Chương 1: Giới thiệu tổng quan về bài toán nhận dạng khuôn mặt. Chương 2: Trình bày về cơ sở lý thuyết và các nghiên cứu liên quan đến bài toán nhận dạng khuôn mặt. Chương 3: Trình bày về các phương pháp nhận dạng nhân dạng sử dụng để cài đặt thực nghiệm. Chương 4: Trình bày về các tập dữ liệu sử dụng, phân tích dữ liệu, cách thức đánh giá và so sánh kết quả của các mô hình trên bộ dữ liệu.
Chương 5: Trình bày về cách xây dựng ứng dụng minh họa 1. Tổng quan Chương 6: Kết luận về khóa luận tốt nghiệp và hướng phát triển trong tương lai. Chương 2 CƠ SỞ LÝ THUYÊT VÀ CÁC NGHIÊN CỨU LIÊN QUAN Trước khi đi vào nội dung chính của khóa luận, tôi sẽ trình bày các khái niệm, cơ sở lý thuyết của bài toán nhận dạng khuôn mặt và một số hướng tiếp cận phổ biến hiện nay. Sau đó, tôi sẽ trình bày về quá trình nhận dạng khuôn mặt, bao gồm các thành phần chính như phát hiện khuôn mặt, theo dõi, căn chỉnh và trích xuất đặc trưng, từ đó chỉ ra những thách thức kỹ thuật khi xây dựng một hệ thống nhận dạng khuôn mặt.
Tôi tập trung vào tầm quan trọng của các giải pháp thành công nhất có sẵn cho đến nay. Phần cuối của chương mô tả các phương pháp và ứng dụng nhận dạng khuôn mặt và các thách thức mà bài toán gặp phải khi áp dụng vào thực tế.1 Giới thiệu về bài toán nhận diện khuôn mat 2.1 Nhan diện khuôn mặt Nhận diện khuôn mặt (Face Recognition - FR) là một lĩnh vực nghiên cứu đã phát triển mạnh mẽ từ những năm 1990. Qua các giai đoạn phát triển, công nghệ 2. Cơ sở lý thuyết và các nghiên cứu liên quan này từng bước trở thành không thể thiếu trong việc xác định danh tính cá nhân dựa trên hình ảnh khuôn mặt.
Trong quá trình nhận diện, hình ảnh cần được xác minh (probe) được so sánh với hình ảnh đã biết (gallery) trong cơ sở đữ liệu. Bài toán ER có thể chia thành 2 bài toán cụ thể: xác thực khuôn mặt (face verification) và nhận diện khuôn mặt (face identification). Xác thực khuôn mặt là quá trình so sánh "một-một”, tức là xác định liệu hai hình ảnh khuôn mặt có thuộc về cùng một người hay không, với kết quả dạng nhị phân. Ứng dụng phổ biến của phương pháp này là trong các hệ thống FaceID, giúp xác nhận danh tính chủ nhân của thiết bị di động.
Trong khi đó, nhận diện khuôn mặt là quá trình "một-nhiều", nghĩa là xác định danh tính của khuôn mặt trong hình ảnh probe dựa trên cơ sở dữ liệu danh tính đã có. FR còn được chia thành hai dạng: close-set và open-set. Trong close-set, hệ thống phân loại các probe dựa trên tập hợp khuôn mặt có san trong gallery, nhằm phân biệt xem hình ảnh đó có năm trong tập dữ liệu đã biết hay không. Trong khi đó, open-set không chỉ đòi hỏi xác định danh tính của những người có trong gallery, mà còn cần xác định xem người đó có thuộc về tập dữ liệu đã biết hay không.
Một ví dụ ứng dụng thực tế là trong hệ thống điểm danh tự động tại các công ty, nơi hệ thống cần từ chối nhận dạng những người không thuộc tổ chức để đảm bảo an ninh. Có một số lý do cho sự gia tăng gần đây vào bài toán nhận dạng khuôn mặt, bao gồm sự quan tâm ngày càng tăng của mọi người đối với vấn đề bảo mật, nhu cầu xác minh danh tính trong thế giới kỹ thuật số, các kỹ thuật phân tích khuôn mặt trong quản lý dữ liệu đa phương tiện và giải trí máy tính.2 Nhận diện khuôn mặt từ ảnh camera an ninh Nhận dạng khuôn mặt từ camera an ninh (CCTV) là một ứng dung quan trọng và đặc biệt trong lĩnh vực bảo mật và giám sát. Trong thời đại số hóa ngày 2. Cơ sở lý thuyết và các nghiên cứu liên quan Face Verifivation Face Identification Hinh 2.1: Phan loai bai toan face recognition.
nay, hệ thống camera an ninh đã trở thành một phan không thể thiếu trong việc bảo vệ tài sản và đảm bao an toàn công cộng. Một trong những yếu tổ quan trong của hệ thống CCTV là khả năng nhận diện và xác định các cá nhân xuất hiện trong phạm vi quan sát. Việc tích hợp công nghệ nhận dạng khuôn mặt vào hệ thống CCTV đã mang lại nhiều lợi ích quan trọng. Đầu tiên, nó cung cấp khả năng xác định và theo dõi các đối tượng cụ thể dựa trên khuôn mặt của họ, cho phép các tổ chức thực hiện giám sát hiệu quả hơn và phản ứng nhanh chóng đối với các sự kiện quan trọng.
Cơ sở lý thuyết và các nghiên cứu liên quan Thứ hai, nhận dạng khuôn mặt từ CCTV có thể sử dụng để xác minh danh tính và kiểm tra quyển truy cập vào các khu vực an ninh như ngân hàng, trường học, và các cơ sở kinh doanh quan trọng. Tuy nhiên, việc tích hợp công nghệ nhận dạng khuôn mặt vào hệ thống CCTV cũng đối mặt với nhiều thách thức đáng kể do các yếu tố sau đây có thể ảnh hưởng đáng kể đến độ chính xác và đáng tin cậy của hệ thống: ¢ Biến đổi về Kích Thước Khuôn Mặt: Camera an ninh thường ghi lại các khuôn mặt ở các khoảng cách khác nhau, dẫn đến sự biến đổi về kích thước các đặc trưng khuôn mặt. Việc điều chỉnh và chuẩn hóa các khuôn mặt này để tiến hành nhận dang có thể là một nhiệm vụ phức tap, đặc biệt khi khuôn mặt xuất hiện nhỏ do khoảng cách xa với camera. ¢ Ảnh Chất Lượng Thấp: Nhiều camera an ninh tạo ra các hình ảnh có độ phân giải thấp, giới hạn sự chỉ tiết của khuôn mặt có sẵn để tiến hành nhận dạng.
Điều này có thể hạn chế khả năng của hệ thống phân biệt giữa các cá nhân một cách chính xác. « Điều Kiện Ánh Sáng Không Đồng Déu: Ánh sáng trong hình ảnh từ cam- era an ninh có thể thay đổi không đều, với các khuôn mặt xuất hiện dưới sự chiếu sáng ngoài trời thay đổi hoặc dưới ánh sáng nhân tạo mạnh. Sự biến đổi này có thể làm cho việc trích xuất các đặc trưng khuôn mặt đồng nhất để tiến hành nhận dạng trở nên khó khăn. « Hiện Tượng Mờ Do Chuyển Động: Những người và đối tượng trong hình ảnh từ camera an ninh thường trong tình trạng chuyển động.
Sự chuyển động này có thể gây mờ hình ảnh khuôn mặt, làm cho hệ thống khó khăn trong việc xác định và so khớp các đặc trưng khuôn mặt một cách chính xác. Cơ sở lý thuyết và các nghiên cứu liên quan « Che Khuất Một Phần: Ở các khu vực đông đúc hoặc nơi có nhiều vật cản, khuôn mặt có thể bị che khuất một phần bởi các vật thể, phụ kiện hoặc những người khác. Xử lý việc che khuất một phần là một thách thức lớn đối với các hệ thống nhận dạng khuôn mặt, vì họ phải vẫn xác định khuôn mặt một cách chính xác khi các khu vực quan trọng của khuôn mặt bị che khuất. Trong phần tiếp theo của bài viết này, chúng tôi sẽ xem xét cụ thể hơn về cách công nghệ nhận dạng khuôn mặt đã được tích hợp vào hệ thống CCTV để cải thiện bảo mật và quản lý an ninh.2 Quy trình nhận diện khuôn mặt Nhận diện khuôn mặt thường được mô tả với quy trình gồm 4 buéc[8]: 1.
Phát hiện khuôn mặt (face detection): Xác định vị trí của một hoặc nhiều khuôn mặt trong ảnh và đánh dau bằng các hộp giới han (bounding box). Căn chỉnh khuôn mặt (face alignment): Chuẩn hóa khuôn mặt để phù hợp với cơ sở dif liệu, đây là quá trình điều chỉnh vị trí của các điểm đặc trưng trên khuôn mặt của một người sao cho chúng phù hợp với một mô hình chuẩn hoặc đối chiếu với các điểm đặc trưng tiêu chuẩn trên khuôn mặt. Trích xuất đặc trưng (feature extraction): Trích xuất các đặc điểm từ khuôn mặt có thể được sử dụng cho nhiệm vụ nhận diện. Nhận diện khuôn mặt (face recognition): Thực hiện so khớp với một hoặc nhiều khuôn mặt đã biết trong cơ sở dữ liệu đã chuẩn bị.
Cơ sở lý thuyết và các nghiên cứu liên quan Face Face Feature Feature sFace ID Detection alignment extraction Matching sFace location. ®Feature Size and Pose vector Users database Hình 2.2: Luéng xử lý nhận diện khuôn mat[8] 2.3 Phương pháp nhận điện khuôn mặt dùng kỹ thuật học sâu (deep learning) 2.1 Giới thiệu Với sự tiến bộ của phần cứng, các kỹ thuật deep learning dần chiếm ưu thé với độ chính xác cao hơn các kỹ thuật truyền thống. Sự khác biệt lớn nhất là việc trích xuất tính năng diễn ra tự động mà không yêu cầu các lớp tích chập được xác định trước. Điều này giúp các kỹ thuật deep learning giải quyết van dé ở phương diện tổng quát hơn và tránh sự phụ thuộc quá nhiều vào từng bộ dữ liệu riêng lẻ.
Có thể nói, ưu điểm lớn nhất của kỹ thuật deep learning là quá trình tự học để chọn ra những đặc điểm tốt nhất để phân loại và hiệu suất về độ chính xác vượt trội hơn rất nhiều so với các kỹ thuật truyền thống khác. Tuy nhiên, việc đào tạo các mô hình deep learning đòi hỏi một lượng dữ liệu lớn, rất tốn kém và cũng mat nhiều thời gian để đào tạo. Quá trình đào tạo mô hình ER thường gồm hai bước chính: » Tiền xử lý ảnh khuôn mặt (preprocessing): Trong bước này, ảnh khuôn mat được chuẩn bị và tiền xử lý trước khi đưa vào mô hình để đảm bảo chất 11 2. Cơ sở lý thuyết và các nghiên cứu liên quan lượng và độ chuẩn xác của dit liệu đào tạo.
¢ Huấn luyện mô hình (training): Sau khi tiền xử lý, dữ liệu đào tạo được sử dụng để huấn luyện mô hình nhận dạng khuôn mặt. Mô hình học cách trích xuất các đặc trưng quan trọng từ ảnh khuôn mặt và xây dựng một biểu diễn học máy cho mỗi khuôn mặt. Quá trình triển khai mô hình và quá trình nhận dạng gồm ba bước chính: s Tiền xử lý ảnh khuôn mặt (preprocessing): Giống như trong quá trình dao tạo, ảnh khuôn mặt cần được tiền xử lý trước khi đưa vào mô hình để đảm bảo tính nhất quán và chất lượng của dữ liệu thử nghiệm. * Suy luận mô hình để lấy vectơ biểu diễn khuôn mặt (inference): Trong bước này, mô hình được sử dụng để biến đổi ảnh khuôn mặt thành một vectơ biểu diễn số học, mô tả các đặc trưng quan trong của khuôn mặt đó.