Ứng dụng thuật toán nhận dạng khuôn mặt phục vụ công việc điểm danh lớp học ở trường THPT đồng hới

ĐẠI HỌC ĐÀ NẴNG TRƯỜNG ĐẠI HỌC BÁCH KHOA BÙI HỮU ĐỨC ỨNG DỤNG THUẬT TỐN NHẬN DẠNG KHN MẶT PHỤC VỤ CÔNG VIỆC ĐIỂM DANH LỚP HỌC Ở TRƯỜNG THPT ĐỒNG HỚI Chuyên ngành: Khoa học máy tính Mã số: 8480101 TÓM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT Đà Nẵng - Năm 2018 Cơng trình hồn thành TRƯỜNG ĐẠI HỌC BÁCH KHOA Người hướng dẫn khoa học: TS TRẦN THẾ VŨ Phản biện 1: TS HUỲNH HỮU HƯNG Phản biện 2: TS HOÀNG VĂN DŨNG Luận văn bảo vệ trước Hội đồng chấm Luận văn tốt nghiệp thạc sĩ Khoa học máy tính Trường Đại học Quảng Bình vào ngày 05 tháng 01 năm 2019 Có thể tìm hiểu luận văn tại: - Trung tâm Học liệu Truyền thông Trường Đại học Bách khoa Đại học Đà Nẵng - Thư viện Khoa Công nghệ thông tin, Trường Đại học Bách khoa Đại học Đà Nẵng MỞ ĐẦU Lý chọn đề tài Hiện nay, công tác quản lý trường THPT, việc dành thời gian cho việc giảng dạy giáo viên kiêm nhiệm nhiều cơng việc khác chủ nhiệm lớp Với khoảng thời gian đó, việc kiểm sốt tham gia lớp học học sinh điều khó khăn Một yếu tố định việc nâng cao chất lượng giáo dục học sinh tham gia lớp học thường xuyên Theo phương pháp quản lý truyền thống, giáo viên sử dụng sổ điểm danh để theo dõi tính chuyên cần học sinh trước tiết dạy Việc lãng phí khoảng thời gian đáng kể Hơn nữa, trở nên phức tạp nhiều giáo viên phải quản lí với lớp có nhiều học sinh Tham gia lớp học cách thường xuyên việc quan trọng bắt buộc tất lớp học nói riêng nhà trường nói chung đề kiểm tra tính chun cần học sinh Mỗi giáo viên có phương pháp riêng lĩnh vực Một số giáo viên sử dụng phương pháp thủ công cách sử dụng sổ điểm danh sử dụng phần mềm máy tính khác Tuy nhiên, việc sử dụng cơng nghệ cơng việc hạn chế mẻ Hiện nay, có số phương pháp tự động sử dụng được: Ví dụ phân tích dấu vân tay hay nhận dạng sinh trắc học thông qua nhận diện tròng mắt[18] Tuy nhiên phương pháp gây lãng phí thời gian học sinh phải xếp hàng để thực thao tác thiết bị quét Khi nói đến trường học, hệ thống theo dõi giám sát trợ giúp tuyệt vời cho giáo viên phụ huynh học sinh Phụ huynh khơng thiếu thơng tin lớp trường học sử dụng hệ thống theo dõi chuyên môn Với hệ thống quản lý giám sát trực tiếp, thơng tin dễ dàng in mềm lưu trữ hệ thống cách xác an tồn Để giảm bớt áp lực công việc thời gian cho giáo viên công tác quản lý học sinh, chúng tơi chọn đề tài “Ứng dụng thuật tốn nhận dạng khuôn mặt phục vụ công việc điểm danh lớp học trường THPT Đồng Hới” Mục đích ý nghĩa đề tài - Mục đích Nghiên cứu lý thuyết, xây dựng chương trình thực nghiệm mô để nhận dạng khuôn mặt kiểm tra số học sinh tham gia lớp học Điều giúp nhà trường quản lý tính chuyên cần học sinh, tiết kiệm vật chất, thời gian giáo viên - Ý nghĩa khoa học thực tiễn đề tài Về khoa học: Tìm hiểu, nghiên cứu tài liệu công bố xử lý ảnh; thành phần hệ thống xử lý ảnh; Một số phép biến đổi hình ảnh; Một số kỹ thuật nhận dạng mặt người… Áp dụng kiến thức tìm hiểu để thực thiết kế chương trình nhận diện khn mặt danh tính học sinh lớp học phục vụ cho toán điểm danh lớp học Về thực tiễn: Mô thành công phương pháp nhận dạng hình ảnh để ứng dụng vào việc quản lý học sinh nhà trường Các nghiên cứu liên quan đến đề tài 3.1 Các nghiên cứu nước 3.2 Các nghiên cứu nước Mục tiêu, nhiệm vụ nghiên cứu 4.1 Mục tiêu nghiên cứu Trong đề tài này, tơi trình bày bước để phân tích nhận dạng hình ảnh mà cụ thể nhận dạng khuôn mặt sở lý thuyết Sau đó, sau nghiên cứu để nhận dạng điểm danh lớp học thông qua video, ảnh Kết hướng phát triển đề tài chương trình đơn giản kiểm tra tính chuyên cần học sinh tham gia lớp học 4.2 Nhiệm vụ nghiên cứu Để hoàn thành mục tiêu đặt ra, nhiệm vụ đề tài là: + Về lý thuyết - Tìm hiểu lý thuyết xử lý ảnh, kỹ thuật nhận dạng hình ảnh, nhận dạng khn mặt, thuật tốn nhận dạng khuôn mặt định danh - Nghiên cứu xử lý hình ảnh thư viện hỗ trợ để thực demo việc nhận dạng khn mặt định danh + Về thực tiễn - Tạo cở sở liệu ảnh nguồn từ thực tế cách chụp hình học sinh trường THPT Đồng Hới để làm liệu cho việc nhận dạng khuôn mặt; - Ứng dụng thư viện mã nguồn viết chương trình đơn giản với đầu vào ảnh chụp video học sinh tham gia lớp học, kết nhận dạng danh tính học sinh ngày học Phạm vi đề tài Nghiên cứu phương pháp đề xuất để nhận dạng hình ảnh, đặc biệt nhận dạng khn mặt giới theo báo nghiên cứu khoa học Nghiên cứu, khảo sát tình hình áp dụng cơng nghệ trường THPT công tác quản lý học sinh Phương pháp nghiên cứu Phương pháp nghiên cứu lý thuyết Nghiên cứu sở lý thuyết trí tuệ nhân tạo kỹ thuật nhận dạng xử lý ảnh Đọc, nghiên cứu, phân tích, tổng hợp từ tài liệu, báo nghiên cứu khoa học liên quan công bố Việt Nam giới Phân tích đánh giá hệ thống nhận dạng, phát mặt người, nhận dạng định danh tính, sử dụng kỹ thuật trích xuất, biểu diễn đặc trưng mơ hình nhận dạng để nhận dạng phát danh tính người Phương pháp nghiên cứu thực nghiệm Cài đặt, thực nghiệm giải pháp kỹ thuật biểu diễn đặc trưng, máy phân trí tuệ nhân tạo phân tích, biểu diễn liệu phân loại nhận dạng khn mặt Đánh giá tính hiệu giải pháp ứng dụng kỹ thuật trí tuệ nhân tạo với cách tiếp cận khác nhận dạng mặt người, nhận xét đánh giá giải pháp tìm hiểu đề xuất ứng dụng Cài đặt thử nghiệm