LỜI MỞ ĐẦU 1 Lý do chọn đề tài Công nghệ nhận dạng này có thể nhận dạng mọi người ngay sau vài tấm ảnh họ được gán nhãn với độ chính xác đến 98% [6]. Có nhiều hệ thống bảo mật thông minh sử dụng sinh trắc học định danh người, có thể nhận dạng bằng cách sử dụng đặc điểm tĩnh và động như: ngón tay nhú mô hình, hình học cơ thể, bàn tay, mống mắt của mắt, khuôn mặt, tĩnh mạch, chữ viết tay, dáng, dáng đi, giọng nói, v. Tất cả các phương pháp nhận dạng được trình bày đều có bộ những thuận lợi và khó khăn liên quan đến phương pháp có được các chỉ số về con người như chi phí, độ tin cậy của kết quả. số lượng máy quay video tại nơi công cộng đã tăng lên rất nhiều, chi phí của việc tiếp nhận, xử lý và truyền dữ liệu đã giảm đáng kể đã dẫn đến việc tạo và phát triển các phương pháp để xác định hiệu quả người từ video và hình ảnh, và hầu hết các phần của phương pháp tập trung vào việc nhận dạng khuôn mặt người.
Các công ty lớn nhất trên thế giới đang phát triển của riêng các giải pháp phần mềm sử dụng đặc trưng của khuôn mặt trong ảnh và trong video. Những công ty khổng lồ như Amazon, Facebook, Apple đã triển khai hệ thống thông minh phân tích video trong điều kiện thực và đưa ra thị trường các giải pháp cạnh tranh. Amazon Rekognition [8] cho phép nhúng ảnh và video dựa trên học sâu vào các ứng dụng. Dịch vụ này có thể nhận dạng các đối tượng, người, văn bản, cảnh và hành động, cũng như phát hiện nội dung không phù hợp.
Amazon Rekognition có thể phân tích chính xác và nhận dạng khuôn mặt trong hình ảnh và video. Facebook đã triển khai một dự án để nhận dạng và xác định trước mặt của mọi người trong các bức ảnh đã được đưa lên mạng xã hội và cho phép sử dụng các từ để mô tả mọi thứ hiển thị trong ảnh [9]. Công nghệ FaceID của Apple [10] cho phép độ chính xác cao xác định người dùng trên điện thoại thông minh và thay thế cho quét dấu vân tay, vì nó sử dụng hệ thống cảm biến và máy ảnh chất lượng cao và một loạt các các phương pháp nhận dạng, bao gồm cả nhận dạng khuôn mặt. Thị giác máy tính và học máy đã làm nên điều đó có thể thực hiện xác định khách hàng thông qua thiết bị đầu cuối video trong một tổ hợp mua sắm tự động [11, 12] không có máy tính tiền và bộ điều khiển, và theo dõi [13].
Tại Việt Nam, một số công ty sáng tạo hình thành lĩnh vực dịch vụ phân tích hình ảnh trong tiếp cận hệ thống điều khiển. Ví dụ, dịch vụ BiFace [14]. Trên thế giới hệ thống nhận dạng khuôn mặt NTechLab [15] dẫn đầu trong việc phát triển thuật toán và các giải pháp phần mềm để kiểm soát nhận dạng cá nhân cho các nhóm người, thành phố và Quốc gia. Dịch vụ FindFace từ công ty này chiếm lĩnh các dòng xếp hạng cạnh tranh hàng đầu cho nhận dạng khuôn mặt.
Mức độ chính xác của 2 nhận dạng và tốc độ của phân tích phụ thuộc vào các phương pháp chuyển đổi ảnh, các đặc trưng của tập huấn luyện, sử dụng phương pháp huấn luyện sâu và thuật toán tìm kiếm. Nhận dạng một người trong video có nhiều giai đoạn. Bước đầu tiên là chuyển đổi video vào sang ảnh, bước thứ hai là tìm kiếm các ảnh có khuôn mặt. Phần thứ ba là gán một tập hợp duy nhất đặc trưng cho tất cả những đặc điểm thấy.
Thứ tư là xác định người dựa trên so sánh với cơ sở dữ liệu [16], [17], [18]. Toán học các phương pháp và mô hình được sử dụng để nhận dạng khuôn mặt bao gồm phương pháp hồi quy, mạng nơron, SVM [4], [5],. Đối tƣợng và phạm vi nghiên cứu của đề tài 2.1 Đối tượng nghiên cứu: Đề tài tập trung nghiên cứu một số phương pháp nhận dạng khuôn mặt người, chủ yếu là nhận diện bằng mống mắt.2 Phạm vi nghiên cứu: là sinh viên đang học tập tại trường Đại học Tài nguyên và Môi trường Hà Nội, tập trung chủ yếu là sinh viên Khoa CNTT. Mục tiêu nghiên cứu: Nghiên cứu đề tài này nhằm mục đích tìm hiểu bài toán nhận dạng khuôn mặt bằng mống mắt, từ đó xây dựng các hệ thống ứng dụng trong thực tiễn như: điểm danh, giam sát người ra vào, an ninh trong sân bay.
Nhận dạng khuôn mặt trở nên bất tiện trong mùa dịch COVID-19 bởi mọi người phải đeo khẩu trang; còn nhận dạng vân tay cũng gặp phiền hà khi mọi người không muốn bỏ găng tay. Việc sử dụng rộng rãi tính năng nhận dạng mống mắt sẽ cải thiện những hạn chế này. Vì vậy, đề tài phù hợp với mục tiêu, nội dung và sản phẩm dự kiến của đề tài. Nội dung nghiên cứu: Chƣơng 1: Tổng quan vấn đề nghiên cứu Trong chương này, tác giả sẽ trình bày về những cơ sở lý thuyết về nhận dạng khuôn mặt, tổng quan về bài toán đặt ra để giải quyết trong đề tài.
Chƣơng 2: Một số phƣơng pháp và thuật toán nhận dạng ảnh Trong chương này, tác giả sẽ trình bày về một số phương pháp nhận dạng ảnh và một số thuật toán về nhận dạng khuôn mặt có sử dụng trong đề tài nghiên cứu, từ đó làm tiền đề xây dựng demo ở chương 3. Chƣơng 3: Xây dựng demo Trong chương này, tác giả sẽ trình bày về demo của đề tài nghiên cứu, dựa trên các thuật toán từ chương 2, trong chương này còn sử dụng máy học để phân tích ảnh ra dạng số. Phƣơng pháp nghiên cứu: 5. Phương pháp nghiên cứu lý thuyết: + Tìm hiểu một số thuật toán nhận dạng khuôn mặt + Tìm hiểu ngôn ngữ lập trình Python 5.
Phương pháp nghiên cứu thực tiễn: + Phương pháp khảo sát thực tế, thu thập dữ liệu: tìm hiểu thực tế về công nghệ nhận dạng khuôn mặt. + Phương pháp phân tích đánh giá: dựa vào dữ liệu đã tìm hiểu được. Phân tích các thuật toán. Phương pháp thiết kế mô hình, chế tạo sản phẩm: + Xác định yêu cầu của bài toán đặt ra + Tính toán lựa chọn các thuật toán phù hợp.
Phương pháp thực nghiệm khoa học: + Bước đầu đưa sản phẩm vào sử dụng để hiệu chỉnh thông số chi tiết và hoàn thiện sản phẩm demo. Phương pháp phân tích và tổng kết kinh nghiệm: + Phân tích, đánh giá ưu nhược điểm của sản phẩm + Rút ra kinh nghiệm cũng như đưa ra hướng phát triển cho phù hợp 6. Ý nghĩa khoa học của đề tài: Kết quả của đề tài nếu được ứng dụng trong Trường Đại học Tài nguyên và Môi trường Hà Nội sẽ chống học hộ, điểm danh hộ, đồng thời giám sát hành vi của sinh viên trên trường theo thời gian thực (realtime). 4 CHƢƠNG 1 TỔNG QUAN VỀ VẤN ĐỀ NGHIÊN CỨU Trong chương này, tác giả sẽ trình bày về những cơ sở lý thuyết về nhận dạng khuôn mặt, tổng quan về bài toán đặt ra để giải quyết trong đề tài.1 Tình hình nghiên cứu ngoài nƣớc và trong nƣớc 1.1 Tình hình nghiên cứu ngoài nước Trong năm 1964 và 1965, Bledsoe, cùng với Helen Chan và Charles Bisson, bắt đầu ý tưởng sử dụng máy tính để nhận ra khuôn mặt của con người (Bledsoe 1966a, 1966b; Bledsoe và Chan 1965).
Ông rất tự hào về công việc này, nhưng do kinh phí được cung cấp bởi một cơ quan tình báo giấu tên mà không cho phép công khai, rất ít tác phẩm đã được xuất bản. Với một cơ sở dữ liệu lớn các hình ảnh (thực tế là một cuốn sách ảnh thẻ) và một bức ảnh, vấn đề là phải lựa chọn từ cơ sở dữ liệu là một tập hợp nhỏ các hồ sơ hình ảnh như vậy có chứa các hình ảnh ăn khớp với bức ảnh đưa ra. Sự thành công của phương pháp này có thể được đo bằng tỷ lệ danh sách câu trả lời trên số lượng các hồ sơ trong cơ sở dữ liệu. Bledsoe (1966a) đã mô tả những khó khăn sau đây: Dự án này đã được dán nhãn "man-machine" bởi vì con người trích xuất tọa độ của một tập hợp các đặc điểm từ các hình ảnh, sau đó được máy tính sử dụng để nhận dạng.
Sử dụng một graphic tablet (GRAFACON hoặc RAND TABLET), các toán tử sẽ trích xuất các tọa độ của các đặc điểm như tâm của con ngươi, các góc bên trong mắt, góc ngoài của mắt, điểm widows peak và. Từ những tọa độ này, một danh sách 20 khoảng cách, như chiều rộng của miệng và khoảng cách giữa 2 mắt, từ con ngươi đến con ngươi sẽ được tính toán. Các toán tử có thể xử lý khoảng 40 hình ảnh một giờ. Khi xây dựng các cơ sở dữ liệu, tên của người trong bức ảnh đã được gắn liền với danh sách của các khoảng cách tính toán và được lưu trữ trong máy tính.
Trong giai đoạn nhận dạng, tập hợp các khoảng cách được so sánh với khoảng cách tương ứng cho mỗi bức ảnh, cho ra một khoảng cách giữa các bức ảnh và các bản ghi cơ sở dữ liệu. Các hồ sơ gần nhất được trả về. Hệ thống điểm danh bằng mặt người thực hiện rút trích tự động khuôn mặt người trong ảnh thu được từ camera (webcam) và xác định danh tính của đối tượng trong hệ thống dựa vào nội dung của ảnh khuôn mặt rút trích được. Nhận dạng tự động khuôn mặt có thể ứng 5 dụng nhiều trong thực tiễn như camera giám sát, hệ thống chấm công, chú thích ảnh tự động, lưu trữ thông tin khuôn mặt ở các máy ATM, tìm kiếm và xác minh tội phạm.
Hệ thống điểm danh thực hiện nhận dạng khuôn mặt người qua 2 bước chính: định vị khuôn mặt trong ảnh thu được từ camera và định danh đối tượng từ ảnh khuôn mặt. Trong bài báo [20] trình bày các nghiên cứu trước đây trong nhận dạng khuôn mặt người. Rút trích tự động khuôn mặt trong ảnh thu được từ camera dựa trên mô hình mạng nơ-ron [14] hoặc đặc trưng haar-like kết hợp với mô hình phân tầng (Cascade of Boosted Classifiers – CBC) [18]. Để xác định danh tính của đối tượng trong hệ thống dựa vào nội dung của ảnh khuôn mặt, nghiên cứu trước đây sử dụng các đặc trưng như mắt, tai, màu tóc, độ dày môi để tự động nhận dạng.
[10], [19] sử dụng phương pháp phân tích thành phần chính (Principal Component Analysis - PCA) và thuật toán eigenfaces để nhận dạng khuôn mặt. Các hướng nghiên cứu gần đây [12], [13], [15], [17], dựa vào phương pháp biểu diễn ảnh bằng các nét đặc trưng không đổi với những biến đổi tỉ lệ.