1. Trang chủ
  2. » Thể loại khác

ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn

53 762 13

Đang tải... (xem toàn văn)

Tài liệu hạn chế xem trước, để xem đầy đủ mời bạn chọn Tải xuống

THÔNG TIN TÀI LIỆU

Thông tin cơ bản

Định dạng
Số trang 53
Dung lượng 6,22 MB

Nội dung

Ngày đăng: 20/11/2021, 08:24

Nguồn tham khảo

Tài liệu tham khảo Loại Chi tiết
[1] G. Yang and T. S. Huang, “Human Face Detection in Complex Background”, Pattern Recognition, vol. 27, no. 1, pp. 53-63, 1994 Sách, tạp chí
Tiêu đề: Human Face Detection in Complex Background
[2] A. Lanitis, C.J. Taylor, and T.F. Cootes, “An Automatic Face Identification System Using lexible Appearance Models”, Image and Vision Computing, vol.13, no. 5, pp. 393-401, 1995 Sách, tạp chí
Tiêu đề: An Automatic Face IdentificationSystem Using lexible Appearance Models
[4] A. Yuille, P. Hallinan, and D. Cohen, “Feature Extraction from Faces Using eformable Templates”, Int’l J. Computer Vision, vol. 8, no. 2, pp. 99-111, 1992 Sách, tạp chí
Tiêu đề: Feature Extraction from Faces Usingeformable Templates
[5] D.G. Kendall, “Shape Manifolds, Procrustean Metrics, and Complex Projective Shapes”, Bull. London Math. Soc., vol. 16, pp. 81-121, 1984 Sách, tạp chí
Tiêu đề: Shape Manifolds, Procrustean Metrics, and ComplexProjective Shapes
[6] E. Osuna, R. Freund, and F. Girosi, “Training Support Vector Machines: An Application to Face Detection” Proc. IEEE Conf. Computer Vision and Pattern Recognition, pp. 130-136, 1997 Sách, tạp chí
Tiêu đề: Training Support Vector Machines: AnApplication to Face Detection
[7] Fuzhen Huang and Jianbo Su, “Multiple Face Contour Detection Using adaptive Flows”, Sinobiometrics 2004, LNCS 3338, pp. 137-143, Springer-Verlag Berlin eidelberg, 2004 Sách, tạp chí
Tiêu đề: Multiple Face Contour Detection Usingadaptive Flows
[8] H.P. Graf, T. Chen, E. Petajan, and E. Cosatto, “Locating Faces and Facial Parts”, Proc. First Int’l Workshop Automatic Face and Gesture Recognition, pp.41-46, 1995 Sách, tạp chí
Tiêu đề: Locating Faces and FacialParts
[9] J. Canny, “A Computational Approach to Edge Detection”, IEEE Trans.Pattern Analysis and Machine Intelligence, vol. 8, no. 6, pp. 679-698, June 1986 Sách, tạp chí
Tiêu đề: A Computational Approach to Edge Detection
[10] J. Sobottka and I. Pitas, “Segmentation and Tracking of Faces in Color Images”, Proc. Second Int’l Conf. Automatic Face and Gesture Recognition, pp.236-241, 1996.s Sách, tạp chí
Tiêu đề: Segmentation and Tracking of Faces in ColorImages

