XÂY DỰNG HỆ THỐNG ĐIỂM DANH TẠI TRƢỜNG THPT BÌNH SƠN SỬ DỤNG PHƢƠNG PHÁP HỌC BÁN GIÁM SÁT LUẬN VĂN THẠC SĨ

Mục đích chính của đề tài là nghiên cứu sâu thuật toán Haar-like – Adaboost nhầm nâng cao kết quả nhận dạng khuôn mặt và đánh giá thái độ học tập của học sinh trong các lớp cụ thể.. Giới

ĐẠI HỌC ĐÀ NẴNG

TRƯỜNG ĐẠI HỌC BÁCH KHOA -

LẠI THỊ BẢO UYÊN

XÂY DỰNG HỆ THỐNG ĐIỂM DANH TẠI

TRƯỜNG THPT BÌNH SƠN

SỬ DỤNG PHƯƠNG PHÁP HỌC BÁN GIÁM SÁT

LUẬN VĂN THẠC SĨ KHOA HỌC MÁY TÍNH

Đà Nẵng - Năm 2018

ĐẠI HỌC ĐÀ NẴNG

TRƯỜNG ĐẠI HỌC BÁCH KHOA -

LẠI THỊ BẢO UYÊN

XÂY DỰNG HỆ THỐNG ĐIỂM DANH TẠI

LỜI CAM ĐOAN

Tôi xin cam đoan đây là công trình nghiên cứu của riêng tôi

- Những nội dung trong luận văn này là do tôi thực hiện dưới sự hướng dẫn trực tiếp của Thầy TS Phạm Minh Tuấn

- Các số liệu, kết quả nêu trong luận văn là trung thực

- Mọi tham khảo dùng trong luận văn đều được trích dẫn rõ ràng và trung thực tên tác giả, tên công trình, thời gian, địa điểm công bố

- Mọi sao chép không hợp lệ, vi phạm quy chế đào tạo, hay gian trá, tôi xin chịu hoàn toàn trách nhiệm

Tác giả luận văn

Lại Thị Bảo Uyên

LỜI CẢM ƠN

Trước tiên, tôi xin gởi lời cảm ơn chân thành sâu sắc nhất tới Thầy giáo TS Phạm Minh Tuấn, người Thầy đã tận tình hướng dẫn, động viên và giúp đỡ tôi trong suốt thời gian nghiên cứu và thực hiện luận văn này Đặc biệt, tôi chân thành cảm ơn

em Phạm Minh Thắng, Đỗ Phúc Hảo, Đoàn Công Danh và các em thuộc Công ty TNHH MTV Hippotech VietNam, địa chỉ: 236 Đống Đa, phường Thạch Thang, Quận Hải Châu, Tp Đà Nẵng đã luôn hổ trợ, chỉ dẫn, giúp đỡ tận tình, cũng như động viên tôi Sự gần gũi, thân thiện của các em cũng là động lực rất lớn trong suốt chặng đường làm luận văn thạc sĩ của tôi

Tôi xin gửi lời cảm ơn tới Ban giám hiệu Trường Đại Học Bách Khoa - Đà Nẵng, Ban giám hiệu Trường Đại Học Phạm Văn Đồng - Quảng Ngãi, Ban chủ nhiệm khoa Công nghệ thông tin, Phòng Đào tạo sau đại học của hai trường đã tạo điều kiện thuận lợi trong quá trình học tập, nghiên cứu và hoàn thành luận văn Tôi xin cảm ơn quí Thầy giáo, Cô giáo những người đã tận tình hướng dẫn và truyền đạt cho tôi những kiến thức quí báu trong những năm nghiên cứu và học tập Tôi xin gởi lời cảm ơn tới Ban giám hiệu, thầy cô giáo cùng các em học sinh trường THPT Bình Sơn – Quảng Ngãi đã giúp đỡ tạo mọi điều kiện tốt nhất để tôi hoàn thành luận văn

Và để có được kết quả như ngày hôm nay, tôi rất biết ơn Gia đình đã động viên, khích lệ, tạo mọi điều kiện thuận lợi nhất trong suốt quá trình nghiên cứu, học tập cũng như quá trình thực hiện đề tài luận văn tốt nghiệp này

Mặc dù có rất nhiều cố gắng, nhưng chắc chắn luận văn không tránh khỏi những thiếu sót nhất định Tôi rất mong nhận được ý kiến đóng góp quý báu của các Thầy Cô giáo và các bạn để luận văn ngày càng được hoàn thiện hơn

Một lần nữa tôi xin chân thành cám ơn!

Tác giả luận văn

Lại Thị Bảo Uyên

MỤC LỤC

MỞ ĐẦU 1

1 Lý do chọn đề tài 1

2 Mục đích nghiên cứu 1

3 Đối tượng và phạm vi nghiên cứu 2

4 Phương pháp nghiên cứu 2

5 Ý nghĩa khoa học và thực tiễn của đề tài 3

6 Bố cục của luận văn 3

CHƯƠNG 1 CƠ SỞ LÝ THUYẾT VỀ NHẬN DẠNG KHUÔN MẶT 5

1.1 Nhận dạng khuôn mặt 5

1.1.1 Khái niệm về nhận dạng khuôn mặt 5

1.1.2 Các bước xây dựng hệ thống nhận dạng khuôn mặt 5

1.1.3 Tổng quan về nhận dạng khuôn mặt 6

1.1.4 Tiền xử lý 7

1.1.5 Biểu cảm khuôn mặt người 8

1.2 Học máy 8

1.2.1 Khái niệm 8

1.2.2 Các phương pháp học máy 8

1.2.3 Các mô hình học máy 10

1.2.4 Ứng dụng học máy: 10

1.3 Tổng quan về xử lý ảnh 10

1.3.1 Mục đích của xử lý ảnh gồm 11

1.3.2 Các bước trong quá trình xử lý ảnh 11

1.3.3 Phạm vi ứng dụng của xử lý ảnh 13

1.3.4 Mức xám của ảnh và biểu diễn ảnh 13

1.4 Các phương pháp nhận dạng đối tượng 16

1.4.1 Phương pháp Principal Component Analysis (PCA) 16

1.4.2 Phương pháp Support Vector Machine (SVM) 17

1.4.3 Phương pháp K-láng giềng gần nhất 18

1.4.4 Phương pháp HOG 18

1.4.5 Phương pháp Linear Discriminant Analysis 19

1.5 Thách thức đối với hệ thống nhận dạng 20

1.6 Kết chương 20

CHƯƠNG 2 XÂY DỰNG HỆ THỐNG ĐIỂM DANH HỌC SINH SỬ DỤNG PHƯƠNG PHÁP HỌC BÁN GIÁM SÁT 22

2.1 Xây dựng hệ thống 22

2.1.1 Giới thiệu bài toán 22

2.1.2 Tình trạng của các lớp học và các vấn đề 23

2.1.3 Thiết kế cơ sở dữ liệu 23

2.2 Mô hình tổng quát dữ liệu 25

2.3 Luồng hệ thống 26

2.4 Phát hiện đối tượng 28

2.4.1 Đặc trưng Haar-like 29

2.4.2 Đặc điểm của thuật toán Haar - Like 32

2.4.3 Số lượng đặc trưng Haar-like 33

2.4.4 Hình ảnh tích hợp 33

2.5 Phân loại yếu 36

2.6 Phân loại mạnh 37

2.7 AdaBoost 37

2.8 Mô hình phân tầng Cascade 40

2.9 Kết chương 41

CHƯƠNG 3 TRIỂN KHAI HỆ THỐNG VÀ ĐÁNH GIÁ KẾT QUẢ 42

3.1 Môi trường thực nghiệm 42

3.1.1 Dữ liệu sử dụng 42

3.1.2 Giao diện chương trình 42

3.1.3 Thực nghiệm với tập dữ liệu là khuôn mặt người 45

3.2 Tổng quan 48

3.2.1 Tình trạng của các lớp học và các vấn đề 48

3.2.2 Các giải pháp 48

3.3 Kết quả xây dựng hệ thống 49

3.3.1 Giới thiệu chương trình 49

3.3.2 Nhận dạng khuôn mặt của học sinh 50

3.3 Tìm kiếm, thống kê thông tin học sinh trong các lớp học 51

3.4 Đánh giá về kết quả 54

3.4.1 Về lý thuyết 54

3.4.2 Về cài đặt 55

3.4.3 Về thực nghiệm 55

KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 56

TÀI LIỆU THAM KHẢO 57 QUYẾT ĐỊNH GIAO ĐỀ TÀI LUẬN VĂN (bản sao)

TÓM TẮT LUẬN VĂN XÂY DỰNG HỆ THỐNG ĐIỂM DANH TẠI TRƯỜNG THPT BÌNH SƠN

SỬ DỤNG PHƯƠNG PHÁP HỌC BÁN GIÁM SÁT Lại Thị Bảo Uyên, học viên cao học khóa 33, chuyên ngành Khoa học máy tính

Mã số: 60480101 Khóa: 33 Trường Đại học Bách khoa – ĐHĐN

Tóm tắt – Mục đích của luận văn này là để phát triển hệ thống điểm danh học sinh tại

trường THPT Bình Sơn sử dụng phương pháp học bán giám sát Hệ thống giúp giáo viên dễ dàng kiểm soát học sinh có đi học đầy đủ hay không Chương trình nhận dạng khuôn mặt học sinh bằng một hệ thống camera Cụ thể hơn, camera sẽ đưa một số hình ảnh trong lớp học Sau

đó, chương trình áp dụng thuật toán Viola-Jones để phát hiện khuôn mặt trong ảnh Cuối cùng,

sử dụng phương pháp trích chọn đặc trưng, kỹ thuật phân tích như Principal Component

Analysis (PCA) để xác định khuôn mặt xuất hiện trong các bức ảnh

Sau mỗi buổi học, các giáo viên sẽ biết được số học sinh tham gia buổi học trên cơ sở

dữ liệu Camera sẽ ghi lại các học sinh trong lớp học trong suốt tiết học và lưu hình ảnh vào cơ

sở dữ liệu Sau đó hệ thống sẽ xác định danh tính của các học sinh xuất hiện trong các bức ảnh Chương trình sẽ lưu lại những học sinh có tham gia buổi học trong các lớp vào cơ sở dữ liệu Cuối cùng, giáo viên có thể kiểm tra danh sách các học sinh có đi học hay không

Luận văn này sẽ tập trung trình bày các thuật toán viola - jones, kỹ thuật phân tích PCA

để xác định khuôn mặt Phần cuối cùng của luận văn là phân tích của các học sinh tham gia vào

hệ thống lớp học và đưa ra kết quả cuối cùng là có tham gia trong các buổi học hay không

Từ khóa – Hệ thống nhận dạng, nhận dạng khuôn mặt, trích chọn đặc trưng, giao tiếp

người - máy, cử chỉ khuôn mặt

USING HALF SUPERVISING METHODS TO BUILD A BUDDHIST SYSTEM

AT BINH SON HIGH SCHOOL

Lai Thi Bao Uyen, graduate student of course 33, majoring in Computer Science

Code: 60480101 Course: 33 The university of Technology – Da Nang university

Abstract - The purpose of this project is to develop programs that can manage the

attendance of students at Binh Son upper cecandary school by using University of Science and Technology It helps teachers to easily control the attendance of students The program identifies students portraits by a camera More specific, a camera takes some photos in class, then, the program applies Viola-Jones algorithm to detect faces in photos Finally, it uses Principal component analysis (PCA) techniques to identify the faces in the photos

After class, the teacher manages a number creates a study session on the database The camera will record the students in the classroom during the lesson and save the images to the database Then the program determines the identities of the students in the photo Finally, the program saves the students who are in class into the database After that, teacher can check the list of students

The report will focus on the presentation of viola-jones algorithms and PCA techniques The final part of the report is an analysis of the student who attend the system and the final conlession whether stundents attend the class or not

Key words - System recognition, facial recognition, feature selection, human - machine

interaction, face recognition

DANH MỤC CÁC TỪ VIẾT TẮT

1 PCA Principal component analysis

2 PCR Principal component regression

3 CGA Conformal geometric algebra

DANH MỤC CÁC BẢNG

Số hiệu

DANH MỤC CÁC HÌNH

Số hiệu

1.1 Dữ liệu đưa ra kết quả để nhận dạng khuôn mặt 6

1.3 Quan hệ trong vùng lân cận giữa các điểm ảnh 16 1.4 Ảnh sau khi tính gradient và chia thành các cell 19

2.4 Dữ liệu hình ành đầu vào và kết quả ra 27

2.6 Quan hệ giữa các khu vực khác nhau trên khuôn mặt 29

2.8 Các đặc trưng mở rộng của các đặc trưng Haar-like cơ sở 30

2.19 Tính giá trị tất cả điểm ảnh vùng D 35 2.20 Xác định khuôn mặt dựa trên phân loại yếu 36

2.25 Mô hình cascade cho nhận dạng đối tượng 40

3.9 Dữ liệu hình ảnh là 2.236 hình ảnh khuôn mặt 46 3.10 Dữ liệu hình ảnh là 5.260 hình ảnh không phải là khuôn mặt 47 3.11 Các hình ảnh khuôn mặt được Traning của một người bất kỳ 48

3.13: Thông tin học sinh sẽ xuất hiện trên hệ thống 51 3.14 Danh sách học sinh một số lớp học 51

3.20 Tỉ lệ nhận dạng sử dụng phương pháp PCA, dùng khoảng cách

3.21 Tỉ lệ nhận dạng sử dụng phương pháp PCA, dùng khoảng cách

MỞ ĐẦU

1 Lý do chọn đề tài

Với sự phát triển nhanh chóng của các loại máy móc hiện đại như máy ảnh số, máy quay phim kỹ thuật số, máy vi tính…thì lượng thông tin con người thu được dưới dạng hình ảnh là khá lớn Ngày nay các phương pháp xử lý ảnh đã mang lại những tiến

bộ vượt bậc như nhận dạng khuôn mặt, nhận dạng dấu vân tay, nhận dạng đối tượng khi nó kết hợp với lĩnh vực trí tuệ nhân tạo Các hệ thống xác định, nhận dạng con người được ra đời với độ tin cậy cao Một trong nhưng bài toàn nhận dạng con người được quan tâm nhất hiện nay đó là nhận dạng qua khuôn mặt Với một hệ thống máy, chúng ta có thể làm được rất nhiều việc, tiết kiệm thời gian, kinh phí và công sức Đặc biệt là công việc nhận dạng con người

Trong những thập kỷ qua, nền giáo dục Việt Nam có những bước phát triển, có những thành tựu đáng ghi nhận, góp phần quan trọng vào nâng cao dân trí, đào tạo nhân lực cho công cuộc xây dựng, bảo vệ và đổi mới đất nước Vì vậy, việc nghiên cứu và ứng dụng các kỹ thuật công nghệ thông tin trong giảng dạy và học tập đang là vấn đề rất bức thiết hiện nay Đã có rất nhiều mô hình giảng dạy và học tập cũng như các hình thức kiểm tra trực tuyến, các cuộc thi toán, tiếng anh, tin học…qua mạng trực tuyến được đưa ra nhằm tăng chất lượng giáo dục Tuy nhiên, công việc dạy học tại lớp vẫn là mô hình truyền thống là không thể thiếu Một trong những vấn đề cấp thiết được đưa ra là việc nắm bắt tình hình học tập của học sinh tại các lớp học ở trường trung học phổ thông

Hiện nay, tại các trường trung học phổ thông, trung bình một giáo viên đứng lớp trực tiếp giảng dạy có tổng các tiết học trong tuần với số lượng học sinh là gần năm trăm học sinh Công việc điểm danh cũng như kiểm tra nề nếp học sinh làm cho giáo viên rất vất vả và ảnh hưởng đến thời gian giảng dạy cũng như thời gian học tập của học sinh Chính vì vậy, một hệ thống tự động nhận dạng khuôn mặt và phân tích thái

độ học tập của học sinh là điều rất cần thiết

Bài toán phát hiện các đối tượng trong ảnh như gương mặt người, nụ cười…rất được quan tâm Các nhà sản xuất máy ảnh như Canon, Nikon, Samsung…cũng đã tích hợp các giải thuật nhận dạng vào các sản phẩm của mình để nhận dạng mặt người Thuật toán Haar-like – Adaboost của hai tác giả Paul Viola và Micheal J.Jones

là thuật toán xác định mặt người dựa theo hướng tiếp cận trên diện mạo

Vì những lý do như trên, tôi đề xuất chọn đề tài luận văn thạc sĩ:

“Xây dựng hệ thống điểm danh tại trường THPT Bình Sơn sử dụng phương pháp học bán giám sát”

2 Mục đích nghiên cứu

Hỗ trợ giáo viên đánh giá học sinh và nâng cao chất lượng dạy học: Tự động hóa việc điểm danh học sinh trong các lớp học Tự động đánh giá thái độ học tập của học sinh, kiểm tra, điểm danh được học sinh vắng học, giáo viên thay đổi phương pháp giảng dạy hoặc nhắc nhở học sinh trong học tập

Mục đích chính của đề tài là nghiên cứu sâu thuật toán Haar-like – Adaboost nhầm nâng cao kết quả nhận dạng khuôn mặt và đánh giá thái độ học tập của học sinh trong các lớp cụ thể Để thỏa mãn mục đích này thì đề tài luận văn của tôi sẽ làm rõ những chi tiết cụ thể sau:

- Sử dụng các thuật toán của Viola – Jones trong nhận dạng đối tượng

- Xây dựng hệ thống phục vụ điểm danh của học sinh

- Nghiên cứu thuật toán Haar-like – Adaboost

- Thu thập dữ liệu, khảo sát nhu cầu, hiện trạng lắp đặt hệ thống giám sát tại trường học

- Phân tích, thiết kế hệ thống

- Ước lượng phân bổ dữ liệu

- Xây dựng chương trình, cài đặt, kiểm thử và đánh giá

3 Đối tượng và phạm vi nghiên cứu

Đối tượng nghiên cứu

Trong khuôn khổ của luận văn thuộc loại nghiên cứu và xây dựng ứng dụng, đối tượng nghiên cứu trong luận văn lien quan đến các vấn đề sau:

- Các vấn đề liên quan đến thuật toán nhận dạng khuôn mặt, thuật toán Haar-like – Adaboost

- Qui trình xây dựng các thuật toán

- Công cụ, ngôn ngữ và công nghệ liên quan đến thuật toán nhận dạng khuôn mặt

- Một số ứng dụng có sẵn của thuật toán nhận dạng khuôn mặt

- Nghiên cứu những mô đun liên quan đã có sẵn để tiếp thu và phát triển ý tưởng mới

Phạm vi nghiên cứu

- Nghiên cứu kỹ thuật xử lý ảnh và nhận dạng đối tượng

- Nghiên cứu các phương pháp phát hiện khuôn mặt, nhận dạng cử chỉ nụ cười, khuôn mặt nghiêng, khuôn mặt nhìn lên, xuống ở các góc xoay khác nhau

- Nhận dạng khuôn mặt học sinh các khối lớp 10, 11, 12 tại trường THPT Bình Sơn – Quảng Ngãi

4 Phương pháp nghiên cứu

Phương pháp lý thuyết

- Cơ sở lý thuyết về các kỹ thuật xử lý ảnh

- Nghiên cứu các kỹ thuật biến đổi không gian

- Tổng quan về thuật toán Haar-like – Adaboost

- Xây dựng các ước lượng phân bổ dữ liệu

- Nghiên cứu về phương pháp trích chọn đặc trưng hình học

Phương pháp thực nghiệm

- Xây dựng hệ thống chương trình demo trên Java dựa trên giải pháp đề xuất

- Xây dựng phương pháp tiền xử lý dữ liệu ảnh

- Thực nghiệm trên dữ liệu đầu vào là hình ảnh đó có phải là khuôn mặt hay

không bằng thuật toán Haar-like – Adaboost của hai tác giả Paul Viola và Micheal J.Jones

- Kiểm tra, thử nghiệm, nhận xét và đánh giá kết quả

5 Ý nghĩa khoa học và thực tiễn của đề tài

Ý nghĩa thực tiễn

- Đề xuất giải pháp góp phần tăng hiệu quả việc quản lý đào tạo học sinh, nhằm nâng cao chất lượng học sinh trong trường trung học phổ thông, đồng thời hỗ trợ giáo viên trong công tác quản lý học sinh tại trường

- Triển khai hệ thống điểm danh bán dám sát tại trường trung học phổ thông Bình Sơn – tỉnh Quảng Ngãi

6 Bố cục của luận văn

Cấu trúc của luận văn được trình bày bao gồm các phần chính sau:

MỞ ĐẦU: Giới thiệu sơ bộ về lý do chọn đề tài, mục đích nghiên cứu, đối

tượng và phạm vi nghiên cứu, phương pháp nghiên cứu, ý nghĩa khoa học và thực tiễn của đề tài

CHƯƠNG 1: CƠ SỞ LÝ THUYẾT VỀ NHẬN DẠNG KHUÔN MẶT

Giới thiệu hệ thống nhận dạng mặt người, học máy và các phương pháp thường dùng, các vấn đề đối mặt với hệ thống nhận dạng, đồng thời nên ra các kỹ thuật toán bản về trích xuất đặc trưng của dữ liệu

CHƯƠNG 2: XÂY DỰNG HỆ THỐNG ĐIỂM DANH HỌC SINH SỬ DỤNG PHƯƠNG PHÁP HỌC BÁN GIÁM SÁT

Giới thiệu một số kỹ thuật trích chọn đặc trưng và nhận dạng khuôn mặt người, mỗi phương pháp đều có các ưu điểm và hạn chế riêng, việc áp dụng phương pháp nào còn tùy thuộc vào từng bài toán cụ thể Tổng quan về thuật toán Haar-like – Adaboost, thuật toán của hai tác giả Paul Viola và Micheal J.Jones nhằm tăng hiệu quả cho các bài toán nhận dạng, phân lớp dữ liệu Đồng thời, ở chương này tác giả luận văn sẽ nêu

rõ quá trình xây dựng hệ thống

CHƯƠNG 3: TRIỂN KHAI HỆ THỐNG VÀ ĐÁNH GIÁ KẾT QUẢ

Trình bày về hệ thống nhận dạng khuôn mặt học sinh hổ trợ cho giáo viên trong quá trình điểm danh và đánh giá thái độ của học sinh Ở chương này, tác giả luận văn xây dựng quá trình thực nghiệm và đánh giá kết quả

CHƯƠNG 1

CƠ SỞ LÝ THUYẾT VỀ NHẬN DẠNG KHUÔN MẶT

Chương này giới thiệu hệ thống nhận dạng khuôn mặt người, học máy và các phương pháp thường dùng, các vấn đề đối mặt với hệ thống nhận dạng, đồng thời nên

ra các kỹ thuật toán bản về trích xuất đặc trưng của dữ liệu

1.1 Nhận dạng khuôn mặt

1.1.1 Khái niệm về nhận dạng khuôn mặt

Nhận dạng khuôn mặt (Face recognition) là một chủ đề nghiên cứu thuộc lĩnh vực thị giác máy tính (Computer Vision) đã được phát triển từ đầu những năm 90 của thế kỷ trước [1]

Cho tới hiện nay, đây vẫn là một chủ đề nghiên cứu mở nhận được sự quan tâm của nhiều nhà nghiên cứu từ nhiều lĩnh vực nghiên cứu khác nhau như nhận dạng mẫu (Pattern Recognition), học máy (Machine Learning), thống kê (Statistics), sinh trắc học (Biometrics) Bên cạnh đó, so với các hệ thống nhận dạng dựa trên các đặc điểm sinh trắc học khác của con người như nhận dạng mống mắt và vân tay (fingerprint and iris recoginitions), dáng đi (gait recognition), nhận dạng khuôn mặt có nhiều ưu điểm

Một hệ thống nhận dạng mặt không đòi hỏi có sự tương tác trực tiếp giữa đối tượng được nhận dạng và hệ thống

- Việc thu nhận dữ liệu (ảnh khuôn mặt) cho quá trình nhận dạng một con người

dễ thực hiện hơn so với thu nhận các đặc đặc điểm sinh trắc học khác (như thu nhận dấu vân tay và mống mắt)

- Dữ liệu về mặt người phổ biến hơn so với các đặc trưng khác do sự bùng nổ các mạng xã hội (facebook, twitter…), các dịch vụ chia sẻ dữ liệu đa phương tiện và

sự phát triển mạnh mẽ của các thiết bị thu nhận hình ảnh

- Từ ảnh khuôn mặt của một người ta có thể khai thác nhiều thông tin liên quan như là mã số học sinh, tên học sinh, học sinh đó học lớp nào, giới tính…

1.1.2 Các bước xây dựng hệ thống nhận dạng khuôn mặt

Xây dựng một hệ thống nhận dạng khuôn mặt trong thực tế được mô tả qua những bước sau đây:

Bước 1: Thực hiện việc phát hiện khuôn mặt trong dữ liệu đầu vào (Cơ sở dữ

liệu ảnh, video) và cắt lấy phần ảnh mặt để thực hiện nhận dạng (face cropping)

Bước 2: Tiền xử lý ảnh (preprocessing) bao gồm các bước sau:

- Căn chỉnh ảnh (face image alignment)

- Chuẩn hóa ánh sáng (illumination normalization)

- Trích chọn đặc trưng ảnh (feature extraction) để xây dựng một vector đặc

trưng thể hiện cho ảnh cần nhận dạng

Bước 3: Nhận dạng (recognition) hoặc phân lớp (classification)

- Thường sử dụng các phương pháp học máy

- Dữ liệu sẽ được chia thành 2 tập (tập huấn luyện – tranning và tập để kiểm nghiệm – testing)

Mục đích của việc huấn luyện: giảm số chiều của các vector đặc trưng vì các vector này thường có độ dài khá lớn nên nếu để nguyên thì việc tính toán sẽ rất lâu và phức tạp, thứ hai là làm tăng tính phân biệt (discriminative) giữa các ảnh khác lớp Ở đây cần lưu ý là mỗi ảnh là một vector nên có thể dùng khái niệm hàm khoảng cách giữa hai vector để đo sự khác biệt giữa các ảnh

1.1.3 Tổng quan về nhận dạng khuôn mặt

Có rất nhiều phương pháp để giải quyết vấn đề xác định khuôn mặt của con người trên hình ảnh dựa trên phương pháp tiếp cận khác nhau Giống như Haar-like - Adaboost phương pháp được đề xuất bởi hai nhà khoa học Paul Viola và Michael Jones là phương pháp xác định khuôn mặt con người dựa trên phương pháp tiếp cận trên khuôn mặt

Hình 1.1: Dữ liệu đưa ra kết quả để nhận dạng khuôn mặt

Cách tiếp cận trên khuôn mặt có nghĩa là phải đối mặt công nhận hệ thống sẽ tìm hiểu các mô hình của khuôn mặt từ một hình ảnh mẫu Sau khi quá trình đào tạo được thực hiện, hệ thống sẽ có thông số để sử dụng cho quá trình phát hiện khuôn mặt

Vì vậy, một cách tiếp cận trên khuôn mặt cũng được gọi là một máy học phương pháp tiếp cận Phần này sẽ tập trung vào quá trình phát hiện và quá trình đào tạo

Ảnh

24 × 24

Thuật toán Viola - Jones

+ 1

Là khuôn mặt

-1 Không phải là khuôn mặt

Trong các tổng quan, phương pháp Haar-like - Adaboost dựa trên sự kết hợp của bốn thành phần:

- Các tính năng của phương pháp Haar - like:

o Các tính năng được đặt tại các khu vực trong ảnh dùng để tính toán giá trị của các tính năng

o Bằng cách đi qua các giá trị tính năng, sẽ xác định xem các hình ảnh đó có phải là một khuôn mặt hay không

- Phân tích hình ảnh:

o Đây là một công cụ tính toán các giá trị nhanh hơn dựa vào phương pháp Haar - like

