Xây dựng ứng dụng hỗ trợ chấm công dựa trên nhận dạng khuôn mặt người tại Công ty Tin học Hoài Ân: luận văn thạc sĩ công nghệ thông tin

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC LẠC HỒNG TRẦN ĐÌNH NGỌC XÂY DỰNG ỨNG DỤNG HỖ TRỢ CHẤM CÔNG DỰA TRÊN NHẬN DẠNG KHUÔN MẶT NGƯỜI - TẠI CƠNG TY TIN HỌC HỒI ÂN LUẬN VĂN THẠC SĨ CÔNG NGHỆ THÔNG TIN Đồng Nai, Năm 2018 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC LẠC HỒNG TRẦN ĐÌNH NGỌC XÂY DỰNG ỨNG DỤNG HỖ TRỢ CHẤM CÔNG DỰA TRÊN NHẬN DẠNG KHUÔN MẶT NGƯỜI - TẠI CƠNG TY TIN HỌC HỒI ÂN Chun ngành: Cơng Nghệ Thơng Tin Mã số: 8480201 LUẬN VĂN THẠC SĨ CƠNG NGHỆ THÔNG TIN NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS.TS VŨ ĐỨC LUNG Đồng Nai, Năm 2018 i LỜI CAM ĐOAN Tơi cam đoan cơng trình nghiên cứu riêng Các số liệu, kết nêu luận văn trung thực chưa công bố cơng trình khác Các nội dung tơi tham khảo từ tài liệu trích dẫn thích đầy đủ Tơi xin chịu trách nhiệm luận văn Đồng Nai, ngày tháng Học viên Trần Đình Ngọc năm 2018 ii LỜI CẢM ƠN Để hoàn thành luận văn này, trước tiên tác giả xin bày tỏ lòng biết ơn chân thành đến PGS.TS Vũ Đức Lung, người Thầy tâm huyết tận tình hướng dẫn, giúp đỡ, động viên nhiều để tơi hồn thành tốt luận văn Tơi xin cảm ơn đến tất quý thầy cô giảng dạy trường Đại học Lạc Hồng dạy dỗ hướng dẫn tận tình suốt trình học tập Trường Tất kiến thức mà lĩnh hội suốt thời gian học tập nghiên cứu trường, hành trang quý giá đường học tập, làm việc nghiên cứu sau Xin cảm ơn gia đình, bạn bè, anh chị em lớp động viên, hỗ trợ giúp đỡ trình học thực luận văn Tuy nhiên kiến thức thời gian có giới hạn nên đề tài khó tránh khỏi thiếu sót, kính mong q thầy bạn đóng góp để đề tài hồn thiện hơn! Tôi xin chân thành cảm ơn! Đồng Nai, Ngày tháng năm 2018 Học viên Trần Đình Ngọc iii TĨM TẮT LUẬN VĂN Đề tài: Xây dựng ứng dụng hỗ trợ chấm công dựa nhận dạng khuôn mặt người - cơng ty Tin Học Hồi Ân Ngành: Cơng nghệ thơng tin Mã số: 84.80.201 Học viên: Trần Đình Ngọc Người hướng dẫn: PGS.TS Vũ Đức Lung NỘI DUNG TÓM TẮT Nội dung giao kết mong đợi người hướng dẫn  Luận văn tập trung nghiên cứu nhận dạng khuôn mặt người ảnh phương pháp Adaboost xây dựng ứng dụng chấm cơng dựa nhận dạng khn mặt  Mục đích đề tài tạo ứng dụng hỗ việc chấm công nhân viên công ty, giảm thời gian, kiểm soát hoạt động vào nhân viên cách tự động thông qua thiết bị camera tự động báo cho cấp quản lý theo yêu cầu cần thiết Kết quả:  Xây dựng ứng dụng chấm công nhân viên qua camera thời gian thực  Có chức nhận dạng đối tượng qua ảnh động  Kết xuất liệu báo cáo file excel  Viết báo cáo tổng kết luận văn Cách thức giải vấn đề  Tìm hiểu tài liệu từ sách, cáo cáo, tạp chí khoa học…) Sử dụng kết nghiên cứu có liên quan đến luận văn  Tìm hiểu thuật tốn nhận dạng khn mặt phổ biến như: + Nhận dạng khuôn mặt người ảnh CNN + Nhận dạng khuôn mặt người ảnh phương pháp SVM + Nhận dạng khuôn mặt người phân loại Bayes + Thuật tốn nhận dạng khn mặt người AdaBoost iv  Sử dụng ngôn ngữ C# sở liệu SQL để xây dựng phần mềm máy tính  Xây dựng ứng dụng mơ thuật tốn nhận dạng khn mặt người ảnh vào hệ thống chấm cơng Tin Học Hồi Ân Đánh giá mặt khoa học kết  Tìm hiểu thuật tốn phát nhận dạng khuôn mặt người video thời gian thực dựa Adaboost  Tìm hiểu vấn đề tiền xử lý ảnh, cân ánh sáng nhận dạng khuôn mặt  Xây dựng phần mềm chấm công nhân viên với tính phục vụ cho doanh nghiệp vừa nhỏ Những vấn đề tồn so với nội dung giao  Chưa xây dựng chương trình chấm cơng hồn chỉnh, tập trung số vấn đề trọng tâm luận văn phát nhận dạng khuôn mặt người  Thời gian thử nghiệm hạn chế việc chạy thử hệ thống để đánh giá kết khắc phục nhược điểm chưa đầy đủ xác cao Để luận văn trở thành sản phẩm hoàn chỉnh cần phải kiểm thử nhiều hơn, chi tiết  Hệ thống tận dụng camera laptop, việc nhận dạng cịn số hạn chế điều kiện ánh sáng, khoảng cách, ảnh hưởng đến kết nhận dạng Ngày tháng năm 2018 NGƯỜI HƯỚNG DẪN HỌC VIÊN PGS.TS Vũ Đức Lung Trần Đình Ngọc v MỤC LỤC LỜI CAM ĐOAN i LỜI CẢM ƠN ii TÓM TẮT LUẬN VĂN iii DANH MỤC BẢNG BIỂU viii BẢNG DANH MỤC HÌNH ix CHƯƠNG 1: TỔNG QUAN VỀ ĐỀ TÀI ix 1.1 TỔNG QUAN ĐỂ TÀI TRONG VÀ NGOÀI NƯỚC 1.2 MỤC ĐÍCH LUẬN VĂN 1.3 ĐỐI TƯỢNG VÀ PHẠM VỊ NGHIÊN CỨU 1.4 NỘI DUNG LUẬN VĂN: CHƯƠNG 2: TỔNG QUAN VỀ CÁC PHƯƠNG PHÁP NHẬN DẠNG KHUÔN MẶT NGƯỜI 2.1 TỔNG QUAN VỀ BÀI TỐN NHẬN DẠNG KHN MẶT 2.2 CÁC PHƯƠNG PHÁP NHẬN DẠNG KHUÔN MẶT PHỔ BIÊN HIỆN NAY 2.2.1 Nhận dạng khuôn mặt người phương pháp CNN 2.2.2 Nhận dạng khuôn mặt người ảnh phương pháp SVM 10 2.2.3 Nhận dạng khuôn mặt người phân loại Bayes 11 2.2.4 Nhận dạng khuôn mặt người AdaBoost 12 CHƯƠNG NGHIÊN CỨU THUẬT TOÁN ADABOOST VÀ ỨNG DỤNG CHẤM CƠNG NHÂN VIÊN TẠI CƠNG TY HỒI ÂN 13 3.1 GIỚI THIỆU THUẬT TOÁN ADABOOST 13 3.2 NGHIÊN CỨU ÁP DỤNG ADABOOST VÀO PHÁT HIỆN VÀ NHẬN DẠNG KHUÔN MẶT NGƯỜI 19 3.2.1 Phát khuôn mặt người adaboost 19 3.2.1.1 Xác định khuôn mặt 19 3.2.1.2 Đặc trưng Haar-like 19 3.2.1.3 Mô hình Cascade 21 vi 3.2.1.4 Mơ hình boost Cascade 22 3.2.1.5 Nhận xét mơ hình Boost cascade: 23 3.2.2 Nhận dạng đối tượng thuật toán adaboost 24 3.2.2.1 Bộ nhận dạng khuôn mặt người 24 3.2.2.2 Tập huấn luyện 25 3.2.2.3 Đặc trưng dùng nhận dạng 26 3.2.2.4 Xây dựng nhận dạng 27 3.2.2.5 Mô hình Boost Cascade nhận dạng 30 3.2.2.6 Hoạt động nhận dạng 33 CHƯƠNG 4: XÂY DỰNG ỨNG DỤNG DEMO CHẤM CƠNG BẰNG HÌNH ẢNH HOẶC VIDEO 34 4.1 TỔNG QUAN VỀ MÁY CHẤM CÔNG 34 4.2 U CẦU BÀI TỐN CHẤM CƠNG DÙNG NHẬN DẠNG KHUÔN MẶT 34 4.3 TỔNG QUAN VỀ NHẬN DẠNG KHUÔN MẶT VỚI OPENCV VÀ EMGUCV 36 4.3.1 Cấu trúc OpenCV: 36 4.3.2 Cấu trúc EmguCV: 37 4.4 CÁC BƯỚC XÂY DỰNG ỨNG DỤNG 41 4.4.1 Về sở liệu 42 4.4.2 Chụp khuôn mặt huấn luyện 43 4.4.3 Chấm công nhân viên qua Camera 45 CHƯƠNG 5: THỬ NGHIỆM VÀ ĐÁNH GIÁ ỨNG DỤNG 47 5.1 THỬ NGHIỆM 47 5.2 ĐIỂM MẠNH, ĐIỂM YẾU SO VỚI PHƯƠNG PHÁP CHẤM CÔNG KHÁC 55 5.3 KẾT QUẢ VÀ HƯỚNG PHÁT TRIỂN 56 vii DANH MỤC CÁC KÝ HIỆU, CÁC TỪ VIẾT TẮT Ký hiệu Adaboost Thuật ngữ Adaptive Boosting CBC Feature - Cascade of BoostedClassifiers CNN Convolution Neural Network CSDL Cơ sở liệu HMM Hidden Markov Model OpenCv Open Source Computer Vision PCA Principal component analysis SVM Support Vector Machine viii DANH MỤC BẢNG BIỂU Bảng 5.1: Kết thử nghiệm nhận dạng ảnh huấn luyện 48 Bảng 5.2: Kết thử nghiệm đối tượng 49 Bảng 5.3: Kết thử nghiệm đối tượng .50 Bảng 5.4: Kết thử nghiệm 10 đối tượng nhân viên Hoài Ân 51 46 Bước 4: Vẽ khung lên khuôn mặt người phát ảnh Bước 5: Hệ thống tiến hành so sánh khuôn mặt vừa phát với khuôn mặt tập huấn luyện, q trình phân tích, so sánh dựa vào đặc trưng haar –like mà tác giả trình bày chương Kết so sánh khuôn mặt phát với khuôn mặt tập huấn luyện trả hai trường hợp sau:  Nhận dạng khuôn mặt nhân viên: cho kết là: Mã NV, Họ Tên nhân niên, ngày sinh, phòng ban, ngày chấm cơng, vào, theo hình 4.11  Chưa nhận dạng khuôn mặt nhân viên: thông báo cho nhân viên biết hệ thông chấm công cho nhân viên Bước 6: Lưu thơng tin ID, Mã Nhân Viên, Ngày chấm công, vào, vào CSDL Hình 11: Giao diện chấm cơng nhân viên 47 CHƯƠNG 5: THỬ NGHIỆM VÀ ĐÁNH GIÁ ỨNG DỤNG 5.1THỬ NGHIỆM Trong thử nghiệm tác giả sử dụng camera có sẵn laptop HP core i3 ram 6GB thực môi trường khác sau:  Thử nghiệm 1: Thử nghiệm với người, người chụp trạng thái khác khn mặt, vị trí, ánh sáng cơng ty Hồi Ân sau: Hình 1: Khn mặt nhân viên chụp kích thước 100x100 cơng ty Kết nhận dạng khuôn mặt hai nhân viên một lúc nhân viên theo hình 5.2 sau: Hình 2: Kết nhận dạng khn mặt đối tượng Ngọc 48 Hình 3: Kết nhận dạng dối tượng Việt Bảng 5.1: Kết nhận dạng thử nghiệm nhận dạng ảnh huấn luyện Đối Tên Ngoc Viet Tỉ lệ Ngoc 12 100% Viet 100% tượng  Đối tượng Ngoc (tổng số lần nhận dạng:12) chụp với 31 khuôn mặt với trạng khai khuôn mặt khác cho kết nhận dạng đạt 100% thống kê từ video ngày 08 ngày 09/08/2018  Đối tượng Viet (tổng số lần nhận dạng:8) chụp với khuôn mặt dạng trạng thái khác vị trí, ánh sáng, mơi trường hoàn toàn giống với đối tượng Ngoc cho kết nhận dạng đạt 100% xác  Thử nghiệm 2: lấy kết huấn luyện từ thử nghiệm 1, tác giả tiến hành huấn luyện thêm 28 trạng thái khuôn mặt cho đối tượng Ngọc trạng thái khuôn mặt nhân viên Phuong sau: 49 Hình 4: Các trạng thái khuôn mặt nhân viên chụp công ty Sau chụp thêm đối tượng Phuong với 09 trạng thái khn mặt với góc độ khác điều kiện đủ ánh sáng theo hình 5.4 để đưa vào tập huấn luyện để nhận dạng nhân viên video ghi lại ngày 09-08-2018 có kết thống kê theo bảng có số nhận xét sau: Bảng 5.2: Kết nhận dạng thử nghiệm đối tượng Đối tượng Tên Ngoc Viet Phuong Ngoc 0 Viet Phuong 0  Đối tượng Ngoc (tổng số lần nhận dạng 3) phát nhận dạng tốt số lượng khuôn mặt huấn luyện 59 khuôn mặt với thời gian nhận dạng 10 giây 50  Đối tượng Viet (tổng số nhận dạng 2) với khoảng cách đứng trước camera 0.8 mét nhận dạng tốt với thời gian nhận dạng giây  Đối tượng Phuong với khn mặt môi trường huấn luyện với đối tượng trên, nhiên thời gian nhạn dạng chậm 14 giây Kết trích từ video chấm cơng ngày 09/08/2018 cơng ty Hồi Ân  Thử nghiệm 3: sử dụng đối tượng Ngoc Viet thử nghiệm huấn luyện thêm đối tượng theo hình 5.5 sau: Hình 5: Khn mặt đối tượng Đối tượng Toan chụp với 12 khuôn mặt, đối tượng Tu với khuôn mặt, đối tượng Long có khn mặt chụp với trạng thái khác điều kiện ánh sáng bình thường Trong thử nghiệm tất đối tượng đứng cách camera mét, kết nhận dạng thống kê bảng sau: Bảng 5.3: Kết nhận dạng thử nghiệm đối tượng Tên Ngoc Viet Long Tu Toan Ngoc 0 2 Viet 0 Long 0 0 Tu 0 5 Toan 0 51  Trong thử nghiệm đối tượng Ngoc đứng trước vị trí camera 1.2 met, số lần nhận dạng lần nhận dạng sai với đối tượng Toan  Đối tượng Toan nhận dạng sai sang đối tượng Ngoc, nhiên số lần nhận dạng sai tổng số lần nhận dạng  Các đối tượng lại nhận dạng tương đối tốt đạt kết nhận dạng 100% Thử nghiệm 4: thử nghiệm với 10 đối tượng nhân viên đối tượng nhân viên công ty  Trong thử nghiệm này, tác giả thử nghiệm 10 nhân viên với số lượng khuôn mặt khác cụ thể là:  Đối tượng Ngoc, Viet, Toan, Tu lấy từ thử nghiệm 3;  đối tượng huấn luyện có số ảnh chụp khn mặt theo hình 5.6 Hình 6: Khn mặt đối tượng  Đối tượng Lan chụp khuôn mặt với trạng thái khác nhau, tổng số lần nhận dạng có lần nhận dạng sai sang đối tượng Hạnh lần nhận dạng thống kê theo bảng 5.4 52  Đối tượng Phat chụp khuôn mặt, đối tượng Hanh chụp với khuôn mặt, đối tượng Ly với khn mặt, đối tượng Hieu có khuôn mặt với trạng thái khuôn mặt khác cho kết nhận dạng xác 100%  Đối tượng Quynh chụp với trạng thái khuôn mặt khác nhau, kết nhận dạng sai đến đối tượng Cuong có CDSL Bảng 5.4: Kết nhận dạng thử nghiệm 10 đối tượng nhân viên Hoài Ân Tên Ngoc Viet Hanh Tu Toan Lan Ly Hieu Quynh Phat Ngoc 0 0 0 0 Viet 0 0 0 0 Hanh 0 0 0 0 Tú 0 0 0 0 Toán 0 0 0 0 Lan 0 0 0 0 Ly 0 0 0 0 Hieu 0 0 0 0 Quynh 0 0 0 0 0 Phat 0 0 0 0  Khi đối tượng Quynh chấm công khn mặt biểu cảm trạng thái khác so với ảnh chụp huấn luyện dẫn đến kết nhận dạng sai 53 Hình 7: Kết nhận dạng đối tượng Quynh  Riêng đối tượng Lan đứng xa so với camera nên nhận dạng ban đầu bị sai, Sau điều chỉnh khoảng cách từ đối tượng Lan đến Camera mét hệ thống nhận dạng Hình 8: Kết nhận dạng đối tượng Lan  đối tượng nhân viên công ty: Huyen, Nhung, Lien  Đối tượng Huyen theo hình 5.9 nhân viên hệ thống lại nhận dạng sai nhân viên khác 54 Hình 9: Kết nhận dạng sai nhân viên công ty  Đối tượng Lien, Nhung không hệ thống nhận dạng theo hình 5.10 hình 5.11 Hình 10: Kết khơng nhận dạng nhân viên ngồi Cơng Ty 55 Hình 11: Kết nhận dạng nhân viên ngồi cơng ty  Kết thống kê thử nghiệm ghi lại vào ngày 20-08-2018 Trên tác giả vừa trình bày số chức phần mềm hỗ trợ chấm công dựa nhận dạng khuôn mặt người công ty Hồi Ân Trong thời gian cịn hạn chế, tác giả chi tập trung vào chức chụp ảnh khuôn mặt để huấn luyện nhận dạng nhân viên để chấm công Trong thời gian thử nghiệm chấm công nhân viên công ty Tin Học Hoài Ân từ ngày 15 tháng 07 đến 20 tháng 08 năm 2018 tác giả nhận thấy:  Chương trình hoạt động ổn định, tỷ lệ nhận dạng khuôn mặt nhân viên 86%, nhiên chương trình hoạt động chậm số nguyên nhân khách quan chủ quan;  Một số nhân viên bị nhận dạng sai, khuôn mặt lệch 15 độ so với camera quan sát;  Để đạt tỷ lệ nhận dạng cao số lượng khn mặt nhân viên đủ lớn, với góc độ chụp khác nhau; 5.2 ĐIỂM MẠNH, ĐIỂM YẾU SO VỚI PHƯƠNG PHÁP CHẤM CƠNG KHÁC - Với cơng nghệ nhận diện khn mặt máy chấm cơng khn mặt loại bỏ nhược điểm mà phương pháp chấm cơng khác cịn vướng phải như: thẻ giấy bị rách thẻ giấy, thẻ từ bị hỏng, xước, thẻ, quên 56 thẻ, quẹt thẻ hộ, gian lận vào… hay đầu đọc vân tay khơng chấm cơng được, da tay bị bong tróc, bị ướt… - Đa số doanh nghiệp nhân viên, công nhân làm việc tay chân, sử dụng máy thẻ hay vân tay gây nguy lây lan dịch bệnh cúm Còn với hệ thống nhận diện khn mặt, khơng lo tay nhân viên dính dầu mỡ, bui bẩn sau làm việc gây cản trở chấm công 5.3 KẾT QUẢ VÀ HƯỚNG PHÁT TRIỂN Các kết đạt qua thực luận văn: - Tác giả tìm hiểu trình bày cách chi tiết phát nhận dạng khuôn mặt người dựa kỹ thuật Adaboost - Luận văn xây dựng chương trình demo để đánh giá kết việc sử dụng phương pháp Adaboost cho hệ thống chấm công nhân viên cơng ty Hồi Ân - Chương trình hoạt động tương đối ổn định, theo yêu cầu Hoài Ân, nhiên chương trình demo phục vụ việc kiểm soát thời gian vào/ra nhân viên - Độ xác chương trình demo đạt mức độ tương đối, 87% nhận dạng khuôn mặt nhân viên xác điều kiện mơi trường ánh sáng tốt Kết nhận dạng tăng lên tăng số lượng trạng thái khuôn mặt nhân viên tập huấn luyện, nhiên hệ thống nhận dạng chậm số lượng nhân viên lớn Giải pháp khắc phục lỗi sai nhận dạng: - Để kết nhận dạng tốt, xác cần số lượng ảnh chứa khuôn mặt huấn luyện đủ lớn từ 100 khuôn mặt trở lên cho đối tượng cần nhận dạng - Kết hợp thuật toán Adaboost với đặc trưng nhận dạng Gabor K-Means, nhiên thực tế khó tồn giải pháp tổng thể cho tất toán Hướng phát triển luận văn: - Tích hợp với camera quan sát doanh nghiệp vào hệ thống phần mềm - Hoàn thiện phần mềm chấm công để ứng dụng chấm công nhân viên tự động cho doanh nghiệp 57 - Tối ưu chương trình để ứng dụng chạy tốt phù hợp tình hình thực tế doanh nghiệp - Bổ sung tính như: chấm cơng tự động, thông báo phát nhân viên không thuộc nhân viên cơng ty - Tiếp tục tìm hiểu áp dụng số thuật toán nhận dạng khuôn mặt để giúp việc chấm công nhân viên Cơng Ty xác 100% TÀI LIỆU THAM KHẢO Tài liệu tiếng việt [1] Trương Công Dung Nghi, Trần Thanh Tồn, Ngơ Đình Phong, Hồ Phước Tiến, Chế Viết Nhật Anh (2015) “Tái nhận dạng người hệ thống nhiều Camera quan sát không chồng lấp” Tạp chí khoa học Trường Đại Học Cần Thơ số 189-195 [2] Tổng quan phương pháp xác định khuôn mặt người - Phạm Thế Bảo, Nguyễn Thành Nhựt, Cao Minh Thịnh, Trần Anh Tuấn, Phan Phú Doãn (2007) [3] Nguyễn Đắc Thành, “Nhận dạng phân loại hoa ảnh màu”, Luận văn thạc sĩ kỹ thuật phần mềm, Đại Học Công Nghệ -Đại học Quốc Gia Hà Nội năm 2017 Tài liệu tiếng anh [4] Ming-Hsuan Yang, David J Kriegman, Narendra Ahuja, “Detecting Faces in Images: A Survey”,IEEE Transaction on Pattern Analysis and Machine Intelligence (PAMI), Vol 24, No 1, pp 34-47, Jan 2002 [5] Stan Z Li Zhen Qiu Zhang, “FloatBoost Learning and Statistical Face Detection”, IEEE Transaction on Pattern Analysis and Machine Intelligence (PAMI) Vol, 26, Np, pp 1-12, Sep 2004 [6] P Viola, M Jones, “Robust Real Time Object Detection”, IEEE ICCV Workshop on Statistical and Computational Theories of Vision, Jul 2001 [7] P Viola, M Jones, “Rapid object detection using a boosted cascade of simle features”, Proc IEEE Conf Computer Vision and Pattern Recognition (CVP’01), pp 511-518, Dec 2001 [8] K K Sung, T Poggio, “Example based learning for view-based human face detection”, IEEE Transaction on Pattern Analysis and Machine Intelligence (PAMI), Vol 20, No 1,pp 39-51, Jan 1998 [9] H Rowleys, S Baluja, T Kanade, “Neural network-based face dection”, IEEE Transaction on Pattern Analysis and Machine Intelligence (PAMI), Vol 20, No 1, pp 23-38, Jan 1998 [10] H Schneiderman, T Kanade, “Probabilistic Modeling of Local Appearance and Spatial Relationships for Object Detection”, Proc, IEEE Conf Computer Vision and Pattern Recognition (CVP’98), pp 45-51,1998 [11] E Osuna, R Freund, F Girosi, “ Training Support Vector Machines: An Application to Face Dectection”, Proc , IEEE Conf Computer Vision and Pattern Recognition (CVP’97),pp 130-136, 1997 [12] G Yang, T S Huang, “ Human Face Detection in Complex Background”, Pattern Recognition, Vol 27, No 1, pp 53-63, 1994 [13] K C Yow, R Cipolla, “Feature –Based Human Face Detection”, Image and Vision Computing, Vol 15, No 9, pp 713-735, 1997 [14] T K Leung, M.C Burl, P Perona, “Finding Faces in Cluttered Scenes Using Random Labeled Graph Matching”, Proc th IEEE Conf Computer Vision (ICCV’95), pp 637-644, 1995 [15] C Kotropoulos, I Pitas, “Rule-based Face Detection in Frontal View”, Proc Int’l Conf Acoustics, Speech and Signal Processing, Vel 4, pp 26372540, 1997 [16] M Turk, A Pentland, “Eigendaces for Recognition”, Journal of Cognitive Neuroscience, Vol.3, No.1, pp 71-86, 1991 [17] I Craw, D Tock, A Bennett, “Finding Face Features”, Proc nd European Conf Compter Vision (ECCV’92), Vol 2, pp 92-96, 1992 [18] T Kanade, “Picture Processing Computer Complex and Recognition of Human Faces”, PhD thesis, Kyoto Univ., 1973 [19] Hongming Zhang and Debin Zhao, “Spatial Histogram Features for Face Detection in Color Images“, PCM 2004, LNCS 3331, pp 377-384, Springer-Verlag Berlin Heidelberg, 2004 [20] Henry A Rowley, Shumeet Baluja, And Takeo Kanade, “Neural NetworkBase Face Dtection”, IEEE Trans Patterm Analysis and Machine Intelligence, vol 20, no 1, pp.23-38, IEEE, 1998 [21] Thang V.Pham, Marcel Worring, and Arnold W.M.Smeulders,”Face Detect by Aggregated Bayesian Network Classifiers”, MLDM 2001, LNAI 2123, pp 249262, Springer-Verlag Berlin Heidelberg,2001 [22] Yoav Freund and Robert E Schapire A decision-theoretic generalization of on-line learning and an application to boosting Journal of Computer and System Sciences, To appear An extended abstract appeared in EuroCOLT’95 [23]Y Freund, and R Shapire (1995) A decisiontheoretic generalization of on-line learning and an application to boosting Proceedings of the Second European Conference on Computational Learning Theory pp 23-37 [24] Robert E Schapire and Yoram Singer Improved boosting algorithms using confidence-rated predictions In Proceedings of the Eleventh Annual Conference on Computational Learning Theory, pages 80–91, 1998 To appear, Machine Learning [25] Robert E Schapire Using output codes to boost multiclass learning problems In Machine Learning: Proceedings of the Fourteenth International Conference, pages 313–321, 1997 [26] P Viola and M J Jones, Robust real-time face detection ,International Journal of Computer Vision, 57(2), pp.137-154, May 2004 [27] Schneiderman H and Kanade T (2000), A statistical method for 3D object detection applied to faces and car , In International Conference onComputer Vision [28] Ming-Hsuan Yang., David J Kriegman., Narendra Ahuja (2002), Detecting Faces in Images: A Survey , IEEE Transaction on PatternAnalysis and Machine Intelligence (PAMI),vol , pp 34-47 [29] Eng-Jon Ong and Bowden R (2004), A Boosted B ộ phân lo i Tree for Hand Shape Detection , In Proc IEEE Intl Conference on Automatic Faceand Gesture Recognition Tài liệu Internet [30] https://www.analyticsvidhya.com/blog/2015/11/quick-introduction-boostingalgorithms-machine-learning [31] https://cameranhaviet.com/5-loai-may-cham-cong-pho-bien-hien-nay/ [32] http://www.emgu.com/wiki/index.php/Main_Page ... ĐẠI HỌC LẠC HỒNG TRẦN ĐÌNH NGỌC XÂY DỰNG ỨNG DỤNG HỖ TRỢ CHẤM CÔNG DỰA TRÊN NHẬN DẠNG KHUÔN MẶT NGƯỜI - TẠI CƠNG TY TIN HỌC HỒI ÂN Chun ngành: Cơng Nghệ Thông Tin Mã số: 8480201 LUẬN VĂN THẠC SĨ... 2018 Học viên Trần Đình Ngọc iii TĨM TẮT LUẬN VĂN Đề tài: Xây dựng ứng dụng hỗ trợ chấm công dựa nhận dạng khuôn mặt người - cơng ty Tin Học Hồi Ân Ngành: Cơng nghệ thơng tin Mã số: 84.80.201 Học. .. adaboost 3.2.2.1 Bộ nhận dạng khn mặt người 25 Hình 10: Mơ hình nhận dạng mặt người Bộ nhận dạng hình 3.10 xây dựng theo cấu trúc Cascade, ứng dụng việc nhận dạng khuôn mặt người có tập mẫu hay