Luận văn thạc sĩ: Ứng dụng mạng nơ ron nhân tạo vào nhận dạng khuôn mặt

• Tác giả: Nguyễn Hải Bình
• Người hướng dẫn: TS. Nguyễn Đình Hóa
• Trường học: Học viện Công nghệ Bưu chính Viễn thông
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Nghiên cứu ứng dụng mạng nơ ron nhân tạo trong nhận dạng khuôn mặt
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2020
• Địa điểm: Hà Nội

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH MỤC CÁC TỪ VIẾT TẮT
• DANH MỤC CÁC HÌNH VẼ
• 1. CHƯƠNG 1: TỔNG QUAN VỀ MẠNG NORON
• 1.1. Giới thiệu mạng noron nhân tạo
• 1.1.1. Lịch sử phát triển của mạng noron
• 1.2. Mạng noron sinh học
• 1.3. Mạng noron nhân tạo
• 1.4. Các hàm kích hoạt (hàm truyền)
• 1.4.1. Hàm đồng nhất (Linear function, Identity function)
• 1.4.2. Hàm nhị phân (Binary step function, Hard limit function)
• 1.4.3. Hàm sigmoid (Sigmoid function (logistic))
• 1.4.4. Hàm sigmoid lưỡng cực (Bipolar sigmoid function (tansig))
• 1.5. Cấu trúc mạng noron
• 1.5.1. Mạng tự kết hợp
• 1.5.2. Kiến trúc truyền thẳng
• 1.5.3. Kiến trúc phản hồi
• 1.6. Các luật học của mạng noron
• 2. CHƯƠNG II: MẠNG NƠ-RON VÀ ỨNG DỤNG TRONG NHẬN DẠNG MẶT NGƯỜI
• 2.1. Tổng quan về mạng noron tích chập
• 2.2. Lớp tích chập
• 2.3. Lớp hàm kích hoạt
• 2.4. Lớp kết nối đầy đủ
• 2.5. Nguyên lý hoạt động
• 2.6. Phương pháp lựa chọn mô hình
• 2.7. Tổng quan về bài toán nhận dạng
• 2.8. Ứng dụng của nhận dạng khuôn mặt
• 2.9. Các hướng tiếp cận bài toán nhận dạng khuôn mặt
• 3. CHƯƠNG III: CÁC KẾT QUẢ THỰC NGHIỆM
• 3.1. Công cụ lập trình
• 3.2. Ngôn ngữ lập trình Python
• 3.3. Các chương trình thực hiện
• 3.4. Bộ dữ liệu
• 3.5. Quá trình thực nghiệm
• 3.6. Kết quả thực nghiệm
• TÀI LIỆU THAM KHẢO

I. Giới thiệu về mạng nơ ron nhân tạo

Mạng nơ ron nhân tạo (mạng nơ ron) là một mô hình tính toán được thiết kế để mô phỏng hoạt động của não bộ con người. Mô hình này bao gồm nhiều nơ ron độc lập liên kết với nhau, cho phép xử lý thông tin một cách hiệu quả. Lịch sử phát triển của mạng nơ ron bắt đầu từ những năm 1940, với những nghiên cứu đầu tiên của Warren McCulloch và Walter Pitts. Họ đã chỉ ra rằng các nơ ron nhân tạo có thể tính toán bất kỳ hàm số học hay logic nào. Tuy nhiên, sự phát triển của mạng nơ ron đã gặp nhiều khó khăn do hạn chế về công nghệ và lý thuyết. Đến những năm 1980, với sự ra đời của thuật toán lan truyền ngược (back-propagation), nghiên cứu về mạng nơ ron đã có những bước tiến vượt bậc. Mạng nơ ron nhân tạo hiện nay được ứng dụng rộng rãi trong nhiều lĩnh vực, đặc biệt là trong nhận dạng khuôn mặt.

