Đồ Án HCMUTE: Nhận Dạng Cảm Xúc Trên Khuôn Mặt Người

Khám phá đồ án HCMUTE về nhận dạng cảm xúc trên khuôn mặt người, ứng dụng công nghệ AI trong phân tích và nhận diện cảm xúc hiệu quả.

Người đăng

Ẩn danh

Thể loại

Đồ án tốt nghiệp

2018

78
1
0

Phí lưu trữ

30 Point

Mục lục chi tiết

LỜI CAM ĐOAN

LỜI CẢM ƠN

1. CHƯƠNG 1: TỔNG QUAN

1.1. ĐẶT VẤN ĐỀ

1.2. MỤC TIÊU

1.3. GIỚI HẠN

1.4. BỐ CỤC

2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT

2.1. Kit Arduino

2.2. PHẦN MỀM MATLAB

2.3. CÁC CẢM XÚC TRÊN KHUÔN MẶT

2.4. PHƯƠNG PHÁP NHẬN DẠNG PCA - EIGENFACES

2.4.1. Phương pháp nhận dạng PCA

2.4.2. Các khái niệm toán học trong PCA

Tóm tắt

I. Nhận diện cảm xúc khuôn mặt Tổng quan và mục tiêu nghiên cứu

Đồ án tốt nghiệp "Nhận dạng cảm xúc khuôn mặt người" tại HCMUTE tập trung vào việc xây dựng hệ thống nhận diện cảm xúc cơ bản (vui, buồn, ngạc nhiên) trên khuôn mặt. Nghiên cứu sử dụng xử lý ảnh, kết hợp board mạch Arduino và phần mềm Matlab. Mục tiêu chính là tạo ra một hệ thống có thể nhận diện cảm xúc và điều khiển các thiết bị ngoại vi (cửa, đèn LED) tương ứng với mỗi cảm xúc được phát hiện. Hệ thống này ứng dụng công nghệ nhận diện khuôn mặt, đặc biệt là phân tích cảm xúc. Đây là một ứng dụng thực tiễn của machine learningdeep learning trong lĩnh vực xử lý ảnh. Nhận diện cảm xúc thời gian thực là một thách thức quan trọng được đề cập trong nghiên cứu.

1.1 Đặt vấn đề và tầm quan trọng

Trong lĩnh vực xử lý ảnh, nhận dạng và phân loại hình ảnh đang phát triển nhanh chóng. Nhận dạng cảm xúc trên khuôn mặt người là một bài toán quan trọng, có ứng dụng rộng rãi trong nhiều lĩnh vực như: an ninh, giám sát, quản lý, marketing, và thương mại điện tử. Việc phát triển hệ thống nhận diện cảm xúc tự động giúp tăng hiệu quả và chính xác trong việc ra quyết định. Ứng dụng thực tế của nghiên cứu này bao gồm giám sát an ninh, quản lý cảm xúc khách hàng trong marketing, hay tạo ra các ứng dụng tương tác người máy thông minh hơn. Nghiên cứu này cũng đóng góp vào sự phát triển của công nghệ nhận diện khuôn mặt tại Đại học Công nghệ Thành phố Hồ Chí Minh (HCMUTE).

1.2 Phương pháp tiếp cận và giới hạn

Đồ án sử dụng phương pháp phân tích thành phần chính (PCA), hay còn gọi là Eigenfaces, để trích xuất đặc trưng từ ảnh khuôn mặt. Thuật toán nhận diện được cài đặt trên Matlab, kết hợp với Arduino để điều khiển thiết bị. Hệ thống chỉ nhận diện ba cảm xúc cơ bản: vui, buồn, và ngạc nhiên. Dữ liệu huấn luyện được tạo ra từ ảnh chụp, việc thu thập và chuẩn hóa dữ liệu khuôn mặt là một khía cạnh quan trọng. Độ chính xác của nhận diện phụ thuộc vào chất lượng dữ liệu và hiệu quả của thuật toán. OpenCV và các thư viện xử lý ảnh khác trong Python, TensorFlow, hay PyTorch có thể được xem xét cho các nghiên cứu mở rộng. Các kỹ thuật xử lý ảnh số đóng vai trò quan trọng trong việc đạt được độ chính xác nhận diện cao.