đánh giá cải tiến thuật toán nhận dạng mặt người kỹ thuật HOG, SVM,… CHƯƠNG TỔNG QUAN VỀ XỬ LÝ ẢNH 1.1 Cơ xử lý ảnh 1.1.1 Tổng quan xử lý ảnh 1.1.2 Các thành phần hệ thống xử lý ảnh Thu nhận hình ảnh Tiền xử lý Trích chọn đặc trưng Phân loại, nhận dạng mẫu Ra định Biểu diễn tri thức nh 1.1 Sơ đồ tổng quát hệ thống xử lý ảnh 1.1.3 Một số phép biến đổi ảnh Biến đổi ảnh việc áp dụng phương pháp để biến đổi ảnh đầu vào I thu kết đầu I' theo mong muốn I ảnh đầu vào f(I) biến đổi ảnh I' ảnh đầu (a) Hough transfor m (b) nh 1.2 Biến đổi ảnh (a) sơ đồ tổng quát (b) biến đổi ảnh Hough 1.1.3.1 Lược đồ ảnh nh 1.3 Lược đồ ảnh đa mức xám 1.1.3.2 Điều chỉnh mức sáng (a) (b) nh 1.4 Điều chỉnh độ sáng ảnh màu HSV 1.1.3.3 Điều chỉnh độ tương phản 1.1.3.4 Cân lược đồ ảnh (a) (b) nh 1.5 Cân lược đồ: (a) ảnh gốc, (b) ảnh sau cân 1.2 Một số phương pháp tiền xử lý ảnh 1.2.1 Phép tích chập m /2 k ( x, y) n /2 f ( x, y) k (u, v) f ( x u, y v) u m /2 v a) Ảnh grayscale n /2 b) Ảnh làm mờ tích chập nh 1.6 Lọc ảnh kỹ thuật tích chập 1.2.2 Kỹ thuật lọc ảnh thơng dụng 1.2.2.1 Lọc trung bình 1.2.2.2 Lọc Sobel 1.2.2.3 Lọc trung vị 1.2.2.4 Lọc Gaussian nh 1.7 Lọc Gaussian 1.2.3 Biến đổi hình thái học 1.2.3.1 Tổng quan hình thái học S(i,j) [0, 1] nh 1.8 Ví dụ phần tử cấu trúc đơn giản 1.2.3.2 Các phép co – giãn ảnh A ! B {z E | Bz A} nh 1.9 Làm mỏng vùng phép toán co ảnh + Phép giãn ảnh A B B A Ba a A Ab b B nh 1.10 Làm đậm vùng phép toán giãn ảnh 1.2.3.3 Phép mở ảnh A B ( A ! B) B 1.2.3.4 Phép đóng ảnh A• B (A B) ! B 10 nh 1.13 Kết trích xuất cạnh dùng thuật tốn Canny 1.4 Phương pháp phân vùng ảnh 1.4.1 Tổng quan phân vùng ảnh 1.4.2 Phân vùng dựa vào ngưỡng 1.4.2.1 Phân ngưỡng thủ công F (i, j ) for I (i, j ) Th otherwise nh 1.14 Kết phân ngưỡng với giá trị ngưỡng Th=80 1.4.2.2 Phân đoạn ngưỡng tự động nh 1.15 Xác đị gưỡ g p â đoạn bằ g lược đồ ảnh 1.4.3 Phân vùng kỹ thuật Otsu nh 1.16 Phân đoạn ảnh Otsu 11 1.4.4 Phân vùng kỹ thuật k-means 10 9 0 0 4 Gán đối tượng vào K=2 Chọn k đối tượng trung tâm tùy ý 0 10 Gán lại đối Cập nhật lại trọng tâmGán lại đối tượng 10 10 9 8 7 6 5 0 10 Cập nhật lại trọng 0 10 nh 1.17 Minh họa phân cụm k-means nh 1.18 Phân đoạn ảnh k-means 12 CHƯƠNG MỘT SỐ KỸ THUẬT NHẬN DẠNG MẶT NGƯỜI 2.1 Trích xuất biểu diễn đặc trưng ảnh Đặc trưng ảnh thuộc tính trích rút từ ảnh dựa phân phối cấu trúc hình ảnh, đối tượng có ảnh, từ tổng hợp liệu riêng lẻ để xác định thơng tin đo lường quan sát, phân tích tình từ liệu hình ảnh Phương pháp trích chọn biểu diễn đặc trưng để thể cách riêng biệt độc lập yêu cầu bản, quan trọng định mức độ thành công phương pháp