1.1. Lịch sử phát triển của mạng nơ ron

Mạng nơ ron nhân tạo đã trải qua nhiều giai đoạn phát triển. Ban đầu, các nơ ron chỉ có khả năng giải quyết các bài toán đơn giản. Tuy nhiên, với sự phát triển của công nghệ máy tính và các thuật toán học máy, mạng nơ ron đã trở nên mạnh mẽ hơn. Các nghiên cứu của Minsky và Papert đã chỉ ra rằng các mạng nhận thức chỉ có thể giải quyết các bài toán khả phân tuyến tính, dẫn đến sự đình trệ trong nghiên cứu. Tuy nhiên, vào những năm 1980, sự ra đời của các thuật toán mới đã giúp khôi phục lại sự quan tâm đối với mạng nơ ron. Các mô hình như MLP (Multilayer Perceptron) và CNN (Convolutional Neural Network) đã mở ra nhiều khả năng mới trong việc xử lý và nhận dạng hình ảnh.

II. Ứng dụng của mạng nơ ron trong nhận dạng khuôn mặt

Nhận dạng khuôn mặt là một trong những ứng dụng nổi bật của mạng nơ ron nhân tạo. Công nghệ này đã được áp dụng trong nhiều lĩnh vực như an ninh, thương mại và giải trí. Mạng nơ ron tích chập (CNN) là một trong những mô hình hiệu quả nhất trong việc nhận dạng khuôn mặt. CNN có khả năng tự động trích xuất đặc trưng từ hình ảnh mà không cần phải can thiệp thủ công. Điều này giúp tăng độ chính xác và giảm thời gian xử lý. Các nghiên cứu gần đây cho thấy rằng việc sử dụng mạng nơ ron trong nhận dạng khuôn mặt có thể đạt được độ chính xác lên đến 99%. Điều này mở ra nhiều cơ hội cho việc phát triển các hệ thống an ninh thông minh và các ứng dụng trong đời sống hàng ngày.

2.1. Công nghệ nhận dạng khuôn mặt

Công nghệ nhận dạng khuôn mặt sử dụng các thuật toán học máy để phân tích và nhận diện khuôn mặt trong hình ảnh. Các phương pháp truyền thống thường gặp khó khăn trong việc xử lý các biến thể như ánh sáng, góc nhìn và biểu cảm khuôn mặt. Tuy nhiên, với sự phát triển của học sâu và mạng nơ ron, các hệ thống hiện nay có thể xử lý những thách thức này một cách hiệu quả. Việc sử dụng dữ liệu hình ảnh lớn để huấn luyện các mô hình mạng nơ ron đã giúp cải thiện đáng kể độ chính xác của các hệ thống nhận dạng khuôn mặt. Các ứng dụng của công nghệ này không chỉ giới hạn trong an ninh mà còn mở rộng ra các lĩnh vực như marketing và chăm sóc khách hàng.

III. Kết quả thực nghiệm và đánh giá

Trong nghiên cứu này, các kết quả thực nghiệm cho thấy rằng việc áp dụng mạng nơ ron trong nhận dạng khuôn mặt mang lại hiệu quả cao. Các mô hình được xây dựng đã được kiểm tra trên nhiều bộ dữ liệu khác nhau, cho thấy khả năng nhận diện chính xác và nhanh chóng. Việc sử dụng Python và các thư viện như TensorFlow và Keras đã giúp đơn giản hóa quá trình phát triển và triển khai các mô hình. Kết quả thực nghiệm cho thấy rằng mạng nơ ron tích chập có thể đạt được độ chính xác lên đến 98% trong việc nhận diện khuôn mặt từ các hình ảnh khác nhau. Điều này chứng tỏ rằng công nghệ này có tiềm năng lớn trong việc phát triển các ứng dụng thực tế.

3.1. Phân tích kết quả thực nghiệm

Kết quả thực nghiệm cho thấy rằng các mô hình mạng nơ ron đã hoạt động hiệu quả trong việc nhận diện khuôn mặt. Các chỉ số như độ chính xác, độ nhạy và độ đặc hiệu đều đạt được mức cao. Việc sử dụng các phương pháp như học sâu đã giúp cải thiện đáng kể khả năng nhận diện trong các điều kiện khác nhau. Các mô hình cũng cho thấy khả năng tổng quát tốt khi được áp dụng trên các bộ dữ liệu khác nhau. Điều này cho thấy rằng mạng nơ ron không chỉ có khả năng học từ dữ liệu mà còn có thể áp dụng kiến thức đã học vào các tình huống mới.

Tổng quan nghiên cứu

Nhận dạng khuôn mặt là một lĩnh vực quan trọng trong xử lý ảnh và thị giác máy tính, với ứng dụng rộng rãi trong an ninh, thương mại, và các hệ thống tương tác người-máy. Theo ước tính, việc xây dựng hệ thống nhận dạng khuôn mặt đòi hỏi xử lý lượng dữ liệu lớn với yêu cầu về độ chính xác và tốc độ cao. Nhiệm vụ nghiên cứu trong luận văn tập trung vào việc ứng dụng mạng nơ-ron nhân tạo, đặc biệt là mạng nơ-ron tích chập (CNN), nhằm nâng cao hiệu quả nhận dạng mặt người với khối lượng tính toán và thời gian xử lý được tối ưu.

Mục tiêu cụ thể của nghiên cứu là phát triển một mô hình CNN có khả năng nhận dạng khuôn mặt chính xác, giảm thiểu hiện tượng quá khớp (overfitting) và phù hợp với các bộ dữ liệu thực tế. Phạm vi nghiên cứu tập trung vào dữ liệu ảnh khuôn mặt thu thập tại Việt Nam trong giai đoạn 2018-2020, sử dụng bộ dữ liệu LFW và các bộ dữ liệu thực tế khác. Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện các chỉ số như độ chính xác nhận dạng, tốc độ xử lý và khả năng ứng dụng trong các hệ thống an ninh, kiểm soát ra vào, và các ứng dụng thương mại.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) và mạng nơ-ron tích chập (Convolutional Neural Network - CNN). Mạng nơ-ron nhân tạo mô phỏng hoạt động của nơ-ron sinh học, gồm các thành phần như tập đầu vào, trọng số liên kết, hàm tổng, độ lệch (bias), hàm kích hoạt và đầu ra. Các hàm kích hoạt phổ biến gồm hàm đồng nhất, hàm nhị phân, hàm sigmoid và hàm sigmoid lưỡng cực.

Mạng CNN là một biến thể của ANN, được thiết kế đặc biệt cho xử lý ảnh với cấu trúc gồm các lớp tích chập, lớp hàm kích hoạt, lớp pooling và lớp kết nối đầy đủ. Lớp tích chập giúp trích xuất đặc trưng cục bộ từ ảnh, lớp hàm kích hoạt phi tuyến như ReLU tạo ra thông tin trừu tượng, lớp pooling giảm kích thước dữ liệu và giảm hiện tượng quá khớp, trong khi lớp kết nối đầy đủ thực hiện phân loại cuối cùng.

Ba khái niệm chính được sử dụng trong nghiên cứu là:

• Tích chập (Convolution): Phép toán trượt bộ lọc trên ảnh để trích xuất đặc trưng.
• Pooling: Phương pháp lấy mẫu con để giảm kích thước dữ liệu, phổ biến nhất là max pooling.
• Overfitting: Hiện tượng mô hình học quá khớp với dữ liệu huấn luyện, làm giảm hiệu quả trên dữ liệu kiểm tra.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là bộ dữ liệu LFW (Labeled Faces in the Wild) và các bộ dữ liệu thực tế thu thập tại một số địa phương Việt Nam. Cỡ mẫu khoảng vài nghìn ảnh khuôn mặt với đa dạng điều kiện ánh sáng, góc chụp và trạng thái khuôn mặt.

Phương pháp phân tích sử dụng mô hình CNN được xây dựng và huấn luyện trên ngôn ngữ lập trình Python, tận dụng các thư viện hỗ trợ như TensorFlow và Keras. Quá trình huấn luyện được chia thành các giai đoạn: tiền xử lý ảnh (cân bằng sáng, tách ngưỡng), trích xuất đặc trưng qua các lớp tích chập và pooling, và phân loại bằng lớp kết nối đầy đủ với hàm softmax.

Timeline nghiên cứu kéo dài trong 12 tháng, bao gồm 3 tháng chuẩn bị dữ liệu, 6 tháng huấn luyện và tối ưu mô hình, 3 tháng đánh giá và hoàn thiện báo cáo. Phương pháp đánh giá mô hình dựa trên các chỉ số sai số huấn luyện, sai số kiểm tra, độ chính xác nhận dạng và khả năng tổng quát hóa qua kỹ thuật duyệt chéo k-gấp (k-fold cross-validation).

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác nhận dạng: Mô hình CNN đạt độ chính xác trung bình khoảng 92% trên bộ dữ liệu kiểm tra, cao hơn 15% so với mô hình mạng nơ-ron truyền thẳng (MLP) truyền thống.
2. Giảm hiện tượng quá khớp: Sử dụng kỹ thuật dropout và regularization giúp giảm sai số kiểm tra từ 18% xuống còn khoảng 8%, đồng thời duy trì sai số huấn luyện dưới 5%.
3. Tốc độ xử lý: Mô hình CNN với số lượng tham số khoảng 260 tham số cho mỗi ánh xạ đặc trưng, giảm đáng kể so với mô hình truyền thẳng cần hơn 30.000 tham số, giúp tăng tốc độ huấn luyện và dự đoán lên khoảng 3 lần.
4. Khả năng nhận dạng ảnh một phần khuôn mặt: Thuật toán Multi Keypoint Descriptor (MKD) kết hợp với CNN cho phép nhận dạng chính xác trên ảnh khuôn mặt bị che khuất hoặc chỉ có một phần khuôn mặt, với độ chính xác đạt khoảng 85%.

Thảo luận kết quả

Nguyên nhân chính của sự cải thiện độ chính xác là do cấu trúc CNN tận dụng được tính cục bộ và bất biến của ảnh, giảm thiểu số lượng tham số cần huấn luyện so với mạng truyền thẳng. Kỹ thuật dropout và regularization giúp mô hình tránh được hiện tượng quá khớp, điều này phù hợp với các nghiên cứu trước đây trong lĩnh vực học sâu.

So sánh với các nghiên cứu khác, kết quả đạt được tương đương hoặc vượt trội hơn các mô hình CNN phổ biến như AlexNet hay GoogLeNet trên bộ dữ liệu tương tự. Việc áp dụng thuật toán nhận dạng không cần canh chỉnh khuôn mặt giúp mở rộng khả năng ứng dụng trong các môi trường thực tế, nơi ảnh thu thập thường không chuẩn hóa.

Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác giữa các mô hình, bảng thống kê sai số huấn luyện và kiểm tra theo từng kỹ thuật điều chỉnh, cũng như biểu đồ thời gian huấn luyện và dự đoán.

Đề xuất và khuyến nghị

1. Tăng cường thu thập dữ liệu đa dạng: Động từ hành động: mở rộng; Target metric: tăng số lượng và đa dạng bộ dữ liệu; Timeline: 6-12 tháng; Chủ thể thực hiện: các viện nghiên cứu và doanh nghiệp công nghệ.
2. Áp dụng kỹ thuật tăng cường dữ liệu (data augmentation): Động từ hành động: triển khai; Target metric: cải thiện độ chính xác nhận dạng trên ảnh biến đổi; Timeline: 3-6 tháng; Chủ thể thực hiện: nhóm phát triển mô hình.
3. Tối ưu hóa mô hình CNN bằng kỹ thuật pruning và quantization: Động từ hành động: tối ưu; Target metric: giảm kích thước mô hình và tăng tốc độ xử lý; Timeline: 4-8 tháng; Chủ thể thực hiện: nhóm kỹ thuật phần mềm.
4. Phát triển hệ thống nhận dạng khuôn mặt không cần canh chỉnh: Động từ hành động: nghiên cứu và ứng dụng; Target metric: tăng độ chính xác nhận dạng ảnh khuôn mặt bị che khuất; Timeline: 6 tháng; Chủ thể thực hiện: nhóm nghiên cứu AI và thị giác máy tính.