HÌNH ẢNH LIÊN QUAN

Hình 1: Mô tả tính toán với bán kính 1 điểm ảnh và lấy mẫu 8 điểm lân cận - ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn
Hình 1 Mô tả tính toán với bán kính 1 điểm ảnh và lấy mẫu 8 điểm lân cận (Trang 15)
Hình 2: Đặc trưng theo cạnh - ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn
Hình 2 Đặc trưng theo cạnh (Trang 16)
Hình 8: Hệ thống phát hiện khuôn mặt - ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn
Hình 8 Hệ thống phát hiện khuôn mặt (Trang 18)
Hình 7: Cách tính tổng giá trị pixel vùng cần tính - ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn
Hình 7 Cách tính tổng giá trị pixel vùng cần tính (Trang 18)
Hình 9: Cấu trúc của mạng nơ-ron tích chập - ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn
Hình 9 Cấu trúc của mạng nơ-ron tích chập (Trang 21)
Hình 10: Minh họa chập với kernel 3x3 - ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn
Hình 10 Minh họa chập với kernel 3x3 (Trang 22)
Hình 11: Phép toán sử dụng phép gộp - ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn
Hình 11 Phép toán sử dụng phép gộp (Trang 23)
Hình 2.11 là ví dụ về sử dụng toán tử gộp. Trong đó miêu tả cách thức lớp gộp xử lý đối với một đầu vào, kích thước của đầu vào là [224*224*64] được thực hiện với các thông số f = 2 và s = 2 thì đầu ra có kích thước [112*112*64] được thể hiện ở phía trá - ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn
Hình 2.11 là ví dụ về sử dụng toán tử gộp. Trong đó miêu tả cách thức lớp gộp xử lý đối với một đầu vào, kích thước của đầu vào là [224*224*64] được thực hiện với các thông số f = 2 và s = 2 thì đầu ra có kích thước [112*112*64] được thể hiện ở phía trá (Trang 23)
Hình 13. Kiến trúc mạng MTCNN - ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn
Hình 13. Kiến trúc mạng MTCNN (Trang 25)
Hình 14. Mạng neural P-Net - ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn
Hình 14. Mạng neural P-Net (Trang 26)
Hình 15. Mạng neural R-Net - ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn
Hình 15. Mạng neural R-Net (Trang 27)
Hình 16. Mạng neural O-Net - ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn
Hình 16. Mạng neural O-Net (Trang 28)
Pre-trained model là một mô hình được đào tạo bởi một người khác để giải quyết một vấn đề tương tự - ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn
re trained model là một mô hình được đào tạo bởi một người khác để giải quyết một vấn đề tương tự (Trang 29)
Hình 18. Triplet loss trên hai positive faces-mặt tích cực và một negative face- face-mặt tiêu cực - ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn
Hình 18. Triplet loss trên hai positive faces-mặt tích cực và một negative face- face-mặt tiêu cực (Trang 31)
Hình 2. Triplet loss - ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn
Hình 2. Triplet loss (Trang 32)
Khi huấn luyện mô hình siam network với triplet loss ta luôn phải xác định trước cặp ảnh (A,P) thuộc về cùng một người - ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn
hi huấn luyện mô hình siam network với triplet loss ta luôn phải xác định trước cặp ảnh (A,P) thuộc về cùng một người (Trang 33)
Hình 21. Căn chỉnh khuôn mặt 2.6 Ngôn ngữ Python - ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn
Hình 21. Căn chỉnh khuôn mặt 2.6 Ngôn ngữ Python (Trang 34)
Hình 22: Biểu đồ ngữ cảnh của hệ thống - ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn
Hình 22 Biểu đồ ngữ cảnh của hệ thống (Trang 42)
Hình 24: Sơ đồ hệ thống - ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn
Hình 24 Sơ đồ hệ thống (Trang 43)
Hình 23. Sơ đồ thực hiện 3.1.2 Thiết kế hệ thống: - ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn
Hình 23. Sơ đồ thực hiện 3.1.2 Thiết kế hệ thống: (Trang 43)
Hình 25. Phát hiện khuôn mặt với Haar cascade - ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn
Hình 25. Phát hiện khuôn mặt với Haar cascade (Trang 45)
Hình 26. Phát hiện khuôn mặt với MTCNN - ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn
Hình 26. Phát hiện khuôn mặt với MTCNN (Trang 46)
Hình ảnh đầu vào có thể chứa nhiều khuôn mặt, các khuôn mặt này có thể không đồng nhất về điều kiện ánh sáng, góc độ, biểu cảm,… Vì vậy tôi vẫn sẽ sử dụng MTCNN làm công cụ phát hiện khuôn mặt vì sự mạnh mẽ của nó. - ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn
nh ảnh đầu vào có thể chứa nhiều khuôn mặt, các khuôn mặt này có thể không đồng nhất về điều kiện ánh sáng, góc độ, biểu cảm,… Vì vậy tôi vẫn sẽ sử dụng MTCNN làm công cụ phát hiện khuôn mặt vì sự mạnh mẽ của nó (Trang 47)
Hình 28. Cosine similarity - ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn
Hình 28. Cosine similarity (Trang 48)
Hình 29: Giao diện tạo mới người dùng - ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn
Hình 29 Giao diện tạo mới người dùng (Trang 49)
Hình 30: File hình ảnh được tạo ra - ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn
Hình 30 File hình ảnh được tạo ra (Trang 50)
Hình 31: Giao diện training - ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn
Hình 31 Giao diện training (Trang 50)
Hình 32: Giao diện nhận diện - ĐỒ ÁN CƠ SỞ 5: XÂY DỰNG NHẬN DIỆN KHUÔN MẶT BẰNG MTCNN VÀ FACENET. Giảng viên hướng dẫn : TS. Nguyễn Sĩ Thìn
Hình 32 Giao diện nhận diện (Trang 51)

TỪ KHÓA LIÊN QUAN

TRÍCH ĐOẠN

Tìm hiểu về Face Detecto r MTCNN:

Tìm hiểu Pre-trained model FaceNet:

Các đặc điểm của ngôn ngữ Python: Một số thư viện quan trọng: Trích chọn đặc trưng và gán nhãn: Căn chỉnh khuôn mặt trước khi nhận dạng: Kết quả thử nghiệm hệ thống:

TÀI LIỆU CÙNG NGƯỜI DÙNG

TÀI LIỆU LIÊN QUAN

w