- Tính thích nghi (Adaboost):

o Nó được sử dụng để kết hợp nhiều phân loại yếu thành một phân loại mạnh

để cải thiện hiệu suất của các quá trình phát hiện khuôn mặt

- Phân loại:

o Là một phân loại với nhiều lớp Mỗi phân lớp là một phân loại mạnh

o Tăng tốc quá trình phân loại

Do đó vấn đề xác định khuôn mặt người trong hình ảnh cũng là vấn đề phân loại các hình ảnh đưa vào có phải là khuôn mặt hay không phải khuôn mặt

1.1.4 Tiền xử lý

Phương pháp Haar-like - Adaboost phương pháp thực hiện trên hình ảnh màu xám Mỗi điểm ảnh sẽ có một giá trị màu xám của 0-255 Vì vậy, phương pháp này sẽ không khai thác các đặc tính của màu sắc mặt phát hiện Việc chuyển đổi này là khá đơn giản Giá trị màu xám điểm ảnh là giá trị trung bình của 3 kênh đỏ, xanh lá cây, xanh nước biển

Mã Java:

For (int y = 0; y < height; y ++){

For (int x = 0; x < width; x ++){

Int rgb = image.getRGB (x, y);

Int red = (rgb >> 16) & 0xff;

Int green = (rgb >> 8) & 0xff;

Int blue = rgb & 0xff;

Int pixel = (red + green + blue) / 3;

} }

1.1.5 Biểu cảm khuôn mặt người

Biểu cảm của con người có thể phân thành các loại cảm xúc như: hạnh phúc, ghê tởm, giận dữ, buồn và trung lập Trạng thái chuyển động của khuôn mặt đóng một vai trò quan trọng trong việc thể hiện những cảm xúc này để từ đó nhận dạng được khuôn mặt con người Các cơ mặt có thể thay đổi, và con người có thể nhận ra những tín hiệu ngay cả khi chúng được hiển thị một cách tinh tế, đồng thời xử lý thông tin có được bằng tai và mắt

1.2 Học máy

1.2.1 Khái niệm

Học máy [2] là một lĩnh vực của trí tuệ nhân tạo liên quan đến việc phát triển các kĩ thuật cho phép các máy tính có thể "học" Cụ thể hơn, học máy là một phương pháp để tạo ra các chương trình máy tính bằng việc phân tích các tập dữ liệu

Học máy có liên quan lớn đến thống kê, vì cả hai lĩnh vực đều nghiên cứu việc phân tích dữ liệu, nhưng khác với thống kê, học máy tập trung vào sự phức tạp của các giải thuật trong việc thực thi tính toán Nhiều bài toán suy luận được xếp vào loại bài toán khó, vì thế một phần của học máy là nghiên cứu sự phát triển các giải thuật suy luận xấp xỉ mà có thể xử lý được

Học máy có tính ứng dụng rất cao bao gồm máy truy tìm dữ liệu, chẩn đoán y khoa, phát hiện thẻ tín dụng giả, phân tích thị trường chứng khoán, phân loại các chuỗi DNA, nhận dạng tiếng nói và chữ viết, dịch tự động, chơi trò chơi và cử động rô-bốt

1.2.2 Các phương pháp học máy

1.2.2.1 Học không giám sát

Học không giám sát (Unsupervised Learning) là một phương pháp nhằm tìm ra một mô hình mà phù hợp với các tập dữ liệu quan sát Nó khác biệt với học có giám sát ở chỗ là đầu ra đúng tương ứng cho mỗi đầu vào là không biết trước Trong học không có giám sát, đầu vào là một tập dữ liệu được thu thập Học không có giám sát thường đối xử với các đối tượng đầu vào như là một tập các biến ngẫu nhiên Sau đó, một mô hình mật độ kết hợp sẽ được xây dựng cho tập dữ liệu đó Học không giám sát cũng hữu ích cho việc nén dữ liệu: về cơ bản, mọi giải thuật nén dữ liệu hoặc là dựa vào một phân bố xác suất trên một tập đầu vào một cách tường minh hay không tường minh

Có rất nhiều thuật toán học không giám sát được ra đời và phát triển nhằm giải quyết bài toán phân cụm phục vụ khai thác hiệu quả nguồn dữ liệu chưa gán nhãn nhiều và rất đa dạng Việc lựa chọn sử dụng thuật toán nào tuỳ thuộc vào dữ liệu và mục đích của từng bài toán Trong đó các thuật toán thường được sử dụng như: Kmean,

HAC (Hierarchial Agglomerative Clustering), SOM (Self-Organizing Map), DBSCAN…

1.2.2.2 Học có giám sát

Học có giám sát (Supervised Learning) là một kĩ thuật của ngành học máy để xây dựng một hàm từ dữ liệu huấn luyện Dữ liệu huấn luyện bao gồm các cặp gồm đối tượng đầu vào (thường dạng vec-tơ), và đầu ra mong muốn Đầu ra của một hàm

có thể là một giá trị liên tục (gọi là hồi qui), hay có thể là dự đoán một nhãn phân loại cho một đối tượng đầu vào (gọi là phân loại)

Học có giám sát có thể dự đoán giá trị của hàm cho một đối tượng bất kì là đầu vào hợp lệ, sau khi đã xem xét một số ví dụ huấn luyện (nghĩa là, các cặp đầu vào và đầu ra tương ứng)

Một số thuật toán thường được lựa chọn khi xây dựng bộ phân lớp gồm có: Máy vector hỗ trợ (Support Vector Machine – SVM), hạt nhân phân tích biệt thức, K láng giềng gần nhất (K Nearest Neighbours – KNN), tiếp cận xác suất thống kê (Naive Bayes – NB), cây quyết định (Decision Tree – DT), mạng nơron (Neural Network – Nnet), Vector trọng tâm (Centroid–base vector), tuyến tính bình phương nhỏ nhất (Linear Least Square Fit – LLSF)

1.2.2.3 Học bán giám sát

Theo Xiaojin Zhu [3], khái niệm học bán giám sát được đưa ra năm 1970 khi bài toán đánh giá quy tắc Linear Discrimination Fisher cùng với dữ liệu chưa gán nhãn được nhiều sự quan tâm của các nhà khoa học trên thế giới

Trong khoa học máy tính, học bán giám sát là một phương thức của ngành học máy sử dụng cả dữ liệu gán nhãn và chưa gán nhãn, nhiều nghiên cứu của ngành học máy có thể tìm ra được dữ liệu chưa gán nhãn khi sử dụng với một số lượng nhỏ dữ liệu gán nhãn [4] Công việc thu được kết quả của dữ liệu gán nhãn thường đòi hỏi ở trình độ tư duy và khả năng của con người, công việc này tốn nhiều thời gian và chi phí, do vậy dữ liệu gán nhãn thường rất hiếm và đắt, trong khi dữ liệu chưa gán nhãn thì lại rất phong phú Trong trường hợp đó, chúng ta có thể sử dụng học bán giám sát

để thi hành các công việc ở quy mô lớn

Học bán giám sát bao gồm dữ liệu gán nhãn và chưa gán nhãn Học bán giám sát có thể được áp dụng vào việc phân lớp và phân cụm Mục tiêu của học bán giám sát

là huấn luyện tập phân lớp tốt hơn học có giám sát từ dữ liệu gán nhãn và chưa gán nhãn

Như vậy, có thể nói học bán giám sát là phương pháp học có giám sát kết hợp với việc tận dụng các dữ liệu chưa gán nhãn Trong phần bổ sung thêm vào cho dữ liệu gán nhãn, thuật toán cung cấp một vài thông tin giám sát, việc này không cần thiết cho

tất cả các mẫu huấn luyện Thông thường thông tin này sẽ được kết hợp với một vài mẫu cho trước

Một số thuật toán thường được sử dụng gồm có: thuật toán Cực đại kỳ vọng (EM - Expectation Maximization), SVM truyền dẫn (TSVM - Transductive Support Vector Machine), Self-training, Co-training và các phương pháp dựa trên đồ thị (graphbased) Việc lựa chọn thuật toán nào dựa trên một số định hướng: nếu các lớp dữ liệu có tính phân cụm cao thì nên dùng EM với mô hình hỗn hợp sinh; nếu đã sử dụng SVM thì mở rộng thành TSVM; khi khó nâng cấp mô hình học có giám sát đã có, thì nên dùng self-training; nếu các đặc trưng của dữ liệu phân chia tự nhiên thành hai phần riêng rẽ thì nên dùng Co-training; còn nếu hai mẫu dữ liệu có đặc trưng tương tự nhau hướng tới một lớp thì sử dụng phương pháp dựa trên đồ thị

là phương pháp Monte Carlo và phương pháp TD (Temporal Difference)

1.2.3 Các mô hình học máy

- Mô hình hóa các mật độ xác suất điều kiện; hồi quy và phân loại

- Mô hình hóa các hàm mật độ xác suất qua các mô hình phát sinh

- Các kỹ thuật suy luận xấp xỉ đúng

- Thuật toán tiến hóa

- Thuật toán bầy đàn

nhanh, kích thích các trung tâm nghiên cứu, ứng dụng, đặc biệt là máy tính chuyên dụng riêng cho nó Xử lý ảnh có thể gồm quá trình phân tích, phân lớp các đối tượng, làm tăng chất lượng, phân đoạn và tách cạnh, gán nhãn cho vùng hay quá trình biên dịch các thông tin hình ảnh của ảnh Cũng như xử lý dữ liệu bằng đồ hoạ, xử lý ảnh số

là một lĩnh vực của tin học ứng dụng Xử lý dữ liệu bằng đồ họa đề cập đến những ảnh nhân tạo, các ảnh này được xem xét như là một cấu trúc dữ liệu và được tạo bởi các chương trình Xử lý ảnh số bao gồm các phương pháp và kỹ thuật biến đổi, để truyền tải hoặc mã hoá các ảnh tự nhiên

