Hiện Thực Nhận Dạng Biểu Cảm Khuôn Mặt Bằng Mạng Nơ-ron Tích Chập

• Tác giả: Dương Quốc Bảo
• Người hướng dẫn: ThS. Tôn Quang Toại
• Trường học: Trường Đại Học Ngoại Ngữ - Tin Học TP.HCM
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Nhận Dạng Biểu Cảm Khuôn Mặt Bằng Mạng Nơ-ron Tích Chập
• Loại tài liệu: Khóa Luận Tốt Nghiệp
• Năm xuất bản: 2019
• Địa điểm: TP. Hồ Chí Minh

Mục lục chi tiết

• LỜI CẢM ƠN
• 1. CHƯƠNG 1: GIỚI THIỆU
• 1.1. Artificial Intelligence – AI
• 1.1.1. Định nghĩa Artificial Intelligence
• 1.1.2. Phân loại trí tuệ nhân tạo
• 1.2. Machine Learning – ML
• 1.2.1. Định nghĩa Machine Learning
• 1.2.2. Phân loại các thuật toán Machine Learning
• 1.3. Định nghĩa computer vision
• 1.4. Các lĩnh vực liên quan
• 1.5. Các ứng dụng của computer vision
• 1.6. Thư viện OpenCV
• 1.7. Tổng quan đề tài khoá luận
• 1.7.1. Tổng quát về biểu cảm khuôn mặt
• 1.7.2. Bài toán nhận dạng biểu cảm khuôn mặt
• 1.7.3. Tổng quát về tập dữ liệu FER-2013
• 2. LÝ THUYẾT NỀN TẢNG
• 2.1. Bài toán Classification
• 2.2. Multi-Class Classification
• 2.3. Các kỳ hiệu và khái niệm
• 2.4. Weights và Bias
• 2.5. Tổng quan về mạng neuron sinh học - Biological Neural
• 2.6. Artificial Neural Network (ANN)
• 2.6.1. Định nghĩa neuron nhân tạo
• 2.6.2. Kiến trúc neuron
• 2.6.3. Mạng neuron nhân tạo
• 2.6.4. Lịch sử phát triển của mạng neuron nhân tạo
• 2.6.5. Kiến trúc mạng neuron
• 2.6.6. Lan truyền tiến - FeedForward
• 2.6.7. Lan truyền ngược và đạo hàm - Backpropagation
• 2.7. Convolutional Neural Network – CNN
• 2.7.1. Giới thiệu mạng neuron tích chập (Convolutional Neural Network)
• 2.7.2. Cấu trúc mạng neuron tích chập
• 2.7.3. Các mạng neuron tích chập kinh điển
• 2.7.4. Các thuật toán tối ưu (Optimizer)
• 2.7.5. Hiện tượng Vanishing / Exploding Gradient
• 2.7.6. Hiện tượng Overfitting
• 2.7.7. Đánh giá mô hình
• 3. CÁC CÔNG TRÌNH LIÊN QUAN
• 3.1. Công trình 1: Nhận dạng biểu cảm khuôn mặt bằng phương pháp Supervised Learning (học giám sát) và mô hình Deep Learning
• 3.1.1. Tổng quan công trình
• 3.1.2. Tập dữ liệu FER-2013 và CK+
• 3.1.3. Kết quả thực nghiệm
• 3.2. Công trình 2: Nhận dạng các biểu cảm khuôn mặt bằng phương pháp Hybrid CNN- SIFT Aggregator
• 3.2.1. Tổng quan công trình
• 3.2.2. Xử lý dữ liệu FER-2013 và CK+
• 3.2.3. Kiến trúc mô hình
• 3.2.4. Kết quả thực nghiệm
• 4. XÂY DỰNG MÔ HÌNH VÀ KẾT QUẢ THỰC NGHIỆM
• 4.1. Thống kê và xử lý dữ liệu
• 4.1.1. Nguồn tập dữ liệu FER-2013
• 4.1.2. Tổng quát về FER-2013
• 4.1.3. Xử lý ảnh tập dữ liệu FER-2013
• 4.1.4. Ảnh thực tế của tập dữ liệu FER-2013
• 4.1.5. Thống kê tập dữ liệu FER-2013 theo biểu cảm
• 4.2. Cấu hình máy thực hiện các thực nghiệm
• 4.3. Các thông số và hàm số chung cho các mô hình
• 4.3.1. Các thông số chung
• 4.3.2. Hàm kích hoạt softmax
• 4.4. Xây dựng và thực nghiệm các mô hình
• 5. HIỆN THỰC NHẬN DẠNG BIỂU CẢM KHUÔN MẶT
• 5.1. Chọn mô hình tốt nhất để thực nghiệm nhận dạng biểu cảm khuôn mặt
• 5.2. Thực nghiệm nhận dạng 7 biểu cảm với các ảnh từ nhiều nguồn khác nhau
• 5.2.1. Biểu cảm Angry
• 5.2.2. Biểu cảm Disgust
• 5.2.3. Biểu cảm Fear
• 5.2.4. Biểu cảm Happy
• 5.2.5. Biểu cảm Neutral
• 5.2.6. Biểu cảm Sad
• 5.2.7. Biểu cảm Surprised
• KẾT LUẬN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Nhận Dạng Biểu Cảm Khuôn Mặt Bằng Mạng Nơ ron Tích Chập

Nhận dạng biểu cảm khuôn mặt là một lĩnh vực quan trọng trong công nghệ trí tuệ nhân tạo. Công nghệ này sử dụng mạng nơ-ron tích chập (CNN) để phân tích và nhận diện các biểu cảm khác nhau trên khuôn mặt con người. Việc áp dụng CNN giúp cải thiện độ chính xác và tốc độ trong việc nhận diện biểu cảm, từ đó mở ra nhiều ứng dụng trong các lĩnh vực như an ninh, y tế và giải trí.

