Nghiên cứu thuật toán pca ứng dụng trong bài toán nhận dạng khuôn mặt

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƢỜNG ĐẠI HỌC VINH NGUYỄN THỊ LAM LUẬN VĂN THẠC SỸ Chuyên ngành: Công nghệ thơng tin Mã ngành:60480201 NGHIÊN CỨU THUẬT TỐN PCA ỨNG DỤNG TRONG BÀI TỐN NHẬN DẠNG KHN MẶT Ngƣời hƣớng dẫn: TS.Trần Xuân Sang Nghệ an, tháng 07/2018 LỜI CẢM ƠN Trƣớc tiên, tơi xin bày tỏ lịng biết ơn chân thành tới TS Trần Xuân Sang tận tình hƣớng dẫn, ch bảo suốt suốt q trình thực đề tài Tơi xin k nh gửi lời cảm ơn sâu sắc tới quý Thầy Cô Viện kỹ thuật công nghệ trƣờng Đại học Vinh truyền đạt kiến thức quý báu cho em năm vừa qua Xin gửi lời cảm ơn đến Ban giám hiệu trƣờng THPT Qu nh Lƣu đ ng nghiệp tạo điều kiện thuận l i, đ ng viên tơi q trình học tập nghiên cứu Tôi xin chân thành cảm ơn gia đình, bạn bè, thành viên lớp Cao học K24 công nghệ thông tin bên cạnh, giúp đỡ đ ng viên suốt thời qua gh g h g Tác giả luận văn Nguyễn Th Lam LỜI CAM ĐOAN Tôi xin cam đoan luận văn cơng trình học tập nghiên cứu tự thân thực sản phẩm riêng Các số liệu tài liệu luận văn trung thực, thông tin đƣ c sử dụng luận văn có ngu n gốc đƣ c tr ch dẫn rõ ràng Tôi hoàn toàn ch u trách nhiệm t nh xác thực nguyên luận văn Tác giả luận văn Nguyễn Th Lam MỤC LỤC LỜI CẢM ƠN LỜI CAM ĐOAN MỤC LỤC DANH MỤC CÁC TỪ VIẾT TẮT MỞ ĐẦU Sự cần thiết vấn đề nghiên cứu Mục tiêu nghiên cứu 2.1 Mục tiêu tổng quát 2.2 Mục tiêu cụ thể Đối tƣ ng phạm vi nghiên cứu 3.1 Đối tƣ ng nghiên cứu 3.2 Phạm vi nghiên cứu N i dung nghiên cứu CHƢƠNG TỔNG QUAN VỀ NHẬN DẠNG KHUÔN MẶT 10 1.1 Giới thiệu tốn nhận dạng khn mặt 10 1.1.1 Nhận dạng khuôn mặt 10 1.1.2 Các ứng dụng nhận dạng khuôn mặt 11 1.1.3 Các thách thức nhận dạng khuôn mặt 13 1.2 M t số thuật toán thƣờng sử dụng nhận dạng khuôn mặt 14 1.2.1 Elastic Bunch Graph Matching 14 1.2.2 Linear Discriminate Analysis 16 1.2.3 Principal Component Analysis: 17 1.3 Tổng quan tình hình nghiên cứu 18 1.3.1 Tình hình nghiên cứu nƣớc 18 1.3.2 Tình hình nghiên cứu ngồi nƣớc 19 CHƢƠNG THUẬT TỐN PCA VÀ ỨNG DỤNG TRONG NHẬN DẠNG KHN MẶT 20 2.1 Thuật toán PCA 20 2.1.1 Giới thiệu 20 2.1.2 Thuật toán PCA 21 2.2 Nhận dạng khn mặt thuật tốn PCA 23 2.2.1 Chuẩn hóa liệu 23 2.2.2 Tr ch chọn đặc trƣng dùng PCA 24 2.2.3 Nhận dạng 26 2.2.4 V dụ số 28 CHƢƠNG THỬ NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ 34 3.1 Dữ liệu thử nghiệm 34 3.2.Các bƣớc thực 35 3.2.1 Chuẩn hóa liệu 35 3.2.2 Tr ch chọn đặc trƣng 35 3.2.3 Thực nhận dạng 39 3.3 Đánh giá kết 40 KẾT LUẬN 41 TÀI LIỆU THAM KHẢO 42 DANH MỤC CÁC TỪ VIẾT TẮT STT K HI U VIẾT TẮT VIẾT Đ ĐỦ LDA Linear Discriminate Analysis EBGM Elastic Bunch Graph Matching PCA Principal Component Analysis PH N MỞ Đ U Sự cần thiết vấn đề nghiên cứu Ngày nay, học máy khơng cịn khái niệm xa