zunia.vn

Tuyển sinh 2024 dành cho Gen-Z

zunia.vn

» Công Nghệ Thông Tin

» Cơ sở dữ liệu

Hệ thống điểm danh tự động dựa trên phát hiện và nhận dạng khuôn mặt

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:6

Báo xấu

93
lượt xem 7
download

Download Vui lòng tải xuống để xem tài liệu đầy đủ

Trong bài viết này, nhóm nghiên cứu trình bày một phương pháp xây dựng một hệ thống điểm danh tự động sinh viên dựa trên việc phát hiện và nhận dạng khuôn mặt từ videos thu thập từ camera giám sát trước cửa lớp học.

Chủ đề:

Bình luận(0) Đăng nhập để gửi bình luận!

Lưu

Nội dung Text: Hệ thống điểm danh tự động dựa trên phát hiện và nhận dạng khuôn mặt

Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021) Hệ thống điểm danh tự động dựa trên phát hiện và nhận dạng khuôn mặt Lê Ngọc Hà1 , Đỗ Trung Kiên1 , Nguyễn Hồng Quân2 , Trần Thị Thanh Hải1 , Lê Thị Lan1 , 1 Trường Điện - Điện tử, Đại học Bách Khoa Hà Nội 2 Khoa Công nghệ thông tin, Trường Đại học Công nghiệp Việt - Hung Tóm tắt—Trí tuệ nhân tạo nói chung và các công nghệ và độ phân giải nhỏ của mặt người trong khung hình. nhận dạng ảnh nói riêng ngày càng được ứng dụng rộng Ngoài ra, nghiên cứu về nhận dạng mặt người thường rãi trong nhiều lĩnh vực khác nhau của đời sống trong dựa trên giả thuyết là mặt người đã được xác định một đó có giáo dục. Hiện nay, các camera đã được lắp đặt cách chính xác trên ảnh do đó khi áp dụng trên hệ thống trong nhiều lớp học nhằm giám sát các hoạt động của lớp. Tuy nhiên việc khai thác tự động các thông tin này nhằm điểm danh tự động chất lượng của bước phát hiện sẽ ảnh cải thiện công tác quản lý và hoạt động giảng dạy chưa hưởng đến bước nhận dạng. được quan tâm nhiều. Trong bài báo này, nhóm nghiên Trong bài báo này, để triển khai hệ thống điểm danh, cứu trình bày một phương pháp xây dựng một hệ thống nhóm nghiên cứu thực hiện đánh giá và lựa chọn các điểm danh tự động sinh viên dựa trên việc phát hiện và kỹ thuật hiệu quả cho bài toán phát hiện đối tượng như nhận dạng khuôn mặt từ videos thu thập từ camera giám Yolo-v5 và nhận dạng như FaceNet và tích hợp chúng sát trước cửa lớp học. Nhóm nghiên cứu sử dụng mạng học sâu tiên tiến Yolo-v5 [1] để phát hiện khuôn mặt từ trong một hệ thống hoàn chỉnh và kết nối đến hệ thống các khung hình, sau đó đưa vào bộ nhận dạng khuôn mặt tự động quản lý sinh viên qua giao diện Web. sử dụng kỹ thuật FaceNet [2] để trích chọn đặc trưng và Đóng góp chính của bài báo như sau: bộ phân lớp K-NN để định danh của người. Nhóm nghiên • Thu thập và gán nhãn một cơ sở dữ liệu (CSDL) cứu cũng thiết kế và phát triển một giao diện Web cho trong ngữ cảnh lớp học phục vụ cho bài toán điểm phép giáo viên có thể dễ dàng thực hiện thao tác điểm danh mỗi buổi học và cập nhật thông tin tự động trên hệ danh. CSDL này được đặt tên là subMICAFace. thống. • Triển khai và đánh giá hiệu năng của Yolo-v5 so Từ khóa—Phát hiện đối tượng, nhận dạng khuôn mặt, với một số kiến trúc mạng khác là Faster R-CNN phát hiện khuôn mặt. [3] cho bài toán phát hiện mặt trong ngữ cảnh học viên trước lớp học; Triển khai, đánh giá phương I. GIỚI THIỆU pháp nhận dạng sinh viên trên ảnh sử dụng mạng Điểm danh tự động dựa trên nhận diện khuôn mặt đã học sâu FaceNet. được ứng dụng trong nhiều ngữ cảnh khác nhau như xác • Tích hợp phương pháp phát hiện và nhận dạng trong thực ngân hàng, chấm công nhân viên. Tuy nhiên, trong một khung làm việc thống nhất và xây dựng hệ môi trường giáo dục, hiện nay người giáo viên vẫn phải thống quản lý điểm danh tự động trên giao diện thực hiện điểm danh thủ công do đó mất rất nhiều thời Web. gian và không khả thi khi số sinh viên có thể lên đến Trong các phần tiếp theo, nhóm nghiên cứu sẽ trình bày hàng trăm người trong các giảng đường đại học. các nghiên cứu liên quan (mục II), hệ thống điểm danh Trong bài báo này, nhóm nghiên cứu hướng đến xây đề xuất (mục III), giới thiệu CSDL và đánh giá thử dựng một hệ thống trợ giúp điểm danh tự động sinh viên nghiệm (mục IV). Kết luận và hướng phát triển được dựa trên kết quả phát hiện và nhận dạng khuôn mặt. trình bày trong mục V. Bài toán phát hiện và nhận dạng khuôn mặt đã được nghiên cứu hơn 3 thập kỷ qua và đã được những thu II. CÁC NGHIÊN CỨU LIÊN QUAN được những kết quả ấn tượng. Tuy vậy bài toán vẫn gặp Do khuôn mặt của mỗi một người có hình dạng khác những thách thức khi đưa vào triển khai trong các ứng nhau, nên bài toán phát hiện khuôn mặt trong ảnh vẫn dụng điểm danh tự động do môi trường đông, sinh viên là một vấn đề đang phải đối mặt với nhiều thách thức. đứng che khuất lẫn nhau hoặc bị che khuất bởi các đồ Đã có rất nhiều các phương pháp phát hiện khuôn mặt vật trong lớp, góc nhìn camera và điều kiện chiếu sáng người trên ảnh/video được đề xuất sử dụng kĩ thuật học thay đổi trong đó thách thức lớn nhất là sự che khuất sâu. Faster R-CNN[3] là mô hình phát hiện đối tượng ISBN 978-604-80-5958-3 371
Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021) cải tiến trên Fast R-CNN. Faster R-CNN bao gồm hai đã được phát hiện ở bước trước vào bộ nhận dạng, mô-đun. Mô-đun đầu tiên là một mạng tích hợp sâu đầy sau đó bộ nhận dạng xác định danh tính học viên. đủ đề xuất các vùng và mô-đun thứ hai là bộ dò Fast • Quản lý và hiển thị thông tin: Nhóm nghiên cứu xây R-CNN sử dụng các vùng được đề xuất. DeepFace [4] là dựng hệ thống quản lí dựa trên nền tảng Microweb một thuật toán nhận dạng được phát triển bởi facebook framework của Python, cụ thể là Django với cơ sở sử dụng mạng neuron phức hợp. DeepFace xử lý trước dữ liệu được sử dụng là MySQL. hình ảnh đầu vào bằng cách sử dụng chuyển đổi 2D Trong các phần sau, nhóm nghiên cứu sẽ mô tả chi tiết affine và mô hình khuôn mặt 3D để chuẩn hóa hình ảnh từng bước của hệ thống đề xuất. đầu vào ngay cả khi hình cảnh được chụp từ các góc độ B. Phát hiện khuôn mặt khác nhau và chuyển thành hình ảnh ở dạng chính diện. Liên quan đến bài toán điểm danh tự động học sinh, Yolo là mô hình mạng neuron tích chập cho độ chính sinh viên dựa trên hình ảnh thu thâp từ camera giám xác và thời gian phát hiện nhanh các đối tượng trong sát. Trong [5], các tác giả đề xuất hệ thống điểm danh ảnh. Từ khi ra đời cho đến nay, Yolo đã trải qua 5 phiên tự động dựa trên phát hiện và nhận dạng mặt. Trong đó bản. Trong phần này, nhóm nghiên cứu trình bày phương bộ phát hiện dựa trên đặc trưng Haar được sử dụng, sau pháp phát hiện khuôn mặt với Yolo-v5 [1]. Có nhiều mô đó các đặc trưng như LBP (Local Binary Pattern) được hình được đề xuất cho Yolo-v5, nhóm nghiên cứu lựa trích chọn trên các vùng ảnh khuôn mặt và đưa vào bộ chọn mô hình Yolo-v5m cho phát hiện khuôn mặt do phân lớp SVM. Trong [6], các tác giả sử dụng kết hợp khả năng cân bằng về độ chính xác và tốc độ thực hiện. cả phát hiện và nhận dạng mặt người dựa trên đặc trưng Kiến trúc mạng Yolo-v5 gồm ba thành phần cơ bản Haar và thẻ RFID để nâng cao độ chính xác định danh. là xương sống (backbone) là một mạng một phần giai Các tác giả trong [7] thực hiện phát hiện và điểm danh đoạn chéo (Cross Stage Partial Network - CSPNet), cổ học sinh dựa trên camera gắn trong lớp học. Các phương (neck) để tổng hợp các đặc trưng và phần đầu (head) pháp vừa được trình bày đều dựa trên các đặc trưng tự thực hiện hồi quy và phân loại. thiết kế để phát hiện và nhận dạng mặt người do đó độ C. Nhận dạng khuôn mặt chính xác đạt được không cao đặc biệt là trong trường 1) Kiến trúc mạng FaceNet: FaceNet là một mạng hợp mặt người nghiêng, không chính diện. Trong [8], neuron tích chập (CNN) có nhiệm vụ trích chọn các các tác giả sử dụng một mạng học sâu là Faster R-CNN đặc trưng của một ảnh mặt. Điểm đặc biệt tạo nên sự cho bài toán phát hiện mặt người. Mặt người sau khi khác biệt của FaceNet việc sử dụng hàm lỗi Triplet để được phát hiện sẽ được theo vết và nhận dạng dựa trên tối thiểu hóa khoảng cách giữa các gương mặt tương một mạng CNN do các tác giả tự thiết kế. đồng và tối đa hóa khoảng cách đến những gương mặt Như vậy có thể thấy, nhận dạng mặt người và điểm không tương đồng. Vì vậy FaceNet có thể phân biệt và danh tự động dựa trên kết quả nhận dạng đang là một cho kết quả nhận dạng chính xác. bài toán thu hút được sự quan tâm của cộng đồng nghiên 2) Trích chọn đặc trưng dựa trên FaceNet và nhận cứu. Tuy nhiên, các kết quả cần tiếp tục được cải thiện dạng: FaceNet đã được huấn luyện trên các tập dữ liệu để có thể triển khai trong thực tế. Ngoài ra, mặc dù có lớn. Vì vậy nhóm nghiên cứu sử dụng mạng để trích nhiều cơ sở dữ liệu dùng chung cho từng bài toán phát chọn các đặc trưng của khuôn mặt phục vụ cho huấn hiện và nhận dạng, cơ sở dữ liệu dùng chung cho bài luyện mà không huấn luyện lại mạng. Quá trình nhận