Nhận dạng khuôn mặt người và ứng dụng trong quản lý nhân sự

Luận văn đã cho thấy việc sử dụng Viola Jone Face detection, Weber local descriptor, PCA và SVM trong việc nhận dạng khuôn mặt người. Kết quả đã cho thấy độ chính xác nhận dạng tương đối cao. Luận văn đã cho thấy việc sử dụng Viola Jone Face detection, Weber local descriptor, PCA và SVM trong việc nhận dạng khuôn mặt người. Kết quả đã cho thấy độ chính xác nhận dạng tương đối cao.

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƯỜNG ĐẠI HỌC CÔNG NGHỆ NGUYỄN THỊ THUỶ PHƯƠNG PHÁP NHẬN DẠNG KHUÔN MẶT NGƯỜI VÀ ỨNG DỤNG TRONG QUẢN LÝ NHÂN SỰ Ngành: Khoa học máy tính Chuyên Ngành: Khoa học máy tính Mã Số: 8480101.01 LUẬN VĂN THẠC SỸ CÔNG NGHỆ THÔNG TIN NGƯỜI HƯỚNG DẪN KHOA HỌC: Ts Nguyễn Văn Vinh HÀ NỘI-NĂM 2018 Nguyễn Thị Thủy Đại Học Công Nghệ LỜI CAM ĐOAN Luận văn thạc sĩ đề tài “Nhận dạng khuôn mặt người ứng dụng quản ly nhân sự” cơng trình cá nhân tơi Các nội dung nghiên cứu kết quả trình bày luân văn trung thực rõ ràng Các tài liệu tham khảo trích dẫn đầy đủ ghi rõ nguồn gốc Tác giả luận văn ky ghi rõ họ tên MỤC LỤC Nguyễn Thị Thủy Đại Học Cơng Nghệ DANH MỤC HÌNH VẼ, ĐỒ THỊ DANH MỤC CÁC TỪ VIẾT TẮT PCA Nguyễn Thị Thủy Principal Component Analysis Đại Học Công Nghệ SVM Support Vector Machine WLD Weber Local Description CNN Convolutional Neural Network Nguyễn Thị Thủy Đại Học Công Nghệ PHẦN MỞ ĐẦU Lý chọn đề tài Nhận dạng khuôn mặt lĩnh vực xử ly ảnh Và ngày nhận dạng sử dụng rộng rãi nhiều lĩnh vực đời sống nhận dạng lĩnh vực thương mại, hay phát lĩnh vực an ninh, hay xử ly video, hình ảnh Một ứng dụng tiểu biểu nhận dạng sử dụng phổ biến nhận dạng khuôn mặt người ứng dụng điện thoại di động cụ thể IphoneX Sangsung sử dụng Hiện có nhiều Phương pháp nhận dạng khác xây dựng để nhận dạng người cụ thể giới thực ta nói tới số phương pháp như: học máy học sâu.Tuy nhiên hai phương pháp lại có nhược điểm lớn phải xây dựng tập sở liệu lớn đồng thời việc xử ly liệu lớn đòi hỏi phải nhanh xác Vậy nên hai phương pháp thời gian để nhận dạng nhiệm vụ đặt nghiên cứu xây dựng chương trình sử dụng Phương pháp nhận dạng có độ xác cao mà khối lượng thời gian tính tốn lại Để giải vấn đề xin đề xuất phương pháp phát khuôn mặt sử dụng phương pháp Viola jone face detection, trích chọn đặc trưng sử dụng phương pháp Weber local Descriptor kết hợp phân tích thành phần sử dụng phương pháp PCA học máy vestor (SVM) để nhận dạng khn mặt Mục đích nghiên cứu luận văn, đối tượng, phạm vi nghiên cứu Mục đích luận văn: Nghiên cứu đề tài nhằm mục đích tìm hiểu tốn nhận dạng khn mặt, từ xây dựng hệ thống ứng dụng thực tiễn như: điểm danh, giám sát người vào, an ninh sân bay Đối tượng phạm vi áp dụng: Nguyễn Thị Thủy Đại Học Công Nghệ Đề tài tập trung tìm hiểu số phương pháp nhận dạng khuôn mặt người phổ biến đưa phương án nhận dạng cho toán nhận dạng khuôn - mặt người Để đặt mục tiêu đề tài tập trung tìm hiểu nội dung sau: Tìm hiểu phương pháp phát khn mặt sử dụng phương pháp Viola Jones Face Detection - Trích chọn đặc trưng sử dụng phương