1.3.1 Mục đích của xử lý ảnh gồm

- Biến đổi ảnh làm tăng chất lượng ảnh

- Tự động nhận dạng ảnh, đoán nhận ảnh, đánh giá các nội dung của ảnh

- Nhận biết và đánh giá các nội dung của ảnh là sự phân tích một hình ảnh thành những phần có ý nghĩa để phân biệt đối tượng này với đối tượng khác, dựa vào đó ta

có thể mô tả cấu trúc của hình ảnh ban đầu Có thể liệt kê một số phương pháp nhận dạng cơ bản như nhận dạng ảnh của các đối tượng trên ảnh, tách cạnh, phân đoạn hình ảnh,…Kỹ thuật này được dùng nhiều trong y học (xử lý tế bào, nhiễm sắc thể), nhận dạng chữ trong văn bản

1.3.2 Các bước trong quá trình xử lý ảnh

Để dễ tưởng tượng, xét các bước cần thiết trong xử lý ảnh Đầu tiên, ảnh tự nhiên từ thế giới ngoài được thu nhận qua các thiết bị thu (như Camera, máy chụp ảnh) Trước đây, ảnh thu qua Camera là các ảnh tương tự (loại Camera ống kiểu CCIR) Gần đây, với sự phát triển của công nghệ, ảnh màu hoặc đen trắng được lấy ra từ Camera, sau đó nó được chuyển trực tiếp thành ảnh số tạo thuận lợi cho xử lý tiếp theo (Máy ảnh số hiện nay là một thí dụ gần gũi) Mặt khác, ảnh cũng có thể tiếp nhận từ vệ tinh; có thể quét từ ảnh chụp bằng máy quét ảnh

Hình 1.2 Các bước cơ bản trong xử lý ảnh

Biểu diễn và

mô tả

Nhận dạng ảnh

Cơ sở tri thức

Sơ đồ này bao gồm các thành phần sau:

a) Phần thu nhận ảnh (Image Acquisition)

Ảnh có thể nhận qua camera màu hoặc đen trắng Thường ảnh nhận qua camera

là ảnh tương tự (loại camera ống chuẩn CCIR với tần số 1/25, mỗi ảnh 25 dòng), cũng

có loại camera đã số hoá (như loại CCD – Change Coupled Device) là loại photodiot tạo cường độ sáng tại mỗi điểm ảnh

Camera thường dùng là loại quét dòng; ảnh tạo ra có dạng hai chiều Chất lượng một ảnh thu nhận được phụ thuộc vào thiết bị thu, vào môi trường (ánh sáng, phong cảnh)

b) Tiền xử lý (Image Processing)

Sau bộ thu nhận, ảnh có thể nhiễu độ tương phản thấp nên cần đưa vào bộ tiền

xử lý để nâng cao chất lượng Chức năng chính của bộ tiền xử lý là lọc nhiễu, nâng độ tương phản để làm ảnh rõ hơn, nét hơn

c) Phân đoạn (Segmentation) hay phân vùng ảnh

Phân vùng ảnh là tách một ảnh đầu vào thành các vùng thành phần để biểu diễn phân tích, nhận dạng ảnh Ví dụ: để nhận dạng chữ (hoặc mã vạch) trên phong bì thư cho mục đích phân loại bưu phẩm, cần chia các câu, chữ về địa chỉ hoặc tên người thành các từ, các chữ, các số (hoặc các vạch) riêng biệt để nhận dạng Đây là phần phức tạp khó khăn nhất trong xử lý ảnh và cũng dễ gây lỗi, làm mất độ chính xác của ảnh Kết quả nhận dạng ảnh phụ thuộc rất nhiều vào công đoạn này

d) Biểu diễn và mô tả ảnh (Image Representation)

Đầu ra ảnh sau phân đoạn chứa các điểm ảnh của vùng ảnh (ảnh đã phân đoạn) cộng với mã liên kết với các vùng lận cận Việc biến đổi các số liệu này thành dạng thích hợp là cần thiết cho xử lý tiếp theo bằng máy tính Việc chọn các tính chất để thể

hiện ảnh gọi là trích chọn đặc trưng (Feature Selection) gắn với việc tách các đặc tính

của ảnh dưới dạng các thông tin định lượng hoặc làm cơ sở để phân biệt lớp đối tượng này với đối tượng khác trong phạm vi ảnh nhận được Ví dụ: trong nhận dạng ký tự trên phong bì thư, chúng ta miêu tả các đặc trưng của từng ký tự giúp phân biệt ký tự này với ký tự khác

e) Nhận dạng và nội suy ảnh (Image Recognition and Interpretation)

Nhận dạng ảnh là quá trình xác định ảnh Quá trình này thường thu được bằng cách so sánh với mẫu chuẩn đã được học (hoặc lưu) từ trước Nội suy là phán đoán theo ý nghĩa trên cơ sở nhận dạng Ví dụ: một loạt chữ số và nét gạch ngang trên phong bì thư có thể được nội suy thành mã điện thoại Có nhiều cách phân loai ảnh khác nhau về ảnh Theo lý thuyết về nhận dạng, các mô hình toán học về ảnh được

phân theo hai loại nhận dạng ảnh cơ bản: Nhận dạng theo tham số và nhận dạng theo cấu trúc

Một số đối tượng nhận dạng khá phổ biến hiện nay đang được áp dụng trong khoa học và công nghệ là: nhận dạng ký tự (chữ in, chữ viết tay, chữ ký điện tử), nhận dạng văn bản (Text), nhận dạng vân tay, nhận dạng mã vạch, nhận dạng mặt người…

f) Cơ sở tri thức (Knowledge Base)

Như đã nói ở trên, ảnh là một đối tượng khá phức tạp về đường nét, độ sáng tối, dung lượng điểm ảnh, môi trường để thu ảnh phong phú kéo theo nhiễu Trong nhiều khâu xử lý và phân tích ảnh ngoài việc đơn giản hóa các phương pháp toán học đảm bảo tiện lợi cho xử lý, người ta mong muốn bắt chước quy trình tiếp nhận và xử lý ảnh theo cách của con người Trong các bước xử lý đó, nhiều khâu hiện nay đã xử lý theo các phương pháp trí tuệ con người Vì vậy, ở đây các cơ sở tri thức được phát huy

g) Mô tả (biểu diễn ảnh)

Hình 1.2: Các bước cơ bản trong xử lý ảnh, ảnh sau khi số hoá sẽ được lưu vào

bộ nhớ, hoặc chuyển sang các khâu tiếp theo để phân tích Nếu lưu trữ ảnh trực tiếp từ các ảnh thô, đòi hỏi dung lượng bộ nhớ cực lớn và không hiệu quả theo quan điểm ứng dụng và công nghệ

1.3.3 Phạm vi ứng dụng của xử lý ảnh

Xử lý ảnh đã đem lại nhiều ứng dụng trong nhiều lĩnh vực khác nhau: y học, khoa học hình hình sự, khí tượng thuỷ văn, quản lý, Quản lý là là một trong những ứng dụng quan trọng của xử lý ảnh Cùng với sự bùng nổ của kinh tế thị trường Khối lượng quản lý càng lớn, như quản lý hồ sơ, quản lý phiếu điều tra trong công tác thống

kê, các câu hỏi trắc nghiệm Để thực hiện các công việc trên một cách chính xác, nhanh chóng và hiệu quả Xử lý ảnh và nhận dạng đã nghiên cứu và phát triển mạnh

mẽ bài toán nhập liệu tự động

1.3.4 Mức xám của ảnh và biểu diễn ảnh

1.3.4.1 Mức xám của ảnh

Một điểm ảnh (pixel) có hai đặc trưng cơ bản là vị trí (x, y) của điểm ảnh và độ

xám của nó Mức xám của điểm ảnh là cường độ sáng của nó được gán bằng giá trị số tại điểm đó

Các thang giá trị mức xám thông thường: 16, 32, 64, 128, 256 (Mức 256 là mức

phổ dụng Lý do: từ kỹ thuật máy tính dùng 1 byte (8 bit) để biểu diễn mức xám: Mức xám dùng 1 byte biểu diễn: 28=256 mức, tức là từ 0 đến 255)

Ảnh đen trắng: là ảnh có hai màu đen, trắng (không chứa màu khác) với mức xám ở các điểm ảnh có thể khác nhau

Ảnh nhị phân: ảnh chỉ có 2 mức đen trắng phân biệt, mỗi điểm ảnh của ảnh nhị

Như vậy mỗi ảnh là tập hợp các điểm ảnh Khi được số hóa nó thường được biểu diễn bởi mảng 2 chiều I (n, p): n là dòng và p là cột Về mặt toán học có גגthể xem ảnh

là một hàm hai biến f (x, y) với x, y là các biến tọa độ Giá trị số ở điểm (x, y) tương ứng với giá trị xám hoặc độ sáng của ảnh (x là các cột còn y là các hàng) Giá trị của hàm ảnh f (x, y) được hạn chế trong phạm vi củacác số nguyên dương

S BW (λ) được chọn giống như là hiệu suất sáng tương đối Vì f biểu diễn công suất trên

đơn vị diện tích, nên nó bao giờ cũng không âm và hữu hạn

0 ≤ f ≤ fmax Trong đó fmax là giá trị lớn nhất mà f đạt được Trong xử lý ảnh, f được chia

thang sao cho nó nằm trong một phạm vi thuận lợi nào đó Thông thường đối với ảnh

xám, giá trị fmax là 255 (28=256) bởi vì mỗi phần tử ảnh được mã hóa bởi một byte Khi quan tâm đến ảnh màu ta có thể mô tả màu qua ba hàm số: thành phần màu đỏ qua

