Phát triển các kỹ thuật biểu diễn cử chỉ, trạng thái khuôn mặt 3d phục vụ cho bài toán xây dựng tiếp viên ảo

ĐẠI HỌC QUỐC GIA HÀ NỘI

BÁO CÁO TỔNG KẾT
KẾT QUẢ THỰC HIỆN ĐỀ TÀI KH&CN
CẤP ĐẠI HỌC QUỐC GIA

Tên đề tài: Phát triển các kỹ thuật biểu diễn cử chỉ, trạng thái khn mặt
3D phục vụ cho bài tốn xây dựng tiếp viên ảo
Mã số đề tài: QG.17.43

Chủ nhiệm đề tài: TS. Vũ Việt Vũ

Hà Nội, tháng 01 - 2019


PHẦN I. THÔNG TIN CHUNG
1.1. Tên đề tài: Phát triển các kỹ thuật biểu diễn cử chỉ, trạng thái khuôn mặt 3D phục vụ cho
bài toán xây dựng tiếp viên ảo
1.2. Mã số: QG.17.43
1.3. Danh sách chủ trì, thành viên tham gia thực hiện đề tài
TT

Chức danh, học vị, họ và
tên

Đơn vị cơng tác

Vai trị thực hiện đề tài

Viện Cơng nghệ thông tin, ĐH QG Chủ nhiệm đề tài
Hà Nội

1

TS. Vũ Việt Vũ

2

TS. Lê Cường

3

PGS.TS. Đỗ Năng Toàn

4

ThS. Hà Mạnh Tồn

Viện Cơng nghệ thơng tin, Viện Thành viên chính
Hàn Lâm KH&CN Việt Nam

5

NCS. Trịnh Xuân Hùng

Viện Công nghệ thông tin, Viện Thành viên chính
Hàn Lâm KH&CN Việt Nam

6

ThS. Phạm Bá Mấy

7

ThS. Nguyễn Thị Ngọc
Hân

8

ThS. Đỗ Hồng Quân

9

TS. Phạm Thế Anh

1.4. Đơn vị chủ trì:
1.5. Thời gian thực hiện:
1.5.1. Theo hợp đồng:
1.5.2. Gia hạn (nếu có):
1.5.3. Thực hiện thực tế:

Viện Cơng nghệ thơng tin,

Thư kí khoa học

ĐHQG Hà Nội
Viện Cơng nghệ thông tin, ĐHQG Thành viên
Hà Nội

Viện Công nghệ thông tin,

Thành viên chính

Viện Hàn Lâm KH&CN Việt Nam
Viện Cơng nghệ thơng tin

Thành viên chính

ĐHQG Hà Nội
Viện Cơng nghệ thơng tin, ĐHQG Thành viên chính
Hà Nội
Trường đại học Hồng Đức

Thành viên

từ tháng 02 năm 2017 đến tháng 02 năm 2019
đến tháng….. năm…..
từ tháng 02 năm 2017 đến tháng 12 năm 2018

1.6. Những thay đổi so với thuyết minh ban đầu (nếu có):
(Về mục tiêu, nội dung, phương pháp, kết quả nghiên cứu và tổ chức thực hiện; Nguyên nhân; Ý
kiến của Cơ quan quản lý)
1.7. Tổng kinh phí được phê duyệt của đề tài: 300 triệu đồng.

1


PHẦN II. TỔNG QUAN KẾT QUẢ NGHIÊN CỨU
(Viết theo cấu trúc một bài báo khoa học tổng quan từ 6-15 trang (báo cáo này sẽ được đăng trên
tạp chí khoa học ĐHQGHN sau khi đề tài được nghiệm thu), nội dung gồm các phần:
1. Đặt vấn đề

Nghiên cứu về nhận dạng mặt người và các vấn đề liên quan trong bối cảnh của ngành thị giác
máy tính ln nhận được nhiều sự quan tâm từ các nhà nghiên cứu và ứng dụng [1-3]. Các ứng
dụng của lĩnh vực này có thể kể đến như trong lĩnh vực phim ảnh (avatar), trong lĩnh vực mô phỏng
(bảo tàng ảo, trợ lý ảo,..), trong lĩnh vực an ninh, lĩnh vực kinh doanh và dịch vụ,… Trong nội dung
nghiên cứu của đề tài chúng tôi tập trung nghiên cứu các vấn đề phân loại/nhận dạng và mô phỏng
trạng thái biểu cảm khuôn mặt. Cụ thể, các biểu cảm trạng thái khuôn mặt gồm vui (happy), buồn
(sad), ngạc nhiên (surprise), sợ hãi (fear), ghê tởm (disgust), và cáu giận (angry) [2]; các vấn đề về
trích chọn đặc trưng và nhận dạng biểu cảm khuôn mặt, quy trình mơ phỏng trạng thái cử chỉ khn
mặt cũng như biến đổi cử chỉ trạng thái khuôn mặt theo các câu văn bản phục vụ cho bài toán xây
dựng tiếp viên ảo được tìm hiểu và nghiên cứu.
2. Mục tiêu
Mục tiêu cụ thể của đề tài gồm các nội dung sau:
- Nghiên cứu tổng quan về biểu cảm khuôn mặt và mô phỏng biểu cảm khuôn mặt trên cơ sở
bài toán xây dựng tiếp viên ảo.
- Nghiên cứu các kỹ thuật phục vụ quy trình mơ phỏng cử chỉ, trạng thái khuôn mặt 3D.
- Nghiên cứu xây dựng mô hình 3D khn mặt phục vụ u cầu biến đổi theo cử chỉ, trạng
thái.
- Phát triển hệ thống phần mềm tiếp viên ảo dựa trên nền tảng mô phỏng cử chỉ, trạng thái
khuôn mặt 3D.
3. Phương pháp nghiên cứu
Phương pháp nghiên cứu của đề tài được sử dụng gồm nghiên cứu lý thuyết và nghiên cứu
thực nghiệm. Các vấn đề cần giải quyết liên quan đến các giải thuật và lý thuyết xử lý ảnh và đồ họa
máy tính được thực hiện trên phần mềm máy tính với đầu vào là các thông tin thu nhận được từ
thực tế.
Các kỹ thuật sử dụng sẽ gắn với từng nội dung chính của để tài, cụ thể là những kỹ thuật thao
tác với ảnh số và video để trích rút được tập điểm đặc trưng cho biểu cảm khn mặt người, tính
tốn các thông tin 3D cho tập điểm đặc trưng và các phương pháp nội suy để biến đổi mơ hình ba
chiều khuôn mặt theo đặc trưng mong muốn.
4. Tổng kết kết quả nghiên cứu
4.1 Nghiên cứu tổng quan về biểu cảm khuôn mặt và mô phỏng biểu cảm khuôn mặt trên cơ sở

bài toán xây dựng tiếp viên ảo.
Nghiên cứu về biểu cảm khuôn mặt và thể hiện biểu cảm của khuôn mặt là một công việc
quan trọng và đang được sự quan tâm của nhiều nhà khoa học trong các lĩnh vực khác nhau từ các
nghệ sỹ hội họa điêu khắc đến các nhà khoa học nghiên cứu về nhân học cho đến những nhà khoa
học trong lĩnh vực công nghệ thông tin [1-6, 15-17]. Điều này xuất phát từ hai lý do chính: một là
2


khả năng ứng dụng các kết quả nghiên cứu vào thực tiễn, hai là mặc dù đã có rất nhiều cơng trình
nghiên cứu về biểu cảm và thể hiện biểu cảm khn mặt nhưng chưa có nghiên cứu nào thực sự
hồn thiện và phù hợp cho nhiều lớp bài tốn khác nhau, mỗi hướng tiếp cận chủ yếu được đưa ra
để giải quyết một vấn đề nào đó được đặt ra. Đặc biệt hơn các nghiên cứu về biểu cảm khuôn mặt
và thể hiện biểu cảm khuôn mặt của người Việt cịn rất hạn chế nếu khơng muốn nói là hầu như
khơng có.
Theo cách hiểu thơng thường, biểu cảm khn mặt có thể hình dung là thể hiện bên ngồi
tương ứng với một trạng thái của hệ cơ nét mặt nằm dưới vùng da mặt. Đây cũng là một khái niệm
gần gũi với con người trong cuộc sống hàng ngày bởi con người trong sinh hoạt, lao động, giao tiếp
đều cần phải biểu lộ thơng tin mà mình muốn truyền đạt hoặc thậm chí là phản xạ, mà trong đó,
biểu cảm khuôn mặt gắn liền với việc biểu lộ thông tin qua khuôn mặt là một trong những cách thức
cơ bản và phổ dụng nhất của con người.

Hình 1. Sáu dạng biểu cảm khuôn mặt (gồm vui (happy), buồn (sadness), ngạc nhiên (surprise), sợ
hãi (fear), ghê tởm (disgust), và cáu giận (anger )
Hình 1 minh họa 6 dạng biểu cảm khn mặt của con người. Có thể thấy rằng các biểu cảm
này xuất hiện thường xuyên trong các tình huống hàng ngày, trên phim ảnh, tại các nơi công cộng,
tại các cuộc họp, tại khu dịch vụ nói chung. Việc nghiên cứu sâu cho từng lĩnh vực là một vấn đề
thú vị [14].
4.2 Nghiên cứu các kỹ thuật phục vụ quy trình mơ phỏng cử chỉ, trạng thái khn mặt 3D
Để mô phỏng cử chỉ trạng thái khuôn mặt trong môi trường 3D chúng ta cần phải nghiên cứu
cách thức biểu diễn, xây dựng cũng như biến đối các mô hình 3D. Chúng ta cũng cần tìm hiểu đâu

là những đặc trưng quan trọng nhất của ảnh khuôn mặt, các tính chất đặc trưng của nó. Hình 2 minh
họa sơ đồ tiến hành thực hiện mô phỏng trạng thái cử chỉ khuôn mặt. Xuất phát từ dữ liệu đầu vào
(ảnh hoặc video), chúng ta sẽ tiến hành phát hiện khuôn mặt trong ảnh, xác định các đặc trưng
(shape location, feature selection,…), tiếp theo chúng ta thực hiện quá trình nhận dạng tức là phân
loại trạng thái theo các biểu cảm – pha này được tiến hành bằng các thuật toán học máy (phân lớp,
phân cụm,..) , bước cuối cùng là mô phỏng khuôn mặt. Dựa vào kết quả nhận dạng cũng như xác
định các đặc trưng quan trọng, quá trình mô phỏng sẽ mô phỏng lại trạng thái khuôn mặt. Một số kỹ
thuật nghiên cứu gồm q trình trích chọn đặc trưng (tính tốn tập điểm điều khiển) của khn mặt
và q trình nhận dạng biểu cảm khn.

3


Expression
recognition

Data set (Images)

Face detection

Shape location

Expression
simulation
Hình 2. Sơ đồ các bước trong q trình nhận dạng và mơ phỏng khn mặt
4.2.1 Khái qt về tính tốn thơng tin 3D tập điểm điều khiển khn mặt và trích chọn đặc trưng
a) Tính tốn thơng tin trên mơ hình khn mặt
Một mơ hình 3D có thể hiểu về mặt bản chất là một tập điểm trong không gian 3 chiều cùng
với mối quan hệ giữa các điểm đó, do vậy, việc biến đổi mơ hình 3D cũng khơng nằm ngồi việc
biến đổi những dữ liệu này. Xét trên bài tốn mơ phỏng khn mặt, mơ hình mặt gần như khơng có

sự thay đổi về chất liệu ảnh cũng như sự liên kết đặc trưng giữa các điểm dẫn đến thay đổi hồn
tồn mơ hình mà chỉ là những sự dịch chuyển có giới hạn và ràng buộc cục bộ của các điểm trong
mô hình. Bởi vậy kết quả của việc mơ phỏng khn mặt có thể hiểu là thao tác thay đổi tọa độ của
một tập điểm trong mơ hình mặt 3D với một số giới hạn cùng với ràng buộc đã được xác định
trước. Để thực hiện việc này, người ta thường chọn 1 tập điểm điều khiển và trên cơ sở đó khi cần
người ta sẽ thực hiện biến đổi trực tiếp trên tập điểm này. Tập điểm được chọn sau khi biến đổi sẽ
định hướng điều khiển sự thay đổi cho các điểm khác. Thông thường tập điểm điều khiển sẽ được
chọn bởi các chuyên gia, những người có chuyên mơn trong ứng dụng cần triển khai hoặc cơng
trình cần nghiên cứu, những người này có thể là những chuyên gia tâm lý, bác sĩ pháp y hoặc những
người làm về nhân chủng học… nói chung là những người có kiến thức chuyên biệt theo yêu cầu
bài toán. Do vậy với những ứng dụng khác nhau, số lượng điểm điều khiển cũng sẽ rất khác, có thể
dao động từ vài điểm đến vài trăm điểm. Để có thể mơ phỏng một cách hiệu quả và giống thật cho
những biểu cảm trên khn mặt người 3D, bài tốn cần được xử lý là thu nhận được những đặc
trưng biểu cảm từ dữ liệu đầu vào là ảnh số, có thể là ảnh tĩnh hoặc luồng video chứa những diễn
cảm tương ứng của người thật. Trong trường hợp này, để xác định sự biến đổi của tập điểm điều
khiển trong mơ hình khuôn mặt 3D, một tập điểm 2D trên ảnh được xác định. Tập điểm 2D này
được hiểu là hình chiếu của tập điểm điều khiển 3D trên ảnh. Trên cơ sở đó, tọa độ của tập điểm 3D
được ước lượng dựa vào sự phân bố của tập điểm điều khiển 2D này. Một bài tốn tiếp theo là nội
suy mơ hình mặt 3D từ tập điểm điều khiển đã được ước lượng để nhận được mơ hình mặt 3D
mong muốn. Tùy hệ thống mà sẽ có những thao tác riêng đối với những dữ liệu điểm 3D khuôn
mặt, chẳng hạn như sử dụng trực tiếp để mô phỏng hoặc cũng có thể cần những bước xử lý, gán
nhãn tương ứng với một số trạng thái biểu cảm đã xác định trước.

