Nghiên cứu ứng dụng xử lý ảnh để nhận dạng người học

1 HỘI NGHỊ TỔNG KẾT HOẠT ĐỘNG SINH VIÊN NGHIÊN CỨU KHOA HỌC VÀ NHÓM SRT NĂM HỌC 2019-2020

NGHIÊN CỨU ỨNG DỤNG XỬ LÝ ẢNH ĐỂ NHẬN DẠNG NGƯỜI HỌC
STUDY ON IMAGE PROCESSING FOR STUDENTS IDENTIFICATION APPLICATION

SVTH: Nguyễn Duy Hà Sơn, Đặng Sỹ Phi Hùng, Vàng Minh Tuấn Anh Tài, Mai Ngọc Đức, Ngọ Văn Khán
Lớp 17KTDT1, Khoa Điện – Điện tử, Trường Đại học Sư phạm Kỹ thuật - Đại học Đà Nẵng

GVHD: ThS. Lê Hữu Duy
Khoa Điện – Điện tử, Trường Đại học Sư phạm Kỹ thuật - Đại học Đà Nẵng

Tóm tắt - Sự phát triển nhanh chóng của khoa học - cơng Abstract - The rapid development of science - technology,
nghệ, tự động hóa và thơng minh nhân tạo, cơng nghệ xử lý hình automation and artificial intelligent, image processing technology
ảnh đang tạo ra những bước nhảy vọt. Để tận dụng lợi thế của are making great leaps and bounds. In order to take an
các công nghệ phát triển này, trong bài báo này, chúng tôi đã sử advantage of these development technologies, in this paper we
dụng cơng nghệ xử lý hình ảnh để xây dựng ứng dụng nhận dạng used image processing technology to build face recognition
khn mặt bằng thuật tốn nhận diện khn mặt và trích xuất application using face detection algorithm and face feature
thuộc tính khn mặt để xây dựng ứng dụng điểm danh của sinh extraction for face verification to build student attendance
viên. Thông tin sinh viên được lưu vào cơ sở dữ liệu và hệ thống checking. Students information is saved to the database, and our
của chúng tôi được triển khai trên bộ Raspberry Pi 3B, với máy system is implemented on Raspberry Pi 3B kit, with C270 HD
ảnh C270 HD và ngơn ngữ lập trình Python camera and Python programming language.

Từ khóa - Xử lý ảnh, nhận diện khn mặt, Raspberry,… Key words - Image processing,face recognizer Raspberry, ...

1. Đặt vấn đề 3. Giới thiệu chung
3.1 Raspberry Pi
Công nghệ ngày càng hiện đại, xu hướng công nghệ
4.0 đang tồn cầu hóa và áp dụng trong đời sống khá là Raspberry Pi là cái máy tính giá 35usd kích cỡ như
phổ biến. Ví dụ như trong học đường, để đánh giá điểm iPhone và chạy HĐH Linux. Với mục tiêu chính của
chuyên cần tức là điểm danh học sinh – sinh viên phải bỏ chương trình là giảng dạy máy tính cho trẻ em. Được phát
ra vài phút đối với số học inh – sinh viên trong lớp học ít triển bởi Raspberry Pi Foundation – là tổ chức phi lợi

người và trung, nhưng đối với những lớp học đông người nhuận với tiêu chí xây dựng hệ thống mà nhiều người có
thì việc đánh giá chuyên cần xảy ra cả chục phút làm ảnh thể sử dụng được trong những công việc tùy biến khác
hưởng thời gian giảng dạy của giảng viên. Công nghệ Xử nhau.
lý ảnh để nhận diện khuôn mặt người sẽ giúp cải thiện về
vấn đề dó, tiết kiệm thời gian, kiểm tra sĩ số lớp học nhận Raspberry Pi sản xuất bởi 3 OEM: Sony, Qsida,
diện đối tượng chính xác tránh trường hợp thi hộ hoặc Egoman. Và được phân phối chính bởi Element14, RS
điểm danh hộ. Components và Egoman.

