Tóm tắt Luận văn Hệ thống nhận diện khuôn mặt qua camera

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

---------------------------------------

NGUYỄN QUANG HUY

HỆ THỐNG NHẬN DIỆN KHUÔN MẶT QUA CAMERA

TÓM TẮT LUẬN VĂN THẠC SĨ KỸ THUẬT

HÀ NỘI - 2020

Luận văn được hoàn thành tại:

HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THÔNG

Người hướng dẫn khoa học: TS. NGUYỄN ĐÌNH HÓA

Phản biện 1: PGS.TS.Lê Hữu Lập .………………………………

Phản biện 2: TS.Tạ Quang Hùng…………………………………

Luận văn sẽ được bảo vệ trước Hội đồng chấm luận văn thạc sĩ tại Học viện

Công nghệ Bưu chính Viễn thông

Vào lúc:

8 giờ ngày 09 tháng 01 năm 2021

Có thể tìm hiểu luận văn tại:

- Thư viện của Học viện Công nghệ Bưu chính Viễn thông

i

MỤC LỤC

DANH MỤC CÁC BẢNG

ii

CHƯƠNG 1. TỔ NG QUAN V Ề NH Ậ N DI Ệ N KHUÔN M Ặ T

3

1.1. T ổ ng quan v ề nh ậ n di ệ n khuôn m ặ t cùng v ớ i các ứ ng d ụ ng th ự c t ế c ủ a các k ỹ thu ậ t

nh ậ n d ạ ng khuôn m ặ t.

3

1.1.1 T ổ ng quan

1.1.2 Ki ế n trúc t ổ ng quát h ệ th ố ng nh ậ n di ệ n

1.1.3 Ứ ng d ụ ng

1.2. M ộ t s ố phương pháp trong nh ậ n di ệ n khuôn m ặt thường đượ c áp d ụ ng trong th ự c t ế

1.2.1 Phân tích thành ph ầ n chính(PCA)

1.2.2 Phân tích s ự khác bi ệ t tuy ế n tính(LDA)

1.2.3 Cây quy ết đị nh (Decision Tree)

1.2.4 M ạng nơ -ron nhân t ạ o

1.2.5 M ạng nơ -ron tích ch ậ p

1.3 Phương pháp xác đị nh v ị trí khuôn m ặ t v ớ i m ạ ng tích ch ậ p MTCNN

1.4 K ế t lu ậ n

8

9

CHƯƠNG 2. HỆ TH Ố NG NH Ậ N DI Ệ N KHUÔN M Ặ T D Ự A TRÊN M ẠNG NƠ RON

TÍCH CH Ậ P

9

2.1 Sơ đồ thi ế t k ế h ệ th ố ng nh ậ n di ệ n khuôn m ặ t

2.2 M ạ ng Inception-ResNet s ử d ụ ng cho vi ệ c trích ch ọn đặc trưng khuôn mặ t

10

2.3 R ừ ng ng ẫ u nhiên

CHƯƠNG 3. THỬ NGHI ỆM VÀ ĐÁNH GIÁ

3.1 B ộ d ữ li ệu đầ u vào

3.2 Quá trình hu ấ n luy ệ n

3.3 Th ử nghi ệ m ch ạ y h ệ th ố ng nh ậ n di ệ n khuôn m ặ t nh ậ n di ệ n khách hàng VIP c ủ a khách

K Ế T LU Ậ N

DANH M Ụ C CÁC TÀI LI Ệ U THAM KH Ả O

ii

DANH MỤC CÁC BẢNG

B ả ng 1.1. Các hàm kích ho ạ t....................................................................................................5

B ả ng 3.1. B ảng đánh giá độ chính xác gi ữ a các mô hình ......................................................16

iii

DANH MỤC CÁC HÌNH

Hình 1.1. Ki ế n trúc t ổ ng quát v ề h ệ th ố ng nh ậ n di ệ n ..............................................................3

Hình 1.2. C ấ u t ạ o c ủ a Perceptrons ...........................................................................................4

Hình 1. 3. C ấ u trúc c ủa nơ -ron nhân t ạ o ..................................................................................5

Hình 1.4. C ấ u t ạ o c ủ a m ạ ng truy ề n th ẳ n g ................................................................................7

Hình 1.5. C ấ u t ạ o c ủ a m ạ ng MLP............................................................................................7

Hình 1.6. Ki ế n trúc m ạ ng CNN................................................................................................8

Hình 2.1. Sơ đồ ho ạt độ ng c ủ a h ệ th ố ng nh ậ n di ệ n khuôn m ặ t .............................................10

