intTypePromotion=1
zunia.vn Tuyển sinh 2024 dành cho Gen-Z zunia.vn zunia.vn
ADSENSE
 » 
 » 

Luận văn Thạc sĩ Kỹ thuật Điều khiển và Tự động hóa: Nhận dạng khuôn mặt sử dụng mạng nơron trong ngôi nhà thông minh

Chia sẻ: _ _ | Ngày: | Loại File: PDF | Số trang:102

Thêm vào BST
Báo xấu
3
lượt xem 1
download
 
  Download Vui lòng tải xuống để xem tài liệu đầy đủ

Luận văn "Nhận dạng khuôn mặt sử dụng mạng nơron trong ngôi nhà thông minh" được hoàn thành với mục tiêu nhằm nghiên cứu, thử nghiệm phương pháp nhận dạng mặt người sử dụng mạng nơron nhớ liên kết hai chiều BAM. Qua đó, so sánh kết quả đạt được, đánh giá độ chính xác của phương pháp.

Chủ đề:

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

Lưu

Nội dung Text: Luận văn Thạc sĩ Kỹ thuật Điều khiển và Tự động hóa: Nhận dạng khuôn mặt sử dụng mạng nơron trong ngôi nhà thông minh

  1. BỘ CÔNG THƯƠNG TRƯỜNG ĐẠI HỌC ĐIỆN LỰC BÙI TIẾN CHIẾN NHẬN DẠNG KHUÔN MẶT SỬ DỤNG MẠNG NƠRON TRONG NGÔI NHÀ THÔNG MINH LUẬN VĂN THẠC SĨ KỸ THUẬT ĐIỀU KHIỂN & TỰ ĐỘNG HÓA Hà Nội, năm 2024
  2. BỘ CÔNG THƯƠNG TRƯỜNG ĐẠI HỌC ĐIỆN LỰC BÙI TIẾN CHIẾN NHẬN DẠNG KHUÔN MẶT SỬ DỤNG MẠNG NƠRON TRONG NGÔI NHÀ THÔNG MINH Ngành : Kỹ thuật Điều khiển & Tự động hóa Mã số : 8520216 LUẬN VĂN THẠC SĨ KỸ THUẬT ĐIỀU KHIỂN & TỰ ĐỘNG HÓA Người hướng dẫn khoa học: PGS.TS. Nguyễn Quang Hoan Hà Nội, năm 2023
  3. LỜI CẢM ƠN Trước tiên, với tình cảm chân thành, em xin gửi lời cảm ơn sâu sắc tới PGS.TS. Nguyễn Quang Hoan - người thầy đã tận tình chỉ dẫn, truyền đạt kiến thức chuyên môn, những tài liệu kỹ thuật và thường xuyên động viên, khích lệ giúp em hoàn thành luận văn này. Và em cũng xin gửi lời cảm ơn chân thành tới các thầy, cô là giảng viên của trường Đại học Điện lực đã tận tình dạy dỗ và hướng dẫn cho em trong suốt quá trình học tập thạc sĩ tại trường. Hơn nữa, tôi chân thành cảm ơn tới lãnh đạo cơ quan, các bạn bè đồng nghiệp nơi tôi đang công tác, gia đình và người thân đã tạo điều kiện thuận lợi để tôi được theo học nâng cao trình độ kiến thức chuyên môn của mình. Cảm ơn sự giúp đỡ, động viên của bạn bè cùng lớp giúp tôi hoàn thành khóa học. Mặc dù bản thân đã rất nỗ lực, cố gắng để hoàn thành luận văn, song chắc chắn sẽ không tránh khỏi những sai sót. Kính mong nhận được sự cảm thông, chỉ bảo tận tình của các quý thầy cô và các bạn để bản thân ngày càng được hoàn thiện hơn. Tác giả xin chân thành cảm ơn! Hà Nội, tháng 01 năm 2024. TÁC GIẢ LUẬN VĂN Bùi Tiến Chiến
  4. LỜI CAM ĐOAN Tôi tên là Bùi Tiến Chiến xin cam đoan: Luận văn thạc sĩ “Nhận dạng khuôn mặt sử dụng mạng nơron trong ngôi nhà thông minh” là công trình nghiên cứu của riêng tôi, dưới sự hướng dẫn khoa học trực tiếp của PGS.TS. Nguyễn Quang Hoan cùng sự giúp đỡ và đóng góp ý kiến của các thầy, cô trong Khoa tự động hóa Trường Đại học Điện lực. Các kết quả nghiên cứu trình bày trong luận văn là trung thực và chưa từng được công bố trong bất cứ một công trình nào khác. Tôi xin cam đoan các thông tin trích dẫn trong luận văn đều đã được chỉ rõ nguồn gốc. Tôi xin chịu hoàn toàn trách nhiệm về lời cam đoan này./. Hà Nội, tháng 01 năm 2024. TÁC GIẢ LUẬN VĂN Bùi Tiến Chiến
  5. Nhận dạng khuôn mặt sử dụng mạng nơron trong ngôi nhà thông minh MỤC LỤC Nội dung ………………………………………………………………………...... Trang LỜI CẢM ƠN ............................................................................................................................ i LỜI CAM ĐOAN .....................................................................................................................ii MỤC LỤC .................................................................................................................................. i DANH MỤC KÝ HIỆU CHỮ VIẾT TẮT ............................................................................iii DANH MỤC BẢNG BIỂU ....................................................................................................iv DANH MỤC HÌNH VẼ, HÌNH ẢNH .................................................................................... v I. MỞ ĐẦU................................................................................................................................ 1 1. Lý do chọn đề tài ................................................................................................................... 1 2. Mục đích nghiên cứu ............................................................................................................ 