R (x, y), thành phần màu lục qua G (x, y) và thành phần màu lam qua B (x, y) Bộ ba giá trị R, G, và B nhận được từ:

theo một trong hai mô hình: mô hình Vector hoặc mô hình Raster

Mô hình Vector: Ngoài mục đích tiết kiệm không gian lưu trữ, dễ dàng hiển thị

và in ấn, các ảnh biểu diễn theo mô hình vector còn có ưu điểm cho phép dễ dàng lựa chọn, sao chép, di chuyển, tìm kiếm…Theo những yêu cầu này thì kỹ thuật biểu diễn vector tỏ ra ưu việt hơn Trong mô hình này, người ta sử dụng hướng vector của các điểm ảnh lân cận để mã hóa và tái tạo lại hình ảnh ban đầu Các ảnh vector được thu nhận trực tiếp từ các thiết bị số hóa như Digitalize hoặc được chuyển đổi từ các ảnh Raster thông qua các chương trình vector hóa

Mô hình Raster: là mô hình biểu diễn ảnh thông dụng nhất hiện nay Ảnh được biểu diễn dưới dạng ma trận các điểm ảnh Tùy theo nhu cầu thực tế mà mỗi điểm ảnh

có thể được biểu diễn bởi một hay nhiều bit Mô hình Raster thuận lợi cho việc thu nhận, hiển thị và in ấn Các ảnh được sử dụng trong phạm vi của đề tài này cũng là các ảnh được biểu diễn theo mô hình Raster

Khi xử lý các ảnh Raster chúng ta có thể quan tâm đến mối quan hệ trong vùng lân cận của các điểm ảnh Các điểm ảnh có thể xếp hàng trên một lưới (raster) hình vuông, lưới hình lục giác hoặc theo một cách hoàn toàn ngẫu nhiên với nhau

Cách sắp xếp theo hình vuông là được quan tâm đến nhiều nhất và có hai loại: điểm 4 láng giềng (4 liền kề) hoặc 8 láng giềng (8 liền kề) Với điểm 4 láng giềng, một

điểm ảnh I (i, j) sẽ có điểm kế cận theo 2 hướng i và j; trong khi đó với điểm 8 láng giềng, điểm ảnh I (i, j) sẽ có 4 điểm kế cận theo 2 hướng i, j và 4 điểm kế cận theo hướng chéo 45o

Hình 1.3 Quan hệ trong vùng lân cận giữa các điểm ảnh

1.4 Các phương pháp nhận dạng đối tượng

1.4.1 Phương pháp Principal Component Analysis (PCA)

PCA [6] là một phương pháp quan trọng của việc trích xuất đặc trưng và nó được sử dụng rộng rãi trong lĩnh vực học máy PCA là một thuật toán được sử dụng để tạo ra một ảnh mới từ ảnh ban đầu Ảnh mới này có kích thước nhỏ hơn nhiều so với ảnh ban đầu nhưng vẫn mang những đặc trưng cơ bản nhất của ảnh cần nhận dạng Nói một cách ngắn gọn, mục tiêu của PCA là tìm một không gian mới (với số chiều nhỏ hơn không gian cũ) Các trục tọa độ trong không gian mới được xây dựng sao cho trên mỗi trục, độ biến thiên của dữ liệu trên đó là lớn nhất có thể

PCA là một phương pháp để nhận dạng các mẫu trong dữ liệu và biểu diễn dữ liệu bằng cách làm nổi bật sự giống và khác nhau Khi các mẫu trong dữ liệu rất khó nhận ra trong không gian đa chiều thì PCA là một công cụ mạnh để phân tích chúng

Các bước cơ bản trong PCA:

Bước 1: Lấy dữ liệu (Get data)

Bước 2: Trừ trung bình mẫu

Với mỗi chiều dữ liệu giả sử ở chiều x, đều có một trung bình mẫu, công việc trong bước này là trừ tất cả giá trị trong chiều x cho trung bình mẫu x Kết thúc bước này sẽ có trung bình mẫu ở tất cả các chiều là 0

Bước 3: Tính ma trận hiệp phương sai

Bước 4: Tính các vectơ riêng và giá trị riêng của ma trận hiệp phương sai Bước 5: Chọn các thành phần chính

Đây là bước cuối cùng trong PCA Trong bước này, tùy thuộc vào số lượng thành phần chính cần lấy, ta lấy lần lượt các thành phần (vectơ riêng) tương ứng với

các giá trị riêng cao nhất

1.4.1.1 Ưu điểm của phương pháp PCA

- Tìm được các đặc tính tiêu biểu của đối tượng cần nhận dạng mà không cần phải xác định các thành phần và mối quan hệ giữa các thành phần đó

- Thuật toán có thể thức hiện tốt với các ảnh có độ phân giải cao, do PCA sẽ thu gọn ảnh thành một ảnh có kích thước nhỏ hơn

- PCA có thể kết hợp với các phương pháp khác để mang lại hiệu quả nhận dạng cao hơn

1.4.1.2 Nhược điểm của phương pháp PCA

- PCA chỉ làm việc với dữ liệu numeric

- PCA rất nhạy với nhiễu

- Không phù hợp với các mô hình phi tuyến do PCA hoàn toàn dựa trên các biến đổi tuyến tính

- Cài đặt thuật toán phức tạp

1.4.2 Phương pháp Support Vector Machine (SVM)

Máy vectơ hỗ trợ (SVM - viết tắt tên tiếng Anh support vector machine) là

một khái niệm trong thống kê và khoa học máy tính cho một tập hợp các phương pháp học có liên quan đến nhau để phân loại và phân tích hồi quy Cho trước một tập huấn luyện, các ảnh được biểu diễn dưới dạng vector Trong không gian vector, mỗi vertor được biểu diễn bởi một điểm Phương pháp SVM sẽ tìm một siêu phẳng quyết định để phân chia không gian vector thành hai lớp Chất lượng của siêu phẳng này phụ

thuộc vào khoảng cách giữa các vector, tức là phụ thuộc vào các đặc trưng của ảnh 1.4.2.1 Ưu điểm của SVM

- Cho kết quả nhận dạng với độ chính xác cao

- Bài toán huấn luyện SVM thực chất là bài toán quy hoạch toàn phương trên một tập lồi, do đó SVM luôn có nghiệm toàn cục và duy nhất, đây chính là điểm khác biệt rõ nhất giữa SVM so với phương pháp mạng Neural, vì mạng Neural vốn tồn tại nhiều điểm cực trị địa phương

1.4.2.2 Nhược điểm của SVM

- Hạn chế lớn nhất của SVM là tốc độ phân lớp rất chậm, tùy thuộc vào số lượng các véc tơ hỗ trợ

- Giai đoạn huấn luyện SVM đòi hỏi bộ nhớ rất lớn, do đó các bài toán huấn luyện với số lượng mẫu lớn sẽ gặp trở ngại trong vấn đề lưu trữ Hiệu quả phân lớp của SVM phụ thuộc vào hai yếu tố: giải bài toán quy hoạc toàn phương và lựa chọn

hàm nhân

1.4.3 Phương pháp K-láng giềng gần nhất

K-láng giềng gần nhất (K-Nearest Neighbors viết tắt là K-NN) là một phương

pháp truyền thống và khá nổi tiếng trong hướng tiếp cận dựa trên thống kê, đã được nghiên cứu trong nhận dạng mẫu ở vài thập kỷ gần đây K-NN là phương pháp để phân lớp các đối tượng dựa vào khoảng cách gần nhất giữa đối tượng cần phân lớp và tất cả các đối tượng trong tập dữ liệu mẫu

Một đối tượng được phân lớp dựa vào K láng giềng của nó K là số nguyên dương được xác định trước khi thực hiện thuật toán

Trong K-láng giềng gần nhất (K-Nearest Neighbors viết tắt là K-NN) [7], các tác

giả đã xây dựng thành công hệ thống nhận dạng khuôn mặt dựa trên kỹ thuật phân tích các thành phần chính - PCA và phương pháp phân loại K-NN với độ chính xác cao

1.4.3.1 Ưu điểm của K-NN:

- Độ phức tạp tính toán của quá trình training là bằng 0

- Việc dự đoán kết quả của dữ liệu mới rất đơn giản

- Không cần giả sử gì về phân phối của các class

1.4.3.2 Nhược điểm của K-NN:

- K-NN rất nhạy cảm với nhiễu khi K nhỏ

- Như đã nói, K-NN là một thuật toán mà mọi tính toán đều nằm ở khâu test Trong đó việc tính khoảng cách tới từng điểm dữ liệu trong training set sẽ tốn rất nhiều thời gian, đặc biệt là với các cơ sở dữ liệu có số chiều lớn và có nhiều điểm dữ liệu Với K càng lớn thì độ phức tạp cũng sẽ tăng lên Ngoài ra, việc lưu toàn bộ dữ liệu trong bộ nhớ cũng ảnh hưởng tới hiệu năng của K-NN

1.4.4 Phương pháp HOG

Các đặc trưng HOG [8] ban đầu được thiết kế để phát hiện người (human detection) trong dữ liệu ảnh nhưng sau đó được mở rộng và được sử dụng rộng rãi cho các bài toán phát hiện đối tượng nói chung (object detection) Phương pháp HOG dựa trên việc đếm số lần xuất hiện của các hướng đạo hàm (gradient orientation) trong các vùng cục bộ của ảnh