Hình 2.2. Ki ế n trúc m ạ ng Inception-ResNet..........................................................................11

Hình 2.3. Ki ế n trúc c ủ a r ừ ng ng ẫ u nhiên ...............................................................................12

Hình 3.1. H ệ th ố ng nh ậ n di ệ n khuôn bình thườ ng.................................................................14

Hình 3.2. H ệ th ố ng nh ậ n di ệ n khuôn m ặt có đeo kính ...........................................................15

1

MỞ ĐẦU

Công nghệ thông tin ngày càng phát triển và đã là một thành phần không thể

thiếu trong hầu hết mọi lĩnh vực trên thế giới. Những người máy thông minh được

con người tạo ra đã có khả năng phân tích và xử lý được các công việc của con

người một cách tự động và đem lại lợi ích kinh tế rất lớn. 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. Ứng dụng từ bài toán này được áp dụng trong rất nhiều lĩnh vực khác

nhau. 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.

Nội dung luận văn được trình bày trong ba chương với các nội dung chính

như sau:

Chương 1. 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. Nội dung của

2

chương bao gồm ba phần chính. 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.

Chương 2. 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.

Chương 3. Thử nghiệm và đánh giá

Chương này mô tả chi tiết về bộ dữ liệu được sử dụng, cùng các kịch bản

và kết quả các quá trình huấn luyện mô hình. Các kết quả thực nghiệm kèm theo

đánh giá mô hình sau khi huấn luyện cũng được trình bày trong chương này.

Nội dung của luận văn được kết thúc bằng phần Kết luận, trong đó trình bày

tóm lược các nội dung và kết quả đã đạt được trong luận văn, từ đó đề xuất các hướng

phát triển trong tương lại.

3

CHƯƠNG 1. 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.

1.1.1 Tổng quan

Nhận diện khuôn mặt là một bài toán tổng hợp. Trong đó ta cần các mô đun

quan trọng như như xác định vị trí khuôn mặt, trích chọn đặc trưng rồi phân loại. Từ

đó ta có thể xác định danh tính người trong ảnh.

1.1.2 Kiến trúc tổng quát hệ thống nhận diện

Hình 1.1. Kiến trúc tổng quát về hệ thống nhận diện

1.1.3 Ứng dụng

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. Các bài toán trên hiện đang được sử

dụng rất nhiều và thành một phần không thể thiếu trong cuộc sống của mỗi người.

1.2. Một số phương pháp trong nhận diện khuôn mặt thường được áp

dụng trong thực tế và nghiên cứu

1.2.1 Phân tích thành phần chính(PCA)

PCA (Principle Components Analysic) là một thuật toán được sử dụng để tạo

ra một ảnh mới từ ảnh ban đầu. Ảnh mới này có kích thước nhỏ hơn nhiều so với ảnh

ban đầu nhưng vẫn mang những đặc trưng cơ bản nhất của ảnh cần nhận dạng

1.2.2 Phân tích sự khác biệt tuyến tính(LDA)

LDA có thể được coi là một phương pháp giảm chiều dữ liệu (dimensionality

reduction), và cũng có thể được coi là một phương pháp phân lớp (classification), và

cũng có thể được áp dụng đồng thời cho cả hai, tức giảm chiều dữ liệu sao cho việc

phân lớp hiệu quả nhất.

4

1.2.3 Cây quyết định (Decision Tree)

Việc quan sát, suy nghĩ và đưa ra các quyết định của con người thường được

bắt đầu từ các câu hỏi. Trong học máy cũng có mô hình đưa ra quyết định dựa vào

các câu hỏi như cây quyết định. Cây quyết định (Decision Tree) là một trong những

thuật toán phổ biến của học máy thuộc nhánh học có giám sát.

1.2.4 Mạng nơ-ron nhân tạo

Mạng nơ-ron nhân tạo (Neural Network - NN) là một mô hình lập trình rất đẹp

lấy cảm hứng từ mạng nơ-ron thần kinh và nó đang trở thành một công cụ rất mạnh

mẽ đem lại hiệu quả rất tốt trong các bài toán khó có thể kể đến như xử lý ngôn ngữ,

phân loại ảnh, giọng nói.

a. Perceptrons

Perceptron là một mạng nơ-ron được cấu tạo dựa trên các nơ-ron đơn lẻ. Mô

hình của perceptron cũng giống như một nơ-ron. Chúng đều nhận nhiều đầu vào và

cho ra một kết quả duy nhất:

Hình 1.2. Cấu tạo của Perceptrons

Một perceptron sẽ nhận một hoặc nhiều đầu vào dạng nhị phân và cho ra một

kết quả dưới dạng nhị phân duy nhất. Dữ liệu đầu vào đều chịu ảnh ảnh hưởng bởi

các trọng số tương ứng của nó. Kết quả đầu ra quyết định dựa vào một ngưỡng quyết

định.