lạ, ngày trở nên phổ biến Học máy m t nhánh tr tuệ nhân tạo mà mục tiêu cho ph p máy t nh học theo cách riêng, nhanh chóng tự đ ng tạo mơ hình với khả phân t ch liệu lớn hơn, phức tạp nhƣ cung cấp kết nhanh ch nh xác, đƣa dự đoán có giá tr cao từ có đ nh tốt hành đ ng thông minh mà không cần can thiệp ngƣời M t kỹ thuật quan trọng học máy ch nh giảm chiều liệu Dimensionality Reduction thực tế ta làm việc trực tiếp liệu có số chiều lớn s gặp nhiều khó khăn lƣu trữ t nh tốn Do đó, việc giảm số chiều liệu m t bƣớc quan trọng nhiều toán PCA ch nh m t phƣơng pháp đơn giản đƣ c lựa chọn thuật toán nhằm giảm chiều liệu Hiện nay, giới có hệ thống cho ph p tự đ ng nhận dạng đƣ c khuôn mặt để áp dụng vấn đề bảo mật thơng tin, tìm kiếm đối tƣ ng Xuất phát từ t nh ứng dụng cao phƣơng pháp giảm chiều liệu PCA tốn nhận dạng khn mặt nên tơi chọn đề tài: “Nghiên cứu thuật toán PCA ứng dụng nhận dạng khuôn mặt” Mục tiêu nghiên cứu 2.1 Mục tiêu tổng quát Nghiên cứu thuật toán PCA ứng dụng tốn nhận dạng khn mặt 2.2 Mục tiêu cụ thể Đề tài tập trung vào mục tiêu ch nh sau: i Nghiên cứu tổng quan tốn nhận dạng khn mặt ii Nghiên cứu thuật tốn PCA (iii) Ứng dụng thuật toán PCA vào nhận dạng khuôn mặt Đối tƣợng phạm vi nghiên cứu 3.1 Đối tƣợng nghiên cứu a Nghiên cứu lý thuyết - Nghiên cứu tài liệu tốn nhận dạng khn mặt - Nghiên cứu tài liệu thuật toán PCA b Nghiên cứu thực nghiệm - Tìm hiểu b liệu ảnh khn mặt - Cài đặt thử nghiệm thuật toán PCA cho toán nhận dạng khuôn mặt 3.2 Phạm vi nghiên cứu Luận văn tập trung nghiên cứu thuật toán PCA ứng dụng nhận dạng khuôn mặt Nội dung nghiên cứu - Nghiên cứu tổng quan nhận dạng khuôn mặt - Nghiên cứu phƣơng pháptrích chọn đặc trƣng PCA - Cài đặt thử nghiệm thuật toán PCA cho toán nhận dạng khuôn mặt 10 CHƢƠNG TỔNG QUAN VỀ NHẬN DẠNG KHN MẶT 1.1 Giới thiệu tốn nhận dạng khuôn mặt 1.1.1 Nhận dạng khuôn mặt Nhận dạng khuôn mặt m t lĩnh vực nghiên cứu thú v nhiều ngƣời Công nghệ nhận dạng khuôn mặt m t ứng dụng mà máy t nh s tự đ ng xác đ nh nhận dạng m t ngƣời thơng qua ảnh khn mặt khung hình video m t đoạn video Bài tốn nhận dạng khn mặt m t toán đƣ c ngƣời quan tâm nay, đƣ c áp dụng mạnh m nhiều lĩnh vực khác đời sống xã h i, đặc biệt lĩnh vực cơng nghệ cao địi hỏi đảm bảo an ninh, bảo mật m t cách chắn chuẩn xác Chính tốn nhận dạng khn mặt ln tốn nóng hổi hấp dẫn, có sức hút lớn ngƣời lĩnh vực tr tuệ nhân tạo Có nhiều phƣơng pháp nhận dạng khuôn mặt tập trung vào việc phát t nh riêng biệt nhƣ mắt, miệng, mũi, cằm, đầu,… xác đ nh m t số kiểu khuôn mặt v tr , k ch thƣớc, nhƣ mối quan hệ Kết nhận dạng nhiều hệ thống khác nhau, tùy thu c vào liệu kiểm thử M t phƣơng pháp tiếng đƣ c sử dụng phổ biến để nhận dạng khuôn mặt eigen bao g m eigenvalue, eigenvector nhằm tìm khơng gian con, phƣơng