Đối tượng nên tham khảo luận văn

1. Nhà nghiên cứu và sinh viên ngành trí tuệ nhân tạo và thị giác máy tính: Giúp hiểu sâu về ứng dụng mạng nơ-ron tích chập trong nhận dạng khuôn mặt, từ lý thuyết đến thực nghiệm.
2. Doanh nghiệp phát triển hệ thống an ninh và giám sát: Áp dụng mô hình CNN để nâng cao hiệu quả nhận dạng khuôn mặt trong các hệ thống kiểm soát ra vào và giám sát an ninh.
3. Chuyên gia phát triển phần mềm và kỹ sư AI: Tham khảo phương pháp xây dựng, huấn luyện và tối ưu mô hình CNN trên nền tảng Python, cùng các kỹ thuật tránh quá khớp.
4. Cơ quan quản lý và tổ chức nghiên cứu về an ninh công cộng: Sử dụng kết quả nghiên cứu để phát triển các giải pháp nhận dạng khuôn mặt phục vụ công tác điều tra, truy bắt tội phạm và quản lý nhân sự.

Câu hỏi thường gặp

1. Mạng nơ-ron tích chập (CNN) khác gì so với mạng nơ-ron truyền thẳng?
   CNN có cấu trúc đặc biệt với các lớp tích chập giúp trích xuất đặc trưng cục bộ từ ảnh, giảm số lượng tham số và tăng hiệu quả xử lý so với mạng truyền thẳng, vốn kết nối đầy đủ giữa các lớp.

2. Làm thế nào để tránh hiện tượng quá khớp trong huấn luyện mô hình CNN?
   Sử dụng kỹ thuật dropout, regularization, và duyệt chéo k-gấp giúp giảm hiện tượng quá khớp bằng cách ngăn chặn mô hình học quá chi tiết trên dữ liệu huấn luyện mà không tổng quát hóa tốt trên dữ liệu mới.

3. Bộ dữ liệu LFW có đặc điểm gì nổi bật?
   LFW là bộ dữ liệu ảnh khuôn mặt trong môi trường tự nhiên, đa dạng về ánh sáng, góc chụp và biểu cảm, được sử dụng rộng rãi để đánh giá các thuật toán nhận dạng khuôn mặt.

4. Phương pháp nhận dạng khuôn mặt không cần canh chỉnh hoạt động ra sao?
   Phương pháp này sử dụng các mô tả đa điểm chính (MKD) và mẫu tam phân Gabor (GTP) để biểu diễn khuôn mặt mà không cần xác định các điểm mốc như mắt, giúp nhận dạng chính xác trên ảnh bị che khuất hoặc không chuẩn hóa.

5. Tại sao Python được chọn làm ngôn ngữ lập trình trong nghiên cứu này?
   Python có cú pháp dễ học, nhiều thư viện hỗ trợ mạnh mẽ cho trí tuệ nhân tạo và học máy như TensorFlow, Keras, giúp phát triển và triển khai mô hình CNN nhanh chóng và hiệu quả.

Kết luận

• Nghiên cứu đã phát triển thành công mô hình CNN ứng dụng trong nhận dạng khuôn mặt với độ chính xác đạt khoảng 92%, vượt trội so với các mô hình truyền thống.
• Kỹ thuật dropout và regularization được áp dụng hiệu quả để giảm hiện tượng quá khớp, nâng cao khả năng tổng quát của mô hình.
• Mô hình CNN giảm đáng kể số lượng tham số so với mạng truyền thẳng, giúp tăng tốc độ huấn luyện và dự đoán.
• Thuật toán nhận dạng không cần canh chỉnh khuôn mặt mở rộng khả năng ứng dụng trong các môi trường thực tế đa dạng.
• Các bước tiếp theo bao gồm mở rộng bộ dữ liệu, tối ưu mô hình và phát triển hệ thống nhận dạng khuôn mặt toàn diện cho các ứng dụng thực tiễn.

Hành động tiếp theo: Khuyến khích các nhà nghiên cứu và doanh nghiệp ứng dụng kết quả nghiên cứu để phát triển các hệ thống nhận dạng khuôn mặt thông minh, đồng thời tiếp tục cải tiến mô hình nhằm đáp ứng yêu cầu ngày càng cao của thực tế.