Nội dung luận văn được trình bày trong ba chương với các nội dung chính như sau: Chương 1 - Tổng quan về nhận diện khuôn; chương 2 - Hệ thống nhận diện khuôn mặt dựa trên mạng nơ ron tích chập và chương 3 - Thử nghiệm và đánh giá. Mời các bạn tham khảo!
HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG - NGUYỄN QUANG HUY HỆ THỐNG NHẬN DIỆN KHN MẶT QUA CAMERA TĨM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT HÀ NỘI - 2020 Luận văn hồn thành tại: HỌC VIỆN CƠNG NGHỆ BƯU CHÍNH VIỄN THƠNG Người hướng dẫn khoa học: TS NGUYỄN ĐÌNH HĨA Phản biện 1: PGS.TS.Lê Hữu Lập ……………………………… Phản biện 2: TS.Tạ Quang Hùng………………………………… Luận văn bảo vệ trước Hội đồng chấm luận văn thạc sĩ Học viện Cơng nghệ Bưu Viễn thơng Vào lúc: ngày 09 tháng 01 năm 2021 Có thể tìm hiểu luận văn tại: - Thư viện Học viện Cơng nghệ Bưu Viễn thơng i MỤC LỤC DANH MỤC CÁC BẢNG ii DANH MỤC CÁC HÌNH iii MỞ ĐẦU CHƯƠNG TỔNG QUAN VỀ NHẬN DIỆN KHUÔN MẶT 1.1 Tổng quan nhận diện khuôn mặt với ứng dụng thực tế kỹ thuật nhận dạng khuôn mặt 1.1.1 Tổng quan 1.1.2 Kiến trúc tổng quát hệ thống nhận diện 1.1.3 Ứng dụng 3 3 1.2 Một số phương pháp nhận diện khuôn mặt thường áp dụng thực tế nghiên cứu 1.2.1 Phân tích thành phần chính(PCA) 1.2.2 Phân tích khác biệt tuyến tính(LDA) 1.2.3 Cây định (Decision Tree) 1.2.4 Mạng nơ-ron nhân tạo 1.2.5 Mạng nơ-ron tích chập 3 4 1.3 Phương pháp xác định vị trí khn mặt với mạng tích chập MTCNN 1.4 Kết luận CHƯƠNG HỆ THỐNG NHẬN DIỆN KHUÔN MẶT DỰA TRÊN MẠNG NƠ RON TÍCH CHẬP 2.1 Sơ đồ thiết kế hệ thống nhận diện khuôn mặt 9 2.2 Mạng Inception-ResNet sử dụng cho việc trích chọn đặc trưng khuôn mặt 10 2.3 Rừng ngẫu nhiên 2.3.1 Giới thiệu 2.3.2 Kiến trúc 11 11 12 2.4 Kết luận 12 CHƯƠNG THỬ NGHIỆM VÀ ĐÁNH GIÁ 13 3.1 Bộ liệu đầu vào 13 3.2 Quá trình huấn luyện 13 3.3 Thử nghiệm chạy hệ thống nhận diện khuôn mặt nhận diện khách hàng VIP khách sạn 13 3.4 Đánh giá 15 3.5 Kết luận 17 KẾT LUẬN 18 DANH MỤC CÁC TÀI LIỆU THAM KHẢO 19 ii DANH MỤC CÁC BẢNG Bảng 1.1 Các hàm kích hoạt Bảng 3.1 Bảng đánh giá độ xác mơ hình 16 iii DANH MỤC CÁC HÌNH Hình 1.1 Kiến trúc tổng quát hệ thống nhận diện Hình 1.2 Cấu tạo Perceptrons Hình Cấu trúc nơ-ron nhân tạo Hình 1.4 Cấu tạo mạng truyền thẳng Hình 1.5 Cấu tạo mạng MLP Hình 1.6 Kiến trúc mạng CNN Hình 2.1 Sơ đồ hoạt động hệ thống nhận diện khuôn mặt 10 Hình 2.2 Kiến trúc mạng Inception-ResNet 11 Hình 2.3 Kiến trúc rừng ngẫu nhiên 12 Hình 3.1 Hệ thống nhận diện khn bình thường 14 Hình 3.2 Hệ thống nhận diện khn mặt có đeo kính 15 MỞ ĐẦU Công nghệ thông tin ngày phát triển thành phần thiếu hầu hết lĩnh vực giới Những người máy thơng minh người tạo có khả phân tích xử lý cơng việc người cách tự động đem lại