PHƯƠNG PHÁP NHẬN DẠNG KHUÔN MẶT NGƯỜI VÀ ỨNG DỤNG TRONG QUẢN LÝ NHÂN SỰ LUẬN VĂN THẠC SỸ CÔNG NGHỆ THÔNG TIN

    ĐẠI HỌC QUỐC GIA HÀ NỘI  TRƯỜNG ĐẠI ĐẠI HỌ HỌC CÔNG NGHỆ NGHỆ  NGUYỄ NGUY ỄN THỊ THỊ THU  THUỶ Ỷ  PHƯƠNG PHÁP NHẬN NHẬN DẠ DẠNG KHUÔN MẶT MẶT NGƯỜ I VÀ Ứ NG NG DỤ DỤNG TRONG QUẢ QUẢN LÝ NHÂN SỰ  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 HƯỚ NG NG DẪ DẪN KHOA HỌ HỌC:  Ts Nguyễn Nguyễn Văn Vinh  HÀ NỘI- NĂM  NĂM 2018   Nguyễn Thị Thủy i Đại Học Công Nghệ      LỜI CAM ĐOAN  ĐOAN  Luận văn thạc sĩ đê  ̀ ta  ̀i “ Nhận dạng khuôn mặt ngườ i va  ̀  ư ́ ng du  ng ̣ qua ̉ n l y ́   nhân sư  ”̣ la  ̀ cơng trình cá nhân tơi Các nội dung nghiên cứu k ết quả trình bày luân văn trung thự c va  ̀ rõ ràng Các tài li ệu tham khảo đượ c trích dẫn đầy đủ và ghi rõ nguồn gốc Tác giả luận văn ký ghi rõ họ tên    Nguyễn Thị Thủy ii Đại Học Công Nghệ      MỤC LỤ LỤC LỜI CAM ĐOAN  ĐOAN  i MỤC LỤ LỤC iii DANH MỤ MỤC HÌNH VẼ, VẼ, ĐỒ TH ĐỒ THỊỊ  v DANH MỤ MỤC CÁC TỪ  TỪ  VIẾ  VIẾT TẮ TẮT vii PHẦ PH ẦN MỞ  MỞ  ĐẦ ĐẦU U 1 Lý chọn đề tài M ục đích nghiên cứu c lu ận văn, đối tượ ng, ng, phạm vi nghiên cứu M ục đích luận văn:  Nội dung luân văn  CHƯƠNG 1: BÀI TOÁN NHẬN ĐỐI TƯỢ NG NG NHẬ NHẬN DẠNG KHUÔN MẶT 1.1 Tổng quan khái niệm liên quan đến nhận dạng khuôn mặt 1.1.1 Hệ thống sinh tr ắc học 1.1.2 Hệ thống nhận dạng khuôn mặt 1.1.3 Hệ thống xác minh hay xác thực khuôn mặt 1.1.4 Những thách thức tốn nhận dạng khn mặt 1.2 Tổng quan về các ứng dụng tương tác ngườ i máy liên quan t ớ i khuôn mặt 1.3 Hướ ng ng tiế p cận lĩnh vực nhận dạng khuôn mặt 1.3.1 Các cơng trình nghiên cứu về Phương pháp nhận dạng kiểm chứng chất lượ ng ng cho hệ thống nhận dạng khuôn mặt 1.3.2 Hướ ng ng tiế p cận luận văn  CHƯƠNG 2: CÁC KỸ THU KỸ THUẬ ẬT CHO NHẬ NHẬN DẠ DẠNG KHUÔN MẶ MẶT I Học máy 1.1 Phương pháp Deep Learning (CNN) 1.2 Phương pháp truyền thống II Các k ỹ 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 Giớ i thiệu phương pháp phân tích thành phần PCA 15 2.3.1 Giớ i thiệu phương pháp PCA  15 2.3.2 Đặc trưng PCA  19 2.3.3 Phương pháp phân tích thành phần chính(PCA) chính(PCA) 19 2.3.4 Các bướ c thực trích chọn đặc trưng PCA  21 2.4 Ho  c̣ ma ́ y hộ tr ợ  ợ vestor   vestor SVM 23 2.4.1 Cơ sở  lý  lý thuyết 23 2.4.2 SVM tuyến tính 23 2.4.3 SVM Phi Tuyến tính 25 CHƯƠNG 3: Ứ NG NG DỤNG CÁC K Ỹ  THUẬ THUẬT TRONG NHẬ NHẬN DẠNG KHUÔN MẶ 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 lớ  p SVM 31 3.4 Mô ta ̉  d   ư   li ̃ ê  ụ 32 3.4.1 Thu nhâ   p̣ d   ư   li ̃ ê  ụ 32 3.4.2 Biê ̉ u di   ê ñ d   ư   li ̃ ê  ụ khuôn mă  t ̣ ma ́ y t ́nh 34 3.4.3 Dữ liệu huấn luyện 35 3.5 K ết quả thực nghiệm 35 3.6 Ứ ng ng dụng quản lý nhân sự  37 3.6.1 Mơ hình nhận dạng quản lý nhân sự  37 3.6.2 Giao diện hình chức nhận dạng 38 3.6.3 Giao diện hình chức quản lý bộ phận 39 3.6.4 Giao diện hình chức quản lý phòng ban 40 3.6.5 Giao diện hình chức quản lý nhân sự  41 K ẾT LUẬ LUẬN 42 42   DANH MỤ MỤC TÀI LIỆ LIỆU THAM KHẢO…………………………………….43 KHẢO…………………………………….43    Nguyễn Thị Thủy iv Đại Học Cơng Nghệ      DANH MỤ MỤC HÌNH VẼ, VẼ, ĐỒ TH ĐỒ THỊỊ  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 V ́ du   ṿ ề  Haar  Haar features 91 91 91 Hình 0.6 V ́ du   a ̣ ̉ nh Integral 91 92 Hình 0.7 A ̉ nh v ́ du   ṭ  ́nh Ô pixcel 92 Hình 0.8 Ca ́ c bươ  93  ́ c loa  i ̣ khuôn mă  t ̣ hay khơng 93 Hình 0.9 K ế t qua ̉  pha ́ t hiê  ṇ khuôn mă  t ̣ 93 93 95 Hình 0.10 T ́nh k  ́ch th ́ch sai kha ́ c 95 Hình 0.11 A ̉ nh la  ̀ a ̉ nh gố c, a ̉ nh thư ́  2 la  ̀ a ̉ nh tr  ́ch cho  ṇ đă  c̣ trưng 95 95 Hình 0.12 Minh ho  ạ về   tt ́nh toa ́ n cu ̉ a WLD 9966 Hình 0.13 Lụa chọn tr ục toạ độ mới để biểu diễn dữ liệu [11] 17 1788 Hình 0.14 Siêu măt phân cách tuyến tính cho trườ ng ng h ợp phân cách đượ c ký Hiệu support vestor diểm đượ c bao viền trịn trịn 24 2422 Hình 0.15 ảnh, H, vớ i hình vng [1,-1] €R 2 dướ i ánh xạ ϴ  27 Hình 0.16 nhị phân: Cấu trúc nhị phân vớ i số  lớ  p 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 h nh ̣ nhâ  ṇ da  ng̣ khuôn mă  t ̣ 31 ̀ sư ̉  du  ng Hình 0.19 Mơ hình hình trình tạo đặc trưng mặt 312 312  Hình 0.20 ảnh ban đầu đượ c biểu diễn theo tr ọng số   và eigenface 323  và 323 Hình 0.21 Ví dụ về ảnh ngườ i Yale face Database 33 3344 Hình 0.22 Ảnh 12 khn mặt người đánh thứ tự từ 1 đến 12 33 3344 Hình 0.23 Kích thướ c chuẩn hóa mẫu khuôn mặt học tậ p 34 3455 Hình 0.24 Một phần tậ p ảnh luyện 356 356  Nguyễn Thị Thủy v Đại Học Cơng Nghệ      Hình 0.25 Một phần tậ p ảnh thử nghiệm 35 3566 Hình 0.26 Bảng 1.1 Bảng Thực nghiệm nhận dạng số lượ ng ng ảnh 36 3677 Hình 0.27 k ết quả thực nghiệm so vớ i chỉ sử dụng PCA 36 3677 Hình 0.28 Mơ hình nhận dạng ở   ccửa vào quan  37 3788  Nguyễn Thị Thủy vi Đại Học Công Nghệ      DANH MỤ MỤC CÁC TỪ  TỪ  VIẾ  VIẾT TẮ TẮ T PCA Principal Component Analysis SVM Support Vector Machine WLD Weber Local Description CNN Convolutional Neural Network  Nguyễn Th ị Thủy  Nghệ  vii Đại Học Công     ĐẦU PHẦN MỞ  PHẦ MỞ  ĐẦ U 1.  Lý chọn chọn đề tài đề tài  Nhận dạng khuôn mặt lĩnh vực mớ i xử lý ảnh Và ngày nhận dạng đượ c sử  dụng r ộng rãi nhiều lĩnh vực đờ i 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 d ụng phổ bi ến hi ện nhận d ạng khuôn mặt ngườ i ứng d ụng điện thoại di động cụ thể như IphoneX Sangsung sử dụng Hiện có r ất nhiều Phương pháp nhận dạng khác đượ c xây dựng để nhận dạng ngườ i cụ thể trong thế giớ i thực ta có thể nói tớ i số   phương pháp như: ho  c̣ ma ́ y va  ̀   ho  c̣ sâu.Tuy nhiên hai phương pháp lại có nhược điểm lớ n phải xây dựng tập sở  d  dữ liệu lớn đồng thờ i việc xử  lý dữ liệu lớn địi hỏi phải nhanh xác V ậy nên hai phương pháp sẽ  thời gian để  nhận dạng nhiệm vụ  đặt nghiên c ứu xây dựng chương trình sử  dụng Phương pháp nhận dạng có độ  xác cao mà khối lượ ng ng thờ i gian tính tốn lại Để giải vấn đề  xin đề xuất phương pháp phát khuôn mặt sư ̉   du  ng ̣ phương pha  p ́ Viola jone face detection, trích chọn đặc trưng sư ̉   du  ng ̣ phương pha  p ́ Weber local Descriptor k ết hợ  p phân tích thành phần sư ̉   du  ng ̣ phương pha  p ́ PCA ho  c̣ ma ́ y vestor (SVM) để  nhận dạng khuôn mặt 2.  Mục đích nghiên cứ u củ luận luận văn, đối tượ ng, ng, phạ phạm vi nghiên cứ  cứ u Mụ Mục đích của luận luận văn:  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 ngườ i vào, an ninh sân bay Đối tượ ng ng va v   a  ̀ ph  phạạm vi áp dụ dụng:  Nguyễn Thị Thủy Đại Học Cơng Nghệ      Đề tài tậ p trung tìm hiểu số  phương phương pháp nhận dạng khuôn mặt ngườ i  phổ biến đưa phương án nhận dạng cho tốn nhận dạng khn mặt ngườ i.i Để  đặt đượ c mục Để mục tiêu đề tài đề tài tậ tập trung tìm hiể hiểu nộ nội dung sau: ng pha  p -  Tìm hiểu phương pháp phát khn mặt sư ̉  d u  ng ̣ phươ ng ́ Viola Jones Face Detection Description -  Trích chọn đặc trưng  sư ̉  du  ng ̣ phương pha  p ́ Weber Local Description -  Phương pháp phân tích thành phần -  Phương pháp ho  c̣ máy vestor (SVM) 3.  Nội dung luân văn Luâ  ṇ văn gồm chương, cụ thể như sau:  Chương 1: BÀI TOÁN NHẬN NHẬN ĐỐI TƯỢ NG NG NHẬ NHẬN DẠ D ẠNG KHUÔN MẶT Giớ i thiệu cách thức nhận dạng khn mă  t ̣ ngườ i,i, nên nhận dạng ngườ i khuôn mặt, tầm quan tr ọng toán thực tiễn, số  ứng dụng thực tiễn tốn nhận dạng khn mặt Chương 2: CÁC K Ỹ THU ẬT CHO NHẬ  THUẬ NHẬN DẠ DẠNG KHUÔN MẶ M ẶT Giớ i thiệu về 4 phương pháp sử dụng nhận dạng khuôn mặt đượ c sử dụng luận văn phương pháp phát hiệ n khuôn mặt( Viola Jone Face Detection), phương pháp trích chọn đặc trưng  (WLD), phân tích thành phần ợ  (SVM) (PCA) máy vector h ỗ tr ợ  (SVM) Chương 3: Ứ NG NG DỤNG CÁC K Ỹ  THUẬ THUẬT TRONG NHẬ NHẬN DẠNG KHUÔN MĂ MĂ    Ṭ     Đưa mô h nh ̣ khuôn mă  t ̣ ngươ    ̀ i, bướ c ̀ xây dựng toán nhâ  ṇ da  ng thực đánh giá thử nghiệm  Nguyễn Thị Thủy Đại Học Cơng Nghệ      CHƯƠNG 1: BÀI TỐN NHẬN ĐỐI TƯỢ NG NG NHẬ NHẬN DẠ DẠNG KHUÔN MẶ MẶT đến nhậ 1.1.  Tổng quan khái niệm niệm liên quan đến nhận dạng khuôn mặ mặt 1.1.1.  Hệ th  thốống sinh trắ trắc họ học Hệ thống sinh tr ắc học hệ thống đượ c thiết k ế để xác minh nhận dạng ngườ i dựa vào đặc trưng sinh học người đó.  1.1.2.  Hệ th  thốống nhậ nhận dạng khuôn mặ mặt Hệ  thống nhận dạng khuôn mặt hệ  thống đượ c thiết k ế  để  tìm thơng tin người Kĩ thuật nhận dạng kiểm tra sự  phù hợ  p dựa  phép so sánh một-nhiều cụ thể là tìm ngườ i số những người lưu trữ trong hệ thống dựa vào thông tin khuôn mặt 1.1.3.  Hệ th  thốống xác minh hay xác thự  thự c khn mặ mặt Hệ th ống xác minh/xác th ực khuôn mặt h ệ th ống đượ c thiết k ế  để  xác minh thông tin người Kĩ thuật xác minh kiểm tra sự phù hợ  p  phép so sánh một-một c ụ th ể  đối chiếu thông tin mớ i nhận về  ngườ i v ớ i thơng tin lưu trữ  về  ngườ i có khớ  p hay khơng dựa thơng tin khn mặt Hình 0.1 So sách tác vụ nhận dạng khuôn mặt xác minh khuôn mặt  mặt   Nguyễn Thị Thủy Đại Học Công Nghệ      Hình 0.20 Ảnh ban đầu biểu diễn theo trọng số   và eigenface (Nguô  và (Ngu   ô  ̀n: ba b   a  ̀i b baa ́ o PCA) Đầu vào PCA vector cột có M thành ph ần biểu diễn ảnh tậ p hu ấn luyện, đầu vector cột có K thành phần bi ểu di ễn ảnh đượ c trích rút đặc trưng.  Phân lớp: Bướ c nhận dạng hay phân lớ  p tức xác định danh tính (identity) hay nhãn ảnh (label) –  đó ảnh Ở bướ   bướ c nhận dạng/phân lớ  p, ta sử  dụng phương pháp SVM (Support Vector Machine) SVM sẽ  tiến hành  phân l ớ  p ảnh tậ p hu ấn luyện, đưa ảnh vào nhận d ạng s ẽ đượ c so sánh, tìm ảnh thuộc vào lớ  p  li 3.4.  Mô ta ta ̉  dư   dư   ê  ụ      liê ̃     3.4.1.  Thu nhâ nh    dư   li  â  p̣ dư   ê  ụ     liê ̃     Cơ sở  d  dữ liệu ảnh đượ c lấy 250 khuôn mặt từ đượ c thu thậ p từ nhiều nguồn khác ảnh 150 người đượ c lấy từ trang quản lý cán bộ của trường đại học 50 ngườ i đượ c lấy từ  hệ  thống quản lý nhận sự: http://qlkh.mobifone.vn/b9_qlhs/login.xhtml.   50 ảnh đượ c lấy từ  hệ  http://qlkh.mobifone.vn/b9_qlhs/login.xhtml thống website:http://qlkh.mobifone.vn/b9_cskh/login.xhtml website:http://qlkh.mobifone.vn/b9_cskh/login.xhtml   Ngồi ra, cịn có tậ p d ữ  liệu tạo lúc th ực hi h iện đề tài Đó dữ  liệu đượ c thu thậ p WebCam gồm ngườ i khác Chính sự  chủ  động việc tạo mẫu nên số  lượ ng ng ảnh khoảng 11ảnh/1ngườ i.i Nhận xét Nhậ về  tập mẫu dữ   liệ liệu: Hầu hết khuôn mặt xuất ảnh khuôn mặt tr ực di ện v ớ i mặt ph ẳng 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/1ngườ i ở  các   tr ạng ạng thái khác như( cướ i,i, khóc, vui, buồn,…)  Kích thướ c chuẩn hố mẫu tậ p huấn luyện mơ tả trên Hình07 Tuỳ thuộc vào đặc trưng xử lý c thuật toán ta sử d ụng hai dạng kích thướ c ảnh chuẩn Mỗi ngườ i có 11 ảnh đượ c ch ụ p ở   điều kiện ánh sáng cảm xúc khác Hình 21 Ví dụ nh người Yale face Database Database   12   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 khn mặt học tập  tập   3.4.2.  Biểu diê    ñ dư  dư   li  ê  ụ khuôn mă m     ă  t ̣ ma ma ́ y t t ́nh     liê ̃     Dữ  liệu ảnh biểu diễn bên máy tính cường độ sáng điểm ảnh, vị tr ị x y: (I(x,y)) Để biểu diễn d ữ liệu cho thuật toán học nhận dạng, ta dùng hai cách tổ chức dữ liệu sau:    Đọc dòng ảnh theo thứ  tự  từ trên xuống, dịng ảnh đượ c bố trí liên tục mảng số thực chiều Như từ ảnh đượ c biểu diễn thành mảng vector chiều máy tính x=(x1,x2,….,x900).Đây x=(x1 ,x2,….,x900).Đây cách bố trí để thí nghiệm cho phương pháp PCA   Đọc khối ảnh theo thứ tự khối dướ i chồng lấ p khối kích thướ c tính theo chiều cao, khối ảnh ta lại tiế p tục tách khối 8×8 liên tục Từ kh ối 8×8(pixels), chúng tơi chọn 20 hệ  số  đặc trưng từ  phép biến đổi miền tần số Mỗi khối ảnh 8×32 sẽ  lượ ng ng hoá thành vector chiều Như đỗi vớ i ảnh khuôn mặt ta biểu biển máy tính thành chuỗi vector chiều liên tiế p Trong chương luận văn xây dựng chương trình giải vấn đề sau: -  Đầu vào: ảnh khn mặt người đượ c chuẩn hóa -  Đầu ra: chương trình nhận dạng đưa ảnh thơng tin về người đó.   Nguyễn Thị Thủy 34 Đại Học Công Nghệ      3.4.3.  Dữ  liệ  liệu huấ huấn luyệ luyện Tậ p d ữ li ệu đượ c chia làm hai t ậ p t ậ p luyện (training) tậ p th ử  nghiệm (testing) Mỗi gương mặt xuất năm lần tậ p với tư thế khác góc chụ p ảnh khác a.  Tậ p ảnh luyện (Training) luyện  Hình 0.24 Một phần tập nh luyện   b.  Tậ p ảnh thử nghiệm (Testing) Hình 0.25 Một phần tập nh thử nghiệm  nghiệm  Xét về mặt k ỹ thuật, ảnh đượ c chuẩn hóa về ảnh màu có kích thướ c c 3.5.  K ết qu qu th  thự  ự c nghiệ nghiệm Hệ thống sử dụng 200 ảnh từ các nguồn sau: 150 ảnh đượ c lấy từ trên mạng 50 đượ c lấy từ  nguồn ảnh cán bộ  quan chụ p từ  điện thoại Đưa 50 thông tin 200 ảnh đượ c lấy từ 2 nguồn thực nghiệm k ết quả thu đượ c bảng sau:  Nguyễn Thị Thủy 35 Đại Học Công Nghệ      Loại nh  Nhận ra  nhận Không Không phi Tổng ra  mặt  số  Ảnh nằm tập huấn luyện  100 100 0 Khuôn mặt nằm tập huấn luyện  30 29 lu yện (khuôn mặt mới)  Khuôn mặt không nằm tập huấn luyện 105 97 Ảnh khơng có khn mặt  50 0 15 Hình 0.26 Bng 1.1 Bng Thực nghiệm nhận dạng số lượng nh  nh  Kết thực thực nghiệm nhận dạng khuôn mặt sử dụng phương pháp luận luận văn này đưa so với sử dụng PCA ta thấy kết sau:   Hình 0.27 kết qu thực nghiệm so với sử dụng PCA 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  SVM 3.6.  Ứ ng ng dụ dụng qu qun lý nhân sự  sự   3.6.1. Mơ hình nhận dạng quản lý nhân sự  Từ  mơ hình nhận dạng khn mă  t ̣ ma  ̀   luâ  ṇ văn na  ̀ y tr  nh ̀ ba  ̀ y Tôi xin đề   xuấ t ư ́ ng du  ng ̣ qua ̉ n lý  nhâ  ṇ sự  sư ̉   du  ng ̣ nhâ  ṇ da  ng̣ khuôn mă  t.̣ Như ơ   ̉   mô h  nh ̀  bên dươ   ́ i: đặt camera trướ c cu ̉ a va  ̀o ta  i ̣ quan, mô  t ̣ ngươ    ̀ i đư ́ ng trướ c camera hệ thố ng nhâ  ṇ thông tin ngươ   ̉  cửa, nhâ   p̣ ca ́ c   ̀ i đo ́  va  ̀ thư  c̣ hiê  ṇ mơ  thông tin chư ́ c nhâ  ṇ da  ng ̣ Hình 0.28 Mơ hnh nhận dạng cửa vào quan quan    Nguyễn Thị Thủy 37 Đại Học Công Nghệ      3.6.2.  Giao diệ diện hình chức chức nhận nhận dạng Dữ  liệu sẽ  đượ c câ   p̣ nhâ   p̣ va  ̀o h nh ̀ danh mu  c̣ chấ m công sau hê   ̣ thố ng nhâ  ṇ da  ṇ g đươ    c̣ thông tin ngươ    ̀ i qua cửa châm công cu ̉ a quan  Nguyễn Thị Thủy 38 Đại Học Công Nghệ      3.6.3. Giao diện hình chức quản lý bộ phận Chức cho phép ngườ i dùng thêm mơ  cu ̉ a quan ̣  ́ i thông tin bô   phân va  ̀o hê   th ̣ ố ng  Nguyễn Thị Thủy 39 Đại Học Công Nghệ      3.6.4. Giao diện hình chức quản lý phòng ban Chư ́ c cho phe  p   ̀ i dùng thêm mơ   ́ i thông tin pho  ̀ ng ban cu ̉ a ́ ngươ  quan va  ̀o hê   th ̣ ố ng  Nguyễn Thị Thủy 40 Đại Học Cơng Nghệ      3.6.5. Giao diện hình chức quản lý nhân sự  Chư ́ c cho phe  p   ̀ i du  ̀ ng thêm mớ i thông tin nhân sư   c̣ u ̉ a quan ́ ngươ  va  ̀o hê   th ̣ ố ng  Nguyễn Thị Thủy 41 Đại Học Công Nghệ      K ẾT LUẬ LUẬN  Luận văn tốt nghiệp trình bày chi tiết, c ụ th ể v ề nh ận d ạng khuôn mặt ngườ i dựa k ỹ  thuật phát khuôn mặt sư ̉   du  ng ̣ phương pha  p ́ Viola Jone Face Detection, trích chọn đặc trưng sư ̉   du  ng ̣ Weber local descriptor, phân tích thành phần sư ̉  du  ng ̣ PCA phân lớ  p SVM Và xây dựng chương trình thử  nghiệm để  đánh giá kết qu ả c vi ệc s ử d ụng k ỹ th  thuuật phương pháp để  nhận d ạng Từ th ực nghiệm