pháp Weber Local Description - Phương pháp phân tích thành phần - Phương pháp học máy vestor (SVM) Nội dung luân văn Luận văn gồm chương, cụ thể sau: Chương 1: BÀI TỐN NHẬN ĐỐI TƯỢNG NHẬN DẠNG KHN MẶT Giới thiệu cách thức nhận dạng khuôn mặt người, nên nhận dạng người khn mặt, tầm quan trọng toán thực tiễn, số ứng dụng thực tiễn tốn nhận dạng khn mặt Chương 2: CÁC KỸ THUẬT CHO NHẬN DẠNG KHUÔN MẶT Giới thiệu về phương pháp sử dụng nhận dạng khuôn mặt sử dụng luận văn phương pháp phát khuôn mặt( Viola Jone Face Detection), phương pháp trích chọn đặc trưng (WLD), phân tích thành phần (PCA) máy vector hỗ trợ (SVM) Chương 3: ỨNG DỤNG CÁC KỸ THUẬT TRONG NHẬN DẠNG KHUÔN MẶT Đưa mơ hình xây dựng tốn nhận dạng khuôn mặt người, bước thực đánh giá thử nghiệm CHƯƠNG 1: BÀI TOÁN NHẬN ĐỐI TƯỢNG NHẬN DẠNG KHUÔN MẶT 1.1 Tổng quan khái niệm liên quan đến nhận dạng khuôn mặt 1.1.1 Hệ thống sinh trắc học Nguyễn Thị Thủy Đại Học Công Nghệ Hệ thống sinh trắc học hệ thống thiết kế để xác minh nhận dạng người dựa vào đặc trưng sinh học người 1.1.2 Hệ thống nhận dạng khn mặt Hệ thống nhận dạng khuôn mặt hệ thống thiết kế để tìm thơng tin người Kĩ thuật nhận dạng kiểm tra sự phù hợp dựa phép so sánh một-nhiều cụ thể tìm người số người lưu trữ hệ thống dựa vào thông tin khuôn mặt 1.1.3 Hệ thống xác minh hay xác thực khn mặt Hệ thống xác minh/xác thực khuôn mặt hệ thống thiết kế để xác minh thông tin người Kĩ thuật xác minh kiểm tra sự phù hợp phép so sánh một-một cụ thể đối chiếu thông tin nhận về người với thông tin lưu trữ về người có khớp hay khơng dựa thơng tin khn mặt Hình 0.1 So sách tác vụ nhận dạng khuôn mặt xác minh khuôn mặt 1.1.4 Những thách thức tốn nhận dạng khn mặt Những biến đổi lớn ảnh khuôn mặt khác từ người cần nhận dạng gồm trạng thái cảm xúc khuôn mặt, ánh sáng, thay đổi vị trí khn Giới hạn về số ảnh cần thiết cho việc nhận dạng, tập học không Nguyễn Thị Thủy Đại Học Công Nghệ thể bao quát tất cả biến đổi có khuôn mặt người cần nhận dạng giới thực 1.2 Tổng quan ứng dụng tương tác người máy liên quan tới khuôn mặt Từ năm 1990 trở lại đây, chứng kiến sự phát triển vũ bão ngành công nghiệp, đặc biệc ngành công nghiệp chế tạo điện tử.Tuy nhiên thiết bị điện tử cao cấp máy ảnh số, camera kĩ thuậtsố,vànhiều sản phẩm khác dường phù hợp cho phòng thí nghiệm, công ty sản xuất kinh doanh, thương mại, tài chính, ngân hàng, Trong thời gian khơng xa từ đến 10 năm nữa, chi phí cho thiết bị giảm đáng kể Khi mở nhiều hướng nghiên cứu về thị giác máy tính, đồng thời có nhiều ứng dụng giao tiếp người với máy tính mà hệ thống nhận dạng mặt người đóng vai trò khơng nhỏ Dưới liệt kê số ứng dụng Các ứng dụng chuyên biệt ngành hàng không • Ứng dụng sử dụng nhà thông minh,… 1.3 Hướng tiếp cận lĩnh vực nhận dạng khn mặt 1.3.1 Các cơng trình nghiên cứu Phương pháp nhận dạng kiểm chứng chất • lượng cho hệ thống nhận dạng khn mặt Bài tốn nhận dạng khn mặt cần xác định hai vấn đề chính: dùng thông tin để nhận dạng: chân mày, cặp mắt, mũi, môi, tai, hay kết hợp thông tin trên.Và dùng phương pháp để huấn