Nghiên cứu một số phương pháp nhận dạng khuôn mặt trong ảnh và ứng dụng (tt)

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 dụngNghiên cứu một số phương pháp nhận dạng khuôn mặt trong ảnh và ứng dụng

HỌC VIỆN CƠNG NGHỆ BƯU 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 THƠNG TIN 8480104 TĨM TẮT LUẬN VĂN THẠC SĨ NGƯỜI HƯỚNG DẪN KHOA HỌC: TS NGUYỄN ĐÌNH HĨA HÀ NỘI - 2018 Luận văn hồn thành tại: HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG Người hướng dẫn khoa học: TS NGUYỄN ĐÌNH HĨA Phản biện 1: …………………………………………………………………………… Phản biện 2: ………………………………………………………………………… Luận văn bảo vệ trước Hội đồng chấm luận văn thạc sĩ Học viện Cơng nghệ Bưu Viễn thơng Vào lúc: ngày tháng năm Có thể tìm hiểu luận văn tại: - Thư viện Học viện Cơng nghệ Bưu Viễn thơng MỞ ĐẦU Bài tốn phát mặt người bắt đầu nghiên cứu từ năm 1970, có nhiều cơng trình nghiên cứu việc phát mặt người ảnh, nhiên hơm đa dạng tính phức tạp thực tế giải pháp tồn diện thách thức giai đoạn nghiên cứu Gần đây, lĩnh vực nghiên cứu nhận dạng quan tâm nhiều nhận dạng khn 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 toàn 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 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 khn mặt đóng vai trò 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 phương pháp phát khuôn mặt ảnh ứng dụng” làm đề tài luận văn tốt nghiệp Ngoài phần mở đầu kết luận, nội dung luận văn trình bày chương: Chƣơng I Tổng quan phát khn mặt 2 Trình bày khái niệm xử lý ảnh, giới thiệu tốn phát khn mặt ảnh, phương pháp tiêu biểu phát khuôn mặt, khó khăn thách thức tốn phát khn mặt ứng dụng thực tế Chƣơng II Phát khn mặt sử dụng Adaboost Trình bày phương pháp trích chọn đặc trưng khn mặt Haar-like, nêu ưu điểm vượt trội lý để lựa chọn thuật tốn AdaBoost phát khn mặt Trình bày ý tưởng thuật tốn Chƣơng III Thực nghiệm đánh giá Giới thiệu môi trường thực nghiệm, cách thức thu thập, tổ chức xử lý liệu, cài đặt thuật toán AdaBoost tiến hành thực nghiệm phát khuôn mặt liệu thu thập đánh giá kết đạt 3 Chương I: TỔNG QUAN VỀ PHÁT HIỆN KHUÔN MẶT 1.1 Một số kiến thức xử lý ảnh 1.1.1 Xử lý ảnh gì? Những năm gần đây, với phát triển phần cứng máy tính, xử lý ảnh đồ hoạ theo phát triển cách mạnh mẽ có nhiều ứng dụng sống Xử lý ảnh đồ hoạ đóng vai trò quan trọng tương tác người máy Quá trình xử lý ảnh xem trình thao tác ảnh đầu vào nhằm cho kết mong muốn Kết đầu q trình xử lý ảnh ảnh “tốt hơn” kết luận Hình 1.1 Quá trình xử lý ảnh [1] Hình 1.2 mơ tả bước trình xử lý ảnh Hình 1.2 Các bước xử lý ảnh [1] 1.2 Bài tốn phát khn mặt Bài tốn phát mặt người hệ thống nhận vào ảnh đoạn video, qua xử lý máy tính thuật tốn xác định tất vị trí, kích thước khn mặt người ảnh đó, bỏ qua thứ khác nhà, mặt vật, thể người ,… Các lĩnh vực ứng dụng tốn phát khn mặt Hệ thống quan sát theo dõi hành vi Hệ thống tương tác người máy Bảo mật Một số ứng dụng khác 1.3 Các phương pháp phát mặt người ảnh 1.3.1 Phương pháp tiếp cận dựa luật tri thức 1.3.2 Phương pháp tiếp cận dựa đặc trưng bất biến 1.3.3 Phương pháp tiếp cận dựa đối sánh mẫu 1.3.4 Phương pháp tiếp cận dựa kỹ thuật học máy a Adaboost b Mạng nơ ron c Support Vector Machine (SVM)\ d Mạng lọc thưa (SNoW) e Mơ hình Markov ẩn (HMM) f Phân loại Bayes 1.3.5 Phương pháp tiếp cận dựa vào đặc trưng 3D Chương II: PHÁT HIỆN KHUÔN MẶT SỬ DỤNG ADABOOST 2.1 AdaBoost toán hát mặt người thời gian thực Riêng phương pháp AdaBoost cho kết khả quan phát mặt người thời gian thực xử lý đến khoảng 15-20 khung hình giây Đây phương pháp có tốc độ xử lý nhanh tất phương pháp học máy Trong luận văn, em sử dụng phương pháp để giải tốn 2.2 Trích chọn đặc trưng mặt người Haar-like Trong luận văn này, em sử dụng đặc trưng đơn giản đặc trưng Haar-like [6, 7, 8] Đặc trưng Haar-like đặc trưng sử dụng thuật tốn AdaBoost trình bày mục sau Đặc trưng xây dựng từ hình chữ nhật có kích thước nhau, dùng để tính độ chênh lệch giá trị điểm ảnh vùng kề Mỗi đặc trưng Haar-like kết hợp gồm khối chữ nhật mang giá trị “đen” “trắng” Những khối chữ nhật thể liên hệ tương quan phận ảnh mà thân giá trị pixel khơng thể diễn đạt Hình 2.1: Đặc trưng Haar-like Để áp dụng vào toán phát mặt người, đặc trưng haar-like mở rộng chia thành tập đặc trưng sau: (1) Đặc trưng theo cạnh (2) Đặc trưng theo đường (3) Đặc trưng xung quanh tâm Hinh 2.2: Đặc trưng Haar-like mở rộng Dựa theo đặc trưng trên, giá trị đặc trưng Haar-like xây dựng độ chênh lệch tổng pixel vùng đen so với tổng pixel vùng trắng f(x) = Tổng vùng đen(các mức xám pixel) - Tổng vùng trắng(các mức xám pixel) Trong trình huấn luyện, số lượng xử lý đặc trưng Haar-like lớn, việc tính tổng điểm ảnh cho đặc trưng làm cho thời gian xử lý tăng đáng kể Do Viola Jones [6, 7, 8] đề xuất khái niệm “Integral Image” (ảnh chia nhỏ) để tính tốn cho đặc trưng nhằm giảm thiểu chi phí cho tốn để tốn xử lý với thời gian thực P(x,y) Hình 2.3: Cách tính Integral Image ảnh Integral Image vị trí (x,y) tổng giá trị điểm ảnh phía bên trái (x,y), bao gồm: P( x, y)  x,  x, y,  y i( x , , y , ) Sau tính Integral Image, việc tính tổng điểm ảnh vùng ảnh thực đơn giản theo cách sau: (Giả sử ta cần tính tổng điểm ảnh vùng D hình 2.4): D = A + B + C + D – (A+B) – (A+C) + A Với A + B + C + D giá trị điểm P4 Integral Image, tương tự A+B giá trị điểm P2, A+C giá trị điểm P3, A giá trị điểm P1 Vậy ta viết lại biểu thức tính D sau: D = P4- P2 - P3 + P1 = (x4, y4) - (x2, y2) - (x3, y3) + (x1, y1) A P1 C B P2 D P3 P4 Hình 2.4: Ví dụ cách tính nhanh tổng điểm ảnh vùng D ảnh B A C D RSAT(x,y) (b) (a) Hình 2.5: Ví dụ cách tính nhanh tổng điểm ảnh vùng D ảnh với đặc trưng xoay 45o 2.3 Phát mặt người với thuật toán AdaBoost 2.3.1 Giới thiệu Học theo Adaboost cách hướng tiếp cận dựa diện mạo, Viola Jones dùng AdaBoost kết hợp cascade để xác định khuôn mặt người [7] với đặc trưng dạng Haar wavelet-like Tốc độ xử lý nhanh tỷ lệ xác 80% ảnh xám 2.3.2 Tiếp cận Boosting Nguyên lý boosting kết hợp phân lớp yếu (weak classification) thành phân lớp mạnh (strong classification) Trong đó, phân lớp yếu phân loại đơn giản cần có độ xác 50% Bằng cách này, nói phân loại “boost” 2.3.3 Thuật toán AdaBoost Thuật toán AdaBoost tuân theo bước sau: [7] Cho tập gồm n mẫu có đánh dấu (x1, y1), (x2, y2),… (xn, yn) với xk = (xk1, xk2, … , xkm) vector đặc trưng Haar yk = (-1, 1) nhãn mẫu (1 ứng với đối tượng, -1 ứng với đối tượng - background) Khởi tạo trọng số ban đầu cho tất mẫu: với m số mẫu (ứng với object y = 1) l số mẫu sai (ứng với background y = -1) 8 Xây dựng T phân loại yếu Lặp t = 1, …, T  Với đặc trưng vector đặc trưng, xây dựng phân loại yếu hj với ngưỡng θj lỗi εj n  j   wt ,k | h j ( xk )  y k | k  Chọn hj với εj nhỏ nhất, ta ht: ht : X  {1,  1}  Cập nhật lại trọng số: wt 1,k   e t , ht ( xk )  y k    t Zt  e , ht ( xk )  y k wt ,k  Trong đó:  t  ln( 1  j j ) Zt: Hệ số dùng để đưa Wt+1 đoạn [0,1] (normalization factor) Phân loại mạnh xây dựng : T H ( x)  sign( t ht ( x)) t 1 Sơ đồ khối : Hình 2.8: Lưu đồ thuật tốn 2.4 Chuỗi phân lớp Cascade of Classifiers Thuật toán Cascade training: Bước 1: Người dùng chọn giá trị - f: false positive rate lớn chấp nhận phân lớp cascade - d: detection rate nhỏ chấp nhận phân lớp cascade - Ftarget: false positive rate lớn chấp nhận cascade Bước 2: Khởi gán - P = tập mẫu khuôn mặt (positive) - N = tập mẫu khuôn mặt (negative) - F0 = 1.0; D0 = 1.0 - i = //Chỉ số phân lớp cascade Bước 3:Trong mà Fi> Ftarget: - i = i +1 //Xây dưng phân lớp thứ i cascade - ni = //Số phân lớp yếu phân lớp thứ i 10 - Fi = Fi-1 Trong mà Fi> f * Fi-1  ni = ni +  Thuật toán Adaboost: Dùng P N để huấn luyện phân lớp với ni đặc trưng (ni phân lớp yếu.)  Tính Fi Di cascade thông qua validation set  Giảm ngưỡng phân lớp thứ i cascade đạt detection rate d*Di-1 (để ý Fi thay đổi theo.) - N = - Nếu Fi> Ftarget: Đưa mẫu khuôn mặt vào cascade tiến hành detect Những mẫu mà bị nhận dạng khuôn mặt đưa vào N Minh họa thuật tốn Cascade Tranning : 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 Chương III: THỰC NGHIỆM VÀ ĐÁNH GIÁ 3.1 Mơi trường thực nghiệm Chương trình xây dựng tảng Windows Platform, sử dụng ngôn ngữ lập trình Visual C++ MFC Visual Studio 2012, thư viện xử lý ảnh mã nguồn mở OpenCV version 2.4.6 Intel Cấu hình máy tính sử dụng để tiến hành thực nghiệm: - Hệ điều hành: Windows 8.1 64bit - Processor: Intel(R) Core(TM) i7-4720HQ CPU @2.60GHz - RAM: 8GB 11 3.2 Xử lý liệu 3.2.1 Sơ đồ thiết kế hệ thống phát khuôn mặt Hình 3.1: Tổng quan hệ thống phát mặt người ảnh 3.2.2 Bộ liệu đầu vào Trong luận văn, em sưu tập liệu ảnh tĩnh chứa khuôn mặt với liệu sau: Bao Face Database (gồm 400 ảnh chứa nhiều khuôn mặt) Caltech Faces 1999 Database (gồm 7092 ảnh chứa nhiều khuôn mặt) Face Detection DataSet and Benchmark, University of Massachusetts Amherst (gồm 10.000 ảnh chứa khuôn mặt loại) BioID-FaceDatabase-V1 (chứa 452 ảnh chứa khuôn mặt) [9] Tổng cộng có khoảng gần 20.000 ảnh khn mặt (cá nhân tập thể) sưu tập luận văn Đối với liệu khuôn mặt file video, em thu thập liệu bao gồm NRCIIT Facial Video Database từ [8] với 24 video có độ phân giải thấp (160x120, 320x240) , thời lượng trung bình từ 10-20 giây (tổng số frame khoảng 300), file dạng đuôi AVI với tốc độ 20fps, 06 video tự quay thực tế với độ phân giải cao, định dạng MP4, 02 video thu thập từ internet khác, định dạng MPG Thuật tốn học với AdaBoost đòi hỏi ngồi tập ảnh chứa khn mặt (Positive) cần tập ảnh khơng chứa khn mặt hay gọi ảnh (Negative) Tập 12 ảnh negative sưu tầm Internet với 3364 ảnh, gồm ảnh từ đơn giản tới phức tạp Tất ảnh thu thập được xử lý chuyển định dạng bmp đánh tên theo tứ tự tăng dần, gợi nhớ để tiện việc quản lý liệu tiến hành thực nghiệm, đánh giá 3.2.3 Huấn luyện phát khuôn mặt ảnh Để hỗ trợ người dùng dễ dàng tiếp cận với kỹ thuật phát đối tượng, OpenCV cung cấp công cụ mạnh mẽ hỗ trợ trình huấn luyện để phát đối tượng ảnh với tên gọi HaarKit HaarKit bao gồm công cụ sau: create_list.bat; ObjectMarker.exe; samples_creation.bat; haarTraining.bat Quá trình huấn luyện trải qua bước: a Chuẩn bị liệu ảnh huấn luyện b Lấy mẫu đối tượng từ liệu c Huấn luyện máy học a) Chuẩn bị liệu ảnh huấn luyện b) Lấy mẫu đối tượng từ liệu c) Huấn luyện máy học Quá trình gồm bước : Bước : Tạo file vector đưa vào huấn luyện bước Bước 2: Học huấn luyện với HaarTraining Trong trình huấn luyện này, em sử dụng máy tính có cấu hình: - Processor: Intel(R) Core(TM) i7-4720HQ CPU @2.60GHz - RAM: 8GB - Hệ điều hành: Windows 8.1 Pro Thời gian huấn luyện phân tầng cỡ khoảng 10 ngày Việc phân tầng tầng đầu vài phút, từ khoảng tầng 15 trở tầng lên tới hàng chục Thời gian phân tầng lâu tập ảnh đầu vào lớn, nhiều ảnh chứa 10 13 khn mặt, có ảnh lên tới 30 khuôn mặt.bSau giai đoạn hồn tất ta có phân tầng đặc trưng khn mặt theo thuật tốn AdaBoost Việc sử dụng tầng để phát khuôn mặt cách hiệu xác câu hỏi vơ khó trả lời Hiện khơng có nghiên cứu đưa số xác cho số tầng này, em thử nghiệm chương trình với số phân tầng từ 15 đến 30 tầng nhận thấy với số tầng nhỏ 20, việc chương trình phát nhầm nhiễu nhiều (đặc biệt với số tầng nhỏ), ngược lại với số tầng >22 số khn mặt bị loại bỏ tương đối nhiều (chương trình lọc khn mặt tưởng