4


Tính tốn 3D tập điểm điều khiển là thao tác ước lượng thông tin 3 chiều của đối tượng từ
một tập điểm 2 chiều đã xác định trước của đối tượng đó. Trong bài tốn mơ phỏng khn mặt 3D,
thường một tập điểm điều khiển đặc trưng cho các biểu cảm đã được xác định trước về ngữ nghĩa
trên mặt người, thao thác chuyển đổi 3D đóng vai trị chuyển đổi tọa độ từ 2D lên 3D đối với tập

điểm này. Trong một vài hệ thống, bước này có thể coi như lẫn vào q trình trích đặc trưng từ ảnh
hoặc q trình nội suy mơ hình 3D.
Việc tính tốn thông tin 3D là một bước rất quan trọng trước khi q trình trích chọn đặc
trưng được thực hiện, nó sẽ quyết định chất lượng của các bước tiếp theo. Có một số phương pháp
được sử dụng như ICP, FFD, AAM, ASM,…[2].
Trong [4], một mơ hình cải tiến của phương pháp AAM (Active Appearance Model) được
giới thiệu. Ý tưởng ở đây là chỉ sử dụng một ảnh của khuôn mặt nhưng sẽ cần kết hợp thêm một mơ
hình tốn học về khn mặt. Trên dữ liệu khn mặt, nó đặc trưng cho những ràng buộc hình học
của khn mặt và nó là một xuất phát được tập trung khai thác trong nhiều nghiên cứu. Iain
Matthews and Simon Baker đã đưa những thông tin 3D như vậy vào cải tiến phương pháp AAM
[4], do đó tọa độ 3D được ước lượng trực tiếp trong q trình tính tốn tối ưu để trích rút đặc trưng
khn mặt trên ảnh. Trong trường hợp này, công đoạn chuyển đổi không đứng riêng mà sẽ tích hợp
ln vào bước trích rút đặc trưng từ ảnh (Hình 3).

Hình 3. Ví dụ về mơ hình AAM cải tiến
Với cách nhìn giản lược hơn, cụ thể là thực hiện ước lượng trước hướng của khuôn mặt trong
ảnh làm một phần thơng tin 3D để có thể tiếp tục tính tốn, nhiều nhà khoa học đã đi sâu giải quyết
vấn đề này.
b) Biểu diễn khuôn mặt qua các điểm điều khiển
Biểu diễn biểu cảm khn mặt có thể hiểu là thao tác thay đổi tọa độ của một tập điểm trong
mơ hình mặt 3D với một số giới hạn cùng với ràng buộc đã được xác định trước [2, 4, 5, 17]. Để
thực hiện việc này, người ta thường chọn 1 tập điểm điều khiển và trên cơ sở đó khi cần người ta sẽ
thực hiện biến đổi trực tiếp trên tập điểm này. Tập điểm được chọn sau khi biến đổi sẽ định hướng
điều khiển sự thay đổi cho các điểm khác. Thông thường tập điểm điều khiển sẽ được chọn bởi các
chuyên gia, những người có chuyên mơn trong ứng dụng cần triển khai hoặc cơng trình cần nghiên
cứu, những người này có thể là những chuyên gia tâm lý, bác sĩ pháp y hoặc những người làm về
nhân chủng học… nói chung là những người có kiến thức chuyên biệt theo yêu cầu bài toán. Do vậy
với những ứng dụng khác nhau, số lượng điểm điều khiển cũng sẽ rất khác, có thể dao động từ vài
điểm đến vài trăm điểm (70 điểm [5], hay 83 điểm [2]).

5


Hình 4. Ví dụ về việc lựa chọn điểm điều khiển (70 điểm – trái; 83 điểm –phải)
c) Trích chọn đặc trưng
Đây là bước trích ra các đặc trưng quan trọng của ảnh khuôn mặt để thực hiện cho việc nhận
dạng cũng như trợ giúp q trình mơ phỏng. Một số phương pháp cơ bản được nghiên cứu và đề
xuất là sử dụng phương pháp dựa trên khoảng cách, phương pháp dựa trên các vùng nhỏ địa
phương, phương pháp sử dụng các mơ hình biến đổi, phương pháp ánh xạ từ 3D sang 2D sau đó có
thể sử dụng phương pháp trích chọn đặc trưng trong 2D như SIFT, LBP, Gabor,... [2]. Cùng với các
kỹ thuật này, phương pháp lựa chọn đặc trưng và giảm số chiều như PCA, LDA có thể được áp
dụng để làm tối ưu các thuộc tính thu được. Hình 5 minh họa một số phương pháp trích chọn đặc
trưng cho ảnh 3D.
Đối với phương pháp trích chọn đặc trưng dựa trên khoảng cách, các khoảng cách giữa các
điểm đánh dấu trên khuôn mặt sẽ được tính tốn, khoảng cách này sẽ thay đổi khi khn mặt bị biến
đổi. Tập dữ liệu BU-3DFE cung cấp sẵn tọa độ của 83 điểm đã định danh sẵn trên khuôn mặt. Một
số cách sử dụng phương pháp này chẳng hạn như tính khoảng cách để xác định mặt là mở, độ cao
của mí mắt, vị trí của miệng,…, góc của một số tư thế, hình dạng của mắt, miệng,…tính tốn
histogram của các hình tam giác hình thành bởi các điểm đánh dấu sẵn cũng là một phương pháp có
thể áp dụng để trích chọn đặc trưng.
Đối với phương pháp dựa trên các vùng địa phương, thơng tin về hình dáng của mặt trên các
vùng nhỏ cục bộ xung quanh các điểm của lưới, hay xung quanh các đường ranh giới hoặc các điểm
đặc trưng được thu thập để sử dụng.
Đối với phương pháp trích chọn thơng tin dựa trên các mơ hình biến đổi nhằm mục đích tổng
hợp ra mơ hình từ các dữ liệu đầu vào. Mơ hình sẽ được tham số hóa và nắn vào một mơ hình cụ thể
nào đó cho phù hợp nhất có thể. Các tham số của mơ hình và sẽ được dùng để trích chọn các đặc
trưng của các ảnh.

