I. Xử lý ảnh và Nhận diện khuôn mặt tại HCMUTE
Đề tài "Ứng dụng xử lý ảnh trong nhận diện khuôn mặt" tại HCMUTE tập trung vào việc xây dựng hệ thống nhận diện khuôn mặt tự động. Công trình nghiên cứu sử dụng xử lý ảnh để phát hiện và nhận diện khuôn mặt, khai thác các thuật toán hiện đại trong lĩnh vực xử lý ảnh. Nghiên cứu này đóng góp vào ứng dụng thực tiễn của công nghệ nhận diện khuôn mặt tại HCMUTE và các lĩnh vực liên quan.
1.1 Phát hiện khuôn mặt Thuật toán Viola Jones và các kỹ thuật xử lý ảnh
Phần này tập trung vào giải pháp phát hiện khuôn mặt, một bước quan trọng trong nhận diện khuôn mặt. Đề tài sử dụng thuật toán Viola-Jones, một thuật toán mạnh mẽ và hiệu quả trong thời gian thực. Quá trình này bao gồm các bước phân tích ảnh, trích xuất các đặc trưng Haar-like, và sử dụng máy học để phân loại vùng ảnh là khuôn mặt hay không. Các kỹ thuật xử lý ảnh khác như tính toán hình ảnh, phân loại ảnh, và phát hiện đối tượng cũng được sử dụng để tối ưu hóa quá trình phát hiện khuôn mặt trong các điều kiện phức tạp. OpenCV và MATLAB, hai thư viện xử lý ảnh phổ biến, được sử dụng để triển khai các thuật toán. Nghiên cứu đánh giá hiệu quả của thuật toán Viola-Jones trong việc phát hiện khuôn mặt trong các điều kiện ánh sáng khác nhau và chất lượng ảnh khác nhau. Thuật toán máy học được sử dụng để cải thiện độ chính xác của việc phát hiện khuôn mặt.
1.2 Nhận dạng khuôn mặt Mô hình hồi quy tuyến tính và Biểu diễn thưa thớt
Sau khi phát hiện khuôn mặt, phần này tập trung vào nhận dạng khuôn mặt. Đề tài so sánh hiệu quả của nhiều mô hình hồi quy tuyến tính và các kỹ thuật biểu diễn thưa thớt trong việc nhận dạng khuôn mặt. Biểu diễn thưa thớt cho phép giảm chiều dữ liệu, loại bỏ thông tin nhiễu và cải thiện hiệu suất nhận dạng. Các thuật toán máy học tiên tiến, như machine learning và deep learning, được xem xét để tối ưu hóa quá trình nhận dạng. Đề tài sử dụng các thư viện như MATLAB, Python với các thư viện hỗ trợ machine learning (như scikit-learn) và deep learning (như TensorFlow, PyTorch) để thực hiện các mô hình này. Nghiên cứu này phân tích ảnh hưởng của kích thước dữ liệu huấn luyện và chất lượng ảnh đến độ chính xác của nhận diện khuôn mặt. Học máy và học sâu (deep learning) đóng vai trò then chốt trong việc xây dựng và huấn luyện các mô hình này.
1.3 Ứng dụng thực tiễn và hướng phát triển
Nghiên cứu có ý nghĩa thực tiễn trong nhiều lĩnh vực. Ứng dụng xử lý ảnh trong an ninh và bảo mật sinh trắc học là một ví dụ. Hệ thống có thể được sử dụng để nhận dạng cá nhân, kiểm soát truy cập, và phát hiện khuôn mặt trong video giám sát. Ứng dụng xử lý ảnh trong y tế, giáo dục, và thương mại điện tử cũng được đề cập. Đề tài đánh giá hiệu quả của hệ thống trong điều kiện thực tế, bao gồm cả việc xử lý các ảnh bị nhiễu hoặc có góc chụp không lý tưởng. Các giải pháp nhận diện khuôn mặt được đánh giá dựa trên các tiêu chí như độ chính xác, tốc độ xử lý và khả năng mở rộng. Cơ sở dữ liệu khuôn mặt được sử dụng để huấn luyện và đánh giá hiệu quả của các mô hình. Nghiên cứu sinh, sinh viên, và giảng viên tại HCMUTE có thể khai thác kết quả nghiên cứu này để phát triển các ứng dụng thực tiễn.
