1. Trang chủ
  2. » Luận Văn - Báo Cáo

NGHIÊN cứu THUẬT TOÁN NHẬN DẠNG mặt NGƯỜI TÍCH hợp vào GIẢI PHÁP SMART DOGS

103 193 2

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 103
Dung lượng 11,61 MB

Nội dung

ĐẠI HỌC QUỐC GIA TPHCM TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN  TRẦN THỊ THANH HƯƠNG NGHIÊN CỨU THUẬT TỐN NHẬN DẠNG MẶT NGƯỜI TÍCH HỢP VÀO GIẢI PHÁP SMART-DOGS LUẬN VĂN THẠC SĨ KHĨA LUẬN: 09 NGÀNH: CƠNG NGHỆ THÔNG TIN Mã số: 60480201 NGƯỜI HƯỚNG DẪN KHOA HỌC: TS NGUYỄN MINH SƠN TP HỒ CHÍ MINH – NĂM 2017 LỜI CẢM ƠN LỜI CẢM ƠN Việc hoàn thành luận văn nổ lực thân thiếu giúp đỡ tạo điều kiện nhiều Thầy/Cô giáo người thân khác Trong q trình học tập hồn thành luận văn trường, xin gửi lời cám ơn đến Quý Thầy/Cô Khoa Hệ Thống Thông Tin, Khoa Kỹ Thuật Máy Tính, Thầy chủ nhiệm – Trưởng Bộ Mơn Khoa Học Kỹ Thuật Thông Tin - TS Nguyễn Gia Tuấn Anh trường Đại học Công Nghệ Thông Tin dành thời gian cung cấp kiến thức, tài liệu, hỗ trợ thông tin cần thiết giúp hồn thành tốt chương trình học Xin gởi lời cảm ơn sâu sắc từ sâu thẳm trái tim đến Thầy hướng dẫn TS Nguyễn Minh Sơn Thầy dành thời gian quý giá để hướng dẫn tận tình, chu đáo luận văn Nghiên cứu thuật toán nhận dạng mặt người tích hợp vào giải pháp Smart-Dogs Dưới bảo đầy trách nhiệm nhiệt huyết Thầy giúp tơi hồn thành luận văn theo tiến độ Gia đình hỗ trợ tơi nhiều q trình hồn thành nhiệm vụ học tập Cho tơi gởi lời cảm ơn sâu sắc yêu quý đến thành viên nhà Chân thành cám ơn đồng nghiệp, bạn bè, tình nguyện viên hỗ trợ việc lấy liệu mẫu trình làm luận văn Mặc dù cố gắng để hồn thiện luận văn khơng tránh khỏi sai sót, mong Q Thầy/Cơ bỏ qua đóng góp ý để luận văn ngày hồn thiện ứng dụng rộng rãi thực tế Xin chân thành cảm ơn! Người thực Trần Thị Thanh Hương i LỜI CAM ĐOAN LỜI CAM ĐOAN Tôi xin cam đoan cơng trình nghiên cứu riêng tơi Các số liệu, kết nêu luận văn trung thực chưa cơng bố cơng trình khác Nếu không nêu trên, xin hoàn toàn chịu trách nhiệm đề tài luận văn Người cam đoan Trần Thị Thanh Hương ii MỤC LỤC MỤC LỤC LỜI CẢM ƠN i LỜI CAM ĐOAN ii MỤC LỤC iii DANH MỤC CÁC TỪ VIẾT TẮT vi DANH MỤC BẢNG vii DANH MỤC HÌNH viii TÓM TẮT LUẬN VĂN CHƯƠNG 1: MỞ ĐẦU 1.1 Giới thiệu 1.2 Lý chọn đề tài 1.3 Ý nghĩa khoa học đạt 1.4 Ý nghĩa thực tiễn đạt 1.5 Mục tiêu nghiên cứu đề tài 1.6 Những đóng góp đề tài 1.7 Hướng nghiên cứu luận văn: 1.8 Đối tượng phạm vi nghiên cứu: 1.9 Nội dung nghiên cứu hướng phát triển 1.10 Bố cục đề tài CHƯƠNG 2: TỔNG QUAN CÁC CƠNG TRÌNH NGHIÊN CỨU VÀ HƯỚNG TIẾP CẬN 10 2.1 Giới thiệu tổng quát trạng 10 2.2 Các cơng trình nghiên cứu liên quan 15 2.3 Hướng tiếp cận 20 2.4 Các phương pháp liên quan 21 2.4.1 Phương pháp Support Vector Machine – SVM 21 2.4.2 Phương pháp mạng Neural 22 2.4.3 Phương pháp mơ hình Mackov