phân loại, nhận dạng mẫu 2.2 Đặc trưng Haar-like ứng dụng phát mặt người 2.2.1 Mô tả đặc trưng f ( x) aar I (i, j ) (i , j ) white regions I (i, j ) ( i , j ) black regions (a) (b) nh 2.1 Các mẫu đặc trưng Haar: (a) khối phân phối theo đề xuất Viola, (b) ứng dụng nhận dạng mặt người 13 2.2.2 Trích xuất đặc trưng aar y x y j CS ( x, y) I (i, j ) j i Để kế thừa phần tử tính trước đó, ta viết lại cơng thức tính tổng tích lũy: CS ( x, y) CS ( x, y 1) CS ( x 1, y) CS ( x 1, y 1) I ( x, y) A B D C nh 2.2 Tính nhanh tổng giá trị pixel vùng chữ nhật Sum( ABCD) CS (C ) CS ( B) CS ( D) CS ( A) 2.3 Bộ mô tả đặc trưng HOG nhận dạng người 2.3.1 Mô tả đặc trưng OG 2.3.2 Quá tr nh trích rút đặc trưng Mẫu ảnh vào Tiền xử lý Tính gradient Chia hướng, nhóm theo cell OG Tính đặc trưng chuẩn hóa theo block nh 2.3 Q trình trích xuất đặc trưng Q trình trích rút đặc trưng HOG sau: Trích xuất đặc trưng toàn mẫu ảnh OG - Bước 1: Tiền xử lý thực chuẩn hóa màu, lọc nhiễu, chuyển ảnh màu qua ảnh đa mức xám, - Bước 2: Tính gradient ảnh tất pixel ảnh 14 Gy G θ Gx nh 2.4 Tính hướng độ lớn gradient (a) (b) (c) nh 2.5 Tính gradient ảnh: (a) ảnh đa mức xám, (b) giá trị gradient theo chiều X Y, (c) hướng độ lớn gradient - Bước 3: Chia hướng theo bin lược đồ hướng gradient: nh 2.6 Chia hướng theo bin lược đồ hướng gradient - Bước 4: Tính chuẩn hóa vector đặc trưng cho block: 15 - Bước 5: Tính vector đặc trưng cho toàn mẫu ảnh Mẫu ảnh vào Tiền xử lý Tính gradients Chia hướng nhóm theo hướng gradient cells Tính đặc trưng chuẩn hóa theo block Trích xuất đặc trưng tồn mẫu ảnh nh 2.7 Sơ đồ tổng quan trích rút đặc trưng OG Cơng thức tổng qt tính số phần tử vector đặc trưng HOG: nHOG bs2nb (wcell bs )(hcell b s ) Trong đó: nb số bin cell; bs kích thước block (tính theo cell); khoảng trượt block (tính theo cell); wcell chiều rộng mẫu (tính theo cell); hcell chiều cao mẫu (tính theo cell); Một số ví dụ biểu diễn đặc trưng HOG toán nhận dạng mặt người sau: 16 (a) Mẫu ảnh AT&T (b) Mẫu ảnh tự tạo nh 2.8 Đặc trưng OG trích xuất từ khuôn mặt 2.4 Kỹ thuật học máy phát nhận dạng khuôn mặt 2.4.1 Kỹ thuật Boosting phát khuôn mặt 2.4.2 Kỹ thuật SVM nhận dạng khn mặt Thuật tốn SVM (Support Vetor Machines)là thuật toán phân loại nhị phân, thuộc phương pháp học có giám sát Thuật tốn cho trước số điểm liệu với nhãn chúng thuộc lớp cho trước (dữ liệu huấn luyện) Mục tiêu thuật toán xác định xem điểm liệu thuộc lớp (Phân loại) x2 H3 H4 H5 H2 H1 x1 nh 2.9.Có vơ số đường thẳng phân chia tuyến tính, nhiên với đường phân chia 5, có điểm bị phân loại nhầm nh 2.10 Không thể phân chia lớp liệu cách tuyến