Phương pháp nhận dạng khuôn mặt người và ứng dụng trong quản lý nhân sự

ĐẠI HỌC QUỐC GIA HÀ NỘI TRƢỜNG ĐẠI HỌC CÔNG NGHỆ NGUYỄN THỊ THUỶ PHƢƠNG PHÁP NHẬN DẠNG KHUÔN MẶT NGƢỜI 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 NGƢỜI HƢỚNG 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 nh n s tài “Nhận dạng khuôn mặt người ứng d ng quản l cơng trình cá nh n tơi Các nội dung nghiên cứu kết trình bày lu n văn trung th c rõ ràng Các tài liệu tham khảo ược trích dẫn ầy ủ ghi rõ nguồn gốc Tác giả luận văn k 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 L chọn tài M c ích nghiên cứu luận văn, ối tượng, phạm vi nghiên cứu M c ích luận văn: Nội dung lu n văn CHƢƠNG 1: BÀI TOÁN NHẬN ĐỐI TƢỢNG NHẬN DẠNG KHUÔN MẶT 1.1 Tổng quan khái niệm liên quan ến 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 th c khuôn mặt 1.1.4 Những thách thức tốn nhận dạng khn mặt 1.2 Tổng quan v ứng d ng tương tác người máy liên quan tới khuôn mặt 1.3 Hướng tiếp cận lĩnh v c nhận dạng khuôn mặt 1.3.1 Các cơng trình nghiên cứu v Phương pháp nhận dạng kiểm chứng chất lượng cho hệ thống nhận dạng khuôn mặt 1.3.2 Hướng tiếp cận luận văn CHƢƠNG 2: CÁC KỸ THUẬT CHO NHẬN DẠNG KHUÔN MẶT I Học máy 1.1 Phương pháp Deep Learning (CNN) 1.2 Phương pháp truy n thống II Các kỹ thuật sử d ng 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 ặc trưng Weber local Descripor- WLD 12 2.3 Giới thiệu phương pháp ph n 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 ph n tích thành phần chính(PCA) 19 2.3.4 Các bước th c trích chọn ặc trưng PCA 21 2.4 Học máy hộ trợ vestor SVM 23 2.4.1 Cơ sở l thuyết 23 2.4.2 SVM tuyến tính 23 2.4.3 SVM Phi Tuyến tính 25 CHƢƠNG 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 ặc trưng (WLD) 30 3.3 Ph n tích thành phần PCA nhận dạng/ph n lớp SVM 31 3.4 Mô tả liệu 32 3.4.1 Thu nhập liệu 32 3.4.2 iểu diễn liệu khn mặt máy tính 34 3.4.3 Dữ liệu huấn luyện 35 3.5 Kết th c nghiệm 35 3.6 Ứng d ng quản l nh n s 37 3.6.1 Mơ hình nhận dạng quản l nh n s 37 3.6.2 Giao diện hình chức nhận dạng 38 3.6.3 Giao diện hình chức quản l phận 39 3.6.4 Giao diện hình chức quản l phòng ban 40 3.6.5 Giao diện hình chức quản l nh n s 41 KẾT LUẬN 42 DANH MỤC TÀI LIỆU THAM KHẢO…………………………………….43 Nguyễn Thị Thủy iv Đại Học Công Nghệ DANH MỤC HÌNH VẼ, ĐỒ THỊ Hình 0.1 So sách tác v nhận dạng khuôn mặt xác minh khuôn mặt Hình 0.2 Mơ nhận dạng khn mặt Hình 0.3 Haar Features sử d ng Violo Jones Hình 0.4 Applying on a give image Hình 0.5 Ví d v Haar features 91 Hình 0.6 Ví d ảnh Integral 91 Hình 0.7 Ảnh ví d tính Ơ pixcel 92 Hình 0.8 Các bước loại khuôn mặt hay không 93 Hình 0.9 Kết phát khn mặt 93 Hình 0.10 Tính kích thích sai khác 95 Hình 0.11 Ảnh ảnh gốc, ảnh thứ ảnh trích chọn ặc trưng 95 Hình 0.12 Minh họa v tính toán WLD 96 Hình 0.13 L a chọn tr c toạ ộ ể biểu diễn liệu [11] 178 Hình 0.14 Siêu măt ph n cách tuyến tính cho trường hợp ph n cách ược k Hiệu support vestor diểm ược bao vi n trịn 242 Hình 0.15 ảnh, H, với hình vng [1,-1] €R2 ánh xạ ϴ 27 Hình 0.16 c y nhị ph n: Cấu trúc c y nhị ph n với số lớp số mũ Phải: số mũ không số mũ 29 Hình 0.17 Mơ hình q trình tạo ặc trưng mặt 31 Hình 0.18 Mơ hình sử d ng nhận dạng khn mặt 31 Hình 0.19 Mơ hình q trình tạo ặc trưng mặt 312 Hình 