83
Kết hợp hai hệ thống nhận diện khuôn mặt và cảm xúc thành một vừa nhận diện khuôn mặt , vừa nhận diện cảm xúc của đối tượng từ luồng video trực tuyến thông qua camera.
Tăng độ chính xác của hai hệ thống bằng thuật toán Deep Learning cũng như triển khai đến những mô hình mạng học sâu tiên tiến hơn để hai hệ thống nhận diện có chính xác tốt hơn.
Xây dựng và phát triển mô hình phần cứng tốt hơn với tốc độ xử lý nhanh hơn và ổn định hơn khi mà hệ thống phải tính toán phức tạp với mô hình mạng nơ-ron tích chập.
Đối với hệ thống nhận diện khuôn mặt, thêm nhiều người vào tập dữ liệu tự tạo nhằm đa dạng hóa dữ liệu và tăng số lượng lượng người mà hệ thống cần nhận dạng . Số lượng tập mẫu mỗi người càng lớn thì hệ thống nhận diện có độ chính xác tốt hơn. Bên cạnh đó, phát triển hệ thống nhận diện khuôn mặt được ứng dụng trong thực tế như điểm danh nhân viên và các lĩnh vực an ninh .Ngoài ra việc triển khai áp dụng trong thực tế gặp nhiều thách thức về thông số môi trường như cường độ ánh sáng đầu vào, cảm xúc biểu cảm trên khuôn mặt, chất lượng ảnh đầu vào, chất lượng phần cứng như camera, bộ vi xử lý, thuật toán xử lý, đồng bộ với máy chủ, đám mây.…
Đối với hệ thống nhận diện cảm xúc,tìm kiếm thêm nhiều tập dữ liệu mẫu có số lượng ảnh chứa cảm xúc tự nhiên của khuôn mặt lớn, nhiều biểu cảm phức tạp và chất lượng hơn để huấn luyện để đạt được kết quả tốt hơn, độ chính xác cao hơn. Bên cạnh đó nghiên cứu và phát triển thêm các thuật toán tối ưu và mô hình mạng nơ-ron tích chập nhiều lớp sâu hơn để đáp ứng nhận dạng cảm xúc nhiều người cùng một lúc.
84
TÀI LIỆU THAM KHẢO
[1] Dan Duncan, Gautam Shine, Chris English (2016) , “ Facial Emotion Recognition in real time ” Stanford University.
[2] Competition “ Challenges in Representation Learning: Facial Expression
Recognition Challenge ”, https://www.kaggle.com/c/challenges-in-representation-
learning-facial-expression-recognition-challenge/, [ngày truy cập 15/04/2020 ]
[3] N. Dalai, B. Triggs (2005), “Histograms of Oriented Gradients for Human
Detection”. IEEE Computer Society Conference on Computer Vision and Pattern
Recognition.
[4] Hiyam Hatem, Zou Beiji.Raed Majeed (2015), “A Survey of Feature Base Methods for Human Face Detection”, International Journal of Control and Automation Vol.8, No.5 (2015), pp.61-78.
[5] Hwai-Jung Hsu and Kuan-Ta Chen (2015). “Face recognition on drones: Issues and
limitations”. In Proceedings of the First Workshop on Micro Aerial Vehicle Networks,
Systems, and Applications for Civilian Use, DroNct ’15, pages 39-44, New York, NY, USA, 2015. ACM.
[6] Rabia Jafri and Hamid R Arabnia (2009). “A survey of face recognition techniques”. JIPS, 5(2),pp.41- 68.
[7] Alex Krizhevsky, Ilya Sutskever and Geoffrey E. Hinton (Aug.2010), “ ImageNet
Classification with Deep Convolutional Neural Networks ”, University of Toronto.
[8] Keiron O’Shea and Ryan Nash (Dec.2015) , “An Introduction to Convolutional
85
[9] Rok Novosel, Blaz Meden, Ziga Emer, Vitomir Struc, Peter Peer (2017). “Face recognition with Raspberry Pi for IoT Environments”. Faculty of Computer and Information Science Faculty of Electrical Engineering University of Ljubljana.
[10] O. Nikisins, R. Fuksis, A. Kadikis, and M. Greitans (2015) , “Face recognition system on raspberry pi,” Proc. Of ICIPCE, vol. 15.
[11] Lương Mạnh Bá, Nguyễn Thanh Thủy (2006), “Nhập môn xử lý ảnh số”.Nhà xuất bản khoa học kỹ thuật, Hà Nội, Việt Nam.
[12] Nitish Srivastava, Geoffrey Hinton, Alex Krizhevsky , Ilya Sutskever, Ruslan Salakhutdinov (2014), “ Dropout: A Simple Way to Prevent Neural Networks from Overfitting ” , Department of Computer Science, University of Toronto Canada , pp 1932-1954.
[13] N. Kwak (Jan.2016), “Introduction to Convolutional Neural Networks ( CNNs)”. Department of Transdisciplinary Studies Seoul National University, Korea.
[14] R. E. Turner (2014) , “Lecture 14 : Convolutional neural networks for computer vision”. University of Cambride.
[16] Richard F.Lyon, (2006), “A Brief History of ‘Pixel’ ” Foveon Inc , 2820 San Tomas Expressway, Santa Clara CA 95051.
[17] Robin Milner, Mads Tofte, Robert Harper. “The Definition of Standard ML”, Lab oratory for Foundations of Computer Science Department of Computer Science University of Edinburgh.
[18] Florian Schroff, Dmitrv Kalcnichenko, and James Philbin (2015). “Facenet: A unified embedding for face recognition and clustering In Proceedings of the IEEE
86
[19] Yash Srivastava, Vaishnav Murali, and Shiv Ram Dubey (2019). “A Performance
Comparison of LoNetss Functions for Deep Face Recognition”. Computer Vision
Group, Indian Institute of Information Technology, Sri City, India, pages 4 – 10.
[20] Ashutosh ChandraBhensle, Rohit Raja(2014) “An Efficient Face Recognition using PCA and Euclidean Distance Classification, Computer Science and Engineering
Department, CSVTU, Bhilai FET, SSGI, Bhilai, India”.
[21] Patrick Lucey và cộng sự (Aug.2010) , “The Extended Cohn-Kanade Dataset
(CK+): A complete dataset for action unitand emotion-specified expression”, in 2010
IEEE Computer Society Conference on Computer Vision and Pattern Recognition – Workshops, San Francisco, CA, USA.
[22] Bộ cơ sở dữ liệu LFW, http://vis-www.cs.umass.edu/lfw/ [Ngày truy cập 25/04/2020]
[23] Thư viện Dlib, http://dlib.net/ [Ngày truy cập 25/04/2020]
[24] Thư viện Opencv, http://opencv.org/ [Ngày truy cập 27/04/2020]
[25] Kaiming He, Xiangyu Zhang, Shaoqing Ren, (2015), “Deep Residual Learning