2. Tổng quan về đề tài Nhiệm vụ ban đầu của dự án Raspberry Pi là tạo ra
máy tính rẻ tiền có khả năng lập trình cho những sinh
Hệ thống nhận dạng mặt người bao gồm hai bước: viên, nhưng Pi đã được sự quan tâm từ nhiều đối tượng
phát hiện khuôn mặt và định danh tự động đối tượng. khác nhau . Đặc tính của Raspberry Pi xây dựng xoay
Cơng việc chính dựa vào các kỹ thuật rút trích đặc trưng quanh bộ xử lí SoC Broadcom BCM2835 ( là chip xử lí
từ ảnh đối tượng và thực hiện đối sánh để định danh tự mobile mạnh mẽ có kích thước nhỏ hay được dùng trong
động. Hiệu quả của hệ thống nhận dạng phụ thuộc vào các điện thoại di động ) bao gồm CPU , GPU , bộ xử lí âm
phương pháp sử dụng. thanh /video , và các tính năng khác … tất cả được tích
hợp bên trong chip có điện năng thấp này .
Các nghiên cứu trước đây để nhận diện được khuôn
mặt họ sử dụng: Tiếp cận dựa trên các đặc trưng như mắt, Raspberry Pi không thay thế hồn tồn hệ thống để
tai, màu tóc, độ dày môi để tự động nhận dạng. Dùng bàn hoặc máy xách tay . Bạn không thể chạy Windows
mạng nơron để dị tìm khn mặt trong ảnh. Sử dụng trên đó vì BCM2835 dựa trên cấu trúc ARM nên khơng
thuật tốn AdaBoost để dị tìm khn mặt kết hợp với hỗ trợ mã x86/x64 , nhưng vẫn có thể chạy bằng Linux
thuật tốn FSVM để tiến hành nhận dạng mặt người. Sử với các tiện ích như lướt web , mơi trường Desktop và các
dụng các đặc trưng SIFT để nhận dạng mặt người. Hay nhiệm vụ khác . Tuy nhiên Raspberry Pi là một thiết bị đa
hiện nay sử dụng deep learning, công nghệ AI để nhận năng đáng ngạc nhiên với nhiều phần cứng có giá thành rẻ
dạng khn mặt hay đối tượng trong ảnh, video. nhưng rất hoàn hảo cho những hệ thống điện tử , những
dự án DIY , thiết lập hệ thống tính tốn rẻ tiền cho những
Trong bài báo này, chúng tôi đề xuất sử dụng các đặc bài học trải nghiệm lập trình …
trưng Haar Like [1] với thuật tốn AdaBoost và mơ hình
phân tầng Cascade [7] để định vị khn mặt kết hợp với

thuật tốn LBPH[5] để trích những đặc trưng và nhận
dạng khuôn mặt.

Nguyễn Duy Hà Sơn, Đặng Sỹ Phi Hùng, Vàng Minh Tuấn Anh Tài, Mai Ngọc Đức, Ngọ Văn Khán 2

Với độ phân giải lên đến 3.0MP giúp người dùng có
thể chụp hình, quay video full HD 720P cho hình ảnh linh
động - chân thật đến 99%.

Logitech C270 có khả năng điều chỉnh hình ảnh ngay
cả khi bạn thực hiện cuộc gọi video trong bối cảnh mờ
hoặc ngược sáng, camera sẽ điều chỉnh thông minh để cho
hình ảnh tốt nhất có thể.

Hình 1. Raspberry Pi Webcam Logitech C270 full HD tương thích hoạt
động với Raspberry Pi, Androi TV Box, Skype™, Google
Hangouts™, Messenger, và các ứng dụng nhắn tin tức
thời phổ biến. Bên cạnh đó micro có tích hợp tính năng
giảm tiếng ồn mang đến cho bạn cuộc trò chuyện rõ ràng
khơng có tạp âm nền gây phiền nhiễu.