Bản chất của phương pháp HOG là các thông tin về hình dáng và vẻ bề ngoài của các đối tượng cục bộ trong ảnh có thể được mô tả bằng cách sử dụng thông tin về

sự phân bố của các cường độ gradient (intensity gradients) hoặc của các hướng biên (edge directions)

Các toán tử HOG được cài đặt bằng cách chia nhỏ một bức ảnh thành các vùng

con được gọi là các “tế bào” (cells) và với mỗi cell đó một histogram về các hướng của

gradients sẽ được tính cho các điểm nằm trong cell Ghép các histogram này lại ta sẽ có

một biểu diễn cho bức ảnh ban đầu

Để tăng cường hiệu năng nhận dạng, các histogram cục bộ có thể được chuẩn hóa về độ tương phản bằng cách tính một ngưỡng cường độ trong một vùng lớn hơn của ảnh, gọi là các khối (blocks) và sử dụng giá trị ngưỡng đó để chuẩn hóa tất cả các cell trong khối Kết quả của bước chuẩn hóa này là vector đặc trưng sẽ có tính bất biến cao hơn đối với các thay đổi về điều kiện ánh sáng

Hình 1.4 Ảnh sau khi tính gradient và chia thành các cell

Các bước cơ bản của việc tính một vector HOG cho một ảnh gồm có: Tính gradient, gán hướng vào các vùng giá trị khác nhau, tính histogram của các khối và cuối cùng là chuẩn hóa các khối

1.4.5 Phương pháp Linear Discriminant Analysis

Mục đích của LDA – Linear Discriminant Analysis là tìm cách phân loại các đối tượng (người, sự vật,…) vào một trong hai hay nhiều lớp đã được xác định trước dựa vào các đặt trưng (feature) dùng để mô tả đối tượng (ví dụ như các đặc trưng dùng

để mô tả đối tượng học sinh là giới tính, năm sinh, họ tên…)

1.4.5.1 Ưu điểm của LDA:

- Dễ dàng hơn để đào tạo, phương sai thấp, hiệu quả hơn nếu mô hình là chính xác

- LDA làm việc tốt khi số mẫu là lớn

1.4.5.2 Nhược điểm của LDA:

- LDA gặp phải vấn đề khi tổng số mẫu huấn luyện ít hơn so với kích thước của không gian đặc trưng

1.5 Thách thức đối với hệ thống nhận dạng

Hệ thống nhận dạng khuôn mặt [9] là một ứng dụng máy tính tự động xác định hoặc nhận dạng một người nào đó từ một bức hình ảnh kỹ thuật số hoặc một khung hình video từ một nguồn video nào đó Một trong những cách để thực hiện điều này là

so sánh các đặc điểm khuôn mặt chọn trước từ hình ảnh và một cơ sở dữ liệu về khuôn mặt

Hệ thống này thường được sử dụng trong các hệ thống an ninh và có thể được

so sánh với các dạng sinh trắc học khác như hệ thống nhận dạng vân tay, hay tròng mắt

Một vài thuật toán nhận dạng khuôn mặt xác định các đặc điểm khuôn mặt bằng cách trích xuất các ranh giới, hoặc đặc điểm từ một hình ảnh khuôn mặt của đối tượng

Ví dụ, một thuật toán có thể phân tích các vị trí tương đối, kích thước và hình dạng của mắt, mũi , gò má và cằm Những tính năng này sau đó được sử dụng để tìm kiếm các hình ảnh khác với các tính năng phù hợp Các thuật toán bình thường hóa một bộ sưu tập các hình ảnh khuôn mặt và sau đó nén dữ liệu khuôn mặt, chỉ lưu dữ liệu hình ảnh nào là hữu ích cho việc nhận dạng khuôn mặt

Các thuật toán nhận dạng chủ yếu được chia thành 2 hướng chính là hình học,

đó chính là nhìn vào tính năng phân biệt, hoặc trắc quang (đo sáng) là sử dụng phương pháp thống kê để “chưng cất” một hình ảnh thành những giá trị và so sánh các giá trị với các mẫu để loại bỏ độ chênh lệch

Các thuật toán nhận dạng phổ biến bao gồm Principal Component Analysis (Phép phân tích thành phần chính) sử dụng các khuôn mặt riêng, Linear Discriminate Analysis (Phân tích biệt tuyến tính), Elastic Bunch Graph Matching sử dụng thuật toán Fisherface, các mô hình Markov ẩn, Multilinear Subspace Learning (Luyện nhớ không gian con đa tuyến) sử dụng đại diện cơ căng, và theo dõi liên kết động thần kinh

Các điều kiện khác mà nhận dạng khuôn mặt không làm việc tốt bao gồm thiếu ánh sáng, đeo kính mát, tóc dài, hoặc các đối tượng khác mà một phần khuôn mặt bị che, và các hình ảnh độ phân giải thấp

Một bất lợi nghiêm trọng là nhiều hệ thống sẽ kém hiệu quả nếu biểu hiện khuôn mặt khác nhau Ngay cả một nụ cười lớn, cũng có thể làm cho hệ thống giảm tính hiệu quả Ví dụ: Canada hiện nay cho phép biểu lộ nét mặt trung tính trong ảnh chụp hộ chiếu

Nhận dạng khuôn mặt không phải là hoàn hảo và khó khăn để thực hiện trong các điều kiện nhất định

1.6 Kết chương

Nội dung chương I được trình bày ở trên đã nêu ra những vấn đề cơ bản chi tiết

đề xuất sử dụng Haar-like – Adaboost, phương pháp được đề xuất bởi hai nhà khoa

học Paul Viola và Michael Jones là phương pháp xác định khuôn mặt con người dựa trên phương pháp tiếp cận trên khuôn mặt, lý thuyết xử lý ảnh, học máy và các phương pháp nhận dạng đối tượng đã được nghiên cứu trước đây và có thể áp dụng để thực hiện nghiên cứu trong đề tài này Phương pháp đề xuất này sẽ được trình bày chi tiết ở chương II

CHƯƠNG 2 XÂY DỰNG HỆ THỐNG ĐIỂM DANH HỌC SINH

SỬ DỤNG PHƯƠNG PHÁP HỌC BÁN GIÁM SÁT

Ở chương 2 tác giả xin được giới thiệu một số kỹ thuật trích chọn đặc trưng và nhận dạng khuôn mặt người, mỗi phương pháp đều có các ưu điểm và hạn chế riêng, việc áp dụng phương pháp nào còn tùy thuộc vào từng bài toán cụ thể Tổng quan về thuật toán Haar-like – Adaboost, thuật toán của hai tác giả Paul Viola và Micheal J.Jones nhằm tăng hiệu quả cho các bài toán nhận dạng, phân lớp dữ liệu Đồng thời, ở chương này tác giả luận văn sẽ nêu rõ quá trình xây dựng hệ thống

2.1 Xây dựng hệ thống

2.1.1 Giới thiệu bài toán

Trong luận văn này, xây dựng hệ thống dùng để nhận dạng đối tượng học sinh thông qua khuôn mặt với nhiều góc quay khác nhau Ở mỗi lần nhận dạng, hệ thống sẽ được “bổ sung” thêm dữ liệu để huấn luyện, điều này làm cho mô hình nhận dạng càng ngày được nâng cao tỉ lệ nhận dạng Đây là một kỹ thuật thể hiện rõ nét phương pháp học tăng cường của học máy

Với dữ liệu hình ảnh ban đầu, hệ thống nhận dạng được góc quay của từng khuôn mặt so với hình ảnh đưa vào, từ đó xác định được thái độ học tập của học sinh (tức là có cùng nhìn về một hướng hay có người không tập trung so với những người còn lại)

Hệ thống cho phép giáo viên đưa ảnh học sinh của mỗi lớp học lên, nó cho phép đồng bộ trong khoảng thời gian nhất định, mỗi học sinh của từng học phải vào xác nhận tính đúng sai của hệ thống nhận dạng chính mình Sau khoảng thời gian đó, giáo viên sẽ kiểm tra và xác nhận tính đúng đắn và sau khi đồng ý, hệ thống bắt đầu lấy những hình này để làm phong phú thêm tập huấn luyện, sau đó xây dựng lại mô hình

từ dữ liệu mới cập nhật, việc này sẽ tăng tỉ lệ nhận dạng sau này

Dựa trên những kiến thức đã học, luận văn sẽ xây dựng một ứng dụng máy tính quản lý học sinh tham gia lớp học bao gồm các chức năng sau đây:

o Tìm hiểu bộ mặt của học sinh và lưu kết quả học tập trong các thiết lập dữ liệu

o Xác định các học sinh và đánh dấu các học sinh tham gia lớp học

o Thống kê sĩ số học sinh trên lớp hằng ngày theo tiết học

o Xem các thông tin về các môn học và học sinh

o Thay đổi hoặc cập nhật dữ liệu

2.1.2 Tình trạng của các lớp học và các vấn đề

Hầu hết các giáo viên sử dụng giấy và bút để quản lý hơn 45 học sinh thuộc các lớp khác nhau Điều này làm cho việc lưu trữ một lượng lớn thông tin trở nên khó khăn

Theo thống kê, trung bình mỗi ngày, các giáo viên phải xử lý nhiều hơn hai trăm thông tin mẫu Điều này làm cho nó khó khăn để lưu trữ một lượng lớn thông tin Đặc biệt, mỗi lần điểm danh thì sẽ mất thời gian của tiết học Điều này ảnh hưởng đến thời gian học tập của học sinh và giảng dạy của giáo viên