1 + exp(−x)

5

b. Cấu trúc của nơ-ron nhân tạo

Hình 1. 3. Cấu trúc của nơ-ron nhân tạo

Trong đó. dữ liệu đầu vào là các tín hiệu dưới dạng dưới dạng một vectơ N

chiều được truyền vào. Trọng số liên kết là thường được gọi là weight. Chúng được

khơi tạo một cách ngẫu nhiên. Hàm tổng là sử dụng để tính tổng các tích của dữ liệu

đầu vào với trọng số liên kết của nó. Ngưỡng là được đưa vào để sử dụng trong hàm

kích hoạt. Hàm kích hoạt là đầu và là kết quả của hàm tổng và ngưỡng. Hàm kích

hoạt được sử dụng để giới hạn đầu ra của các nơ-ron. Các hàm kích hoạt là các hàm

tuyến tính hay phi tuyến và chúng rất đa dạng. Để chọn lựa được hàm kích hoạt tốt

sẽ tùy thuộc vào kinh nghiệm của người thiết kế mạng. Đầu ra là tín hiệu đầu ra duy

nhất của mỗi nơ-ron.

c. Các hàm kích hoạt phổ biến

Bảng 1.1. Các hàm kích hoạt

Tên

Mô tả hàm

Đồ thị

hàm

1

Sigmoid

f =

6

Tên

hàm

Mô tả hàm

Đồ thị

Linear

f = x

0 if x⁡ < 0

1 if x ≥ 0

Hard

f = {

Limit

1 − e^−x

1 + e^−x

Bipolar

sigmoid

function

f =

7

d. Mạng truyền thẳng

Dữ liệu đầu vào sẽ được truyền đến đơn vị đầu ra bằng cách truyền thẳng. Việc

xử lý dữ liệu có thể mở rộng ra nhiều lớp nhưng ở đây chúng không có các liên kết

để phản hồi lại.

Hình 1.4. Cấu tạo của mạng truyền thẳng

e. Mạng Multi Layer Perceptron

Mô hình mạng nơ-ron được sử dụng rộng rãi nhất là mô hình mạng nhiều

tầng truyền thẳng. Một mạng MLP tổng quát là mạng có n (n≥2) tầng (thông

thường tầng đầu vào không được tính đến): trong đó gồm một tầng đầu ra (tầng

thứ n) và (n-1) tầng ẩn.

Hình 1.5. Cấu tạo của mạng MLP

8

1.2.5 Mạng nơ-ron tích chập

a. Khái niệm

Mạng Nơ-ron Tích chập (Convolutional Neural Network - CNN) là một họ

các mạng nơ-ron ưu việt. Các kiến trúc dựa trên CNN hiện nay xuất hiện trong mọi

ngóc ngách của lĩnh vực thị giác máy tính, và đã trở thành kiến trúc chủ đạo mà hiếm

ai ngày nay phát triển các ứng dụng thương mại hay tham gia một cuộc thi nào đó

liên quan tới nhận dạng ảnh, phát hiện đối tượng, hay phân vùng theo ngữ cảnh mà

không xây nền móng dựa trên phương pháp này.

b. Kiến trúc mạng CNN

Hình 1.6. Kiến trúc mạng CNN

Kiến trúc mạng CNN bao gồm các thành phần chính là: lớp tích chập, lớp

pooling, lớp kết nối đầy đủ, hàm kích hoạt.

1.3 Phương pháp xác định vị trí khuôn mặt với mạng tích chập MTCNN

Trong đó nhiều nghiên cứu chỉ ra MTCNN là một trong những mạng hiểu quả

nhất. Dù còn nhiều hạn chế có thể nói đến như tốc độ xử lý, mạng phức tạp nhưng

MTCNN ngày càng được sử dụng rộng rãi trong thực tiễn. MTCNN một mạng lớn

gồm nhiều mạng con. 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.

9

1.4 Kết luận

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.

CHƯƠNG 2. 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.

10

Hình 2.1. Sơ đồ hoạt động của 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

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. Thời

gian lưu sẽ là 10s. 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

Bước 3: Huấn luyện rừng ngẫu nhiên để phân loại đặc trưng

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

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.