pháp gọi phân t ch thành phần ch nh (Principal Component Analysis đóng vai trị quan trọng lĩnh vực th giác máy t nh Có hai phƣơng pháp tiếp cận với nhận dạng khn mặt là: Nhận dạng dựa đặc trƣng phần tử khuôn mặt (Feature Based Face Recognition , nhận dạng dựa xét tổng thể tồn khn mặt (Appearance Based Face Recognition) Với tốn nhận dạng khn mặt thƣờng sử dụng m t số thuật tốn thơng dụng nhƣ: Phân t ch thành phần ch nh, phân t ch phân lớp tuyến t nh, phƣơng pháp đ th đàn h i,… 11 Các yếu tố thƣờng làm ảnh hƣởng tới kết nhận dạng là: ánh sáng, khoảng cách đối tƣ ng so với camera, cảm xúc biểu cảm khuôn mặt, tƣ đối tƣ ng, trang phục đối tƣ ng,… 1.1.2 Các ứng dụng nhận dạng khuôn mặt Từ m t thập k qua, vấn đề nhận dạng khuôn mặt đƣ c quan tâm nghiên cứu, xây dựng hệ thống, chƣơng trình nhận dạng nhằm ứng dụng đời sống hàng ngày với nhiều lĩnh vực khác Hãng Apple nhân d p k niệm 10 năm iPhone có mặt th trƣờng, cơng nghệ nhận dạng khuôn mặt - Face ID đƣ c t ch h p vào IPhone X, với khả chiếu 20.000 điểm sáng lên gƣơng mặt, điểm sáng s đƣ c chụp lại camera h ng ngoại để dựng lên mơ hình gƣơng mặt dƣới dạng Vector nên đ bảo mật mức đ cao Theo Apple, xác suất m t ngƣời lạ mặt mở khóa điện thoại bạn ch vỏn vẹn phần triệu[5] Tại Trung Quốc du khách tới th trấn Wuzhen, s mua v nhờ hệ thống kiểm sốt cơng nghệ nhận diện khn mặt cổng cơng nghệ cịn đƣ c áp dụng cho việc tốn hóa đơn khách hàng Tại Macao, khách hàng muốn rút tiền mặt từ máy ATM s đƣ c yêu cầu nhìn thẳng vào camera giây để phần mềm nhận dạng khuôn mặt kiểm tra đối chiếu Cách thức giúp tăng cƣờng an ninh ngân hàng, đ ng thời ngăn chặn nạn rửa tiền đây[5] Tại sân bay Mỹ, hệ thống nhận diện khuôn mặt đƣ c sử dụng để xác đ nh danh t nh tất ngƣời sở hữu visa họ rời khỏi quốc gia nhằm tránh trƣờng h p hành khách nhập cảnh bất h p pháp Cuối tháng 8/2017, cảnh sát Đức lắp đặt camera áp dụng công nghệ nhận diện khuôn mặt sân bay Berlin để giúp phát đối tƣ ng nằm danh sách b theo dõi tình nghi khủng bố Sân bay Changi Singapore s áp dụng công nghệ ga đƣ c khánh thành vào cuối tháng 10/2017 Australia đầu tƣ mạnh cho công nghệ nhận dạng khuôn mặt tất sân bay quốc tế nƣớc [5] Ngồi ứng dụng tiêu biểu ta cịn phải kể đến ứng dụng gần gũi thú v nhận dạng mặt nhƣ: dùng để điểm danh học sinh, sinh viên 28 2.2.4 Ví dụ số Để dễ hiểu bƣớc tr ch chọn đặc trƣng PCA toán nhận dạng khuôn mặt, ta x t v dụ cụ thể số liệu với tập ảnh đơn giản sau đây: Giả sử tập huấn luyện g m có ảnh đƣ c chuẩn hóa k ch thƣớc, đ sáng, tƣ mặt ch nh diện với k ch thƣớc 3X3, giả sử ta có số liệu vector ảnh mặt: Γ1 = Γ2 = [ ] Γ3 = [ ] Γ4 = [ ] [ ] ƣớc 1:T nh giá tr trung bình tồn b vector ảnh mặt theo công thức 2.5 ta đƣ c: = [ ] ƣớc 2:Trừ giá tr trung bình Sau trừ giá tr trung bình theo cơng thức 2.6 