Chương 1. TONG QUAN DE TÀI.cccc nh ngư nhe 2 1. Nội dung, van đề cần giải quyết và ý nghĩa đề taille 2 1. Nội dung khóa luận.
Vấn đề cần giải quyết.cS TT reo4 1. Đối tượng, phạm vi và phương pháp nghiên cứu. _ Đối tượng nghiên cứu. Phạm vi nghiÊn CỨU.
Phương pháp nghiên CỨU.-- 5< xxx ekekrskerkre 5 Chương 2. NGHIÊN CỨU LÝ THUYTT.- 2-2 2 E+EE£+E£+EE+EE£Ez+E+zrxrxez 7 2. Thi giác máy tính là ØÌ?. Giới thiệu về thư viện Open 0.
Giới thiệu về bộ dữ liệu MegaAø€-AASIa1. SG ST sen 8 2. Bài toán nhận dạng khuôn mặt con nBƯỜI.- -- «+5 «++s<++e+sex+se+se+s 10 2. Giới thiệu về bài toán phát hiện khuôn mặt con người.
LH HH HH HT TH HH HH HH h 10 2. Những khó khăn phát hiện khuôn mặt người trong ảnh. Giới thiệu về thuật toán nhận dang Haar Cascade. Bài toán phân loại nhóm tuôi.----- 2 ¿ £+s k+EE+EE+EE£EE+E£EeEEeEEeEkerxreee l6 2.
Giới thiệu bài toán phân lỚp. Giới thiệu về Convolutional Neural Network. Giới thiệu về mạng EfficientNetB3 phân loại nhóm tuổi. Những khó khăn trong việc phân loại nhóm tuổi.
XÂY DỰNG UNG DUNG QUAN LÝ THỜI GIAN DỰA VÀO )/2/9)899900277 1a. Giới thiệu về Tkin(er. ---¿225sSx+SE2EE£EEEEEEEEEEEEEEEEEEEEEErrkerkerrees 28 3. Giới thiệu về chức năng ứng dụng .-------¿-+2cx+x++zx++rxezrxees 28 3.
Giới thiệu PyInstaller dé đóng gói ứng dụng .-- ¿c2 s+cscse¿ 32 Chương 4. KET QUÁ THỰC NGHIEM VA HƯỚNG PHAT TRIÊN. Kiểm tra kết quả dự đoán tuổi trên tập dữ liệu MegaAge-Asia. Kiểm tra kết quả dự đoán tuôi trên dữ liệu thực tế.
Hướng phát triÊn.44 DANH MỤC HÌNH Hình 1.1: Mô hình quản lý thời gian theo độ tuôi.1: Một số bài toán điển hình trong lĩnh vực thị giác máy tính.2: Sơ đồ khối OpenCV với các hệ điều hành được hỗ trợ.3: Ảnh các lớp tập dữ liệu MegaAge-A sian.4: Những yếu tổ gây khó khăn trong việc phát hiện khuôn mặt.5: Một ví dụ về cửa sỐ trượt.6: Phát hiện khuôn mặt trong ảnh bằng Haar Cascade được huấn luyện trước Của Open. ch ng HH HH HH THẾ HH TH TH.7: Ví dụ đơn giản về việc phân loại.8: Mang ma trận RGB 6X X3.--- 5+ HH re 17 Hình 2.9: Cau trúc mạng nơ-ron tích chập (CNN).10: Hình ảnh tích chập khác nhau sau khi áp dụng các Kernel khác nhau.11: Kết quả ma trận sau khi đi qua lớp RELU .12: Vi dụ max pooling lây phần tử lớn nhất từ ma trận đối tượng.13: Công thức chia tỷ lệ hợp chat - EfficientNet.14: Đường cong hiệu suất của các mô hình EfficientNet khác nhau.1: Ludng xử lý đơn giản của ứng dụng.2: Giao điện ban đầu của ứng dụng.3: Giao diện chính của Ứng dụng.4: Giao diện khi bam tạm UII TT .1: Đồ thị biểu diễn độ chính xác của mô hình.2: Người tham gia kiểm tra 59 tuôi.3: Người tham gia kiểm tra 17 tuổi.4: Người tham gia kiểm tra 30 tuổi.5: Người tham gia kiểm tra 22 tuôi.6: Người tham gia kiểm tra 24 tuỗi.7: Người tham gia kiểm tra 17 tuổi.ces-eeceereeeerreeeerrererree 41 Hình 4.8: Người tham gia kiểm tra 25 tuỗi.9: Người tham gia kiểm tra 16 tuổi.-cse-ecceseeeerreeeerrrrerree 42 DANH MỤC BANG Bảng 2.1: Tóm tắt kiến trúc mạng EfficientNet-B0.1: Bảng phân chia dữ liệu và kết quả độ chính xác.2: Kết quả kiểm tra thực tế trên ứng dụng DANH MUC TU VIET TAT AI Artificial intelligence OpenCV Open Computer Vision CNN Convolutional neural network RGB Red Green Blue 2D 2 Dimensional 3D 3 Dimensional GPU Graphics Processing Unit BSD Berkeley Software Distribution HAL Hardware Abstraction Layer ReLU Rectified Linear Unit FLOPS Floating Point Operations Per Second CPU Central Processing Unit GUI Graphical User Interface TCL Tool Command Language TOM TAT KHÓA LUẬN Trong xã hội, mỗi nhóm tuổi có nhu cầu và cần những chế độ quan tâm và hỗ trợ phù hợp. Trong đó, nhóm tuổi trẻ em và người già là hai nhóm tuéi cần được quan tâm hơn đặc biệt trong van dé an toàn. Nhận biết được độ tuổi của cá nhân một cách tự động sẽ mang lại nhiều lợi ích và có khả năng áp dụng vào nhiều lĩnh vực khác nhau, trong đó có các hệ thống thông minh dé đưa ra những khuyến nghị va cảnh báo phù hợp và nhanh chóng.
Do đó, nhóm nghiên cứu đặt mục tiêu xây dựng một hệ thống nhận dạng, phân biệt các đối tượng người dựa trên độ tuôi. Trong dé tài này, nhóm tập trung xử lý hai van đề chính: nhận dang khuôn mặt và ước tinh độ tuổi thông qua hình ảnh từ máy quay hay đoạn phim (video). Có nhiều phương pháp và thuật toán khác nhau dé giải quyết bài toán nhận dạng khuôn mặt và độ tuổi. Trong phạm vi khóa luận này, nhóm thực hiện phân tích một vài phương pháp khả thi dé từ đó đưa ra đánh giá cho từng bài toán và giải pháp cụ thé.
Đề dự đoán được chính xác tuôi từ các đặc điểm trên khuôn mặt, chúng ta cần phải xây dựng một mô hình dự đoán đáng tin cậy. Có nhiều đề tài nghiên cứu nhận dạng tuổi đã được áp dụng cho người dân Châu Âu. Trong khi đó, có rất ít các nghiên cứu hướng đến người dân Châu Á mặc dù dân cư Châu Á chiếm tỷ lệ lớn trong dân số toan cầu. Trong phạm vi dé tài này, nhóm thực hiện hướng đến mục tiêu áp dụng hệ thống nhận dang cho người Châu A, trong đó có Việt Nam.
Dé phù hợp với người châu Á và tăng độ chính xác của mô hình, nhóm thực hiện sử dụng bộ dữ liệu Mega-Age Asian Dataset với đa số là người châu A dé huấn luyện mô hình dự đoán. Kết quả nghiên cứu của đề tài có thể là đữ liệu đầu vào cho các hệ thống nhận dang và khuyến nghị thông minh. Dé minh họa cho khả năng ứng dụng nay, nhóm nghiên cứu đã xây dựng ứng dụng đơn giản quản lý thời gian sử dụng thiết bị băng ứng dụng chạy trên máy tinh cá nhân sẽ dựa trên kết quả nhóm tuổi dự đoán được. TONG QUAN DE TÀI 1.
Tén dé tai Tên dé tài tiếng Việt: Ứng dụng AI để phân nhóm đối tượng theo độ tuổi Tên dé tài tiếng Anh: Applying AI to grouping of people by age 1. Nội dung, vấn đề cần giải quyết và ý nghĩa đề tài 1. Nội dung khóa luận Trong những năm gần đây, nhiều ứng dụng từ sinh trắc học, kiểm soát an ninh đến giải trí đều sử dụng thông tin trích xuất từ hình ảnh khuôn mặt có chứa thông tin về tuôi, giới tính, nền tảng dân tộc và trạng thái cảm xúc. Công nghệ nhận dạng khuôn mặt đã trở thành một chủ đề nóng trong lĩnh vực nhận dạng khuôn mẫu.
Khuôn mặt là một trong những đặc điểm sinh trắc học quan trọng nhất của con người, chứa rất nhiều thông tin quan trọng liên quan đến danh tính, giới tính, tuổi tác, biểu hiện, chủng tộc, v. Tuổi của con người là một tham chiếu quan trọng được sử dụng trong nhận dạng, định danh và ứng dụng trong rất nhiều các lĩnh vực khác nhau. Do đó, ước tính tuổi tự động từ hình ảnh khuôn mặt trở thành một trong những nhiệm vụ pho biến và đầy thách thức trong nhiều lĩnh vực ứng dụng khác nhau như tương tác giữa nguoi-may, thị giác máy tinh và trí tuệ nhân tao. Ví dụ, nhận biết độ tuổi người dùng và việc kiểm soát nội dung và thời gian sử điện thoại hay truy cập internet.
Trong xã hội, mỗi nhóm tuổi có nhu cầu và cần những chế độ quan tâm và hỗ trợ phù hợp. Trong đó, nhóm tuổi trẻ em và người già là hai nhóm tuôi cần được quan tâm hơn đặc biệt trong vấn đề an toàn. Vì vậy, khóa luận này hướng đến ứng dụng công nghệ nhận dạng khuôn mặt với AI có khả năng ứng dụng cho nhiều lĩnh vực. Nhóm thực hiện tập trung xử lý nhận dạng ảnh từ video dé giải quyết bài toán: phân loại nhóm đối tượng theo tuổi.
Bên cạnh đó, một mô hình ứng dụng được hiện thực giúp minh họa sử dụng kết quả phân nhóm tuổi để quản lý và nhắc nhở thời gian sử dung máy tinh. Có nhiều phương pháp và thuật toán khác nhau dé giải quyết bài toán nhận dạng khuôn mặt và độ tuôi. Trong phạm vi khóa luận này, nhóm thực hiện đề xuất phương pháp và từ đó đưa ra đánh giá cho từng bài toán và giải pháp cụ thê. Van đề cần giải quyết Tự động ước tính tuổi thông qua đặc điểm bên ngoài cơ thể là một quá trình đầy thách thức vì quá trình lão hóa ở con người là không đồng nhất, và mỗi châu lục khác nhau lại có độ lão hóa khác nhau, làm tăng thêm độ khó của bài toán.
Ngoài ra, trích xuất một bộ các đặc điểm của khuôn mặt một cách hiệu quả từ hình anh 2D dé ước tính độ tuổi là một thách thức khác cần vượt qua. Một ứng dụng quản lý thời gian sử dụng máy tính dựa vào khuôn mặt và độ tuổi người sử dụng bao gồm nhiều bài toán thành phan và phải thực hiện qua nhiều bước với các kỹ thuật khác nhau.1 trình bày các bước cơ bản của hệ thống kiểm soát thời gian sử dụng thiết bi dựa vào độ tuổi người dùng. Quá trình gồm ba bước cơ bản sau: Nhận dang khuôn mặt | Dự đoán nhóm tudi | Quản lý thời gian sử dụng thiết bị Hình 1.1: Mô hình quản lý thời gian theo độ tuôi - Nhận dạng khuôn mặt: khuôn mặt được xác định và trích xuất từ hình ảnh thu được thông qua camera trên thiết bị. Quá trình này bắt đầu bằng việc ứng dụng truy cập camera của thiết bị và tiến hành chụp ảnh người dùng tại một thời điểm phù hợp.
Sau đó, hình ảnh khuôn mặt được xác định từ ảnh thu được. Bai toán xác định khuôn mặt trong các luồng ảnh chụp có thể được giải quyết băng các kỹ thuật thị giác máy tính (computer vision) và mạng thần kinh sâu (deep neural network). Phân định nhóm tuổi: Sau khi xác định được khuôn mặt, ta thực hiện việc trích xuất các đặc điểm của khuôn mặt để từ đó có dữ liệu để đưa vào mô hình dự đoán tuổi. Để dự đoán được chính xác tuổi từ các đặc điểm trên khuôn mặt, chúng ta cần phải xây dựng một mô hình dự đoán đáng tin cậy.
Có nhiều đề tài nghiên cứu nhận dạng tuổi đã được áp dụng cho người dân Châu Âu [1-3]. Trong phạm vi đề tài này, nhóm thực hiện hướng đến mục tiêu áp dụng hệ thong nhận dang cho người Châu Á, trong đó có Việt Nam. Dé phù hợp với người châu A và tăng độ chính xác của mô hình, nhóm thực hiện sử dụng bộ dữ liệu Mega-Age Asian Dataset [4] với đa số là người châu A để huấn luyện mô hình dự đoán. Cơ chế quản lý thời gian: Cuối cùng là việc quản lý thời gian sử dụng thiết bị bang app chạy trên máy tính cá nhân sẽ dua trên kết quả nhóm tuổi dự đoán được ở bước phía trên.