ĐỒ ÁN CƠ SỞ 5 ĐỀ TÀI: XÂY DỰNG ỨNG DỤNG ĐIỂM DANH BẰNG DỮ LIỆU KHUÔN MẶT. THS. LÊ TỰ THANH

Không chỉ dừng lại ở việc chỉnh sửa, tăng chất lượnghình ảnh mà với công nghệ xử lý ảnh hiện nay chúng ta có thể giải quyếtcác bài toán nhận dạng chữ viết, nhận dạng dấu vân tay, nhận dạ

Trang 1

TRƯỜNG ĐẠI HỌC CÔNG NGHỆ THÔNG TIN VÀ

TRUYỀN THÔNG VIỆT – HÀN KHOA KHOA HỌC MÁY TÍNH

ĐỒ ÁN CƠ SỞ 5

ĐỀ TÀI: XÂY DỰNG ỨNG DỤNG ĐIỂM DANH BẰNG DỮ LIỆU KHUÔN

Trang 2

Đà nẵng, tháng 4 năm 2021

Trang 3

lý ảnh cũng được chú trọng phát triển, ứng dụng rộng rãi trong đời sống

xã hội hiện đại Không chỉ dừng lại ở việc chỉnh sửa, tăng chất lượnghình ảnh mà với công nghệ xử lý ảnh hiện nay chúng ta có thể giải quyếtcác bài toán nhận dạng chữ viết, nhận dạng dấu vân tay, nhận dạngkhuôn mặt…

Một trong những bài toán được nhiều người quan tâm nhất của lĩnhvực xử lý ảnh hiện nay đó là nhận dạng khuôn mặt (Face Recognition).Như chúng ta đã biết, khuôn mặt đóng vai trò quan trọng trong quá trìnhgiao tiếp giữa người với người, nó mang một lượng thông tin giàu có,chẳng hạn như từ khuôn mặt chúng ta có thể xác định giới tính, tuổi tác,chủng tộc, trạng thái cảm xúc, đặc biệt là xác định mối quan hệ với đốitượng (có quen biết hay không) Do đó, bài toán nhận dạng khuôn mặtđóng vai trò quan trọng trong nhiều lĩnh vực đời sống hằng ngày của conngười như các hệ thống giám sát, quản lý vào ra, tìm kiếm thông tin mộtngười nổi tiếng,…đặc biệt là an ninh, bảo mật Có rất nhiều phương phápnhận dạng khuôn mặt để nâng cao hiệu suất tuy nhiên dù ít hay nhiềunhững phương pháp này đang vấp phải những thử thách về độ sáng,hướng nghiêng, kích thước ảnh, hay ảnh hưởng của tham số môi trường.Bài toán Nhận diện khuôn mặt (Face Recognition) bao gồm nhiều bàitoán khác nhau như: phát hiện mặt người (face detection), đánh dấu(facial landmarking), trích chọn (rút) đặc trưng (feature extration), gánnhãn, phân lớp (classification) Trong thực tế, nhận dạng khuôn mặtngười (Face Recognition) là một hướng nghiên cứu được nhiều nhà khoahọc quan tâm, nghiên cứu để ứng dụng trong thực tiễn Ở các trường đạihọc hàng đầu về Công Nghệ Thông Tin như Massachusetts Institute ofTechnology (MIT), Carnegie Mellon University (CMU), Standford,

Trang 4

Berkeley và các công ty lớn như Microsoft, Apple, Google, Facebookđều có các trung tâm về sinh trắc

Trang 5

học (Biometrics Center) và nghiên cứu về nhận dạng khuôn mặt người và nó

đã trở thành một trong những lĩnh vực nghiên cứu chính cho đến nay

Gần đây, công ty Hitachi Kokusai Electric của Nhật mới cho ra đời mộtcamera giám sát, có thể chụp ảnh và tìm 36 triệu khuôn mặt khác có néttương tự trong cơ sở dữ liệu chỉ trong vòng một giây