ẩn – Hidden Mackov Model – HMM 22 2.4.4 Phương pháp sử dụng thuật toán Adaboost đặc trưng Haar-like để phát khuôn mặt 24 iii MỤC LỤC 2.4.5 Phương pháp phân tích đặc trưng theo giải thuật Principal Component Analysis (PCA) 25 2.5 Công nghệ OpenCV hỗ trợ cho thuật tốn nhận dạng khn mặt 30 CHƯƠNG 3: ĐỀ XUẤT THUẬT TOÁN NHẬN DẠNG ĐỐI TƯỢNG 33 3.1 Chức mơ hình ứng dụng Smart-Dogs 33 3.2 Phân tích tốn phát khn mặt người 35 3.3 Đề xuất phương pháp giải toán nhận dạng định danh khuôn mặt người 36 3.4 Xây dựng tập liệu mẫu đối tượng người nhà 39 3.4.1 Huấn luyện tập ảnh mẫu để định danh người nhà 41 3.4.2 Quy trình gán nhãn, định danh người nhà 45 CHƯƠNG 4: HIỆN THỰC VÀ ĐÁNH GIÁ THỰC NGHIỆM 47 4.1 Ngữ cảnh thực demo cho Smart-dogs 47 4.2 Cấu hình, cài đặt để thực nhận dạng mặt người thiết bị Raspberry Pi 48 4.2.1 Cấu hình thiết bị Raspberry Pi 48 4.2.2 Chuẩn bị môi trường làm việc Raspberry Pi 49 4.2.3 Kết nối raspberry với laptop 50 4.2.4 Cài đặt ứng dụng lên thiết bị 51 4.3 Hiện thực nhận dạng khuôn mặt người 52 4.2.1 Thực nghiệm với camera đặt trời để xác định người nhà 53 4.2.2 Thực nghiệm ngồi trời để nhận dạng khn mặt người lạ 57 4.2.3 So sánh thực nghiệm nhận dạng khuôn mặt người quen người lạ mô hình với camera đặt ngồi trời 61 4.2.4 So sánh thực nghiệm nhận dạng khuôn mặt người quen người lạ mơ hình 63 4.2.5 So sánh thực nghiệm nhận dạng khn mặt mơ hình mơ hình với camera đặt ngồi trời 65 4.2.6 Thực nghiệm với camera đặt nhà để nhận dạng đối tượng 66 4.2.7 Thực nghiệm với camera đặt nhà để nhận dạng khuôn mặt người lạ 70 4.2.8 So sánh thực nghiệm nhận dạng khn mặt người quen người lạ mơ hình với camera đặt nhà 74 4.2.9 So sánh thực nghiệm nhà nhận dạng khuôn mặt người quen người lạ mơ hình 76 iv MỤC LỤC 4.2.10 Tổng kết q trình so sánh nhận dạng khn mặt máy tính cá nhân thiết bị RAS 79 4.2.11 So sánh đánh giá với giải thuật liên quan 80 4.3 Một số minh chứng cho kết thực nghiệm 81 CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 85 5.1 Kết đề tài 85 5.2 Một số hạn chế đề tài 86 5.3 Hướng phát triển 86 TÀI LIỆU THAM KHẢO 88 v DANH MỤC CÁC TỪ VIẾT TẮT DANH MỤC CÁC TỪ VIẾT TẮT Từ viết tắt Từ nguyên gốc Giái thích SVM Support Vector Machine Máy vector hỗ trợ OPENCV Open Source Computer Vision Mã nguồn mở thị giác máy tính PCA Principal component analysis Phương pháp phân tích thành phần LBP Local Binary Pattern Mẫu nhị phân địa phương HMM Hidden Mackov Model Mơ hình Mackov ẩn CSDL Cở sở liệu RAS Raspberry Pi Thiết bị nhúng CP Computer Persional Máy tính cá nhân 2D chiều 3D chiều TB Trung bình vi DANH MỤC BẢNG DANH MỤC BẢNG Bảng 1: Bảng thống kê cấu hình máy tính cá nhân 47 Bảng 2: Bảng thông tin cấu hình Raspberry Pi 47 Bảng 4.3: Bảng thực nghiệm ứng với trạng thái, góc quay khn mặt 52 Bảng 4: Thực nghiệm nhận dạng khuôn mặt người nhà với camera đặt ngồi trời mơ hình 53 Bảng 5: Thực nghiệm nhận dạng khn mặt người nhà với camera đặt ngồi trời mơ hình 56 Bảng 6: Thực nghiệm nhận dạng khuôn mặt người lạ với camera đặt ngồi trời mơ hình 57 Bảng 7: Thực nghiệm nhận dạng khuôn mặt người lạ với camera đặt ngồi trời mơ hình 59 Bảng 8: Bảng thống kê tỉ lệ nhận dạng khuôn mặt người với thiết bị đặt ngồi trời mơ hình 62 Bảng 9: Bảng thống kê tỉ lệ nhận dạng khn mặt với camera đặt ngồi trời mơ hình 63 Bảng 10: Bảng thống kê tỉ lệ nhận dạng khn mặt hai mơ hình 65 Bảng 11: Thực nghiệm nhận dạng dựa đặc trưng khuôn mặt người nhà với camera đặt nhà mơ hình 67 Bảng 12: Thực nghiệm nhận dạng dựa đặc trưng khuôn mặt người nhà với camera đặt nhà mơ hình 69 Bảng 13: Thực nghiệm nhận dạng dựa đặc trưng khuôn mặt người lạ với camera đặt nhà mơ hình 71 Bảng 14: Thực nghiệm nhận dạng dựa đặc trưng khuôn mặt người lạ với camera đặt nhà mơ hình 73 Bảng 15: Bảng thống kê tỉ lệ nhận dạng khuôn mặt với camera đặt nhà mơ hình 75 Bảng 16: Bảng thống kê tỉ lệ nhận dạng khuôn mặt với camera đặt nhà mơ hình 76 Bảng 17: Bảng thống kê tỉ lệ nhận dạng khn mặt hai mơ hình với camera đặt nhà 78 Bảng 18: Bảng thống kê tốc độ nhận dạng mơ hình 79 Bảng 19: Bảng thống kê tỉ lệ nhận dạng mơ hình 79 Bảng 20 Bảng so sánh đánh giá với giải thuật liên quan 80 Bảng 21: Bảng hình ảnh kết thực nghiệm nhận dạng người nhà 82 Bảng 22: Bảng hình ảnh kết thực nghiệm nhận diện người lạ 83 Bảng 23: Một số thực nghiệm mở rộng nhận dạng khuôn mặt người nhà ngữ cảnh 84 vii DANH MỤC HÌNH DANH MỤC HÌNH Hình 1: Mỹ triển khai hệ thống nhận diện khuôn mặt sân bay 10 Hình 2: Ví dụ nhận dạng khuôn mặt người 11 Hình 3: Hình ảnh chó Rudo [1] 13 Hình 4: Hình ảnh robot Zoomer Zuppies [12] 13 Hình 5: Hình ảnh robot SpotMini [13] 14 Hình 6: Ví dụ SVM tuyến tính [20] 21 Hình 7: Mơ hình Markov ẩn trạng thái [22] 23 Hình 8: Các vùng khn mặt cho vùng từ trái sang phải HMM [22] 23 Hình 9: Các đặc trưng Haar-Like [26] 25 Hình 10: Hình PCA tìm trục tọa độ cho liệu có độ biến thiên cao 26 Hình 1: Kiến trúc đề xuất cho thiết bị Smart-Dog 34 Hình 2: Hệ thống hoạt động nhận dạng khuôn mặt 36 Hình 3: Lưu đồ thuật tốn q trình nhận dạng khn mặt 37 Hình 4: Tiến trình xây dựng sở liệu ảnh mẫu gán nhãn khuôn mặt người nhà 39 Hình 5: Lưu đồ thuật toán xây dựng tập liệu mẫu gán nhãn người nhà 40 Hình 6: Một số ảnh lấy từ tập ảnh mẫu lưu trữ khuôn mặt người nhà 42 Hình 7: Một số mẫu khơng chứa khn mặt 43 Hình 8: Tiến trình tiền xử lý ảnh 44 Hình 1: Phần mềm boot hệ điều với phần mềm Win32 Disk Imager 50 Hình 2: Kết nạp thành cơng hệ điều hành vào thẻ nhớ 50 Hình 3: Màn hình kết nối thiết bị nhúng Raspberry Pi với máy tính 51 Hình 4: Biểu đồ đường thể tỉ lệ phần trăm nhận dạng dựa đặc trưng khn mặt mơ hình với camera đặt ngồi trời 62 Hình 5: Biểu đồ hình cột thể tốc độ nhận dạng dựa đặc trưng khuôn mặt mơ hình 63 Hình 6: Biểu đồ đường thể tỉ lệ phần trăm nhận dạng dựa đặc trưng khuôn mặt mơ hình với camera ngồi trời 64 Hình 7: Biểu đồ hình cột thể tốc độ nhận dạng dựa đặc trưng khuôn mặt mô hình với camera ngồi trời 65 Hình 8: Biểu đồ thể so sánh nhận dạng khuôn mặt hai thiết bị 66 Hình 9: Biểu đồ đường thể tỉ lệ phần trăm nhận dạng khn mặt mơ hình với camera nhà 75 Hình 10: Biểu đồ hình cột thể tốc độ nhận dạng khn mặt mơ hình với camera đặt nhà 76 Hình 11: Biểu đồ đường thể tỉ lệ phần trăm nhận dạng dựa đặc trưng khn mặt mơ hình với camera đặt nhà 77 viii DANH MỤC HÌNH Hình 12: Biểu đồ cột tốc độ nhận dạng khuôn mặt mô hình với camera nhà 78 Hình 13: So sánh nhận dạng khuôn mặt thiết bị với camera đặt nhà 78 Hình 14: Giao diện hình nhận dạng khn mặt máy tính 81 Hình 15: Giao diện hình nhận dạng khn mặt mơ hình 82 ix CHƯƠNG IV: HIỆN THỰC VÀ ĐÁNH GIÁ THỰC NGHIỆM 4.2.10 Tổng kết trình so sánh nhận dạng khn mặt máy tính cá nhân thiết bị RAS Từ kết thực nghiệm kết so sánh từ mục 4.2.1 đến 4.2.9 rút tổng kết trình nhận dạng thiết bị sau: - Dựa vào bảng 4.18 q trình thực thi máy tính có tốc độ xử lý nhanh thiết bị RAS Bảng 18: Bảng thống kê tốc độ nhận dạng mơ hình Bảng thống kê tốc độ nhận dạng dựa đặc trưng khuôn mặt mô hình (ms) Ngồi trời Trong nhà 0.5m 1m 1.5m 2m 0.5m 1m 1.5m 2m Mơ hình 42.95 43.06 43.21 43.37 40.30 40.32 40.31 40.16 Mơ hình 189.26 189.58 189.62 189.54 187.85 188.45 189.57 189.47 - Việc nhận dạng thiết bị RAS xác cao máy tính camera chuẩn hóa ánh sáng Bảng 19: Bảng thống kê tỉ lệ nhận dạng mơ hình Bảng thống kê tỉ lệ nhận dạng dựa đặc trưng khn mặt mơ hình (ms) Ngoài trời Trong nhà 0.5m 1m 1.5m 2m 0.5m 1m 1.5m 2m Mơ hình 81% 72% 14% 0% 85% 85% 22% 0% Mơ hình 86% 85% 18% 0% 86% 86% 16% 0% - Quá trình nhận dạng người quen – người lạ thiết bị không chênh lệnh nhiều Việc nhận dạng người quen có phần chậm phải so trùng mẫu đưa định danh - Tất kết thực nghiệm so sánh bảng 4.18 4.19 cho kết mong muốn khoảng cách từ 0.5 m – 1m Với khoảng cách lớn kết khơng đạt độ xác cao việc phát khn mặt - Khi thực nghiệm góc nghiêng khn mặt < 300 việc phát khuôn 79 CHƯƠNG IV: HIỆN THỰC VÀ ĐÁNH GIÁ THỰC NGHIỆM mặt để nhận dạng cho kết tốt Với góc khuất cao kết phát nhận dạng khuôn mặt - Kết nhận dạng chưa đặt độ xác tuyệt đối cần phải kết hợp thêm đặc trưng khác mắt, mũi, miệng để nhận dạng định danh xác với tỉ lệ cao 4.2.11 So sánh đánh giá với giải thuật liên quan Theo nghiên cứu [5],[7], [8] kết so sánh thực nghiệm mơ hình thiết bị Tác giả đưa bảng đánh giá so sánh kết đề tài đạt trình nghiên cứu cài đặt theo bảng sau: Bảng 20 Bảng so sánh đánh giá với giải thuật liên quan Đề tài Các