luyện cho máy nhận dạng dùng nguồn thơng tin Nhận dạng khn mặt máy tính trãi qua nhiều bước thăng trầm với kết quả sau:  Wenyi Zhao, Arvindh Krishnaswamy, Rama Chellappa, Danie L.Swets, ohn Weng (1998)[1] sử dụng phương pháp PCA (phân tích thành phần chính) kết hợp LDA (phân tích độc lập tuyến tính) Bước 1, chiếu ảnh khuôn mặt từ không gian ảnh thô sang không gian không gian khuôn mặt (Mỗi lớp khuôn mặt nhận dạng mơ hình hóa không gian khuôn mặt) dùng PCA Bước 2, sử dụng phương pháp LDA để tạo phân loại tuyến tính có khả phân lớp lớp khn mặt Nguyễn Thị Thủy Đại Học Công Nghệ  Emmanuel Viennet Francoise Fogelman Soulie (1998),[3] sử dụng  phương pháp mạng neural nhân tạo để xử ly nhận dạng khuôn mặt Antonio J.Colmenarez Thomas S.Huang (1998),[4] sử dụng kỹ thuật học thị giác phù hợp mẫu 2-D Ơng quan niệm tốn dò tìm khn mặt thao tác phân loại khn mặt khn mặt thuộc về lớp đối tượng khác thuộc về lớp lại cách ước lượng mơ hình xác suất cho lớp, việc dò tìm sử dụng luật định  Maximum-likelihood Kazunori Okada, Johannes Steffens, Thomas Maurer, Hai Hong, Egor Elagin, Hartmut Neven, and Christoph (1998),[5] nhận dạng khn mặt dựa vào sóng Gabor phương pháp phù hợp đồ thị bó Với y tưởng dùng đồ thị để biểu diễn khuôn mặt, ảnh khuôn mặt đánh dấu vị trí xác định trước khn mặt, gọi vị trí vị trí chuẩn Khi thực thao tác so khớp đồ thị với ảnh, điểm chuẩn (Jets) trích từ ảnh so sánh điểm chuẩn với tất cả điểm chuẩn tương ứng đồ thị khác nhau, đồ  thị phù hợp với ảnh chọn Baback Moghaddam Alex Pentland (1998) [6], đưa phương pháp phù hợp thị giác trực tiếp từ ảnh cần sử dụng cho mục đích nhận  dạng khuôn mặt dùng độ đo xác suất để tính độ tương tự Massimo Tistaelli Enrico Grosso (1998) [7], đưa kỹ thuật thị giác động Vì khả quan sát chuyển động khuôn mặt xử ly tính theo dự định thơng tin quan trọng, từ nhận mơ  tả đầy đủ về khn mặt cho m1ục đích thu thập mẫu nhận dạng Jeffrey Huang, Chengjun Liu, Harry Wechsler (1998)[8], đề xuất thuật toán cứ tính tiến hóa (Evolutionary computation) di trùn (Genetic) cho tác vụ nhận dạng khuôn mặt Đối với cách tiếp cận này, hai mắt dò tìm trước tiên thông tin xem vết để quan sát khn mặt, trình xử ly dò tiếp mắt cách sử dụng Nguyễn Thị Thủy Đại Học Cơng Nghệ thuật tốn lai để kết hợp thao tác học tiến hóa q trình  học Daniel Bgraham Nigel M Allinson (1998)[9], sử dụng phương pháp gọi tạo bản không gian đặc trưng để biểu diễn nhận dạng  hướng di chuyển khuôn mặt Oi Bin Sun, Chian Prong Lam Jian Kang Wu (1998)[10], sử dụng phương pháp tìm vùng hai chân mày, hai mắt, mũi, miệng cằm Ảnh khuôn mặt thẳng ban đầu chiếu theo chiều ngang để tìm giá trị điểm ảnh thỏa ngưỡng cho trước, đồ thị biểu diễn theo trục ngang định vị vị trí biên biên hình chữ nhật bao đặc trưng cục khn mặt Tương tự với chiều đứng để tìm đường biên bên  trái phải cho vùng đặc trưng Ara V.Nefian Monson H.Hayes III (1998)[12] trình bày hướng tiếp cận theo mơ hình mơ hình Markov ẩn (HMM) ảnh mẫu khn mặt lượng hóa thành chuỗi quan sát khn mặt theo quan niệm dựa thứ tự xuất đặc trưng khuôn