toán điểm danh tự động còn thiếu, do đó khó có thể dạng gồm các bước sau (Hình 2). thực hiện đánh giá và so sánh các phương pháp. • Chuẩn hoá ảnh khuôn mặt: với các mẫu dữ liệu đã III. HỆ THỐNG ĐỀ XUẤT được phát hiện ở bước phát hiện khuôn mặt, nhóm A. Mô hình chung của hệ thống nghiên cứu thực hiện chuẩn hoá ảnh về kích thước Hệ thống điểm danh tự động học viên được thực hiện 96x96. qua ba bước chính như minh họa ở Hình 1: • Sử dụng mạng FaceNet để trích chọn đặc trưng của • Phát hiện khuôn mặt: Sử dụng bộ dữ liệu subMI- mỗi ảnh. Đầu ra là một vector đặc trưng 128 chiều CAFace để huấn luyện bộ phát hiện khuôn mặt dựa biểu diễn đặc điểm của khuôn mặt. • Giải thuật K-láng giềng gần nhất (K-NN) được áp trên mạng Yolo-v5, sau khi huấn luyện thực hiện phát hiện khuôn mặt từ ảnh đầu vào và sau đó xử dụng cùng với độ đo khoảng cách Euclid trong lí ảnh để phù hợp với đầu vào của bước nhận dạng. không gian vector đặc trưng của các ảnh đã tính • Nhận dạng: Ở bước nhận dạng nhóm nghiên cứu trước trong CSDL để tìm “nhóm” mà vec tơ nhúng sử dụng mô hình FaceNet [2]. Đưa ảnh khuôn mặt đó thuộc về, từ đó suy ra danh tính người quan tâm. ISBN 978-604-80-5958-3 372
Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021) Hình 1. Sơ đồ hệ thống điểm danh tự động Đối với từng sinh viên, mỗi người có thể tự kiểm tra quá trình điểm danh của từng người. 2) Phân rã chức năng: Hệ thống có hai nhóm chức năng khác nhau dành cho giáo viên và sinh viên, bên cạnh đó còn có thêm một trang quản trị chung dành cho người quản lí. Khi yêu cầu đăng nhập gửi lên hệ thống, hệ thống sẽ nhận diện chức năng của tài khoản yêu cầu sau đó sẽ trả về giao diện tương ứng với chức năng của tài khoản đó Hình 3. Hình 2. Quá trình huấn luyện mô hình FaceNet D. Hệ thống quản lý điểm danh tự động Như vậy, mỗi khi ảnh được thu nhận từ camera, sẽ đưa qua mô đun phát hiện để tìm ra vùng chứa khuôn mặt ứng viên rồi tiếp tục đưa qua mô đun nhận dạng để xác định danh tính của người. Định danh của người sẽ được lưu tự động trên hệ thống quản lý với giao diện web. 1) Chức năng của hệ thống quản lí: Dựa trên việc Hình 3. Phân rã chức năng khi yêu cầu năng nhập phân tích đặc điểm người dùng là các giảng viên, quản lý lớp, sinh viên, nhóm nghiên cứu thiết kế các chức 3) Các chức năng chi tiết:: năng cơ bản của hệ thống quản lí như sau: • Chức năng của giáo viên, quản lí được biểu diễn • Quản lý giáo viên: Thiết kế trang quản trị chung trong hình 4. Giao viên và quản lý có thể thực hiện (admin) để quản lí, thay đổi những thông tin cơ các chức năng như quản lý thông tin học viên, quản bản về giáo viên, truy xuất danh sách giáo viên lý thông tin điểm danh, thực hiện điểm danh. theo định dạng tệp excel (.csv) • Quản lý sinh viên: Giống như giáo viên, hệ thống có thể quản lí sinh viên trên trang quản trị chung (admin). • Thực hiện điểm danh học viên: Việc điểm danh sinh viên được thực hiện bởi giáo viên. Giáo viên thực hiện nhấn nút điểm danh trên giao diện trang quản lí, hệ thống camera sẽ tự động tìm kiếm và điểm danh học viên, dữ liệu sau đó sẽ được lưu vào CSDL. • Thống kê, báo cáo kết quả điểm danh: Giáo viên có thể tra cứu, thống kê kết quả điểm danh của tất cả Hình 4. Chức năng của giáo viên, quản lý học viên theo danh sách sinh viên hoặc theo ngày. ISBN 978-604-80-5958-3 373
Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021) • Chức năng của sinh viên được biểu diễn trong Hình Tập dữ liệu subMICAFace bao gồm 383 ảnh với 5. Với mỗi sinh viên, sau khi đăng nhập có thể kiểm 415 vùng chứa khuôn mặt lấy ngữ cảnh là trước tra thông tin điểm danh, chỉnh sửa thông tin cá nhân cửa của một lớp học thực tế và được truy xuất từ hay báo cáo cho giảng viên. các máy quay. Tập dữ liệu được chia thành 315 ảnh cho dữ liệu huấn luyện với 342 vùng chứa khuôn mặt và 68 ảnh cho dữ liệu thử nghiệm với 73 vùng chứa khuôn mặt. Nhóm nghiên cứu đã thực hiện thống kê chi tiết về việc chia dữ liệu thành tập huấn luyện, tập xác nhận và kiểm thử của tập dữ liệu sử dụng cho hai phương pháp đề xuất được thể hiện trong Bảng I. CSDL được gán nhãn theo tiêu chuẩn của PASCAL VOC. Hình ảnh của tập dữ liệu subMICAFace được minh họa như ở Hình 7. Hình 5. Chức năng của sinh viên Bảng I THỐNG KÊ CƠ SỞ DỮ LIỆU ĐÁNH GIÁ HIỆU NĂNG PHÁT HIỆN KHUÔN MẶT • Mô phỏng giao diện của ứng dụng được minh họa trong Hình 6. Yolo-v5m Faster R-CNN Huấn luyện ảnh 315 315 khuôn mặt 342 342 Thử nghiệm ảnh 68 68 khuôn mặt 73 73 Hình 6. Minh hoạ giao diện của hệ thống quản lí Việc triển khai cài đặt hệ thống quản lý được thực hiện theo mô hình client-server dựa trên Django sử dụng hệ quản trị CSDL MySQL. Hình 7. Minh họa ảnh khuôn mặt trên CSDL subMICAFace IV. ĐÁNH GIÁ HIỆU NĂNG HỆ THỐNG A. Dữ liệu thử nghiệm 2) Cơ sở dữ liệu cho đánh giá phương pháp nhận 1) Cơ sở dữ liệu cho đánh giá phương pháp phát hiện dạng: khuôn mặt: • FaceScrub [9] là một tập dữ liệu hình ảnh khuôn • Tập dữ liệu MICAFace là tập dữ liệu do nhóm mặt của Mỹ, được thu thập từ internet và chụp trong nghiên cứu thiết kế và thu thập trong các lớp học các tình huống thực tế, bao gồm 106863 ảnh được tại Viện nghiên cứu Quốc tế MICA, Trường Đại gán nhãn với 530 người khác nhau. Tập dữ liệu học Bách Khoa Hà Nội. Hiện nay tập dữ liệu này bao gồm 55306 ảnh của 265 nam giới khác nhau vẫn đang tiếp tục được thu thập và gán nhãn. Vì và 51557 ảnh của 265 nữ giới khác nhau. Ảnh đã vậy trong khuôn khổ của bài báo này, nhóm nghiên được cắt sát với khuôn mặt. Bộ dữ liệu đã được cứu sử dụng tập con của bộ dữ liệu và đặt tên là chia thành tập huấn luyện và tập nhận dạng 1 . subMICAFace. Đây là tập dữ liệu đã được nhóm nghiên cứu tiến hành gán nhãn và phân loại để huấn 1 Cơ sở dữ liệu FaceScrub có thể tải xuống từ địa chỉ luyện cũng như thử nghiệm hệ thống. sau:http://vintage.winklerbros.net/FaceScrub.html ISBN 978-604-80-5958-3 374
Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021) • Tập dữ liệu khuôn mặt subMICAFaceID được (mAP@.5, mAP.5:.95) ở phần phát hiện và độ đo F1 nhóm nghiên cứu cắt bằng tay bao gồm 792 ảnh (F1-score) là trung bình của Precision và và Recall thể với 792 vùng chứa khuôn mặt của 33 người khác hiện hiệu suất của mô hình học máy ở phần nhận diện. nhau, trong đó gồm có 30 nam giới và 3 nữ giới. Tập dữ liệu chia thành 396 ảnh dữ liệu huấn luyện với 396 vùng chứa khuôn mặt và 396 ảnh cho dữ C. Kết quả thực nghiệm liệu thử nghiệm với 396 vùng chứa khuôn mặt. • Tập dữ liệu subMICAFaceIDAuto là tập dữ liệu bao 1) Kết quả phát hiện mặt trên bộ dữ liệu subMI- gồm 792 ảnh với 792 vùng chứa khuôn mặt thu CAFace: Nhóm nghiên cứu tiến hành huấn luyện lại được sau khi phát hiện tự động khuôn mặt từ sử mạng Yolo-v5 với tập dữ liệu subMICAFace tự xây dựng dụng mô hình Yolo-v5 từ tập subMICAFace. Tập với tập dữ liệu huấn luyện như mô tả ở phần trên. Các dữ liệu chia thành 396 ảnh dữ liệu huấn luyện với trọng số được khởi tạo từ Yolo-v5m, sử dụng các thông 396 vùng chứa khuôn mặt và 396 ảnh cho dữ liệu số như sau: kích thước batch size bằng 64 với 250 lần thử nghiệm với 396 vùng chứa khuôn mặt. lặp và mô hình. Sau quá trình huấn luyện và thử nghiệm, Nhóm nghiên cứu đã thực hiện thống kê chi tiết nhóm nghiên cứu thu được những kết quả như Bảng IV. về việc chia dữ liệu thành tập huấn luyện và kiểm Phương pháp đề xuất cho kết quả cao so với phương thử của hai tập dữ liệu sử dụng cho phương pháp đề pháp được đưa ra so sánh (Faster R-CNN) với độ chính xuất được thể hiện trong Bảng II. Tiêu chuẩn PASCAL xác đạt 99.66 và độ triệu hồi là 1. VOC được sử dụng để gán nhãn dữ liệu. Tập dữ liệu 2) Kết quả nhận dạng trên bộ dữ liệu subMI- subMICAFaceID bao gồm các ảnh được khoanh vừa CAFaceID: Đầu tiên, mô hình FaceNet với kiến trúc khít với khuôn mặt, bỏ qua nền không cần thiết, giúp nn4.small2 được huấn luyện lại bằng tập dữ liệu Face- mô hình có thể nhận dạng được tốt hơn. Hình ảnh của Scrub với learning_rate = 0.2 tối ưu bằng thuật toán hai tập dữ liệu cắt bằng tay subMICAFaceID và phát Adam 10 epoches và step mỗi epoch là 100. Sau khi hiện tự động subMICAFaceIDAuto được minh họa như hoàn tất huấn luyện với bộ FaceScrub, mô hình tiếp ở Hình 8 tục được huấn luyện với bộ SubMicaFaceID nhằm mục đích tối ưu hóa các trọng số phù hợp cho việc nhận dạng. Kết quả trên hai bộ dữ liệu subMICAFaceID và subMICAFaceIDAuto được thể hiện ở Bảng IV với độ chính xác đạt 0.88 trên bộ dữ liệu subMICAFaceID và 0.86 trên cơ bộ dữ liệu subMICAFaceIDAuto. 3) Thảo luận: Mặc dù đạt được kết quả phát hiện cao, nhưng kết quả nhận dạng trên cơ sở dữ liệu thu thập vẫn còn tương đối thấp. Hình 9 minh họa trường hợp nhận dạng sai của hệ thống. Trong trường hợp này hình ảnh khuôn mặt của hai sinh viên có đặc trưng khá Hình 8. Minh họa ảnh khuôn mặt trên tập dữ liệu cắt bằng tay giống nhau. Ngoài ra, do chất lượng hình ảnh đầu vào subMICAFaceID (bên trên) và subMICAFaceIDAuto (bên dưới). từ bộ dữ liệu subMICAFaceID tương đối thấp, camera thu thập thông tin từ các đối tượng đứng xa và di chuyển nhanh. Trong một số trường hợp, một vài khuôn mặt bị B. Độ đo đánh giá che khuất làm cho đặc trưng được trích xuất bị thiếu sót Độ chính xác thu được trên tập dữ liệu thử nghiệm thông tin gây nhầm lẫn trong quá trình nhận dạng. là thước đo đánh giá hiệu quả phát hiện và nhận dạng 4) Đánh giá hệ thống quản lý tự động điểm danh sinh khuôn mặt trong nghiên cứu của nhóm. Nhóm nghiên viên: Thử nghiệm hệ thống điểm danh được thực hiện cứu đánh giá quá trình huấn luyện và thử nghiệm bằng offline dựa trên một video thu thập trước đó. Kết quả độ chính xác (Precision) và độ triệu hồi (Recall). Trong thu được cho thấy hệ thống phát hiện khuôn mặt đạt 30 đó, độ chính xác được định nghĩa là tỉ lệ số khuôn mặt fps với trên máy Intel(R) Core(TM) i5-4200U CPU @ người phát hiện đúng trên tổng số thử nghiệm và độ 1.60GHz 2.30GHz. Hệ thống có khả năng điểm danh triệu hồi là tỉ lệ khuôn mặt người phát hiện đúng trên cho sinh viên mỗi khi sinh viên xuất hiện trong khung tổng số khuôn mặt người có trong tập hình ảnh. Ngoài hình và dữ liệu điểm danh được tự động lưu trữ trên ra, nhóm nghiên cứu đã thêm độ chính xác trung bình CSDL của hệ thống. ISBN 978-604-80-5958-3 375
Hội nghị Quốc gia lần thứ 24 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2021) Bảng II THỐNG KÊ CƠ SỞ DỮ LIỆU ĐÁNH GIÁ HIỆU NĂNG NHẬN DẠNG KHUÔN MẶT subMICAFaceID subMICAFaceIDAuto Huấn luyện ảnh 396 396 khuôn mặt 396 396 Thử nghiệm ảnh 396 396 khuôn mặt 396 396 Bảng III KẾT QUẢ PHÁT HIỆN MẶT TRÊN TẬP DỮ LIỆU SUB MICAFACE quả phát hiện chính xác (độ triệu hồi là 99%, độ chính xác là 99%) và kết quả nhận dạng hứa hẹn (độ chính Yolo-v5m Faster R-CNN xác là 88%). Trong thời gian tới, nhóm nghiên cứu sẽ Precision 99.99 96.84 bổ sung dữ liệu huấn luyện và thử nghiệm, cải thiện độ Recall 99.99 77.2 mAP@.5 99.5 96.84 chính xác mô hình nhận dạng, bổ sung các tính năng mAP@.5:.95 81.98 75.07 của hệ thống quản lý để việc kết nối mô đun nhận dạng và quản lý được thực hiện thông suốt với nhiều lớp học Bảng IV song song. KẾT QUẢ NHẬN DẠNG KHUÔN MẶT TRÊN HAI TẬP DỮ LIỆU LÀ SUB MICAFACE ID VÀ SUB MICAFACE IDAUTO LỜI CẢM ƠN CSDL subMICAFaceID subMICAFaceIDAuto Nghiên cứu này được tài trợ bởi Đề tài NCKH cấp Bộ, Precision 88.87 87.34 Bộ Giáo dục và Đào tạo mã số CT2020.02.BKA.02. Recall 87.36 86.91 F1-score 88.1 87.12 TÀI LIỆU THAM KHẢO Accuracy 88.63 86.36 [1] G. Jocher, https://github.com/ultralytics/yolov5, 2020. [2] J. P. Florian Schroff, Dmitry Kalenichenko, “Facenet: A unified embedding for face recognition and clustering,” arXiv preprint arXiv:1503.03832v3, 2015. [3] S. Ren, K. He, R. Girshick, and J. Sun, “Faster R-CNN: Towards real-time object detection with region proposal networks,” in Advances in Neural Information Processing Systems (NIPS), 2015. [4] Z. H. Hardie Cate, Fahim Dalvi, “Deepface: Face generation using deep learning,” arXiv preprint arXiv:1701.01876v1, pp. 2–7, 2017. [5] S. Chintalapati and M. V. Raghunadh, “Automated attendance management system based on face recognition algorithms,” 2013 IEEE International Conference on Computational Intelligence and Computing Research, pp. 1–5, 2013. [6] F. Battaglia, G. Iannizzotto, and L. Lo Bello, “A person authenti- Hình 9. Minh họa kết quả nhận dạng sai: Hình ảnh đưa vào mô đun cation system based on rfid tags and a cascade of face recognition nhận dạng (ảnh bên trái) và hình ảnh trong cơ sở dữ liệu của sinh algorithms,” IEEE Transactions on Circuits and Systems for Video viên có định danh được hệ thống nhận dạng xác định (ảnh bên phải) Technology, vol. 27, no. 8, pp. 1676–1690, 2017. [7] S. Matilda and K. Shahin, “Student attendance monitoring system using image processing,” 2019 IEEE International Conference on System, Computation, Automation and Networking (ICSCAN), pp. V. KẾT LUẬN 1–4, 2019. [8] Q. Cheng, B. Rong, B. Sun, and J. He, “Class Trong bài báo này, nhóm nghiên cứu đã đề xuất một attendance checking system based on deep learning and hệ thống điểm danh tự động sinh viên từ camera với 03 global optimization,” in Proceedings of the 2019 8th mô đun chính: mô đun phát hiện sử dụng mạng Yolo-v5 International Conference on Computing and Pattern Recognition, ser. ICCPR ’19. New York, NY, USA: Association for để đảm bảo phát hiện nhanh và chính xác khuôn mặt Computing Machinery, 2019, p. 331–336. [Online]. Available: trên ảnh. Sau đó, sử dụng mạng FaceNet để trích chọn https://doi.org/10.1145/3373509.3373519 đặc trưng khuôn mặt phục vụ cho nhận dạng dựa trên [9] H.-W. Ng and S. Winkler, “A data-driven approach to cleaning large face datasets,” in 2014 IEEE International Conference on K-NN và mô đun quản lý dựa trên nền tảng web. Để Image Processing (ICIP), 2014, pp. 343–347. phục vụ cho việc huấn luyện các mô hình phát hiện và nhận dạng cũng như đánh giá hiệu năng của các mô hình trong ngữ cảnh lớp học, ngoài việc sử dụng các CSDL đã có của cộng đồng nghiên cứu, nhóm đã tự xây dựng một CSDL ảnh thu được với các lớp học thực tế và gán nhãn. Hệ thống được đánh giá trên từng mô đun cho kết ISBN 978-604-80-5958-3 376

CÓ THỂ BẠN MUỐN DOWNLOAD

THÔNG TIN

TRỢ GIÚP

HỖ TRỢ KHÁCH HÀNG

Theo dõi chúng tôi

Chịu trách nhiệm nội dung:

Nguyễn Công Hà - Giám đốc Công ty TNHH TÀI LIỆU TRỰC TUYẾN VI NA

LIÊN HỆ

Địa chỉ: P402, 54A Nơ Trang Long, Phường 14, Q.Bình Thạnh, TP.HCM

Hotline: 093 303 0098

Email: support@tailieu.vn

Giấy phép Mạng Xã Hội số: 670/GP-BTTTT cấp ngày 30/11/2015 Copyright © 2022-2032 TaiLieu.VN. All rights reserved.