ta thu đượ c số k ết qu ả  đánh giá về thu ật toán sử  dụng Các k ết qu ả  đạt đượ c cho thấy độ chính xác chương trình tương  đối cao khoảng 96% nhận dạng Những k ết quả  đượ c ết sau:  tổng k ết  phương pháp phát khuôn mặt sư ̉  du  ng   Giớ i thiệu chi tiết về phương ̣ phương  pha  p detection ́ Viola Jone face detection   Giớ i thiệu chi tiết về phương  phương pháp trích chọn đặc trưng phương pháp phân tích thành phần máy   Giớ i thiệu chi tiết về  phương vestor hỗ tr ợợ  (SVM)  (SVM)   Nhận xét đánh giá k ết quả  đạt đượ c cho tốn nh ận dạng khn mặt   Đưa sự  k ết hợ   p phương pháp cũ, đơn giản, hiệu quả  độ  xác tương đương tốt phương pháp mớ i khác Tuy nhiên, thờ i gian có hạn cộng thêm khối lượ ng ng cơng việc lớ n nên cịn số vấn đề và ý tưở ng ng mà luận văn chưa thực đượ c c Nhằm cải thiện khả năng hoạt động chương trình, chương trình sẽ có thêm chức năng:    Tự động đưa ảnh nhận dạng v ề kích thướ c phù h ợ   p ta th ực quét ảnh đưa vào chương trình nhận dạng đưa đượ c k ết    Nhận dạng mặt người qua webcam Ý tưởng đưa nhậ p vào hình ảnh tr ực tiế p từ  webcam hình ảnh webcam có thể  mơ tả  ngườ i vớ i khung biến đổi ngườ i đám đông Sau chương trình sẽ   phát khoanh vùng vị trí khn mặt khung hình truy xu ất sở  d  dữ liệu đưa thông tin về người Đó ý tưở ng ng phát triển tương  Nguyễn Thị Thủy 42 Đại Học Công Nghệ      lai luận văn Hiện tại, chương trình thực đượ c hai chức đưa vào ảnh đưa kết quả nhận dạng  Nguyễn Thị Thủy 43 Đại Học Công Nghệ      TÀI LIỆ LIỆU THAM KHẢ 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 for [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 124- 156 [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  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 Pr ocessing, ocessing, 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 73 -85  Nguyễn Thị Thủy 46 Đại Học Công Nghệ  ... tốn nhận dạng khn mặt Chương 2: CÁC K Ỹ THU ẬT CHO NHẬ  THUẬ NHẬN DẠ DẠNG KHUÔN MẶ M ẶT Giớ i thiệu về 4 phương pháp sử? ?dụng nhận dạng khuôn mặt đượ c sử? ?dụng luận văn phương pháp phát hiệ n khuôn. .. ảnh kết phương phát PCA phương pháp phát khuôn mặt kết hợp PCA –  SVM  SVM 3.6.  Ứ ng ng dụ dụng qu qun lý nhân sự? ? sự? ?  3.6.1. Mơ hình nhận dạng quản lý nhân sự? ? Từ  mơ hình nhận dạng khuôn. ..  xuất ất phương án nhận nhận dạng khuôn mặ mặt Có nhiều cách để k ết h ợp ác phương pháp nhận d ạng khuôn mặt nh ằm đạt hi ệu quả cao, luận văn tơi xin trình bày phương pháp phát hiệ n khuôn mặt (Viola