1 3. Đối tượng nghiên cứu ........................................................................................................... 1 4. Phạm vi nghiên cứu .............................................................................................................. 1 5. Phương pháp nghiên cứu ...................................................................................................... 1 II. BỐ CỤC CỦA LUẬN VĂN ............................................................................................... 2 CHƯƠNG 1: TỔNG QUAN VỀ NHẬN DẠNG MẶT NGƯỜI ......................................... 3 1.1. Lịch sử nghiên cứu về nhận dạng ..................................................................................... 3 1.2. Tình hình nghiên cứu trong và ngoài nước về nhận dạng ............................................... 4 1.3. Tổng quan về nhận dạng mặt người ................................................................................. 8 1.4. Kết luận chương 1 .............................................................................................................. 9 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VỀ NHẬN DẠNG MẶT NGƯỜI ...........................10 2.1. Mạng nơron nhân tạo .......................................................................................................10 2.1.1. Nơron nhân tạo .........................................................................................................10 2.1.2. Phân loại mạng nơron nhân tạo ...............................................................................13 2.1.3. Các phương thức học của mạng nơron nhân tạo ....................................................14 2.2. Mạng nơron tích chập CNN ............................................................................................16 2.2.1. Cấu trúc cơ bản của một mạng nơron tích chập .....................................................16 2.2.2. Đặc trưng chung của các mạng CNN......................................................................17 2.2.3. Các mạng CNN tiêu biểu .........................................................................................18 2.3. Mạng nơron Hopfield rời rạc ..........................................................................................19 2.3.1. Cấu trúc của mạng Hopfield ....................................................................................19 2.3.2. Luật học của mạng Hopfield....................................................................................20 2.3.3. Tính ổn định của mạng Hopfield .............................................................................20 2.4. Mạng nơron có bộ nhớ liên kết hai chiều BAM ............................................................21 2.4.1 Cấu trúc của mạng BAM ..........................................................................................21 2.4.2. Luật học của mạng BAM .........................................................................................24 2.4.3. Ổn định của mạng BAM ..........................................................................................24 2.5. Đánh giá bằng phương pháp ma trận nhầm lẫn .............................................................26 2.6. Lựa chọn phương án giải quyết bài toán ........................................................................27 Bùi Tiến Chiến -i-
  6. Nhận dạng khuôn mặt sử dụng mạng nơron trong ngôi nhà thông minh 2.6.1. Lựa chọn giải thuật ...................................................................................................27 2.6.2. Đặt bài toán ...............................................................................................................27 2.6.3. Giới hạn bài toán.......................................................................................................27 2.7. Kết luận chương 2 ............................................................................................................28 CHƯƠNG 3: THỬ NGHIỆM MẠNG NƠRON ĐỂ NHẬN DẠNG MẶT NGƯỜI .......29 3.1. Thu thập dữ liệu cho mạng nơron ...................................................................................29 3.2. Thiết kế mạng BAM để nhận dạng mặt người...............................................................31 3.3. Thử nghiệm mạng BAM để nhận dạng mặt người ........................................................32 3.3.1. Xác định các đặc trưng đầu vào...............................................................................32 3.3.2. Xác định các đặc trưng đầu ra .................................................................................33 3.3.3. Mã hóa đặc trưng đầu vào và đầu ra .......................................................................35 3.3.4. Pha học ......................................................................................................................36 3.3.5. Nhận dạng xuôi và ngược các mẫu đã học .............................................................37 3.4. Thử nghiệm khả năng chịu lỗi của mạng BAM.............................................................40 3.5. Đánh giá khả năng nhận mẫu của mạng BAM ..............................................................51 3.6. Kết luận chương 3 ............................................................................................................53 CHƯƠNG 4: MÔ PHỎNG VÀ SỬ DỤNG MẠNG BAM CHO NGÔI NHÀ.................54 4.1. Mô phỏng nhận dạng khuôn mặt người bằng ngôn ngữ Python ..................................54 4.1.1. Quá trình huấn luyện ảnh và lưu đồ nhận dạng khuôn mặt người ........................54 4.1.2. Kết quả của chương trình nhận dạng khuôn mặt người .........................................54 4.2. Xây dựng mô hình mở/đóng cửa cho ngôi nhà thông minh..........................................59 4.2.1. Thiết bị ngoại vi kết nối với mạng BAM qua ngôn ngữ Python ...........................59 4.2.2. Cơ chế mở/đóng cửa cho ngôi nhà thông minh......................................................60 4.2.3. Mô hình lý thuyết mở/đóng cửa cho ngôi nhà thông minh....................................61 4.2.4. Mô hình thực tế mở/đóng cửa cho ngôi nhà thông minh .......................................66 4.3. Kết luận chương 4 ............................................................................................................67 III. TỔNG LUẬN ...................................................................................................................68 1. Kết luận chung ....................................................................................................................68 2. Hướng phát triển của đề tài ................................................................................................68 IV. TÀI LIỆU THAM KHẢO ...............................................................................................69 V. PHỤ LỤC ...........................................................................................................................70 Phụ lục 1: Các mẫu ảnh hợp lệ...........................................................................................70 Phụ lục 2: Các mẫu được huấn luyện ................................................................................73 Phụ lục 3: Các mẫu ảnh không hợp lệ ...............................................................................74 Phụ lục 4: Giới thiệu sơ bộ về ngôn ngữ Python ..............................................................75 Phụ lục 5: Định nghĩa các công thức tính toán bằng ngôn ngữ Python ..........................76 Phụ lục 6: Chương trình huấn luyện ảnh bằng ngôn ngữ Python ....................................83 Phụ lục 7: Thử nghiệm nhận dạng mặt người bằng ngôn ngữ Python ............................84 Phụ lục 8: Tính toán khả năng chịu lỗi của mạng BAM bằng ngôn ngữ Python ...........86 Bùi Tiến Chiến -ii-
  7. Nhận dạng khuôn mặt sử dụng mạng nơron trong ngôi nhà thông minh DANH MỤC KÝ HIỆU CHỮ VIẾT TẮT Chữ viết tắt Tiếng Anh Tiếng việt 3D 3-Dimension. 3 chiều. AI Artificial Intelligence. Trí tuệ nhân tạo. ANN Artificial Neural Network. Mạng nơron nhân tạo. BAM Bidirectional Associative Memories. Bộ nhớ liên kết hai chiều. CNN Convolutional Neural Network. Mạng nơron tích chập. CSDL Database. Cơ sở dữ liệu. SKM Number of Faces. Số khuôn mặt. KGN Don't Memorize. Không ghi nhớ. DLNN Deep Learning Neural Network. Mạng nơron học sâu. Thách thức lớn đối với nhận dạng FRGC Face Recognition Grand Challenge. khuôn mặt. International Business Machines Công ty cổ phần máy kinh doanh IBM Corporation. quốc tế. IOS Iphone Operating System. Hệ điều hành của hãng Apple. IoT Internet of Things. Internet vạn vật. PCA Principle Component Analysis. Phân tích thành phần chính. PIN Personal Identification Number. Số định danh cá nhân. RNN Recurrent Neural Networks. Mạng nơron hồi quy. SOM Self-Organizing Map. Ánh xạ tự tổ chức. Bùi Tiến Chiến -iii-