mặt {hai chân mày, hai lông mi, mũi, miệng, cằm} Trong chuỗi quan sát đó, quan sát lại vector nhiều chiều vector quan sát sử dụng để đặc trưng cho trạng thái chuỗi trạng trạng thái HMM  Mỗi người ước lượng mơ hình HMM Guodong Guo, stan Z.LI, Kap luk chan(17 january 2001), dùng phương pháp SVM để nhận dạng khuôn mặt Sử dụng chiến lược kết hợp nhiều phận loại nhị phân để xây dựng phân loại SVM đa lớp 1.3.2 Hướng tiếp cận luận văn Trong đề tài sử dụng phương pháp Phát khuôn mặt sử dụng phương pháp Viola Jone Face Detection, Trích chọn đặc trưng sử dụng phương pháp Weber Local Descripor, phân tích thành phần phương pháp phân lớp SVM để nhận dạng Sơ đồ hệ thống nhận dạng khn mặt minh họa hình sau: Nguyễn Thị Thủy 10 Đại Học Cơng Nghệ Hình 0.20 Ảnh ban đầu biểu diễn theo trọng số eigenface (Nguồn: báo PCA) Đầu vào PCA vector cột có M thành phần biểu diễn ảnh tập huấn luyện, đầu vector cột có K thành phần biểu diễn ảnh trích rút đặc trưng Phân lớp: Bước nhận dạng hay phân lớp tức xác định danh tính (identity) hay nhãn ảnh (label) – ảnh Ở bước nhận dạng/phân lớp, ta sử dụng phương pháp SVM (Support Vector Machine) SVM tiến hành phân lớp ảnh tập huấn luyện, đưa ảnh vào nhận dạng so sánh, tìm ảnh thuộc vào lớp 3.4 Mô tả liệu 3.4.1 Thu nhập liệu Cơ sở liệu ảnh lấy 250 khuôn mặt từ thu thập từ nhiều nguồn khác ảnh 150 người lấy từ trang quản ly cán trường đại học 50 người lấy từ hệ thống quản ly nhận sự: http://qlkh.mobifone.vn/b9_qlhs/login.xhtml 50 ảnh lấy từ hệ thống website:http://qlkh.mobifone.vn/b9_cskh/login.xhtml Ngồi ra, có tập liệu tạo lúc thực đề tài Đó liệu thu thập WebCam gồm người khác Chính sự chủ động việc tạo mẫu nên số lượng ảnh khoảng 11ảnh/1người Nhận xét tập mẫu liệu: Hầu hết khuôn mặt xuất ảnh khuôn mặt trực diện với mặt phẳng ảnh khuôn mặt đều đầy đủ thông tin Nguyễn Thị Thủy 35 Đại Học Công Nghệ đặc trưng {Hai chân mày, hai mắt, mũi, miệng, cằm} 11 ảnh/1người trạng thái khác như( cưới, khóc, vui, buồn,…) Kích thước chuẩn hố mẫu tập huấn luyện mơ tả Hình07 Tuỳ thuộc vào đặc trưng xử ly thuật toán ta sử dụng hai dạng kích thước ảnh chuẩn Mỗi người có 11 ảnh chụp điều kiện ánh sáng cảm xúc khác Hình 21 Ví dụ ảnh người Yale face Database Hình 0.22 Ảnh 12 khuôn mặt người đánh thứ tự từ đến 12 Nguyễn Thị Thủy 36 Đại Học Công Nghệ Hình 0.23 Kích thước chuẩn hóa mẫu khuôn mặt học tập 3.4.2 Biểu diễn liệu khn mặt máy tính Dữ liệu ảnh biểu diễn bên máy tính cường độ sáng điểm ảnh, vị trị x y: (I(x,y)) Để biểu diễn liệu cho thuật toán học nhận dạng, ta dùng hai cách tổ chức liệu sau:  Đọc dòng ảnh theo thứ tự từ xuống, dòng ảnh bố trí liên tục mảng số thực chiều Như từ ảnh biểu diễn thành mảng vector chiều máy tính x=(x1,x2,….,x900).Đây  cách bố trí để thí nghiệm cho phương pháp PCA Đọc khối ảnh theo thứ tự khối chồng lấp khối kích thước tính theo chiều cao, khối ảnh ta lại tiếp tục tách khối 8×8 liên tục Từ khối 8×8(pixels), chúng tơi chọn 20 hệ số đặc trưng từ phép biến đổi miền tần số Mỗi khối ảnh 8×32 lượng hoá thành vector chiều Như đỗi với ảnh khuôn mặt ta biểu biển máy tính thành chuỗi vector chiều liên tiếp Trong chương luận văn xây dựng chương - 3.4.3 trình giải vấn đề sau: Đầu vào: ảnh khn mặt người chuẩn hóa Đầu ra: chương trình nhận dạng đưa ảnh thơng tin về người Dữ liệu huấn luyện Nguyễn Thị Thủy 37 Đại Học Công Nghệ Tập liệu chia làm hai tập tập luyện (training) tập thử nghiệm (testing) Mỗi gương mặt đều xuất năm lần tập với tư khác góc chụp ảnh khác Tập ảnh luyện (Training) a Hình 0.24 Một phần tập ảnh luyện Tập ảnh thử nghiệm (Testing) b Hình 0.25 Một phần tập ảnh thử nghiệm Xét về mặt kỹ thuật, ảnh đều chuẩn hóa về ảnh màu có kích thước 3.5 Kết quả thực nghiệm Hệ thống sử dụng 200 ảnh từ nguồn sau: 150 ảnh lấy từ mạng 50 lấy từ nguồn ảnh cán quan chụp từ điện thoại Đưa 50 thông tin 200 ảnh lấy từ nguồn thực nghiệm kết quả thu bảng sau: Loại ảnh Nhận nhận Không Không phải Tổng mặt số Ảnh nằm tập huấn luyện 100 100 0 Khuôn mặt nằm tập huấn luyện Nguyễn Thị Thủy 38 Đại Học Công Nghệ 30 29 Khuôn mặt không nằm tập huấn luyện (khuôn mặt mới) 105 97 Ảnh khơng có khn mặt 50 0 15 Hình 0.26 Bảng 1.1 Bảng Thực nghiệm nhận dạng số lượng ảnh Kết quả thực nghiệm nhận dạng khuôn mặt sử dụng phương pháp luận văn đưa so với sử dụng PCA ta thấy kết quả sau: Hình 0.27 kết quả thực nghiệm so với sử dụng PCA Với ảnh thực nghiệm, tập luấn luyện có ảnh kết quả phương phát PCA phương pháp phát khuôn mặt kết hợp PCA – SVM 3.6 Ứng dụng quản lý nhân 3.6.1 Mơ hình nhận dạng quản lý nhân Từ mơ hình nhận dạng khn mặt mà luận văn trình bày Tơi xin đề xuất ứng dụng quản ly nhận sự sử dụng nhận dạng khn mặt Như mơ hình Nguyễn Thị Thủy 39 Đại Học Công Nghệ bên dưới: đặt camera trước vào quan, người đứng trước camera hệ thống nhận thông tin người thực mở cửa, nhập thơng tin chức nhận dạng Hình 0.28 Mơ hình nhận dạng cửa vào quan 3.6.2 Giao diện hình chức nhận dạng Dữ liệu cập nhập vào hình danh mục chấm công sau hệ thống nhận dạng thông tin người qua cửa châm công quan Nguyễn Thị Thủy 40 Đại Học Công Nghệ 3.6.3 Giao diện hình chức quản lý phận Chức cho phép người dùng thêm thông tin phân quan vào hệ thống Nguyễn Thị Thủy 41 Đại Học Cơng Nghệ 3.6.4 Giao diện hình chức quản lý phòng ban Chức cho phép người dùng thêm thơng tin phòng ban quan vào hệ thống Nguyễn Thị Thủy 42 Đại Học Cơng Nghệ 3.6.5 Giao diện hình chức quản lý nhân Chức cho phép người dùng thêm thông tin nhân sự quan vào hệ thống Nguyễn Thị Thủy 43 Đại Học Công Nghệ KẾT LUẬN Nguyễn Thị Thủy 44 Đại Học Công Nghệ Luận văn tốt nghiệp trình bày chi tiết, cụ thể về nhận dạng khuôn mặt người dựa kỹ thuật phát khuôn mặt sử dụng phương pháp Viola Jone Face Detection, trích chọn đặc trưng sử dụng Weber local descriptor, phân tích thành phần sử dụng PCA phân lớp SVM Và xây dựng chương trình thử nghiệm để đánh giá kết quả việc sử dụng kỹ thuật phương pháp để nhận dạng Từ thực nghiệm ta thu số kết quả đánh giá về thuật toán sử dụng Các kết quả đạt cho thấy độ xác chương trình tương đối cao khoảng 96% nhận dạng Những kết quả tổng kết sau:  Giới thiệu chi tiết về phương pháp phát khuôn mặt sử dụng phương