Trong bài này, Smartid xin giới thiệu các thiết bị nhận dạng khuôn mặt thông minh mới, rất phù hợp cho mục đích điểm danh, kiểm soát ra vào cho học sinh, sinh viên. Công nghệ nhận dạng bằng khuôn mặt mới có một số khác biệt và ưu điểm hơn công nghệ khuôn mặt trước
Khuôn mặt hình chữ nhật thường sẽ có chiều dài khuôn mặt khá lớn, tuy nhiên lại chỉ có chiều rộng bằng khoảng ½ chiều dài khuôn mặt. Và một đặc điểm đặc trưng để nhận biết những người có khuôn mặt chữ nhật nằm ở phần hai bên hàm dưới vô cùng cân xứng
Bước 2: Thêm khuôn mặt vào danh sách (gọi là ảnh mẫu) bằng 2 cách: Cách 1: vào menu Danh sách khách hàng thêm 1 khách hàng (khuôn mặt mới), trong đó cho phép bạn thêm file ảnh hoặc chụp từ webcam Cách 2: vào menu Điểm danh chấm công để chụp ảnh.
Thông qua máy học nghiên cứu các thuật toán nhận dạng khuôn mặt bằng mạng nơron tích chập (Convolutional Neural Network) và các phương pháp học sâu mang lại kết quả có độ chính xác cao, từ đó áp dụng vào bài toán thực tế: Xây dựng hệ thống điểm danh bằng khuôn
điểm danh bằng khuôn mặt chỉ thực sự phát triển mạnh mẽ khi các nhà phát triển giải pháp và các nhà sản xuất nghiên cứu đưa công nghệ trí tuệ nhân tạo ai vào xác thực khuôn mặt, công nghệ face ai agorithm cho phép giải quết những hạn chế của các công nghệ xác thực khuôn mặt trước đây, giúp cho trải nghiệm người dùng được nâng cao và khác biệt rõ …
Sử dụng hệ thống điểm danh học sinh bằng thiết bị nhận diện khuôn mặt đem lại những lợi ích sau: không cần phải lo điểm danh thừa hoặc thiếu học sinh, quản lý được thời gian ra vào của học sinh, đảm bảo an ninh cho học sinh và nhà trường, tránh được sự xâm nhập trái phép của người lạ vào trường, nhà trường có thể nắm bắt được số liệu đi học nghỉ học của học sinh
6PPq. Công nghệ nhận diện khuôn mặtCông nghệ nhận diện khuôn mặt Facial Recognition Technology hiện là một công nghệ đang được sử dụng khá phổ biến tại các quốc gia phát triển. Công nghệ này có khả năng xác định và nhận dạng một người dựa trên thuật toán đối sánh khuôn mặt thu nhận từ hệ thống camera và cơ sở dữ liệu quản lý. Chúng tôi cung cấp giải pháp điểm danh qua khuôn mặt với tốc độ nhanh và độ chính xác cao. Hệ thống vẫn hoạt động tốt trong một số điều kiện về khuôn mặt có góc nghiêng, hoặc đeo khẩu trang. Hệ thống cho phép linh hoạt cập nhật cơ sở dữ liệu nhân viên, cấu hình hệ thống camera và cho phép tích hợp với các phần mềm quản lý nhân sự, hệ thống cửa mở tự động.
Điểm danh học sinh là một công việc thường xuyên ở các trường học với mục đích nắm bắt được số lượng đi học hay nghỉ học để dễ dàng quản lý. Nhưng với việc điểm danh thủ công khiến các giáo viên vô cùng khó khăn trong việc nắm bắt được số lượng do học sinh quá đông cũng như việc gian dối trong điểm danh. Để khắc phục được tình trạng đó hệ thống điểm danh học sinh bằng khuôn mặt đã được ra đời nhằm nắm bắt và đưa ra số liệu chính xác nhất về thông tin học sinh đi muộn hay nghỉ học để có những biện pháp xử bước đăng kí vào hệ thống Lấy dữ liệu lấy danh sách khuôn mặt của các học sinh cần kiểm soát Phân tích các dữ liệu ở trên sẽ được trích xuất từ hình ảnh, mẫu So sánh các dữ liệu thu được sẽ so sánh với các dữ liệu trong cơ sở dữ liệu Kết quả hệ thống sau đó sẽ quyết đinh kết quả so sánh có phù hợp hay không Hệ thống bao gồm các thiết bịCamera nhận diện khuôn mặt Face IDCổng, cửa kiểm soát ra vào dạng Flap barrier, Swing Barrier, hoặc Tripod TurntileMáy tính quản lý, lưu trữ dữ liệuPhần mềm quản lý, kiểm soátMột số mẫu cổng kiểm soát hay dùng trong hệ thống điểm danh tự động, kiểm soát ra vàoCách hoạt động của hệ thốngHọc sinh sẽ đứng trước thiết bị nhận diện khuôn mặt thiết bị sẽ tiến hành quét khuôn mặt và lấy mẫu gửi về hệ thống, sau khi hệ thống nhận được mẫu sẽ so sánh với mẫu đăng kí trên hệ thông nếu như khớp hệ thống sẽ gửi tín hiệu xuống máy, sau đó cánh của cổng kiểm soát sẽ tự động mở cánh để đi qua. Nếu thông tin mẫu khuôn mặt gửi đi không khớp hệ thống sẽ báo lỗi và không thể đi qua những tình huống như hỏa hoạn thiên tai hệ thống sẽ kích hoạt chức năng mở các cánh cửa để thoát hiểm một cách nhanh chóng. Với tình trạng phá hoại hoặc cố ý vượt qua hệ thống sẽ gửi tới tín hiệu cảnh báo cho những người quản lý để giải ích của việc sử dụng hệ thống điểm danh học sinh bằng thiết bị nhận diện khuôn mặtSử dụng hệ thống điểm danh học sinh bằng thiết bị nhận diện khuôn mặt đem lại những lợi ích sau không cần phải lo điểm danh thừa hoặc thiếu học sinh, quản lý được thời gian ra vào của học sinh, đảm bảo an ninh cho học sinh và nhà trường, tránh được sự xâm nhập trái phép của người lạ vào trường, nhà trường có thể nắm bắt được số liệu đi học nghỉ học của học sinh để dễ dàng quản lý và theo dõi và báo về cho gia đình học bạn có thể tham khảo thêmTìm hiểu về một số loại máy chấm công khuôn mặt đo thân nhiệtSửa chữa máy chấm công khuôn mặt tại đâu tốtTop 3 máy chấm công khuôn mặt giá rẻ, phù hợp với các doanh nghiệp tầm nhỏ và tầm trungMáy chấm công suprema có gì đặc biệt?Top 3 dòng máy chấm công hiện đại của Hàn Quốc đang được ưa chuộng
Giải pháp điểm danh bằng nhận diện khuôn mặt là giải pháp ứng dụng công nghệ quét khuôn mặt để định danh thay cho việc điểm danh bằng phương pháp thủ công. Giải pháp điểm danh bằng Face ID đem lại sự thuận tiện, minh bạch cũng như quản lý chặt chẽ hơn. Hệ thống điểm danh bằng khuôn mặt cần những thiết bị gi ? 1 Thiết bị nhận dạng khuôn mặt 2 Thiết bị kiểm soát ra vào 3 Server và phần mềm quản lý Điểm danh bằng nhận diện khuôn mặt Hệ thống điểm danh bằng nhận diện khuôn mặt hoạt động như thế nào? Đăng ký dữ liệu khuôn mặt vào hệ thống Cán bộ đào tạo, giáo viên phụ trách sẽ chụp ảnh dữ liệu khuôn mặt của học sinh cũng như cán bộ công nhân viên để đăng ký vào hệ thống bao gồm hình ảnh, họ tên, lớp, mã số, thông tin phụ huynh để quản lý. Đẩy dữ liệu vào thiết bị Sau khi đăng ký dữ liệu vào phần mềm, cán bộ quản lý phân nhóm học sinh theo từng khu vực hoặc toàn bộ để đẩy dữ liệu vào thiết bị Xác thực điểm danh Sau khi đã đăng ký dữ liệu lên thiết bị, người dùng đi gần đến thiết bị Face ID nhìn thẳng vào thiết bị để xác thực khuôn mặt, Nếu hợp lệ thiết bị sẽ thông báo thành công và hiển thị hình ảnh đăng ký, họ tên lên màn hình để người dùng biết dược mình đã được xác thực. Hợp lệ cổng kiểm soát sẽ mở ra cho người đó qua Hiển thị kết quả Trên phần mềm giám sát sẽ hiển thị thông tin học sinh, sinh viên vừa qua cổng thuận tiện cho việc giám sát Tổng hợp báo cáo Phần mềm sẽ tổng hợp danh sách học sinh vừa xác thực qua cổng và chưa xác thực qua cổng để thổng hợp báo cáo.