Hình 5. Ví dụ về một số phương pháp trích chọn đặc trưng (a: dựa trên khoảng cách, b: dựa trên
khoảng cách và độ cong, c: dựa trên vùng nhỏ địa phương).

6


4.2.2 Phát triển phương pháp nhận dạng trạng thái khuôn mặt
Trong phần này chúng tơi phát triển thuật tốn nhận dạng khuôn mặt bằng kỹ thuật phân cụm.
Vấn đề phân cụm (clustering) được phát biểu như sau: cho tập dữ liệu X gồm n phần tử, hãy phân
tách tập X ra thành k (k < n) cụm (cluster) rời nhau sao cho các phần tử trong cùng một cụm thì
tương tự nhau và các phần tử ở các cụm khác nhau thì khơng tương tự nhau theo một tiêu chuẩn
đánh giá nào đó trong lĩnh vực của bài tốn cần giải quyết. Bài toán phân cụm nằm trong lớp các
bài tốn về học máy khơng giám sát [7].
Các thuật tốn phân cụm đã được nghiên cứu và phát triển từ những năm 50 của thế kỷ 20
như thuật toán K-Means (1956), thuật toán phân cụm thứ bậc (1967), thuật toán phân cụm dựa trên
đồ thị (1973), thuật toán phân cụm dựa trên lý thuyết mờ (1980), thuật toán phân cụm dựa trên mật
độ (1996) [7,8]. Mặc dù đã được nghiên cứu từ rất lâu, tuy nhiên chủ đề phân cụm dữ liệu luôn
được quan tâm trong lĩnh vực học máy. Từ những năm 2000 trở lại đây, phương pháp phân cụm
nửa giám sát nhận được sự quan tâm của nhiều nhà nghiên cứu. Đây là hướng tiếp cận sử dụng
thêm một số thông tin bổ trợ để tăng chất lượng của quá trình phân cụm [10-13].
a) Phương pháp phân cụm nửa giám sát
Từ những năm 2000 trở lại đây, phương pháp phân cụm nửa giám sát bắt đầu được phát triển
mạnh mẽ. Thuật tốn semi-supervised clustering tích hợp các thơng tin có được từ ban đầu như một
lượng nhỏ dữ liệu được gán nhãn hay còn gọi là các hạt giống (seeds) và/hoặc một số lượng nhỏ các
thông tin về các cặp dữ liệu must-link, cannot-link:
Cho tập dữ liệu X với n phần tử, must-link(u,v) cho biết u và v sẽ nên được phân vào cùng
một cụm trong khi đó cannot-link(u,v) cho biết u và v sẽ nên thuộc về hai cụm khác nhau. Sau gần
20 năm kể từ khi những thuật toán phân cụm nửa giám sát được giới thiệu, đến nay đã có rất nhiều
các thuật tốn mới cho các dạng phân cụm cơ bản. Chúng ta có thể kể tới các thuật toán phân cụm
nửa giám sát như: SSK-Means, SSDBSCAN, CDBSCAN, SSGC, MCSSGC, SSFuzzy C-Means,
…[9-12].
Phương pháp phân cụm nửa giám sát SSDBSCAN
Thuật toán SSDBSCAN được giới thiệu năm 2009 chính là phiên bản cải tiến của thuật toán

DBSCAN năm 1996 [8,9]. Ý tưởng cơ bản của thuật tốn DBSCAN là sử dụng tính chất về mật độ
dữ liệu: Các cụm sẽ được xây dựng từ một điểm dữ liệu bằng cách thêm vào các nhóm có mật vượt
qua một ngưỡng nào đó.

Hình 6. Dữ liệu với 3 cluster A, B, và C. Tuy nhiên khơng có giá trị phù hợp MinPts và  để
DBSCAN có thể phát hiện ra đúng cả ba cluster trên.
Thuật toán DBSCAN sử dụng hai tham số là MinPts và . Trong quá trình xây dựng các cụm,
các điểm sẽ được xếp liên tiếp vào ngăn xếp nếu nó thỏa mãn có ít nhất MinPts hàng xóm nằm

7


trong bán kính . Hạn chế lớn nhất của thuật toán DBSCAN là khả năng làm việc với các tập dữ
liệu có các mật độ khác nhau giữa các cụm. Hình 6 chỉ ra sự hạn chế của thuật tốn này.
Thuật toán SSDBSCAN được giới thiệu năm 2009 là một semi-supervised DBSCAN nhằm
cải tiến DBSCAN để có thể làm việc với các tập dự liệu có các cụm với mật độ khác nhau. Bằng
cách sử dụng một số seed (labeled data), với giả thiết cung cấp ít nhất mỗi cụm một seed,
SSDBSCAN cần duy nhất một tham số MinPts. Dữ liệu đầu vào sẽ được biểu diễn bởi một đồ thị
vơ hướng có trọng số trong đó mỗi đỉnh tương ứng cho một điểm dữ liệu, cạnh giữa hai đỉnh p và q
của đồ thị được xác định bởi giá trị rDist() như sau: rDist() biểu thị cho giá trị nhỏ nhất của  sao
cho với hai đỉnh p và q thì p và q sẽ có ít nhất MinPts điểm nằm trong siêu cầu bán kính , hơn nữa
p và q có thể kết nối trực tiếp được với nhau – tức là p nằm trong siêu cầu bán kính  của q và
ngược lại, rDist() được biểu diễn như sau:
 p, q  X:
rDist(p,q) = max{cDist(p),cDist(q) d(p,q)}
(1)
trong đó d(p,q) là khoảng cách giữa p và q theo độ đo Ơcơlit, và cDist(o) là khoảng cách nhỏ nhất
tính từ o mà ở đó o vẫn chứa đủ MinPts điểm dữ liệu.
Sử dụng rDist(), chúng ta xây dựng lần lượt từng cụm C như sau: sử dụng một seed đầu tiên
p, tiếp đó cluster C sẽ được thêm các điểm thỏa mãn rDist(), quá trình sẽ tiếp tục đến khi gặp một

điểm q có nhãn khác với nhãn của p. Khi đó thuật tốn sẽ tiến hành tìm kiếm ngược lại đến điểm o
sao cho giá trị rDist(o) là lớn nhất. Q trình xây dựng cụm C hồn thành. Nếu vẫn còn các seed
chưa được xét chúng ta lại tiếp tục tiến hành xây dựng các cụm như trên.
Phương pháp phân cụm nửa giám sát MCSSDBS
Trong phần này chúng tôi trình bày thuật tốn MCSSDBS – một thuật tốn mở rộng của
SSDBSCAN, thuật tốn này tích hợp cả hai loại ràng buộc là seed và constraint vào trong quá trình
tìm kiếm các cụm. Các ràng buộc sẽ được nhúng vào các pha như tính tốn khoảng cách rDist();
xác định điểm cut-poit để phân tách các cụm và xây dựng các cụm ở pha cuối cùng. Các thuật tốn
được trình bày trong Algorithm 1 và Algorithm 2 [14].