  8. Nhận dạng khuôn mặt sử dụng mạng nơron trong ngôi nhà thông minh DANH MỤC BẢNG BIỂU Tên bảng Trang Bảng 2.1: Các hàm truyền H(s) thường dùng........................................................................11 Bảng 2.2: Một số hàm phi tuyến thường được dùng trong các mô hình nơron. .................12 Bảng 2.3: Ma trận nhầm lẫn. ..................................................................................................26 Bảng 3.1: Mã hóa đặc trưng đầu vào và xác định đầu ra......................................................30 Bảng 3.2: Bảng tính toán đặc trưng đầu vào. ........................................................................33 Bảng 3.3: Bảng tính toán nhãn đầu ra. ...................................................................................34 Bảng 3.4: Mã hóa đặc trưng đầu vào và đầu ra. ....................................................................35 Bảng 3.5: Đặc trưng đầu vào và đầu ra mã hóa dạng lưỡng cực. ........................................36 Bảng 3.6: Véc tơ nhận dạng xuôi và ngược của các mẫu đã học.........................................37 Bảng 3.7: Kết quả BAM nhận dạng mẫu đã huấn luyện theo chiều xuôi. ..........................38 Bảng 3.8: Kết quả BAM nhận dạng mẫu đã huấn luyện theo chiều ngược. .......................39 Bảng 3.9: Tính toán khả năng chịu lỗi của mạng BAM với 04 mẫu đã học. ......................41 Bảng 3.10: Nhận dạng mẫu chưa được học sử dụng mạng BAM. ......................................50 Bảng 3.11: Ma trận nhầm lẫn cho nhận dạng mẫu đã được học. .........................................51 Bảng 3.12: Ma trận nhầm lẫn cho nhận dạng mẫu sai số từ 01 tới 06 bit. ..........................52 Bảng 4.1: Tổng hợp các mẫu đã được huấn luyện và chưa được huấn luyện. ....................58 Bùi Tiến Chiến -iv-
  9. Nhận dạng khuôn mặt sử dụng mạng nơron trong ngôi nhà thông minh DANH MỤC HÌNH VẼ, HÌNH ẢNH Tên hình vẽ, hình ảnh Trang Hình 1.1: Một số ví dụ ứng dụng nhận dạng sinh trắc học..................................................... 4 Hình 1.2: Cơ chế DeepFace của Facebook. ............................................................................ 6 Hình 1.3: Cơ chế nhận dạng mặt người của FindFace............................................................ 7 Hình 2.1: Mô hình một nơron nhân tạo. ................................................................................10 Hình 2.2: Mô hình mạng nơron truyền thẳng một lớp. .........................................................13 Hình 2.3: Mô hình tổng quát mạng nơron truyền thẳng nhiều lớp. .....................................13 Hình 2.4: Mô hình mạng nơron phản hồi. .............................................................................14 Hình 2.5: Mô hình học có giám sát. .......................................................................................14 Hình 2.6: Mô hình học củng cố. .............................................................................................15 Hình 2.7: Mô hình học không giám sát. ................................................................................15 Hình 2.8: Cấu trúc cơ bản của một mạng nơron tích chập. ..................................................16 Hình 2.9: Cấu trúc mạng Hopfield rời rạc. ............................................................................19 Hình 2.10: Cấu trúc mạng BAM. ...........................................................................................21 Hình 2.11: Mô hình mạng BAM với đầu vào X. ..................................................................22 Hình 2.12: Mô hình mạng BAM với đầu vào Y. ..................................................................23 Hình 3.1: Mô hình mạng liên kết hai chiều BAM, số nơ ron vào/ra bằng m*n=6*5. ........31 Hình 3.2: Mô tả các đặc điểm trên khuôn mặt người. ..........................................................32 Hình 4.1: Lưu đồ huấn luyện ảnh...........................................................................................54 Hình 4.2: Lưu đồ thuật toán nhận dạng mặt người. ..............................................................54 Hình 4.3: Quá trình nhận dạng với SKM 1, ảnh không hợp lệ. .....................................55 Hình 4.4: Quá trình nhận dạng với SKM = 1, ảnh chưa huấn luyện. ..................................56 Hình 4.5: Quá trình nhận dạng với SKM = 1, ảnh đã huấn luyện. ......................................57 Hình 4.6: Thiết bị ngoại vi cho tín hiệu đèn thông báo. .......................................................59 Hình 4.7: Cơ chế