tính Ánh xạ liệu không gian ban đầu vào không gian nhiều chiều 17 Ánh xạ đặc trưng liệu Siêu phẳng phân tách Phức tạp khơng gian chiều Đơn giản khơng gian nhiều chiều nh 2.11 Việc phân tách liệu trở nên dễ dàng không gian x2 Support vector Support vector x1 2.12 Các siêu phẳng phân chia tập mẫu thành hai lớp support vector SVM C ƯƠNG ĐỀ XUẤT GIẢI PHÁP VÀ THỰC NGHIỆM 3.1 Bài tốn nhận dạng mặt người Nhận dạng khn mặt trình xác định người hình ảnh video cách so sánh xuất khn mặt hình ảnh chụp với sở liệu Nhận dạng khn mặt có nhiều ứng dụng khác nhau, từ loại camera an ninh -giám sát đến nhận dạng sinh trắc học cách truy cập vào thiết bị hệ thống giám sát Phần trình bày số kết nghiên cứu ứng dụng kỹ thuật máy tính thuật tốn thị giác máy tính để phát khn mặt nhận dạng danh tính hình ảnh Các nội dung đề cập phần bao gồm Phát khuôn mặt từ ảnh tổng thể kỹ thuật phân loại Adaboost phương pháp trích xuất đặc trưng Haar-like feature sử dụng phương pháp dựa sở thuật tốn có huấn luyện tập liệu dùng chung 18 3.2 Đề xuất mô hình nhận dạng danh tính người qua khn mặt Giải pháp đề xuất gồm nhiệm vụ: (1) Phát vị trí khn mặt từ ảnh tổng thể thu nhận camera giám sát; (2) nhận dạng danh tính người từ vùng ảnh khuôn mặt phát bước Trong hệ thống nhận dạng danh tính người này, tập trung chủ yếu vào việc phát triển mơ hình kiến trúc nhận dạng để xác định danh tính người từ mẫu ảnh chứa mặt người bước Phần trích xuất vùng quan tâm (vùng ảnh chứa khuôn mặt) thực phương pháp hành Nghĩa là, công đoạn phát vị trí mặt người ảnh tổng thể thực kỹ thuật real time face detection nhóm tác giả Viola [] Bộ nhận dạng vùng khn mặt huấn luyện tập liệu chuẩn dùng chung phương pháp trích xuất đặc trưng Haar-like feature máy phân loại Adaboost Để xây dựng hệ thống nhận dạng danh tính người thực cách sử dụng kỹ thuật trích chọn biểu diễn đặc trưng hình ảnh mặt người sau sử dụng kỹ thuật học máy để nhận dạng mặt người Nhiệm vụ trích chọn đặc trưng liên quan đến tốn có nhiều kỹ thuật trích xuất đặc trưng HOG, SHIFT, LBP, Haar-wave kết sử dụng làm đầu vào cho máy phân loại SVM, boosting, decision tree, GA, kỹ thuật học sâu Trong nghiên cứu này, đề xuất giải pháp sử dụng kỹ thuật trích chọn biểu diễn đặc trưng HOG máy phân loại hỗ trợ vector SVM để thực huấn luyện liệu nhận dạng danh tính dựa vào khn mặt 3.3 Thực nghiệm số sở liệu Trong thực nghiệm này, sử dụng khoảng 60% mẫu loại cho huấn luyện khoảng 40% cho đánh giá kiểm tra Quá trình thực nghiệm đánh giá thực máy tính cá nhân với cấu hình CPU Core I7 (2.4Ghz), 8GB RAM, HDD 1TB xử lý song song GTX 950 GPU Trong luận văn này, chúng tơi