Nghiên cứu đề tài Phương pháp nhận dạng khuôn mặt người và ứng dụng trong quản lý nhân sự nhằm mục đích tìm hiểu bài toán nhận dạng khuôn mặt, từ đó xây dựng các hệ thống ứng dụng trong thực tiễn như: Điểm danh, giám sát người ra vào, an ninh trong sân bay. Và đề tài tập trung tìm hiểu một số phương pháp nhận dạng khuôn mặt người phổ biến hiện nay và đưa ra phương án nhận dạng cho bài toán nhận dạng khuôn mặt người.
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 i Đại Học Công Nghệ LỜI CAM ĐOAN Luận văn thạc sĩ đề tài “Nhận dạng khuôn mặt người ứng dụng quản lý nhân sự” cơng trình cá nhân tơi Các nội dung nghiên cứu kết 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 ký ghi rõ họ tên Nguyễn Thị Thủy ii Đại Học Công Nghệ MỤC LỤC LỜI CAM ĐOAN i MỤC LỤC iii DANH MỤC HÌNH VẼ, ĐỒ THỊ v DANH MỤC CÁC TỪ VIẾT TẮT vii PHẦN MỞ ĐẦU 1 Lý chọn đề tài Mục đích nghiên cứu luận văn, đối tượng, phạm vi nghiên cứu Mục đích luận văn: Nội dung luân văn CHƯƠNG 1: BÀI TỐN NHẬN ĐỐI TƯỢNG NHẬN DẠNG KHN MẶT 1.1 Tổng quan khái niệm liên quan đến nhận dạng khuôn mặt 1.1.1 Hệ thống sinh trắc học 1.1.2 Hệ thống nhận dạng khuôn mặt 1.1.3 Hệ thống xác minh hay xác thực khn mặt 1.1.4 Những thách thức tốn nhận dạng khn mặt 1.2 Tổng quan ứng dụng tương tác người máy liên quan tới khuôn mặt 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 khuôn mặt 1.3.2 Hướng tiếp cận luận văn CHƯƠNG 2: CÁC KỸ THUẬT CHO NHẬN DẠNG KHUÔN MẶT I Học máy 1.1 Phương pháp Deep Learning (CNN) 1.2 Phương pháp truyền thống II Các kỹ thuật sử dụng nhận dạng khuôn mặt Nguyễn Thị Thủy iii Đại Học Công Nghệ 2.1 Phát khuôn mặt (Viola Jone Face detection) 2.2 Trích chọn đặc trưng Weber local Descripor- WLD 12 2.3 Giới thiệu phương pháp phân tích thành phần PCA 15 2.3.1 Giới thiệu phương pháp PCA 15 2.3.2 Đặc trưng PCA 19 2.3.3 Phương pháp phân tích thành phần chính(PCA) 19 2.3.4 Các bước thực trích chọn đặc trưng PCA 21 2.4 Học máy hộ trợ vestor SVM 23 2.4.1 Cơ sở lý thuyết 23 2.4.2 SVM tuyến tính 23 2.4.3 SVM Phi Tuyến tính 25 CHƯƠNG 3: ỨNG DỤNG CÁC KỸ THUẬT TRONG NHẬN DẠNG KHUÔN MẶT 30 3.1 Phát khuôn mặt (Viola Jone Face Detection) 30 3.2 Trích chọn đặc trưng (WLD) 30 3.3 Phân tích thành phần PCA nhận dạng/phân lớp SVM 31 3.4 Mô tả liệu 32 3.4.1 Thu nhập liệu 32 3.4.2 Biểu diễn liệu khn mặt máy tính 34 3.4.3 Dữ liệu huấn luyện 35 3.5 Kết thực nghiệm 35 3.6 Ứng dụng quản lý nhân 37 3.6.1 Mơ hình nhận dạng quản lý nhân 37 3.6.2 Giao diện hình chức nhận dạng 38 3.6.3 Giao diện hình chức quản lý phận 39 3.6.4 Giao diện hình chức quản lý phòng ban 40 3.6.5 Giao diện hình chức quản lý nhân 41 KẾT LUẬN 42 DANH MỤC TÀI LIỆU THAM KHẢO…………………………………….43 Nguyễn Thị Thủy iv Đại Học Cơng Nghệ DANH MỤC HÌNH VẼ, ĐỒ THỊ Hình 0.1 So sách tác vụ nhận dạng khuôn mặt xác minh khuôn mặt Hình 0.2 Mơ nhận dạng khn mặt Hình 0.3 Haar Features sử dụng Violo Jones Hình 0.4 Applying on a give image Hình 0.5 Ví dụ Haar features 91 Hình 0.6 Ví dụ ảnh Integral 91 Hình 0.7 Ảnh ví dụ tính Ơ pixcel 92 Hình 0.8 Các bước loại khn mặt hay khơng 93 Hình 0.9 Kết phát khuôn mặt 93 Hình 0.10 Tính kích thích sai khác 95 Hình 0.11 Ảnh ảnh gốc, ảnh thứ ảnh trích chọn đặc trưng 95 Hình 0.12 Minh họa tính tốn WLD 96 Hình 0.13 Lụa chọn trục toạ độ để biểu diễn liệu [11] 178 Hình 0.14 Siêu măt phân cách tuyến