Nghiên cứu một số phương pháp nhận dạng khuôn mặt trong ảnh và ứng dụngNghiên cứu một số phương pháp nhận dạng khuôn mặt trong ảnh và ứng dụngNghiên cứu một số phương pháp nhận dạng khuôn mặt trong ảnh và ứng dụngNghiên cứu một số phương pháp nhận dạng khuôn mặt trong ảnh và ứng dụngNghiên cứu một số phương pháp nhận dạng khuôn mặt trong ảnh và ứng dụngNghiên cứu một số phương pháp nhận dạng khuôn mặt trong ảnh và ứng dụngNghiên cứu một số phương pháp nhận dạng khuôn mặt trong ảnh và ứng dụngNghiên cứu một số phương pháp nhận dạng khuôn mặt trong ảnh và ứng dụngNghiên cứu một số phương pháp nhận dạng khuôn mặt trong ảnh và ứng dụng
HỌC VIỆN CƠNG NGHỆ BƢU CHÍNH VIỄN THƠNG - NGUYỄN ANH XUÂN NGHIÊN CỨU MỘT SỐ PHƢƠNG PHÁP NHẬN DẠNG KHUÔN MẶT TRONG ẢNH VÀ ỨNG DỤNG LUẬN VĂN THẠC SĨ KỸ THUẬT ( Theo định hƣớng ứng dụng) HÀ NỘI - 2018 HỌC VIỆN CƠNG NGHỆ BƢU CHÍNH VIỄN THƠNG - NGUYỄN ANH XUÂN NGHIÊN CỨU MỘT SỐ PHƢƠNG PHÁP NHẬN DẠNG KHUÔN MẶT TRONG ẢNH VÀ ỨNG DỤNG CHUYÊN NGÀNH : MÃ SỐ: HỆ THỐNG THÔNG TIN 8480104 LUẬN VĂN THẠC SĨ KỸ THUẬT ( Theo định hƣớng ứng dụng) NGƯỜI HƯỚNG DẪN KHOA HỌC: TS NGUYỄN ĐÌNH HĨA HÀ NỘI - 2018 i LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu riêng tơi Các số liệu, kết nêu luận văn trung thực chưa công bố cơng trình khác Hà Nội, Ngày tháng năm 20 18 Tác giả luận văn Nguyễn Anh Xuân ii MỤC LỤC LỜI CAM ĐOAN i DANH MỤC HÌNH VẼ iv BẢNG KÝ HIỆU, CHỮ VIẾT TẮT vii MỞ ĐẦU Chƣơng I: TỔNG QUAN VỀ PHÁT HIỆN KHUÔN MẶT 1.1 Một số kiến thức xử lý ảnh 1.1.1 Xử lý ảnh gì? 1.1.2 Một số khái niệm 1.1.3 Một số phương pháp biểu diễn ảnh 1.2 Bài toán phát khuôn mặt 1.2.1 Giới thiệu 1.2.2 Bài tốn phát khn mặt ảnh 1.2.3 Những khó khăn thách thức q trình phát khn mặt 1.2.4 Các lĩnh vực ứng dụng toán phát khuôn mặt 12 1.3 Các phương pháp phát mặt người ảnh 13 1.3.1 Phương pháp tiếp cận dựa luật tri thức .14 1.3.2 Phương pháp tiếp cận dựa đặc trưng bất biến 17 1.3.3 Phương pháp tiếp cận dựa đối sánh mẫu 17 1.3.4 Phương pháp tiếp cận dựa kỹ thuật học máy 17 1.3.5 Phương pháp tiếp cận dựa vào đặc trưng 3D 20 1.4 Tiểu kết chương 20 Chƣơng II: PHÁT HIỆN KHUÔN MẶT SỬ DỤNG ADABOOST 22 2.1 AdaBoost toán hát mặt người thời gian thực .22 2.2 Trích chọn đặc trưng mặt người Haar-like .23 2.3 Phát mặt người với thuật toán AdaBoost 26 2.3.1 Giới thiệu 26 2.3.2 Tiếp cận Boosting 26 2.3.3 Thuật toán AdaBoost 28 2.4 Chuỗi phân lớp Cascade of Classifiers 32 2.5 Tiểu kết chương 34 Chƣơng III: THỰC NGHIỆM VÀ ĐÁNH GIÁ 35 3.1 Môi trường thực nghiệm 35 3.2 Xử lý liệu 35 3.2.1 Sơ đồ thiết kế hệ thống phát khuôn mặt 35 3.2.2 Bộ liệu đầu vào 36 3.2.3 Huấn luyện phát khuôn mặt ảnh .38 3.2.4 Phát khuôn mặt với OpenCV 49 iii 3.3 Các kết đạt đánh giá 59 3.3.1 Phát khuôn mặt ảnh tĩnh 59 3.3.2 Phát khuôn mặt video camera 61 3.4 Tiểu kết chương 64 KẾT LUẬN 65 Kết luận 65 Hướng phát triển 65 TÀI LIỆU THAM KHẢO 66 iv DANH MỤC HÌNH VẼ Hình 1.1 Quá trình xử lý ảnh [1] Hình 1.2 Các bước xử lý ảnh [1] Hình 1.3: Hướng điểm biên mã tương ứng A11070110764545432 [1] Hình 1.4: Ví dụ hệ thống phát khn mặt [2] Hình 1.5: Ví dụ trạng thái biểu cảm thay đổi 10 Hình 1.6: ví dụ góc độ chụp hình khác 10 Hình 1.7: Ảnh kết với nguồn chiếu sáng thay đổi 10 Hình 1.8: Khn mặt bị che 11 Hình 1.9: Ảnh hưởng việc đeo kính lên vùng hiển thị mắt 11 Hình 1.10: Ảnh hưởng việc trang điểm lên khuôn mặt 11 Hình 1.11: Hệ thống kiểm sốt vào/ra dựa kỹ thuật phát khn mặt 13 Hình 1.12: Mơ hình tổng quát phƣơng pháp giải phát mặt người 14 Hình 1.13: Phương pháp sử dụng đa độ phân giải 14 Hình 1.14: Một phương pháp xác định khn mặt theo hướng tiếp cận top-down 15 Hình 1.15: Phương pháp chiếu 16 Hình 1.18: Kiến trúc hệ thống phát khuôn mặt dựa mạng nơ ron [4] 18 Hình 2.1: Đặc trưng Haar-like 23 Hinh 2.2: Đặc trưng Haar-like mở rộng 24 Hình 2.3: Cách tính Integral Image ảnh 24 Hình 2.4: Ví dụ cách tính nhanh tổng điểm ảnh vùng D ảnh 25 Hình 2.5: Ví dụ cách tính nhanh tổng điểm ảnh vùng D ảnh với đặc trưng xoay 45o 25 Hình 2.6: Tiếp cận Boosting 28 Hình 2.7 : Kết hợp phân loại yếu thành phân loại mạnh 29 Hình 2.8: Lưu đồ thuật tốn 32 Hình 2.9: Minh họa huấn luyện cascade gồm N stages Ở stage, weak classifier tương ứng huấn luyện cho độ xác h false alarm f 34 Hình 3.1: Tổng quan hệ thống phát mặt người ảnh 36 Hình 3.2: Bộ ảnh cá nhân (chứa khuôn mặt) 37 v Hình 3.3: Bộ ảnh tập thể (chứa nhiều khuôn mặt) 37 Hình 3.4: Tập ảnh Negative 38 Hình 3.5: Tập ảnh Positive chứa 1370 ảnh khn mặt người 39 Hình 3.6: Tập ảnh Negative chứa 3364 ảnh không chứa mặt người 40 Hình 3.7: Nội dung file “infofile.txt” sau chạy file “create_list.bat” 41 Hình 3.8: Chương trình ObjectMarker thư mục “positive” 42 Hình 3.9: Đánh dấu khn mặt trình ObjectMarker 42 Hình 3.10: Đánh dấu nhiều khn mặt trình ObjectMarker 42 Hình 3.11: Nội dung file “info.txt” 43 Hình 3.12: Nội dung file “samples_creation.bat” 44 Hình 3.13: Nội dung file “haarTraining.bat” 45 Hình 3.14: Phân tầng tầng 46 Hình 3.16: Kết phân tầng với 20 tầng (từ đến 19) 47 Hình 3.17: Một phần file chứa kết phân tầng tầng 48 Hình 3.18: Nội dung file “convert.bat” 49 Hình 3.19: Một phần nội dung file “output.xml” 49 Hình 3.20: Giao diện ứng dụng 51 Hình 3.21: Ví dụ phát khuôn mặt ảnh 51 Hình 3.22: Ví dụ phát nhiều khuôn mặt ảnh (4 khuôn mặt) 52 Hình 3.23: Ví dụ phát thiếu khuôn mặt ảnh (thiếu 3/17 khuôn mặt) 52 Hình 3.24: Ví dụ phát thừa khn mặt ảnh (thừa khn mặt) 53 Hình 3.25: Ví dụ phát khn mặt bị che khuất phần 53 Hình 3.26: Ví dụ khơng phát khn mặt bị che khuất phần 54 Hình 3.27: Ví dụ phát hình vẽ chứa khn mặt 54 Hình 3.28: Ví dụ phát khuôn mặt điều kiện chiếu sáng yếu 55 Hình 3.29: Ví dụ phát khn mặt điều kiện lóa sáng 55 Hình 3.30: Ví dụ phát khn mặt hình vẽ có cấu trúc phức tạp 56 Hình 3.31: Ví dụ khơng phát khn mặt nghiêng với góc lớn 56 Hình 3.32: Ví dụ phát khn mặt nghiêng góc vừa phải 57 Hình 3.33: Ví dụ phát khn mặt đeo kính 58 Hình 3.34: Ví dụ phát khuôn mặt video tự quay 58 Hình 3.35: Ví dụ phát khn mặt video (có đeo kính) 59 vi Hình 3.36: Ví dụ phát nhầm background khn mặt 61 Hình 3.37: Kết thực nghiệm phát khuôn mặt với file video 62 Bảng 3.1: Kết thực nghiệm phát khuôn mặt ảnh tĩnh 59 Bảng 3.2: Kết thực nghiệm phát khuôn mặt video 62 vii BẢNG KÝ HIỆU, CHỮ VIẾT TẮT Ký hiệu, Ý nghĩa tiếng Anh Ý nghĩa tiếng Việt ASM Active Shape Models Các mơ hình hình dạng hoạt động CCD Change Coupled Device Camera số hóa dạng photodiot HMM Hidden Markov Model Mơ hình Markov ẩn PDF Probility Density Function Hàm mật độ xác suất PCA Principal Component Analysis Phân tích thành phần PDM Point Distribution Model Mơ hình phân bố điểm RLC Run Length Code Mã loạt dài QTC Quad Tree Code Mã tứ phân SVM Support Vector Machine Máy véc tơ hỗ trợ viết tắt MỞ ĐẦU Bài toán phát mặt người bắt đầu nghiên cứu từ năm 1970, có nhiều cơng trình nghiên cứu việc phát mặt người ảnh, nhiên hôm đa dạng tính phức tạp thực tế giải pháp tồn diện cịn thách thức giai đoạn nghiên cứu Gần đây, lĩnh vực nghiên cứu nhận dạng quan tâm nhiều nhận dạng khuôn mặt, vân tay, giọng nói …Trong phát khn mặt chiếm vị trí đáng kể khơng quan trọng Nó ứng dụng nhiều lĩnh vực cho hệ thống an tồn bảo mật, hình sự…Xuất phát từ nhu cầu thực tế khoa học kỹ thuật phát triển ứng dụng đời sống trở nên phổ biến tình hình tội phạm ngày phát triển, tinh vi hơn, ứng dụng phát người ảnh, camera trở nên quan trọng giúp cho quan an ninh nhanh chóng xác định mục tiêu hỗ trợ người việc cảnh báo bảo mật thông tin Việc phát khn mặt ảnh cịn dùng để đếm số người ảnh, việc đếm số người có ý nghĩa thực tiễn sống xác định số lượng khách vào siêu thị, mật độ lưu thông đường… Như biết khuôn mặt đóng vai trị quan trọng q trình giao tiếp người với người, mang lượng thơng tin tuổi tác, giới tính, trạng thái cảm xúc…Nếu để ý hai người đối diện nói chuyện với biết người muốn nói Chính mà phát khn mặt lĩnh vực nghiên cứu hấp dẫn nhiều người quan tâm Do đó, dựa kiến thức tìm hiểu mong muốn nghiên cứu sâu vấn đề thiết thực nay, với hướng dẫn TS Nguyễn Đình Hóa, tơi chọn đề tài “Nghiên cứu số phƣơng pháp nhận dạng khuôn mặt ảnh ứng dụng” làm đề tài luận văn tốt nghiệp Phát khuôn mặt bước khởi đầu cho việc nhận dạng, khối lượng công việc cho việc phát khuôn mặt nhiều chiếm hầu hết thời gian làm luận văn nên luận văn hồn thành việc phát khn mặt người ảnh Nội dung luận văn nghiên cứu phát khn mặt ảnh 52 Hình 3.22: Ví dụ phát nhiều khn mặt ảnh (4 khn mặt) Hình 3.23: Ví dụ phát thiếu khuôn mặt ảnh (thiếu 3/17 khuôn mặt) 53 Hình 3.24: Ví dụ phát thừa khn mặt ảnh (thừa khn mặt) Hình 3.25: Ví dụ phát khuôn mặt bị che khuất phần 54 Hình 3.26: Ví dụ khơng phát khn mặt bị che khuất phần Hình 3.27: Ví dụ phát hình vẽ chứa khn mặt 55 Hình 3.28: Ví dụ phát khn mặt điều kiện chiếu sáng yếu Hình 3.29: Ví dụ phát khn mặt điều kiện lóa sáng 56 Hình 3.30: Ví dụ phát khn mặt hình vẽ có cấu trúc phức tạp Hình 3.31: Ví dụ không phát khuôn mặt nghiêng với góc lớn 57 Hình 3.32: Ví dụ phát khn mặt nghiêng góc vừa phải 58 Hình 3.33: Ví dụ phát khn mặt đeo kính Hình 3.34: Ví dụ phát khn mặt video tự quay 59 Hình 3.35: Ví dụ phát khn mặt video (có đeo kính) 3.3 Các kết đạt đƣợc đánh giá 3.3.1 Phát khuôn mặt ảnh tĩnh Để kiểm nghiệm chương trình ảnh tĩnh, em tiến hành trích rút số lượng ảnh định (1150 ảnh) từ liệu thu thập (trong gồm 900 ảnh chứa 2197 khuôn mặt 250 ảnh không chứa khuôn mặt nào), ảnh chưa sử dụng trình huấn luyện phát khn mặt bước trước Các ảnh sử dụng để thực nghiệm đa dạng, ảnh cá nhân tập thể (có ảnh lên tới 30 khn mặt), ảnh chứa hình vẽ khuôn mặt, ảnh chụp nghiêng, che khuất phần, đeo kính, điều kiện chiếu sáng thay đổi Dưới bảng kết chạy thực nghiệm 04 ảnh tĩnh trích rút từ CSDL: Bảng 3.1: Kết thực nghiệm phát khuôn mặt ảnh tĩnh Số ảnh TT Tên liệu sử dụng Số khuôn Số khuôn mặt xuất mặt phát thực tế (%) Số khuôn Số khuôn mặt bị mặt bị phát phát thiếu thừa (%) (%) 60 Bao Face Database Caltech_WebFac es Database Face 1215 250 356 300 476 150 150 250 1150 2197 1152 63 25 (94,81%) (5.19%) (2,05%) 315 41 12 (88,48%) (11,52%) (3.37%) 450 26 18 (94,53%) (5,47%) (3.78%) 142 (94,66%) (5,34%) (2%) - - 2059 138 61 (93,7%) (6,3%) (2.7%) Detection DataSet 200 and Benchmark, University of Massachusetts - Amherst Faces.tar Tập ảnh Negative (không chứa khuôn mặt) Tổng số (1.2%) Nhận xét kết quả: Qua bảng kết thực nghiệm với ảnh tĩnh ta nhận thấy: - Chương trình cho tỷ lệ phát khuôn mặt cao (93,7%) - Số lượng khuôn mặt bị phát thiếu thấp (6,3%), chủ yếu trường hợp ảnh phức tạp (góc nghiêng lớn, bị che khuất, điều kiện ánh sáng kém) - Số lượng khuôn mặt bị phát sai (thừa - cho background khuôn mặt) thấp (2,7%) 61 Hình 3.36: Ví dụ phát nhầm background khn mặt - Chương trình phát xác nhiều ảnh khn mặt phức tạp như: bị nghiêng lớn, điều kiện ánh sáng kém, bị che khuất phần, đeo kính, khn mặt hình vẽ có hình dáng kỳ dị, phức tạp 3.3.2 Phát khuôn mặt video camera Phát khn mặt video camera chất phát khuôn mặt từ ảnh tĩnh frame ảnh (khung hình) cắt từ video (hoặc hình ảnh thu nhận từ camera) Do đó, chất lượng phát khuôn mặt tương tự ảnh tĩnh Ngoài ra, video (hoặc camera) cần trọng đến tốc độ phát khuôn mặt Nếu tốc độ phát chậm khiến video (hoặc hình ảnh thu từ camera) bị giật hình (lag) khơng thể áp dụng phát khuôn mặt thời gian thực 62 Hình 3.37: Kết thực nghiệm phát khuôn mặt với file video Kết thực nghiệm số video tự quay thu thập từ liệu internet sau: Bảng 3.2: Kết thực nghiệm phát khuôn mặt video TT Tên file liệu Độ phân giải Thời Thời Số khuôn lƣợng lƣợng mặt thực trƣớc xử sau xử tế (trong lý lý tất (giây) (giây) frame) Số khuôn mặt phát đƣợc (trong tất frame) 00-1.avi 160x120 11 10.75 228 189 00-2.avi 160x120 12 11.89 249 176 01-1.avi 160x120 11 11.18 237 86 01-2.avi 160x120 16 15.4 329 116 02-1.avi 160x120 12 11.95 257 229 02-2.avi 160x120 16 15.72 339 234 03-1.avi 160x120 22 21.25 448 324 03-2.avi 160x120 21 20.66 438 296 04-1.avi 320x240 17 25.89 353 206 63 10 04-2.avi 320x240 20 30.72 404 290 11 05-1.avi 160x120 9.46 198 190 12 05-2.avi 160x120 12 12.03 248 200 13 05s-1.avi 160x120 3.66 78 78 14 05s-2.avi 160x120 6.18 128 124 15 06-1.avi 320x240 16 23.11 324 303 16 06-2.avi 320x240 17 25.57 353 269 17 07-1.avi 160x120 12 12.4 258 190 18 07-2.avi 160x120 16 15.81 328 215 19 08-1.avi 160x120 17 16.32 346 245 20 08-2.avi 160x120 21 20.45 426 396 21 09-1.avi 160x120 15 14.82 318 311 22 09-2.avi 160x120 19 18.45 388 270 23 10-1.avi 160x120 16 15.66 338 248 24 10-2.avi 160x120 18 17.47 378 299 25 test1.mp4 320x568 10.02 22.6 193 145 26 test2.mp4 320x568 14.85 36.24 290 287 27 test3.mpg 320x240 5.87 71 71 28 test4.mpg 320x240 7.51 93 93 29 test5.mp4 512x288 24.56 44.5 410 389 30 test6.mp4 512x288 24.56 43.9 410 410 31 test7.mp4 480x270 5.65 10.03 212 208 32 test8.mp4 320x568 28.27 72.98 558 540 Tổng cộng Nhận xét kết quả: Qua bảng kết thực nghiệm với video ta nhận thấy: 9628 7627 (79,21%) 64 Chương trình cho tỷ lệ phát khuôn mặt cao 100% video phát khuôn mặt, có số khung hình phát sinh nhiễu (nhận nhầm) số khung hình khơng nhận khn mặt (do quay góc nghiêng lớn) Tỷ lệ phát khn mặt trung bình 79,21% (phát 7627/9628 khn mặt) Riêng video có góc quay trực diện tỷ lệ phát khn mặt đạt 100% Thời gian phát nhanh với video có độ phân giải thấp (gần giữ nguyên thời lượng video gốc sau nhúng vào chương trình phát khn mặt) Thời gian tăng lên đáng kể độ phân giải video tăng, tốc độ ghi hình tăng (số frame/s) khơng gian tìm kiếm khn mặt lớn số frame ảnh cắt tăng lên Để tăng tốc độ phát khuôn mặt nhằm đáp ứng xử lý thời gian thực, cần chuẩn hóa ảnh gốc kích thước nhỏ làm giảm tốc độ (số frame/s) video 3.4 Tiểu kết chƣơng Trong chương em tiến hành xây dựng ứng dụng demo phát khuôn mặt người file ảnh tĩnh, video (nguồn thu thập internet tự thực hiện), camera sử dụng thuật toán AdaBoost đặc trưng Haarlike với thư viện hỗ trợ OpenCV Intel Kết thực nghiệm liệu ảnh tĩnh, video camera cho thấy tỷ lệ tốc độ phát khn mặt đạt độ xác cao, gần 100% với khn mặt diện (hoặc góc nghiêng khơng q lớn), khoảng 80% với nguồn ảnh, video phức tạp (góc nghiêng lớn, chụp bị khuất phần, điều kiện chiếu sáng phức tạp ) 65 KẾT LUẬN Kết luận Qua thời gian nghiên cứu nghiêm túc, luận văn thực số cơng việc sau: Tìm hiểu khái niệm xử lý ảnh kiến thức tổng quan phương pháp phát khuôn mặt ảnh.Trên sở phương pháp nghiên cứu, luận văn đánh giá ưu nhược điểm phương pháp, từ lựa chọn thuật toán AdaBoost đặc trưng Haar-like làm tảng để nghiên cứu chuyên sâu xây dựng ứng dụng phát khuôn mặt Tiến hành cài đặt thực nghiệm phương pháp nghiên cứu liệu ảnh tĩnh liệu video thu thập từ mạng internet tự quay với thư viện xử lý ảnh mã nguồn mở OpenCV Kết thực nghiệm cho thấy chương trình có khả phát khuôn mặt với tỷ lệ cao (trên 94% với ảnh tĩnh khoảng 80% với video) Riêng ảnh chụp video tự quay trực diện khn mặt tỷ lệ phát khn mặt xác gần tuyệt đối (100%).Khi giảm chất lượng video xuống (kích thước nhỏ) chương trình đáp ứng phát khuôn mặt thời gian thực Hƣớng phát triển Tuy vậy, luận văn số hạn chế chương trình cho kết chưa cao khn mặt chụp nghiêng góc lớn chị che khuất nhiều Tốc độ phát khn mặt chậm video có độ phân giải cao (kích thước khung hình lớn), chưa đáp ứng thời gian thực Luận văn dừng lại mức phát khuôn mặt chưa đề cập đến vấn đề nhận dạng khuôn mặt Trong thời gian tới, em nghiên cứu thêm để khắc phục hạn chế Ngoài ra, em tìm hiểu để tích hợp nội dung nghiên cứu vào hệ thống nhận dạng khuôn mặt Do thời gian thực không nhiều nên chắn luận văn tránh khỏi hạn chế thiếu sót Em mong nhận ý kiến đóng góp thầy bạn đọc để luận văn ngày hoàn thiện Xin chân thành cảm ơn! 66 TÀI LIỆU THAM KHẢO Tiếng Việt [1] PGS.TS Nguyễn Quang Hoan (2006) Xử lý ảnh Học viện Cơng nghệ Bưu Viễn Thơng [2] Trần Văn Minh (2013) Phát mặt người ảnh dựa vào đặc trưng 3D Khoa Công nghệ Thông tin – Đại học Lạc Hồng Tiếng Anh [3] E Osuna, R Freund, and F Girosi (1997), “Training Support Vector Machines: An Application to Face Detection” Proc IEEE Conf Computer Vision and Pattern Recognition, pp 130-136, 1997 [4] G.Yang, T S Huang (1994), "Human Face Detection in Complex Background", Pattern Recognition, Vol 27, No 1, pp 50-65, 1994 [5] H Rowley, S Baluja, T Kanade (1998),"Neural network-based face detection", IEEE Transaction on Pattern Analysis and Machine Intelligence, Vol 20, No 1, pp 40-55, Jan 1998 [6] Ming-Hsuan Yang, David J.Kriegman, Narendra Ahuja,"Detecting Faces in Image: A Survey", IEEE Transaction on Pattern Analysis and Machine Intelligence (PAMI), Vol.24, No 1, pp 30-49 , Jan 2012 [7] Paul Viola and Michael J Jones (2001) Rapid object detection using a boosted cascade of simple Feature Computer Vision and Pattern Recognition [8] C Kotropoulos (1997), I Pitas, “Rule-based Face Detection in Frontal Views”, Proc Int’l Conf.Acoustics, Speech and Signal Processing Vol 4, pp 2637-2540 [9] Gines Garcia Mateos and Cristina Vicente Chicote, “Face Detection on Still Images Using HIT Maps”, AVBPA 2001, LNCS 2091, pp 102-107, SpringerVerlag Berlin Heidelberg, 2001 [10] NRC-IIT Facial Video Database http://www.videorecognition.com/db/video/faces/cvglab/ [11] https://facedetection.com/ ... NGUYỄN ANH XUÂN NGHIÊN CỨU MỘT SỐ PHƢƠNG PHÁP NHẬN DẠNG KHUÔN MẶT TRONG ẢNH VÀ ỨNG DỤNG CHUYÊN NGÀNH : MÃ SỐ: HỆ THỐNG THÔNG TIN 8480104 LUẬN VĂN THẠC SĨ KỸ THUẬT ( Theo định hƣớng ứng dụng) NGƯỜI... ? ?Nghiên cứu số phƣơng pháp nhận dạng khuôn mặt ảnh ứng dụng? ?? làm đề tài luận văn tốt nghiệp Phát khuôn mặt bước khởi đầu cho việc nhận dạng, khối lượng công việc cho việc phát khuôn mặt nhiều... hình khung vào ảnh có chứa khn mặt cần dị tìm Các nghiên cứu trước cho thấy phương pháp dựa khung nhìn phát khuôn mặt thẳng phức tạp cách hiệu Trong sống ứng dụng nhận dạng khuôn mặt tâm phát