đề tài liên quan Mơ hình thiết bị thực Thực nghiệm thiết bị Thực máy tính cá nghiệm phần cứng nhỏ gọn, linh nhân hoạt Tỉ lệ nhận dạng 86% 63% - 88% Thời gian xử lý 189.26 ms 40.30 ms – 44.06 ms Tập liệu ảnh mẫu 40 ảnh mẫu cho đối Số lượng ảnh mẫu tượng người quen Khoảng cách nhận dạng Khoảng cách tối ưu 0.5m- Khoảng cách tối ưu 0.5m1m Góc quay nhận dạng 1m Trực diện, số góc Trực diện quay có số đo nhỏ Việc cài đặt thực thuật toán nhận dạng thiết bị nhúng nhỏ gọn tiền đề 80 CHƯƠNG IV: HIỆN THỰC VÀ ĐÁNH GIÁ THỰC NGHIỆM để kết hợp phát triển mở rộng ứng dụng nhà thông minh, triển khai hệ thống cần xác thực định danh thực tế 4.3 Một số minh chứng cho kết thực nghiệm Hình 4.14 thể giao diện hình chương trình nhận diện khn mặt thực thi máy tính: Hình 14: Giao diện hình nhận dạng khn mặt máy tính 81 CHƯƠNG IV: HIỆN THỰC VÀ ĐÁNH GIÁ THỰC NGHIỆM Hình 4.15 thể giao diện hình chương trình nhận diện khn mặt thực thi thiết bị điện tử RAS: Hình 15: Giao diện hình nhận dạng khn mặt mơ hình Dưới số hình ảnh thực nghiệm nhận dạng đối tượng người nhà với nhiều góc độ trạng thái mẫu khác nhau: Bảng 21: Bảng hình ảnh kết thực nghiệm nhận dạng người nhà Khoảng cách Ngữ cảnh 0.5m 1m 1.5m Trực diện ánh sáng bình thường Trạng thái biểu cảm khuôn mặt 82 2m CHƯƠNG IV: HIỆN THỰC VÀ ĐÁNH GIÁ THỰC NGHIỆM Nhận dạng bóng tối Từ bảng 4.20 số hình ảnh kết thực nghiệm nhận dạng khuôn mặt người nhà sử dụng CSDL mẫu huấn luyện trước đề tài Trong môi trường ánh sáng khác với khoảng cách từ 0.5m đến 2m Khoảng cách nhỏ 0.5m lớn 1.5m nhiễu khung hình phức tạp ánh sáng chói Hình ảnh thực nghiệm cho thấy khuyết điểm đề tài nhiễu mơi trường ánh sáng Bảng 22: Bảng hình ảnh kết thực nghiệm nhận diện người lạ Khoảng cách Ngữ cảnh 0.5m 1m 1.5m 2m Trực diện ánh sáng bình thường Trạng thái biểu cảm khn mặt Bảng 4.21 số hình ảnh kết thực nghiệm nhận dạng khuôn mặt người lạ Trong môi trường ánh sáng khác với khoảng cách từ 0.5m đến 2m Hình ảnh thực nghiệm cho thấy trường hợp ảnh có độ tối cao khơng phát xác khn mặt nhận dạng với tỉ lệ cao 83 CHƯƠNG IV: HIỆN THỰC VÀ ĐÁNH GIÁ THỰC NGHIỆM Bảng 23: Một số thực nghiệm mở rộng nhận dạng khuôn mặt người nhà ngữ cảnh Ngữ cảnh Che khuất phần với tóc Che khuất hai bên với tóc Đeo kính đen Đội nón Bị tay che khuất mặt Bị tay che khuất tráng Bị tay che khuất miệng Mang trang trùm không che Mang trang trùm che mặt mũ cụp Mang trang trùm che khuất phần Mang trang trùm che khuất phần, có sáng Mặt che khuất cằm Đeo trang Nheo mắt Mang trang trùm che mặt mũ bẻ Qua bảng thực nghiệm mở rộng cho thấy hệ thống thực nghiệm sở liệu đề tài nhận diện khuôn mặt với ngữ cảnh phức tạp như: độ tối cao phần mặt bị che khuất tóc, đeo kính đen, khn mặt bị che khuất trang kéo xuống, trang y tế Chính thuận tiện giúp cho người sử dụng