- HỆ THỐNG NHẬN DIỆN KHUÔN MẶT TRONG CHẤM CÔNG VÀ ĐIỂM DANH. - Điểm danh là một công việc thực tế thường được thực hiện trong các trường học, cơ quan, nhà máy. - Tuy nhiên, công tác điểm danh còn khá nhiều bất cập, phương pháp điểm danh bằng cách đọc tên tốn rất nhiều thời gian, điểm danh bằng cách quét vân tay thì có thể lây bệnh truyền nhiễm, hay nếu điểm danh bằng quẹt thẻ thì có thể xảy ra tình trạng người này quẹt thẻ giúp người khác. - Từ các vấn đề ở trên, chúng ta cần phải xây dựng hệ thống mới có yêu cầu kỹ thuật, quản lý chuyên nghiệp hơn, giải quyết các khuyết điểm của cách quản lý cũ. - Trong bài báo này, chúng tôi nghiên cứu các thành tựu của mô hình nhận diện khuôn mặt, so sánh và thực nghiệm để tìm ra phương pháp tối ưu nhất. - Song song với đó sẽ thực hiện phân tích, thiết kế một hệ thống lưu trữ thông tin hoàn chỉnh, ứng dụng các công nghệ xây dựng phần mềm mới nhất hiện nay áp dụng vào hệ thống chấm công, điểm danh.. - Hệ thống điểm danh bằng khuôn mặt thực hiện tự động phát hiện khuôn mặt người trong ảnh thu được từ camera và xác định danh tính của đối tượng trong hệ thống dựa vào nội dung của ảnh khuôn mặt rút trích được. - Do đó, chỉ cần gắn camera trong phòng hoặc trước lối đi vào, hệ thống sẽ tự động quét và cập nhật chính xác thông tin của những người có mặt mà không gây bất cứ sự phiền phức nào cho người cần điểm danh. - Tuy nhiên, hiện nay ở Việt Nam các hệ thống này chưa thực sự phát triển mạnh, chủ yếu là các sản phẩm của nước ngoài với giá thành cao. - Vì vậy, chúng tôi đề xuất giải pháp tổng thể cho bài toán nhận diện khuôn mặt người trực tiếp từ các thiết bị webcam, camera giám sát, hướng đến mục tiêu xây dựng hệ thống hoàn chỉnh bao gồm các ứng dụng dùng để chấm công một cách tự động theo thời gian thực, ứng dụng điểm danh trên thiết bị di động và ứng dụng cho người quản lý. - Cùng với đó hệ thống cũng cần đạt được các yêu cầu về tốc độ xử lý nhanh, dễ. - Sơ đồ xử lý logic nhận diện khuôn mặt 2.1 SSD MobileNet. - Phát hiện khuôn mặt là quá trình tìm kiếm và định vị khuôn mặt trên một frame ảnh bất kì [3].. - Phương pháp phát hiện khuôn mặt ở đây được đề xuất sử dụng là mô hình kiến trúc của SSD xây dựng trên mạng cơ sở MobileNet [6].. - Những cải tiến này cho phép SSD tiến gần được với độ chính xác cao nhưng lại có thể sử dụng hình ảnh có độ phân giải thấp hơn, giúp đẩy tốc độ cao hơn [7].. - Với sự thay đổi này, MobileNet có thể hoạt động một cách mượt mà ngay cả trên phần cứng cấu hình thấp.. - Độ chính xác và hiệu suất của mô hình dựa trên bộ dữ liệu xác thực ImageNet [9]. - Mô hình mạng SSD dựa trên kiến trúc MobileNet. - Mạng sâu rất khó huấn luyện vì vấn đề vanishing gradient – vì độ dốc được truyền ngược trở lại các lớp trước đó, phép nhân lặp đi lặp lại có thể làm cho độ dốc cực nhỏ. - Với Residual Block, ta hoàn toàn có thể train các mô hình CNN có kích thước và độ phức tạp lớn hơn mà không lo bị exploding/vanishing gradient. - Trong vấn đề phân lớp nhị phân, giải thuật SVM tìm siêu phẳng tối ưu để cho phân hoạch. - Siêu phẳng tối ưu là siêu phẳng tách hai lớp ra xa nhất có thể dựa trên hai siêu phẳng hỗ trợ song song, chia không gian thành các miền khác nhau và mỗi miền chứa một loại dữ liệu [5, 8].. - Ý tưởng của SVM là tìm một siêu phẳng (hyper lane) để phân tách các điểm dữ liệu. - Siêu phẳng này sẽ chia không gian thành các miền khác nhau và mỗi miền sẽ chứa một loại dữ liệu. - Siêu phẳng này được biểu diễn bằng hàm số: <W.X>. - Support Vector Machine 2.3.2 Chọn siêu phẳng tối ưu. - Siêu phẳng phân tách hai lớp giữ liệu H thỏa mãn <W.X>. - Khoảng cách giữa hai siêu phẳng hỗ trợ m = (d. - Có thể thấy rằng lề phân hoạch càng lớn thì mô hình phân lớp càng an toàn. - Những phần tử nằm ngược phía với siêu phẳng hỗ trợ được coi như lỗi. - Giải thuật SVM tìm siêu phẳng tối ưu cần phải cực đại hóa lề và cực tiểu hóa lỗi [8].. - Các điểm trắng, đen nằm trên 2 đường biên được gọi là các support vector, vì chúng có nhiệm vụ support để tìm ra siêu phẳng [2, 4, 8].. - Khoảng cách từ một điểm X k đến siêu phẳng H 0 là:. - Từ đó ta có thể tính được mức lề m = (d. - 2 3 TRIỂN KHAI HỆ THỐNG. - Ở đây chúng tôi sử dụng mô hình có sẵn để huấn luyện cho bộ dữ liệu trên, cụ thể là MobileNet. - Trong ứng dụng, chúng tôi trích chọn các đặc trưng của khuôn mặt: Mắt, mũi, miệng với nguồn dữ liệu input là video từ Webcam/Camera.. - Trong bài báo này, chúng tôi đã quyết được vấn đề làm sao để có thể điểm danh, chấm công một cách tự động, nhanh chóng và chính xác với độ tin cậy trên 90%. - Xây được hệ thống quản lý có thể hoạt động trên cấu hình thấp và đồng thời khắc phục được những nhược điểm của hệ thống điểm danh cũ. - Với kết quả như trên, trong nghiên cứu tiếp theo, chúng tôi sẽ tiến hành tối ưu hóa mô hình nhận diện, tăng tốc độ xử lý, độ chính xác. - đưa việc điểm danh sinh viên lên thiết bị di động và sinh viên có thể tự điểm danh ngay chính trên thiết bị cá nhân.
Xem thử không khả dụng, vui lòng xem tại trang nguồn hoặc xem
Tóm tắt