Nghiên cứu này trình bày một cách tiếp cận trong việc phát hiện và nhận dạng khuôn mặt người để điểm danh sinh viên với dữ liệu đầu vào là ảnh chụp từ camera. Để giải quyết vấn đề này, cần giải quyết hai vấn đề chính là phát hiện khuôn mặt và điểm danh thông qua nhận diện khuôn mặt đồng thời kết nối với một hệ thống thông tin để cập nhật dữ liệu điểm danh, và kết xuất ra những báo cáo tổng hợp. Trong vấn đề đầu tiên cần giải quyết bốn bài toán là xác định khuôn mặt, rút trích đặc trưng, huấn luyện mô hình nhận dạng và nhận dạng khuôn mặt. Đối với vấn đề còn lại là điểm danh thông qua khuôn mặt. Phương pháp xuyên suốt được sử dụng trong nghiên cứu này để giải quyết các bài toán đặt ra là phương pháp sử dụng đặc trưng Haarlike kết hợp với các mô hình máy học thông dụng. Ngoài ra, để nâng cao hiệu quả trong việc xác định vị trí khuôn mặt nghiên cứu đã sử dụng thêm công cụ Integral Image giúp việc tính toán các giá trị đặc trưng Haarlike nhanh hơn. Discover the world's research25+ million members160+ million publication billion citationsJoin for free Nguyễn Thanh Hải, Trịnh Thị Tuyết Lan, Trần Bảo Toàn, Phan Kim Yến Nhi, Trần Thanh Điện, and Nguyễn Thái Nghe GiảiPhápĐiểmDanhSinhViênBằngNhậnDạngGươngMặtVớiĐặcTrưngHaarlikeKếtHợpThuậtToánRừngNgẫuNhiênNguyễn Thanh Hải, Trịnh Thị Tuyết Lan, Trần Bảo Toàn, Phan Kim Yến Nhi, Trần Thanh Điện, Nguyễn Thái Nghe Khoa Công nghệ Thông tin và Truyền thông, Đại học CầnThơ, Cần Thơ, Việt NamTómtắt.Nghiên cứu nàytrình bày một cách tiếp cận trong việc phát hiện và nhận dạng khuôn mặt người để điểm danh sinh viên với dữ liệu đầu vào là ảnh chụp từ camera. Để giải quyết vấn đề này, cần giải quyết hai vấn đề chính là phát hiện khuôn mặt và điểm danh thông qua nhận diệnkhuôn mặt đồng thời kết nối với một hệ thống thông tin để cập nhật dữ liệu điểm danh, và kết xuất ra những báo cáo tổng hợp. Trong vấn đề đầu tiên cần giải quyết bốn bài toán là xác định khuôn mặt, rút trích đặc trưng, huấn luyện mô hình nhận dạng và nhận dạng khuôn mặt. Đối với vấn đề còn lại là điểm danh thông qua khuôn mặt. Phương pháp xuyên suốt được sử dụng trong nghiên cứu này để giải quyết các bài toán đặt ra là phương pháp sử dụng đặc trưng Haarlike kết hợp với các mô hình máy học thông dụng. Ngoài ra, để nâng cao hiệu quả trong việc xác định vị trí khuôn mặt nghiên cứu đã sử dụng thêm công cụ Integral Image giúp việc tính toán các giá trị đặc trưng Haarlike nhanh hơn.TừkhóaĐiểm danh camera khuôn mặt Haarlike Integral ImageAbstract.This work presents an approach in identifying and recognizing human faces aiming to identify students with input from camera images. To solve this problem, two key issues need to be solved face detection and attendance through using face recognition algorithms and connected to an information system to update attendance data, and output to generate consolidated reports. Face recognition issues include face identification, feature extraction, training model recognition and facial recognition. For the remaining issue is attendance through images of faces. The major part used in this study to solve the problems posed is the HaarlikeAdaboost method. In addition, to improve the efficiency in determining the location of research faces, Integral Image tool has been employed to help calculate Haarlike characteristic values faster. The study was conducted on the basis of photos taken by the human face to take attendance and then evaluated the effectiveness of the method used and proposed development directions for this study.KeywordsAttendance camera Face Haarlike Integral ImageGiớithiệuTrong xu thế của cuộc cách mạng công nghiệp đã kéo theo sự phát triển nhanh của các ngành khoa học và công nghệ. Trí tuệ nhân tạo AI là một lĩnh vực phát triển vượt bậc và tạo ra nhiều ứng dụng phục vụ cuộc sống con người. Trước kia, khi chúng ta muốn điểm danh hay nhận dạng một người nào đó ra hoặc vào ở các điểm công cộng như khoa, công ty, hay trường học chúng ta thường sử dụng các phương pháp thủ công như ghi sổ ra vào, bảo vệ quan sát và ghi nhận. Việc làm như vậy thường rất mất thời gian cho cả bảo vệ và người di chuyển ra vào, đôi khi còn có sơ sót khi số lượng người ra vào cùng lúc quá nhiều vượt quá khả năng ghi nhận của bảo vệ hay người gác trực, bên cạnh đó còn làm cảm giác khó chịu với nhiều người do có cảm giác bị hoài nghi hay khó dễ. Trong thời đại công nghệ thông tin hiện nay, mọi việc đều được xử lý đơn giản và tối ưu hóa thời gian thông qua việc ứng dụng công nghệ thông tin vào xử lý công việc này. KỶ YẾU HỘI THẢO KHOA HỌC QUỐC GIA CITA 2020 “CNTT VÀ ỨNG DỤNG TRONG CÁC LĨNH VỰC” Để tìm hiểu và đi sâu vào bài toán nhận dạng và điểm danh sinh viên đầu tiên cần làm rõ hai thuật ngữ “phát hiện khuôn mặt" và “nhận dạng khuôn mặt". Phát hiện khuôn mặt được định nghĩa trong bài toán là một thuật ngữ liên quan đến thị giác máy tính vàxử lý ảnh nó bao gồm việc nhận biết đối tượng là khuôn mặt xuất hiện trong nguồn ảnh hay video bằng phương pháp máy học. Bên cạnh đó, nhận dạng khuôn mặt được định nghĩa tương đối khác so với việc phát hiện. Nó có chức năng xác minh, định danh một khuôn mặt là một đối tượng cụ thể bằng cách so sánh sự khớp nhau của các điểm khuôn mặt của sinh viên từ cơ sở dữ liệu hiện có. Nhận dạng khuôn mặt được xem là lĩnh việc nghiên cứu của ngành thị giác máy tính và cũng là một lĩnh vực nghiên cứu về sinh trắc học ở người.Trong nghiên cứu này, đóng góp của chúng tôi bao gồmNâng cao “tính thời gian thực" của luồng ghi danh và luồng nhận dạng của hệ thống bằngcamera. Đảm bảo tính linh hoạt có thể đảm nhận xử lý được luồng dữ liệu lớn và xử lý các luồngdữ liệu từ camera một cách mượt mà đồng thời vẫn đảm bảo tốc độ và dễ sử dụng.Tích hợp hệ thống nhận dạng điểm danh vào hệ thống thông tin cho các thao tác cập nhật, báocáo.Chúng tôi đã thực nghiệm với các phương pháp nhận dạng kết hợp đặc trưng Haarlike với cácmô hình máy học như Random Forest, Gradient Boosting, và kNearest Neighbor để nhận dạngkhuôn mặt. Kết quả của các kết hợp này được trình bày và so sánh trong nội dung nghiên phần còn lại trong nội dung bài báo này, chúng tôi trình bày hiện trạng hệ thống điểm dang bằng nhận diện khuôn mặt ở Phần 2. Các phương phép được xem xét để thử nghiệm sẽ được giới thiệu trong Phần 3. Phần 4 mô tả dữ liệu sử dụng và kết quả thực nghiệm được trình bày trong Phần 5. Cuối cùng, chúng tôi đưa ra một vài nhận xét và hướng phát triển trong Phần 6.HiệntrạnghệthốngđiểmdanhbằngnhậndạngkhuônmặtHiện nay, việc điểm danh sinh viên vẫn sử dụng biện pháp thủ công chưa được tự động hóa ở nhiều trường học, gây mất nhiều thời gian, công sức đôi khi xảy ra tìnhtrạng điểm danh hộ và đi học trễ, hoặc trốn học. Từ đó, xảy ra nhiều bất cập, gây khó khăn trong việc quản lý. Để giảm thiểu trình trạng trên, trong nghiên cứu này chúng tôi sẽ trình bay phương pháp xây dựng một hệ thống điểm danh sinh viên thông qua nhậndạng khuôn mặt.Việc điểm danh bằng nhận diện khuôn mặt với các phương pháp máy học đã được công bố ở một số công trình. Trong nghiên cứu [1], các tác giả đã đề xuất framework dựa trên CNNs xếp tầng đa tác vụ để cải thiện hiệu suất phát hiện và căn chỉnh khuôn mặt. Phương pháp được đề xuất luôn có kết quả tốt hơn trên điểm chuẩn FDDB, WIDER FACE để nhận diện khuôn mặt và điểm chuẩn AFLW để căn chỉnh khuôn OPPM được đề xuất trong việc chuyển đổi các pixel từ phía không chiếu sáng sang phía được chiếu sáng với mục đích xử lý hạn chế phát sinh sau bước tiền xử lý của chuẩn hóa chiếu sáng được đề cập trong [2].Nghiên cứu trong[3]. sử dụng phương pháp hồi quy ROC để làm giảm sai số bình phương trung bình ứng dụng trong nhận diện khuôn mặt. Các nhà khoa học đã tranh luận và áp dụng trí tuệ nhân tạo AI, các thuật toán hiện đại để giải bài toán về nhận diện khuôn mặt, một số nghiên cứu đã được trình bài trong [4] [5] [6]. Nhóm tác giả trong [7] đã đề xuất phương pháp tìm nguồn cung ứng từ đám đông bằng cách tính trung bình dựa trên danh tính để lấy được phán đoán của các chuyên gia giám định pháp y. Phương pháp này đạt hiệu suất cao và có tiềm năng cải thiện độ chính xác nhận diện khuôn mặt đầy hứa hẹn.Trong nghiên cứu [8] trình bày sự phát triển của hệ thống điểm danh sinh viên sử dụng bằng cách sử dụng các mẫu nhận dạng khuôn mặt với đặc trưng Haarlike. Phương pháp này có thể khắc phục một số vấn đề của hệ thống thủ công và cung cấp các giải pháp như hạn chế sự chậm trễ cho giảng viên và sinh viên, cũng như giảm thiểu khả năng gian lận trong hệ thống chấm công. Nghiên cứu [9] cũng sử dụng đặc trưng Haarlike cùng với mô hình Adaboost cho việc nhận dạng khuông mặt bằng việc phân vùng da, hoạt động hình thái để trích xuất các vùng ranh giới. Nhóm tác giả chi ra rằng phương pháp đề xuất này liên tục tìm kiếm mẫu của nó từ khuôn mặt cụ thể và có những ưu điểm tốt hơn so với các kỹ thuật khác. Nhóm trong [10] đã triển khai các