Mặt khác, việc lưu trữ các thông tin trên giấy cũng là rất nguy hiểm Nó có thể

bị mất hoặc bị hư hỏng do yếu tố khác như nước, lửa và vv

Ngoài ra, tốc độ truy cập dữ liệu là rất chậm và phương pháp này có thể gây ra những sai lầm

2.1.3 Thiết kế cơ sở dữ liệu

2.1.3.1 Mô tả

Quản lý học sinh yêu cầu một cơ sở dữ liệu phức tạp, đòi hòi phải đáp ứng được quan hệ giữa học sinh, giáo viên, môn học và các thông tin điểm danh của lớp học Đối với bài toán thực tế, cơ sở dữ liệu này rất phức tạp và cần được nghiên cứu một cách kỹ lưỡng

Tuy nhiên, trong đề tài này ta không đặt nặng nặng vấn đề phân tích thiết kế mà trọng tâm là phương pháp thực hiện Để đơn giản bài toán, cơ sở dữ liệu trong báo cáo này được thực hiện một cách tối giản nhưng vẫn phải đáp ứng được các thông tin cơ bản của các đối tượng

Trong đề tài này các dữ liệu của bài toán được lưu dưới dạng file text mỗi file sẽ chứa các thông tin về các đối tượng Liên hệ giữa các đối tượng cũng được thể hiện trong file

2.1.3.2 Thiết kế dữ liệu

Để thực hiện việc điểm danh dựa trên nhận dạng khuôn mặt và lưu trữ thông tin tham gia lớp học của học viên vào cơ sở dữ liệu thì tối thiểu ta cần phải có các file sau:

Đối tượng người dùng:

Bảng 2.1 Chứa thông tin giáo viên

Mô tả Giáo viên là người trực tiếp dạy các lớp học, thông tin được lưu trữ

trong cơ sở dữ liệu

Vai trò Giáo viên có trách nhiệm quản lý học sinh có đến lớp hay không Giới hạn Giáo viên có thể sử dụng tất cả các chức năng của hệ thống

Bảng 2.2 Chứa thông tin học sinh

Mô tả Học sinh là những người tham gia trong lớp học chịu sự quản lý của

giáo viên trực tiếp đứng lớp

Vai trò Học sinh là các đối tượng mà chương trình sẽ quản lý

Giới hạn Học sinh không được phép sử dụng bất kỳ chức năng của hệ thống

Chỉ đơn giản là học sinh đứng ở phía trước của máy ảnh cho các hệ thống nhận dạng

Các thực thể:

Bảng 2.3 Chứa thông tin về khuôn mặt

Mô tả Hình ảnh khuôn mặt của học sinh Hình ảnh này được chụp bằng máy

ảnh

Vai trò Lưu trữ các kết quả huấn luyện được sử dụng để nhận dạng khuôn

mặt

Thuộc tính - K: số kích thước

- Giá trị riêng: Lớn nhất tuyến

- Bề mặt trung bình: bề mặt trung bình của học sinh

Bảng 2.4 Mô tả thuộc tính học sinh

Thuộc tính - Mã số: Mã số học sinh

- Tên: Tên của học sinh

- Giới tính: Giới tính của học sinh

Bảng 2.5 Mô tả lớp học

Mô tả Lớp học do giáo viên phụ trách

Vai trò Lưu trữ các thông tin của lớp học và điểm danh số học sinh có mặt tại

lớp học

Thuộc tính - Mã số: Mã của lớp học

- Tên: Tên của lớp học

- Ngày: Thời gian học

- Thời gian: Thời gian học

- Danh sách học sinh: Danh sách học sinh ở các lớp học

- Sĩ số: Số lượng của lớp học

2.1.3.3 Mối quan hệ

Hình 2.1 Mối quan hệ của hệ thống

2.2 Mô hình tổng quát dữ liệu

Mô hình phân loại

và nhận dạng

Kết quả nhận dạng Hậu xử lý

Hình 2.2 Mô hình tổng quát

- Thu thập tập dữ liệu thực tế: Tập dữ liệu này sử dụng với mục đích để xây dựng mô hình phân loại

- Hệ thống nhận dạng khuôn mặt của học sinh tại trường THPT Bình Sơn – Quảng Ngãi: Dữ liệu chưa được dán nhãn

- Tiền xử lý: Áp dụng các phương pháp xử lý ảnh để phục vụ xử lý, xử lý điểm ảnh

- Trích chọn đặc tính: Trích chọn những đặc tính của dữ liệu sao cho khi sử dụng mô hình phân loại thì việc phân loại là tốt nhất

- Mô hình phân loại: Khối này chịu trách nhiệm xây dựng mô hình phân loại hay nhận dạng theo mô hình

- Kết quả phân loại: Trả về kết quả là nhãn của mẫu biển báo

- Hậu xử lý: Thực hiện các công việc sau khi nhận kết quả trả về từ mô hình phân loại như: Hiển thị kết quả biển báo đã nhận dạng được hoặc trở thành dữ liệu đầu vào cho các module xử lý khác

2.3 Luồng hệ thống

Quá trình thu thập ảnh

Học sinh đứng trước máy ảnh và camera sẽ ghi lại hình ảnh các từng học sinh Chương trình sau đó sử dụng các thuật toán Viola - Jones tìm thấy khuôn mặt của học sinh và sau đó cắt khuôn mặt của học sinh và lưu nó vào cơ sở dữ liệu

Hình 2.3 Quá trình thu thập hình ảnh

Đầu vào: Ảnh được chụp từ camera giám sát, camera này được lắp đặt trong phòng học và sẽ được chụp tự động sau một thời gian nhất định Hoặc ảnh được giáo viên chụp và tải lên hệ thống

Đầu ra: Bộ ảnh lớp học thu được nhờ việc tổng hợp hình ảnh do giáo viên hoặc

do camera đăng lên

Hình 2.4 Dữ liệu hình ành đầu vào và kết quả ra

Quá trình thu thập ảnh: Sau khi có đủ hình ảnh khuôn mặt của học sinh trong mỗi lớp học Hệ thống tiến hành chụp lại khuôn mặt của học sinh và lưu dữ liệu vào cơ

sở dữ liệu Đào tạo này sẽ mất một vài giây nữa

Camera giám sát được gắn trong mỗi phòng học sẽ liên tục chụp hình ảnh về trạng thái của học sinh, hình ảnh thu được từ camera, thông qua phần mềm, sẽ được cập nhật lên máy chủ Việc đăng ảnh lên và tải ảnh về được thực hiện do máy chủ cung cấp Cứ sau mỗi thời gian định sẵn, camera sẽ tự động chụp và tải ảnh lên máy chủ

Ngoài camera giám sát, giáo viên cũng có thể cung cấp hình ảnh bằng cách chụp bằng thiết bị cá nhân của mình Ảnh do giáo viên đăng sẽ được tải đồng thời lên máy chủ và trang web chính Việc này đảm bảo giảng viên ngay lập tức có thể nhìn thấy hình ảnh trên máy chủ và trang web vẫn lưu trữ được toàn bộ hình ảnh của lớp học đã được cập nhật

Giáo viên được phép lựa chọn đồng bộ hình ảnh giữa máy chủ và trang web chính đối với môn học mà mình phụ trách giảng dạy Giảng viên thực hiện thao tác để lấy ảnh từ máy chủ và cập nhật về trang web, web sẽ tự động nhận diện lớp học mà giáo viên muốn lấy hình ảnh và tự động cập nhật vào cơ sở dữ liệu của mình

Sau khi các dữ liệu hình ảnh đã được đồng bộ ta thu được bộ dữ liệu hình ảnh lớp học cho từng môn học

Ảnh

24 ×

24

Thuật toán Viola - Jones

+ 1

Là khuôn mặt

-1 Không phải

là khuôn mặt Scale

Hình ảnh lớn

Tỉ lệ ảnh

Giáo viên tương tác trực tiếp với hệ thống, có quyền được cập nhật ảnh từ lớp học lên trang web chính, sau đó dữ liệu sẽ được yêu cầu đồng bộ lên máy chủ Chi tiết quá trình thu thập ảnh và đồng bộ dữ liệu được chi tiết hóa

Giáo viên có thể vào thư mục của chương trình để thay đổi tập huấn luyện Sau

đó giáo viên có thể yêu cầu hệ thống tìm hiểu lại khuôn mặt của học sinh Cấu trúc của thư mục lưu trữ như sau:

Hình 2.5 Quá trình thu thập của hệ thống

Trong luận văn này, các dữ liệu được lưu trữ dưới dạng tệp bảng tính Excel Vì vậy giáo viên có thể tìm kiếm dữ liệu một cách dễ dàng Ngoài ra, các giáo viên có thể thêm thông tin vào dữ liệu bằng file bảng tính excel

2.4 Phát hiện đối tƣợng

Có rất nhiều mối quan hệ giữa các khu vực khác nhau trong hình ảnh trên khuôn mặt Mối quan hệ này hình thành các đặc điểm riêng của một khuôn mặt Tất cả các hình ảnh khuôn mặt sẽ có cùng tính năng sau khi chuyển đổi sang hình ảnh xám

Dữ liệu học sinh

Dữ liệu lớp học

Dữ liệu tập huấn của người thứ 2

Dữ liệu tập huấn của người thứ 3

………

Hồ sơ cá nhân của người thứ 1

Thông tin dữ liệu thứ 1

Hồ sơ cá nhân của người thứ 2

Hồ sơ cá nhân của người thứ 3

Thông tin dữ liệu thứ 2

Thông tin dữ liệu thứ 3

……… ………