8


Hình 7 minh họa quá trình tìm điểm cut_point để phân tách các cụm. Nếu trong q trình
quay lui có xuất hiện cannot-link thì chúng ta dùng ngay nếu khơng ta sẽ sử dụng phương pháp hỏi
người sử dụng, trường hợp khơng có câu trả lời từ người sử dụng chúng ta sẽ chọn nhát cắt có
khoảng cách lớn nhất.

Hình 7. Minh họa quá trình tìm điểm cut_point
Kết quả thực nghiệm

Bảng 1. Dữ liệu từ UCI dùng trong thực nghiệm

9


Bảng 2. Phân bố các dữ liệu của tập CK+ (trái) [18] và ITI (phải)
Để đánh giá chất lượng phân cụm chúng tôi sử dụng các dữ liệu từ UCI và 2 tập dữ liệu trạng
thái cảm xúc khuôn mặt. Tập CK+ là tập dữ liệu truyền thống đã được nhiều nghiên cứu sử dụng và
tập ITI do chúng tôi thu thập các ảnh của các khuôn mặt tựi Việt nam. Chi tiết về dữ liệu được cho

trong bảng 1 và bảng 2.
Để đánh giá kết quả của quá trình phân cụm chúng tôi sử dụng chỉ số Rand Index. Chỉ số
Rand Index dung để so sánh kết quả giữa hai phân cụm P1 và P2 có n điểm dữ liệu. Giả sử a là tổng
số cặp xi và xj thuộc cùng một cụm trong cả P1 và P2, b là tổng số cặp xi và xj thuộc hai cụm khác
nhau trong cả P1 và P2, chỉ số RI được tính bằng cơng thức sau:
RI 

a  b
n ( n  1)

RI sẽ có giá trí từ 0 đến 1, RI càng lớn thì độ chính xác của q trình phân cụm càng lớn.
Kết quả thực nghiệm được trình bày trong hình 8 và hình 9. Từ các kết quả này chúng ta có
thể thấy chất lượng của thuật tốn mới MCSSDBS là tốt hơn thuật toán SSDBSCAN. Thuật toán
MCSSDBS cũng là một trong những thuật tốn đầu tiên có thể kết hợp cả hai loại thông tin là ràng
buộc và seed vào trong cùng một quá trình phân cụm. Chúng tơi cũng có các thực nghiệm để đánh
giá sự đóng góp của từng loại ràng buộc trong việc tìm kiếm các cụm.
4.3 Nghiên cứu xây dựng mơ hình 3D khuôn mặt phục vụ yêu cầu biến đổi theo cử chỉ, trạng
thái
Trong hệ thống thực tại ảo, kỹ thuật xây dựng mơ hình ba chiều đóng góp một phần khơng
nhỏ trong sự phát triển của hệ thống. Mơ hình ba chiều có chân thực thì mới làm tăng được tính
sống động, tính thực của hệ thống. Trong phạm vi bài tốn, vấn đề được đề cập là việc mơ hình hóa
khn mặt 3D sao cho phù hợp với u cầu thể hiện các đặc trưng biểu cảm.
Với những vật thể đơn giản, có hình dạng tương đồng với những cấu trúc hình học cơ bản,
chúng ta có thể sử dụng trực tiếp phần mềm hỗ trợ để tạo nên mô hình ba chiều. Đối với những vật
thể, hình khối có cấu trúc hình học phức tạp ta sử dụng phối hợp các kỹ thuật như: sử dụng hình ảnh
2D của vật thể, sử dụng máy quét…Tuy nhiên, với bất kỳ phương pháp nào thì q trình tinh chỉnh
mơ hình vẫn là bước quan trọng làm tăng tính chân thực của đối tượng được xây dựng.
Chỉnh sửa những hình khối cơ bản
Lựa chọn hình khối cơ bản tương đồng với đối tượng. Ví dụ, tạo mơ hình ống nước từ một
khối hộp cơ bản, ta bổ sung các thông số về chiều dài , chiều rộng và chiều cao, sau đó chuyển đổi

đối tượng dưới dạng khối đa giác.
10


Hình 8. Kết quả thực nghiệm với các tập dữ liệu UCI

Hình 9. Kết quả thực nghiệm cho tập CK+ (trái) và ITI (phải)

11


Xây dựng mơ hình 3D từ ảnh DICOM
Tư tưởng của phương pháp này là: Từ các ảnh chụp cắt lớp CT các cơ quan – bộ phận trên cơ
thể người thu được thông qua các thiết bị chụp cắt lớp, chúng ta tiến hành xây dựng lưới 3D bằng
cách với mỗi ảnh chúng ta tiến hành xác định biên của ảnh. Tiếp theo đó, từ tập các biên lấy được
từ tập ảnh (chính là tập điểm), chúng ta xây dựng mơ hình 3D bằng phương pháp đa giác hóa tập
điểm thu được.
Dựng mơ hình mặt người 3D từ ảnh thơng thường
Từ các ảnh mơ tả các góc độ khác nhau của các cơ quan – bộ phận trên cơ thể người (thường
là 4 ảnh, mô tả 4 mặt của đối tượng: trên, dưới, trái, phải) kết hợp với thông tin mô tả về giải phẫu
của các cơ quan – bộ phận này, chúng ta có thể dựng lại mơ hình 3D của chúng. Với mơ hình mặt
người chúng ta có thể áp dụng phương pháp này để dựng lại mô hình 3D. Quy trình dựng mơ hình
3D từ các ảnh được thể hiện qua các bước sau:
Tại bước này, chúng ta tiến hành chụp ảnh của đối tượng cần mô phỏng ngồi thực tiễn ở góc
độ khác nhau, trong trường hợp đầu người chúng ta chụp ở 3 góc độ,chính giữa,mặt trái và mặt
phải, vì mặt người có tính chất đối xứng nên trong trường hợp này chúng ta chỉ cần hai ảnh chụp ở
2 góc độ khác nhau: chụp chính diện mặt và chụp ảnh từ một phía trái hoặc phải.

Hình 10. Ảnh dữ liệu thu thập từ ảnh chụp
Sau đó đưa ảnh được làm dữ liệu cho việc dựng mơ hình bằng phần mềm 3ds max. Với phần

mềm 3ds max ta dựng hai mặt plane và gán ảnh đã chụp được. Sau đó ta gán ảnh của đối tượng cần
mơ hình hóa vào 2 mặt phẳng ta được như hình sau:

Hình 11. Ảnh được dán vào plane trong 3dsmax
Từ các đường vẽ phác thảo này, chúng ta sử dụng các phương pháp dựng hình cơ bản như:
Polygon hoặc Subdivision Surface hay mơ hình đường cong NURBS . Sau khi đựng mơ hình với
những cơng cụ trên ta có được mơ hình thơ và đây là kết quả sau khi đã làm mịn. Sử dụng một số
công cụ như line để kéo được các đường cơ bản của khuôn mặt.
12


Hình 12. Cơng cụ Line và kết quả thu được
Sau những bước sử dụng đường line và một số công cụ như Editable Poly chúng tơi đã tạo ra
mơ hình thơ của mặt người:

Hình 13. Mơ hình thơ chưa làm mịn (trái), mơ hình đầu chưa gán Texture (giữa) và mơ hình hồn
chỉnh (phải)
Sau đó qua một số bước làm mịn mơ hình có thể bằng cơng cụ Smooth hoặc Optimize. Sau
khi hồn tất các bộ phận chính trên đầu người ta có kết quả như mơ hình như sau:
Từ dữ liệu hình ảnh chụp được cần phải trải qua một bước nữa là làm Texture cho đối tượng
được mô hình hóa sao cho sau khi phủ Texture cho đối tượng,u cầu cần phải có độ chính xác cần
thiết mà có thể nhận ra được mơ hình giống với ngồi đời thực.
4.4 Phát triển hệ thống phần mềm tiếp viên ảo dựa trên nền tảng mô phỏng cử chỉ, trạng thái
khuôn mặt 3D
Trong khuôn khổ đề tài, chúng tôi xây dựng modul phần mềm phần cung cấp cho người sử
dụng một công cụ hỗ trợ đọc và hiển thị mô hình mặt người 3D trên máy tính. Cụ thể đã xây dựng
các mô đun cơ bản sau đây:
- Mô đun nhận dạng mặt người
- Đọc các mơ hình mặt người 3D theo cấu trúc VRML.
- Cho phép hiển thị mô hình theo một số vị trí góc nhìn cụ thể, trên cơ sở một số thao tác trên

mơ hình là xoay, phóng to, thu nhỏ, dịch chuyển.
- Đầu vào của hệ thống là các tệp mơ hình khn mặt 3D được lưu trữ mà mơ tả theo cấu trúc
VRML.
- Trích chọn đặc trưng từ ảnh khuôn mặt.
- Modul biểu diễn các trạng thái biểu cảm khuôn mặt 3D.
Về chức năng chính của phần mềm tiếp viên ảo 3D dựa trên các kỹ thuật biểu diễn cử chỉ, trạng
thái khuôn mặt.
13


Xử lý dữ liệu ảnh 2D, từ đó trích rút tập điểm điều khiển khuôn mặt.
Thực hiện biến đổi mô hình mặt 3D chỉ định trước dựa trên cơ sở tập điểm điều khiển đã có.
Phần mềm có thể biểu diễn một số cử chỉ trạng thái đặc trưng của khuôn mặt tiếp viên ảo 3D
phù hợp với lời thoại.
Mô hình mẫu đầu mặt người 3D
- Mơ hình 3D thể hiện đầu mặt người theo chuẩn VRML.
- Một bộ chỉ mục được thiết lập tương ứng
-

Tài liệu tham khảo
[1]

[2]

[3]

[4]
[5]

[6]

[7]
[8]
[9]
[10]

[11]
[12]
[13]
[14]

[15]

M. Piotraschke, V. Blanz, Automated 3D Face Reconstruction From Multiple Images Using
Quality Measures, Proceedings of the IEEE Conference on Computer Vision and Pattern
Recognition, pp. 3418-3427, 2016.
Georgia Sandbach, Stefanos Zafeiriou, Maja Pantic, Lijun Yin: Static and dynamic 3D facial
expression recognition: A comprehensive survey. Image Vision Comput. 30(10): 683-697,
2012.
Andre Teixeira Lopes, Edilson de Aguiar, Alberto F. De Souza, Thiago Oliveira-Santos:
Facial expression recognition with Convolutional Neural Networks: Coping with few data and
the training sample order. Pattern Recognition 61: 610-628, 2017.
T. F. Cootes, G. J. Edwards, and C. J. Taylor, “Active appearance models”, IEEE
Transactions on pattern analysis and machine intelligence, Vol 23, No 6, pp. 681-685, 2001.
Ahmed Maalej, Boulbaba Ben Amor, Mohamed Daoudi, Anuj Srivastava, Stefano Berretti:
Shape analysis of local facial patches for 3D facial expression recognition. Pattern
Recognition 44(8): 1581-1589, 2011.
Enrico Vezzetti, Federica Marcolin: 3D human face description: landmarks measures and
geometrical features. Image Vision Comput. 30(10): 698-712, 2012.
Rui Xu, Donald C. Wunsch II: Survey of clustering algorithms. IEEE Trans. Neural Networks
16(3): 645-678 (2005).

Martin Ester, Hans-Peter Kriegel, Jörg Sander, Xiaowei Xu: A Density-Based Algorithm for
Discovering Clusters in Large Spatial Databases with Noise. KDD 1996: 226-231
Levi Lelis, Jörg Sander: Semi-supervised Density-Based Clustering. ICDM 2009: 842-847
S. Basu, I. Davidson, and K. L. Wagstaff, Constrained Clustering: Advances in Algorithms,
Theory, and Applications, Chapman and Hall/CRC Data Mining and Knowledge Discovery
Series, 1st edn., 2008.
COBRA: A Fast and Simple Method for Active Clustering with Pairwise Constraints. IJCAI
2017: 2871-2877
Ahmad Ali Abin, Hamid Beigy: Active constrained fuzzy clustering: A multiple kernels
learning approach. Pattern Recognition 48(3): 953-967, 2015.
Vũ Việt Vũ, Nicolas Labroche, Active seed selection for constrained clustering. Intelligent
Data Analysis, 21(3), pp. 537-552, 2017.
Vũ Việt Vũ, Đỗ Hồng Quân, Đỗ Năng Toàn, Đặng Vũ Tuấn, 2019, An Efficient Densitybased Clustering with Side Information and Active Learning: A Case Study for Facial
Expression Recognition Task. Intelligent Data Analysis, 23(1), pp. 227-240, 2019.
Huỳnh Cao Tuấn, Đỗ Năng Toàn, Hà Mạnh Toàn, Một kỹ thuật xác định tập điểm điều khiển
phục vụ nắn chỉnh biến dạng mơ hình, Kỷ yếu hội thảo toàn quốc FAIR, 2018.
14


[16] Đỗ Năng Toàn, Phạm Tấn Năm, Trần Thanh Hiệp, Trịnh Hiền Anh (2005), “Một kỹ thuật tiếp
cận trong tạo mơ hình 3 chiều”, Báo cáo khoa học tại Hội thảo Quốc gia “Một số vấn đề chọn
lọc về CNTT”, Hải Phòng 25-27/08/2005.
[17] Nguyễn Văn Huân , Trịnh Xuân Hùng, Phạm Bá Mấy, “Cải tiến kỹ thuật biểu diễn bề mặt
NURBS” ”, Báo cáo khoa học tại Hội thảo Quốc gia “Một số vấn đề chọn lọc về CNTT”,
Biên Hòa – Đồng Nai 05-06/08/2009.
[18] />5. Đánh giá về các kết quả đã đạt được và kết luận
Kết quả chính của đề tài là 02 bài báo đăng trên tạp chí thuộc danh mục ISI, 01 bài báo đăng
trong hội nghị quốc gia và 02 mô đun phần mềm phục vụ cho bài tốn mơ phỏng cử chỉ trạng thái
mặt người 3-D. Về số lượng bài báo đăng ký là vượt chỉ tiêu, chất lượng phầm mềm đáp ứng yêu
cầu đặt ra của đề tài. Mặc dù vậy lĩnh vực nghiên cứu về mô phỏng 3D cũng như về nhận dạng

trạng thái cảm xúc cũng như ứng dụng vào thực tiễn vẫn cần tiếp tục được đầu tư nghiên cứu và
triển khai.
6. Tóm tắt kết quả (tiếng Việt và tiếng Anh)
Tóm tắt:
Nghiên cứu này tập trung vào vấn đề nhận dạng trạng thái cảm xúc khuôn mặt và mô phỏng
khuôn mặt. Trước tiên chúng tơi nghiên cứu tìm hiểu những cơng cụ cho bài tốn trích chọn đặc
trưng và các mơ hình biến đổi trong 2D và 3D. Tiếp theo chúng tơi đề xuất một số thuật tốn học
máy cho bài tốn nhận dạng trạng thái cảm xúc khn mặt. Cuối cùng chúng tôi xây dựng một số
mô đun cho việc mô phỏng cử chỉ trạng thái khuôn mặt. Các kết quả đạt được của đề tài như sau:
- Công bố 02 bài báo ISI, 01 bài báo hội thảo quốc gia.
- Hỗ trợ 02 nghiên cứu sinh.
- Xây dựng 02 mô đun phần mềm phục vụ cho việc mô phỏng.
Abstract:
This research focuses on the problem of facial expression recongitions and facial simullations.
Firstly, we study tools for extracting features and transforming in 2D and 3D facial images.
Secondly, we propose some machine learning methods for facial expression recognition data set.
Finally, we develop some modules for facial gestures 3-D simulation. The results of project are as
follows:
- Publish 02 ISI papers and 01 national proceeding paper.
- Support 02 PhD students.
- Develop 02 software modules for facial simulations.

15


PHẦN III. SẢN PHẨM, CÔNG BỐ VÀ KẾT QUẢ ĐÀO TẠO CỦA ĐỀ TÀI
3.1. Kết quả nghiên cứu
TT

1

2

3

Yêu cầu khoa học hoặc/và chỉ tiêu kinh tế - kỹ thuật

Tên sản phẩm

Đăng ký

Đạt được

Các phương pháp xử lý ảnh để - 01 bài ISI,
mô phỏng phục vụ thể hiện
- 01 bài báo tập san Đại học
các cử chỉ, trạng thái khuôn
Quốc gia Hà Nội
mặt người 3D cụ thể: đề xuất
kỹ thuật biểu diễn , biến đổi ,
nhận dạng cử chỉ và trạng
thái khuôn mặt.

02 bài báo ISI,
01 bài báo hội nghị quốc gia
FAIR’2018

- Xử lý dữ liệu ảnh 2D, từ đó
trích rút tập điểm điều khiển
khuôn mặt.

- Xử lý dữ liệu ảnh 2D, từ đó
trích rút tập điểm điều khiển
khn mặt.

Phần mềm tiếp viên ảo 3D
dựa trên các kỹ thuật biểu diễn
- Thực hiện biến đổi mơ hình
cử chỉ, trạng thái khn mặt.
mặt 3D chỉ định trước dựa

Mơ hình mẫu đầu mặt người
3D

- Thực hiện biến đổi mơ hình
mặt 3D chỉ định trước dựa

trên cơ sở tập điểm điều
khiển đã có.

trên cơ sở tập điểm điều
khiển đã có.

- Mơ hình 3D thể hiện đầu
mặt người theo chuẩn

- Mơ hình 3D thể hiện đầu
mặt người theo chuẩn

VRML.

VRML.

- Một bộ chỉ mục được thiết
lập tương ứng

- Một bộ chỉ mục được thiết
lập tương ứng

3.2. Hình thức, cấp độ cơng bố kết quả
Ghi địa chỉ
Tình trạng
và cảm ơn
(Đã in/ chấp nhận in/ đã nộp
sự tài trợ
đơn/ đã được chấp nhận đơn
Sản phẩm
TT
của
hợp lệ/ đã được cấp giấy xác
ĐHQGHN
nhận SHTT/ xác nhận sử dụng
đúng quy
sản phẩm)
định
1 Cơng trình cơng bớ trên tạp chí khoa học quốc tế theo hệ thống ISI/Scopus
1.1 Vũ Việt Vũ, Nicolas Labroche,
Đã in


Đánh giá
chung
(Đạt,
không
đạt)

Đạt

Active seed selection for
constrained clustering. Intelligent
Data Analysis, 21(3), pp. 537-552,
2017, [ISI].
1.2 Vũ Việt Vũ, Đỗ Hồng Quân, Đỗ Đã in
Năng Toàn, Đặng Vũ Tuấn, 2019,
An
Efficient
Density-based
Clustering with Side Information



Đạt

16


and Active Learning: A Case
Study for Facial Expression
Recognition Task. Intelligent Data
Analysis, 23(1), pp. 227-240,

2019. [ISI]
2
2.1
2.2
3
3.1
3.1
4
4.1
4.2
5

Sách chuyên khảo được xuất bản hoặc ký hợp đồng xuất bản
Đăng ký sở hữu trí tuệ
Bài báo quốc tế không thuộc hệ thống ISI/Scopus
Bài báo trên các tạp chí khoa học của ĐHQGHN, tạp chí khoa học chuyên ngành
quốc gia hoặc báo cáo khoa học đăng trong kỷ yếu hội nghị quốc tế

5.1
5.2
6 Báo cáo khoa học kiến nghị, tư vấn chính sách theo đặt hàng của đơn vị sử dụng
6.1
6.2
7 Kết quả dự kiến được ứng dụng tại các cơ quan hoạch định chính sách hoặc cơ sở
ứng dụng KH&CN
- Xử lý dữ liệu ảnh 2D, từ
Phần mềm tiếp viên ảo 3D dựa
trên các kỹ thuật biểu diễn cử chỉ,
7.1 trạng thái khn mặt.

đó trích rút tập điểm điều
khiển khn mặt.
Đã có

- Thực hiện biến đổi mơ
hình mặt 3D chỉ định
trước dựa trên cơ sở tập
điểm điều khiển đã có.
- Mơ hình 3D thể hiện
đầu mặt người theo chuẩn

7.2 Mơ hình mẫu đầu mặt người 3D

Đạt

Đã có

Đạt

VRML.
- Một bộ chỉ mục được
thiết lập tương ứng

Ghi chú:
- Cột sản phẩm khoa học công nghệ: Liệt kê các thông tin các sản phẩm KHCN theo thứ tự
cơng trình, mã cơng trình đăng tạp chí/sách chun khảo (DOI), loại tạp chí ISI/Scopus>
- Các ấn phẩm khoa học (bài báo, báo cáo KH, sách chuyên khảo…) chỉ được chấp nhận nếu
có ghi nhận địa chỉ và cảm ơn tài trợ của ĐHQGHN theo đúng quy định.
17

- Bản phơ tơ tồn văn các ấn phẩm này phải đưa vào phụ lục các minh chứng của báo cáo.
Riêng sách chun khảo cần có bản phơ tơ bìa, trang đầu và trang cuối có ghi thơng tin mã số xuất
bản.
3.3. Kết quả đào tạo
Thời gian và kinh phí
TT
Họ và tên
tham gia đề tài
(số tháng/số tiền)
Nghiên cứu sinh
1 Trịnh Xuân
Hùng
2 Đặng Vũ Tuấn
Học viên cao học
1 Dương Văn
Cường

2

Bùi Quang
Vinh

Công trình cơng bố liên quan
(Sản phẩm KHCN, luận án, luận
văn)

Đã bảo vệ

01 bài đăng trên kỷ yếu hội nghị
FAIR 2018.
Đồng tác giả 01 bài báo ISI
Nghiên cứu một số phương pháp
trích chọn đặc trưng cho ảnh và
ứng dụng trong bài tốn phân loại
trạng thái cảm xúc khn mặt,
Luận văn Thạc sĩ trường Đại học
CNTT&TT-Đại học Thái Nguyên,
2018, GVHD: Vũ Việt Vũ
Nghiên cứu phương pháp học đa
tầng (deep learning) ứng dụng cho
bài tốn phân loại trạng thái cảm
xúc khn mặt, Luận văn Thạc sĩ
Trường Đại học Hồng Đức, 2018,
GVHD: Vũ Việt Vũ

Đã bảo vệ

Đã bảo vệ

Ghi chú:
- Gửi kèm bản photo trang bìa luận án/ luận văn/ khóa luận và bằng hoặc giấy chứng nhận
nghiên cứu sinh/thạc sỹ nếu học viên đã bảo vệ thành công luận án/ luận văn;
- Cột cơng trình cơng bố ghi như mục III.1.
PHẦN IV. TỔNG HỢP KẾT QỦA CÁC SẢN PHẨM KH&CN VÀ ĐÀO TẠO CỦA ĐỀ TÀI
TT
Sản phẩm
Số lượng Số lượng đã
đăng ký hoàn thành

1 Bài báo cơng bớ trên tạp chí khoa học quốc tế theo hệ thống
01
01 bài ISI
ISI/Scopus
2 Sách chuyên khảo được xuất bản hoặc ký hợp đồng xuất
bản
3 Đăng ký sở hữu trí tuệ
4 Bài báo quốc tế khơng thuộc hệ thống ISI/Scopus
5 Số lượng bài báo trên các tạp chí khoa học của ĐHQGHN,
01
01 bài ISI
tạp chí khoa học chuyên ngành quốc gia hoặc báo cáo khoa
học đăng trong kỷ yếu hội nghị quốc tế
6 Báo cáo khoa học kiến nghị, tư vấn chính sách theo đặt
hàng của đơn vị sử dụng
7 Kết quả dự kiến được ứng dụng tại các cơ quan hoạch định
chính sách hoặc cơ sở ứng dụng KH&CN
8 Đào tạo/hỗ trợ đào tạo NCS
01
02
9 Đào tạo thạc sĩ
02
02
18


PHẦN V. TÌNH HÌNH SỬ DỤNG KINH PHÍ
Nội dung chi

TT

Chi phí trực tiếp
Th khốn chun mơn
Ngun, nhiên vật liệu, cây con.
Thiết bị, dụng cụ
Cơng tác phí
Dịch vụ th ngồi
Hội nghị, Hội thảo, kiểm tra tiến độ, nghiệm
thu
In ấn, Văn phòng phẩm
Chi phí khác
Chi phí gián tiếp
Quản lý phí
Chi phí điện, nước
Tổng số

A
1
2
3
4
5
6
7
8
B
1
2

Kinh phí

được duyệt
(triệu đồng)
285
270.783

Kinh phí
thực hiện
(triệu đồng)
285
270.783

10

10

4.217

4.217

15
15

15
15

300

300

Ghi chú

PHẦN V. KIẾN NGHỊ (về phát triển các kết quả nghiên cứu của đề tài; về quản lý, tổ chức thực
hiện ở các cấp)
PHẦN VI. PHỤ LỤC (minh chứng các sản phẩm nêu ở Phần III)
-

02 bài báo ISI, 01 bài đăng trên kỷ yếu hội nghị FAIR.

-

02 mô đun phần mềm

-

02 minh chứng đào tạo Thạc sĩ

Hà Nội, ngày ....... tháng …… năm 2019
Đơn vị chủ trì đề tài
(Thủ trưởng đơn vị ký tên, đóng dấu)

Chủ nhiệm đề tài
(Họ tên, chữ ký)

19