tính cho trường hợp phân cách ký Hiệu support vestor diểm bao viền tròn 242 Hình 0.15 ảnh, H, với hình vng [1,-1] €R2 ánh xạ ϴ 27 Hình 0.16 nhị phân: Cấu trúc nhị phân với số lớp số mũ Phải: số mũ không số mũ 29 Hình 0.17 Mơ hình q trình tạo đặc trưng mặt 31 Hình 0.18 Mơ hình sử dụng nhận dạng khn mặt 31 Hình 0.19 Mơ hình q trình tạo đặc trưng mặt 312 Hình 0.20 ảnh ban đầu biểu diễn theo trọng số eigenface 323 Hình 0.21 Ví dụ ảnh người Yale face Database 334 Hình 0.22 Ảnh 12 khn mặt người đánh thứ tự từ đến 12 334 Hình 0.23 Kích thước chuẩn hóa mẫu khn mặt học tập 345 Hình 0.24 Một phần tập ảnh luyện 356 Nguyễn Thị Thủy v Đại Học Cơng Nghệ Hình 0.25 Một phần tập ảnh thử nghiệm 356 Hình 0.26 Bảng 1.1 Bảng Thực nghiệm nhận dạng số lượng ảnh 367 Hình 0.27 kết thực nghiệm so với sử dụng PCA 367 Hình 0.28 Mơ hình nhận dạng cửa vào quan 378 Nguyễn Thị Thủy vi Đại Học Công Nghệ DANH MỤC CÁC TỪ VIẾT TẮT PCA Principal Component Analysis SVM Support Vector Machine WLD Weber Local Description CNN Convolutional Neural Network Nguyễn Thị Thủy Nghệ vii Đại Học Công PHẦN MỞ ĐẦU Lý chọn đề tài Nhận dạng khuôn mặt lĩnh vực xử lý 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 lý 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 lý 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 Cơng Nghệ Đề tài tập trung tìm hiểu số phương pháp nhận dạng khuôn mặt người phổ biến đưa phương án nhận dạng cho tốn nhận dạng khn 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 TOÁN NHẬN ĐỐI TƯỢNG NHẬN DẠNG KHN MẶT Giới thiệu cách thức nhận dạng khn mặt người, nên nhận dạng người khn mặt, tầm quan trọng toán thực tiễn, số ứng dụng thực tiễn toán nhận dạng khuôn mặt Chương 2: CÁC KỸ THUẬT CHO NHẬN DẠNG KHUÔN MẶT Giới thiệu 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 KHN MẶT Đưa mơ hình xây dựng tốn nhận dạng khn mặt người, bước thực đánh giá thử nghiệm Nguyễn Thị Thủy Đại Học Cơng Nghệ CHƯƠNG 1: BÀI TỐN 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 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 khuôn mặt Hệ thống nhận dạng khuôn mặt hệ thống thiết kế để tìm thơng tin người Kĩ thuật nhận dạng kiểm tra 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 phù hợp phép so sánh một-một cụ thể đối chiếu thông tin nhận người với thông tin lưu trữ 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 Nguyễn Thị Thủy 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 lý cán trường đại học 50 người lấy từ hệ thống quản lý 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 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 đầy đủ thông tin Nguyễn Thị Thủy 32 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 hoá mẫu tập huấn luyện mơ tả Hình07 Tuỳ thuộc vào đặc trưng xử lý 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 khn mặt người đánh thứ tự từ đến 12 Nguyễn Thị Thủy 33 Đại Học Cơng 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), 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 trình giải vấn đề sau: - Đầu vào: ảnh khuôn mặt người chuẩn hóa - Đầu ra: chương trình nhận dạng đưa ảnh thông tin người Nguyễn Thị Thủy 34 Đại Học Cơng Nghệ 3.4.3 Dữ liệu huấn luyện Tập liệu chia làm hai tập tập luyện (training) tập thử nghiệm (testing) Mỗi gương mặt xuất năm lần tập với tư khác góc chụp ảnh khác a Tập ảnh luyện (Training) Hình 0.24 Một phần tập ảnh luyện b Tập ảnh thử nghiệm (Testing) Hình 0.25 Một phần tập ảnh thử nghiệm Xét mặt kỹ thuật, ảnh chuẩn hóa ảnh màu có kích thước 3.5 Kết 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 thu bảng sau: Nguyễn Thị Thủy 35 Đại Học Công Nghệ Loại ảnh Nhận nhận Không Không phải Tổng mặt số Ảnh nằm tập huấn luyện 100 100 0 Khuôn mặt nằm tập huấn luyện 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 thực nghiệm nhận dạng khuôn mặt sử dụng phương pháp luận văn đưa so với sử dụng PCA ta thấy kết sau: Hình 0.27 kết thực nghiệm so với sử dụng PCA Nguyễn Thị Thủy 36 Đại Học Công Nghệ Với ảnh thực nghiệm, tập luấn luyện có ảnh kết 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 Tôi xin đề xuất ứng dụng quản lý nhận sử dụng nhận dạng khn mặt Như mơ hình bên dưới: đặt camera trước vào quan, người đứng trước camera hệ thống nhận thơng tin người thực mở cửa, nhập thông tin chức nhận dạng Hình 0.28 Mơ hình nhận dạng cửa vào quan Nguyễn Thị Thủy 37 Đại Học Công Nghệ 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 38 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 39 Đại Học Công 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 40 Đại Học Cơng Nghệ 3.6.5 Giao diện hình chức quản lý nhân Chức cho phép người dùng thêm thông tin nhân quan vào hệ thống Nguyễn Thị Thủy 41 Đại Học Công Nghệ KẾT LUẬN Luận văn tốt nghiệp trình bày chi tiết, cụ thể 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 việc sử dụng kỹ thuật phương pháp để nhận dạng Từ thực nghiệm ta thu số kết đánh giá thuật toán sử dụng Các kết đạt cho thấy độ xác chương trình tương đối cao khoảng 96% nhận dạng Những kết tổng kết sau: Giới thiệu chi tiết phương pháp phát khuôn mặt sử dụng phương pháp Viola Jone face detection Giới thiệu chi tiết phương pháp trích chọn đặc trưng Giới thiệu chi tiết phương pháp phân tích thành phần máy vestor hỗ trợ (SVM) Nhận xét đánh giá kết đạt cho tốn nhận dạng khn mặt Đưa kết hợp phương pháp cũ, đơn giản, hiệu 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 ý 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 kích thước phù hợp ta thực quét ảnh đưa vào chương trình nhận dạng đưa kết Nhận dạng mặt người qua webcam Ý tưởng đưa nhập vào hình ảnh trực tiếp từ webcam hình ảnh webcam mơ tả người với khung biến đổi người đám đông Sau chương trình phát khoanh vùng vị trí khn mặt khung hình truy xuất sở liệu đưa thông tin người Đó ý tưởng phát triển tương Nguyễn Thị Thủy 42 Đại Học Công Nghệ lai luận văn Hiện tại, chương trình thực hai chức đưa vào ảnh đưa kết nhận dạng Nguyễn Thị Thủy 43 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 [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 Nguyễn Thị Thủy 44 Đại Học Công Nghệ 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 [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 Nguyễn Thị Thủy 45 Đại Học Công Nghệ 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 [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 46 Đại Học Công Nghệ ... 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 toán nhận dạng khuôn mặt Chương... 2: CÁC KỸ THUẬT CHO NHẬN DẠNG KHUÔN MẶT Giới thiệu 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... xử lý 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