pháp   Viola Jone face detection Giới thiệu chi tiết về phương pháp trích chọn đặc trưng Giới thiệu chi tiết về phương pháp phân tích thành phần máy vestor hỗ   trợ (SVM) Nhận xét đánh giá kết quả đạt cho tốn nhận dạng khn mặt Đưa sự kết hợp phương pháp cũ, đơn giản, hiệu quả độ xác tương đương tốt phương pháp khác Tuy nhiên, thời gian có hạn cộng thêm khối lượng cơng việc lớn nên số vấn đề y tưởng mà luận văn chưa thực Nhằm cải thiện khả hoạt động chương trình, chương trình có thêm chức năng:  Tự động đưa ảnh nhận dạng về kích thước phù hợp ta thực quét ảnh đưa  vào chương trình nhận dạng đưa kết quả Nhận dạng mặt người qua webcam Ý tưởng đưa nhập vào hình ảnh trực tiếp từ webcam hình ảnh webcam mô tả người với khung nền biến đổi người đám đơng Sau chương trình phát khoanh vùng vị trí khn mặt khung hình truy xuất sở liệu đưa thơng tin về người Đó y tưởng phát triển tương lai luận văn Hiện tại, chương trình thực hai chức đưa vào ảnh đưa kết quả nhận dạng Nguyễn Thị Thủy 45 Đại Học Công Nghệ TÀI LIỆU THAM KHẢO [1] Kyungnam Kim Department of Computer Science University of Maryland, College Park MD 20742, USA, Face Recognition using Principle Component Analysis Nguyễn Thị Thủy 46 Đại Học Công Nghệ [2 Guru Kashi Universiy, Sardulgarh Road, Talwandi Sabo, Punjab 151302, India, Face Recognition and Detection using Viola-Jones and Cross Correlation Method [3] Baback Moghaddam and Alex Pentland (1998), Beyond Linear Eigenspaces: Bayesian Matching for Face Recognition, Face Recognition from Theory and Applications, MIT Media Laboratory, 20 Ames St Cambridge, MA 02139, USA, pp 230-243 [4] Jie Chen, Member, IEEE, Shiguang Shan, Member, IEEE, Chu He, Guoying Zhao, Matti Pietikäinen, Senior Member, IEEE, Xilin Chen, Senior Member, IEEE, Wen Gao, Fellow, IEEE, WLD: A Robust Local Image Descriptor [5] Alaa Eleyan and Hasan Demirel, PCA and LDA based Neural Networks for Human Face Recognition, Eastern Mediterranean University, Northern Cyprus [6] Christopher J.C Burges (1998), A Tutorial on Support Vector Machines for Pattern Recognitio, Data Mining and Knowledge Discovery 2, pp 121 -167 [7] Daniel Bgraham Nigel M Allinson (1998), Characterising Virtual Eigensignatures for General Purpose Face Recognition, Face Recognition from Theory and Applications, Image Engineering and Neural Computing Group, Department of Electrical Engineering and Electronics, University of Manchester Institute of Science and Technology Manchester M60 1QD, UK, pp 446-456 [8] Emmanuel Viennet and Francoise Fogelman Soulie (1998), Connectionists Methods for Human face Rrocessing, Face Recognition from Theory and Applications, University Paris 13, 93430 Villetaneuse, France, pp 124156 [9] Guodong Guo, Stan Z.Li, Kap Luk Chan (2001), Learning Similarity for Texture Image Retrieval, School of EEE, Nanyang, Technological University Nanyang Avenue, Singapore Nguyễn Thị Thủy 47 Đại Học Công Nghệ [10] Bernd Heisele, Purdy Ho and Tomaso Poggio, Face Recognition with Support Vector Machines: Global versus Component-based