Thời gian lưu sẽ là 10s. 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.

2.2 Mạng Inception-ResNet sử dụng cho việc trích chọn đặc trưng khuôn

mặt

Inception-ResNet là một mạng học rất sâu. Cấu tạo của mạng cũng rất đặc biệt.

Kiến trúc mạng inception-ResNet sử dụng nhiều khối mạng con như Inception-A,

Inception-B, Inception-C, Reduction-A, Reduction-B, Stem. Chính nhữ đặc điểm trên

cho một mạng inception phần dư với hiệu năng rất tốt.

Sau đây là kiến trúc mạng chi tiết:

11

Hình 2.2. Kiến trúc mạng Inception-ResNet

2.3 Rừng ngẫu nhiên

2.3.1 Giới thiệu

Rừng ngẫu nhiên (Random Forest) hay còn được gọi là rừng quyết định ngẫu

nhiên là một kỹ thuật học tập được sử dụng để giải quyết các nhiệm vụ học tập có

giám sát như phân loại và hồi quy. Một tính năng ưu việt của rừng ngẫu nhiên là nó

có thể khắc phục được sự quá khớp (overfitting) trên tập dữ liệu đào tạo của mình.

Kiến trúc mô hình của rừng ngẫu nhiên là một tập hợp của nhiều cây quyết

định. Mỗi một cây quyết định sẽ trả ra một kết quả dự báo. Ngoài ra mô hình cũng

được chạy trên rất nhiều các sub-sample.

12

2.3.2 Kiến trúc

Hình 2.3. Kiến trúc của rừng ngẫu nhiên

2.4 Kết luận

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. Trong đó, nội dung

chương có đi sâu về mạng học sâu googlenet, resnet từ đó đưa ra ưu nhược điểm khi

kết hợp hai mạng thành mạng inception resnet. 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.

13

CHƯƠNG 3. 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]. Trong đó bộ dữ liệu faces94 được thu thập từ trung tâm

nghiên cứu Center for Machine Perception thuộc đại học kỹ thuật Séc và bộ dữ liệu

CASIA-WebFace được sưu tầm từ viện tự động hóa tại học viện khoa học Trung

Quốc(CASIA). Luận văn sẽ sử dụng hai bộ dữ liệu vào các mục đích khác nhau. Bộ

dữ liệu faces94 chứa khoảng 1300 ảnh của 153 người. 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. Bộ dữ liệu CASIA-WebFace chứa khoảng 500.000 ảnh

được thu thập từ 10.000 người. 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.

3.2 Quá trình huấn luyện

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. Thời

gian diễn ra khoảng 350 giờ với 90 lần duyệt. Sau khi đã có được mô hình trích

chọn đặc trưng tùy vào từng bài toán ta sẽ tiến hành trích chọn đặc trưng của các

nhãn đầu vào để mô hình phân loại bằng thuật toán random forest học các đặc tính

đó.

3.3 Thử nghiệm chạy hệ thống nhận diện khuôn mặt nhận diện khách hàng

VIP của khách sạn

Máy chủ được sử dụng cho việc thực nghiệm sử dụng vi xử lý Intel Core i5-

8400 với xung nhịp cơ bản là 2.8GHz. Dung lượng bộ nhớ trong là 16 GB và bộ xử

lý đồ họa được sử dụng là GTX 1070 Ti 8G GDDR5. Hệ thống nhận diện khách hàng

VIP sẽ được phát triển trên nền tảng Ubuntu và ngôn ngữ lập trình được sử dụng là

14

python version 3.6 cùng với các bộ thư viện như opencv, keras, tensorflow để phục

vụ cho bài toán xử lý ảnh.

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 :

Hình 3.1. Hệ thống nhận diện khuôn bình thường

15

Hình 3.2. Hệ thống nhận diện khuôn mặt có đeo kính

Với mỗi khách hàng có trong danh sách sau khi xuất hiện sẽ được lưu lại 10

giây để dễ dàng quan sát. Hệ thống có thể nhận diện khuôn mặt một cách bình thường

cả khi người đó đang đeo kính. Từ đó có thể thấy mô hình trích rút đặc trưng và mô

hình phân loại đang hoạt động rất tốt trong thực tế. Hệ thống nhận diện khách hàng

mỗi giây có thể xử lý 5 khung hình với độ phân giải fullhd.

3.4 Đánh giá

Để đánh phân loại ta sẽ thực hiện lấy vectơ đặc trưng từ mô hình trích chọn

đặc trưng và đưa vào randomforest để huấn luyện. Thiết lập trong random forest của