Ứng dụng thuật toán nhận dạng khuôn mặt phục vụ công việc điểm danh lớp học ở trường THPT Đồng Hới

ĐẠI HỌC ĐÀ NẴNG
TRƯỜNG ĐẠI HỌC BÁCH KHOA

BÙI HỮU ĐỨC

ỨNG DỤNG THUẬT TOÁN NHẬN DẠNG
KHUÔN MẶT PHỤC VỤ CÔNG VIỆC
ĐIỂM DANH LỚP HỌC Ở TRƯỜNG
THPT ĐỒNG HỚI

Chuyên ngành: Khoa học máy tính
Mã số: 8480101

TÓM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT

Đà Nẵng - Năm 2018


Công trình được hoàn thành tại
TRƯỜNG ĐẠI HỌC BÁCH KHOA

Người hướng dẫn khoa học: TS. TRẦN THẾ VŨ

Phản biện 1: TS. HUỲNH HỮU HƯNG

Phản biện 2: TS. HOÀNG VĂN DŨNG

Luận văn được bảo vệ trước Hội đồng chấm Luận văn tốt
nghiệp thạc sĩ Khoa học máy tính tại Trường Đại học Quảng Bình
vào ngày 05 tháng 01 năm 2019

Có thể tìm hiểu luận văn tại:
- Trung tâm Học liệu và Truyền thông Trường Đại học Bách khoa
Đại học Đà Nẵng tại
- Thư viện Khoa Công nghệ thông tin, Trường Đại học Bách khoa
Đại học Đà Nẵng


1

MỞ ĐẦU
1. Lý do chọn đề tài
Hiện nay, trong công tác quản lý tại các trường THPT, ngoài
việc dành thời gian cho việc giảng dạy những giáo viên còn kiêm
nhiệm nhiều công việc khác như chủ nhiệm lớp. Với khoảng thời
gian đó, việc kiểm soát sự tham gia lớp học của các học sinh là một
điều khó khăn.
Một trong những yếu tố quyết định trong việc nâng cao chất
lượng giáo dục là học sinh tham gia các lớp học thường xuyên. Theo
phương pháp quản lý truyền thống, giáo viên sử dụng sổ điểm danh
để theo dõi tính chuyên cần của học sinh trước mỗi tiết dạy. Việc này
lãng phí một khoảng thời gian đáng kể. Hơn nữa, nó có thể trở nên
phức tạp hơn nhiều nếu giáo viên phải quản lí với các lớp có quá
nhiều học sinh.
Tham gia lớp học một cách thường xuyên là một việc rất quan
trọng và bắt buộc trong tất cả lớp học nói riêng và nhà trường nói
chung đề kiểm tra tính chuyên cần của mỗi học sinh. Mỗi giáo viên
đều có phương pháp riêng trong lĩnh vực này. Một số giáo viên đang
sử dụng phương pháp thủ công bằng cách sử dụng sổ điểm danh
hoặc sử dụng các phần mềm máy tính khác. Tuy nhiên, việc sử dụng
công nghệ trong công việc này còn rất hạn chế và khá mới mẻ.

Hiện nay, có một số phương pháp tự động có thể sử dụng
được: Ví dụ phân tích dấu vân tay hay nhận dạng sinh trắc học thông
qua nhận diện tròng mắt[18]. Tuy nhiên các phương pháp này gây
lãng phí thời gian bởi vì học sinh phải xếp hàng để thực hiện thao tác
trên thiết bị quét. Khi nói đến trường học, hệ thống theo dõi giám sát
là một sự trợ giúp tuyệt vời cho giáo viên và phụ huynh học sinh.
Phụ huynh không bao giờ thiếu thông tin của con mình trong lớp nếu
trường học đang sử dụng một hệ thống theo dõi chuyên môn. Với hệ
thống quản lý và giám sát trực tiếp, thông tin có thể dễ dàng in ra
hoặc một bản mềm và được lưu trữ trên hệ thống một cách chính xác
và an toàn.
Để giảm bớt áp lực công việc và thời gian cho giáo viên trong
công tác quản lý học sinh, chúng tôi chọn đề tài “Ứng dụng thuật


2

toán nhận dạng khuôn mặt phục vụ công việc điểm danh lớp học ở
trường THPT Đồng Hới”
2. Mục đích và ý nghĩa của đề tài
- Mục đích
Nghiên cứu lý thuyết, xây dựng một chương trình thực nghiệm
mô phỏng để nhận dạng khuôn mặt và kiểm tra được số học sinh
tham gia lớp học. Điều này sẽ giúp nhà trường quản lý tính chuyên
cần của học sinh, tiết kiệm được vật chất, thời gian của giáo viên.
- Ý nghĩa khoa học và thực tiễn đề tài
Về khoa học:
Tìm hiểu, nghiên cứu các tài liệu đã được công bố về xử lý
ảnh; các thành phần trong hệ thống xử lý ảnh; Một số phép biến đổi
hình ảnh; Một số kỹ thuật nhận dạng mặt người…

Áp dụng kiến thức tìm hiểu được để thực hiện thiết kế chương
trình nhận diện khuôn mặt và danh tính học sinh trong lớp học phục
vụ cho bài toán điểm danh lớp học.
Về thực tiễn:
Mô phỏng thành công phương pháp nhận dạng hình ảnh để
ứng dụng vào việc quản lý học sinh ở nhà trường.
3. Các nghiên cứu liên quan đến đề tài
3.1. Các nghiên cứu trong nước
3.2. Các nghiên cứu ngoài nước
4. Mục tiêu, nhiệm vụ nghiên cứu
4.1. Mục tiêu nghiên cứu
Trong đề tài này, tôi sẽ trình bày các bước cơ bản để phân tích
nhận dạng hình ảnh mà cụ thể ở đây là nhận dạng khuôn mặt trên cơ
sở lý thuyết. Sau đó, đi sau nghiên cứu để có thể nhận dạng và điểm
danh một lớp học thông qua video, ảnh. Kết quả và hướng phát triển
của đề tài là một chương trình đơn giản kiểm tra tính chuyên cần của
học sinh tham gia lớp học


3

4.2. Nhiệm vụ nghiên cứu
Để hoàn thành những mục tiêu đã đặt ra, nhiệm vụ của đề
tài là:
+ Về lý thuyết
- Tìm hiểu lý thuyết về xử lý ảnh, kỹ thuật nhận dạng hình
ảnh, nhận dạng khuôn mặt, các thuật toán cơ bản về nhận dạng
khuôn mặt và định danh.
- Nghiên cứu xử lý hình ảnh và các thư viện hỗ trợ để có thể
thực hiện demo việc nhận dạng khuôn mặt và định danh.

+ Về thực tiễn
- Tạo cở sở dữ liệu ảnh nguồn từ thực tế bằng cách chụp hình
các học sinh ở trường THPT Đồng Hới để làm bộ dữ liệu cho việc
nhận dạng khuôn mặt;
- Ứng dụng các thư viện mã nguồn viết chương trình đơn giản
với đầu vào là ảnh chụp hoặc video học sinh tham gia lớp học, kết
quả là nhận dạng danh tính học sinh trong ngày học đó.
5. Phạm vi của đề tài
Nghiên cứu về các phương pháp đã được đề xuất để nhận dạng
hình ảnh, đặc biệt là nhận dạng khuôn mặt trên thế giới theo những
bài báo và nghiên cứu khoa học.
Nghiên cứu, khảo sát tình hình áp dụng công nghệ của trường
THPT trong công tác quản lý học sinh.
6. Phương pháp nghiên cứu
Phương pháp nghiên cứu lý thuyết
Nghiên cứu cơ sở lý thuyết về trí tuệ nhân tạo và các kỹ thuật
nhận dạng và xử lý ảnh
Đọc, nghiên cứu, phân tích, tổng hợp từ những tài liệu, bài báo
và những nghiên cứu khoa học liên quan đã được công bố ở Việt
Nam và trên thế giới.
Phân tích đánh giá hệ thống nhận dạng, phát hiện mặt người,
nhận dạng định danh tính, sử dụng kỹ thuật trích xuất, biểu diễn đặc
trưng và các mô hình nhận dạng để nhận dạng phát hiện ra danh tính
người.


4

Phương pháp nghiên cứu thực nghiệm
Cài đặt, thực nghiệm giải pháp kỹ thuật biểu diễn đặc trưng,

máy phân trí tuệ nhân tạo trong phân tích, biểu diễn dữ liệu và phân
loại nhận dạng khuôn mặt.
Đánh giá tính hiệu quả của giải pháp ứng dụng kỹ thuật trí tuệ
nhân tạo với các cách tiếp cận khác về nhận dạng mặt người, nhận
xét đánh giá về giải pháp tìm hiểu và đề xuất ứng dụng.
Cài đặt thử nghiệm và đánh giá các cải tiến thuật toán nhận
dạng mặt người bằng kỹ thuật HOG, SVM,….


5

CHƯƠNG 1.

TỔNG QUAN VỀ XỬ LÝ ẢNH

1.1. Cơ bản về xử lý ảnh
1.1.1. Tổng quan về xử lý ảnh
1.1.2. Các thành phần trong hệ thống xử lý ảnh
Thu nhận
hình ảnh

Tiền
xử lý

Trích
chọn
đặc trưng

Phân loại,
nhận dạng

mẫu

Ra
quyết định

Biểu diễn
tri thức

nh 1.1. Sơ đồ tổng quát hệ thống xử lý ảnh
1.1.3. Một số phép biến đổi ảnh
Biến đổi ảnh là việc áp dụng phương pháp nào đó để biến đổi ảnh
đầu vào I và thu được kết quả đầu ra I' theo mong muốn.

I
ảnh đầu
vào

f(I)
biến đổi ảnh

I'
ảnh đầu ra

(a)

Hough
transfor
m
(b)
nh 1.2. Biến đổi ảnh (a) sơ đồ tổng quát (b) biến đổi ảnh

bằng Hough


6

1.1.3.1. Lược đồ ảnh

nh 1.3. Lược đồ ảnh đa mức xám
1.1.3.2. Điều chỉnh mức sáng

(a)

(b)

nh 1.4. Điều chỉnh độ sáng của ảnh màu HSV
1.1.3.3. Điều chỉnh độ tương phản
1.1.3.4. Cân bằng lược đồ ảnh

(a)

(b)

nh 1.5. Cân bằng lược đồ: (a) ảnh gốc, (b) ảnh sau cân bằng.


7

1.2. Một số phương pháp tiền xử lý ảnh
1.2.1. Phép tích chập
m /2

k ( x, y)

n /2

f ( x, y)

k (u, v) f ( x u, y v)
u

m /2 v

a) Ảnh grayscale

n /2

b) Ảnh được làm mờ
bằng tích chập

nh 1.6. Lọc ảnh bằng kỹ thuật tích chập
1.2.2. Kỹ thuật lọc ảnh thông dụng
1.2.2.1. Lọc trung bình
1.2.2.2. Lọc Sobel
1.2.2.3. Lọc trung vị
1.2.2.4. Lọc Gaussian

nh 1.7. Lọc Gaussian
1.2.3. Biến đổi hình thái học
1.2.3.1. Tổng quan về hình thái học
S(i,j) [0, 1]

8

nh 1.8. Ví dụ các phần tử cấu trúc đơn giản
1.2.3.2. Các phép co – giãn ảnh

A ! B {z

E | Bz

A}

nh 1.9. Làm mỏng vùng bằng phép toán co ảnh
+ Phép giãn ảnh

A

B

B

A

Ba
a A

Ab
b B

nh 1.10. Làm đậm vùng bằng phép toán giãn ảnh.
1.2.3.3. Phép mở ảnh

A B ( A ! B)

B

1.2.3.4. Phép đóng ảnh

A• B (A

B) ! B


9

1.3. Phương pháp phát hiện biên
1.3.1. Tổng quan về xử lý biên
1.3.2. Một số phương pháp phát hiện biên
1.3.2.1. Trích chọn biên bằng phương pháp Sobel

1 0 1
2 0 2 và Py
1 0 1

Px

(a)

1 2 1

0 0 0
-1 -2 -1

(b)

1.11. Trích chọn cạnh bằ g p ươ g p áp Sobel:
(a) ảnh gốc (b) kết quả
1.3.2.2. Trích chọn biên bằng phương pháp Prewitt

1 0 1
1 0 1 và Py
1 0 1

Px

1 1 1
0 0 0
-1 -1 -1

nh 1.12. Trích chọn cạnh bằng phương pháp Prewitt
1.3.2.3. Trích chọn biên bằng phương pháp Canny
H ij

1
2

2

exp

(i (k 1))2 ( j (k 1)) 2
2 2

where 1 i, j (2k 1)


10

nh 1.13. Kết quả trích xuất cạnh dùng thuật toán Canny
1.4. Phương pháp phân vùng ảnh
1.4.1. Tổng quan về phân vùng ảnh
1.4.2. Phân vùng dựa vào ngưỡng
1.4.2.1. Phân ngưỡng thủ công

F (i, j )

1 for I (i, j ) Th
0 otherwise

nh 1.14. Kết quả phân ngưỡng với giá trị ngưỡng Th=80
1.4.2.2. Phân đoạn ngưỡng tự động

nh 1.15. Xác đị

gưỡ g p â đoạn bằ g lược đồ ảnh

1.4.3. Phân vùng bằng kỹ thuật Otsu

nh 1.16. Phân đoạn ảnh bằng Otsu

11

1.4.4. Phân vùng bằng kỹ thuật k-means
10
9

9
8
7
6
5
4
3
2
1
0
0

9
8
7
6
5
4
3
2
1
0
0 1 2 3 4 5 6 7 8 9 0

8
7
6
5
4

2 3 4 5 6 7 8 9 1

Gán
mỗi
đối
tượng
vào

K=2
Chọn k đối
tượng trung tâm
tùy ý

3
2
1
0
0

1

2

3

4

5

6

7

8

9

10

Gán lại các đối

Cập
nhật lại
trọng
tâmGán lại các đối
tượng
10

10

9

9

8

8

7

7

6

6
5

5
4
3
2
1
0
0

1

2

3

4

5

6

7

8

9

10

Cập
nhật
lại
trọng

4
3
2
1
0
0

1

2

3

4

5

6

7

8

9

10

nh 1.17. Minh họa phân cụm bằng k-means

nh 1.18. Phân đoạn ảnh bằng k-means


12

CHƯƠNG 2.

MỘT SỐ KỸ THUẬT NHẬN DẠNG
MẶT NGƯỜI

2.1. Trích xuất và biểu diễn đặc trưng ảnh
Đặc trưng ảnh là các thuộc tính được trích rút ra từ ảnh dựa
trên phân phối cấu trúc hình ảnh, đối tượng có trong ảnh, từ đó tổng
hợp các dữ liệu riêng lẻ để xác định thông tin có thể đo lường được
khi quan sát, phân tích một tình huống nào đó từ dữ liệu hình ảnh.

Phương pháp trích chọn và biểu diễn đặc trưng để thể hiện một cách
riêng biệt và độc lập là yêu cầu căn bản, quan trọng và quyết định
mức độ thành công của phương pháp phân loại, nhận dạng mẫu.
2.2. Đặc trưng Haar-like và ứng dụng trong phát hiện mặt
người
2.2.1. Mô tả đặc trưng

f ( x)

aar

I (i, j )
(i , j ) white regions

I (i, j )
( i , j ) black regions

(a)

(b)
nh 2.1. Các mẫu đặc trưng cơ bản của Haar:
(a) các khối và phân phối của nó theo đề xuất của Viola, (b)
ứng dụng trong nhận dạng mặt người.


13

2.2.2. Trích xuất đặc trưng

aar

y x y j

CS ( x, y)

I (i, j )
j 1

i 1

Để kế thừa những phần tử đã được tính trước đó, ta có thể viết lại
công thức tính tổng tích lũy:
CS ( x, y) CS ( x, y 1) CS ( x 1, y) CS ( x 1, y 1) I ( x, y)

A

B

D

C

nh 2.2. Tính nhanh tổng giá trị pixel trong vùng chữ nhật bất
kỳ.

Sum( ABCD)

CS (C ) CS ( B) CS ( D) CS ( A)

2.3. Bộ mô tả đặc trưng HOG trong nhận dạng người

2.3.1. Mô tả đặc trưng

OG

2.3.2. Quá tr nh trích rút đặc trưng
Mẫu
ảnh vào

Tiền
xử lý

Tính
gradient

Chia hướng,
nhóm theo
cell

OG

Tính đặc trưng
và chuẩn hóa
theo block

nh 2.3. Quá trình trích xuất đặc trưng
Quá trình trích rút đặc trưng HOG như sau:

Trích xuất đặc
trưng trên toàn
mẫu ảnh

OG

- Bước 1: Tiền xử lý thực hiện chuẩn hóa màu, lọc nhiễu, chuyển
ảnh màu qua ảnh đa mức xám,...
- Bước 2: Tính gradient ảnh trên tất cả các pixel của ảnh.


14
Gy

G

θ

Gx

nh 2.4. Tính hướng và độ lớn gradient

(a)

(b)

(c)
nh 2.5. Tính gradient ảnh: (a) ảnh đa mức xám, (b) giá trị
gradient theo các chiều X và Y, (c) hướng và độ lớn gradient
- Bước 3: Chia hướng theo các bin của lược đồ hướng gradient:

nh 2.6. Chia hướng theo các bin của lược đồ hướng gradient
- Bước 4: Tính và chuẩn hóa vector đặc trưng cho từng block:

15

- Bước 5: Tính vector đặc trưng cho toàn bộ mẫu ảnh.
Mẫu ảnh vào

Tiền xử lý

Tính gradients

Chia hướng và nhóm theo
hướng gradient trên các cells

Tính đặc trưng và chuẩn
hóa theo block

Trích xuất đặc trưng trên toàn
mẫu ảnh

nh 2.7. Sơ đồ tổng quan về trích rút đặc trưng OG.
Công thức tổng quát tính số phần tử của vector đặc trưng HOG:

nHOG

bs2nb (wcell bs

)(hcell b s

)

Trong đó: nb là số bin trong mỗi cell;

bs là kích thước block (tính theo cell);
là khoảng trượt giữa các block (tính theo cell);

wcell là chiều rộng mẫu (tính theo cell);

hcell là chiều cao mẫu (tính theo cell);
Một số ví dụ về biểu diễn đặc trưng HOG trong bài toán nhận
dạng mặt người như sau:


16

(a) Mẫu ảnh AT&T

(b) Mẫu ảnh tự tạo
nh 2.8. Đặc trưng OG được trích xuất từ khuôn mặt
2.4. Kỹ thuật học máy trong phát hiện và nhận dạng khuôn
mặt
2.4.1. Kỹ thuật Boosting trong phát hiện khuôn mặt
2.4.2. Kỹ thuật SVM trong nhận dạng khuôn mặt
Thuật toán SVM (Support Vetor Machines)là một thuật toán
phân loại nhị phân, thuộc phương pháp học có giám sát.
Thuật toán được cho trước một số điểm dữ liệu cùng với nhãn
của chúng thuộc các lớp cho trước (dữ liệu huấn luyện). Mục tiêu
của thuật toán là xác định xem một điểm dữ liệu mới sẽ được thuộc
về lớp nào (Phân loại).
x2

H3

H4

H5

H2
H1

x1

nh 2.9.Có vô số đường thẳng có thể phân chia tuyến tính, tuy
nhiên với đường phân chia 5, đã có một điểm bị phân loại nhầm.

nh 2.10. Không thể phân chia các lớp dữ liệu một cách tuyến
tính. Ánh xạ dữ liệu trong không gian ban đầu vào một không gian
mới nhiều chiều hơn.


17

Ánh xạ đặc trưng dữ liệu
Siêu phẳng
phân tách

Phức tạp trong không gian ít chiều

Đơn giản trong không gian nhiều chiều

nh 2.11. Việc phân tách dữ liệu trở nên dễ dàng hơn trong

không gian mới.
x2

Support vector

Support vector

x1

2.12. Các siêu phẳng phân chia tập mẫu thành hai lớp và support vector
trong SVM.
C ƯƠNG 3.

ĐỀ XUẤT GIẢI PHÁP VÀ THỰC NGHIỆM

3.1. Bài toán nhận dạng mặt người
Nhận dạng khuôn mặt là quá trình xác định mọi người trong
hình ảnh hoặc video bằng cách so sánh sự xuất hiện của khuôn mặt
trong hình ảnh được chụp với cơ sở dữ liệu. Nhận dạng khuôn mặt có
nhiều ứng dụng khác nhau, từ các loại camera an ninh -giám sát đến
nhận dạng sinh trắc học bằng cách truy cập vào các thiết bị trong các
hệ thống giám sát.
Phần này trình bày một số kết quả nghiên cứu ứng dụng các kỹ
thuật máy tính và các thuật toán thị giác máy tính để phát hiện khuôn
mặt và nhận dạng danh tính trong hình ảnh. Các nội dung được đề
cập trong phần này bao gồm
Phát hiện khuôn mặt từ ảnh tổng thể bằng kỹ thuật phân loại
Adaboost và phương pháp trích xuất đặc trưng Haar-like feature sử
dụng các phương pháp dựa trên cơ sở thuật toán đã có và được huấn
luyện tập dữ liệu dùng chung.

18

3.2. Đề xuất mô hình nhận dạng danh tính người qua
khuôn mặt
Giải pháp đề xuất gồm 2 nhiệm vụ: (1) Phát hiện vị trí khuôn
mặt từ ảnh tổng thể thu nhận bằng camera giám sát; (2) nhận dạng
danh tính người từ vùng ảnh khuôn mặt đã phát hiện ở bước 1. Trong
hệ thống nhận dạng danh tính người này, chúng tôi tập trung chủ yếu
vào việc phát triển mô hình kiến trúc bộ nhận dạng để xác định danh
tính người từ mẫu ảnh chứa mặt người ở bước 2. Phần trích xuất
vùng quan tâm (vùng ảnh chứa khuôn mặt) được thực hiện bằng một
trong các phương pháp hiện hành. Nghĩa là, công đoạn phát hiện ra
vị trí mặt người trong ảnh tổng thể được thực hiện bằng kỹ thuật real
time face detection của nhóm tác giả Viola []. Bộ nhận dạng vùng
khuôn mặt đã được huấn luyện trên tập dữ liệu chuẩn dùng chung
bằng phương pháp trích xuất đặc trưng Haar-like feature và máy
phân loại Adaboost.
Để xây dựng hệ thống nhận dạng danh tính người được thực
hiện bằng cách sử dụng kỹ thuật trích chọn và biểu diễn đặc trưng
hình ảnh mặt người và sau đó sử dụng kỹ thuật học máy để nhận
dạng mặt người. Nhiệm vụ trích chọn đặc trưng liên quan đến bài
toán này có nhiều kỹ thuật trích xuất đặc trưng như HOG, SHIFT,
LBP, Haar-wave kết quả được sử dụng làm đầu vào cho các máy
phân loại như SVM, boosting, decision tree, GA,.. hoặc các kỹ thuật
học sâu.
Trong nghiên cứu này, chúng tôi đề xuất giải pháp sử dụng kỹ
thuật trích chọn và biểu diễn đặc trưng HOG và máy phân loại hỗ trợ
vector SVM để thực hiện huấn luyện dữ liệu và nhận dạng danh tính

dựa vào khuôn mặt.
3.3. Thực nghiệm trên một số cơ sở dữ liệu
Trong thực nghiệm này, chúng tôi sử dụng khoảng 60% mẫu
của mỗi loại cho huấn luyện và khoảng 40% cho đánh giá kiểm tra.
Quá trình thực nghiệm đánh giá được thực hiện trên máy tính cá
nhân với cấu hình CPU Core I7 (2.4Ghz), 8GB RAM, HDD 1TB và
bộ xử lý song song GTX 950 GPU.
Trong luận văn này, chúng tôi sử dụng tiêu chí đánh giá hiệu
quả của thuật toán là độ chính xác (accuracy), được xác định theo


19

công thức số mẫu nhận dạng đúng trên số mẫu của mỗi lớp, độ chính
xác của toàn bộ tập mẫu đánh giá cũng được tính tương tự khi xét
cho toàn bộ số lượng mẫu đánh giá. Công thức tính độ chính xác như
sau:

AC

ND
ND SN

Trong đó: AC là độ chính xác, ND là số mẫu nhận dạng đúng
lớp của nó, NS là số mẫu nhận dạng bị sai.
3.3.1. Thực nghiệm trên dữ liệu Staffhome
Kết quả thực nghiệm trên dữ liệu Staffhome
Số mẫu dùng cho huấn luyện
Số mẫu dùng cho đánh giá
Thời gian trích xuất đặc trưng cho huấn

luyện
Thời gian huấn luyện
Thời gian trích xuất đặc trưng cho kiểm tra
Thời gian nhận dạng
Độ chính xác

2101
1393
73.19 giây
926.22 giây
43.02 giây
450.30 giây
98.42%

3.3.2. Thực nghiệm trên dữ liệu AT&T_faces
Kết quả thực nghiệm trên dữ liệu AT&T
Số mẫu dùng cho huấn luyện
Số mẫu dùng cho đánh giá
Thời gian trích xuất đặc trưng cho huấn
luyện
Thời gian huấn luyện
Thời gian trích xuất đặc trưng cho kiểm tra
Thời gian Nhận dạng
Độ chính xác

240
160
1.76 giây
34.98 giây
0.91 giây

10.08 giây
85.00%

3.3.3. Thực nghiệm trên dữ liệu tự tạo
3.3.3.1. Mô tả về dữ liệu
Bộ dữ liệu được chúng tôi tạo lập gọi là Student1, nó được
thực hiện bằng cách chụp hình với các camera có độ phân giải bình
thường.


20

Kết quả thực nghiệm trên dữ liệu tự tạo
Số mẫu dùng cho huấn luyện
Số mẫu dùng cho đánh giá
Thời gian trích xuất đặc trưng cho huấn luyện
Thời gian huấn luyện
Thời gian trích xuất đặc trưng cho kiểm tra
Thời gian nhận dạng
Độ chính xác

3051
2032
51.55 giây
121.11 giây
29.30 giây
32.04 giây
94.39 %

3.4. Một số ví dụ minh họa thực nghiệm nhận dạng danh

tính người
Chúng tôi cũng xây dựng giao diện trực quan cho phép lựa
chọn mô hình nhận dạng đã được huấn luyện, chọn mẫu khuôn mặt
và nhận dạng ra danh tính. Dưới đây là kết quả nhận dạng danh tính
dùng các mô hình nhận dạng đã huấn luyện trên các tập dữ liệu
tương ứng.
3.4.1. Nhận dạng trên tập dữ liệu AT&T
3.4.2. Nhận dạng trên tập dữ liệu Staffhome
3.4.3. Nhận dạng trên tập dữ liệu tự tạo
Mô hình nhận dạng này được huấn luyện từ dữ liệu tự chụp 30
học sinh lớp 11A, để máy nhận dạng có thể xác định danh tính của
30 học sinh tương ứng và loại trừ những mẫu ảnh không phải của các
học sinh này, chúng tôi thêm vào một nhóm thứ 31 gồm những ảnh
của những người và đối tượng khác. Một số kết quả được thể hiện
trong hình sau:

Mẫu ảnh học sinh Bùi Đức
Hải Đăng


21

Mẫu ảnh học sinh Trần Thị
Ngọc Uyên

Mẫu ảnh học sinh Vũ Hoàng
Anh Tuấn
(a) Một số mẫu ảnh của từng
cá nhân học sinh

(b)Nhận dạng danh tính


22

(a) Một số kết quả nhận dạng không xác định danh tính
trong dữ liệu học sinh
nh 3.1. Kết quả nhận dạng dùng mô hình huấn luyện trên dữ
liệu tự tạo từ học sinh lớp 11A


23

KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
4.1. Kết luận
Trên cơ sở nghiên cứu những vấn đề về liên quan đến bài toán
tự động hóa phát hiện khuôn mặt và nhận dạng danh tính người sử
dụng kỹ thuật xử lý ảnh và trí tuệ nhân tạo, luận văn tập trung vào
nghiên cứu đề xuất giải pháp sử dụng phương pháp trích xuất và biểu
diễn đặc trưng hình ảnh bằng kỹ thuật HOG và sử dụng kỹ thuật học
máy SVM để huấn luyện mô hình nhận dạng và áp dụng trong xác
định danh tính của người qua ảnh khuôn mặt.
Giải pháp đã được thực nghiệm trên một số cơ sở dữ liệu hình
ảnh về khuôn mặt như dữ liệu AT&T của phòng nghiên cứu khoa
học máy tính trường Đại học Cambridge và dữ liệu Staffhome của
trường Đại học Western Australia. Chúng tôi thực hiện chia tập dữ
liệu hình ảnh thành 2 phần với tỷ lệ 60% dùng để huấn luyện máy
nhận dạng SVM và 40% cho đánh giá kiểm tra độ chính xác. Các mô
hình nhận dạng trên các tập dữ liệu 98.42% và 85.00% tương ứng
với các bộ dữ liệu Staffhome và AT&T.

Bên cạnh đó, chúng tôi tiến hành tự chụp hình trong phòng
học để nhận dạng danh tính học sinh tương ứng với bài toán điểm
danh học sinh trong lớp học. Thông thường với bài toán điểm danh,
các camera được gắn phía trước lớp và chụp trong điều kiện ánh sáng
trong nhà (thiếu sáng), hình ảnh bị mờ đặc biệt. Với giả thiết này,
chúng tôi đã sử dụng camera của máy ảnh điện thoại có chất lượng
bình thường để chụp và tạo mẫu dữ liệu. Mẫu ảnh được thu thập đối
với 30 học sinh lớp 11A. Mô hình nhận dạng sau khi huấn luyện
nhận dạng theo các mẫu ảnh khuôn mặt của học sinh trong cùng điều
kiện có thể đạt độ chính xác hơn 94%.
Kết quả nghiên cứu thu được có thể làm cơ sở là bước đầu để
phát triển, ứng dụng bài toán nhận dạng danh tính con người trong
các hệ thống giám sát và đặc biệt là bài toán tự động nhận dạng điểm
danh học sinh trong các lớp học. Bên cạnh đó, trong quá trình xây
dựng chương trình, tôi đã tìm hiểu về thư viện HOG, SVM, Face
detection để sử dụng trong biễu diễn đặc trưng dữ liệu hình ảnh phục
vụ huấn luyện máy nhận dạng và kiểm tra các mẫu độc lập dưới góc
độ nghiên cứu bài toán phát hiện khuôn mặt và nhận dạng danh tính
qua khuôn mặt.