Approach, Massachusetts Institute of Technology Center for Biological and Computational Learning Cambridge, MA 02142 [11] H Moon, P.J Phillips, Computational and Performance aspects of PCAbased Face Recognition Algorithms, Perception, Vol 30, 2001, pp 303-321 [12] Jeffrey Huang, Chengjun Liu, and Harry Wechsler, Eye Detection and Face Recognition Using Evolutionary Computation, Face Recognition from Theoryand Applications, Department of Computer Science, George Mason University, pp 348-377 [13] Kazunori Okada, Johannes Steffens, Thomas Maurer, Hai Hong, Egor Elagin, Hartmut Neven, and Christoph (1998), Computer Science Department and Center for Neural Engineering, Face Recognition from Theory and Applications, University of Southrn California Los Angeles, USA, pp 186-205 [14] K Jonsson, J Matas, J Kittler, Y.P Li, Learning Support Vectors for Face Verification and Recognition, Proc of the IEEE International Conference onAutomatic Face and Gesture Recognition, 26-30 March 2000, Grenoble, France, pp 208-213 [15] M.A Turk, A.P Pentland, Face Recognition Using Eigenfaces, Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, Maui, Hawaii, USA, 3-6 June 1991, pp 586-591 [16] M.Kirby and L.Sirovich, Application of the karhunen-loeve procedure for the characterization of human faces, IEEE Pattern Analysis and Machine Intelligence, vol.12, no 1, 1990, pp.103-108 [17] M Turk, A Pentland, Eigenfaces for Recognition, Journal of Cognitive Neurosicence, Vol 3, No 1, 1991, pp 71 -86 Nguyễn Thị Thủy 48 Đại Học Công Nghệ [18] Rabia Jafri and Hamid R Arabnia, A Survey of Face Recognition Techniques, Journal of Information Processing Systems, Vol.5, No.2, June 2009, pp 44-68 [19] Setiawan Hadi, Iping Supriana Suwardi, and Farid Wazdi, Technology of Face Recognition for Security System, Mathematics Department UNPAD, Jl Dipati Ukur 35 Bandung [20] Steven W.Smith (1999), Chapter 27: Data compression, The Scientist and Engineer’s Guide to Digital Signal Processing, California Technical Publishing San Diego, California, pp 481 -502 [21] T.Kohonen, Self-organzation and Associative Memory, SpringerVerlag, Berlin, 1989 [22] Wenyi Zhao, Arvindh Krishnaswamy, Rama Chellappa, Danie L.Swets, John Weng (1998), Discriminant Analysis of Principal Components for Face Recognition, Face Recognition from Theory and Applications, Centrer for Automation Research, University of Maryland, pp 73-85 Nguyễn Thị Thủy 49 Đại Học Công Nghệ ... Chương 3: ỨNG DỤNG CÁC KỸ THUẬT TRONG NHẬN DẠNG KHUÔN MẶT Đưa mơ hình xây dựng tốn nhận dạng khuôn mặt người, bước thực đánh giá thử nghiệm CHƯƠNG 1: BÀI TOÁN NHẬN ĐỐI TƯỢNG NHẬN DẠNG KHUÔN MẶT 1.1... TỐN NHẬN ĐỐI TƯỢNG NHẬN DẠNG KHN MẶT Giới thiệu cách thức nhận dạng khn mặt người, nên nhận dạng người khuôn mặt, tầm quan trọng toán thực tiễn, số ứng dụng thực tiễn tốn nhận dạng khn mặt. .. biểu nhận dạng sử dụng phổ biến nhận dạng khuôn mặt người ứng dụng điện thoại di động cụ thể IphoneX Sangsung sử dụng Hiện có nhiều Phương pháp nhận dạng khác xây dựng để nhận dạng người