lợi ích kinh tế lớn Trong thời gian gần đây, toán nghiên cứu, ứng dụng nhiều vào sống toán nhận diện Tuy xuất chưa lâu quan tâm tính ứng dụng thực tế toán nhận dạng chữ viết, nhận dạng giọng nói, nhận dạng hình dáng, nhận diện khn mặt Trong đó, tốn nhận diện khn mặt chủ đề nhiều nhà đầu tư, doanh nghiệp quan tâm đến Dù nghiên cứu từ lâu toán nhận diện khuôn mặt gặp phải nhiều thách thức chưa có phương pháp cụ thể giải hết vấn đề toán Bài tốn nhận diện khn mặt chủ đề quan tâm nhiều Ứng dụng từ toán áp dụng nhiều lĩnh vực khác Các ứng dụng liên quan đến nhận diện khn mặt kể như: tra cứu thông tin tội phạm, phát tội phạm nơi cơng cộng, tìm người lạc, điểm danh học sinh Từ phân tích khảo sát trên, em nhận thấy hệ thống nhận diện khuôn mặt có ý nghĩa thực tiễn sống em xin chọn đề tài nghiên cứu “Hệ thống nhận diện khuôn mặt qua camera” Kết luận văn hướng tới việc xây hệ thống nhận diện khuôn mặt có khả mở khả mở rộng cao, dễ dàng tích hợp Nội dung luận văn trình bày ba chương với nội dung sau: Chương Tổng quan nhận diện khuôn Chương trình bày số nội dung tảng tốn nhận diện khn mặt, ứng dụng tương tác người máy liên quan đến nhận diện khuôn mặt, số kỹ thuật hay sử dụng tốn nhận diện khn mặt Nội dung chương bao gồm ba phần Phần giới thiệu tổng quan tốn nhận diện khn mặt với ứng dụng thực tế Phần thứ hai giới thiệu số phương pháp nhận diện khuôn mặt thường áp dụng thực tế nghiên cứu Phần cuối giới thiệu số mạng tích chập thường sử dụng toán nhận diện khuôn mặt Chương Hệ thống nhận diện khuôn mặt dựa mạng nơ ron tích chập Các kỹ thuật sử dụng để xây dựng hệ thống nhận diện khn mặt luận văn trình bày chương Nội dung chương trình bày phương pháp trích chọn đặc trưng phục vụ trình nhận diện khn mặt, phương pháp định danh khn mặt mơ hình học máy sử dụng để phân loại liệu nhận diện khuôn mặt Chương bao gồm thơng tin mơ hình, kiến trúc mạng nơ ron tích chập Inception-ResNet sử dụng cho việc trích chọn đặc trưng khn mặt luận văn Chương Thử nghiệm đánh giá Chương mô tả chi tiết liệu sử dụng, kịch kết trình huấn luyện mơ hình Các kết thực nghiệm kèm theo đánh giá mơ hình sau huấn luyện trình bày chương Nội dung luận văn kết thúc phần Kết luận, trình bày tóm lược nội dung kết đạt luận văn, từ đề xuất hướng phát triển tương lại 3 CHƯƠNG TỔNG QUAN VỀ NHẬN DIỆN KHUÔN MẶT 1.1 Tổng quan nhận diện khuôn mặt với ứng dụng thực tế kỹ thuật nhận dạng khuôn mặt 1.1.1 Tổng quan Nhận diện khuôn mặt tốn tổng hợp Trong ta cần mơ đun quan trọng như xác định vị trí khn mặt, trích chọn đặc trưng phân loại Từ ta xác định danh tính người ảnh 1.1.2 Kiến trúc tổng quát hệ thống nhận diện Hình 1.1 Kiến trúc tổng quát hệ thống nhận diện 1.1.3 Ứng dụng Bài tốn