đặt vấn đề, mục tiêu, giới hạn, phương pháp nghiên cứu và nội dung của đồ án. - Chương 2: Cơ sở lý thuyết Chương này cung cấp các kiến thức cơ bản về đồ án này, chẳng hạn như cách hệ thống nhận dạng khuôn mặt hoạt động, trí tuệ nhân tạo, mạng CNN, mạng ResNet, thuật toán ArcFace cho nhận dạng khuôn mặt. 2 do an - Chương 3: Thiết kế và xây dựng phần cứng Chương này trình bày chi tiết phần cứng của mô hình, bao gồm hệ thống nhận diện khuôn mặt và mô hình robot được sử dụng. - Chương 4: Phần mềm và thuật toán Nội dung của chương này bao gồm các phần mềm sử dụng, lưu đồ giải thuật và thuật toán cho từng bước trong hệ thống.
- Chương 5: Kết quả thực nghiệm Chương này được viết sau khi mô hình đã được lắp ráp hoàn chỉnh, hoạt động ổn định và đáp ứng các yêu cầu của đề tài này. - Chương 6: Kết luận và hướng phát triển Chương này cung cấp kết luận về măt ưu điểm và nhược điểm của đồ án này. Từ đó đề xuất ý tưởng hướng phát triển trong tương lai. 3 do an CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 HỆ THỐNG NHẬN DẠNG KHUÔN MẶT Nhận diện khuôn mặt là một công nghệ xác địng danh tính tự động cho từng đối tượng từ một bức ảnh số hay một khung hình video.
Vào những năm 60 của thế kỷ XX, khi bài toán nhận dạng khuôn mặt bắt đầu được nghiên cứu, kể từ đó rất nhiều hướng tiếp cận đã được đề xuất giải quyết bài toán này. Nhưng phải đến cuối thế kỷ XX, công nghệ này mới đạt được những thành tựu đáng kể. Nhìn chung , quy trình giải quyết bài toán này [1] được thể hiện trong Hình 2.1 để nhận dạng khuôn mặt, bao gồm nhận diện khuôn mặt (Face Detection), căn chỉnh khuôn mặt (Face Alignment), trích xuất đặc trưng (Feature Extraction) và so khớp các đặc trưng (Feature Matching), được mô tả trong các phần bên dưới: Hình 2. 1: Hệ thống nhận dạng khuôn mặt Nhận dạng khuôn mặt: Chức năng chính của bước này là xác định xem khuôn mặt con người có xuất hiện trong hình ảnh hay không và vị trí của những khuôn mặt này.
Đầu ra dự kiến của bước này là các khung chứa mỗi mặt trong hình ảnh đầu vào Căn chỉnh khuôn mặt: được thực hiện để định hướng các khung hình khuôn mặt làm cho hệ thống nhận diện khuôn mặt chính xác và dễ dàng thiết kế hơn. Trích xuất đặc trưng: Sau khi phát hiện tất cả các khuôn mặt trong một hình ảnh, các khung hình mặt được trích xuất từ hình ảnh. Trích xuất đặc trưng được thực hiện để đóng gói thông tin, giảm kích thước và làm sạch nhiễu. Sau bước này một 4 do an khung hình mặt thường được chuyển thành một vector với kích thước cố định hoặc một tập hợp các điểm fiducial và vị trí tương ứng của chúng.
So khớp các đặc trưng: Sau khi trích xuất đặc trưng của từng khuôn mặt, bước cuối cùng làn nhận dạng danh tính của những khuôn mặt này. Để thực hiện nhận dạng tự động, cần phả xây dựng cơ sở dữ liệu khuôn mặt. Đối với mỗi người, một số hình ảnh được chụp và các đặc trưng của chúng được trích xuất và lưu trữ trong cơ sở dữ liệu. Sau đó, khi một hình ảnh khuôn mặt đầu vào xuất hiện, chúng ta thực hiện phát hiện khuôn mặt và trích xuất đặc trưng sau đó so sánh đặc trưng của nó với từng lớp khuôn mặt được lưu trữ trong cơ sở dữ liệu.
Đã có nhiều nghiên cứu và thuật toán được đề xuất để đối phó với vấn đề phân loại này.2 mô tả một ví dụ về bốn bước này hoạt động trên một hình ảnh đầu vào. Các bước nhận diện khuôn mặt (a) Hình ảnh đầu vào và kết quả phát hiện khuôn mặt (hình chữ nhật màu đỏ) (b) Khung hình khuôn mặt được trích xuất từ ảnh đầu vào (c) Căn chỉnh khuôn mặt đã được trích xuất (d) trích xuất vector đặc trưng từ khung hình đã được căn chỉnh (e) So sánh vector được trích xuất với cơ sở dữ liệu và xác định lớp có thể xảy ra nhất (hình chữ nhật màu đỏ). Các lý thuyết cần có để xây dựng hệ thống như trên được giới thiệu ở những phần sau.2 TỔNG QUAN VỀ TRÍ TUỆ NHÂN TẠO (AI) 2.1 Trí tuệ nhân tạo Trí thông minh nhân tạo (AI) có sức mạnh phá vỡ nhiều ngành công nghiệp, và không có gì ngạc nhiên khi nó là một trong những chủ đề nóng bỏng nhất hiện nay. Tuy nhiên, AI thường bị hiểu lầm: ngoài việc được quảng cáo là điều lớn lao cho các 5 do an công ty tiên tiến, AI còn được cho là sẽ thay thế công nhân và phá hủy ngành công nghiệp như chúng ta đã biết [11].
Trí thông minh nhân tạo có nghĩa là máy móc có thể tự ra quyết định hoặc tính toán bắt chước nhận thức của con người. Trong thực tế, điều này đòi hỏi một cỗ máy phải hiểu thông tin về môi trường xung quanh, cho dù đó là một không gian vật lý, trạng thái của trò chơi hay thông tin liên quan đến cơ sở dữ liệu.3 Mối quan hệ giữa AI, Machine Learning, Neural Network và Deep learning Trí thông minh nhân tạo là một lĩnh vực rộng bao gồm một số trường con, kỹ thuật và thuật toán. Lĩnh vực trí tuệ nhân tạo dựa trên mục tiêu làm cho một cỗ máy thông minh như con người. Quay trở lại năm 1956, các nhà nghiên cứu tại Dartmouth với mục tiêu rõ ràng là lập trình máy tính hoạt động như con người – đây là sự ra đời của trí tuệ nhân tạo.
Để giải thích thêm về các mục tiêu của trí tuệ nhân tạo, các nhà nghiên cứu đã mở rộng mục tiêu của họ đến sáu mục tiêu chính sau: • Lý luận logic: Cho phép máy tính thực hiện các nhiệm vụ phức tạp mà con người có khả năng thực hiện. • Trình bày kiến thức: Cho phép máy tính mô tả các đối tượng, con người và ngôn ngữ. • Lập kế hoạch và điều hướng: Cho phép máy tính đi từ điểm A đến điểm B. • Xử lý ngôn ngữ tự nhiên (NLP): Máy tính có thể tương tác thông qua hiểu ngôn ngữ tự nhiên được nói bởi con người • Nhận thức: Cho phép máy tính tương tác với thế giới thông qua thị giác, thính giác, xúc giác và khứu giác.
• Trí thông minh mới nổi: Trí thông minh không được lập trình rõ ràng, nhưng xuất hiện từ phần còn lại của các tính năng AI rõ ràng. Tầm nhìn cho mục tiêu này là có những cỗ máy thể hiện trí tuệ cảm xúc, lý luận đạo đức, … 6 do an Những mục tiêu này không phân loại các thuật toán và kỹ thuật Trí tuệ nhân tạo cụ thể. Đây chỉ là sáu trong số các thuật toán và kỹ thuật chính trong Trí tuệ nhân tạo: • Machine Learning là lĩnh vực trí tuệ nhân tạo cung cấp cho máy tính khả năng học mà không cần lập trình rõ ràng. • Tìm kiếm và tối ưu hóa: Các thuật toán như Gradient Descent để lặp lại tìm kiếm các điểm cực đại cục bộ và cực tiểu cục bộ.
• Lý luận xác suất: kết hợp khả năng của lý thuyết xác suất để xử lý sự không chắc chắn với khả năng suy luận logic để khai thác cấu trúc của lập luận chính thức. • Sự thỏa mãn ràng buộc: là quá trình tìm giải pháp cho một tập hợp các ràng buộc áp đặt các điều kiện mà các biến phải thỏa mãn. • Lý thuyết điều khiển: là một cách tiếp cận chính thức để tìm các bộ điều khiển có các thuộc tính có thể chứng minh được. Điều này thường liên quan đến một hệ thống các phuwong trình vi phân thường mô tả hệ thống vật lý như robot hoặc máy bay.3 mô tả mối quan hệ giữa Trí tuệ nhân tạo (AI), Machine Learning, Neural NetWork và Deep Learning.2 MACHINE LEARNING Machine Learning là một tập hợp con của Trí tuệ nhân tạo – nó có khả năng tự học hỏi dựa trên dữ liệu đưa vào mà không cần phải được lập trình cụ thể.
Ý tưởng máy tính có thể tự học đã được Arthur Samuel đưa ra vào năm 1959. Một bước đột phá lớn đã dẫn đến sự xuất hiện của Machine Learning là động lực thúc đẩy Trí tuệ nhân tạo – phát minh ra internet. Internet đi kèm với một lượng lớn thông tin kỹ thuật số đang được tạo ra, lưu trữ và cung cấp để phân tích. Đây là khi bạn bắt đầu nghe về Big Data.
Hơn nữa, các thuật toán Machine Learning đã có hiệu quả trong việc tận dụng Big Data. Các hình thức học tập của Machine Learning: Có nhiều thuật toán khác nhau có thể được sử dụng khi đào tạo các mạng lưới thần kinh nhân tạo như Học tập có giám sát, Học tập không giám sát, Học bán giám sát, Học củng cố, mỗi thuật toán đều có ưu điểm và nhược điểm riêng. - Học có giám sát Học có giám sát là thuật toán dự đoán đầu ra (outcome) của một dữ liệu mới (new input) dựa trên các cặp (input, outcome) đã biết từ trước. Cặp dữ liệu này còn được gọi là (data, label).
Đây là thuật toán phổ biến nhất trong các thuật toán Machine learning. 7 do an Các thuật toán phân loại và hồi quy là hai ví dụ điển hình trong nhóm này. Trong bài toán xác định xem một bức ảnh có chứa một xe máy hay không, ta cần chuẩn bị các ảnh chứa và không chứa xe máy cùng với nhãn của chúng. Dữ liệu này được dùng như dữ liệu huấn luyện cho mô hình phân loại.
Theo toán học, học có giám sát xảy ra khi việc dự đoán quan hệ giữa đầu ra y và đầu vào x được thực hiện dựa trên các cặp {(𝑥1 , 𝑦1 ), (𝑥2 , 𝑦2 ), … , (𝑥𝑁 , 𝑦𝑁 )} trong tập huấn luyện. Việc huấn luyện là việc xây dựng một hàm số 𝑦 sao cho với mọi 𝑖 = 1,2, … , 𝑁, 𝑓(𝑥𝑖 ) gần với 𝑦𝑖 nhất có thể. Hơn thế nữa, khi có một điểm dữ liệu 𝑥 nằm ngoài tập huấn luyện, đầu ra dự đoán 𝑓 (𝑥 ) cũng gần với đầu ra thực sự 𝑦. - Học không giám sát Trong thuật toán này, chúng ta không biết được nhãn của dữ liệu đầu vào.
Thuật toán học không giám sát sẽ dựa vào cấu trúc của dữ liệu để thực hiện một số công việc nào đó như phân cụm (clustering) hoặc giảm số chiều của dữ liệu (dimension reduction) để thuận tiện trong việc lưu trữ và tính toán.