sử dụng tiêu chí đánh giá hiệu thuật tốn độ xác (accuracy), xác định theo 19 công thức số mẫu nhận dạng số mẫu lớp, độ xác tồn tập mẫu đánh giá tính tương tự xét cho toàn số lượng mẫu đánh giá Cơng thức tính độ xác sau: AC ND ND SN Trong đó: AC độ xác, ND số mẫu nhận dạng lớp nó, NS số mẫu nhận dạng bị sai 3.3.1 Thực nghiệm liệu Staffhome Kết thực nghiệm liệu Staffhome Số mẫu dùng cho huấn luyện Số mẫu dùng cho đánh giá Thời gian trích xuất đặc trưng cho huấn luyện Thời gian huấn luyện Thời gian trích xuất đặc trưng cho kiểm tra Thời gian nhận dạng Độ xác 2101 1393 73.19 giây 926.22 giây 43.02 giây 450.30 giây 98.42% 3.3.2 Thực nghiệm liệu AT&T_faces Kết thực nghiệm liệu AT&T Số mẫu dùng cho huấn luyện Số mẫu dùng cho đánh giá Thời gian trích xuất đặc trưng cho huấn luyện Thời gian huấn luyện Thời gian trích xuất đặc trưng cho kiểm tra Thời gian Nhận dạng Độ xác 240 160 1.76 giây 34.98 giây 0.91 giây 10.08 giây 85.00% 3.3.3 Thực nghiệm liệu tự tạo 3.3.3.1 Mô tả liệu Bộ liệu chúng tơi tạo lập gọi Student1, thực cách chụp hình với camera có độ phân giải bình thường 20 Kết thực nghiệm liệu tự tạo Số mẫu dùng cho huấn luyện Số mẫu dùng cho đánh giá Thời gian trích xuất đặc trưng cho huấn luyện Thời gian huấn luyện Thời gian trích xuất đặc trưng cho kiểm tra Thời gian nhận dạng Độ xác 3051 2032 51.55 giây 121.11 giây 29.30 giây 32.04 giây 94.39 % 3.4 Một số ví dụ minh họa thực nghiệm nhận dạng danh tính người Chúng xây dựng giao diện trực quan cho phép lựa chọn mơ hình nhận dạng huấn luyện, chọn mẫu khuôn mặt nhận dạng danh tính Dưới kết nhận dạng danh tính dùng mơ hình nhận dạng huấn luyện tập liệu tương ứng 3.4.1 Nhận dạng tập liệu AT&T 3.4.2 Nhận dạng tập liệu Staffhome 3.4.3 Nhận dạng tập liệu tự tạo Mơ hình nhận dạng huấn luyện từ liệu tự chụp 30 học sinh lớp 11A, để máy nhận dạng xác định danh tính 30 học sinh tương ứng loại trừ mẫu ảnh học sinh này, chúng tơi thêm vào nhóm thứ 31 gồm ảnh người đối tượng khác Một số kết thể hình sau: Mẫu ảnh học sinh Bùi Đức Hải Đăng 21 Mẫu ảnh học sinh Trần Thị Ngọc Uyên Mẫu ảnh học sinh Vũ Hoàng Anh Tuấn (a) Một số mẫu ảnh cá nhân học sinh (b)Nhận dạng danh tính 22 (a) Một số kết nhận dạng khơng xác định danh tính liệu học sinh nh 3.1 Kết nhận dạng dùng mơ hình huấn luyện liệu tự tạo từ học sinh lớp 11A 23 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 4.1 Kết luận Trên sở nghiên cứu vấn đề liên quan đến toán tự động hóa phát khn mặt nhận dạng danh tính người sử dụng kỹ thuật xử lý ảnh trí tuệ nhân tạo, luận văn tập trung vào nghiên cứu đề xuất giải pháp sử dụng phương pháp trích xuất biểu diễn