thuật toán nhận dạng khuôn mặt khác nhau LBPH, Eigenface và Fisherface. Nguyễn Thanh Hải, Trịnh Thị Tuyết Lan, Trần Bảo Toàn, Phan Kim Yến Nhi, Trần Thanh Điện, and Nguyễn Thái Nghe Pháthiệnvànhậndạngkhuônmặt viết tắt HA của hai tác giả Paul Viola và Michael là phương pháp xác định mặt người dựa theo hướng tiếp cận trên diện mạo. Cụ thể hơn, hệ thống nhận dạng khuôn mặt sẽ được học các mẫu của khuôn mặt từ một tập ảnh mẫu. Sau khi quá trình học training thực hiện xong, hệ thống sẽ rút ra được những tham số để phục vụ cho quá trình nhận dạng. Vì vậy tiếp cận trên diện mạo còn được biết đến với tên gọi tiếp cận theo phươngpháp học máy. Về tổng quan, phương pháp HA được xây dựng dựa trên sự kết hợp, lắp ghép của 2 thành phần, đó làCác đặc trưng Haarlike các đặc trưng được đặt vào các vùng ảnh để tính toán các giá trị của đặctrưng, từ những giá trị đặc trưng này đưa vàocác mô hình máy học để phân loại khuôn mặt trênảnh.Ảnh tích hợp Integral Image là một công cụ giúp việc tính toán các giá trị đặc trưng Haarlikedễ dàng ra, phương pháp HA thực hiện trên ảnh xám gray image. Mỗi điểm ảnh pixel sẽ có giátrị mức xám từ 0 đến 255 không gian màu 8 bit. Như vậy phương pháp HA sẽ không khai thác những đặc điểm về màu sắc khuôn mặt để nhận dạng song vẫn rất hiệu quả. Ảnh màu sẽ được chuyển về ảnh xám để nhận dạng, việc chuyển đổi này khá đơn giản, thực hiện bằng một hàm chuyển đổi và sử dụng chỉ với một câu lệnh trong OpenCV nên báo cáo chưa đề cập tới. Sau khi chuyển thành ảnh xám, ảnh lại tiếp tục được chuyển thành ảnh tích hợp và trong bước đầu tiên của quá trình nhận dạng, các đặc trưng Haarlike sẽ làm việc trực tiếp trên ảnh tích hợp.Hình1.Biểu đồ so sánh hiệu năng giữa các mô hình Random Forest, Gradient Boosting, k. đặc trưng Haarlike là một miền hình chữ nhật được chia thành 2, 3 hoặc4 hình chữ nhật nhỏ phân biệt quy ước bằng màu trắng và đen. Để phát hiện khuôn mặt, hệ thống sẽ cho một cửa sổ con subwindow có kích thước cố định quét lên toàn bộ ảnh đầu vào. Như vậy sẽ có rất nhiều ảnh con ứng với từng cửa sổ con, các đặc trưng Haarlike sẽ được đặc lên các cửa sổ con này để từ đó tính ra giá trị của đặc trưng. Sau đó các giá trị này được bộ phân loại xác nhận xem khung hình đó có phải khuôn mặt hay không. Ứng với mỗi một đặc trưng, một bộ phân lớp yếu weak classifier đượcđịnh nghĩa theo Công thức 1.nếu θ1nếu θ KỶ YẾU HỘI THẢO KHOA HỌC QUỐC GIA CITA 2020 “CNTT VÀ ỨNG DỤNG TRONG CÁC LĨNH VỰC” Trong đóx là cửa sổ con cần xétθk là ngưỡngfk là giá trị đặc trưng của Haarlikepk là hệ số quyết định chiều của bất phương tích hợp được đưa ra nhằm tính toán nhanh chóng các đặc trưng, giảm thời gian xử lý và được tính toán theo công thức 2. = 00 20≤0≤Giá trị của ảnh tích hợp tại vị trí x,y là tổng các điểm ảnh thuộc hình chữ nhật xác định bởi góc trái trên là 0,0 và góc phải dưới x,y. Sau khi chuyển ảnh cần nhận dạng thành ảnh tích hợp, việc tính toán giá trị các đặc trưng Haarlike sẽ rất đơn giản. toán Rừng ngẫu nhiên Random Forests RF là một trong giải thuật rất mạnh có độ hiệu quả rất cao cho các bài toán phân lớp và hồi quy. Phương pháp này xây dựng một tập hợp rất nhiều Decision Tree và sử dụng phương pháp phiếu bầu để đưa ra quyết định cuối cùng. Trong nghiên cứu này, chúng tôi đã áp dụng mô hình Random Forest với số lượng 500 cây, trong đó, độ cao tối đa của mỗi cây là 4. Chúng tôi đánh giá chất lượng của cây bằng chỉ số Gini. Chỉ số Gini là thước đo tần suất lựa chọn các phần tử một cách ngẫu nhiên từ tập hợp được đánh nhãn không chính xác dựa trên sự phân bố của các nhãn trong tập hợp con.Hình2.Giao diện điểm danh sinh viên thành công sinh viên có mặt trong lớp. Nguyễn Thanh Hải, Trịnh Thị Tuyết Lan, Trần Bảo Toàn, Phan Kim Yến Nhi, Trần Thanh Điện, and Nguyễn Thái Nghe Hình3.Giao diện nhận dạng sinh viên khác và báo không tìm thấy sinh viên trong lớp do sinh viên không đăng ký lớp này thông báo màu xanh lá. Boosting là một kỹ thuật máy học, ý tưởng là tạo ra một mô hình dự đoán dưới dạng một tập hợp các mô hình dự đoán yếu. Nó xây dựng mô hình theo giai đoạn khôn ngoan như các phương pháp thúc đẩy khác và nó tổng quát hóachúng bằng cách cho phép tối ưu hóa một hàm mất mát có thể phân biệt tùy ý. Neighbor là phương pháp học không giám sát, dựa trên giả định các điểm nằm gần nhau sẽ cótính chất tương tự nhau để tìm k điểm gần nhất bằng việc tính khoảng cách. Nghiên cứu của chúng tôi sửdụng công thức tính khoảng cách Euclid