3.3 Ngơn ngữ lập trình Python

Python là một ngơn ngữ lập trình bậc cao cho các mục
đích lập trình đa năng, do Guido van Rossum tạo ra và lần
đầu ra mắt vào năm 1991. Python được thiết kế với ưu
điểm mạnh là dễ đọc, dễ học và dễ nhớ. Python là ngôn
ngữ có hình thức rất sáng sủa, cấu trúc rõ ràng, thuận tiện
cho người mới học lập trình. Cấu trúc của Python còn cho
phép người sử dụng viết mã lệnh với số lần gõ phím tối

thiểu. Vào tháng 7 năm 2018, Van Rossum đã từ chức
Leader trong cộng đồng ngôn ngữ Python sau 30 năm
lãnh đạo.

Hình 2. Sơ đồ cấu tạo Raspberry Pi Python hoàn toàn tạo kiểu động và dùng cơ chế cấp
phát bộ nhớ tự động; do vậy nó tương tự như Perl, Ruby,
Ưu điểm: Scheme, Smalltalk, và Tcl. Python được phát triển trong
một dự án mã mở, do tổ chức phi lợi nhuận Python
- Giá rẻ. Software Foundation quản lý.
- Nhỏ gọn.
- Siêu tiết kiệm điện. Ban đầu, Python được phát triển để chạy trên nền
- GPU mạnh. Unix. Nhưng rồi theo thời gian, Python dần mở rộng sang
- Phục vụ cho nhiều mục đích. mọi hệ điều hành từ MS-DOS đến Mac OS, OS/2,
- Khả năng hoạt động liên tục 24/7. Windows, Linux và các hệ điều hành khác thuộc họ Unix.
Mặc dù sự phát triển của Python có sự đóng góp của rất
Nhược điểm: nhiều cá nhân, nhưng Guido van Rossum hiện nay vẫn là
tác giả chủ yếu của Python. Ơng giữ vai trị chủ chốt
- CPU cấu hình thấp. trong việc quyết định hướng phát triển của Python.
- Lan 100.
- Khơng có tích hợp WiFi (có thể mua USB WiFi về 3.4 Phần mềm PHPmyadmin
gắn vô).
- Yêu cầu phải có kiến thức cơ bản về Linux, điện
tử.
3.2 WEDCAM C270

Webcam Logitech C270 full HD giúp người dùng có Hình 4. Hình ảnh phần mềm PHPmyadmin
thể trị chuyện trực tuyến với nhau thông qua các cuộc gọi
video trên mạng. Đây là chiếc webcam tuyệt vời dành cho
bạn khi chat online hay gọi video facebook.

Phpmyadmin là một phần mềm có mã nguồn mở được
viết bằng ngôn ngữ lập trình PHP. Người sử dụng phần
mềm này thường là nhà quản trị các cơ sở dữ liệu, các
database administrator. Nhờ vào việc sử dụng phần mềm
này, người dùng có thể quản lý các dữ liệu MySQL thông
qua giao diện web thay vì sử dụng giao diện cửa sổ dòng
lệnh truyền thống.

Hình 3. Thiết bị ghi hình/Webcam Logitech C270 Cài đặt Phpmyadmin trên Windows, Ubuntu, Mac
giúp cho người dùng dễ dàng thực hiện được nhiều tác vụ

3 HỘI NGHỊ TỔNG KẾT HOẠT ĐỘNG SINH VIÊN NGHIÊN CỨU KHOA HỌC VÀ NHÓM SRT NĂM HỌC 2019-2020

khác nhau như cập nhật, tạo mới, sửa đổi hoặc xóa bỏ cơ Ảnh đã xử lý
sở dữ liệu, bản ghi hoặc bảng, thực hiện các báo cáo SQL,
phân quyền và quản lý người dùng,...

Những đặc tính nổi bật của Phpmyadmin: Trích chọn
đặc trưng
- Tăng hiệu quả quản lý.
- Giao diện web thân thiện. Vectơ đặc trưng
- Chế độ xem trước (Design View).

Ưu điểm:

- Hiệu quả về quản lý cơ sở dữ liệu. Phát hiện đối
- Tài nguyên lớn. tượng
- Đa ngôn ngữ.
Vị trí đối tượng
Nhược điểm:

- Bảo mật Phpmyadmin. Phân lớp đối tượng
- Sao lưu dữ liệu.

4. Định nghĩa bài toán nhận dạng đối tượng

Nhận dạng đối tượng (Object recognition) lĩnh vực Nhận dạng
thuộc “machine learning” nghiên cứu việc tìm một đối
tượng trong một ảnh hay video cho trước, đó là việc phát Hình 6: Các bước hệ thống nhận dạng mặt người
hiện đối tượng cụ thể với các lớp đối tượng khác của hệ 6. Hệ thống nhận diện và điểm danh người học
thống.

Một hệ thống điểm danh bằng khuôn mặt bao gồm 2
modul chính:

- Modul thêm đối tượng: là dữ liệu khuôn mặt và
thông tin các bạn học vào cơ sở dữ liệu .

Hệ thống - Modul nhận diện đối tượng: nhận diện bạn học và
nhận dạng mặt lưu thông tin vào cơ sở dữ liệu.

người Modul thêm đối tượng thực hiện các bước: thu ảnh
của các đối tượng trong hệ thống từ camera (webcam),
định vị tự động khuôn mặt, lưu ảnh khuôn mặt của các đối
tượng vào cơ sở dữ liệu, rút trích đặc trưng từ ảnh khuôn
mặt các đối tượng và huấn luyện mơ hình nhận dạng các
đối tượng trong hệ thống.

Hình 5. Minh họa về nhận dạng mặt người Modul nhận diện đối tượng thực hiện thu ảnh từ
camera, định vị khn mặt, rút trích đặc trưng từ ảnh

Sự phát triển khoa học công nghệ đã thúc đẩy chi việc khuôn mặt và sử dụng hệ thống nhận dạng (được huấn
đưa bài toán nhận dạng đối tượng vào thực tiễn với mức luyện bởi module thêm đối tượng) để nhận diện và lưu
độ tinh vi ngày càng cao, ta có thể thấy rất nhiều ứng thông tin đối tượng đối tượng.
dụng trong nhận dạng đối tượng phổ biến hiện nay như:
các camera theo dỏi các trung tâm lớn, hệ thống nhận
dạng tội phạm, nhận dạng vân tay, cơng nghệ robot,… Vì
vậy, nhận dạng đối tượng là một lĩnh vực đang rất được
quan tâm và có tính ứng dụng cao.

5. Tổng quan kiến trúc một hệ thống nhận dạng đối
tượng

Một hệ thống nhận dạng đối tượng thông thường xử lý
bốn bước sau:

- Thu nhận tín hiệu (hình ảnh) và tiền xử lý.

- Tríc chọn đặc trưng.

- Phát hiện đối tượng(detection).

- Phân lớp đối tượng(classification).

Ảnh, video Xử lý dữ Ảnh từ camera Ảnh từ camera
liệu

Nguyễn Duy Hà Sơn, Đặng Sỹ Phi Hùng, Vàng Minh Tuấn Anh Tài, Mai Ngọc Đức, Ngọ Văn Khán 4

a) Đặc trưng cạnh (edge feature)

Định vị khuôn Định vị khuôn
mặt mặt

b) Đặc trương đường (line feature)