II. Cơ sở lý thuyết và công nghệ

Phần này trình bày về Arduino, Matlab, và thuật toán PCA - Eigenfaces. Arduino Uno được sử dụng như nền tảng điều khiển phần cứng. Matlab cung cấp môi trường lập trình và xử lý ảnh. PCA là một kỹ thuật giảm chiều dữ liệu hiệu quả trong nhận dạng khuôn mặt. Việc xây dựng mô hình nhận diện khuôn mặt dựa trên cơ sở dữ liệu khuôn mặt được thu thập và tiền xử lý cẩn thận. Phân tích biểu cảm khuôn mặt cần sự chính xác cao, do đó, các bước tiền xử lý ảnh đóng vai trò quan trọng trong việc tối ưu hóa hiệu năng của hệ thống.

2.1 Kit Arduino và phần mềm Matlab

Arduino Uno là một nền tảng phần cứng hiệu quả, dễ sử dụng và giá thành thấp. Nó được tích hợp với Matlab để điều khiển các thiết bị ngoại vi. Kết nối Arduino với Matlab là một bước quan trọng trong việc triển khai hệ thống. Các thư viện hỗ trợ trong Matlab giúp đơn giản hóa quá trình lập trình và tương tác giữa phần cứng và phần mềm. Cài đặt camera trên Matlab cũng là một bước cần thiết để thu thập dữ liệu hình ảnh. Việc lựa chọn thư viện hỗ trợ phần cứng phù hợp giúp đảm bảo sự ổn định và hiệu quả của hệ thống. Quá trình lập trình cho cả ArduinoMatlab cần được thiết kế một cách hợp lý để đảm bảo sự tương tác hiệu quả giữa hai phần.

2.2 Thuật toán PCA Eigenfaces và xử lý ảnh

Thuật toán PCA (Eigenfaces) được sử dụng để trích xuất các đặc trưng chính từ ảnh khuôn mặt. Phương pháp này giảm chiều dữ liệu, giúp tăng tốc độ và hiệu quả của quá trình nhận dạng. Các bước cơ bản trong Eigenfaces bao gồm: tính toán giá trị trung bình, ma trận hiệp phương sai, và các vectơ riêng. Các hàm xử lý ảnh trong Matlab được sử dụng để tiền xử lý ảnh, trích xuất đặc trưng, và phân loại cảm xúc. Tính toán và thiết kế hệ thống yêu cầu sự hiểu biết sâu sắc về xử lý tín hiệu số, thu thập dữ liệu khuôn mặt, và xây dựng cơ sở dữ liệu hiệu quả. Độ chính xác của thuật toán phụ thuộc vào nhiều yếu tố như chất lượng ảnh, số lượng dữ liệu huấn luyện, và cách thức thiết kế hệ thống.

III. Thiết kế thi công và đánh giá hệ thống

Phần này mô tả quá trình thiết kế hệ thống, lập trình, thử nghiệm, và đánh giá kết quả. Sơ đồ khối hệ thống cho thấy sự tương tác giữa các thành phần. Lập trình hệ thống bao gồm việc viết code cho cả ArduinoMatlab. Tập dữ liệu huấn luyện được tạo ra từ ảnh chụp khuôn mặt với các biểu hiện cảm xúc khác nhau. Kết quả thử nghiệm được phân tích và đánh giá dựa trên tính toán hiệu năngđộ chính xác của nhận diện.

3.1 Thiết kế hệ thống và lập trình

Thiết kế hệ thống bao gồm việc xác định các thành phần phần cứng và phần mềm. Sơ đồ khối minh họa quá trình xử lý ảnh, trích xuất đặc trưng, và điều khiển thiết bị. Lập trình Arduino tập trung vào việc điều khiển các thiết bị ngoại vi như servo motor và đèn LED. Lập trình Matlab thực hiện việc xử lý ảnh, nhận diện cảm xúc, và truyền dữ liệu đến Arduino. Cài đặt các gói hỗ trợ phần cứng cho Matlab giúp đơn giản hóa quá trình tích hợp phần cứng và phần mềm. Viết tài liệu hướng dẫn sử dụng giúp người dùng dễ dàng vận hành hệ thống. Thu thập dữ liệu khuôn mặt cần đảm bảo tính đa dạng và chất lượng cao để đảm bảo hiệu quả huấn luyện.

3.2 Thử nghiệm và đánh giá hệ thống

Thử nghiệm hệ thống bao gồm việc kiểm tra khả năng nhận diện cảm xúc từ ảnh chụp và từ webcam. Kết quả nhận dạng được thống kê và phân tích để đánh giá hiệu quả của hệ thống. Độ chính xác nhận diện là một chỉ tiêu quan trọng để đánh giá chất lượng của hệ thống. Phân tích biểu đồ giúp hiểu rõ hơn về hiệu suất của hệ thống trong các điều kiện khác nhau. Nhận xét và đánh giá được đưa ra dựa trên kết quả thử nghiệm. Các điểm mạnh và điểm yếu của hệ thống được nêu rõ để phục vụ cho việc cải tiến trong tương lai. Việc đánh giá hệ thống cần dựa trên các tiêu chí khách quan và số liệu cụ thể.

IV. Kết luận và hướng phát triển

Đồ án đã thành công trong việc xây dựng hệ thống nhận dạng cảm xúc khuôn mặt cơ bản. Tuy nhiên, vẫn còn một số hạn chế cần được khắc phục trong tương lai. Hướng phát triển bao gồm việc mở rộng số lượng cảm xúc được nhận diện, cải thiện độ chính xác, và tích hợp với các ứng dụng thực tế khác. Việc sử dụng các thuật toán deep learning tiên tiến có thể nâng cao hiệu quả của hệ thống. Nghiên cứu này đóng góp vào việc ứng dụng trí tuệ nhân tạohọc máy trong lĩnh vực xử lý ảnh tại HCMUTE.

4.1 Kết quả đạt được và hạn chế

Hệ thống nhận dạng cảm xúc đã đạt được độ chính xác nhất định trong việc nhận diện ba cảm xúc cơ bản. Tuy nhiên, độ chính xác này còn phụ thuộc vào nhiều yếu tố như điều kiện ánh sáng, góc chụp, và chất lượng ảnh. Hạn chế của hệ thống hiện tại là chỉ nhận diện được ba cảm xúc cơ bản. Việc mở rộng cơ sở dữ liệu khuôn mặt và sử dụng các thuật toán tiên tiến hơn sẽ giúp cải thiện độ chính xác và khả năng nhận diện nhiều cảm xúc hơn. Tối ưu hóa thuật toánxử lý dữ liệu cũng là những hướng cần được nghiên cứu sâu hơn. Hệ thống cần được đánh giá một cách toàn diện hơn nữa, bao gồm cả tốc độ xử lý.

4.2 Hướng phát triển trong tương lai

Trong tương lai, hệ thống có thể được phát triển để nhận diện nhiều cảm xúc phức tạp hơn. Việc tích hợp với các ứng dụng thực tế như giám sát an ninh, chăm sóc sức khỏe, và tương tác người máy là những hướng phát triển tiềm năng. Sử dụng các thuật toán deep learning như CNN hoặc RNN sẽ giúp nâng cao độ chính xác và khả năng tổng quát hóa của hệ thống. Việc xây dựng một hệ thống nhận diện cảm xúc thời gian thực hiệu quả là một thách thức cần được giải quyết. Nghiên cứu mở rộng cần tập trung vào việc thu thập dữ liệu lớn hơn, đa dạng hơn, và chất lượng cao hơn. Việc đánh giá hệ thống một cách toàn diện sẽ giúp định hướng phát triển hiệu quả hơn.

01/02/2025

Trích đoạn nội dung tài liệu

đặt vấn đề dẫn nhập lý do chọn đề tài, mục tiêu, nội dung nghiên cứu, các giới hạn thông số và bố cục đồ án.  Chƣơng 2: Cơ sở lý thuyết. Giới thiệu về kit Arduino, giới thiệu về cách cài đặt thƣ viện cho Arduino và camera webcam trên phần mềm Matlab. Giới thiệu về phép phân tích thành phần chính PCA và áp dụng vào bài toán nhận dạng cảm xúc trên khuôn mặt ngƣời.

 Chƣơng 3: Thiết kế và Tính toán BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 2 do an CHƢƠNG 1. TỔNG QUAN Phân tích, xây dựng sơ đồ khối, sơ đồ phần cứng, thiết kế về chƣơng trình cho hệ thống nhận dạng cảm xúc trên khuôn mặt ngƣời đƣợc viết trên phần mềm Matlab, sử dụng thƣ viện của Matlab cho kit Arduino.  Chƣơng 4: Thi công hệ thống Xây dựng chƣơng trình hoàn chỉnh cho toàn hệ thống, các hàm, các lƣu đồ, các chƣơng trình đƣợc sử dụng. Tạo tập tin huấn luyện, lắp ráp và test cho chƣơng trình.

Viết tài liệu hƣớng dẫn sử dụng, quy trình thao tác.  Chƣơng 5: Kết quả, Nhận xét và đánh giá Nêu các kết quả đạt đƣợc khi thực hiện chƣơng trình, phân tích, nhận xét, đánh giá kết quả thực thi đƣợc.  Chƣơng 6: Kết luận và Hƣớng phát triển Tóm tắt những kết quả đạt đƣợc, những hạn chế và nêu lên các hƣớng phát triển trong tƣơng lai. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 3 do an CHƢƠNG 2.

CƠ SỞ LÝ THUYẾT Chƣơng 2.1 Kit Arduino Arduino ra đời tại thị trấn Ivrea – Italy, đƣợc giới thiệu vào năm 2005 nhƣ một công cụ cho sinh viên tìm tòi, học hỏi, phát triển, nhƣng đến nay Arduino đã đƣợc sử dụng rộng rãi trên thế giới và chứng tỏ đƣợc hiệu quả thông qua vô số ứng dụng từ ngƣời dùng. Arduino là một board mạch vi xử lý đƣợc dùng để tƣơng tác với các thiết bị phần cứng nhƣ cảm biến, động cơ, đèn hay các thiết bị khác. Một board Arduino bao gồm một vi điều khiển AVR với nhiều linh kiện bổ sung đã làm nên board mạch với nhiều thế mạnh hơn so với các vi điều khiển khác nhƣ: chạy đƣợc trên nhiều hệ điều hành khác nhau (Windows, Linux.), dễ dàng lắp ráp và mở rộng phần cứng, phát triển dựa trên nguồn mở, dễ dàng chia sẻ mã nguồn với nhau mà không phải lo lắng ngôn ngữ hay hệ điều hành đang sử dụng… Arduino thƣờng sử dụng các dòng chip megaAVR, đặc biệt là ATmega8, ATmega168, ATmega328, ATmega1280 và ATmega2560. Hầu hết các mạch gồm một bộ điều chỉnh tuyến tính 5V và một thạch anh dao động 16 MHz, các board Arduino hiện tại đƣợc lập trình thông qua cổng USB.

Kit Arduino Uno Kit Arduino có nhiều phiên bản với tính năng và mục đích sử dụng khác nhau. Board Arduino Uno là một trong những phiên bản đƣợc sử dụng rộng rãi nhất bởi chi phí và tính linh động của nó. Arduino Uno [3] là một board mạch vi điều khiển dựa trên chip Atmega328 với 14 chân vào/ra bằng tín hiệu số đƣợc đánh số từ 0 đến 13, trong đó 6 chân có thể tạo xung PWM đƣợc đánh dấu “~” trƣớc mã số của chân, 6 chân nhận tín hiệu analog đƣợc đánh dấu từ A0 đến A5, có thể sử dụng nhƣ là 6 chân I/O số. Có 2 mức điện áp là 0V và 5V với dòng vào/ra tối đa trên mỗi chân là 30 mA.

BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 1 do an CHƢƠNG 2. CƠ SỞ LÝ THUYẾT Bảng 2. Thông số kỹ thuật Arduino Uno. Vi điều khiển Atmega328P họ 8 bit Điện áp hoạt động 5V Điện áp đầu vào 7-12V Điện áp đầu vào giới hạn 6-20V Số chân Digital I/O 14 (có 6 chân PWM) Số chân Analog 6 ( độ phân giải 10bit) DC current per I/O pin 20mA DC current for 3.3V pin 50mA Flash Memory 32KB (ATmega328P) SRAM 2KB (Atmega328P) EEPROM 1KB (Atmega328P) Clock Speed 16MHZ Length 68.4 mm Weight 25 g Hình 2.1 Cấu trúc phần cứng của Arduino Uno.

BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 2 do an CHƢƠNG 2. CƠ SỞ LÝ THUYẾT  Cổng USB(1): Cổng USB dùng để kết nối với máy tính và thông qua đó để upload chƣơng trình cho Arduino từ máy tính, đồng thời cung cấp nguồn cho Arduino.  Nguồn (2 và 4): Sử dụng jack cấm nguồn 2.1mm (cực dƣơng ở giữa) hoặc có thể dùng chân Vin và GND để cấp nguồn cho Arduino. Board mạch hoạt động ở điện áp ngoài khoảng 5-20V, nhƣng nếu cấp nguồn lớn hơn 5V thì ngõ ra chân 5V sẽ lớn hơn, không nên cấp nguồn lớn hơn 12V vì board sẽ nóng và dễ bị hỏng.

Chân 5V và chân 3.3v là 2 chân lấy nguồn từ Arduino ra ngoài, không đƣợc cấp nguồn vào nó, sẽ làm hỏng.  Chip Atmega328P(6): Có 32KB bộ nhớ flash trong đó có 0.5KB dùng cho bootloader, 2KB SRAM, 1KB EEPROM.  Output và input(3 và 5): Arduino có 14 chân Digital với các chức năng Input và Output. PHẦN MỀM MATLAB.

Matlab (Matrix Laboratory ) là một môi trƣờng tính toán số và lập trình, đƣợc thiết kế bởi công ty MathWorks. Matlab [4] là ngôn ngữ lập trình thực hành bậc cao đƣợc sử dụng nhiều để giải các bài toán kỹ thuật. Matlab tích hợp việc tính toán thể hiện kết quả cho phép lập trình, giao diện làm việc rất dễ dàng cho ngƣời sử dụng. Dữ liệu cũng với thƣ viện đƣợc lập trình sẵn cho phép ngƣời dùng có đƣợc những ứng dụng nhƣ:  Tính toán các phép toán học thông thƣờng, tính toán ma trận,  Lập trình tạo ra những ứng dụng mới.

 Cho phép mô phỏng các mô hình thực tế.  Phân tích, khảo sát, hiển thị dữ liệu.  Matlab đƣợc sử dụng trong nhiều lĩnh vực, bao gồm xử lý tín hiệu và ảnh, truyền thông, thiết kế điều khiển tự động, đo lƣờng kiểm tra, phân tích mô hình tài chính, hay tính toán sinh học. Matlab cung cấp giải pháp chuyên dụng gọi là Toolbox.

Toolbox là một tập hợp toàn diện các hàm của Matlab (M-file). Hệ thống Matlab gồm 5 phần chính: BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 3 do an CHƢƠNG 2. CƠ SỞ LÝ THUYẾT Môi trƣờng làm việc: bao gồm các phƣơng tiện cho việc quản lý các biến trong không gian làm việc Workspace cũng nhƣ xuất nhập dữ liệu. Nó cũng bao gồm các công cụ phát triển, quản lý, gỡ rối và định hình M-file.

Xử lý đồ họa: bao gồm các lệnh cao cấp cho trực quan hóa dữ liệu hai chiều và ba chiều, xử lý ảnh, ảnh động. Cung cấp các giao diện tƣơng tác giữa ngƣời sử dụng và máy tính. Thƣ viện toán học: các hàm cơ bản nhƣ cộng, trừ, nhân, chia, sin, cos.các hàm phức tạp nhƣ tính ma trận nghịch đảo, trị riêng, chuyển đổi fourier, laplace, symbolic library. Giao diện ngƣời dùng (Application Program Interface): cho phép viết chƣơng trình tƣơng tác với các ngôn ngữ khác C, C++.

Simulink là một chƣơng trình đi kèm với Matlab, là một hệ thống tƣơng tác với việc mô phỏng các hệ thống động phi tuyết, mô phỏng mạch.CÁC CẢM XÚC TRÊN KHUÔN MẶT Cảm xúc trên khuôn mặt là một quy luật rất quan trọng trong giao tiếp giữa ngƣời với ngƣời. Những công nghệ giao tiếp tiến bộ nhanh chóng gần đây cùng với sựu phát triển của khoa học máy tính đã cho chúng ta những hi vọng rằng cảm xúc trên khuôn mặt sẽ trở thành một giải pháp then chốt trong lĩnh vực giao diện ngƣời máy và các hƣớng phát triển giao tiếp khác trong tƣơng lai. Trong các cách biểu đạt ngôn ngữ cơ thể, cảm xúc là nơi thể hiện rõ nhất những gì mà ngƣời khác cảm nhận đƣợc. Qua nghiên cứu của nhà tâm lý học Mehrabian năm 1968 đã chỉ ra rằng khi một thông điệp từ một ngƣời chuyển tới ngƣời khác, phần từ ngữ chỉ chiếm 7% ảnh hƣởng, 38% âm lƣợng của giọng nói, trong khi ngôn ngữ cơ thể của ngƣời nói chiếm tới 55% ảnh hƣởng của thông điệp đó [5].

Nhận dạng cảm xúc đƣợc ứng dụng trong rất nhiều lĩnh vực khác nhau nhƣ y học [6], tƣơng tác giao diện giữa ngƣời và máy [7], chuyển động thân ngƣời [8]… Trong đề tài đồ án tốt nghiệp này, chúng em xây dựng một hệ thống nhận dạng cảm xúc dựa trên 3 cảm xúc cơ bản trên đó là: vui, buồn, ngạc nhiên. Các dấu hiệu nhận biết cảm xúc:  Vui: Cảm xúc này thể hiện qua nét mặt rạng rỡ trên khuôn mặt. Nụ cƣời chính là dấu hiệu đơn giản nhất để nhận biết cảm xúc này. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 4 do an CHƢƠNG 2.

CƠ SỞ LÝ THUYẾT  Buồn: Biểu hiện của cảm xúc này thông qua khuôn mặt là vùng trán nhăn lại, đôi mắt trùng xuống, không có thần thái, vẻ mặt biểu lộ rõ sự buồn khổ, sầu não kèm theo những tiếng thở dài. Nhìn vào dễ dàng tạo cảm giác lặng lẽ, trầm buồn.  Ngạc nhiên: Đây là trạng thái dễ gây cảm giác thú vị khi nhìn vào. Sự ngạc nhiên thể hiện qua lông mày nhô cao, mắt mở to, phần hàm dƣới trề xuống, miệng mở tròn ra.

PHƢƠNG PHÁP NHẬN DẠNG PCA - EIGENFACES. Phƣơng pháp nhận dạng PCA Phân tích thành phần chính PCA (Principal Component Analysis) là một thuật toán sử dụng phép biến đổi trực giao để biến đổi một tập hợp dữ liệu từ một không gian nhiều chiều sang một không gian mới ít chiều hơn (2 hoặc 3 chiều) nhằm tối ƣu hóa việc thể hiện sự biến thiên của dữ liệu. PCA một trong những ứng dụng hữu ích trong việc nhận dạng mặt và nén ảnh, là phƣơng pháp phân tích dữ liệu nhiều biến đơn giản nhất. Phép biến đổi tạo ra những ƣu điểm nhƣ:  Giảm sổ chiều của không gian chứa dữ liệu: tạo ra một ảnh mới từ ảnh ban đầu, ảnh này có kích thƣớt nhỏ hơn nhiều so với ảnh ban đầu nhƣng vẫn giữ lại những nét đặc trƣng nhất từ ảnh ban đầu.

 Thay vì giữ lại các trục tọa độ của không gian cũ. PCA xây dựng những trục tọa độ mới nhƣng có khả năng biểu diễn dữ liệu tƣơng đƣơng, và đảm bảo độ biến thiên của dữ liệu trên mỗi chiều mới.  Trong không gian mới, các liên kết tiềm ẩn của dữ liệu có thể đƣợc khám phá, mà nếu đặt trong không gian cũ thì khó phát hiện hơn vì những liên kết này không thể hiện rõ.  Các trục tọa độ trong không gian mới là tổ hợp tuyến tính của không gian cũ.

Các trục này luôn đƣợc trực giao đôi một với nhau mặc dù trong không gian ban đầu các trục có thể không trực giao.  Nói một cách ngắn gọn, mục tiêu của PCA là tìm một không gian mới với số chiều nhỏ hơn không gian cũ.

Nội dung được bảo vệ bản quyền — Tải xuống đầy đủ

Bài viết "Nhận Dạng Cảm Xúc Trên Khuôn Mặt Người Tại HCMUTE" khám phá công nghệ nhận diện cảm xúc qua khuôn mặt, một lĩnh vực đang ngày càng thu hút sự chú ý trong nghiên cứu và ứng dụng thực tiễn. Bài viết nêu bật các phương pháp và công nghệ hiện đại được sử dụng để phân tích và nhận diện cảm xúc, từ đó giúp người đọc hiểu rõ hơn về tiềm năng của công nghệ này trong nhiều lĩnh vực như an ninh, giáo dục và chăm sóc sức khỏe.

Để mở rộng kiến thức của bạn về chủ đề này, bạn có thể tham khảo thêm bài viết "Luận văn thạc sĩ mạng nơron và ứng dụng mạng nơron trong nhận dạng cảm xúc trên khuôn mặt người", nơi trình bày chi tiết về các mạng nơron trong việc nhận diện cảm xúc. Ngoài ra, bài viết "Đồ án hcmute xây dựng hệ thống nhận diện khuôn mặt và cảm xúc dùng mạng nơ ron tích chập" sẽ cung cấp cho bạn cái nhìn sâu sắc về hệ thống nhận diện khuôn mặt và cảm xúc. Cuối cùng, bạn cũng có thể tìm hiểu thêm về "Luận văn thạc sĩ hcmute ứng dụng mạng học sâu cho nhận diện khuôn mặt", một nghiên cứu liên quan đến ứng dụng mạng học sâu trong nhận diện khuôn mặt. Những tài liệu này sẽ giúp bạn có cái nhìn toàn diện hơn về công nghệ nhận diện cảm xúc và ứng dụng của nó trong thực tiễn.