để tính khoảng cách giữa các điểm với giá trị k là 5. Giả sử p =p1, p2,..., pn và q = q1, q2,..., qn là 2 điểm trong không gian n chiều, ta có công thức Euclid như sau4MôtảdữliệuChúng tôi sử dụng bộ dữ liệu khuôn mặt và những hình ảnh không phải khuôn mặt của sinh viên đang khảo sát để tiến hành nhận dạng trong nghiên cứu này. Bảng 1 trình bày về số lượng hình ảnh được sử dụng. Với việc phân chia dữ liệu theo 5foldcrossvalidation xác thực chéo, ta sẽ có 80% số ảnh cho huấn luyện và 20% còn lại cho việc kiểm tra đánh giá mô hình.Bảng1.Mô tả dữ liệu khuôn mặt và không phải khuôn mặt.Tập dữ liệulượnghình khuôn phải khuôn mặtTập huấn luyện20270Tập kiểm thử5118Tổng cộng253885Kếtquảthựcnghiệm nghiên cứu này, chúng tôi đánh giá hiệu năng của các mô hình máy học dựa trên độ chính xác Accuracy, khu vực dưới đường cong AUC, và hệ số tương quan Matthews MCC. Trong đó, Accuracy và MCC được tính bằng Công thức 4 và 5.45 KỶ YẾU HỘI THẢO KHOA HỌC QUỐC GIA CITA 2020 “CNTT VÀ ỨNG DỤNG TRONG CÁC LĨNH VỰC” Trong đó,TP số lượng phần tử của lớp positive được phân loại đúng là positive.TN số lượng phần tử của lớp negative được phân loại đúng là negative.FP số lượng phần tử của lớp negative bị phân loại sai thành positive.FN số lượng phần tử của lớp positivebị phân loại sai thành hình Quan niệm dữ liệu Conceptual Data Model CDM để quản lý dữ liệu điểm danh sinh viên. tôi đánh giá hiệu năng của phương pháp đề xuất với những mô hình máy học với độ chính xác trung bình trên 5crossvalidation. Bảng 2 trình bày chi tiết về độ chính xác Accuracy, diện tích dưới đường cong AUC, và hệ số tương quan Matthews MCC. Mô hình Random Forest đạt được hiệu năng vượt trội với độ chính xác đạt được là 0997, AUC đạt được 0999, và MCC đạt được 0992. Đây là hiệu năng tốt nhất trong các mô hình máy học được xem sét sử dụng trong nghiên cứu này. Ngoài ra, mô hình Gradient Boosting cũng có một hiệu năng tốt với Accuracy đạt được 0988, AUC có giá trị là 0999, và MCC là 097. Chúng tôi cũng tiến hành thực nghiệm với mô hình kNN, tuy nhiên, hiệu năng với mô hình kNN không cao bằng khi so với mô hình Random Forest và Gradient Boosting. Cụ thể, mô hình kđạt được Accuracy là 0767, AUC là0559 và MCC đạt được 0016. Nguyễn Thanh Hải, Trịnh Thị Tuyết Lan, Trần Bảo Toàn, Phan Kim Yến Nhi, Trần Thanh Điện, and Nguyễn Thái Nghe Hình5.Mô tả kiến trúc của hệ thống nhận dạng khuôn mặt.Ngoài ra, giao diện điểm danh thành công và không thành công được hiển thị trong Hình 2 và Hình 3. Thêm nữa, sơ đồ CDM của hệ thống điểm danh sinh viên cũng được mô tả trong Hình 4. Sơ đồ CDM là mô hình dữ liệu mức tóm tắt thường được sử dụng nhất trong các hệ thống phần mềm. Do tính chất trừu tượng cao của nó, nó có thể được gọi làmột mô hình khái niệm. Chúng tôi cũng mô tả kiến trúc của hệ thống trong Hình 5. Kiến trúc hệ thống gồm hai phần chính, Ghi danh và Điểm danh. Đối với Ghi danh và Điểm danh, phần thu ảnh và tiền xử lý được thực hiện giống nhau. Ảnh sau khi được xử lý ở khâu Ghi danh sẽ được trích xuất đặc trưng và dùng để huấn luyện mô hình cho việc Điểm danh. Bên cạnh đó, ảnh thu được ở khâu Điểm danh sẽ được sử dụng để nhận dạng sinh viên trong ảnh và lưu trữ kết quả điểm danh.Bảng2.Thống kê kết quả thử nghiệm. Các giá trị của các độ đo tính trung bình trên 5 lần chạy.Thứ tựMô hìnhAccuracyAUCMCC1Random tôi đã xây dựng một hệ thống điểm danh sinh viên bao gồm việc phát hiện và nhận dạng khuôn mặt theo thời gian thực với độ chính xác tương đối cao. Hiệu năng hệ thống tương đối tốt với thời gian phát hiện nhanh đối với các ảnh mặt chụp thẳng, chất lượng ảnh tốt. Hệ thống này có thể giúp giảng viên theo dõi chuyên cần và tạo điêu kiện để giảng viên nhớ mặt sinh viên, ngoài ra có thể tra cứu thông tin, cập nhật sai sót, xuất file điểm danh. Bên cạnh đó, vẫn còn một số hạn chế. Cụ thể là đối với những người mang kính hoặc nền phía sau có nhiều chi tiết còn phát hiện chưa chính xác, đối với gương mặt quay nghiêng nhiều hoặc độ sáng yếu thì chương trình không phát hiện được. Những nghiên cứu tương lai có thể cài đặt các mô hình học sâu để cải thiện độ chính xác. KỶ YẾU HỘI THẢO KHOA HỌC QUỐC GIA CITA 2020 “CNTT VÀ ỨNG DỤNG TRONG CÁC LĨNH VỰC” Tàiliệuthamkhảo1. K. Zhang et al. “Joint Face Detectionand Alignment Using Multitask Cascaded Convolutional Networks," inIEEE Signal Processing Letters, vol. 23, no. 10, pp. 14991503, Oct. 2016, doi J. H. Shah et al. “Robust Face Recognition Technique