đặc trưng hình ảnh kỹ thuật HOG sử dụng kỹ thuật học máy SVM để huấn luyện mơ hình nhận dạng áp dụng xác định danh tính người qua ảnh khuôn mặt Giải pháp thực nghiệm số sở liệu hình ảnh khn mặt liệu AT&T phòng nghiên cứu khoa học máy tính trường Đại học Cambridge liệu Staffhome trường Đại học Western Australia Chúng thực chia tập liệu hình ảnh thành phần với tỷ lệ 60% dùng để huấn luyện máy nhận dạng SVM 40% cho đánh giá kiểm tra độ xác Các mơ hình nhận dạng tập liệu 98.42% 85.00% tương ứng với liệu Staffhome AT&T Bên cạnh đó, chúng tơi tiến hành tự chụp hình phòng học để nhận dạng danh tính học sinh tương ứng với tốn điểm danh học sinh lớp học Thông thường với tốn điểm danh, camera gắn phía trước lớp chụp điều kiện ánh sáng nhà (thiếu sáng), hình ảnh bị mờ đặc biệt Với giả thiết này, sử dụng camera máy ảnh điện thoại có chất lượng bình thường để chụp tạo mẫu liệu Mẫu ảnh thu thập 30 học sinh lớp 11A Mơ hình nhận dạng sau huấn luyện nhận dạng theo mẫu ảnh khn mặt học sinh điều kiện đạt độ xác 94% Kết nghiên cứu thu làm sở bước đầu để phát triển, ứng dụng toán nhận dạng danh tính người hệ thống giám sát đặc biệt toán tự động nhận dạng điểm danh học sinh lớp học Bên cạnh đó, q trình xây dựng chương trình, tơi tìm hiểu thư viện HOG, SVM, Face detection để sử dụng biễu diễn đặc trưng liệu hình ảnh phục vụ huấn luyện máy nhận dạng kiểm tra mẫu độc lập góc độ nghiên cứu tốn phát khn mặt nhận dạng danh tính qua khn mặt 24 Kết nghiên cứu thực nghiêm tập liệu đánh giá tiêu chí thời gian tính tốn trích xuất đặc trưng, tốc độ nhận dạng độ xác ứng dụng thực tế cho tốn nhận dạng định danh qua khn mặt, áp dụng cho toán tự động điểm danh học sinh toán giám sát dân 4.2 Hướng phát triển Các kết nghiên cứu đạt tiền đề phát triển xây dựng chương trình hồn chỉnh để áp dụng thực tế toán tự động điểm danh học sinh lớp học Ngồi ra, kết nghiên cứu phát triển đề tài theo hướng tăng tốc độ tính tốn tăng số lượng danh tính người ứng dụng toán giám sát an ninh kiểm soát trật tự an ninh dân ... giảm bớt áp lực công việc thời gian cho giáo viên công tác quản lý học sinh, chọn đề tài Ứng dụng thuật tốn nhận dạng khn mặt phục vụ công việc điểm danh lớp học trường THPT Đồng Hới Mục đích... trình nhận diện khn mặt danh tính học sinh lớp học phục vụ cho toán điểm danh lớp học Về thực tiễn: Mô thành cơng phương pháp nhận dạng hình ảnh để ứng dụng vào việc quản lý học sinh nhà trường. .. demo việc nhận dạng khuôn mặt định danh + Về thực tiễn - Tạo cở sở liệu ảnh nguồn từ thực tế cách chụp hình học sinh trường THPT Đồng Hới để làm liệu cho việc nhận dạng khuôn mặt; - Ứng dụng