và sau khi đồng ý, hệ thốngbắt đầu lấy những hình này để làm phong phú thêm tập huấn luyện, sau đó xây dựnglại mô hình từ dữ liệu mới cập nhật, việc này sẽ tăng tỉ lệ nhận dạng sau này

2.1.2 Thiết kế cơ sở dữ liệu

2.1.2.1 Mô tả

Quản lý sinh viên yêu cầu một cơ sở dữ liệu phức tạp, đòi hòi phải đáp ứng đượcquan hệ giữa sinh viên, giáo viên, môn học và các thông tin điểm danh của lớp học.Đối với bài toán thực tế, cơ sở dữ liệu này rất phức tạp và cần được nghiên cứu mộtcách kỹ lưỡng

Tuy nhiên, trong đề tài này ta không đặt nặng nặng vấn đề phân tích thiết kế màtrọng tâm là phương pháp thực hiện Để đơn giản bài toán, cơ sở dữ liệu trong báo cáonày được thực hiện một cách tối giản nhưng vẫn phải đáp ứng được các thông tin cơbản của các đối tượng

Trong đề tài này các dữ liệu của bài toán được lưu dưới dạng file text mỗi file sẽchứa các thông tin về các đối tượng Liên hệ giữa các đối tượng cũng được thể hiệntrong file

2.1.2.2 Thiết kế dữ liệu

Để thực hiện việc điểm danh dựa trên nhận dạng khuôn mặt và lưu trữ thông tintham gia lớp học của học viên vào cơ sở dữ liệu thì tối thiểu ta cần phải có các file sau:

File students_list.txt

Bảng 2.1: Chứa thông tin sinh viên

Thuộc tính Loại dữ liệu Kích thước Mô tả

biệt các sinh viên

biệt các học phần

File teachers_list.txt

Bảng 2.2: Chứa thông tin giáo viên

Thuộc tính Loại dữ liệu Kích thước Mô tả

biệt các sinh viên

biệt các học phần

File account.txt

Bảng 2.3: Chứa thông tin về tài khoản

Thuộc tính Loại dữ liệu Kích thước Mô tả

Mã số người sử dụng trọng

hệ thống, có thể là mã sốsinh viên hoặc giáo viên

Thuộc tính quy định quyềncủa người sử dụng khi đăngnhập vào hệ thống

File coordinates_student.txt

Bảng 2.4: Thông tin tọa độ sinh viên

Thuộc tính Loại dữ liệu Kích thước Mô tả

sinh viên trong hệ thống

Tọa độ theo chiều ngangđiểm góc trên bên trái củaphần chứa khuôn mặt sinhviên

Tọa độ theo chiều dọc điểmgóc trên bên trái của phầnchứa khuôn mặt sinh viên

Tọa độ theo chiều ngangđiểm góc dưới bên phải củaphần chứa khuôn mặt sinhviên

Tọa độ theo chiều dọc điểmgóc dưới bên phải của phầnchứa khuôn mặt sinh viên

File coordinates_system.txt

File do hệ thống tạo ra, chứa thông tin về tọa độ của sinh viên trong bức ảnh Đây

là file sinh ra sau khi thực hiện thuật toán

Bảng 2.5: Tọa độ do hệ thống tạo ra

Thuộc tính Loại dữ liệu Kích thước Mô tả

sinh viên trong hệ thống

Tọa độ theo chiều ngangđiểm góc trên bên trái củaphần chứa khuôn mặt sinhviên

Tọa độ theo chiều dọc điểmgóc trên bên trái của phầnchứa khuôn mặt sinh viên

điểm góc dưới bên phải củaphần chứa khuôn mặt sinh

Tọa độ theo chiều dọc điểmgóc dưới bên phải của phầnchứa khuôn mặt sinh viên

Các dữ liệu ở trên chứa các thông tin về các thành phần khác nhau trong hệ thống.Khi truy xuất ta có thể truy xuất riêng từng file do các file có các thông tin tương đốiriêng biệt và ít quan hệ, nhưng nếu muốn truy xuất thông tin từ nhiều file ta vẫn có thểthực hiện dễ dàng bằng cách truy xuất từng file riêng lẻ và kết hợp chúng với nhau

MaGV TenGV MaHP TenHP

- Ảnh được chụp từ camera giám sát, camera này được lắp đặt trong phòng học

và sẽ được chụp tự động sau một thời gian nhất định

- Hoặc ảnh được giảng viên chụp và tải lên hệ thống

Nhằm đảm bảo an toàn mỗi tài khoản sẽ ứng với một access token riêng biệt,access token này sẽ được reset sau mỗi một tiếng đồng hồ, bắt buộc lập trình viên phảiupdate liên tục access token này mới có thể sử dụng server.

Camera giám sát được gắn trong mỗi phòng học sẽ liên tục chụp hình ảnh về trạngthái của sinh viên, hình ảnh thu được từ camera, thông qua phần mềm, sẽ được cậpnhật lên Box server Việc đăng ảnh lên và tải ảnh về được thực hiện thông qua API dobox cung cấp Cứ sau mỗi thời gian định sẵn, camera sẽ tự động chụp và tải ảnh lênserver box

Ngoài camera giám sát, giảng viên cũng có thể cung cấp hình ảnh bằng cách chụpbằng thiết bị cá nhân của mình Ảnh do giảng viên đăng sẽ được tải đồng thời lên Boxserver và Web server Việc này đảm bảo giảng viên ngay lập tức có thể nhìn thấy hìnhảnh trên webserver và box server vẫn lưu trữ được toàn bộ hình ảnh của lớp học đãđược upload

Giảng viên được phép lựa chọn đồng bộ hình ảnh giữa Box server và Web serverđối với môn học mà mình phụ trách giảng dạy Giảng viên thực hiện thao tác để lấyảnh từ Box server và update về trang web, web sẽ tự động nhận diện môn học màgiảng viên muốn lấy hình ảnh và tự động cập nhật vào cơ sở dữ liệu của mình

Sau khi các dữ liệu hình ảnh đã được đồng bộ ta thu được bộ dữ liệu hình ảnh lớphọc cho từng môn học

Sơ đồ của quá trình thu thập ảnh được mô tả ở (Hình 2.1), Giảng viên tương táctrực tiếp với hệ thống, có quyền được upload ảnh từ local lên Web Server, sau đó dữliệu sẽ được yêu cầu đồng bộ lên Box server Chi tiết quá trình thu thập ảnh và đồng

bộ dữ liệu được chi tiết hóa ở Hình 2.1

Hình 2.1: Quá trình thu thập hình ảnh

2.1.3.2 Quá trình xử lý kết quả nhận dạng

- Đầu vào: kết quả của việc điểm danh dựa trên việc nhận dạng khuôn mặt

- Đầu ra: Kết quả điểm danh

Hình 2.2: Quá trình xử lý kết quảSau khi có kết quả điểm danh dựa trên việc nhận dạng khuôn mặt, sinh viên vàgiảng viên lần lượt đăng nhập vào hệ thống để kiểm tra việc nhận dạng của thuật toán

Nếu có sai sát trong quá trình nhận dạng sinh, sinh viên và giảng viên có thể thay đổibằng cách điều chỉnh kết quả ứng với từng học viên trong mỗi buổi học.

Quá trình điều chỉnh kết quả được tiến hành như sau:

Sau khi có kết quả tổng hợp và phân tích hình ảnh ứng với mỗi buổi học, trong mộtkhoản thời gian nhất định sinh viên được quyền truy cập vào hệ thống để kiểm tra xemkết quả nhận dạng của bản thân mình đã chính xác hay chưa Nếu sai sót xảy ra sinhviên chỉ được quyền điều chỉnh lại nhận dạng của chính bản thân mình Thông tin dosinh viên sửa chửa sẽ được hệ thống ghi nhận

Sau khi sinh viên đã xác nhận thông tin nhận dạng của bản thân, giảng viên truycập vào hệ thống để kiểm tra nhận dạng của từng sinh viên Nếu có sai sót, giảng viênđược chỉnh sửa nhận dạng của tất cả sinh viên trong lớp mình Thông tin do giảng viênghi nhận sẽ được hệ thống xem là kết quả cuối cùng

Chi tiết quá trình:

Quá trình được chia thành hai giai đoạn cho sinh viên và giáo viên Với giai đoạnthứ nhất, hình ảnh thu được sẽ chỉ được hiển thị cho sinh viên, sinh viên xem xét hìnhảnh và điều chỉnh những sai sót Giai đoạn thứ hai, sau khi hết thời gian quy định hìnhảnh và kết quả điều chỉnh của sinh viên sẽ được tổng hợp và hiển thị cho giảng viên.Giảng viên tiến hành kiểm tra kết quả để tránh tình trạng sinh viên thực hiện khôngchính xác

Sinh viên vào học phần của mình kiểm tra kết quả nhận dạng của bản thân Nếu kếtquả nhận dạng đã chính xác, sinh viên bấm vào nút xác nhận Nếu kết quả sai, tức lànhận dạng sinh viên không chính xác hoặc sinh viên có đi học nhưng không được nhậndạng trong kết quả, sinh viên bấm vào tùy chỉnh và điều chỉnh lại vị trí của mình trongbức ảnh lớp học, sau đó sinh viên bấm xác nhận Sau khi bấm xác nhận sinh viên cóthể điều chỉnh xác nhận nếu chưa hết thời gian dành cho sinh viên, tuy nhiên sinh viênchỉ được xác nhận tối đa 3 lần với mỗi ảnh

Giảng viên vào học phần mà mình giảng dạy và tiến hành kiểm tra kết quả điểmdanh của sinh viên Nếu nhận thấy kết quả tổng hợp nhờ nhận dạng và xác nhận củasinh viên đã chính xác, giảng viên bấm vào nút xác nhận Đối với những sinh viênđiểm danh sai giảng viên có thể chỉnh sửa thông tin điểm danh của sinh viên bằng cáchlựa chọn vào chỉnh sửa thông tin Ở đây có danh sách các sinh viên đang học tại lớp,giảng viên lựa chọn từng sinh viên có vị trí sai và chọn lại vị trí chính xác của sinhviên Sau khi chỉnh sửa thông tin giảng viên bấm xác nhận để hoàn thành