under Varying Illumination," in Journal of AppliedResearch and Technology, vol. 13, issue 1, pp. 97105, Feb. Xiaochen Zhu et al. “OrderConstrained ROC Regression With Application to Facial Recognition" inTechnometrics", 2020. doi Phillips, and Przybocki, 2020. "Four Principles of Explainable AI as Applied to Biometrics andFacial Forensic Algorithms" ArXiv, abs/ PJ Phillips, AJ O’toole, "The great debate study proves whether people or algorithms are best at facial ID" inBiometric Technology Today, vol. 2018, issue 9, pp. 58, 2018. doi Andrew W. Young, A. Mike Burton, "Insights from computational models of face recognition A reply toBlauch, Behrmann and Plaut" in Cognition, ISSN 00100277. 2020, doi Phillips, P. J. et al, “Face recognition accuracy of forensic examiners, superrecognizers, and face recognitionalgorithms.” in Proceedings of the National Academy of Sciences of USA115. 2018, ISSN 6171 6176. doi E. Indra et al., "Design and Implementation of Student Attendance System Based on Face Recognition by HaarLike Features Methods," 2020 3rd International Conference on Mechanical, Electronics, Computer, andIndustrial Technology MECnIT, Medan, Indonesia, 2020, pp. 336342, doi M. Sahu and R. Dash, "Study on Face Recognition Techniques," 2020 International Conference onCommunication and Signal Processing ICCSP, Chennai, India, 2020, pp.06130616, doi A. M. Jagtap, V. Kangale, K. Unune and P. Gosavi, “A Study of LBPH, Eigenface, Fisherface and Haarlikefeatures for Face recognition using OpenCV," 2019 International Conference on Intelligent Sustainable SystemsICISS, Palladam, Tamilnadu, India, 2019, pp. 219224, doi Lienhart, R. and Maydt, J. 2002 An Extended Set of HaarLike Features for Rapid Object Detection. 2002International Conference on Image Processing, Vol. 1,2225/09/2002, ResearchGate has not been able to resolve any citations for this This study measures face identification accuracy for an international group of professional forensic facial examiners working under circumstances that apply in real world casework. Examiners and other human face “specialists,” including forensically trained facial reviewers and untrained superrecognizers, were more accurate than the control groups on a challenging test of face identification. Therefore, specialists are the best available human solution to the problem of face identification. We present data comparing state-of-the-art face recognition technology with the best human face identifiers. The best machine performed in the range of the best humans professional facial examiners. However, optimal face identification was achieved only when humans and machines worked in recognition is one of a complex biometrics in the field of pattern recognition due to the constraints imposed by variation in the appearance of facial images. These changes in appearance are affected by variation in illumination, expression or occlusions etc. Illumination can be considered a complex problem in both indoor and outdoor pattern matching. Literature studies have revealed that two problems of textural based illumination handling in face recognition seem to be very common. Firstly, textural values are changed during illumination normalization due to increase in the contrast that changes the original pixels of face. Secondly, it minimizes the distance between inter-classes which increases the false acceptance rates. This paper addresses these issues and proposes a robust algorithm that overcomes these limitations. The limitations are resolved through transforming pixels from non-illumination side to illuminated side. It has been revealed that proposed algorithm produced better results as compared to existing related W. YoungA. Mike BurtonWe agree with Blauch, Behrmann, and Plaut 2020 on a number of points, and are reassured that their data bear out our previous findings. We discuss differences in modelling style, and the usefulness of different types of model for supporting psychological understanding. We emphasise the role that within-person variability plays in recognising familiar faces and clarify the range over which it is idiosyncratic. The combination of image analysis with top-down support to cohere different images of the same person seems to be an important characteristic of successful receiver operating characteristic ROC curve is widely used to assess discriminative accuracy of two