Trước khi tiến hành training thì chúng ta cần có bộ dữ liệu ảnh chụp khuôn mặt các đối tượng. Dữ liệu có thể được lấy ngẫu nhiên từ các ảnh có chứa đối tượng. Tuy nhiên phương pháp này khuôn mặt của đối tượng cần nhận diện có thể sẽ không được rõ nét, bị nhỏ, bị mờ, bị che khuất,... Vì vậy nhóm đã tiến hành chụp trực tiếp khuôn mặt đối tượng bằng một chương trình khác. Đối tượng cần nhận diện sẽ được chụp ảnh liên tục và được yêu cầu thay đổi góc độ khuôn mặt để thu được bộ dữ liệu đa dạng hơn.
26
Mỗi đối tượng nhận diện sẽ cần khoảng 100 ảnh chụp các góc độ, độ chiếu sáng khác nhau.
Ở phương pháp này, đối tượng nhận diện là những bạn sinh viên khác. Do tình hình dịch bệnh nên nhóm sinh viên chỉ có thể thu thập dữ liệu từ 20 đối tượng khác nhau.
Hình 22: Dữ liệu training sử dụng thuật toán SVM
27
Ảnh chụp của mỗi đối tượng sẽ được lưu riêng ở một folder để tiếp tục bước training tiếp theo.
Thuật toán SVM được ứng dụng trong bài toán này sẽ phân loại n lớp đối tượng (n- số người cần nhận diện). Chúng ta coi tập hợp ảnh chụp của mỗi người sẽ là tập hợp những điểm thuộc cùng một lớp. Mỗi một khuôn mặt sẽ có những đặc trưng riêng, thuật toán SVM sẽ dựa vào những đặc trưng này để tìm ra sự khác nhau lớn nhất giữa các đối tượng làm tiền đề phân loại. Hay nói cách khác, thuật toán SVM sẽ dựa vào những đặc trưng khuôn mặt để tìm ra đường hyper-plane tối ưu nhất phân loại các đối tượng với nhau.
Thư viện Open CV hỗ trợ thuật toán SVM bằng các gọi một hàm định sẵn. Hàm nhân (Kernel functions) được sử dụng để tính toán là “linear”. Hệ số C sẽ được thử nghiệm nhiều lần để tìm ra giá trị tối ưu nhất.
Quá trình training kết thúc sau khoảng 10 phút trả về hệ số C tối ưu nhất và độ chính xác cao nhất của quá trình phân loại với cấu hình máy tính như sau:
Kết quả trả về: