- HỆ THỐNG NHẬN DIỆN KHUÔN MẶT QUA CAMERA. - TỔNG QUAN VỀ NHẬN DIỆN KHUÔN MẶT 3. - Tổng quan về nhận diện khuôn mặt cùng với các ứng dụng thực tế của các kỹ thuật. - nhận dạng khuôn mặt. - 1.1.2 Kiến trúc tổng quát hệ thống nhận diện 3. - Một số phương pháp trong nhận diện khuôn mặt thường được áp dụng trong thực tế. - 1.3 Phương pháp xác định vị trí khuôn mặt với mạng tích chập MTCNN 8. - HỆ THỐNG NHẬN DIỆN KHUÔN MẶT DỰA TRÊN MẠNG NƠ RON. - 2.1 Sơ đồ thiết kế hệ thống nhận diện khuôn mặt 9. - 2.2 Mạng Inception-ResNet sử dụng cho việc trích chọn đặc trưng khuôn mặt 10. - 3.1 Bộ dữ liệu đầu vào 13. - 3.3 Thử nghiệm chạy hệ thống nhận diện khuôn mặt nhận diện khách hàng VIP của khách. - Kiến trúc tổng quát về hệ thống nhận diện. - Sơ đồ hoạt động của hệ thống nhận diện khuôn mặt. - Hệ thống nhận diện khuôn bình thường. - Hệ thống nhận diện khuôn mặt có đeo kính. - Trong thời gian gần đây, một trong những bài toán được nghiên cứu, ứng dụng nhiều nhất vào trong cuộc sống đó là bài toán nhận diện. - Tuy mới xuất hiện chưa lâu nhưng nó đã rất được quan tâm vì tính ứng dụng thực tế của bài toán như nhận dạng chữ viết, nhận dạng giọng nói, nhận dạng hình dáng, nhận diện khuôn mặt. - Trong đó, bài toán nhận diện khuôn mặt là một chủ đề đang được khá nhiều nhà đầu tư, doanh nghiệp quan tâm đến. - Dù đã được nghiên cứu từ rất lâu nhưng bài toán nhận diện khuôn mặt vẫn đang gặp phải nhiều thách thức và vẫn chưa có phương pháp cụ thể nào có thể giải quyết hết các vấn đề trong bài toán này.. - Bài toán nhận diện khuôn mặt là một trong những chủ đề đang được quan tâm nhiều nhất. - Các ứng dụng liên quan đến nhận diện khuôn mặt có thể kể như: tra cứu thông tin tội phạm, phát hiện tội phạm tại các nơi công cộng, tìm người lạc, điểm danh học sinh. - Từ những phân tích và khảo sát ở trên, em nhận thấy hệ thống nhận diện khuôn mặt rất có ý nghĩa trong thực tiễn cuộc sống và em xin chọn đề tài nghiên cứu “Hệ thống nhận diện khuôn mặt qua camera”. - Kết quả của luận văn hướng tới việc xây một hệ thống nhận diện khuôn mặt có khả năng mở khả năng mở rộng cao, dễ dàng tích hợp.. - Tổng quan về nhận diện khuôn. - Chương này sẽ trình bày một số nội dung nền tảng về bài toán nhận diện khuôn mặt, các ứng dụng tương tác người máy liên quan đến nhận diện khuôn mặt, và một số kỹ thuật hay được sử dụng trong bài toán nhận diện khuôn mặt. - Phần đầu tiên giới thiệu tổng quan về bài toán nhận diện khuôn mặt cùng với các ứng dụng thực tế. - Phần thứ hai giới thiệu một số phương pháp trong nhận diện khuôn mặt thường được áp dụng trong thực tế và nghiên cứu.. - Phần cuối cùng giới thiệu một số mạng tích chập thường được sử dụng trong bài toán nhận diện khuôn mặt.. - Hệ thống nhận diện khuôn mặt dựa trên mạng nơ ron tích chập Các kỹ thuật cơ bản được sử dụng để xây dựng hệ thống nhận diện khuôn mặt của luận văn được trình bày trong chương này. - Nội dung của chương trình bày về các phương pháp trích chọn đặc trưng phục vụ quá trình nhận diện khuôn mặt, phương pháp định danh khuôn mặt và mô hình học máy được sử dụng để phân loại dữ liệu nhận diện khuôn mặt. - Chương này cũng bao gồm các thông tin về mô hình, kiến trúc mạng nơ ron tích chập Inception-ResNet sử dụng cho việc trích chọn đặc trưng khuôn mặt của luận văn.. - TỔNG QUAN VỀ NHẬN DIỆN KHUÔN MẶT 1.1. - Tổng quan về nhận diện khuôn mặt cùng với các ứng dụng thực tế của các kỹ thuật nhận dạng khuôn mặt.. - Nhận diện khuôn mặt là một bài toán tổng hợp. - 1.1.2 Kiến trúc tổng quát hệ thống nhận diện. - Bài toán nhận diện khuôn mặt có rất nhiều ứng dụng trong cuộc sống. - Trong đó, một số ứng dụng tiêu biểu không thể không kể đến của bài toán này là hệ thống phát hiện, truy vết tội phạm, hệ thống tìm trẻ lạc, hệ thống điểm danh, chấm công hay ứng dụng nhận diện đối tác, khách hàng VIP. - Một số phương pháp trong nhận diện khuôn mặt thường được áp dụng trong thực tế và nghiên cứu. - PCA (Principle Components Analysic) là một thuật toán được sử dụng để tạo ra một ảnh mới từ ảnh ban đầu. - Ngưỡng là được đưa vào để sử dụng trong hàm kích hoạt. - Hàm kích hoạt được sử dụng để giới hạn đầu ra của các nơ-ron. - Mô hình mạng nơ-ron được sử dụng rộng rãi nhất là mô hình mạng nhiều tầng truyền thẳng. - 1.3 Phương pháp xác định vị trí khuôn mặt với mạng tích chập MTCNN. - Mỗi mang con đều xử lý một bài toán nhỏ trong việc xác định vị trí của khuôn mặt. - Trong kiến trúc, MTCNN sử dụng lần lượt ba mạng P-Net, R- Net, O-Net để xác định khuôn mặt.. - Chương này đã giới thiệu về tổng quan về nhận diện khuôn mặt, kiến trúc hệ thống nhận diện khuôn mặt cũng như ứng dụng của hệ thống trong thực tế. - Bên cạnh đó nội dung của chương cũng trình bày về một số phương pháp hay được sử dụng trong bài toán nhận diện khuôn mặt như PCA, LDA, cây quyết định, mạng nơ ron nhân tạo, nơ ron tích chập. - Từ đó có thể đánh giá được ưu nhược điểm của từng phương pháp trong bài toán nhận diện khuôn mặt.. - HỆ THỐNG NHẬN DIỆN KHUÔN MẶT DỰA TRÊN MẠNG NƠ RON TÍCH CHẬP. - 2.1 Sơ đồ thiết kế hệ thống nhận diện khuôn mặt. - Trong hệ thống có ba bước xử lý chính để có thể nhận diện khuôn mặt. - Đó là xác định vị trí khuôn mặt, trích chọn đặc trưng của khuôn mặt và phân loại xác định khuôn mặt.. - Đó là xác định vị trí khuôn mặt, trích chọn đặc trưng của khuôn mặt và phân loại xác định khuôn mặt. - Về nghiệp vụ xử lý thì sau khi xác định khuôn mặt và định danh thành công khách hàng. - Hệ thống sẽ lưu thông tin khuôn mặt và ghi lên hình để phát trực tiếp. - Sau 10s nếu khách hàng đó tiếp tục xuất hiện trên video thì hệ thống sẽ tiếp tục hiển thị khuôn mặt, thông tin khách hàng đó để lễ tân có thể nắm được.. - Các bước để huấn luyện mô hình phân loại:. - Bước 1: Chuẩn bị dữ liệu ảnh khuôn mặt để huấn luyện. - Bước 2: Xử lý xác định vị trí và trích chọn đặc trưng khuôn mặt từ tập huấn luyện. - Hệ thống sẽ lưu thông tin khuôn mặt và ghi lên hình để phát trực tiếp.. - 2.2 Mạng Inception-ResNet sử dụng cho việc trích chọn đặc trưng khuôn mặt. - Kiến trúc mô hình của rừng ngẫu nhiên là một tập hợp của nhiều cây quyết định. - Chương này trình bày về sơ đồ thiết kế hệ thống nhận diện khuôn mặt, mạng trích chọn đặc trưng và kỹ thuật phân loại rừng ngẫu nhiên. - Chương 3 sẽ trình bày về kết quả thu được khi sử dụng mạng inception resnet kết hợp với rừng ngẫu nhiên cho bài toán nhận diện khuôn mặt.. - THỬ NGHIỆM VÀ ĐÁNH GIÁ 3.1 Bộ dữ liệu đầu vào. - Bộ dữ liệu được sử dụng trong luận văn là hai bộ dữ liệu faces94 [10] và CASIA-WebFace [16]. - Luận văn sẽ sử dụng hai bộ dữ liệu vào các mục đích khác nhau. - Đây là bộ dữ liệu nhỏ được dùng để thử nghiệm và đánh giá hiệu quả của kiến trúc mạng trước khi sử dụng bộ dữ liệu chính để huấn luyện. - Trước khi đưa vào huấn luyện cho mô hình trích chọn đặc trưng thì những bức ảnh này sẽ được duyệt qua mô hình mtcnn để xác định vị trí tọa độ khuôn mặt của mỗi người trong tập dữ liệu.. - Dữ liệu được sử dụng cho việc huấn luyện này là CASIA-WebFace. - Đây là một tập dữ liệu về khuôn mặt rất lớn được thu thập từ học viện khoa học Trung Quốc. - Để có một mô hình trích chọn đặc trưng thật tốt thì số lượng dữ liệu về khuôn mặt phải đủ lớn, đủ độ đa dạng vè hình dáng, kích thước cũng như màu sắc. - 3.3 Thử nghiệm chạy hệ thống nhận diện khuôn mặt nhận diện khách hàng VIP của khách sạn. - Hệ thống nhận diện khách hàng VIP sẽ được phát triển trên nền tảng Ubuntu và ngôn ngữ lập trình được sử dụng là. - Mô hình thử nghiệm được huấn luyện với tập dữ liệu khoảng 200 khách hàng, mỗi vị khách có khoảng 10-30 ảnh khuôn mặt trong cơ sở dữ liệu. - Trong quá trình phân loại em đã chọn ra được ngưỡng là 40% để xác định khuôn mặt. - Ngưỡng này sử dụng được sử dụng để tránh việc xác suất khuôn mặt trả ra quá thấp gây ra việc nhận nhầm thông tin. - Sau khi thiết lập địa chỉ luồng phát video trực tiếp thì ta có thể khởi động hệ thống. - Sau đây là một số hình ảnh hệ thống hoạt động. - Hệ thống có thể nhận diện khuôn mặt một cách bình thường cả khi người đó đang đeo kính. - Hệ thống nhận diện khách hàng mỗi giây có thể xử lý 5 khung hình với độ phân giải fullhd.. - Các tập dữ liệu được sử dụng để đánh giá trong luận văn này là Faces94 [10], Faces95[11], Faces96[12], Grimace[13]. - Mạng Inception Resnet V1 có thể học được các đặc trưng trên khuôn mặt tốt hơn hẳn so với các phương pháp học máy truyền thống. - Kiến trúc mạng tích chập này có khả năng học đặc trưng cực kì tốt vì nó vẫn có thể trích rút các đặc trưng chính của khuôn mặt trong các trường hợp thiếu sáng, khuôn mặt không đầy đủ hay như người đang đeo kính. - Inception Resnet V1 kết hợp với Random forest cho ta độ chính xác thấp hơn khoảng 1% so với phương pháp sử dụng multilayer perceptron kết hợp với PCA và DCT nhưng thời gian để huấn luyện và nhận diện. - khuôn mặt nhỏ hơn rất nhiều. - Từ đó ta thấy phương pháp sử dụng mạng Inception Resnet V1 kết hợp với Random forest dễ dàng triển khai thực tế hơn dù độ chính xác.. - Chương này trình bày về quá trình huấn luyện, kiểm thử, đánh giá chất lượng của mô hình trích chọn đặc trưng inception resnet và thử nghiệm chạy hệ thống nhận diện khách hàng VIP tại khách sạn. - Kết quả của hệ thống khá tốt với thời gian xử lý khoảng 0.2 giây một khung hình cùng với khả năng nhận diện được khuôn mặt từ nhiều góc độ, sắc thái, điều kiện khác nhau, điều mà các mô hình học máy truyền thống chưa xử lý tốt.. - Bài toán nhận diện khuôn mặt không còn là một vấn đề mới nhưng nhận diện khuôn mặt dựa trên các mạng học sâu đang rất được quan tâm.. - Trên cơ sở tìm hiểu và nghiên cứu các phương pháp nhận diện khuôn mặt áp dụng vào hệ thống nhận diện khuôn mặt qua camera, luận văn đã đạt được những kết quả sau. - Đó là tìm hiểu, thực nghiệm các mô hình mạng học sâu, học máy như nơ- ron tích chập và rừng ngẫu nhiên để xử lý bài toán nhận diện. - Phân tích kết quả thu được và tìm ra mô hình mạng học sâu thích hợp cho bài toán nhận diện khuôn mặt.. - Xây dựng thành công hệ thống nhận diện khuôn mặt qua camera có chức năng phát hiện khuôn mặt trực tiếp qua video.. - Hệ thống sau khi được phát triển cho thấy rằng việc mô hình mạng trích chọn đặc trưng đang đem tới kết quả rất là tốt tuy nhiên cũng xuất hiện một số mặt hạn chế. - Đó là mô hình phân loại này không phù hợp với tập dữ liệu quá lớn. - Qua những kết quả và hạn chế của ứng dụng đã cho thấy việc xây dựng hệ thống nhận diện khuôn mặt còn đòi hỏi phải thực hiện, nghiên cứu và áp dụng thêm nhiều phương pháp mới. - Hướng tiếp theo là nghiên cứu một số phương pháp sử dụng khoảng cách khi huấn luyện với triplet loss. - Phương pháp này sẽ cần dung lượng bộ nhớ lớn nhưng không cần huấn luyện và sử dụng mô hình phân loại.
Xem thử không khả dụng, vui lòng xem tại trang nguồn hoặc xem
Tóm tắt