1.1. Định Nghĩa Nhận Dạng Biểu Cảm Khuôn Mặt

Nhận dạng biểu cảm khuôn mặt là quá trình xác định và phân loại các biểu cảm khác nhau như vui, buồn, giận dữ, và ngạc nhiên. Công nghệ này sử dụng các thuật toán học sâu để phân tích hình ảnh khuôn mặt và nhận diện các đặc điểm đặc trưng.

1.2. Lịch Sử Phát Triển Công Nghệ Nhận Dạng Khuôn Mặt

Công nghệ nhận dạng khuôn mặt đã phát triển từ những năm 1960. Tuy nhiên, sự bùng nổ của học sâu và mạng nơ-ron tích chập trong thập kỷ qua đã mang lại những bước tiến vượt bậc trong khả năng nhận diện và phân tích biểu cảm khuôn mặt.

II. Vấn Đề Và Thách Thức Trong Nhận Dạng Biểu Cảm Khuôn Mặt

Mặc dù công nghệ nhận dạng biểu cảm khuôn mặt đã đạt được nhiều thành tựu, nhưng vẫn tồn tại nhiều thách thức. Các yếu tố như ánh sáng, góc chụp và sự đa dạng về khuôn mặt có thể ảnh hưởng đến độ chính xác của mô hình. Việc phát triển các giải pháp để khắc phục những vấn đề này là rất cần thiết.

2.1. Ảnh Hưởng Của Ánh Sáng Đến Độ Chính Xác

Ánh sáng không đồng đều có thể làm giảm độ chính xác của mô hình nhận dạng. Các nghiên cứu cho thấy rằng việc sử dụng các kỹ thuật tiền xử lý ảnh có thể cải thiện đáng kể kết quả nhận diện.

2.2. Đối Phó Với Sự Đa Dạng Về Khuôn Mặt

Sự đa dạng về hình dáng và kích thước khuôn mặt là một thách thức lớn. Việc xây dựng tập dữ liệu phong phú và đa dạng là cần thiết để cải thiện khả năng nhận diện của mô hình.

III. Phương Pháp Nhận Dạng Biểu Cảm Khuôn Mặt Bằng Mạng Nơ ron Tích Chập

Mạng nơ-ron tích chập (CNN) là một trong những phương pháp hiệu quả nhất trong nhận dạng biểu cảm khuôn mặt. CNN có khả năng tự động học các đặc trưng từ dữ liệu mà không cần phải lập trình thủ công. Điều này giúp cải thiện độ chính xác và hiệu suất của mô hình.

3.1. Cấu Trúc Của Mạng Nơ ron Tích Chập

Cấu trúc của CNN bao gồm nhiều lớp khác nhau như lớp tích chập, lớp gộp và lớp fully connected. Mỗi lớp có nhiệm vụ trích xuất các đặc trưng khác nhau từ hình ảnh đầu vào.

3.2. Quy Trình Huấn Luyện Mô Hình CNN

Quy trình huấn luyện mô hình CNN bao gồm việc chuẩn bị dữ liệu, thiết lập các tham số và tối ưu hóa mô hình. Việc sử dụng các kỹ thuật như học tăng cường và regularization giúp cải thiện độ chính xác của mô hình.

IV. Ứng Dụng Thực Tiễn Của Nhận Dạng Biểu Cảm Khuôn Mặt

Nhận dạng biểu cảm khuôn mặt có nhiều ứng dụng thực tiễn trong đời sống. Từ việc cải thiện trải nghiệm người dùng trong các ứng dụng giải trí đến việc hỗ trợ trong lĩnh vực y tế, công nghệ này đang ngày càng trở nên phổ biến.

4.1. Ứng Dụng Trong Ngành Giải Trí

Trong ngành giải trí, nhận dạng biểu cảm khuôn mặt được sử dụng để tạo ra các nhân vật ảo có khả năng tương tác với người dùng. Điều này giúp nâng cao trải nghiệm người dùng trong các trò chơi và ứng dụng thực tế ảo.

4.2. Ứng Dụng Trong Ngành Y Tế

Công nghệ nhận dạng biểu cảm khuôn mặt cũng được áp dụng trong y tế để theo dõi tâm trạng và cảm xúc của bệnh nhân. Điều này có thể hỗ trợ trong việc chẩn đoán và điều trị các rối loạn tâm lý.

V. Kết Luận Về Tương Lai Của Nhận Dạng Biểu Cảm Khuôn Mặt

Tương lai của nhận dạng biểu cảm khuôn mặt hứa hẹn sẽ có nhiều tiến bộ với sự phát triển của công nghệ trí tuệ nhân tạo. Việc cải thiện độ chính xác và khả năng ứng dụng của công nghệ này sẽ mở ra nhiều cơ hội mới trong các lĩnh vực khác nhau.

5.1. Xu Hướng Phát Triển Công Nghệ

Xu hướng phát triển công nghệ nhận dạng biểu cảm khuôn mặt sẽ tập trung vào việc cải thiện độ chính xác và khả năng xử lý thời gian thực. Các nghiên cứu hiện tại đang hướng tới việc phát triển các mô hình nhẹ hơn nhưng vẫn đảm bảo hiệu suất cao.

5.2. Tác Động Đến Xã Hội

Công nghệ nhận dạng biểu cảm khuôn mặt có thể tác động tích cực đến xã hội, từ việc cải thiện an ninh đến việc nâng cao trải nghiệm người dùng. Tuy nhiên, cũng cần cân nhắc đến các vấn đề về quyền riêng tư và đạo đức trong việc sử dụng công nghệ này.