Giao diện tổng quát phần mềm
Hình 3.13: Giao diện hệ thống
Quá trình nhận dạng xong ta tiến hành vào 1 số chức năng xử lý dữ liệu. Đầu tiên là chức năng ghi lại thời gian đến, thời gian về của từng sinh viên khi đã nhận dạng thành công. Sau khi ghi nhận thời gian đến của từng sinh viên, hệ thống sẽ tự động lưu thời gian đến lấy cơ sở đánh giá đi muộn về sớm sau này. Những sinh viên đi muộn thường xuyên cũng bị đánh giá kém.
Để có thể quan sát quá trình đi học của sinh viên thì việc quan sát qua đồ thị là trực quan nhất. Ta có thể nhìn và biết được số ngày đi học của sinh viên đó, so sánh với các bạn còn lại để có được mức đánh giá tốt nhất.
ON/OFF Cam Sinh Viên Hiển thị mặt Kết nối RS232
Record thời gian
Display Cam
Lớp 1 Danh tính Nhận dạng Lớp 1 Lớp 29 Lớp 1 Lớp 1 Lớp 2 Lớp 3 Lớp 12 Lớp 11 Lớp 13 Lớp 29 Lớp 28 Lớp 29 Lớp 30
CHƯƠNG 4: KẾT QUẢ, ĐÁNH GIÁ BÀI TOÁN 4.1. Thử nghiệm độ chính xác thuật toán
Hình 5-20 Nhận dạng Mẫu thử nghiệm chưa được quan sát thuộc về Người1 là đúng
Như đã trình bày ở trên, bài toán nhận dạng được chia thành hai quá trình chính đó là phát hiện khuôn mặt trong khung hình và nhận dạng được danh tính của khuôn mặt. Chính vì vậy kết quả bài toán cũng được đánh giá dựa trên hai tiêu chí khả năng phát hiện khuôn mặt trên khung hình realtime và độ chính xác phát hiện là bao nhiêu phần trămĐộ chính xác nhận dạng được tính theo công thức:
Cơ sở dữ liệu: Với thuật toán MTCNN, cơ sở dữ liệu ảnh pre-train được lấy từ tập dữ liệu Labeled Face in Wild (LFW) bao gồm hơn 13000 bức ảnh chứa khuôn mặt
Số ảnh nhận dạng đúng x 100% Độ chính xác = Tổng số ảnh testing Các khuôn mặt trong tập trainning
40 người. Đối với mỗi đối tượng, hình ảnh được chụp tại các địa điểm khác nhau với ánh sáng cũng khác nhau. Góc độ và biểu cảm khuôn mặt của từng người là không giống nhau để tập trainning đa dạng. Tiếp theo là tập ảnh trainning cho đối tương sinh viên cần nhận dạng. Ở đây mỗi sinh viên tôi sẽ đưa 5 đến 20 ảnh với góc độ và biểu cảm khác nhau vào huấn luyện với bộ pre-train đã có từ trước đó.
Hình 4.1: Labeled Face in Wild (LFW) Dataset
Sau khi đã có dữ liệu pre-train, tôi sẽ đưa dữ liệu mẫu về học sinh của một lớp để trainning nhận dạng đánh giá kết quả. Dữ liệu trainning mẫu gồm 10 học sinh với khuôn mặt chụp rõ nét, với mỗi học sinh sẽ đưa 20 ảnh mẫu để tiến hành quá trình trainning. Mỗi học sinh sau khi trainning ảnh đầu vào sẽ được lưu vào thư mục ảnh đã cắt mặt và xử lý. Sau đó quá trình nhận dạng sẽ được tiến hành và phân biệt qua tên sinh viên.
Hình 4.2: Ảnh sample trainning
Kết quả:
So sánh kết quả nhận dạng về độ chính xác của phương pháp khi đưa 20 ảnh vào trainning tạo ra model nhận dạng.
Hướng thẳng trực diện Hướng nghiêng
MTCNN - FaceNet 85.3% 83.1%
Hình 8: Kết quả nhận diện MTCNN-FaceNet
Hình 4.3: Kết quả nhận dạng
Dưới đây là biểu đồ so sánh về tính thay đổi độ chính xác khi số lượng ảnh trainning đầu vào thay đổi của phương pháp:
Hình 4.4: So sánh độ chính xác với số mẫu khác nhau