dễ dàng xác thực người quen trường hợp thay đổi hình dạng q trình ngồi Đồng thời nhận dạng đối tượng lạ mặt đột nhập vào nhà với góc khuất khn mặt giúp cho trình nhận dạng tối ưu 84 CHƯƠNG V: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN CHƯƠNG 5: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 5.1 Kết đề tài Với mong muốn thực đề tài tìm hiểu tích hợp vào thiết bị để thực nghiệm Smart-Dogs đề tài thực cơng việc sau: Giải tốn nhận dạng định danh khuôn mặt đối tượng, phân biệt đối tượng người nhà - người lạ Tốc độ nhận dạng với đề tài 40.27 ms thực nghiệm máy tính, 188.84 ms thực nghiệm thiết bị nhúng nhỏ gọn, độ xác đề tài đạt 85% ứng với 200 lần nhận dạng đối tượng Dữ liệu lưu thiết bị ổ cứng máy tính lưu cách thoải mái, giới hạn phần cứng thiết bị nên sở liệu cần phải nén lưu trữ phù hợp Cách thức hoạt động CameraIP, đưa thư viện cài đặt vào sử dụng thiết bị CameraIP hoạt động thơng qua mạng khơng dây Tìm hiểu kế thừa nghiên cứu đặc trưng Haar like thuật tốn phát khn mặt Adaboost, kết hợp thuật toán lại với để giải tốn phát khn mặt sau sử dụng thuật tốn PCA phân tích dựa đặc trưng khn mặt để giải vấn đề nhận dạng định danh khuôn mặt Đề tài ứng dụng chạy thực nghiệm thiết bị máy tính cá nhân Raspberry Pi3 so sánh đối chiếu kết thu Với mong muốn đề tài độ xác trình phát nhận dạng định danh đối tượng Vì đề tài thực sở liệu với tập ảnh chụp nhiều khoảng cách khác 0.5m, 1m, 1,5m, 2m chụp nhiều tư khác nhằm giúp cho nhạy bén trình xác nhận đối tượng Các yếu tố ngữ cảnh đề tài quan tâm đến: trời: sáng - tối, phòng: sáng – tối Từ rút điều kiện ánh sáng thích hợp vị trí có ánh sáng chói dẫn đến độ nhiễu trình nhận dạng 85 TÀI LIỆU THAM KHẢO Với mục tiêu mong muốn đạt từ ý tưởng ban đầu đề tài giải tốn mà tính chất Smart-Dogs : dễ cài đặt, thời gian xử lý việc phát nhận dạng đối tượng di chuyển nhanh đáp ứng tính chất tốc độ Thiết bị bước đầu thu kết phù hợp với mong muốn đặt đề tài 5.2 Một số hạn chế đề tài Ý tưởng đề tài đặt phù hợp với nhu cầu thực tế khả kinh tế người Việt Nam thời gian kiến thức nhiều hạn chế Chính đề tài khơng thể thiếu sót khuyết điểm hạn chế sau: - Khoa học vô tận phạm vi kiến thức rộng nên việc tìm hiểu sâu vấn đề liên quan đến đề tài nhiều chổ thiếu sót - Đề tài nhiều hạn chế việc cải tiến thuật tốn phát khn mặt nhận dạng định danh người thực thi thời gian thực - Không gian nhiễu như: cành lây động thực nghiệm trời, khung phức tạp, tối, sáng dẫn đến ảnh hưởng kết thực thi - Đề tài dừng lại mức mô chưa thực đầy đủ thiết bị điện tử SmartDogs - Q trình nhận dạng nhiễu vài trường hợp người thân nhà: cha – con, mẹ - con, anh – em dẫn đến có vài giống nên số lần nhận dạng bị nhiễu xuất - Chính nhiều yếu tố rút nên kết mong muốn đề tài chưa đạt 100% 5.3 Hướng phát triển Với mong muốn đề tài mang lại ý nghĩa thực tiễn sâu sắc Nhưng trình thực đề tài, hạn chế kiến thức thời gian có hạn, nên đề tài đưa số hướng phát triển tương lai sau: 86 TÀI LIỆU THAM KHẢO - Đề tài cố gắng phát huy tối ưu hóa thuật tốn nhận dạng định danh khuôn mặt để thực nghiệm chạy thời gian thực - Thực tính tốn, kết hợp với đặc trưng khác khuôn mặt người trán, mắt, mũi, miệng, gò má,… để đưa số liệu xác khn mặt người để từ đưa tỉ lệ nhận dạng xác cao - Nghiên cứu phương pháp giảm bớt nhiễu khử sáng thời gian chạy - Thực việc lấy mẫu liệu từ người quen thiết bị phần cứng khác từ điện thoại thơng minh - Tích hợp thuật toán nhận dạng mặt người cách tối ưu vào thiết bị điện tử Smart-Dogs - Tích hợp vào hệ thống camera quản lý nhà thông minh thông qua thiết bị khơng dây: bluetooh, wifi - Tìm hiểu nguyên lý hoạt động cảm biến để tích hợp làm thành Smart-Dogs đáp ứng nhu cầu thực tế 87 TÀI LIỆU THAM KHẢO Tài liệu tiếng Việt [1] http://www.khoahoc.tv/ [2] https://tech.fpt.com.vn [3] http://www.smarthome.com.vn/ [4] http://lumi.vn/ [5] Nguyễn Thị Len (2014), “Đề xuất phương pháp nhận dạng khuôn mặt người ứng dụng chống gian lận thi cử” Luận văn Thạc sĩ Khoa học máy tính, Học viện CNBCVT, Hà Nội [6] Trần Thanh Toàn (2015), “Tái nhận dạng người hệ thống nhiều Camera giám sát không chồng lấp” Tạp chí khoa học Trường Đại Học Cần Thơ, Trang 189 - 195 [7] Trần Tuấn Cường (2015), “Nghiên cứu nhận dạng diện mạo đối tượng sử dụng phương pháp PCA kết hợp mơ hình Markov ẩn” Luận văn Thạc sĩ Khoa học máy tính, Đại học khoa học, Đại học Huế [8] Vũ Mạnh Hùng (2013), “Nhận dạng mặt người sử dụng đặc trưng PCA” Luận văn Thạc sĩ Khoa học máy tính, Học viện CNBCVT, Hà Nội [9] Dương Anh Hùng (2013), “Nghiên cứu ứng dụng Eigenfaces đặc trưng cục LBP cho toán nhận dạng mặt người”, trang 26 [10] Tạ Thị Ái Nhi (2012), “Phát theo vết người từ liệu Video”, trang 24 [11] Nguyễn Thị Mỹ Hạnh (2017), “Nghiên cứu đề xuất thuật toán nhận diện đối tượng ứng dụng E-Dogs” Luận văn Thạc sĩ Công Nghệ Thông Tin, Đại học Công Nghệ Thông Tin, Đại học quốc gia TPCHM 88 TÀI LIỆU THAM KHẢO Tài liệu tiếng Anh [12] https://www.zoomerpup.com [13] http://www.bostondynamics.com/ [14] P.Nagarajan, R.Divya, K.Jeeva, P.Maheshwari and P.Agalya (2017), “Intelligent Controlled Residence and Face Recognition Technology”, Asian Journal of Applied Science and Technology, page 43 - 46 [15] Somia B Mohammed, Ahmed Khalid, SaifeEldin F Osman, Rasha Gaffer M Helali (2016), “Usage of Principal Component Analysis (PCA) in AI Applications”, International Journal of Engineering Research & Technology (IJERT), page 372 - 375 [16] Ms Madhavi Vikram, Prof Balaji Hariharan (2016), “Face Recognition using an HD PTZ Camera in a Virtual Classroom”, International Journal of