• Streaming server • nginx • flask framework • gunicorn • Luồng hoạt động
• Truy cập vào RSTP url của camera đã lấy được ở giai đoạn1
• Tách lấy từng frame của video stream
• Cho frame qua MTCNN model đểphát hiện khuôn mặt người
• Cho khuôn mặt người đãpháthiện qua FaceNet model để tạo ra vector 128 feature
• Cho vector này qua bộ phân loạiSVM đã được huấn luyện để tính xác suất mặt người là 1 trong 5 thành viên
• Nếuxác suất củathành viên nàolớn hơn0.6 thìnhận địnhlà thành viênđó
• Nếukhông có thành viên nào có xácsuất lớn hơn0.6 thìnhận địnhlàngười lạ • Trả frame sau khi đã phân tích về cho trìnhduyệt hiển thị
Demo
• Một số nhận xét
• Độ trễ so với thực tế khá cao vì tốn thời gian load model vào bộ nhớ
• Có thể khắc phục bằng đa luồng
• Thời gian phân tích một frame ở mức chấp nhận được với độ phân giải 720p
• Độ chính xác chưa tốt vì tập dữ liệu của nhân viên VietnamLab Hà Nội chưa đủ lớn (mỗi người chỉ có khoảng 50 bức ảnh)
Papers
• Rapid Object Detection using a Boosted Cascade of Simple Features
• https://www.cs.cmu.edu/~efros/courses/LBMV07/Papers/viola-cvpr-01.pdf • Histograms of Oriented Gradients for Human Detection
• https://lear.inrialpes.fr/people/triggs/pubs/Dalal-cvpr05.pdf
• Joint Face Detection and Alignment using Multi-task Cascaded Convolutional Neural Networks
• https://arxiv.org/ftp/arxiv/papers/1604/1604.02878.pdf
• FaceNet: A Unified Embedding for Face Recognition and Clustering
• https://arxiv.org/pdf/1503.03832.pdf
• DeepFace: Closing the Gap to Human-Level Performance in Face Verification
• https://research.fb.com/wp-content/uploads/2016/11/deepface-closing-the-gap-to-human-level- performance-in-face-verification.pdf