nhầm background) Với số tầng 20 em nhận thấy chương trình cho kết với độ xác cao 3.2.4 Phát khn mặt với OpenCV Để sử dụng file “output.xml” cho việc phát khuôn mặt, ứng dụng em sử dụng hàm (cv::CascadeClassifier*) load("output.xml") để load liệu huấn luyện phần trước Một số kết chương trình: Hình 3.20: Giao diện ứng dụng 14 Hình 3.21: Ví dụ phát khn mặt ảnh Hình 3.22: Ví dụ phát nhiều khn mặt ảnh (4 khn mặt) 15 Hình 3.23: Ví dụ phát thiếu khuôn mặt ảnh (thiếu 3/17 khn mặt) Hình 3.24: Ví dụ phát thừa khuôn mặt ảnh (thừa khuôn mặt) 16 3.3 Các kết đạt 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 q trình huấn luyện phát khn mặt bước trước 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 Số ảnh TT Tên liệu sử dụng khuôn Số khuôn mặt mặt phát xuất hiện (%) thực tế Bao Face Database Caltech_WebFa ces Database 200 1215 250 356 300 476 150 150 250 Số khuôn mặt bị phát thiếu (%) Số khuôn mặt bị phát thừa (%) 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%) - - Face Detection DataSet and Benchmark, University of Massachusetts Amherst Faces.tar Tập Negative ảnh (1.2%) 17 (không chứa khuôn mặt) Tổng số 1150 2197 2059 138 61 (93,7%) (6,3%) (2.7%) Nhận xét kết quả: Qua bảng kết thực nghiệm với ảnh tĩnh ta nhận thấy: - Chương trình cho tỷ lệ phát khn 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 khn mặt) thấp (2,7% - 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 18 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 tốn 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 khn 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 Hướng phát triển Tuy vậy, luận văn số hạn chế chương trình cho kết chưa cao khn mặt chụp nghiêng góc q lớn chị che khuất nhiều Tốc độ phát khuôn 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 Ngồi 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 cô bạn đọc để luận văn ngày hoàn thiện 19 Xin chân thành cảm ơn! 20 TÀI LIỆU THAM KHẢO Tiếng Việt [1] PGS.TS Nguyễn Quang Hoan (2006) Xử lý ảnh Học viện Công 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] NRC-IIT Facial Video Database http://www.videorecognition.com/db/video/faces/cvglab/ [9] https://facedetection.com/ ... cứu việc phát mặt người ảnh, nhiên hôm đa dạng tính phức tạp thực tế giải pháp tồn diện thách thức giai đoạn nghiên cứu Gần đây, lĩnh vực nghiên cứu nhận dạng quan tâm nhiều nhận dạng khuôn mặt, ... khuôn mặt ảnh tĩnh Số Số ảnh TT Tên liệu sử dụng khuôn Số khuôn mặt mặt phát xuất hiện (%) thực tế Bao Face Database Caltech_WebFa ces Database 200 1215 250 356 300 476 150 150 250 Số khuôn mặt. .. máy Bảo mật Một số ứng dụng khác 1.3 Các phương pháp phát mặt người ảnh 1.3.1 Phương pháp tiếp cận dựa luật tri thức 1.3.2 Phương pháp tiếp cận dựa đặc trưng bất biến 1.3.3 Phương pháp tiếp cận