groups based on a continuous score. In a variety of applications, the distributions of such scores across the two groups exhibit a stochastic ordering. Specific examples include calibrated biomarkers in medical diagnostics or the output of matching algorithms in biometric recognition. Incorporating stochastic ordering as an additional constraint into estimation can improve statistical efficiency. In this article, we consider modeling of ROC curves using both the order constraint and covariates associated with each score given that the latter demographic characteristics of the underlying subjects often have a substantial impact on discriminative accuracy. The proposed method is based on the indirect ROC regression approach using a location-scale model, and quadratic optimization is used to implement the order constraint. The statistical properties of the proposed order-constrained least squares estimator are studied. Based on the theoretical results developed herein, we deduce that the proposed estimator can achieve substantial reductions in mean squared error relative to its unconstrained counterpart. Simulation studies corroborate the superior performance of the proposed approach. Its practical usefulness is demonstrated in an application to face recognition data from the “Good, Bad, and Ugly” face challenge, a domain in which accounting for covariates has hardly been studied. Supplementary materials for this article are available detection and alignment in unconstrained environment are challenging due to various poses, illuminations and occlusions. Recent studies show that deep learning approaches can achieve impressive performance on these two tasks. In this paper, we propose a deep cascaded multi-task framework which exploits the inherent correlation between them to boost up their performance. In particular, our framework adopts a cascaded structure with three stages of carefully designed deep convolutional networks that predict face and landmark location in a coarse-to-fine manner. In addition, in the learning process, we propose a new online hard sample mining strategy that can improve the performance automatically without manual sample selection. Our method achieves superior accuracy over the state-of-the-art techniques on the challenging FDDB and WIDER FACE benchmark for face detection, and AFLW benchmark for face alignment, while keeps real time Lienhart Jochen MaydtRecently Viola et al. [2001] have introduced a rapid object detection. scheme based on a boosted cascade of simple feature classifiers. In this paper we introduce a novel set of rotated Haar-like features. These novel features significantly enrich the simple features of Viola et al. and can also be calculated efficiently. With these new rotated features our sample face detector shows off on average a 10% lower false alarm rate at a given hit rate. We also present a novel post optimization procedure for a given boosted cascade improving on average the false alarm rate further by J PhillipsM A PrzybockiPhillips, and Przybocki, 2020. "Four Principles of Explainable AI as Applied to Biometrics and Facial Forensic Algorithms" ArXiv, abs/
BiFace là gì? BiFace là thiết bị chấm công, điểm danh nhận diện khuôn mặt Facial Recognition System được nghiên cứu và phát triển 100% bởi người Việt. BiFace giúp giải quyết các công việc Chấm công nhận diện khuôn mặt cho doanh danh học sinh, thông báo tới phụ hợp đóng mở hợp Ứng dụng di động cho nhân viên. Giới thiệu BiFace Tính năng nổi bật của BiFace Các dòng sản phẩm BiFace Triển khai thực tế Câu hỏi thường gặp Giá Trị Cho Doanh Nghiệp là những lợi ích tốt nhất cho việc quản lý của bạn Đây là máy chấm công hay phần mềm chấm công? Đây là máy chấm công khuôn mặt. BiFace là sản phẩm hoàn thiện chỉ cần cắm là chạy. Ngoài ra chúng tôi có giải pháp chấm công khuôn mặt sử dụng Camera IP sẵn có. BiFace có thể chấm công nhiều khuôn mặt? Đúng, hiện sản phẩm hỗ trợ chấm công nhiều khuôn mặt cùng lúc giúp giảm thời gian chấm công. Có bắt buộc phải có internet mới dùng được? Hiện có sản phẩm cloud thì bắt buộc phải có internet mới sử dụng được. Ngoài ra chúng tôi có bản PRO và bản On-Premise để đáp ứng nhu cầu của các doanh nghiệp. Chúng tôi đang dùng máy chấm công để mở cửa. Liệu BiFace có làm được? Hoàn toàn được nhé. BiFace có tích hợp chức năng mở cửa giống các dòng máy chấm công hiện tại khác.
điểm danh bằng khuôn mặt