Computer Science and Information Security, page 161 - 165 [17] Hteik Htar Lwin, Aung Soe Khaing, Hla Myo Tun (2015), “ Automatic Door Access System Using Face Recognition”, International Journal Of Scientific & Technology Research, page 294 - 299 [18] Ramandeep Kaur, Er Himanshi (2015), “Face Recognition Using Principal Component Analysis”, IEEE, page 585- 589 [19] G.Johny, P.Vijay Daniel (2013), “Real Time Embedded Implementation of Face Recognition Using Beagle Board”, International Journal Of Scientific & Technology Research, page 3452-3456 [20] Corinna Cortes and Vladimir Vapnik, “Support-Vector NetWorks”, AT&T Laboratory – Research, USA [21] Edgar Osuna, Robert Freund and Federico Girosi (1997), the Proceedings of CVPR’97, June 17-19, 1997, Puerto Rico 89 TÀI LIỆU THAM KHẢO [22] Ferdinando Samaria (1993), “Face Segmentation for Identification Using Hidden Markov Models”, BMVC 1993, page 400-407 [23] Henry A.Rowley, Shumeet Baluja, and Takeo Kanade (1998), “Neural NetworkBased Face Detection”, IEEE [24] Michael Donoser and Horst Bischof (2006), “Efficient Maximally Stable Extremal Region (MSER) Tracking”, In Proc IEEE Conf on Computer Vision and Pattern Recognition, vol I, p 553–560 [25] Arundhati Das, Mameeta Pukhrambam and Ashim Saha (2015), “Real – Time Robust Face Detection and Tracking using extended Haar functions and improved Boosting algorithm”, IEEE, page 981 [26] Guanlei Sheng and Wenze Li (2012), “Face Detection in Complex Background Using AdaBoost Algorithm”, Sixth International Conference on Internet Computing for Science and Engineering, IEEE, page 149 – 154 90 PHỤ LỤC Màn hình đăng nhập để kết nối máy tính thiết bị Ở hình cần nhập xác địa IP thiết lập trước Đăng nhập vào hệ thống thiết bị với username “pi” password “pi” 91 TÀI LIỆU THAM KHẢO Mở Terminal hệ điều hành Linux tiến hành biên dịch chạy Project để nhận dạng 92 TÀI LIỆU THAM KHẢO Dòng lệnh thứ hai để đến tập tin lưu trữ định danh người nhà tiến hành huấn lại Nhận dạng đối tượng người quen Nhận dạng đối tượng lúc Người quen người lạ 93 ... Himanshi nghiên cứu đưa giải pháp cần nhận dạng khn mặt Phân tích thành phần (PCA) Ở nhóm tác giả tập trung vào việc phân tích sử dụng nhận dạng khuôn mặt dựa PCA cách hiệu Khi nhận dạng khuôn mặt. .. cập vào hệ thống Nhận dạng khuôn mặt ln dựa vào đặc trưng khn mặt đối tượng cần nhận dạng Vì thế, thuận tốn nhận dạng chia làm hình thức phân loại nhận dạng khác nhau: nhận dạng theo phương pháp. .. dành thời gian quý giá để hướng dẫn tận tình, chu đáo luận văn Nghiên cứu thuật toán nhận dạng mặt người tích hợp vào giải pháp Smart- Dogs Dưới bảo đầy trách nhiệm nhiệt huyết Thầy giúp tơi hồn

Ngày đăng: 23/12/2018, 06:11

TỪ KHÓA LIÊN QUAN

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN