Phương pháp nhận dạng khuôn mặt dựa trên mạng nơron học sâu và ứng dụng ghi nhận cán bộ vào, ra tại viện khoa học công nghệ

LỜI CAM ĐOAN Tơi cam đoan cơng trình nghiên cứu riêng Các số liệu, kết nêu luận văn trung thực chưa cơng bố cơng trình khác Tác giả luận văn Bùi Thế Hùng i LỜI CẢM ƠN Lời đầu tiên, em xin gửi lời biết ơn sâu sắc đến TS Dương Thăng Long, người tận tình hướng dẫn, bảo, giúp đỡ em suốt trình làm luận văn Em gửi lời cảm ơn đến thầy cô giảng dạy thầy cô Khoa Đào Tạo Sau Đại Học Trường Đại Học Mở Hà Nội truyền đạt giúp đỡ em suốt trình học tập Và cuối em gửi lời cảm ơn đến đồng nghiệp, bạn bè gia đình, người ủng hộ, động viên tạo điều kiện giúp đỡ để em có kết học tập ngày hôm Hà Nội, ngày tháng năm 2019 Học viên thực Bùi Thế Hùng ii MỤC LỤC Trang LỜI CAM ĐOAN .i LỜI CẢM ƠN ii MỤC LỤC .iii DANH MỤC TỪ VIẾT TẮT v DANH MỤC HÌNH VẼ vi DANH MỤC BẢNG BIỂU viii MỞ ĐẦU CHƯƠNG I GIỚI THIỆU VỀ NHẬN DẠNG KHUÔN MẶT 1.1 Tổng quan hệ thống nhận dạng khuôn mặt .3 1.1.1 Hệ thống nhận dạng khuôn mặt 1.1.2 Một số hướng tiếp cận nhận dạng khuôn mặt 1.2 Giới thiệu mạng nơron 1.2.1 Mạng nơron sinh học 1.2.2 Mạng nơron nhân tạo 1.2.3 Quá trình học mạng nơron 12 1.2.4 Một số thuật toán mạng nơron 15 1.2.5 Hàm softmax 21 1.3 Một số phương pháp trích trọn đặc trưng khn mặt 22 1.3.1 Phương pháp trích chọn CNN 22 1.3.2 Phương pháp PCA .24 1.3.3 Phương pháp phân tách tuyến tính LDA 25 1.3.4 Phương pháp EBGM (Elastic Bunch Graph Matching) 26 1.4 Ứng dụng thực tiễn tốn nhận dạng khn mặt 28 CHƯƠNG II PHƯƠNG PHÁP NHẬN DẠNG KHUÔN MẶT DỰA TRÊN MẠNG NƠRON HỌC SÂU 31 2.1 Mạng nơron tích chập CNN 31 2.1.1 Lớp tích chập .32 iii 2.1.2 Lớp hàm kích hoạt .36 2.1.3 Lớp pooling .37 2.1.4 Lớp kết nối đầy đủ .37 2.1.5 Nguyên lý hoạt động 38 2.1.6 Vấn đề khớp 39 2.1.7 Phương pháp chọn mô hình .41 2.1.8 Điều chỉnh 42 2.1.9 Loại bỏ 45 2.2 Một số phương pháp cho toán nhận dạng .46 2.2.1 Phương pháp ResNeXt .46 2.2.2 Phương pháp DenseNet .48 2.2.3 Phương pháp AlexNet - 7CNNs 50 2.3 Thiết kế mạng nơron CNN nhận dạng khuôn mặt .52 2.3.1 Tiền xử lý ảnh đầu vào .53 2.3.2 Mơ hình nhận dạng khn mặt dựa CNN 54 CHƯƠNG III XÂY DỰNG ỨNG DỤNG THỬ NGHIỆM CHO BÀI TOÁN GHI NHẬN RA, VÀO TẠI VIỆN KHOA HỌC CÔNG NGHỆ QUÂN SỰ 60 3.1 Xây dựng chương trình ứng dụng 60 3.1.1 Đặt vấn đề toán 60 3.1.2 Môi trường thực nghiệm 60 3.2 Kiểm thử đánh giá kết 65 3.2.1 Khởi tạo trích xuất liệu 65 3.2.2 Khởi tạo đào tạo mơ hình nhận dạng 66 3.2.3 Chương trình nhận diện dựa liệu có sẵn .66 3.2.4 Chương trình nhận diện thời gian thực qua camera 69 3.2.5 Đánh giá kết .70 TÀI LIỆU THAM KHẢO .72 iv DANH MỤC CÁC THUẬT NGỮ, CHỮ VIẾT TẮT STT Từ viết tắt CSDL ANN CNN Tiếng Anh Artificial Neural Network Convolution Neural Network PCA Principal Component Analysis LDA Linear Discriminant Analysis EBGM FC RELU Elastic Bunch Graph Matching Fully Connected Rectified Linear Unit Tiếng Việt Cơ sở liệu Mạng nơron nhân tạo Mạng nơron tích chập Phương pháp phân tích thành phần Phương pháp phân tích khác biệt tuyến tính Phương pháp đồ thị đàn hồi Lớp kết nối đầy đủ Hàm kích hoạt DANH MỤC HÌNH VẼ Trang Hình 1.1 Cấu trúc tổng quát hệ thống nhận dạng khuôn mặt Hình 1.2 Mạng nơron sinh học .6 v Hình 1.3 Cấu trúc ANN Hình 1.4 Quá trình xửa lý nơron ANN Hình 1.5 Đồ thị hàm kích hoạt: (a) Hàm Tanh; (b) Hàm ReLU; (c) Hàm Sigmoid 10 Hình 1.6 Bộ sở liệu chữ viết tay MNIST 13 Hình 1.7 AlphaGo Google 15 Hình 1.8 Mơ cách tính lan truyền ngược 17 Hinh 1.9 Mơ hình hàm Softmax cho mạng Nơron 22 Hình 1.10 Không gian (p1,p2) theo hướng phân bố mạnh vector khơng gian (x1,x2) tìm theo PCA 24 Hình 1.11 Ví dụ minh họa LDA 26 Hình 1.12 Mơ hình lưới khuôn mặt khác 28 Hình 2.1 Minh hoạ kiến trúc mạng nơron tích chập 32 Hình 2.2 Minh hoạ tích chập ma trận ảnh 34 Hình 2.3 Tìm biên cạnh cho ảnh với tích chập .35 Hình 2.4 Làm mờ ảnh gốc với tích chập .35 Hình 2.5 Minh hoạ tích chập chiều 36 Hình 2.6 Max pooling với lọc x 37 Hình 2.7 Ví dụ cấu trúc CNN 38 Hình 2.8 Mơ hình chi tiết cấu trúc CNN 39 Hình 2.9 Quá khớp .40 Hình 2.10 Dừng sớm 43 Hình 2.11 Giảm trọng số 45 Hình 2.12 Kỹ thuật loại bỏ mạng neural .46 Hình 2.13 Minh họa mơ hình ResNeXt 47 Hình 2.14 Minh họa mơ hình DenseNet .49 Hình 2.15 Sơ đồ quy trình mơ hình nhận dạng khn mặt .52 Hình 2.16 Các dạng đặc trưng Haar-like 53 Hình 2.17 Kiến trúc dạng khối mơ hình CNN 55 Hình 2.18 Một ảnh đầu vào kích thước 100×90×1 (đa cấp xám) 55 Hình 2.19 Hình ảnh sau xử lý khối B2 lớp nơron POOL 56 vi Hình 2.20 Hình ảnh kết xử lý sau B5, B7 B9 57 Hình 3.1 Kiểm tra cài đặt ngơn ngữ Python 63 Hình 3.2 Cài đặt thư viện OpenCV .63 Hình 3.3 Cài đặt thư viện dlib face_recognition .64 Hình 3.4 Cài đặt thư viện scikit-learn 64 Hình 3.5 Trích xuất liệu 65 Hình 3.6 Đào tạo liệu 66 Hình 3.7a Kết nhận diện dựa liệu có sẵn 66 Hình 3.7b Kết nhận diện dựa liệu có sẵn 67 Hình 3.7c Kết nhận diện dựa liệu có sẵn 68 Hình 3.8a Kết nhận diện dựa thời gian thực 69 Hình 3.8b Kết nhận diện dựa thời gian thực 69 Hình 3.8c Kết nhận diện dựa thời gian thực 70 DANH MỤC BẢNG BIỂU Trang Bảng 2.1 Ví dụ liệu phân lớp mơ hình CNN 59 vii Bảng 3.1 Module chương trình 65 viii MỞ ĐẦU Tên đề tài: “Phương pháp nhận dạng khuôn mặt dựa mạng nơron học sâu ứng dụng ghi nhận cán vào, Viện khoa học công nghệ quân sự” Đặt vấn đề 2.1 - Tính cấp thiết đề tài Hiện nay, với phát triển xã hội, vấn đề an ninh bảo mật yêu cầu khắt khe quốc gia giới Các hệ thống nhận dạng người đời với độ tin cậy ngày cao Một toán nhận dạng người quan tâm nhận dạng mặt người - Bài toán nhận dạng mặt người áp dụng rộng rãi nhiều lĩnh vực khác Các ứng dụng liên quan đến nhận dạng mặt người kể như: hệ thống phát tội phạm, hệ thống theo dõi nhân đơn vị, hệ thống tìm kiếm thông tin ảnh, video dựa nội dung… - Đối với Viện khoa học công nghệ quân sự, vấn đề kiểm soát việc ra, vào quan cán nhân viên khách đến làm việc quan trọng nhằm đảm bảo an ninh, an toàn khu vực quân Hệ thống nhận dạng giúp giảm bớt thời gian xử lý công việc cho cán kiểm sốt, giám sát, tăng độ xác xử lý thông tin mang lại hiệu công việc - Từ nhu cầu thực tế đó, học viên với giúp đỡ TS Dương Thăng Long lựa chọn đề tài “Phương pháp nhận dạng khuôn mặt dựa mạng nơron học sâu ứng dụng ghi nhận cán vào, Viện khoa học công nghệ quân sự” làm đề tài nghiên cứu luận văn tốt nghiệp thạc sĩ chuyên ngành Công nghệ thông tin 2.2 - Mục tiêu nghiên cứu Nghiên cứu mạng Neural nhân tạo máy học chuyên sâu (Deep learning) – Convolution Neural Network (CNN) - Hiện thực Convolution Neural Network cho toán nhận dạng mặt người - Đề xuất phương pháp nhận dạng mặt người máy học chuyên sâu cho thành phần khuôn mặt xây dựng nhận dạng kết hợp từ CNN thành phần - Xây dựng phần mềm thử nghiệm cho ứng dụng đề tài 2.3 Đối tượng phạm vi nghiên cứu - Phương pháp nhận dạng khuôn mặt - Mạng nơron nhân tạo 2.4 Phương pháp nghiên cứu Để thực đề tài khoa học này, cần phải kết hợp hai phương pháp sau: - Phương pháp nghiên cứu lý thuyết: Tổng hợp, nghiên cứu tài liệu nhận dạng khn mặt; nghiên cứu phương pháp, thuật tốn nhận dạng khuôn mặt sử dụng mạng nơron - Phương pháp nghiên cứu thực nghiệm: Sau nghiên cứu lý thuyết, phát biểu toán, đưa giải pháp xử lý; cài đặt thử nghiệm chương trình; đánh giá kết đạt 2.5 Nội dung nghiên cứu Với đề tài “Phương pháp nhận dạng khuôn mặt dựa mạng nơron học sâu ứng dụng ghi nhận cán vào, Viện khoa học công nghệ quân sự” Học viên dự kiến thực nội dung nghiên cứu theo kế hoạch sau: - Chương 1: Giới thiệu nhận dạng khuôn mặt - Chương 2: Phương pháp nhận dạng mặt người dựa mạng nơron học sâu - Chương 3: Xây dựng ứng dụng thử nghiệm cho toán ghi nhận cán vào, Viện khoa học công nghệ quân giá trị đầu định danh cá nhân (vị trí tương ứng giá trị số in đậm) liệu ảnh đầu vào Bảng 2.1 Ví dụ liệu phân lớp mơ hình CNN Kết luận chương Có thể thấy rằng, mạng nơron công cụ hữu hiệu việc xử lý lớp toán phi tuyến phức tạp Đặc biệt toán phân lớp đối tượng phi tuyến Chính vậy, nội dung chương trình bày kiến thức tổng quan cho việc xây dựng loại mạng nơron Hiệu mơ hình kiểm chứng thơng qua chương trình ứng dụng xây dựng ngôn ngữ Python kết hợp thư viện mã nguồn mở OpenCV trình bày chi tiết chương 59 CHƯƠNG III XÂY DỰNG ỨNG DỤNG THỬ NGHIỆM CHO BÀI TOÁN GHI NHẬN RA, VÀO TẠI VIỆN KHOA HỌC CÔNG NGHỆ QUÂN SỰ 3.1 Xây dựng chương trình ứng dụng 3.1.1 Đặt vấn đề toán Như đề cập chương 1, mục tiêu luận văn xây dựng phần mềm nhận dạng để ghi nhận trình ra, vào cán bộ, cơng nhân viên khách đến liên hệ công việc Viện khoa học công nghệ quân Đối với Viện khoa học công nghệ quân sự, vấn đề kiểm soát việc ra, vào quan cán nhân viên khách đến làm việc quan trọng nhằm đảm bảo an ninh, an toàn khu vực quân Hệ thống nhận dạng giúp giảm bớt thời gian xử lý cơng việc cho cán kiểm sốt, giám sát, tăng độ xác xử lý thơng tin mang lại hiệu cơng việc Vì vậy, ý tưởng xây dựng phần mềm nhận dạng khn mặt hình thành phát triển nhằm đáp ứng nhu cầu sử dụng cán kiểm sốt 3.1.2 Mơi trường thực nghiệm 3.1.2.1 Cơng cụ xây dựng phần mềm Chương trình thực nghiệm cài đặt môi trường Python, sử dụng thư viện Numpy cho việc biểu diễn, lưu trữ thao tác liệu; thư viện OpenCV để thực thao tác xử lý ảnh bản; thư viện Scikit-Learn cho việc thử nghiệm mơ hình học máy (mạng nơron, mơ hình smv, ) Chương trình thử nghiệm máy tính sử dụng hệ điều hành Windows 10 Pro phiên 64 bit với RAM 8GB, Intel(R) Core(TM) i3-8130U CPU @2.20GHz 3.1.2.2 Ngôn ngữ xây dựng phần mềm Để xây dựng chương trình nhận dạng này, tơi sử dụng ngơn ngữ Python Đó ngơn ngữ lập trình hướng đối tượng, cấp cao, mạnh mẽ, tạo Guido van Rossum Nó dễ dàng để tìm hiểu lên ngơn ngữ lập trình nhập mơn tốt cho người lần đầu tiếp xúc với ngơn ngữ lập trình 60 Python hoàn toàn tạo kiểu động sử dụng chế cấp phát nhớ tự động Python có cấu trúc liệu cấp cao mạnh mẽ cách tiếp cận đơn giản hiệu lập trình hướng đối tượng Cú pháp lệnh Python điểm cộng vơ lớn rõ ràng, dễ hiểu cách gõ linh động làm cho nhanh chóng trở thành ngơn ngữ lý tưởng để viết script phát triển ứng dụng nhiều lĩnh vực, hầu hết tảng Các tính của Python - Ngơn ngữ lập trình đơn giản, dễ học: Python có cú pháp đơn giản, rõ ràng Nó dễ đọc viết nhiều so sánh với ngơn ngữ lập trình khác C++, Java, C# Python làm cho việc lập trình trở nên thú vị, cho phép bạn tập trung vào giải pháp khơng phải cú pháp - Miễn phí, mã nguồn mở: Bạn tự sử dụng phân phối Python, chí dùng cho mục đích thương mại Vì mã nguồn mở, bạn khơng sử dụng phần mềm, chương trình viết Python mà cịn thay đổi mã nguồn Python có cộng đồng rộng lớn, khơng ngừng cải thiện lần cập nhật - Khả di chuyển: Các chương trình Python di chuyển từ tảng sang tảng khác chạy mà khơng có thay đổi Nó chạy liền mạch hầu hết tất tảng Windows, macOS, Linux - Khả mở rộng nhúng: Giả sử ứng dụng đòi hỏi phức tạp lớn, bạn dễ dàng kết hợp phần code C, C++ ngơn ngữ khác (có thể gọi từ C) vào code Python Điều cung cấp cho ứng dụng bạn tính tốt khả scripting mà ngôn ngữ lập trình khác khó làm - Thư viện tiêu chuẩn lớn để giải tác vụ phổ biến: Python có số lượng lớn thư viện tiêu chuẩn giúp cho cơng việc lập trình bạn trở nên dễ thở nhiều, đơn giản khơng phải tự viết tất code Ví dụ: Bạn cần kết nối sở liệu MySQL Web server? Bạn nhập thư viện MySQLdb sử dụng Những thư viện kiểm tra kỹ lưỡng sử dụng 61 hàng trăm người Vì vậy, bạn chắn khơng làm hỏng code hay ứng dụng Ứng dụng Python - Lập trình ứng dụng web: Bạn tạo web app có khả mở rộng (scalable) cách sử dụng framework CMS (Hệ thống quản trị nội dung) tích hợp Python Vài tảng phổ biến để tạo web app là: Django, Flask, Pyramid, Plone, Django CMS Các trang Mozilla, Reddit, Instagram PBS viết Python - Khoa học tính tốn: Có nhiều thư viện Python cho khoa học tính tốn số liệu, SciPy NumPy, sử dụng cho mục đích chung chung tính tốn Và, có thư viện cụ thể như: EarthPy cho khoa học trái đất, AstroPy cho Thiên văn học, Ngồi ra, Python cịn sử dụng nhiều machine learning, khai thác liệu deep learning - Tạo nguyên mẫu phần mềm: Python chậm so sánh với ngôn ngữ biên dịch C++ Java Nó khơng phải lựa chọn tốt nguồn lực bị giới hạn yêu cầu hiệu bắt buộc Tuy nhiên, Python ngôn ngữ tuyệt vời để tạo nguyên mẫu (bản chạy thử - prototype) Ví dụ, bạn sử dụng Pygame (thư viện viết game) để tạo nguyên mẫu game trước Nếu thích nguyên mẫu dùng C++ để viết game thực 3.1.2.3 Cơ sở liệu ảnh Để lấy sở liệu ảnh, cán bộ, nhân viên đến gặp trực tiếp cán phụ trách gửi ảnh chụp sẵn cho cán phụ trách để thu thập liệu ảnh Với cán bộ, nhân viên thu thập số hình ảnh khn mặt (với góc nghiêng khác nhau, trạng thái khác cười khơng cười, đeo kính khơng, miệng mở đóng …) 3.1.2.4 Cài đặt - Cài đặt Python 3.6.7 62 Hình 3.1 Kiểm tra cài đặt ngôn ngữ Python - Cài đặt thư viện OpenCV tương thích Hình 3.2 Cài đặt thư viện OpenCV 63 - Cài đặt thư viện khác Hình 3.3 Cài đặt thư viện dlib face_recognition Hình 3.4 Cài đặt thư viện scikit-learn 64 - Mã nguồn chương trình Bảng 3.1 Module chương trình 3.2 Kiểm thử đánh giá kết 3.2.1 Khởi tạo trích xuất liệu Hình 3.5 Trích xuất liệu 65 3.2.2 Khởi tạo đào tạo mơ hình nhận dạng Hình 3.6 Đào tạo liệu 3.2.3 Chương trình nhận diện dựa liệu có sẵn Hình 3.7a Kết nhận diện dựa liệu có sẵn 66 Hình 3.7b Kết nhận diện dựa liệu có sẵn 67 Hình 3.7c Kết nhận diện dựa liệu có sẵn 68 3.2.4 Chương trình nhận diện thời gian thực qua