0.20 ảnh ban ầu ược biểu diễn theo trọng số eigenface 323 Hình 0.21 Ví d v ảnh người Yale face Database 334 Hình 0.22 Ảnh 12 khuôn mặt người ược ánh thứ t từ ến 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 Th c nghiệm nhận dạng số lượng ảnh 367 Hình 0.27 kết th c nghiệm so với sử d ng 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 v c xử l ảnh Và ngày nhận dạng ược sử d ng rộng rãi nhi u lĩnh v c ời sống nhận dạng lĩnh v c thương mại, hay phát lĩnh v c an ninh, hay xử l video, hình ảnh Một ứng d ng tiểu biểu nhận dạng ang sử d ng phổ biến nhận dạng khuôn mặt người ứng d ng iện thoại di ộng c thể IphoneX Sangsung ang sử d ng Hiện có nhi u Phương pháp nhận dạng khác ược x y d ng ể nhận dạng người c thể giới th c ta nói tới số phương pháp như: học máy học s u.Tuy nhiên hai phương pháp lại có nhược iểm lớn phải x y d ng tập sở liệu lớn ồng thời việc xử l liệu lớn òi hỏi phải nhanh xác Vậy nên hai phương pháp thời gian ể nhận dạng nhiệm v ặt nghiên cứu x y d ng chương trình sử d ng Phương pháp nhận dạng có ộ xác cao mà khối lượng thời gian tính tốn lại Để giải vấn tơi xin xuất phương pháp phát khuôn mặt sử d ng phương pháp Viola jone face detection, trích chọn ặc trưng sử d ng phương pháp Weber local Descriptor kết hợp ph n tích thành phần sử d ng phương pháp PCA học máy vestor (SVM) ể nhận dạng khn mặt Mục đích nghiên cứu luận văn, đối tƣợng, phạm vi nghiên cứu Mục đích luận văn: Nghiên cứu tài nhằm m c ích tìm hiểu tốn nhận dạng khn mặt, từ ó x y d ng hệ thống ứng d ng th c tiễn như: iểm danh, giám sát người vào, an ninh s n bay Đối tƣợng phạm vi áp dụng: Nguyễn Thị Thủy Đại Học Cơng Nghệ Đ tài tập trung tìm hiểu số phương pháp nhận dạng khuôn mặt người phổ biến ưa phương án nhận dạng cho tốn nhận dạng khn mặt người Để đặt đƣợc mục tiêu đề tài tập trung tìm hiểu nội dung sau: - Tìm hiểu phương pháp phát khuôn mặt sử d ng phương pháp Viola Jones Face Detection - Trích chọn ặc trưng sử d ng phương pháp Weber Local Description - Phương pháp ph n tích thành phần - Phương pháp học máy vestor (SVM) Nội dung luân văn Luận văn gồm chương, c thể sau: Chƣơng 1: BÀI TỐN NHẬN ĐỐI TƢỢNG NHẬN DẠNG KHN MẶT Giới thiệu cách thức nhận dạng khn mặt người, nên nhận dạng người khuôn mặt, tầm quan trọng toán th c tiễn, số ứng d ng th c tiễn toán nhận dạng khuôn mặt Chƣơng 2: CÁC KỸ THUẬT CHO NHẬN DẠNG KHUÔN MẶT Giới thiệu v phương pháp sử d ng nhận dạng khuôn mặt ược sử d ng luận văn phương pháp phát khuôn mặt( Viola Jone Face Detection), phương pháp trích chọn ặc trưng (WLD), ph n tích thành phần (PCA) máy vector hỗ trợ (SVM) Chƣơng 3: ỨNG DỤNG CÁC KỸ THUẬT TRONG NHẬN DẠNG KHN MẶT Đưa mơ hình x y d ng tốn nhận dạng khn mặt người, bước th c ánh giá thử nghiệm Nguyễn Thị Thủy Đại Học Công Nghệ CHƢƠNG 1: BÀI TỐN NHẬN ĐỐI TƢỢNG 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 Hệ thống sinh trắc học hệ thống ược thiết kế ể xác minh nhận dạng người d a vào ặc trưng sinh học người ó 1.1.2 Hệ thống nhận dạng khn mặt Hệ thống nhận dạng khuôn mặt hệ thống ược thiết kế ể tìm thơng tin người Kĩ thuật nhận dạng kiểm tra s phù hợp d a phép so sánh một-nhi u c thể tìm người số người ã ược lưu trữ hệ thống d a vào thông tin khuôn mặt 1.1.3 Hệ thống xác minh hay xác thực khn mặt Hệ thống xác minh/xác th c khuôn mặt hệ thống ược thiết kế ể xác minh thông tin người Kĩ thuật xác minh kiểm tra s phù hợp phép so sánh một-một c thể ối chiếu thông tin nhận v người với thông tin ã lưu trữ v người có khớp hay khơng d a 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 đƣợc biểu diễn theo trọng số eigenface (Nguồn: báo PCA) Đầu vào PCA vector cột có M thành phần biểu diễn ảnh tập huấn luyện, ầu vector cột có K thành phần biểu diễn ảnh ã ược trích rút ặc trưng Ph n lớp: ước nhận dạng hay ph n lớp tức xác ịnh danh tính (identity) hay nhãn ảnh (label) – ó ảnh Ở bước nhận dạng/ph n lớp, ta sử d ng phương pháp SVM (Support Vector Machine) SVM tiến hành ph n lớp ảnh tập huấn luyện, ưa ảnh vào nhận dạng ược so sánh, tìm ảnh ó thuộc vào lớp 3.4 Mô tả liệu 3.4.1 Thu nhập liệu Cơ sở liệu ảnh ược lấy 250 khuôn mặt từ ược thu thập từ nhi u nguồn khác ảnh 150 người ầu tiên ược lấy từ trang quản l cán trường ại học 50 người ược lấy từ hệ thống quản l nhận s : http://qlkh.mobifone.vn/b9_qlhs/login.xhtml 50 ảnh ược lấy từ hệ thống website:http://qlkh.mobifone.vn/b9_cskh/login.xhtml Ngồi ra, cịn có tập liệu tạo lúc th c tài Đó liệu ược thu thập WebCam gồm người khác Chính s chủ ộng việc tạo mẫu nên số lượng ảnh khoảng 11ảnh/1người Nhận xét tập mẫu liệu: Hầu hết khuôn mặt xuất ảnh khuôn mặt tr c diện với mặt phẳng ảnh khuôn mặt u ầy ủ thông tin Nguyễn Thị Thủy 32 Đại Học Công Nghệ ặc trưng {Hai ch n 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 ặc trưng xử l thuật toán ta sử d ng hai dạng kích thước ảnh chuẩn Mỗi người có 11 ảnh ược ch p i u kiện ánh sáng cảm xúc khác Hình 21 Ví dụ ảnh ngƣời Yale face Database Hình 0.22 Ảnh 12 khn mặt ngƣời đƣợc đánh thứ tự từ đến 12 Nguyễn Thị Thủy 33 Đại Học Cơng Nghệ Hình 0.23 Kích thƣớc chuẩn hóa mẫu khn mặt học tập 3.4.2 Biểu diễn liệu khn mặt máy tính Dữ liệu ảnh biểu diễn bên máy tính cường ộ sáng iểm 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 t từ xuống, dòng ảnh ược bố trí liên t c mảng số th c chi u Như từ ảnh ược biểu diễn thành mảng vector chi u máy tính x=(x1,x2,….,x900).Đ y cách bố trí ể thí nghiệm cho phương pháp PCA  Đọc khối ảnh theo thứ t khối chồng lấp khối kích thước tính theo chi u cao, khối ảnh ta lại tiếp t c tách khối 8×8 liên t c Từ khối 8×8(pixels), chọn 20 hệ số ặc trưng từ phép biến ổi mi n tần số Mỗi khối ảnh 8×32 ược lượng hố thành vector chi u Như ỗi với ảnh khuôn mặt ta biểu biển máy tính thành chuỗi vector chi u liên tiếp Trong chương luận văn x y d ng chương trình giải vấn sau: - Đầu vào: ảnh khuôn mặt người ó ã ược chuẩn hóa - Đầu ra: chương trình nhận dạng ưa ảnh thơng tin v người ó Nguyễn Thị Thủy 34 Đại Học Công Nghệ 3.4.3 Dữ liệu huấn luyện Tập liệu ược chia làm hai tập tập luyện (training) tập thử nghiệm (testing) Mỗi gương mặt u xuất năm lần tập với tư khác góc ch p 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 v mặt kỹ thuật, ảnh u ược chuẩn hóa v ảnh màu có kích thước 3.5 Kết thực nghiệm Hệ thống sử d ng 200 ảnh từ nguồn sau: 150 ảnh ược lấy từ mạng 50 ược lấy từ nguồn ảnh cán quan ch p từ iện thoại Đưa 50 thông tin 200 ảnh ược lấy từ nguồn th c nghiệm kết thu ược 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 lƣợng ảnh Kết th c nghiệm nhận dạng khuôn mặt sử d ng phương pháp luận văn ưa so với sử d ng PCA ta thấy ược kết sau: Hình 0.27 kết thực nghiệm so với sử dụng PCA Nguyễn Thị Thủy 36 Đại Học Công Nghệ Với ảnh th c 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 Tơi xin xuất ứng d ng quản l nhận s sử d ng nhận dạng khuôn mặt Như mơ hình bên dưới: ặt camera trước vào quan, người ứng trước camera hệ thống nhận thơng tin người ó th c 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 ược cập nhập vào hình danh m c chấm cơng sau hệ thống nhận dạng ược thông tin người i qua cửa ch m 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 ph n quan vào hệ thống Nguyễn Thị Thủy 39 Đại Học Cơng Nghệ 3.6.4 Giao diện hình chức quản lý phòng ban Chức cho phép người dùng thêm thơng tin phịng ban quan vào hệ thống Nguyễn Thị Thủy 40 Đại Học Công Nghệ 3.6.5 Giao diện hình chức quản lý nhân Chức cho phép người dùng thêm thông tin nh n s quan vào hệ thống Nguyễn Thị Thủy 41 Đại Học Công Nghệ KẾT LUẬN Luận văn tốt nghiệp ã trình bày chi tiết, c thể v nhận dạng khuôn mặt người d a kỹ thuật phát khuôn mặt sử d ng phương pháp Viola Jone Face Detection, trích chọn ặc trưng sử d ng Weber local descriptor, ph n tích thành phần sử d ng PCA ph n lớp SVM Và x y d ng chương trình thử nghiệm ể ánh giá kết việc sử d ng kỹ thuật phương pháp ể nhận dạng Từ th c nghiệm ta thu ược số kết ánh giá v thuật toán sử d ng Các kết ạt ược cho thấy ộ xác chương trình tương ối cao khoảng 96% nhận dạng úng Những kết ược tổng kết sau:  Giới thiệu chi tiết v phương pháp phát khuôn mặt sử d ng phương pháp Viola Jone face detection  Giới thiệu chi tiết v phương pháp trích chọn ặc trưng  Giới thiệu chi tiết v phương pháp ph n tích thành phần máy vestor hỗ trợ (SVM)  Nhận xét ánh giá kết ạt ược cho toán nhận dạng khuôn mặt  Đưa s kết hợp phương pháp cũ, ơn giản, hiệu ộ xác tương ương tốt phương pháp khác Tuy nhiên, thời gian có hạn cộng thêm khối lượng cơng việc lớn nên cịn số vấn tưởng mà luận văn chưa th c ược Nhằm cải thiện khả hoạt ộng chương trình, chương trình có thêm chức năng: T ộng ưa ảnh nhận dạng v kích thước phù hợp ta th c quét ảnh ưa vào chương trình nhận dạng ưa ược kết  Nhận dạng mặt người qua webcam Ý tưởng ưa nhập vào hình ảnh tr c tiếp từ webcam hình ảnh webcam mơ tả người với khung n n biến ổi người ám ơng Sau ó chương trình phát khoanh vùng vị trí khn mặt khung hình truy xuất sở liệu ưa thơng tin v người ó Đó Nguyễn Thị Thủy 42 tưởng phát triển tương Đại Học Công Nghệ lai luận văn Hiện tại, chương trình th c ược hai chức ưa vào ảnh ưa 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 graham 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 ... kết phương phát PCA phương pháp phát khuôn mặt kết hợp PCA – SVM 3.6 Ứng dụng quản lý nhân 3.6.1 Mô hình nhận dạng quản lý nhân Từ mơ hình nhận dạng khn mặt mà luận văn trình bày Tôi xin xuất ứng. .. CÁC KỸ THUẬT CHO NHẬN DẠNG KHUÔN MẶT Giới thiệu v phương pháp sử d ng nhận dạng khuôn mặt ược sử d ng luận văn phương pháp phát khuôn mặt( Viola Jone Face Detection), phương pháp trích chọn ặc... ĐỐI TƢỢNG NHẬN DẠNG KHUÔN MẶT Giới thiệu cách thức nhận dạng khn mặt người, nên nhận dạng người khuôn mặt, tầm quan trọng toán th c tiễn, số ứng d ng th c tiễn tốn nhận dạng khn mặt Chƣơng 2: