Luận Văn Thạc Sĩ Khoa Học Máy Tính: Ứng Dụng Deep Learning Trong Nhận Diện Khuôn Mặt

Luận văn thạc sĩ khoa học máy tính tập trung vào ứng dụng deep learning trong nhận diện khuôn mặt, phân tích kỹ thuật và hiệu quả thực tiễn.

• Tác giả: Nguyễn Hoàng Minh
• Người hướng dẫn: Lê Thành Sách
• Trường học: Đại học Bách Khoa, Đại học Quốc gia TP. Hồ Chí Minh
• Chuyên ngành: Khoa học máy tính
• Đề tài: Nhận diện khuôn mặt bằng Deep Learning
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2018
• Địa điểm: TP. Hồ Chí Minh

Tóm tắt

I. Giới thiệu đề tài

Đề tài 'Nhận diện khuôn mặt bằng Deep Learning' tập trung vào việc nghiên cứu và phát triển các phương pháp nhận diện khuôn mặt trong lĩnh vực Khoa học máy tính. Sự phát triển của Deep Learning đã mở ra nhiều cơ hội mới cho việc xử lý và phân tích hình ảnh. Nhận diện khuôn mặt không chỉ là một ứng dụng công nghệ mà còn là một phần quan trọng trong việc đảm bảo an ninh xã hội. Việc áp dụng học máy và mạng nơ-ron trong nhận diện khuôn mặt giúp cải thiện độ chính xác và tốc độ xử lý. Mục tiêu của đề tài là khảo sát các phương pháp hiện có và đề xuất cải tiến nhằm nâng cao hiệu quả nhận diện khuôn mặt.

1.1 Mục tiêu đề tài

Mục tiêu chính của đề tài là nghiên cứu và phát triển các phương pháp nhận diện khuôn mặt, từ đó đánh giá hiệu suất và độ chính xác của các phương pháp này. Đề tài sẽ thực hiện các thí nghiệm để so sánh các phương pháp khác nhau, từ đó đưa ra các cải tiến cho quy trình nhận diện khuôn mặt. Việc áp dụng Deep Learning trong nhận diện khuôn mặt sẽ giúp tối ưu hóa quy trình và nâng cao khả năng nhận diện trong các điều kiện thực tế.

1.2 Ý nghĩa thực tiễn

Nhận diện khuôn mặt có nhiều ứng dụng thực tiễn trong đời sống, từ an ninh đến quản lý nhân sự. Việc áp dụng công nghệ này giúp tự động hóa quá trình giám sát, giảm thiểu chi phí nhân công và nâng cao hiệu quả công việc. Ngoài ra, nhận diện khuôn mặt còn có thể được sử dụng trong giáo dục để điểm danh học sinh, sinh viên, hoặc trong các dịch vụ chăm sóc khách hàng. Điều này cho thấy giá trị thực tiễn của đề tài trong việc cải thiện chất lượng cuộc sống và an ninh xã hội.

II. Tổng quan các hướng nghiên cứu về bài toán nhận diện khuôn mặt

Bài toán nhận diện khuôn mặt được chia thành hai giai đoạn chính: phát hiện khuôn mặt và nhận diện khuôn mặt. Các phương pháp hiện tại như MTCNN và SSD đã được áp dụng để phát hiện khuôn mặt trong ảnh. Sau khi phát hiện, khuôn mặt sẽ được chuẩn hóa và đưa vào mô hình nhận diện. Việc sử dụng mạng nơ-ron tích chập (CNN) trong nhận diện khuôn mặt đã cho thấy hiệu quả vượt trội so với các phương pháp truyền thống. Các nghiên cứu gần đây đã chỉ ra rằng việc kết hợp giữa phát hiện và nhận diện khuôn mặt có thể cải thiện đáng kể độ chính xác và tốc độ xử lý.

2.1 Phương pháp phát hiện khuôn mặt

Các phương pháp phát hiện khuôn mặt như MTCNN và SSD đã được nghiên cứu và áp dụng rộng rãi. MTCNN sử dụng mạng nơ-ron để phát hiện khuôn mặt và xác định các điểm trọng yếu trên khuôn mặt. Điều này giúp chuẩn hóa khuôn mặt trước khi đưa vào mô hình nhận diện. Việc phát hiện chính xác khuôn mặt là bước quan trọng để đảm bảo hiệu quả của quy trình nhận diện. Các nghiên cứu cho thấy rằng việc cải tiến các phương pháp phát hiện có thể dẫn đến sự gia tăng đáng kể trong độ chính xác của nhận diện khuôn mặt.

2.2 Phương pháp nhận diện khuôn mặt

Nhận diện khuôn mặt là quá trình xác định danh tính của một người dựa trên hình ảnh khuôn mặt. Các phương pháp như Facenet đã được phát triển để mã hóa khuôn mặt thành vector đặc trưng, giúp dễ dàng so sánh và xác thực danh tính. Việc sử dụng học sâu trong nhận diện khuôn mặt cho phép cải thiện độ chính xác và khả năng nhận diện trong các điều kiện khác nhau. Các nghiên cứu hiện tại đang tập trung vào việc tối ưu hóa quy trình nhận diện để đạt được hiệu suất cao hơn trong thực tế.

III. Phương pháp đề xuất

Đề tài sẽ đề xuất một phương pháp cải tiến cho quy trình nhận diện khuôn mặt bằng cách sử dụng mạng Sphereface. Phương pháp này sẽ kết hợp giữa phát hiện và nhận diện khuôn mặt, nhằm tối ưu hóa quy trình xử lý. Việc triển khai mô hình trên Jetson TX2 sẽ giúp kiểm tra hiệu suất thực tế của phương pháp đề xuất. Các thí nghiệm sẽ được thực hiện để đánh giá độ chính xác và tốc độ xử lý của mô hình, từ đó đưa ra các nhận xét và cải tiến cần thiết.

3.1 Cải tiến kiến trúc mạng Sphereface

Kiến trúc mạng Sphereface sẽ được cải tiến để nâng cao khả năng nhận diện khuôn mặt. Việc sử dụng các kỹ thuật như chuẩn hóa dữ liệu và làm giàu dữ liệu sẽ giúp cải thiện độ chính xác của mô hình. Các thí nghiệm sẽ được thực hiện để so sánh hiệu suất của mô hình cải tiến với các mô hình hiện có, nhằm xác định tính khả thi và hiệu quả của phương pháp đề xuất.

3.2 Triển khai mô hình nhận diện trên Jetson TX2

Mô hình nhận diện sẽ được triển khai trên Jetson TX2, một nền tảng mạnh mẽ cho các ứng dụng AI. Việc triển khai này sẽ cho phép kiểm tra hiệu suất thực tế của mô hình trong các điều kiện khác nhau. Các chỉ số như độ chính xác và tốc độ xử lý sẽ được ghi nhận và phân tích để đánh giá hiệu quả của phương pháp đề xuất. Điều này sẽ giúp xác định khả năng ứng dụng của mô hình trong thực tế.

Trích đoạn nội dung tài liệu

ĐẠI HỌC QUỐC GIA TP. HCM TRƯỜNG ĐẠI HỌC BÁCH KHOA -------------------- NGUYỄN HOÀNG MINH NHẬN DIỆN KHUÔN MẶT BẰNG DEEP LEARNING Ngành: Khoa học máy tính Mã số: 60.01 LUẬN VĂN THẠC SĨ TP. HỒ CHÍ MINH, tháng 12 năm 2018 CÔNG TRÌNH ĐƯỢC HOÀN THÀNH TẠI TRƯỜNG ĐẠI HỌC BÁCH KHOA ĐHQG - HCM Cán bộ hướng dẫn khoa học: TS. Lê Thành Sách…………………………… ……………………………………………………………………………….

Cán bộ chấm nhận xét 1: PGS. Lê Hoàng Thái …………………………. Cán bộ chấm nhận xét 2: TS. Nguyễn Hồ Mẫn Rạng……………………….

Luận văn thạc sĩ được bảo vệ tại Trường Đại học Bách Khoa, ĐHQG Tp. HCM ngày 26 tháng 12 năm 2018. Thành phần Hội đồng đánh giá luận văn thạc sĩ gồm: 1. Quản Thành Thơ.

Phạm Hoàng Anh. Lê Hoàng Thái. Nguyễn Hồ Mẫn Rạng. Nguyễn An Khương.

Xác nhận của Chủ tịch Hội đồng đánh giá LV và Trưởng Khoa quản lý chuyên ngành sau khi luận văn đã được sửa chữa (nếu có). CHỦ TỊCH HỘI ĐỒNG TRƯỞNG KHOA KH & KTMT i ĐẠI HỌC QUỐC GIA TP.HCM CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM TRƯỜNG ĐẠI HỌC BÁCH KHOA Độc lập - Tự do - Hạnh phúc NHIỆM VỤ LUẬN VĂN THẠC SĨ Họ tên học viên: Nguyễn Hoàng Minh. Ngày, tháng, năm sinh: 03/06/1992. Chuyên ngành: Khoa học máy tính.

TÊN ĐỀ TÀI: Nhận diện khuôn mặt bằng Deep Learning (Face recognition with deep learning)……………………………………………………………… …………………………………………………………………………………… II. NHIỆM VỤ VÀ NỘI DUNG: Đề tài tìm hiểu và hiện thực các phương pháp nhận diện khuôn mặt bằng Deep Learning. Từ đó đề xuất cải tiến phương pháp và định hướng triển khai ứng dụng……………………………………………… III. NGÀY GIAO NHIỆM VỤ : 26/02/2018…………………………………….

NGÀY HOÀN THÀNH NHIỆM VỤ: 02/12/2018…………………………. CÁN BỘ HƯỚNG DẪN: TS. Lê Thành Sách………………………………… ……………………………………………………………………………………… Tp. HCM, ngày … tháng … năm … CÁN BỘ HƯỚNG TRƯỞNG KHOA KH & KTMT DẪN (Họ tên và chữ ký) (Họ tên và chữ ký) ii LỜI CẢM ƠN Khoảng thời gian theo học chương trình cao học tại trường Đại học Bách Khoa thành phố Hồ Chí Minh mang lại rất nhiều trải nghiệm hữu ích về kiến thức, cuộc sống.

Những người luôn bên cạnh tôi xuyên suốt, đặc biệt là giai đoạn thực hiện luận văn, mang đến cho tôi nguồn động viên, quan tâm và giúp đỡ là gia đình, thầy cô, bạn bè. Tôi xin gửi lời cảm ơn sâu sắc nhất đầu tiên là đến với gia đình nhỏ của mình, những người chung tổ ấm: ba, mẹ và anh trai. Sau giờ học, giờ làm mệt mỏi mỗi ngày, nơi ta trở về đó không đâu khác chính là nhà. Ba mẹ tôi luôn động viên và âm thầm đứng sau ủng hộ tôi những lúc tôi khó khăn nhất.

Lời cảm ơn chân thành nhất mà tôi muốn gửi đến đó là người thầy đã tận tâm hướng dẫn tôi trong suốt thời gian vừa qua, Tiến sĩ Lê Thành Sách. Thầy là người rất giỏi chuyên môn, giải đáp các thắc mắc và định hướng giải quyết các vấn đề cho tôi trong hơn một năm qua. Thầy là người dìu dắt, mở ra những chân trời kiến thức mới khi tôi mới chập chững bắt đầu nghiên cứu đề tài từ giai đoạn đầu tiên. Tôi xin gửi lời cảm ơn đến ban quản lý phòng thí nghiệm ACLab tại phòng 301B9 đã tạo điều kiện cho tôi có không gian nghiên cứu làm luận văn tốt nhất.

Bên cạnh đó, tôi cũng cảm ơn đến các thành viên thuộc nhóm nghiên cứu GVLab của thầy Lê Thành Sách đã dành thời gian hỗ trợ tôi trong thời gian vừa qua. Một lời cảm ơn không thể thiếu đó chính là các nguồn tài nguyên máy tính hỗ trợ đến từ nhóm nghiên cứu HPCLab của thầy Thoại Nam. Tôi cũng xin cảm ơn đến các thầy cô của khoa Khoa học và Kỹ thuật Máy tính, đặc biệt các thầy cô đã tham gia giảng dạy các môn trong chương trình cao học mà tôi đã theo học. Các thầy cô là người trang bị, trau dồi thêm cho tôi các kiến thức nền tảng, kĩ năng nghiên cứu, kĩ năng tìm hiểu và giải quyết vấn đề trong học thuật cũng như cuộc sống thực tế.

Cuối cùng tôi muốn gửi lời cảm ơn to lớn đến trường Đại học Bách Khoa thành phố Hồ Chí Minh, nơi tôi theo học từ quãng thời gian đại học. Tôi xin cảm ơn ban giám hiệu nhà trường, các thầy cô phòng sau đại học, các cô văn phòng khoa Khoa học và Kỹ thuật Máy tính, các cô chú nhân viên của trường đã tạo ra môi trường học tập thật tốt cho rất nhiều sinh viên, học viên. Một lần nữa, tôi xin chân thành cảm ơn! Nguyễn Hoàng Minh 02/12/2018 iii TÓM TẮT LUẬN VĂN Những tiến bộ vượt bậc về công nghệ hiện nay đang mang đến rất nhiều ứng dụng mới ở nhiều lĩnh vực trong đời sống. Đặc biệt, ngành công nghệ thông tin là một ngành có tốc độ phát triển rất nhanh và giúp cải thiện rõ rệt cuộc sống của chúng ta.

Những năm gần đây, các cải tiến về mạng nơ-ron nhân tạo trong lĩnh vực học sâu mang đến những kết quả vượt trội so với các phương pháp xử lý ảnh kiểu truyền thống. Từ đó, hàng loạt ứng dụng thông minh dần tiếp cận tới con người như: nhận diện khuôn mặt, nhận diện giọng nói, nhận diện biển số xe, đếm đối tượng, theo vết đối tượng, chẩn đoán ảnh y khoa,. Trong đó, các ứng dụng liên quan đến giám sát an ninh xã hội là cực kỳ quan trọng và đang giành được nhiều sự quan tâm từ các cơ quan quản lý. Nhận diện khuôn mặt là một trong những cách thức để giám sát an ninh.

An toàn xã hội là cần thiết ở mọi nơi, một số địa điểm / đơn vị cần mức độ an ninh cao hơn bình thường như là: cửa hàng siêu thị, tòa nhà công ty, chung cư cao cấp, trung tâm mua sắm, tòa nhà cao tầng, cơ quan công an, doanh trại quân đội, an ninh quốc phòng,. Việc kiểm soát rõ ràng ra vào theo danh tính bằng khuôn mặt sẽ góp phần đảm bảo an ninh bằng việc tự động giám sát qua các camera. Nhận diện danh tính qua khuôn mặt không chỉ là lõi cốt yếu của ngành an ninh, mà nó còn có thể áp dụng ở nhiều lĩnh vực khác như: chăm sóc khách hàng của doanh nghiệp, điểm danh học sinh / sinh viên trong ngành giáo dục, giám sát trẻ nhỏ trong lớp học (từ đó phát hiện cảnh báo bất thường),. Ứng dụng nhận diện khuôn mặt còn có thể áp dụng với các ứng dụng thông minh khác nhằm mang đến một giải pháp quản lý giám sát hoàn thiện hơn.

Ứng dụng nhận diện khuôn mặt từ hình ảnh có hai thành phần cốt lõi: phát hiện khuôn mặt trong ảnh và nhận diện danh tính khuôn mặt. Hai thành phần nối liên tiếp nhau như vậy tạo thành một ứng dụng hoàn chỉnh cho phép nhận diện khuôn mặt trong hình ảnh / video. Hình ảnh khuôn mặt được phát hiện ở mô-đun phát hiện khuôn mặt được trích xuất ra và chuyển qua mô-đun nhận diện. Phát hiện khuôn mặt đã là bài toán kinh điển của xử lý ảnh, đề tài luận văn sẽ khảo sát các bài báo về phát hiện khuôn mặt.

Nhận diện ảnh khuôn mặt cũng là đề tài nóng hổi của những bài báo gần đây bằng cách áp dụng mạng học sâu nơ-ron nhân tạo. Báo cáo cũng sẽ nêu các thí nghiệm về cải tiến cho các bước trong phương pháp nhận diện khuôn mặt. iv ABSTRACT Nowadays, computer science grows quickly and it brings many applications to human life. Especially, information technology is one of the fastest growing do- mains in the world, it makes human life become better.

In recent years, neural net- works in deep learning outperforms with the traditional methods in image processing. So, there are many smart applications such as: face recognition, voice recognition, licence plate recognition, object counting, object tracking, medical im- age 3D visualization, … Security surveillance is very important and takes many at- tentions from government. Face recognition is one of many ways to get security surveillance. Safe social is necessary, some places / units require high security level such as: supermarkets, buildings, apartments, malls, skyscrapers, military areas,.

We are able to control the security by recognizing human face automatically with multiple of cameras. Face recognition is not only an essential core of security domain, but also it applies to many other domains: customer service, checking student attendance, children surveillance for safety,. Face recognition application together with other smart technologies give us a solution in security surveillance. Face recognition in wild has two parts: face detection and face recognition.

These two parts are the essential components of face recognition flow in video. The faces detected by face detection module will be fed to the recognition module. Face detection has been researched for a long time, this report surveys many papers re- lated to face detection. Face recognition is also a hot subject of many recent papers by applying deep neural network.

The report proposes an improvement for face rec- ognition flow. v LỜI CAM ĐOAN Các tài liệu, bài báo, trang web mà tôi đã tham khảo trong quá trình thực hiện luận văn đều được trích dẫn đầy đủ rõ ràng nguồn gốc trình bày ở mục tài liệu tham khảo. Tôi xin cam đoan rằng ngoài các trích dẫn tham khảo trên, toàn bộ nội dung trong báo cáo đều do tôi tự soạn thảo từ những kết quả nghiên cứu do tôi tham gia thực hiện và các kết quả của nhóm nghiên cứu GVLab do thầy Lê Thành Sách hướng dẫn, không sao chép từ bất kì tài liệu nào khác. Tôi sẽ hoàn toàn chịu xử lý theo qui định nếu có bất cứ sai phạm nào so với lời cam kết.

Nguyễn Hoàng Minh vi MỤC LỤC 1. Giới thiệu đề tài. Mục tiêu đề tài.1 Ý nghĩa thực tiễn .2 Ý nghĩa khoa học. Phạm vi đề tài.

Bố cục luận văn. CÁC CÔNG TRÌNH NGHIÊN CỨU LIÊN QUAN. Tổng quan các hướng nghiên cứu về bài toán nhận diện khuôn mặt. Tổng quan các phương pháp về phát hiện khuôn mặt.

Multi-task Cascaded Convolutional Networks (MTCNN). Single Shot MultiBox Detector (SSD). Single Shot Scale-invariant Face Detector (S3FD). Tổng quan các phương pháp về nhận diện khuôn mặt.

Facenet: triplet loss. Tổng kết và nhận xét. Chuẩn hóa dữ liệu (data normalization). Làm giàu dữ liệu (data augmentation).

Tích chập trong miền rời rạc (convolution). Mạng nơ-ron truyền thẳng nhiều lớp. Mạng nơ-ron truyền thẳng nhiều lớp (MLP). Hàm kích hoạt sigmoid.

Hàm kích hoạt tanh. Giải thuật Gradient Descent. Mạng nơ-ron tích chập (CNN). Hàm lỗi cross entropy.

Kết nối dày đặc (dense connection). PHƯƠNG PHÁP ĐỀ XUẤT. Cải tiến kiến trúc mạng Sphereface. Triển khai mô hình nhận diện trên Jetson TX2.

CÁC THÍ NGHIỆM VÀ KẾT QUẢ THÍ NGHIỆM. Tập dữ liệu. Tập dữ liệu huấn luyện. Tập dữ liệu đánh giá.

Phương pháp đánh giá. Kiểm thử chéo. Chỉ số độ chính xác mAP. Thí nghiệm các phương pháp nhận diện .