mở/đóng mạch điều khiển khi chưa có tín hiệu thông báo đúng............60 Hình 4.8: Cơ chế mở/đóng mạch điều khiển khi đã có tín hiệu thông báo đúng. ...............60 Hình 4.9: Mô hình mở/đóng cửa khi chưa có tín hiệu nhận dạng đúng. .............................61 Hình 4.10: Mô hình tạo trễ để mở cửa khi đã có tín hiệu nhận dạng đúng. ........................62 Hình 4.11: Mô hình mở cửa khi đã có tín hiệu nhận dạng đúng..........................................63 Hình 4.12: Mô hình thời gian nghỉ khi đã có tín hiệu nhận dạng đúng. ..............................64 Hình 4.13: Mô hình đóng cửa khi đã có tín hiệu nhận dạng đúng. ......................................65 Hình 4.14: Mô hình đấu nối mạch in để mở/đóng cửa cho ngôi nhà. .................................66 Hình 4.15: Hình ảnh thực tế của mô hình để mở/đóng cửa cho ngôi nhà. ..........................66 Bùi Tiến Chiến -v-
  10. Nhận dạng khuôn mặt sử dụng mạng nơron trong ngôi nhà thông minh I. MỞ ĐẦU 1. Lý do chọn đề tài - Cùng với thời đại công nghiệp 4.0 hiện nay, ứng dụng của mạng nơron là một trong những miền trí tuệ nhân tạo (AI), Internet vạn vật (IoT) đang có tính thời sự và phát triển, thu hút được sự quan tâm của nhiều nhà khoa học. - Ứng dụng nhận dạng mặt người ngày càng được các nhà nghiên cứu chú trọng phát triển và sử dụng nó trong nhiều lĩnh vực từ khoa học đến đời sống hàng ngày. - Vì vậy, học viên chọn đề tài: “Nhận dạng khuôn mặt sử dụng mạng nơron trong ngôi nhà thông minh”. 2. Mục đích nghiên cứu Nghiên cứu, thử nghiệm phương pháp nhận dạng mặt người sử dụng mạng nơron nhớ liên kết hai chiều BAM. Qua đó, so sánh kết quả đạt được, đánh giá độ chính xác của phương pháp. 3. Đối tượng nghiên cứu - Nghiên cứu các phương pháp nhận dạng, chọn phương pháp mới. - Nghiên cứu mạng noron hồi quy, thuật toán nhớ liên kết hai chiều. - Dùng ảnh mặt người có sẵn trong thư viện ảnh là cơ sở dữ liệu để thử nghiệm. 4. Phạm vi nghiên cứu - Cấu trúc, luật học của mạng nơron nhân tạo. - Cấu trúc, luật học, tính ổn định mạng BAM. - Thử nghiệm mạng BAM trong bài toán nhận dạng mặt người (thử nghiệm với 04 mẫu người ngẫu nhiên trong tổng số giới hạn danh sách mẫu, mỗi mẫu có 06 đặc trưng). - Đánh giá khả năng nhớ mẫu của mạng BAM. - Sử dụng mạng nơ ron BAM ứng dụng cho ngôi nhà thông minh. 5. Phương pháp nghiên cứu - Phương pháp phân tích và thiết kế một hệ điều khiển thông minh, sử dụng khả năng nhớ mẫu của mạng BAM cùng với các phần mềm có mã nguồn mở để nhận dạng mặt người. - Phương pháp mô phỏng. Bùi Tiến Chiến -1-
  11. Nhận dạng khuôn mặt sử dụng mạng nơron trong ngôi nhà thông minh II. BỐ CỤC CỦA LUẬN VĂN Luận văn gồm 04 chương, qua mỗi chương đều có kết luận riêng của từng chương. Sau khi chọn mô hình được chọn và tính toán, sử dụng phương pháp ma trận nhầm lẫn để đánh giá mô hình, xét kết quả của mô hình sử dụng mạng BAM nhận dạng mặt người và đề xuất hướng nghiên cứu, phát triển tiếp theo của đề tài. Cụ thể, về cơ bản của mỗi chương được tóm tắt như sau: Chương 1: Tổng quan về nhận dạng mặt người 1.1. Lịch sử nghiên cứu về nhận dạng. 1.2. Tình hình nghiên cứu trong và ngoài nước về nhận dạng. 1.3. Tổng quan về nhận dạng mặt người. 1.4. Kết luận chương 1. Chương 2: Cơ sở lý thuyết về nhận dạng mặt người 2.1. Mạng nơron nhân tạo. 2.2. Mạng nơron tích chập CNN. 2.3. Mạng nơron Hopfield rời rạc. 2.4. Mạng nơron có bộ nhớ liên kết hai chiều BAM. 2.5. Đánh giá bằng phương pháp ma trận nhầm lẫn. 2.6. Lựa chọn phương án để giải quyết bài toán. 2.7. Kết luận chương 2. Chương 3: Thử nghiệm mạng nơron để nhận dạng mặt người 3.1. Thu thập dữ liệu cho mạng nơron. 3.2. Thiết kế mạng BAM để nhận dạng mặt người. 3.3. Thử nghiệm mạng BAM để nhận dạng mặt người. 3.4. Thử nghiệm khả năng chịu lỗi của mạng BAM. 3.5. Đánh giá khả năng nhận mẫu của mạng BAM. 3.6. Kết luận chương 3. Chương 4: Mô phỏng và sử dụng mạng BAM cho ngôi nhà 4.1. Mô phỏng nhận dạng khuôn mặt người bằng phần mềm Python. 4.2. Xây dựng mô hình mở/đóng cửa cho ngôi nhà thông minh. 4.3. Kết luận chương 4. Bùi Tiến Chiến -2-
  12. Nhận dạng khuôn mặt sử dụng mạng nơron trong ngôi nhà thông minh CHƯƠNG 1: TỔNG QUAN VỀ NHẬN DẠNG MẶT NGƯỜI 1.1. Lịch sử nghiên cứu về nhận dạng Trong năm 1964 và 1965, Bledsoe, cùng với Helen Chan và Charles Bisson, bắt đầu ý tưởng sử dụng máy tính để nhận ra khuôn mặt của con người. Với một cơ sở dữ liệu lớn các hình ảnh và một bức ảnh, vấn đề là phải lựa chọn từ cơ sở dữ liệu là một tập hợp nhỏ các hồ sơ hình ảnh như vậy có chứa các hình ảnh ăn khớp với bức ảnh đưa ra. Năm 1966, công việc này được tiếp tục tại Viện nghiên cứu Stanford, chủ yếu bởi Peter Hart. Trong các thí nghiệm thực hiện trên một cơ sở dữ liệu hơn 2.000 bức ảnh, máy tính luôn vượt trội so với con người khi thể hiện cùng một nhiệm vụ nhận dạng. Năm 1997, hệ thống được phát triển bởi Christophvonder Malsburg và các sinh viên sau đại học của trường Đại học Bochum ở Đức và Đại học Nam California tại Mỹ, Viện Công nghệ Massachusetts và Đại học Maryland. Hệ thống Bochum được phát triển thông qua tài trợ bởi Phòng Thí Nghiệm Nghiên cứu Quân đội Hoa Kỳ. Phần mềm này được bán với cái tên ZN-Face và sử dụng trong các nhà điều hành sân bay và các địa điểm đông đúc khác. Phần mềm này "đủ mạnh mẽ để nhận dạng được gương mặt từ các góc nhìn ít lý tưởng hơn. Nó cũng thường xuyên có thể nhận dạng được gương mặt mặc dù có những trở ngại như ria mép, râu, thay đổi kiểu tóc và thậm chí đeo kính râm". Năm 2006, các thuật toán nhận dạng khuôn mặt mới nhất đã được đánh giá trong Face Recognition Grand Challenge (FRGC). Hình ảnh gương mặt, hình ảnh scan gương mặt 3D và ảnh iris độ phân giải cao, được sử dụng trong các bài kiểm tra. Kết quả cho thấy rằng các thuật toán mới là chính xác hơn 10 lần so với các thuật toán nhận dạng khuôn mặt của năm 2002 và chính xác hơn 100 lần so với các thuật toán của năm 1995. Một số thuật toán đã có thể nhận dạng tốt hơn người tham gia trong việc nhận diện khuôn mặt và duy nhất có thể xác định từng người trong các cặp song sinh giống hệt nhau. Năm 2007, công ty Identix từ Minnesota, đã phát triển một phần mềm là FaceIt. FaceIt có thể nhận ra khuôn mặt của một ai đó trong đám đông và so sánh nó với cơ sở dữ liệu trên toàn thế giới để nhận dạng và đặt tên cho một khuôn mặt. Phần mềm được viết để phát hiện nhiều đặc điểm trên khuôn mặt người. Bùi Tiến Chiến -3-
  13. Nhận dạng khuôn mặt sử dụng mạng nơron trong ngôi nhà thông minh 1.2. Tình hình nghiên cứu trong và ngoài nước về nhận dạng Những năm gần đây, công nghệ sinh trắc học đã vượt qua các rào cản lớn như chi phí, cách thức vận hành, khả năng truy cập, và cùng với độ chính xác cao trong giải pháp xác thực. Cũng như bất kỳ công nghệ bảo mật nào, nhận dạng sinh trắc học cũng không phải là giải pháp hoàn hảo. Nhưng chắc chắn rằng, nhận dạng sinh trắc học không còn là hình ảnh của tương lai mà đang hiện hữu ngày càng rõ nét trong cuộc sống hiện tại. Mỗi đặc trưng sinh trắc dùng nhận dạng có ưu - nhược điểm và độ chính xác nhất định. Tùy từng hoàn cảnh và yêu cầu thực tiễn mà lựa chọn phương pháp phù hợp nhưng phải đảm bảo các yếu tố: - Tính phổ biến: Mọi người đều có đặc trưng sinh trắc này; - Tính riêng biệt: Các cá thể khác nhau thì đặc trưng này khác nhau; - Tính ổn định: Đặc trưng sinh trắc này không thay đổi theo thời gian; - Tính thu thập: Đặc trưng này có thể đo và lượng hóa được. a) Nhận dạng mống mắt. b) Nhận dạng mặt người. c) Nhận dạng vân tay. d) Nhận dạng tĩnh mạch lòng bàn tay. Hình 1.1: Một số ví dụ ứng dụng nhận dạng sinh trắc học. Bùi Tiến Chiến -4-
  14. Nhận dạng khuôn mặt sử dụng mạng nơron trong ngôi nhà thông minh Ngoài ra người ta còn xét đến các yếu tố như: - Hiệu năng: Khả năng nhận dạng chính xác, tốc độ nhận dạng; các tài nguyên cần thiết để đạt được tốc độ và độ chính xác mong muốn; các nhân tố môi trường hoạt động ảnh hưởng đến tốc độ và độ chính xác trong nhận dạng. - Tính chấp nhận: Mọi người vui lòng chấp nhận phương pháp sử dụng các đặc trưng sinh trắc trong đời sống hàng ngày của họ. - Khả năng phá hoại: Là mức độ khó/dễ đánh lừa hệ thống nhận dạng. Một số phương pháp nhận dạng sinh trắc học đang được sử dụng (Hình 1.1) là những phương pháp có độ tin cậy cao. Để nhận dạng tăng khả năng chính xác thì hệ thống nhận dạng phải kết hợp nhiều đặc trưng sinh trắc với nhau. Ở Việt Nam, nhận dạng vẫn là lĩnh vực khá mới. Dù có nhiều nghiên cứu về nhận dạng đã đạt được những thành tựu nhất định, nhưng nhìn chung vẫn chưa đạt được kết quả cần thiết để có thể tạo ra các sản phẩm mang tính ứng dụng cao. Có thể kể đến một số công trình nghiên cứu: - Công trình nghiên cứu của Nguyễn Quang Hoan, Vũ Thị Thềm, Bùi Đình Quân, "Khả năng nhớ mẫu của mạng nơ ron hồi quy" Tạp chí Khoa học và Công nghệ Đại học Sư phạm Hưng Yên, 2017, về khả năng nhớ và nhận dạng đối tượng sử dụng mạng hồi quy liên kết hai chiều. Đề tài và bài báo chưa có ứng dụng phần cứng [5]. - Công trình nghiên cứu của Lê Hoài Bắc cùng một số cộng sự đã xây dựng thành công “Hệ thống hỗ trợ quyết định trên mạng nơron và logic mờ”. Tích hợp trong hệ hỗ trợ ra quyết định, xây dựng một số hệ thống hỗ trợ quyết định phục vụ trong lĩnh vực khoa học, giáo dục, kinh tế, môi trường, quốc phòng, an ninh… - Công trình nghiên cứu của Nguyễn Sĩ Dũng, Lê Hoài Quốc “Một số thuật toán về huấn luyện Neural Network trên cơ sở phương pháp Conjugate Gradient”, Đại học Công nghiệp Thành phố Hồ Chí Minh và Đại học Bách khoa Thành phố Hồ Chí Minh. Trên thế giới có rất nhiều hệ thống nhận dạng đã và đang được ứng dụng rất hiệu quả như: Via Voice của IBM, Speech Recognition Engine của Microsoft, Hidden Markov Model Toolkit của đại học Cambridge… Ngoài ra, một số hệ thống nhận dạng khác cũng Bùi Tiến Chiến -5-
  15. Nhận dạng khuôn mặt sử dụng mạng nơron trong ngôi nhà thông minh khá phát triển và đều hướng tới người dùng trong tất cả các lĩnh vực như: Khoa học hình sự, Kinh doanh, Quản lý, Multimedia… Công nghệ nhận dạng mặt người với nhiều ứng dụng, nhiều tính năng, dễ sử dụng, có thể cài đặt trên nhiều loại thiết bị khác nhau. Nó không dừng lại ở mức ứng dụng trong nghiên cứu khoa học hình sự, an ninh mà ngày càng ứng dụng nhiều vào đời sống như xác định số lượng người trong một phạm vi hay một số ứng dụng đa phương tiện khác trên thiết bị di động... Hình 1.2: Cơ chế DeepFace của Facebook. Dự án nghiên cứu mới của Facebook có tên là DeepFace với tính năng bảo mật “xác minh trên mặt người”. Phần mềm này có thể nhận ra hai hình ảnh hiển thị mặt người giống nhau, trái ngược với "nhận dạng mặt người" - sử dụng cơ chế hình ảnh duy nhất. Để thực hiện điều này. Hình 1.2 mô tả quá trình nhận dạng mặt người của DeepFace. Khi phát hiện ảnh có hình mặt người, hệ thống nhận diện sẽ tạo ra các sơ đồ 3D chi tiết mặt người, sau đó chuyển mô hình này thành định dạng phẳng với các bộ lọc màu để nhận diện các chi tiết trên mặt. Trước đó, Google và Sony cũng đã ứng dụng công nghệ nhận dạng mặt người trong các phần mềm của họ, tương ứng là Picasa và Picture Motion Browser. Tuy nhiên, tất cả mới chỉ dừng lại ở việc tạo sự thuận tiện cho người sử dụng. Năm 2015, Công ty NTechLab thuộc Liên bang Nga đã gây ấn tượng mạnh khi vượt qua Google và nhiều công ty lớn về công nghệ khác. Với phần mềm có tên FindFace cho Bùi Tiến Chiến -6-
  16. Nhận dạng khuôn mặt sử dụng mạng nơron trong ngôi nhà thông minh kết quả nhận dạng chính xác lên đến 73% với cơ cở dữ liệu 1 triệu hình ảnh. Độ chính xác đạt 95% với kho dữ liệu ảnh 10.000 tấm ảnh. Người được yêu cầu Tìm kiếm trong CSDL Người phù hợp Hình 1.3: Cơ chế nhận dạng mặt người của FindFace. Cơ chế nhận dạng của FindFace được mô tả trong Hình 1.3. Nó sử dụng tập ảnh mẫu có các trạng thái biểu cảm khác nhau của một người để xác định những đặc điểm không thay đổi hoặc thay đổi không đáng kể để ghi dấu mặt người. Trên lĩnh vực điện thoại di động, ứng dụng nhận dạng mặt người để mở máy đã có trong hệ điều hành Android 4.x, thành quả thu được của Google sau thắng lợi trong cuộc chiến bằng sáng chế trước các đối thủ cạnh tranh. Cùng thời điểm đó, Apple cũng đã tiết lộ bằng sáng chế khóa và mở khóa các dòng sản phẩm của hãng ứng dụng công nghệ nhận dạng mặt người. Ngày nay, có thể dễ dàng nhận ra ứng dụng công nghệ nhận dạng mặt người trong việc điều tra tội phạm, kiểm tra hành khách ở sân bay, xác thực truy cập vào hệ thống…, trên các mạng xã hội, trò chơi thực tế ảo…Tuy nhiên, trong nhiều lĩnh vực khác, nhận dạng mặt người đang vướng phải những vấn đề liên quan đến pháp lý, đặc biệt là ở Mỹ và các nước phát triển ở châu Âu. Việc Facebook phải tắt hoàn toàn tính năng nhận dạng mặt người ở châu Âu vào tháng 10/2012 do vi phạm quyền tự do cá nhân chỉ mới là sự khởi đầu. Rõ ràng, công nghệ nhận dạng mặt người vẫn chưa thể được ứng dụng một cách rộng rãi trong tất cả các lĩnh vực của cuộc sống. Bùi Tiến Chiến -7-
  17. Nhận dạng khuôn mặt sử dụng mạng nơron trong ngôi nhà thông minh 1.3. Tổng quan về nhận dạng mặt người Mỗi khuôn mặt của mỗi người có sự độc đáo và nét đặc trưng riêng biệt. Hệ thống nhận dạng khuôn mặt là việc dùng máy tính để tự động xác định hoặc nhận dạng một người nào đó từ một bức hình ảnh kỹ thuật số hoặc có thể hình ảnh từ video của một nguồn video. Máy tính so sánh các đặc điểm khuôn mặt từ hình ảnh được chụp lại với CSDL về khuôn mặt được lưu trữ trước đó. Trong tất cả các phép đo sinh trắc học, nhận dạng khuôn mặt được coi là tự nhiên nhất. Bởi vì chúng ta thường nhận ra bản thân và những người khác bằng cách nhìn vào khuôn mặt, chứ không ai nhìn vào dấu vân tay của ngón tay cái và mống mắt cả. Công nghệ nhận diện khuôn mặt đang trở nên phổ biến trên toàn thế giới. Các hệ thống công nghệ trên khuôn mặt có thể khác nhau, nhưng nhìn chung, chúng đều có cách thức hoạt động như sau: Ø Bước 1: Nhận diện khuôn mặt Máy ảnh phát hiện và định vị hình ảnh của trên khuôn mặt của một người hoặc của người trong một đám đông. Người được nhận diện khuôn mặt phải nhìn thẳng vào máy quét, máy ảnh nhận diện. Ø Bước 2: Phân tích khuôn mặt Tiếp theo, máy ảnh, máy quét sẽ chụp lại hình ảnh của khuôn mặt người đó và tiến hành phân tích. Hầu hết công nghệ nhận dạng khuôn mặt sử dụng trên hình ảnh 2D thay vì 3D vì hình ảnh 2D phân tích thuận tiện hơn trong cơ sở dữ liệu (vì hình ảnh được lưu trữ trong cơ sở dữ liệu thông thường là hình ảnh 2D). Phần mềm tiến hành đọc hình dạng khuôn mặt của bạn. Công nghệ nhận diện khuôn mặt sẽ phân tích các yếu tố chính bao gồm độ sâu của hốc mắt, khoảng cách giữa hai mắt, hình dạng của gò má, khoảng cách từ trán đến cằm và đường viền của môi, tai và cằm. Mục đích là để xác định các điểm mốc trên khuôn mặt, đây chính là chìa khóa để phân biệt khuôn mặt của bạn với khuôn mặt của những người khác. Ø Bước 3: Mã hóa hình ảnh thành dữ liệu Quá trình chụp khuôn mặt sẽ chuyển đổi những hình ảnh khuôn mặt thành một tập hợp thông tin kỹ thuật số (dữ liệu) dựa trên các đặc điểm trên khuôn mặt của người đó. Phân tích khuôn mặt của bạn về cơ bản được chuyển đổi thành công thức toán học. Mã hóa hình ảnh, đặc điểm khuôn mặt thành mã số duy nhất giống như cách nhận diện dấu vân tay, đối với mỗi người thì khuôn mặt của họ là duy nhất. Ø Bước 4: Tìm một kết quả phù hợp Sau đó, khuôn mặt của bạn sẽ được so sánh với cơ sở dữ liệu của các khuôn mặt đã biết khác trước (đã được lưu trong cơ sở dữ liệu). Bùi Tiến Chiến -8-
  18. Nhận dạng khuôn mặt sử dụng mạng nơron trong ngôi nhà thông minh 1.4. Kết luận chương 1 Chương này đã trình bày tổng quan về lịch sử nghiên cứu về nhận dạng, các nghiên cứu trong và ngoài nước về nhận dạng nói chung, nhận dạng bằng công nghệ sinh trắc học nói riêng và hướng phát triển của nó. Các đặc trưng chủ yếu trên gương mặt dùng để nhận dạng, một số đặc điểm của ảnh mặt người dùng làm đầu vào cho hệ thống nhận dạng mặt người và trình bày tổng quan về nhận dạng mặt người. Bùi Tiến Chiến -9-
  19. Nhận dạng khuôn mặt sử dụng mạng nơron trong ngôi nhà thông minh CHƯƠNG 2: CƠ SỞ LÝ THUYẾT VỀ NHẬN DẠNG MẶT NGƯỜI 2.1. Mạng nơron nhân tạo 2.1.1. Nơron nhân tạo Nơron nhân tạo là mô hình xử lý thông tin được mô phỏng dựa trên hoạt động của hệ thống thần kinh sinh vật. Nơron sinh vật có cấu trúc khá phức tạp, trung bình não chứa trên 15 tỷ nơron, trong khi đó một nơron nhân tạo được xây dựng từ ba thành phần chính, đó là: Bộ tổng các liên kết đầu vào, động học tuyến tính, phi tuyến động học được mô tả trong Hình 2.1. Hình 2.1: Mô hình một nơron nhân tạo. Bộ tổng hợp tất cả các liên kết đầu vào mô tả toàn bộ thế năng tác động ở thân nơron, có thể mô tả như sau: ( )= ( )+ ( )+ (2.1) Đầu vào của phần động học là ( ). Đầu ra của nó ( ) gọi là đầu ra tương tự. Hàm truyền tương ứng của phần động học tuyến tính có thể mô tả dưới dạng biến đổi Laplace như sau: Bùi Tiến Chiến -10-
  20. Nhận dạng khuôn mặt sử dụng mạng nơron trong ngôi nhà thông minh ( ) ( )= ( ). ( ) ℎ ( )= (2.2) ( ) Các hàm H(s) thường dùng được liệt kê trong Bảng 2.1. ;Trong đó: : là số lượng tín hiệu đầu vào. : trọng liên kết vào ngoài, là hệ số mô tả mức độ liên kết giữa các đầu vào. : mức trọng phản hồi. q : hằng số, còn gọi là ngưỡng, xác định mức chuyển đổi. (. ) : hàm tương tác đầu ra hay còn gọi là hàm truyền đạt. ( ) : các đầu vào ngoài, mô tả tín hiệu vào từ các đầu nhạy thần kinh hoặc từ các nơron khác đưa vào; m là số đầu vào; = 1, . . . , ( ) : đầu ra nơron mô tả tín hiệu đưa ra. . ( ) : phần động học tuyến tính. ( ) : bộ tổng liên kết. - Phần phi tuyến: Các đầu ra của các nơron sinh vật là các xung, có giới hạn chặn. Trong mô phỏng, để đảm bảo hệ ổn định đầu ra người ta thường gán hàm chặn ở lối ra cho (. ). Như vậy, đầu ra các tín hiệu ở mỗi đầu ra của nơron nhân tạo. Hàm chặn thường ở dạng phi tuyến với hàm có đặc trưng của một hàm: ( )= ( ) = ( ) + (2.3) 1 1 Bảng 2.1: Các hàm truyền H(s) thường dùng. ( ) 1 (− ) 1− ( ) ( ) ( )= ( ) = ( ) + ( )= ( ) ( )= ( − ) Quan hệ vào ra Bùi Tiến Chiến -11-
ADSENSE

CÓ THỂ BẠN MUỐN DOWNLOAD

LV.09: Bộ Luận Văn Tốt Nghiệp Chuyên Ngành Quản Trị Kinh Doanh
81 tài liệu
1643 lượt tải
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.

 

Đồng bộ tài khoản
2=>2