nhận diện khn mặt có nhiều ứng dụng sống Trong đó, số ứng dụng tiêu biểu không kể đến toán hệ thống phát hiện, truy vết tội phạm, hệ thống tìm trẻ lạc, hệ thống điểm danh, chấm công hay ứng dụng nhận diện đối tác, khách hàng VIP Các toán sử dụng nhiều thành phần thiếu sống người 1.2 Một số phương pháp nhận diện khuôn mặt thường áp dụng thực tế nghiên cứu 1.2.1 Phân tích thành phần chính(PCA) PCA (Principle Components Analysic) thuật toán sử dụng để tạo ảnh từ ảnh ban đầu Ảnh có kích thước nhỏ nhiều so với ảnh ban đầu mang đặc trưng ảnh cần nhận dạng 1.2.2 Phân tích khác biệt tuyến tính(LDA) LDA coi phương pháp giảm chiều liệu (dimensionality reduction), coi phương pháp phân lớp (classification), áp dụng đồng thời cho hai, tức giảm chiều liệu cho việc phân lớp hiệu 4 1.2.3 Cây định (Decision Tree) Việc quan sát, suy nghĩ đưa định người thường câu hỏi Trong học máy có mơ hình đưa định dựa vào câu hỏi định Cây định (Decision Tree) thuật toán phổ biến học máy thuộc nhánh học có giám sát 1.2.4 Mạng nơ-ron nhân tạo Mạng nơ-ron nhân tạo (Neural Network - NN) mô hình lập trình đẹp lấy cảm hứng từ mạng nơ-ron thần kinh trở thành cơng cụ mạnh mẽ đem lại hiệu tốt tốn khó kể đến xử lý ngơn ngữ, phân loại ảnh, giọng nói a Perceptrons Perceptron mạng nơ-ron cấu tạo dựa nơ-ron đơn lẻ Mơ hình perceptron giống nơ-ron Chúng nhận nhiều đầu vào cho kết nhất: Hình 1.2 Cấu tạo Perceptrons Một perceptron nhận nhiều đầu vào dạng nhị phân cho kết dạng nhị phân Dữ liệu đầu vào chịu ảnh ảnh hưởng trọng số tương ứng Kết đầu định dựa vào ngưỡng định 5 b Cấu trúc nơ-ron nhân tạo Hình Cấu trúc nơ-ron nhân tạo Trong liệu đầu vào tín hiệu dạng dạng vectơ N chiều truyền vào Trọng số liên kết thường gọi weight Chúng khơi tạo cách ngẫu nhiên Hàm tổng sử dụng để tính tổng tích liệu đầu vào với trọng số liên kết Ngưỡng đưa vào để sử dụng hàm kích hoạt Hàm kích hoạt đầu kết hàm tổng ngưỡng Hàm kích hoạt sử dụng để giới hạn đầu nơ-ron Các hàm kích hoạt hàm tuyến tính hay phi tuyến chúng đa dạng Để chọn lựa hàm kích hoạt tốt tùy thuộc vào kinh nghiệm người thiết kế mạng Đầu tín hiệu đầu nơ-ron c Các hàm kích hoạt phổ biến Bảng 1.1 Các hàm kích hoạt Tên hàm Sigmoid Mơ tả hàm f= 1 + exp(−x) Đồ thị Tên hàm Mô tả hàm f=x Linear Hard Limit Bipolar sigmoid function f={ f= if x < if x ≥ − e−x + e−x Đồ thị d Mạng truyền thẳng Dữ liệu đầu vào truyền đến đơn vị đầu cách truyền thẳng Việc xử lý liệu mở rộng nhiều lớp chúng liên kết để phản hồi lại Hình 1.4 Cấu tạo mạng truyền thẳng e Mạng Multi Layer Perceptron Mơ hình mạng nơ-ron sử dụng rộng rãi mơ hình mạng nhiều tầng truyền thẳng Một mạng MLP tổng quát mạng có n (n≥2) tầng (thơng thường tầng đầu vào khơng tính đến): gồm tầng đầu (tầng thứ n) (n-1) tầng ẩn Hình 1.5 Cấu tạo mạng MLP 1.2.5 Mạng nơ-ron tích chập a Khái niệm Mạng Nơ-ron Tích chập (Convolutional Neural Network - CNN) họ mạng nơ-ron ưu việt Các kiến trúc dựa CNN xuất ngóc ngách lĩnh vực thị giác máy tính, trở thành kiến trúc chủ đạo mà ngày phát triển ứng dụng thương mại hay tham gia thi liên quan tới nhận dạng ảnh, phát đối tượng, hay phân vùng theo ngữ cảnh mà khơng xây móng dựa phương pháp b Kiến trúc mạng CNN Hình 1.6 Kiến trúc mạng CNN Kiến trúc mạng CNN bao gồm thành phần là: lớp tích chập, lớp pooling, lớp kết nối đầy đủ, hàm kích hoạt 1.3 Phương pháp xác định vị trí khn mặt với mạng tích chập MTCNN Trong nhiều nghiên cứu MTCNN mạng hiểu Dù nhiều hạn chế nói đến tốc độ xử lý, mạng phức tạp MTCNN ngày sử dụng rộng rãi thực tiễn MTCNN mạng lớn gồm nhiều mạng Mỗi mang xử lý tốn nhỏ việc xác định vị trí khuôn mặt Trong kiến trúc, MTCNN sử dụng ba mạng P-Net, RNet, O-Net để xác định khuôn mặt 9 1.4 Kết luận Chương giới thiệu tổng quan nhận diện khuôn mặt, kiến trúc hệ thống nhận diện khuôn mặt ứng dụng hệ thống thực tế Bên cạnh nội dung chương trình bày số phương pháp hay sử dụng tốn nhận diện khn mặt PCA, LDA, định, mạng nơ ron nhân tạo, nơ ron tích chập Từ đánh giá ưu nhược điểm phương pháp tốn nhận diện khn mặt CHƯƠNG HỆ THỐNG NHẬN DIỆN KHUÔN MẶT DỰA TRÊN MẠNG NƠ RON TÍCH CHẬP 2.1 Sơ đồ thiết kế hệ thống nhận diện khn mặt Trong hệ thống có ba bước xử lý để nhận diện khn mặt Đó xác định vị trí khn mặt, trích chọn đặc trưng khuôn mặt phân loại xác định khuôn mặt 10 Hình 2.1 Sơ đồ hoạt động hệ thống nhận diện khn mặt Trong hệ thống có ba bước xử lý để nhận diện khn mặt Đó xác định vị trí khn mặt, trích chọn đặc trưng khuôn mặt phân loại xác định khn mặt Về nghiệp vụ xử lý sau xác định khuôn mặt định danh thành công khách hàng Hệ thống lưu thông tin khuôn mặt ghi lên hình để phát trực tiếp Thời gian lưu 10s Sau 10s khách hàng tiếp tục xuất video hệ thống tiếp tục hiển thị khuôn mặt, thông tin khách hàng để lễ tân nắm Các bước để huấn luyện mơ hình phân loại: Bước 1: Chuẩn bị liệu ảnh khuôn mặt để huấn luyện Bước 2: Xử lý xác định vị trí trích chọn đặc trưng khuôn mặt từ tập huấn luyện Bước 3: Huấn luyện rừng ngẫu nhiên để phân loại đặc trưng Trong hệ thống có ba bước xử lý để nhận diện khn mặt Đó xác định vị trí khn mặt, trích chọn đặc trưng khn mặt phân loại xác định khuôn mặt Về nghiệp vụ xử lý sau xác định khn mặt định danh thành công khách hàng Hệ thống lưu thơng tin khn mặt ghi lên hình để phát trực tiếp Thời gian lưu 10s Sau 10s khách hàng tiếp tục xuất video hệ thống tiếp tục hiển thị khn mặt, thơng tin khách hàng để lễ tân nắm 2.2 Mạng Inception-ResNet sử dụng cho việc trích chọn đặc trưng khn mặt Inception-ResNet mạng học sâu Cấu tạo mạng đặc biệt Kiến trúc mạng inception-ResNet sử dụng nhiều khối mạng Inception-A, Inception-B, Inception-C, Reduction-A, Reduction-B, Stem Chính nhữ đặc điểm cho mạng inception phần dư với hiệu tốt Sau kiến trúc mạng chi tiết: 11 Hình 2.2 Kiến trúc mạng Inception-ResNet 2.3 Rừng ngẫu nhiên 2.3.1 Giới thiệu Rừng ngẫu nhiên (Random Forest) hay gọi rừng định ngẫu nhiên kỹ thuật học tập sử dụng để giải nhiệm vụ học tập có giám sát phân loại hồi quy Một tính ưu việt rừng ngẫu nhiên khắc phục khớp (overfitting) tập liệu đào tạo Kiến trúc mơ hình rừng ngẫu nhiên tập hợp nhiều định Mỗi định trả kết dự báo Ngồi mơ hình chạy nhiều sub-sample 12 2.3.2 Kiến trúc Hình 2.3 Kiến trúc rừng ngẫu nhiên 2.4 Kết luận Chương trình bày sơ đồ thiết kế hệ thống nhận diện khn mặt, mạng trích chọn đặc trưng kỹ thuật phân loại rừng ngẫu nhiên Trong đó, nội dung chương có sâu mạng học sâu googlenet, resnet từ đưa ưu nhược điểm kết hợp hai mạng thành mạng inception resnet Chương trình bày kết thu sử dụng mạng inception resnet kết hợp với rừng ngẫu nhiên cho tốn nhận diện khn mặt 13 CHƯƠNG THỬ NGHIỆM VÀ ĐÁNH GIÁ 3.1 Bộ liệu đầu vào Bộ liệu sử dụng luận văn hai liệu faces94 [10] CASIA-WebFace [16] Trong liệu faces94 thu thập từ trung tâm nghiên cứu Center for Machine Perception thuộc đại học kỹ thuật Séc liệu CASIA-WebFace sưu tầm từ viện tự động hóa học viện khoa học Trung Quốc(CASIA) Luận văn sử dụng hai liệu vào mục đích khác Bộ liệu faces94 chứa khoảng 1300 ảnh 153 người Đây liệu nhỏ dùng để thử nghiệm đánh giá hiệu kiến trúc mạng trước sử dụng liệu để huấn luyện Bộ liệu CASIA-WebFace chứa khoảng 500.000 ảnh thu thập từ 10.000 người Trước đưa vào huấn luyện cho mơ hình trích chọn đặc trưng ảnh duyệt qua mơ hình mtcnn để xác định vị trí tọa độ khn mặt người tập liệu 3.2 Quá trình huấn luyện Dữ liệu sử dụng cho việc huấn luyện CASIA-WebFace Đây tập liệu khuôn mặt lớn thu thập từ học viện khoa học Trung Quốc Để có mơ hình trích chọn đặc trưng thật tốt số lượng liệu khuôn mặt phải đủ lớn, đủ độ đa dạng vè hình dáng, kích thước màu sắc Thời gian diễn khoảng 350 với 90 lần duyệt Sau có mơ hình trích chọn đặc trưng tùy vào toán ta tiến hành trích chọn đặc trưng nhãn đầu vào để mơ hình phân loại thuật tốn random forest học đặc tính 3.3 Thử nghiệm chạy hệ thống nhận diện khuôn mặt nhận diện khách hàng VIP khách sạn Máy chủ sử dụng cho việc thực nghiệm sử dụng vi xử lý Intel Core i58400 với xung nhịp 2.8GHz Dung lượng nhớ 16 GB xử lý đồ họa sử dụng GTX 1070 Ti 8G GDDR5 Hệ thống nhận diện khách hàng VIP phát triển tảng Ubuntu ngôn ngữ lập trình sử dụng 14 python version 3.6 với thư