ta đƣ c: 29 Φ1 = Φ2 = [ ] Φ3 = [ ] Φ4 = [ ] [ ƣớc 3:T nh ma trận hiệp phƣơng sai C Ta có ma trậnA=[Φ1Φ2…ΦM] nên A= [ ] ] 30 Và ma trận C s là: 33922.59 -13747.8 2194.5 -14665.31 -5383.5 -6103 21543 -19275.75 12244.81 -13746.5 36881.04 -2221.5 30019.538 -26899.5 14713 -24621 25823.25 -36548 2194.975 -2222.03 201 -1945.025 841 -725 2008 -1906.5 2099.025 -14664.3 30018.01 -1944.5 25205.513 -20630.5 14408 -22301 23508.75 -30044 -5385.83 -26905.2 841 -20636.23 28881 -14391 12644 -15916.5 28184.23 -6103.3 14716.05 -725 14411.05 -14391 21650 -15232 19377 -17652.1 21547.25 -24626.7 2008 -22306.65 12644 -15232 23428 -24279 24822.65 -25245.2 20358.08 -1857 21261.075 -9729 25614 -26754 29794.5 -22692.1 12242.96 -36547.9 2098.5 -30045.39 28178.5 -17649 24817 -26870.25 36892.89 ƣớc 4: T nh giá tr riêng vector riêng Ma trận AT.As là:AT.A = [ ] Ta thấy rõ k ch thƣớc ma trận AT.A nhỏ nhiều so với k ch thƣớc ma trận C Bây ta t nh tr riêng AT.A, ch nh nghiệm phƣơng trình: det|AT.A- |=0 Từ ta có tr riêng theo thứ tự xếp là: =45205.844, =17785.929, =173867.773, =-1.546 tƣơng ứng vector riêng: v1 = v2 = [ ] v3 = [ ] v3 = [ ] [ ] Suy theo công thức 2.8 vector riêng ma trận hiệp phƣơng sai C s là: 31 u1 = u2 = [ ] u3 = [ ] u4= [ [ ] ] Loại bỏ vector u4 có giá tr Chuẩn hóa vector đặc trƣng ui vector đơn v : u1 = u2= [ ] u3= [ ] [ ] Đây ch nh vector sở không gian đƣ c gọi eigenfaces không gian mặt Các vector đặc trƣng đƣ c xếp theo thứ tự giảm dần giá tr riêng Sau thực bƣớc bƣớc ƣớc 5: Chọn K vector riêng Cách 1: Theo dõi biến thiên dãy tr riêng, khơng cịn biến thiên xấp x khơng lúc ta chọn đủ K Cách 2: Sử dụng công thức (2.10) Cách 3: Ch lấy vector tƣơng ứng với giá tr riêng ƣớc 6: Chiếu tập ảnh huấn luyện vào không gian 32 M i khuôn mặt huấn luyện s đƣ c biểu diễn không gian vector nhƣ sau: (2.11) [ Trong ] vector đại diện cho khuôn mặt thứ i tập luyện Ta mô giá tr không gian hình v sau: 33 Đây vector Khơng gian khuôn mặt Chiếu Φ vào “ h g gia h ” ta đƣ c ̂ Tọa đ củavector vector Φ ̂ không gian Φ vecctor Đây vector sở uicủa không gian khuôn mặt đƣ c gọi EIGENFACE”) [8] 34 CHƢƠNG THỬ NGHI M VÀ ĐÁNH GIÁ KẾT QUẢ 3.1 Dữ liệu thử nghiệm Dữ liệu thử nghiệm đƣ c dùng phần sở liệu Yale face database, m t b liệu phổ biến nhận dạng ảnh khuôn mặt Các ảnh b liệu đƣ c ch nh cho với k ch thƣớc khn mặt nằm trọn vẹn m t hình chữ nhật có k ch thƣớc 116x98 pixel Có tất 15 ngƣời khác nhau, m i ngƣời có ảnh đƣ c chụp điều kiện ánh sáng cảm xúc khác nhau, bao g m: „centerlight‟, „glasses‟, „happy‟, „leftlight‟, „noglasses‟, „normal‟, „rightlight‟,‟sad‟, „sleepy‟, „surprised‟, „wink‟.Chƣơng trình thử nghiệm sử dụng ảnh m i ngƣời „leftlight‟, „noglasses‟, „normal‟, „rightlight‟,‟sad‟, „sleepy‟, „surprised‟, „wink‟, chia thành tập, tập huấn luyện