camera Hình 3.8a Kết nhận diện dựa thời gian thực Hình 3.8b Kết nhận diện dựa thời gian thực 69 Hình 3.8c Kết nhận diện dựa thời gian thực 3.2.5 Đánh giá kết Sau tiến hành cài đặt chạy thử chương trình thử nghiệm, nhận thấy rằng, số lượng ảnh huấn luyện nhiều độ xác phương pháp tăng lên Điều hiển nhiên nhiều mẫu huấn luyện có nhiều đặc trưng cho lớp liệu không gian khuôn mặt Kết thực nghiệm cho thấy mơ hình đạt độ xác tương đối cao ổn định môi trường thực tế, không bị ảnh hưởng yếu tố tự nhiên người Kết luận chương Xuất phát từ tính cấp thiết việc nhận dạng cán bộ, nhân viên nhằm kiểm chứng tính đắn thuật tốn nhận dạng khuôn mặt, chương luận văn trình bày cách thức xây dựng chương trình mơ Từ việc chuẩn bị, thu thập mẫu liệu nhằm đạt yêu cầu đặt toán Kết kiểm chứng cho thấy phương pháp kết hợp cho hiệu tốt Cụ thể việc nhận dạng cho kết tốt thay đổi tư thế, góc nghiêng khn mặt, ảnh trước webcam thu thập điều kiện sáng khác 70 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI Trong luận văn này, đề xuất mơ hình dựa mạng nơron tích chập (CNN) để nhận dạng khn mặt người Mơ hình có lớp nơron tích chập (CONV) lớp nơron liên kết đầy đủ (FC), tổng số tham số khoảng 12 triệu Trong đó, mơ hình dựa kiến trúc VGG gồm 13 lớp CONV lớp FC, số lượng khoảng 138 triệu tham số, gấp 10 lần Như vậy, khẳng định mơ hình chúng tơi có độ phức tạp mức vừa phải, phù hợp với hệ thống tính tốn mức trung bình đem lại tiềm khả thi ứng dụng thực tiễn Mặc dù độ phức tạp mơ hình mức thấp so với mơ hình khác, kết thử nghiệm cho thấy tính hiệu phân lớp cao Hiện điều kiện tính tốn nên chúng tơi áp dụng số lần huấn luyện thấp, huấn luyện mức độ sâu kỳ vọng đem lại kết cao Trong thời gian tới, nghiên cứu cải thiện hiệu phân lớp cách áp dụng mơ hình phân lớp SVM thay cho lớp nơron dạng FC mơ hình CNN, phân tích điều chỉnh số lớp CONV lớp nơron dạng Inception Tiếp theo, thiết kế hệ thống thu thập liệu hình ảnh để tạo liệu huấn luyện cho mơ hình, từ xây dựng ứng dụng hồn chỉnh cho tốn thực tiễn: hệ thống giám sát cán vào/ra cổng quan Bên cạnh nhiều toán thực tiễn khác như: hệ thống điểm danh sinh viên có mặt lớp học, hệ thống theo dõi định danh liên tục trình học tập người học trực tuyến 71 TÀI LIỆU THAM KHẢO Tài liệu tiếng Việt Phạm Thế Bảo Trịnh Tấn Đạt Dùng đặc trưng gabor kết hợp adaboost [1] kmeans toán nhận dạng mặt người Tạp chí Khoa học ĐHSP Thành phố Hồ Chí Minh , Số 43 Dương Thăng Long, Bùi Thế Hùng Một phương pháp nhận dạng khuôn mặt [2] dựa mạng nơron tích chập Tạp chí khoa học Viện Đại học Mở Hà Nội, [3] Số 58, 2019 Võ Phúc Nguyên Nhận dạng ảnh mặt người sử dụng mạng nơron Tạp chí Khoa học & Cơng nghệ, Số 64, trang 52-57 Nguyễn Thị Thanh Tân, Huỳnh Văn Huy, Ngô Quốc Tạo Phương pháp nhận [4] dạng khuôn mặt người từ webcam Hội thảo quốc gia lần thứ 20: Một số vấn đề chọn lọc Công nghệ thông tin truyền thông, trang 285-290 Tài liệu tiếng Anh Brandon Amos, Bartosz Ludwiczuk, Mahadev Satyanarayanan OpenFace: [5] A general-purpose face recognition library with mobile applications School of Computer Science, Carnegie Mellon University, 2016, 20 pages Daniel Saez Trigueros, Li Meng, Margaret Hartnett Face Recognition: [6] From Traditional to Deep Learning Methods School of Engineering and Technology University of Hertfordshire, 2018, 13 pages Florian Schroff, Dmitrv Kalcnichenko, and James Philbin Facenet: A [7] unified embedding for face recognition and clustering In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2015, pages 815-823 Hoda Mohammadzade, Amirhossein Sayyafan, Benyamin Ghojogh PixelLevel Alignment of Facial Images for High Accuracy Recognition Using [8] Ensemble of Patches Journal of the Optical Society of America, 2018, 11 pages M A Abuzneid, A Mahmood Enhanced Human Face Recognition Using [9] LBPH Descriptor, Multi-KNN, and BPNN IEEE Access,2018, Vol 6, pp.20641-20651 [10] Omkar M Parkhi, Andrea Vedaldi, Andrew Zisserman Deep Face 72 Recognition Visual Geometry Group Department of Engineering Science University of Oxford, 2015, 12 pages Patrik Kamencay, Miroslav Benco, Tomas Mizdos and Roman Radil A New [11] Method for Face Recognition Using Convolutional Neural Network Digital Image Processing and Computer Graphics, 2017, Vol 15, No 4, pp.663-672 Website tham khảo [12] https://arxiv.org/pdf/1608.06993v5.pdf [13] https://arxiv.org/pdf/1905.00546v1.pdf http://papers.nips.cc/paper/4824-imagenet-classification-with-deep[14] convolutional-neural-networks.pdf [15] https://github.com/ageitgey/face_recognition [16] https://www.pyimagesearch.com/2018/09/24/opencv-face-recognition https://www.pyimagesearch.com/2018/06/18/face-recognition-with-opencv[17] python-and-deep-learning/ 73 ... 2: Phương pháp nhận dạng mặt người dựa mạng nơron học sâu - Chương 3: Xây dựng ứng dụng thử nghiệm cho toán ghi nhận cán vào, Viện khoa học công nghệ quân CHƯƠNG I GIỚI THIỆU VỀ NHẬN DẠNG KHUÔN... hiệu công việc - Từ nhu cầu thực tế đó, học viên với giúp đỡ TS Dương Thăng Long lựa chọn đề tài ? ?Phương pháp nhận dạng khuôn mặt dựa mạng nơron học sâu ứng dụng ghi nhận cán vào, Viện khoa học công. .. chương trình 65 viii MỞ ĐẦU Tên đề tài: ? ?Phương pháp nhận dạng khuôn mặt dựa mạng nơron học sâu ứng dụng ghi nhận cán vào, Viện khoa học công nghệ quân sự” Đặt vấn đề 2.1 - Tính cấp thiết