CSDL ảnh Rút trích đặc
trưng

Rút trích đặc Hệ thống c) Đặc trưng tâm (center-surround features)
trưng và huấn nhận dạng
luyện mơ hình Hình 9. Các đặc trưng Haar-like
Nhận diện và
nhận dạng điểm danh Phương pháp định vị khuôn mặt bằng cách di chuyển
cửa sổ trượt trên ảnh (từ trái sang phải, từ trên xuống
Hình 7. Sơ đồ Module thêm và nhận nhận diện đối tượng dưới), rút trích đặc trưng Haar-like của vùng ứng viên
(cửa sổ đang xét), đưa vào mơ hình phân lớp Adaboost
Chúng ta có thể thấy rằng 2 modul chính của hệ thống theo thứ tự từ tầng 1 đến tầng thứ N của mơ hình phân
cần thực hiện 3 thao tác quan trọng: định vị tự động tầng CBC, nếu ở tầng thứ N mơ hình h¬N phân lớp vùng
khn mặt trong ảnh thu được từ camera, rút trích đặc ứng viên không phải là khuôn mặt người thì cửa sổ trượt
trưng, huấn luyện mơ hình nhận dạng đối tượng trong hệ tiếp tục đến vị trí tiếp theo trên ảnh, nếu vùng ứng viên
thống. được mơ hình ht ở tầng thứ t phân lớp là khuôn mặt người
thì vùng ứng viên tiếp tục chuyển đến tầng thứ t+1 để xét
Hệ thống đề xuất thực hiện: vùng ứng viên có phải mặt người hay khơng, q trình
tiếp tục cho đến khi tầng N mơ hình hN phân lớp là khn
- Định vị tự động nhanh, chính xác khuôn mặt trong mặt người thì vùng ứng viên được xác định là khn mặt
ảnh thu được từ camera bằng mơ hình phân tầng người.
CBC(Cascade of Boosted Classifiers)[7] sử dụng đặc
trưng Haar-like B. Sử dụng LBPH để nhận diện đối tượng:

- Để rút trích đặc trưng dùng LBPH[5] để nhận diện LBPH là một toán tử kết cấu đơn giản nhưng rất hiệu

ảnh đối tượng thu được từ camera, webcam. quả, gắn nhãn các pixel của hình ảnh bằng cách chia vùng
lân cận của mỗi pixel và đưa ra kết quả là số nhị phân. Do
A. Định vị khuôn mặt dùng mơ hình phân tầng sức mạnh phân biệt và tính đơn giản tính tốn của nó,
CBC(Cascade of Boosted Classifiers) sử dụng đặc trưng toán tử kết cấu LBP đã trở thành một phương pháp phổ
Haar-like: biến trong các ứng dụng khác nhau. Nó có thể được coi là
một cách tiếp cận thống nhất cho các mơ hình thống kê và
Cửa T Tầng 1 T Tầng N T Khuôn cấu trúc phân tích truyền thống khác nhau. Có lẽ tính chất
hN mặt quan trọng nhất của toán tử LBP trong các ứng dụng trong
thế giới thực là sự mạnh mẽ của nó đối với các thay đổi
quy mô màu xám đơn điệu gây ra, ví dụ, bởi các biến thể
chiếu sáng. Một tính chất quan trọng khác là tính đơn giản
tính tốn của nó, giúp phân tích hình ảnh trong các cài đặt
thời gian thực đầy thách thức

sổ h1

trượt

F F

Cửa sổ trượt không phải khuôn mặt Hình 10: Mô tả biểu thức khuôn mặt với các mã nhị phân
Hình 8: Định vị khn mặt ảnh
a) Tham số: LBPH sử dụng 4 tham số
• Bán kính(Radius) : bán kính được sử dụng để xây
dựng mơ hình nhị phân cục bộ trịn và biểu thị bán kính
xung quanh pixel trung tâm. Nó thường được đặt thành 1.
• Neighbors: số lượng điểm mẫu để xây dựng mô