tập kiểm thử Tập huấn luyện lấy m i ngƣời ảnh tập kiểm thử m i ngƣời ảnh Dƣới v dụ ảnh ngƣời b liệu: database Chƣơng trình thử nghiệm dùng ngơn ngữ lập trình C với thƣ viện emgu cv phiên 2.4.9 b sở liệu 35 3.2.Các bƣớc thực 3.2.1 Chuẩn hóa liệu Với b liệu Yale Face database, ảnh đƣ c chuẩn hóa k ch thƣớc 116x98 3.2.2 Trích chọn đặc trƣng Đây ảnh đƣ c sử dụng tập huấn luyện 36 - T nh giá tr trung bình vector ảnh mặt public Image AverageImage { get { return _avgImage; } set { _avgImage = value; } } Sau thực t nh trung bình tồn b vector ảnh mặt ta thu đƣ c khuôn mặt trung bình - T nh giá tr riêng vector riêng: public Matrix[] EigenValues { get { return _eigenValues; } set { _eigenValues = value; } } public Matrix[] EigenVectors { get { return _eigenVectors; } set { _eigenVectors = value; } } -Thiết lập ngƣỡng để kiểm tra publicdouble EigenDistanceThreshold 37 { get { return _eigenDistanceThreshold; } set { _eigenDistanceThreshold = value; } } public EigenObjectRecognizer(Image[] images, ref MCvTermCriteria termCrit) : this(images, GenerateLabels(images.Length), ref termCrit) { } privatestaticString[] GenerateLabels(int size) { String[] labels = newstring[size]; for (int i = 0; i < size; i++) labels[i] = i.ToString(); return labels; } public EigenObjectRecognizer(Image[] images, String[] labels, ref MCvTermCriteria termCrit) : this(images, labels, 0, ref termCrit) { } public EigenObjectRecognizer(Image[] images, String[] labels, double eigenDistanceThreshold, ref MCvTermCriteria termCrit) { Debug.Assert(images.Length == labels.Length, "The number of images should equals the number of labels"); Debug.Assert(eigenDistanceThreshold >= 0.0, "Eigen-distance threshold should always >= 0.0"); CalcEigenObjects(images, ref termCrit, out _eigenImages, out _avgImage); } Khơng gian mặt tìm đƣ c từ giá tr riêng, vector riêng tƣơng ứng public Image EigenProjection(float[] eigenValue) { Image res = new Image(_avgImage.Width, _avgImage.Height); CvInvoke.cvEigenProjection( Array.ConvertAll(_eigenImages, delegate(Image img) { return img.Ptr; }), eigenValue, _avgImage.Ptr, 38 res.Ptr); return res; } Kết 18 vector riêng tìm đƣ c PCA đƣ c biểu diễn hình dƣới đây: Sau m t số ảnh minh họa ảnh gốc ảnh thu đƣ c xấp x eigenface theo PCA: 39 3.2.3 Thực nhận dạng EMGU v2.4.9 cho ph p truy cập vào biến khoảng cách Eigen cách giới thiệu m t lớp RecognitionResultclass để lƣu trữ ba biến: nhãn khuôn mặt đƣ c nhận dạng, khoảng cách Eigen ch mục đƣ c tạo sẵn V2.4.9 cho phép ta thiết lập m t Eigen_threshold cho khoảng cách Eigen không lớn giá tr null s đƣ c trả Biểu mẫu ch nh bao g m m t h p ngƣỡng để hiệu ch nh giá tr ngƣỡng Giá tr thay đổi tùy thu c vào k ch thƣớc liệu huấn luyện Để h tr hiệu chuẩn, khoảng cách Eigen đƣ c in bên cạnh tên đƣ c nhận dạng Phƣơng thức nhận biết kiểm tra xem khoảng cách Eigen có lớn ngƣỡng đặt hay không Nếu nhãn "Khơng xác đ nh" đƣ c trả lại thay tên ngƣời cuối sở liệu publicstring Recognise(Image Input_image, int Eigen_Thresh = -1) { if (_IsTrained) { FaceRecognizer.PredictionResult ER = recognizer.Predict(Input_image); if (ER.Label == -1) { Eigen_label = "Unknown"; Eigen_Distance = 0; return Eigen_label; } else { Eigen_label = Names_List[ER.Label]; Eigen_Distance = (float)ER.Distance; if (Eigen_Thresh > -1) Eigen_threshold = Eigen_Thresh; switch (Recognizer_Type) { case ("EMGU.CV.EigenFaceRecognizer"): if (Eigen_Distance > Eigen_threshold) return Eigen_label; elsereturn"Unknown"; case ("EMGU.CV.LBPHFaceRecognizer"): case ("EMGU.CV.FisherFaceRecognizer"): default: return Eigen_label; } } 40 } elsereturn""; } 3.3 Đánh giá kết Chƣơng trình thử nghiệm thực nhận dạng tốt ảnh sắc n t, rõ mặt không b che khuất nhƣng ngƣ c lại, cho kết nhận dạng thiếu ch nh xác ảnh thiếu ánh sáng, b che khuất m t bên ảnh có biểu cảm cảm xúc khác biệt M t số ảnh cho kết không ch nh ch nh xác: 41 KẾT LUẬN Kết đạt đƣợc Đề tài thực đƣ c m t số n i dung ch nh sau: - Tìm hiểu tổng quan tốn tốn nhận dạng khn mặt; - Tìm hiểu chi tiết thuật toán PCA, ứng dụng toán nhận dạng ảnh khuôn mặt Hƣớng phát triển Trong thời gian tới, tơi s tiếp tục tìm hiểu thêm phƣơng pháp khác dùng kết h p với thuật toán PCA nhằm nâng cao hiệu việc nhận dạng ảnh khuôn mặt nhƣ mạng Nơron, Support Vector Machine, … 42 TÀI LI U THAM KHẢO Tài liệu tiếng Việt [1] Vũ Hữu Tiệp(2018), Machine Learning b [2] Ông Xuân H ng “ i a c achi e ea i g“ Internet:https://ongxuanhong.wordpress.com/2015/07/06/tai-sao-can-machinelearning/ , ngày 6/7/2015 [3] 4fire “ h d g [4] FPT tech.“ h di g g h g gh [5] ICTNEWS.“ ib “ v ứ g dụ g hực ế” h di h g c g c biế “ c dụ g g hế gi i i i“ [6] VIBLO “ i h [7] Newzing.“ g h h c c c h di h i Dubai“ [8] Lê Hoàng Thanh.“ [9] Loan Phƣơng, “Th v h h d di g h g ib g eige face “ : Th ch hức i ” Tài liệu tiếng Anh [10] Laurenz Wiskott et al., Scholarpedia “Elastic Bunch Graph Matching” Internet:http://www.scholarpedia.org/article/Elastic_Bunch_Graph_Matching 2014 ... toán PCA ứng dụng nhận dạng khuôn mặt Nội dung nghiên cứu - Nghiên cứu tổng quan nhận dạng khuôn mặt - Nghiên cứu phƣơng pháptrích chọn đặc trƣng PCA - Cài đặt thử nghiệm thuật toán PCA cho toán. .. (iii) Ứng dụng thuật toán PCA vào nhận dạng khuôn mặt Đối tƣợng phạm vi nghiên cứu 3.1 Đối tƣợng nghiên cứu a Nghiên cứu lý thuyết - Nghiên cứu tài liệu tốn nhận dạng khn mặt - Nghiên cứu tài... PCA cho toán nhận dạng khuôn mặt 10 CHƢƠNG TỔNG QUAN VỀ NHẬN DẠNG KHN MẶT 1.1 Giới thiệu tốn nhận dạng khuôn mặt 1.1.1 Nhận dạng khuôn mặt Nhận dạng khuôn mặt m t lĩnh vực nghiên cứu thú v nhiều