Thiết kế hệ thống tương tác giữa người và máy thông qua công nghệ nhận dạng khuôn mặt và hướng mắt

PHẠM XUÂN TRƯỜNG BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI - Phạm Xuân Trường KỸ THUẬT VIỄN THÔNG THIẾT KẾ HỆ THỐNG TƯƠNG TÁC GIỮA NGƯỜI VÀ MÁY THÔNG QUA CÔNG NGHỆ NHẬN DẠNG KHUÔN MẶT VÀ HƯỚNG MẮT LUẬN VĂN THẠC SĨ KỸ THUẬT KỸ THUẬT VIỄN THÔNG 2014A Hà Nội – Năm 2017 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI Phạm Xuân Trường THIẾT KẾ HỆ THỐNG TƯƠNG TÁC GIỮA NGƯỜI VÀ MÁY THÔNG QUA CÔNG NGHỆ NHẬN DẠNG KHUÔN MẶT VÀ HƯỚNG MẮT Chuyên ngành : Kỹ Thuật Viễn Thông LUẬN VĂN THẠC SĨ KỸ THUẬT KỸ THUẬT VIỄN THÔNG NGƯỜI HƯỚNG DẪN KHOA HỌC : TS LÊ DŨNG Hà Nội – Năm 2017 LỜI CAM ĐOAN Tơi xin cam đoan cơng trình nghiên cứu riêng hướng dẫn khoa học TS Lê Dũng Các nội dung nghiên cứu, kết đề tài trung thực chưa cơng bố hình thức trước Ngồi đề tài có dùng số sơ đồ khối, hình ảnh tác giả khác có trích dẫn thích nguồn gốc Nếu phát gian lận tơi xin hồn tồn chịu trách nhiệm nội dung luận văn Hà Nội, ngày 29 tháng 03 năm 2017 Tác giả luận văn Phạm Xuân Trường TĨM TẮT LUẬN VĂN Trên giới, cơng nghệ nhận diện khuôn mặt trở nên phổ biến, áp dụng vào nhiều lĩnh vực phục vụ nhu cầu giải trí, bảo mật an tồn thơng tin cho người Với công nghệ sống người không ngừng nâng cao, hỗ trợ tốt không cho người bình thường mà cịn cơng cụ giao tiếp thiết thực cho người khuyết tật, đặc biệt người liệt tứ chi Luận văn tốt nghiệp hướng tới mục đích tìm hiểu số phương pháp phân loại khuôn mặt người dựa hướng nghiên cứu có giới từ đề xuất xây dựng hệ thống nhận dạng hướng mắt Trong khuôn khổ luận văn, thiết kế phát triển để tài : “Thiết kế hệ thống tương tác người máy thông qua công nghệ nhận dạng khuôn mặt hướng mắt” gồm nội dụng sau:  CHƯƠNG 1: LÝ THUYẾT BÀI TỐN XỬ LÍ ẢNH MẶT NGƯỜI Giới thiệu kĩ thuật xử lý ảnh mặt người phát triển giới  CHƯƠNG 2: PHƯƠNG PHÁP ADABOOST VÀ CÁC ĐẶC TRƯNG HAAR FEATURE Giới thiệu chi tiết phương pháp Adaboost đặc trưng Haar feature  CHƯƠNG 3: XÂY DỰNG HỆ THỐNG Đưa yêu cầu thực thi hệ thống : yêu cầu thiết bị tương tác ngơn ngữ lập trình ABSTRACT In the world, facial recognition technology has become popular, applied in many areas serving the needs of entertainment, confidential information security for people With this technology, human life is constantly improved, good support not only for ordinary people but also a practical communication tool for people with disabilities, especially quadriceps This thesis aims to explore some methods of classifying people's faces based on the existing research directions of the world and thereby propose the establishment of an eye orientation system In the framework of the thesis, I designed and developed my thesis: "Design a human machine interaction system using face recognition and eyes directions techniques", including the following main contents: • CHAPTER 1: THEORY OF IMAGE PROCESSING PROBLEM Introduction to human facial imaging techniques being developed around the world • CHAPTER 2: ADABOOST METHOD AND HAAR FEATURES Detailed introduction to Adaboost method and Haar features • CHAPTER 3: BUILDING THE SYSTEM Introduce system performance requirements: requirements for interactive devices and programming languages MỤC LỤC TÓM TẮT LUẬN VĂN .2 ABSTRACT DANH SÁCH CÁC THUẬT NGỮ DÙNG TRONG BÀI: .8 CHƯƠNG 1: LÝ THUYẾT BÀI TỐN XỬ LÍ ẢNH MẶT NGƯỜI 1.1 Giới thiệu chung 1.1.1 Đặt vấn đề cho toán phân loại mặt người 1.1.2 Lịch sử phát triển tốn phân loại, xử lí ảnh mặt người .9 1.1.3 Ứng dụng toán phân loại mặt người .10 1.2 Tìm hiểu phương pháp xử lí ảnh với mặt người 11 1.2.1 1.2.1.1 Phương pháp Yang Huang 11 1.2.1.2 Phương pháp Kotropoulos Pitas 13 1.2.1.3 Đánh giá hướng tiếp cận dựa tri thức .14 1.2.2 Hướng tiếp cận dựa đặc trưng không thay đổi 14 1.2.2.1 Phương pháp Leung - Random Graph Matching 15 1.2.2.2 Phương pháp dựa màu da .16 1.2.2.3 Đánh giá hướng tiếp cận dựa đặc trưng bất biến 18 1.2.3 Hướng tiếp cận dựa so sánh khớp mẫu 18 1.2.3.1 Dùng mẫu định nghĩa sẵn .18 1.2.3.2 Dùng mẫu biến dạng 20 1.2.3.3 Đánh giá hướng tiếp cận đối sánh mẫu 21 1.2.4 1.3 Hướng tiếp cận dựa tri thức 11 Hướng tiếp cận dựa diện mạo 21 1.2.4.1 Các khuôn mặt riêng (Eigenfaces) 22 1.2.4.2 Dùng mạng Nơ ron .22 1.2.4.3 Dùng phương pháp máy học (machine learning) 25 1.2.4.4 Đánh giá hướng tiếp cận dựa diện mạo 25 Giới thiệu toán nhận diện hướng mắt .25 1.3.1 Hướng giải 25 1.3.2 Ứng dụng 26 1.3.3 Khó khăn .28 1.4 Kết luận 28 CHƯƠNG 2: PHƯƠNG PHÁP ADABOOST VÀ CÁC ĐẶC TRƯNG HAAR FEATURE 29 2.1 Các đặc trưng Haar-Like .29 2.2 Tổng quan Adaboost .33 2.3 Giải thuật Adaboost cho việc tách đối tượng mắt .35 2.3.1 Lựa chọn đặc trưng .35 2.3.2 Trích chọn đặc trưng .37 2.3.3 Xây dựng phân loại yếu 38 2.3.4 Xây dựng phân loại mạnh 40 2.4 Xây dựng phân loại mạnh theo mơ hình Cascade 46 2.5 Kết luận 49 CHƯƠNG 3: XÂY DỰNG HỆ THỐNG 50 3.1 Sơ lược đầu Kinect 50 3.2 Xác định khuôn mặt sử dụng liệu depth stream từ đầu Kinect 52 3.2.1 Giới thiệu ảnh depth: 52 3.2.2 Xác định khuôn mặt dựa phân tích thống kê 54 a) Biểu đồ phân tích thống kê 54 b) Xác định điểm cực trị đồ thị thống kê 56 3.3 Áp dụng Adaboost vào việc xác định vị trí mắt ảnh: 58 3.3.1 Cấu trúc file training .59 3.3.2 Áp dụng file training để tìm vị trí mắt ảnh 60 3.3.3 Xác định hướng nhìn mắt 64 3.4 Phân tích – thiết kế hệ thống nhận diện hướng mắt 66 3.4.1 Phân tích .66 3.4.2 Giới hạn toán 66 3.4.3 Thiết kế hệ thống 67 3.5 Kết đánh giá : 71 3.6 Kết luận hướng phát triển .73 Tài liệu tham khảo .75 DANH MỤC HÌNH ẢNH SỬ DỤNG TRONG BÀI : HÌNH 1.1 CƠ CHẾ TÌM KIẾM CỦA GOOGLE PORTRAIT 10 HÌNH 1.2 CÁC ẢNH VỚI ĐỘ PHÂN GIẢI KHÁC NHAU 12 HÌNH 1.3: MỘT TRI THỨC VỀ KHUÔN MẶT 12 HÌNH 1.4: MINH HỌA GIẢI THUẬT CHIẾU 13 HÌNH 1.5: PHÂN BỐ MÀU DA TRONG MẶT PHẲNG CRCB TRONG KHÔNG GIAN YCRCB 16 HÌNH 1.6: MINH HỌA MẪU GỒM CÁC QUAN HỆ .19 HÌNH 1.7: THÀNH PHẦN ĐẦU CỦA HỆ THỐNG .23 HÌNH 1.8:SƠ ĐỒ MƠ TẢ CÁCH SỬ DỤNG EYE CHARM 26 HÌNH 1.9: Ý TƯỞNG VỀ MÁY TÍNH TRONG SUỐT 27 HÌNH 1.10 MINH HỌA HỆ THỐNG SPACETOP 3D 27 HÌNH 2.1: ĐẶT TRƯNG HAAR-LIKE CƠ BẢN 29 HÌNH 2.2: CÁC ĐẶC TRƯNG MỞ RỘNG CỦA CÁC ĐẶC TRƯNG HAAR-LIKE CƠ SỞ .30 HÌNH 2.3: CÁC ĐẶC TRƯNG HAAR-LIKE MỞ RỘNG MỚI 31 HÌNH 2.4: LỢI ÍCH CỦA ĐẶC TRƯNG HAAR-LIKE 32 HÌNH 2.5: CÁCH TÍNH INTEGRAL IMAGE CỦA ẢNH 33 HÌNH 2.6: VÍ DỤ CÁCH TÍNH NHANH TỔNG CÁC ĐIỂM ẢNH CỦA VÙNG D TRÊN ẢNH .33 HÌNH 2.7: MƠ TẢ GIẢI THUẬT BOOSTING 35 HÌNH 2.8: ĐẶC TRƯNG VÀ SỰ TƯƠNG QUAN MỨC XÁM .37 HÌNH 2.9: MINH HỌA CÁCH CHỌN WEAK CLASSIFIER 40 HÌNH 2.10: SƠ ĐỒ CHUNG HỌC ADABOOST 41 HÌNH 2.11: MINH HỌA QUÁ TRÌNH HỌC ADABOOST 43 HÌNH 2.12: MƠ HÌNH CASCADE 46 HÌNH 2.13: MINH HỌA THUẬT TỐN CASCADE .48 HÌNH 3.1: HÌNH ẢNH ĐẦU KINECT 50 HÌNH 3.2: CHI TIẾT CÁC THÀNH PHẦN CỦA ĐẦU KINECT 51 HÌNH 3.3: CẤU TRÚC PHẦN CỨNG VÀ PHẦN MỀM CỦA KINECT .51 HÌNH 3.4: LIÊN KẾT GIỮA PHẦN CỨNG PHẦN MỀM VÀ ỨNG DỤNG 52 HÌNH 3.5: DỮ LIỆU DEPTH 53 HÌNH 3.6: DẢI KHOẢNG CÁCH TỪ VẬT THỂ ĐẾN CẢM BIẾN ĐỌ SÂU 53 HÌNH 3.7: ẢNH BITMAP THỂ HIỆN ĐỘ SÂU 54 HÌNH 3.8: ẢNH DEPTH SAU KHI ĐÃ LỌC BACKGROUND .54 HÌNH 3.9: BIỂU ĐỒ THỐNG KÊ 55 HÌNH 3.10: LƯU ĐỒ CÁC BƯỚC TÌM CỰC TRỊ CỦA ĐỒ THỊ THỐNG KÊ .56 HÌNH 3.11: MƠ PHỎNG Q TRÌNH TÌM CỰC TRỊ CỦA ĐỒ THỊ THỐNG KÊ 56 HÌNH 3.12: SỬ DỤNG HISTOGRAM ĐỂ TÁCH PHẦN ĐẦU NGƯỜI 58 HÌNH 3.13: CẤU TRÚC FILE TRAINING .60 HÌNH 3.14: LƯU ĐỒ QUÁ TRÌNH PHÁT HIỆN VỊ TRÍ MẮT 62 HÌNH 3.15: KẾT QUẢ PHÁT HIỆN MẮT NGƯỜI 64 HÌNH 3.16: VỊ TRÍ CON NGƯƠI CỦA MẮT 64 HÌNH 3.17: MẮT VỚI CÁC HƯỚNG NHÌN KHÁC NHAU 65 HÌNH 3.18: ẢNH NHỊ PHÂN CỦA MẮT VỚI CÁC HƯỚNG NHÌN KHÁC NHAU 65 HÌNH 3.19: LƯU ĐỒ KHỐI HỆ THỐNG NHẬN DẠNG HƯỚNG MẮT 67 HÌNH 3.20: CLASS DIAGRAM 68 HÌNH 3.21: LƯU ĐỒ TỔNG QUÁT CỦA HỆ THỐNG 70 HÌNH 3.22: CÁC HƯỚNG MẮT NHÌN VÀ KẾT QUẢ TRÊN GIAO DIỆN 72 HÌNH 3.23: KẾT QUẢ ĐÁNH GIÁ THỰC NGHIỆM 73 DANH SÁCH CÁC THUẬT NGỮ DÙNG TRONG BÀI: Thuật ngữ Giải thích Classifier (bộ phân loại) Một phân loại xây dựng theo thuật toán học máy đấy, dùng để phân loại đối tượng (khuôn mặt hay khuôn mặt) False alarm Là tỉ lệ nhận dạng sai phân loại Feature (đặc trưng) Các thông tin giúp nhận biết đối tượng Các đặc trưng đối tượng ảnh Các đặc trưng Haar-like feature thường định nghĩa tính tốn với tổng điểm ảnh vùng ảnh Hit rate Là tỉ lệ nhận dạng phân loại Đạt tỉ lệ sai phân loại xây dựng Max false alarm thành công, tỉ lệ sai giá trị bé, chấp nhận toán phân loại Strong classifier (bộ phân loại mạnh) Bộ phân loại xây dựng từ nhiều phân loại yếu Threshold (ngưỡng) Ngưỡng giá trị ranh giới lớp, giá trị ngưỡng thường chọn từ thực nghiệm Chọn giá trị thích hợp để hợp thành phân loại yếu Weak classifier (bộ Bộ phân loại đơn giản có độ xác khoảng 50% phân loại yếu) Sơ đồ tổng qt q trình phát vị trí mắt: Hình 3.14: Lưu đồ q trình phát vị trí mắt Các bước tiến hành - Tính tốn giá trị integral image cho ảnh đầu vào - Sử dụng cửa sổ để quét ảnh Với vị trí ảnh với kích cỡ có cửa sổ con, ta tiến hành kiểm tra xem vị trí có phải vùng mắt khơng - Với vị trí kích cỡ cửa sổ con, duyệt qua tất stage , ứng với stage tính tổng giá trị đặc trưng Nếu giá trị lớn mức ngưỡng stage tiếp tục tính tốn stage tiếp theo, ngược lại khỏi vịng lặp stage để tính sổ - Trong stage , duyệt qua tất tree để tính tổng giá trị đặc trưng 62 - Trong node tree tính tổng pixel rect theo trọng số Nếu giá trị lơn threshod trả giá trị right_val, ngược lại trả giá trị left_val - Ứng với vị trí kích cỡ của sổ mà vượt qua tất stage vị trí vùng ảnh chứa mắt Trong luận văn, toàn bước cài đặt class “NDetector”, hàm “detect” sử dụng để phát vị trí mắt ảnh Kết quả: 63 Hình 3.15: Kết phát mắt người 3.3.3 Xác định hướng nhìn mắt Với kết thu vùng ảnh chưa mắt, ta dễ dàng xác định vị trí ngươi(pupil) để từ biết hướng nhìn mắt Pupil Iris Hình 3.16: Vị trí mắt Con có đặc điểm có màu đen, dựa vào đặc điểm ta tìm mức ngưỡng phù hợp để chuyển ảnh mắt sang dạng binary tức hai màu trắng đen Phần người khu vực xuất nhiều mau đen Tiếp 64 theo việc so sánh vị trí tương đối phần với phần khung mắt (phần phát sử dụng Adaboost) ta kết luận người bị lệch bên từ suy hướng nhìn mắt trái, phải, hay trên, Nhược điểm phương pháp mắt nhìn xuống dưới, mí mắt gần đóng lại gây khó khăn cho việc phát người (a)Normal (b)left (c)right (d)top (e)bottom Hình 3.17: Mắt với hướng nhìn khác Hình 3.18: Ảnh nhị phân mắt với hướng nhìn khác Trong luận văn, để xác định vị trí người dùng hàm “getPupil” để xác định hướng nhìn mắt dùng hàm “getDirection” class “MainForm” 65 3.4 Phân tích – thiết kế hệ thống nhận diện hướng mắt 3.4.1 Phân tích Nhiệm vụ chương trình xác định vị trí đơi mắt ảnh lấy từ camera, sau dựa vào để xác định hướng nhìn mắt Phần xác định vị trí mắt ảnh dùng thuật Adaboost Tuy nhiên thông thường ảnh lấy từ camera có kích cỡ 640x480 việc xác định vị trí mắt nhiều thời gian, không đáp ứng thời gian thực Nếu co ảnh lại xuống kích cỡ nhỏ mắt bị co nhỏ lại dẫn đến khó phát thiếu xác Do luận văn tơi dùng ảnh depth lấy từ Kinect để dễ dàng tách vùng đầu ảnh Và tốn xác định vị trí mắt thực vùng đầu người, điều có nghĩa việc tính toán nhanh Như bước để giải toán gồm:  Kết nối đến camera  Tách vùng đầu người ảnh  Phát vị trí mắt sử dùng Adaboost kết hợp đặc trưng haar-like  Phát vị trí người  Xác định hướng nhìn mắt dựa vào vị trí 3.4.2 Giới hạn toán Trong phạm vi để tài tốt nghiệp cho sinh viên đại học thời gian có hạn, tơi xin giới hạn tốn để tọa thuận lợi cho trình nghiên cứu triển khai  Khoảng cách người camera khoảng từ 40-100(cm)  Xung quanh khơng có vật cản khác để dẽ dàng loại bỏ  Số người dùng để nhận dạng người 66 3.4.3 Thiết kế hệ thống Sơ đồ khối tổng quát hệ thống Hình 3.19: Lưu đồ khối hệ thống nhận dạng hướng mắt Class Diagram 67 Hình 3.20: Class Diagram Chương trình viết ngơn ngữ C# trình biên dịch Visual Studio 2012 Các thành phần chương trình gồm:  Khối kết nối Kinect cài đặt class “NKinect” Class có hàm - “start” “stop” để kết nối ngắt kết nối tới Kinect Sensor - “getColorImage” lấy ảnh màu từ Kinect - “getDepthImage” lấy ảnh độ sâu từ Kinect  Khối “Face Detection” cài đặt sử dụng hàm: - “removeBackGroundFromDepthImage” class “NKinect” - “horizontalIntensityStatistics”,“verticalIntensityStatistics”, “findPeakAndValley”: xác định điểm cực trị đồ thị phân tích thống kê thuộc class “NBasicImageProcessing”  Khối “Eyes Detection” cài đặt sử dụng hàm: - “detect” class “NDetector” 68  Khối “pupillary detection” cài đặt sử dụng hàm: - “getPupilary” class “MainForm”  Class “NBasicImageProcessing”: chứa hàm dùng để thực số thao tác xử lí ảnh Các hàm chính: - “convertToGray” chuyển anh sang dạng gray scale - “getIntegral”: tính ảnh tích phân - “findPeakAndValley”: tìm điểm cực trị đồ thi thống kê  Class “NTrainedSet”: đọc liệu từ file training  Class “NDetector”: chứa hàm dùng để phát đối tượng ảnh sử dụng phương pháo Adaboost kết hợp với đặc trưng haar-like Các hàm chinh: - “detect”: phát đối tượng ảnh 69 Hình 3.21: Lưu đồ tổng quát hệ thống 70 3.5 Kết đánh giá : 71 Hình 3.22: Các hướng mắt nhìn kết giao diện 72 BẢNG ĐÁNH GIÁ KẾT QUẢ THỰC NGHIỆM PHẦN MỀM Số lần điều khiển Khoảng cách vị trí mắt tới camera Số lần thực chương trình Số lần khơng thực chương trình Tỉ lệ % đạt 1000 40cm ± 5cm 915 85 91,5% 1000 60cm ± 5cm 890 110 89% 1000 80cm ± 5cm 412 588 41,2% Hình 3.23: Kết đánh giá thực nghiệm - Các kết khác phụ thuộc vào khoảng cách mắt với Camera Kinect - Camera có độ phân giải, độ nét cao cho kết tốt - Điều kiện ánh sáng khác cho kết đánh giá khác - Phần mềm không sử dụng cho người đeo kính phản quang kính cao phần mềm khơng xác định vị trí tâm mắt Nên khơng xác định vị trí mắt 3.6 Kết luận hướng phát triển Kết luận: Trên sở nghiên cứu toán phát mặt người, đặc biệt thuật toán Adaboost kết hợp với đặc trưng Haar-Like, đạt số bước tiến việc giải hướng nhỏ toán nhận diện hướng mắt Chương trình nhận diện hướng mắt sang trái, sang phải, lên xuống Tuy nhiên kết nhiều hạn chế chưa áp dụng cho nhiều người, vị trí người ngồi phải giới hạn, ánh sáng phải tốt Bên cạnh thơng qua việc tìm hiểu cài đặt lại thuật tốn tơi phát triển kĩ 73 phân tích, thiết kế lập trình mình, giúp ích cho học tập, làm việc nghiên cứu sau Hướng phát triển: Có nhiều hướng để phát triển cho toán mặt ứng dụng mặt thuật toán Về mặt ứng dụng, ứng dụng dành cho y tế ứng dụng tương tác người-máy tính (human-computer interaction-HCI) nhiều người quan tâm Các ví dụ phần 1.3.2 ví dụ điển hình HCI Về mặt thuật tốn ngồi thuật tốn Adaboost kết hợp đặc trưng Haar-Like, ta có sử dụng mạng neutron để huấn luyện, phân loại mặt mắt hướng khác sử dụng ảnh depth kết hợp với đặc trưng Haar-Like để phân loại mặt người Trong thời gian tới tơi dự định tìm hiểu sâu thuật tốn AdaBoost nhằm tìm tăng tốc độ cho toán phát mặt người ảnh đồng thời phát triển ứng dụng liên quan điều khiển trỏ chuột hình máy tính 74 [1] Tài liệu tham khảo Marcel, S., P Abbet, and M Guillemot, Google portrait 2007, IDIAP Research Institute [2] G.Yang, T.S.H., ed Human Face Detection in Complex BackgroundVol 27 1994 53-63 [3] T.K.Leung, M.C.B., and P.Perona Finding Faces in Cluttered Scenes Using Random Labeled Graph Matching, in Computer Vision 1995 [4] C Garcia, G.Z.a.G.T Face Detection in Color Images using Wavelet Packet Analysis in On Multimedia Computing and System 1999 [5] T.Sakai, M.N., and S.Fujibayash, ed Line Extraction and Pattern Detection in a Photograph ed P Recognition 1969 233 – 248 [6] I.Craw, H.E., and J.Lishman, ed Automatic Extraction of Face Features ed P.R Letters Vol 1987 183-187 [7] P.Sinha, ed Object Recognition via Image Invariants ed Investigative Ophthal mology and Visual Science 1994 1735-1740 [8] A.Yuille, P.H., and D.Cohen Feature Extraction from Faces Using Deformable Templates in Computer Vision [9] A.Lanitis, C.J.T., and T.F.Cootes, ed An Automatic Face Identification System Using Flexible Appearance Models ed I.a.V Computing 1995 393-401 [10] L.Sirovich, M.K.a., ed Application of the Karhunen-Loeve Procedure for the Characterization of Human Faces ed P.A.a.M Intelligence Vol 12 1990 103108 [11] A.Pentland, M.T.a., ed Eigenfaces for Recognition ed C Neuroscience 1991 71-86 [12] H.Rowley, S.B., and T.Kanade, ed Human Face Detection in Visual Scenes Advances in Neural Information Processing Systems 1996 875 - 881 [13] H.Rowley, S.B., and T.Kanade, ed Neural Network- Based Face Detection Computer Vision and Pattern Recognition 1996 203 208 [14] Viola, P and M Jones, Robust Real-Time Face Detection, in International Journal of Computer Vision 2004 p 137-154 75 [15] Viola, P and M Jones, Robust Real-time Object Detection, in Second International workshop on statistical and computational theories of visionmodeling, learning, computing and sampling 2001: Canada [16] César de Souza, Haar-feature Object Detection in C# [http://www.codeproject.com/Articles/441226/Haar-feature-Object-Detection-inCsharp] [17] Yuriy, C Ultra Rapid Object Detection in Computer Vision Applications with Haar-like Wavelet Features 10 Jul 2008 [cited; Available from: http://www.codeproject.com/KB/audio-video/haar_detection.aspx [18] N Otsu, "A threshold selection method from gray-level histogram" IEEE Transactions on System Man Cybernetics, Vol SMC-9, No 1: 62-66, 1979 [19] Seeing With OpenCV - A Five-Part Series [http://www.cognotics.com/opencv/servo_2007_series/index.html] [20] Haar Cascasde file training [http://alereimondo.no-ip.org/OpenCV/34] 76 ... GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI Phạm Xuân Trường THIẾT KẾ HỆ THỐNG TƯƠNG TÁC GIỮA NGƯỜI VÀ MÁY THÔNG QUA CÔNG NGHỆ NHẬN DẠNG KHUÔN MẶT VÀ HƯỚNG MẮT Chuyên... : ? ?Thiết kế hệ thống tương tác người máy thông qua công nghệ nhận dạng khuôn mặt hướng mắt? ?? gồm nội dụng sau:  CHƯƠNG 1: LÝ THUYẾT BÀI TỐN XỬ LÍ ẢNH MẶT NGƯỜI Giới thiệu kĩ thuật xử lý ảnh mặt. .. nhận dạng mặt người ảnh đen trắng mở rộng cho ảnh mầu có nhiều mặt người ảnh Đến toán xác định mặt người mở rộng với nhiều hướng nghiên cứu nhận dạng khuôn mặt, hướng mặt, theo dõi mặt phận mặt