5 HỘI NGHỊ TỔNG KẾT HOẠT ĐỘNG SINH VIÊN NGHIÊN CỨU KHOA HỌC VÀ NHĨM SRT NĂM HỌC 2019-2020

hình nhị phân cục bộ tròn. Hãy ghi nhớ: bạn bao gồm √n
càng nhiều điểm mẫu, chi phí tính tốn càng cao. Nó
thường được đặt thành 8. D = ∑ ( hist 1¿¿ i−hist 2i)2 ¿
i=1
• Lưới X, Lưới Y : số lượng ơ theo hướng ngang và
dọc. Càng nhiều ô, lưới càng mịn, thì chiều của vectơ đặc 7. Sơ đồ thuật toán và hệ thống nhận dạng
trưng kết quả càng cao. 7.1. Sơ đồ khối

b) Đào tạo thuật toán Camera Cơ sở dữ Khối hiển
liệu thị
Trước tiên, chúng ta cần đào tạo thuật toán. Để làm
như vậy, chúng ta cần sử dụng một bộ dữ liệu với hình Khối điều
ảnh khuôn mặt của những người mà chúng ta muốn nhận khiển trung
ra. Chúng ta cũng cần đặt ID (có thể là số hoặc tên của
người đó) cho mỗi hình ảnh, vì vậy thuật tốn sẽ sử dụng tâm
thông tin này để nhận dạng hình ảnh đầu vào và cung cấp
cho bạn đầu ra. Hình ảnh của cùng một người phải có
cùng ID. Với tập huấn luyện đã được xây dựng, hãy xem
các bước tính tốn LBPH.

c) Áp dụng thao tác LBPH

Bước tính tốn đầu tiên của LBPH là tạo ra một hình Nguồn
ảnh trung gian mơ tả hình ảnh gốc theo cách tốt hơn, bằng
cách làm nổi bật các đặc điểm khuôn mặt. Để làm như Hình 13: Sơ đồ khối
vậy, thuật toán sử dụng khái niệm cửa sổ trượt, dựa trên 7.2. Hệ thống nhận dạng
bán kính tham số và các lân cận (Neighbors) .

Haar like - CBC

Hình 11: Mơ tả về thuật toán LBPH Ảnh đối Phát hiện
tượng khuôn mặt
d) Trích xuất biểu đồ
Bây giờ, bằng cách sử dụng hình ảnh được tạo ở bước Web
cuối cùng, chúng ta có thể sử dụng các tham số Grid X và data
Grid Y để chia hình ảnh thành nhiều lưới, như có thể thấy
trong hình ảnh sau: Trích đặc
trưng LBPH

Hình 12: Phân tích ảnh thành biểu đồ nhị phân Xác Nhận
minh diện
e) Thực hiện nhận dạng khuôn mặt danh khuôn
tính mặt
Trong bước này, thuật toán đã được đào tạo. Mỗi biểu
đồ được tạo ra được sử dụng để thể hiện mỗi hình ảnh từ So sánh dữ
tập dữ liệu đào tạo. Vì vậy, được cung cấp một hình ảnh liệu HL
đầu vào, chúng tôi thực hiện lại các bước cho hình ảnh
mới này và tạo ra một biểu đồ đại diện cho hình ảnh. Hình 14: Hệ thống nhận dạng khuôn mặt
8. Kết quả thực nghiệm
- Vì vậy, để tìm hình ảnh phù hợp với hình ảnh đầu vào,
chúng ta chỉ cần so sánh hai biểu đồ và trả lại hình ảnh Trong phần này, chúng tôi tiến hành đánh giá hiệu
với biểu đồ gần nhất. năng của hệ thống nhận dạng mặt người như đã đề xuất
(sử dụng thuật toán Haar Like Feature – Cascade of
- Chúng ta có thể sử dụng các cách tiếp cận khác nhau Boosted Classifiers và các đặc trưng LBPH). Hệ thống
để so sánh biểu đồ (tính khoảng cách giữa hai biểu đồ) nhận dạng này được cài đặt bằng ngơn ngữ lập trình
theo cơng thức sau: Python sử dụng Bước phát hiện mặt người thu được từ

Nguyễn Duy Hà Sơn, Đặng Sỹ Phi Hùng, Vàng Minh Tuấn Anh Tài, Mai Ngọc Đức, Ngọ Văn Khán 6

camera (webcam) sẽ được thực hiện thông qua việc huấn được lưu bằng 20. Độ chính xác khoảng 94,7% do ảnh

luyện mơ hình phân tầng với mỗi tầng là một mơ hình hưởng bởi môi trường, sai số thông số kỹ thuật phần
AdaBoost sử dụng bộ phân lớp yếu là cây quyết định với cứng.
các đặc trưng Haar-Like (hỗ trợ bởi
opencv_createsamples và opencv_haartraining của Chức năng của hệ thống bao gồm: Nhận dạng và xác
OpenCV) trên tập ảnh (mặt người và không phải mặt minh đối tượng thu nhận ảnh từ camera, các đối tượng
người). Thư viện mã nguồn mở OpenCV của Intel nhận diện được là những đối tượng đã lưu và huấn luyện
(Bradski & Kaehler, 2012; Laganière, 2011), trên một cơ sở dữ liệu ban đầu. Khi xác minh được đối tượng, hệ
máy tính cá nhân chạy hệ điều hành Linux với bản phân thống sẽ lưu thông tin của đối tượng lên cơ sở dữ liệu để
phối Ubuntu. giáo viên có thể dễ dàng quản lý. Thêm và xóa đối tượng
trong cơ sở dữ liệu.

Kết quả đạt được: Tuy nhiên còn tồn tại một số hạn chế: Hệ thống chỉ
hoạt động ổn định trên các hệ điều hành, máy tính, thiết bị
có cấu hình tốt. Chương trình điểm danh, lưu thông tin
đối tượng chưa được tối ưu. Hệ thống hoạt động tốt khi
đáp ứng đủ điều kiện về môi trường và lưu mẫu đối
tượng. Có khả năng bị đánh lừa công nghệ nhận dạng:
dùng ảnh hay video để thay thế nhận dạng.

9. Kết luận và hướng phát triển

Hình 15: Giao diện nhận dạng Trong bài báo này, chúng tơi trình bày việc ứng dụng
xử lý ảnh để nhận dạng và điểm danh người học (sử dụng
thuật toán Haar Like Feature – Cascade of Boosted
Classifiers và các đặc trưng LBPH) định vị khuôn mặt,
huấn luyện dữ liệu và nhận dạng đối tượng. Hệ thống làm
việc ổn định và đáp ứng được mục tiêu đề ra.

Trong tương lai tiếp tục thực nghiệm trên tập dữ liệu
lớn hơn, xây dựng các thuật toán để tăng độ chính xác sau

đó sẽ xây dựng mơ hình hồn thiện, đưa vào thị trường,
các trường học, cơ quan và sẽ ứng dụng vào nhiều ngành
nghề lĩnh vực khác nhau liên quan đến công nghệ nhận
diện khn mặt.

Hình 16: Hiển thị thông tin khuôn mặt nhận diện Tài liệu tham khảo

[1] a/p/haar-cascade-la-gi-luan-ve-mot-ky-thuat-
chuyen-dung-de-nhan-biet-cac-khuon-mat-trong-anh-
E375zamdlGW

[2] /> [3] /> [4] />
te/
[5] />
90ec258c3d6b
[6] /> [7] Paul Viola, Michael Jones, “Rapid Object Detection using a

Boosted Cascade of Simple Features”, accepted conference on
computer vision and pattern recognition, năm 2001, tr.1-7
[8] Phạm Hồng Ngự, Nhận dạng đối tượng sử dụng thuật toán
ADABOOST, Trường Đại Học Khoa Học Huế, năm 2009, tr.37-62.

Hệ thống hoạt động ổn định với số lượng đối tượng

Hình 17. Hiển thị thơng tin đối tượng tại cơ sở dữ liệu