viện opencv, keras, tensorflow để phục vụ cho tốn xử lý ảnh Mơ hình thử nghiệm huấn luyện với tập liệu khoảng 200 khách hàng, vị khách có khoảng 10-30 ảnh khn mặt sở liệu Trong q trình phân loại em chọn ngưỡng 40% để xác định khuôn mặt Ngưỡng sử dụng sử dụng để tránh việc xác suất khuôn mặt trả thấp gây việc nhận nhầm thông tin Sau thiết lập địa luồng phát video trực tiếp ta khởi động hệ thống Sau số hình ảnh hệ thống hoạt động : Hình 3.1 Hệ thống nhận diện khn bình thường 15 Hình 3.2 Hệ thống nhận diện khn mặt có đeo kính Với khách hàng có danh sách sau xuất lưu lại 10 giây để dễ dàng quan sát Hệ thống nhận diện khn mặt cách bình thường người đeo kính Từ thấy mơ hình trích rút đặc trưng mơ hình phân loại hoạt động tốt thực tế Hệ thống nhận diện khách hàng giây xử lý khung hình với độ phân giải fullhd 3.4 Đánh giá Để đánh phân loại ta thực lấy vectơ đặc trưng từ mơ hình trích chọn đặc trưng đưa vào randomforest để huấn luyện Thiết lập random forest 16 em 100 Các tập liệu sử dụng để đánh giá luận văn Faces94 [10], Faces95[11], Faces96[12], Grimace[13] Tập liệu dùng 75% cho việc huấn luyện 25% lại cho việc kiểm thử mơ hình phân loại Sau ta so sánh kết mơ hình vừa huấn luyện với kết số phương pháp sử dụng tron nghiên cứu [14] [15] LDA, PCA, LBP, SVM based on LDA MLP kết hợp với PCA DCT Bảng 3.1 Bảng đánh giá độ xác mơ hình Faces94 Faces95 Faces96 Grimace dataset dataset dataset dataset 99.1% 99.5% 98.2% 99.95 100% - - 100% SVM based on LDA (RBF kernel) 97.4% - 95.1% 100 % LBP 85.93% 80.47% 84.145 86.45% PCA 72.1% 69.87% 70.95% 74.79% LDA 79.39% 76.61% 78.34% 81.93% Inception Resnet V1+ Random forest Multilayer perceptron + PCA + DCT Sự kết hợp hai mơ hình Inception Resnet V1 Random forest cho lại kết cao với tập liệu Sự khác biệt lớn phương pháp việc trích chọn đặc trưng Mạng Inception Resnet V1 học đặc trưng khuôn mặt tốt hẳn so với phương pháp học máy truyền thống Kiến trúc mạng tích chập có khả học đặc trưng tốt trích rút đặc trưng khuôn mặt trường hợp thiếu sáng, khuôn mặt khơng đầy đủ hay người đeo kính Inception Resnet V1 kết hợp với Random forest cho ta độ xác thấp khoảng 1% so với phương pháp sử dụng multilayer perceptron kết hợp với PCA DCT thời gian để huấn luyện nhận diện 17 khn mặt nhỏ nhiều Từ ta thấy phương pháp sử dụng mạng Inception Resnet V1 kết hợp với Random forest dễ dàng triển khai thực tế dù độ xác 3.5 Kết luận Chương trình bày trình huấn luyện, kiểm thử, đánh giá chất lượng mơ hình trích chọn đặc trưng inception resnet thử nghiệm chạy hệ thống nhận diện khách hàng VIP khách sạn Kết hệ thống tốt với thời gian xử lý khoảng 0.2 giây khung hình với khả nhận diện khn mặt từ nhiều góc độ, sắc thái, điều kiện khác nhau, điều mà mơ hình học máy truyền thống chưa xử lý tốt 18 KẾT LUẬN Bài tốn nhận diện khn mặt khơng cịn vấn đề nhận diện khuôn mặt dựa mạng học sâu quan tâm Trên sở tìm hiểu nghiên cứu phương pháp nhận diện khuôn mặt áp dụng vào hệ thống nhận diện khuôn mặt qua camera, luận văn đạt kết sau Đó tìm hiểu, thực nghiệm mơ hình mạng học sâu, học máy nơron tích chập rừng ngẫu nhiên để xử lý toán nhận diện Phân tích kết thu tìm mơ hình mạng học sâu thích hợp cho tốn nhận diện khn mặt Xây dựng thành cơng hệ thống nhận diện khn mặt qua camera có chức phát khuôn mặt trực tiếp qua video Hệ thống sau phát triển cho thấy việc mô hình mạng trích chọn đặc trưng đem tới kết tốt nhiên xuất số mặt hạn chế Đó mơ hình phân loại không phù hợp với tập liệu lớn Điều kết phân loại mà thời gian huấn luyện lại mơ hình phân loại lâu Qua kết hạn chế ứng dụng cho thấy việc xây dựng hệ thống nhận diện khn mặt cịn địi hỏi phải thực hiện, nghiên cứu áp dụng thêm nhiều phương pháp Về hướng pháp triển tương lại, luận văn đề xuát nghiên cứu thêm số hướng Hướng thứ tiến hành nghiên cứu, áp dụng đánh giá mơ hình phân loại áp dụng vào toán thay rừng ngẫu nhiên Sparse Representation-based classification, Support Vector Machine, Linear Classifier Hướng nghiên cứu số phương pháp sử dụng khoảng cách huấn luyện với triplet loss Phương pháp cần dung lượng nhớ lớn không cần huấn luyện sử dụng mô hình phân loại Do thời gian thực luận văn không nhiều nên chắn luận văn tránh khỏi hạn chế thiếu sót Em mong nhận ý kiến đóng góp 19 DANH MỤC CÁC TÀI LIỆU THAM KHẢO [1] Abdulrahman Alkandari, Soha Jaber Aljaber (2015), “Principle Component Analysis algorithm (PCA) for image recognition”, ICCTIM, pp 76-80 [2] Liton Chandra Paul, Abdulla Al Sumam (2012), “Face Recognition Using Principal Component Analysis Method” International Journal of Advanced Research in Computer Engineering & Technology (IJARCET) 1, pp 135-139 [3] LDA Juwei Lu, Kostantinos N Plataniotis, and Anastasios N Venetsanopoulos (2003), "Face Recognition Using LDA-Based Algorithms", IEEE TRANSACTIONS ON NEURAL NETWORKS, pp 195-200 [4] Alaa Eleyan, Hasan Demirel (2006), “PCA and LDA Based Face Recognition Using Feedforward Neural Network Classifier” Conference: Multimedia Content Representation, pp 200-206 [5] Philip H Swain, Hans Hauska (1977), “The decision tree classifier: Design and potential” IEEE Transactions on Geoscience Electronics 15, pp 142-147 [6] Georgios Karalis (2020), “Decision Trees and Applications” Advances in Experimental Medicine and Biology 1194, pp 239-242 [7] Manish Mishra, Monika Srivastava (2014), “A view of Artificial Neural Network”, IEEE ICAETR - 2014, pp 1-3 [8] Saad Albawi, Tareq Abed Mohammed (2017), “Understanding of a Convolutional Neural Network”, International Conference on Engineering and Technology (ICET) [9] Yushi Chen, Hanlu Jiang, Chunyang Li, Xiuping Jia, Pedram Ghamisi (2016), “Deep Feature Extraction and Classification of Hyperspectral Images Based on Convolutional Neural Networks” IEEE Transactions on Geoscience and Remote Sensing 54, pp 6232 6251 [10] Musab Cokun, Ayegỹl Uỗar, ệzal Yildirim, Yakup Demir (2017), “Face recognition based on convolutional neural network” 2017 International Conference on Modern Electrical and Energy Systems (MEES), pp 376-379 20 [11] Kaiming He, Xiangyu Zhang, Shaoqing Ren, Jian Sun (2016), “Deep Residual Learning for Image Recognition” 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pp 770-778 [12] Jehad Ali, Rehanullah Khan, Nasir Ahmad (2012), “Random Forests and Decision Trees” JCSI International Journal of Computer Science Issues 9, pp 272276 [13] Haiyan Guan, Jonathan Li (2012), “RANDOM FORESTS-BASED FEATURE SELECTION FOR LAND-USE CLASSIFICATION USING LIDAR DATA AND ORTHOIMAGERY” ISPRS - International Archives of the Photogrammetry Remote Sensing and Spatial Information Sciences, pp 203-208 [14] Faces94, http://cmp.felk.cvut.cz/~spacelib/faces/faces94.html Truy cập ngày 01/11/2020 [15] Faces95, http://cmp.felk.cvut.cz/~spacelib/faces/faces95.html Truy cập ngày 01/11/2020 [16] Faces96, http://cmp.felk.cvut.cz/~spacelib/faces/faces96.html Truy cập ngày 01/11/2020 [17] Grimace, http://cmp.felk.cvut.cz/~spacelib/faces/grimace.html Truy cập ngày 01/11/2020 [18] A Vinay, Abhijay Gupta, Aprameya Bharadwaj, Arvind Srinivasan, K N Balasubramanya Murthy, S Natarajan (2018),"Deep Learning on Binary Patterns for Face Recognition", International Conference on Computational Intelligence and Data Science, pp 77-83 [19] Nawaf Hazim (2016), "Face Recognition using PCA-BPNN with DCT Implemented on Face94 and Grimace Databases", International Journal of Computer Applications, pp 8-13 [20] CASIA-WebFace, https://pgram.com/dataset/casia-webface/ Truy cập ngày 01/11/2020 ... CHƯƠNG TỔNG QUAN VỀ NHẬN DIỆN KHUÔN MẶT 1.1 Tổng quan nhận diện khuôn mặt với ứng dụng thực tế kỹ thuật nhận dạng khuôn mặt 1.1.1 Tổng quan 1.1.2 Kiến trúc tổng quát hệ thống nhận diện 1.1.3 Ứng... pháp tốn nhận diện khn mặt CHƯƠNG HỆ THỐNG NHẬN DIỆN KHN MẶT DỰA TRÊN MẠNG NƠ RON TÍCH CHẬP 2.1 Sơ đồ thiết kế hệ thống nhận diện khn mặt Trong hệ thống có ba bước xử lý để nhận diện khn mặt Đó... luận văn kết thúc phần Kết luận, trình bày tóm lược nội dung kết đạt luận văn, từ đề xuất hướng phát triển tương lại 3 CHƯƠNG TỔNG QUAN VỀ NHẬN DIỆN KHUÔN MẶT 1.1 Tổng quan nhận diện khuôn mặt