Có hai phương pháp nhận dạng phổ biến hiện nay là nhận dạng dựatrên đặc trưng của các phần tử trên khuôn mặt như biến đổi Gabor Wavelet

và mạng Neural, SVM,…và nhận dạng dựa trên xét tổng thể toàn khuônmặt như phương pháp PCA, LDA, LFA Trong đó, PCA là phương pháptrích rút đặc trưng nhằm giảm số chiều của ảnh tuy đơn giản nhưng manglại hiệu quả tốt Hệ thống hoạt động ổn định và có tính thích nghi cao khi

dữ liệu đầu vào thay đổi nhiều

Trang 6

LỜI CẢM ƠN

Trong thời gian làm đồ án tốt nghiệp, em đã nhận được nhiều sự giúp đỡ, đóng góp ý

kiến và chỉ bảo nhiệt tình của thầy cô và bạn bè

Em xin gửi lời cảm ơn chân thành đến Th.s Lê Tự Thanh, giảng viên tại Đại Học

CNTT và Truyền Thông Việt – Hàn Người đã tận tình hướng dẫn, chỉ bảo em trong

suốt quá trình làm đồ án

Em cũng xin chân thành cảm ơn các thầy cô giáo trong trường nói chung, các thầy cô

trong Bộ môn xử lý ảnh nói riêng đã dạy dỗ cho em nhiều kiến thức , giúp em có được

cơ sở lý thuyết vững vàng và tạo điều kiện giúp đỡ em trong suốt quá trình học tập

trong học kì này

Trong quá trình hoàn thành đồ án, chúng em không thể không mắc những thiếu xót,

mong quý thầy cô sẽ chỉ ra để chúng em hoàn thiện hơn Em xin chân thành cám ơn!

năm

Trang 7

NHẬN XÉT (Của giảng viên hướng dẫn)

………

CHỮ KÍ CỦA GVHD

Ths Lê Tự Thanh

Trang 8

MỤC LỤC

CHƯƠNG 1 GIỚI THIỆU CHUNG 1

1.1 TỔNG QUAN 2

1.1.1 Mục đích của đề tài 2

1.1.2Đối tượng và phạm vi nghiên cứu đề tài 2

1.2 PHƯƠNG PHÁP VÀ KẾT QUẢ 2

1.2.1 Bài toán nhận dạng mặt người 2

1.2.2 Deep Learning trong xử lý ảnh 3

1.3 CẤU TRÚC ĐỒ ÁN 5

CHƯƠNG 2 TỔNG QUAN VỀ XỬ LÝ ẢNH 5

2.1 XỬ LÝ ẢNH VÀ CÁC VẤN ĐỀ TRONG XỬ LÝ ẢNH 5

1.3.1 Xử lý ảnh (XLA) là gì ? 5

1.3.2 Các vấn đề cơ bản trong xử lý ảnh 9

2.2 QUAN HỆ GIỮA CÁC ĐIỂM ẢNH 11

CHƯƠNG 3: LÀM QUEN VỚI THƯ VIỆN OPEN CV 12

3.1 Giới thiệu về OpenCV 12

3.1.1 OpenCV là gì? 12

3.1.2 Cấu trúc tổng quan.. 13

3.2 HƯỚNG DẪN SỬ DỤNG CÁC THƯ VIỆN TRONG OPENCV 14

CHƯƠNG 4: PHÂN TÍCH THIẾT KẾ HỆ THỐNG 15

4.1 CÁC PHƯƠNG PHÁP XỬ LÝ DỮ LIỆU KHUÔN MẶT 15

4.1.1 EIGENFACES 16

4.1.2 Mạng Nơron 19

4.2 XÂY DỰNG HỆ THỐNG NHẬN DIỆN KHUÔN MẶT 20

4.2.1 Xác định khuôn mặt trong ảnh ( Face Detection ) 20

4.2.2 Biểu diễn các khuôn mặt dưới dạng Vector 21

4.2.3 Xử lý dữ liệu thu được 21

Trang 9

CHƯƠNG 5: XÂY DỰNG ỨNG DỤNG 23

5.1 CẤU TRÚC ỨNG DỤNG 23

5.1.1 Xử lý ảnh đầu vào 24

5.1.2 Phát hiện khuôn mặt trong ảnh (Face Detection) 26

5.1.3 Xử lý đầu ra 27

5.1.4 Tạo GUI cho ứng dụng 27

5.2 KẾT QUẢ THU ĐƯỢC 29

5.3 KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 31

5.3.1 Mục tiêu đạt được 31

5.3.2 Ưu điểm và nhược điểm của ứng dụng 31

5.3.3 Phương hướng phát triển trong tương lai 32

DANH MỤC TÀI LIỆU THAM KHẢO 32

Trang 10

DANH MỤC HÌNH

Hình 1.Hệ thống nhận dạng mặt người 2

Hình 2 Mô phỏng cách trao đổi thông tin của Deep Learning 3

Hình 3 Quá trình xử lý ảnh 5

Hình 4 Các bước cơ bản trong một hệ thống xử lý ảnh 5

Hình 5 Sơ đồ phân tích, xử lý ảnh và lưu đồ thông tin giữa các khối 8

Hình 6 Lân cận các điểm ảnh của tọa độ (x, y) 11

Hình 7 Các thành phần của thư viện OpenCV 13

Hình 8 Cấu trúc tổng quát của EmguCV 14

Hình 9 Hệ thống nhận diện gương mặt cơ bản 15

Hình 10 Qúa trình trích rút đặc trưng của phương pháp Eigenfaces 16

Hình 11 Dữ liệu ảnh đầu vào 17

Hình 12 Chuẩn hóa ảnh 17

Hình 13 Trung bình ảnh của tập dữ liệu học 18

Hình 14 Eigenface tìm được 18

Hình 15 Mô hình học sâu Convet sử dụng hàm Loss Triple 22

Hình 16 Tập ảnh huấn luyện 22

Hình 17 Sơ đồ khối thực hiện chương trình 23

Hình 18 Xử lý ảnh đầu vào 24

Hình 19 Giao diện chính của ứng dụng 28

Hình 20 Console lấy dữ liệu khuôn mặt và thể hiện kết quấ xử lý 29

Hình 21 Cửa số chứa thông tin những người đã điểm danh trong ngày 29

Hình 22 Cửa sổ thay đổi mật khẩu cho ADMIN 30

Trang 11

DANH MỤC CỤM TỪ VIẾT TẮT

Trang 12

Khoa CNTT và Truyền Thông Đại Học CNTT và Truyền Thông Việt - Hàn

CHƯƠNG 1 GIỚI THIỆU CHUNG

1.1.1 Mục đích của đề tài.

- Xây dựng một dự án phần mềm ứng dụng nhận dạng khuôn mặt

- Tìm hiểu về thư viện OpenCv, Pandas, Tkinter, Pillow,…

- Nghiên cứu phương pháp học sâu Deep Learning trong xử lý ảnh

- Tìm hiểu các phương pháp xác định khuôn mặt (Face Detection).

1.1.1 Đối tượng và phạm vi nghiên cứu đề tài.

a) Đối tượng:

- Các phương pháp, thuật toán phục vụ cho việc phát hiện và nhận dạng khuôn mặt người trên ảnh

- Deep Learning trong xử lý ảnh

- Kỹ thuật tạo GUI bằng Tkinder

- Bộ thư viện xử lý ảnh OpenCv

b) Phạm vi nghiên cứu:

- Tập trung tìm hiểu nhận dạng khuôn mặt (Face Recognition) chứ không chú trọng tìm hiểu phát hiện khuôn mặt (Face Detection).

- Việc xử lý ảnh, nhận dạng khuôn mặt thỏa mãn các điều kiện:

 Ánh sáng bình thường, ngược sáng, ánh sáng đèn điện

 Góc ảnh: Trực diện (frontal) hoặc góc nghiêng không quá 10o

 Không bị che khuất (no occulusion).

 Ảnh có chất lượng cao (high quality images).

1 GVHD Lê Tự Thanh

Trang 13

1.2 PHƯƠNG PHÁP VÀ KẾT QUẢ

1.2.1 Bài toán nhận dạng mặt người.

Hệ thống nhận dạng mặt người là một hệ thống nhận vào là một ảnh hoặc mộtđoạn video (một dòng các hình ảnh liên tục) Qua xử lý, tính toán hệ thống xác địnhđược vị trí mặt người (nếu có) trong ảnh và xác định là người nào trong số nhữngngười mà hệ thống đã được biết (qua quá trình học) hoặc là người lạ

(Để tạo danh mục tự động cho hình ảnh, chèn caption cho hình ảnh bằng cách: clickchuột phải hình và chọn insert caption Thay đổi nhãn cho phù hợp)

Hình 1.Hệ thống nhận dạng mặt người.

Trang 14

1.2.2 Deep Learning trong xử lý ảnh

Deep Learning là gì ?

Máy tính ngày nay không thể chỉ tự động phân loại ảnh, nhưng chúng cũng

có thể mô tả các yếu tố khác nhau trong ảnh và viết các câu ngắn mô tả từngphân đoạn với ngữ pháp tiếng Anh thích hợp Điều này được thực hiện bởi DeepLearning Network (CNN), thực sự học các mẫu xuất hiện tự nhiên trongảnh Imagenet là một trong những cơ sở dữ liệu lớn nhất về các hình ảnh đượcgắn nhãn để huấn luyện Mạng thần kinh chuyển đổi bằng cách sử dụng cáckhung Deep Learning được tăng tốc GPU như Caffe2, Chainer, Bộ công cụ nhậnthức của Microsoft, MXNet, PaddlePbag, Pytorch, TensorFlow và tối ưu hóa suyluận

Mạng nơ-ron được sử dụng lần đầu tiên vào năm 2009 để nhận dạng giọng nói vàchỉ được Google triển khai vào năm 2012 Deep Learning, còn được gọi là Mạng nơ-ron, là một tập hợp con của Machine Learning sử dụng mô hình điện toán lấy cảm hứng rất nhiều từ cấu trúc của não

Hình 2 Mô phỏng cách trao đổi thông tin của Deep Learning

Các mô hình Deep Learning, với các cấu trúc đa cấp của chúng, như được hiển thị ở trên, rất hữu ích trong việc trích xuất thông tin phức tạp từ các hình ảnh đầu

Trang 15

vào Mạng thần kinh chuyển đổi cũng có thể giảm đáng kể thời gian tính toán bằng cách tận dụng GPU để tính toán mà nhiều mạng không sử dụng được

Việc áp dụng Deep Learning vào xử lý hình ảnh cần chuẩn bị dữ liệu hình ảnh

để phân tích Việc thu thập nhiều dữ liệu còn cần thiết để cung cấp phát hiện

tính năng toàn cầu và địa phương tốt hơn Dưới đây là các bước:

 Chương 3: Giới thiệu thư viện OpenCV

 Chương 4: Phân tích thiết kế hệ thống

 Chương 5: Xây dựng ứng dụng

Trang 16

Quá trình XLA được xem như là quá trình thao tác ảnh đầu vào nhằmcho ra kết quả mong muốn Kết quả đầu ra của một quá trình XLA có thể làmột ảnh “tốt hơn” hoặc một kết luận

Trang 17

Sơ đồ này bao gồm các phần sau:

Phần thu nhận ảnh (Image Acquisition)

Ảnh có thể nhận qua camera màu hoặc đen trắng Thường thì ảnh nhậnqua camera là ảnh tương tự (loại camera ống chuẩn CCIR với tần số 1/25, mỗiảnh 25 dòng), cũng có loại camera đã số hóa (như loại CCD-Change CoupledDevice) 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 Chấtlượng một ảnh thu nhận được phụ thuộc vào thiết bị thu, môi trường (ánh sáng,thời tiết)

Tiền xử lý (Image Processing)

Sau bộ thu nhận, ảnh có thể bị 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 lọcnhiễu, nâng độ tương phản để làm ảnh rõ, nét hơn

Phân đoạn (Segmentation) hay phân vùng ảnh

Phân vùng ảnh là tách một ảnh đầu vào thành các vùng thành phần đểbiểu 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, vềđịa 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 XLA và cũng dễ gâylỗi, làm mất độ chính xác của ảnh Kết quả nhận dạng ảnh phụ thuộc rất nhiềuvào công đoạn này

Biểu diễn ảnh (Image Representation)

Đầu ra ảnh sau phân đoạn chứa các điểm ảnh của vùng ảnh (ảnh đã phânđoạn) cộng với mã liên kết với các vùng lân cận Việc chọn các tính chất để thểhiện ảnh gọi là trích chọn đặc trưng (Feature Selection) gắn với việc tách cácđặc tính của ảnh dưới dạng các thông tin định lượng hoặc làm cơ sở để phânbiệt lớp đối tượng này với đối tượng khác trong phạm vi ảnh nhận được Vídụ: trong nhận dạng ký tự trên phong bì thư, chúng ta miêu tả các đặc trưngcủa từng ký tự giúp phân biệt ký tự này với ký tự khác

Trang 18

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

Nhận dạng ảnh là quá trình xác định ảnh Quá trình này thường thu đượcbằng cách so sánh với mẫu chuẩn đã được học (hoặc lưu từ trước) Nội suy làphán đoán theo ý nghĩa trên cơ sở nhận dạng Ví dụ: một loạt chữ số và nétgạch ngang trên phong bì thư có thể được nội suy thành mã điện thoại Cónhiều cách phân loại 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

- Nhận dạng theo cấu trúc

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

Cơ sở tri thức (Knowledge Base)

Như đã nói ở trên, ảnh là một đối tượng khá phức tạp về đường nét, độsáng tối, dung lượng điểm ảnh, môi trường để thu ảnh phong phú kéo theonhiễu Trong nhiều khâu xử lý và phân tích ảnh ngoài việc đơn giản hóa cácphương pháp toán học đảm bảo tiện lợi cho xử lý, người ta mong muốn bắtchước quy trình tiếp nhận và XLA 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

Mô tả (biểu diễn ảnh)

Từ hình 4, ảnh sau khi số hóa sẽ được lưu vào bộ nhớ, hoặc chuyển tiếpsang 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 ứngdụng và công nghệ Thông thường, các ảnh thô đó được đặc tả (biểu diễn lạihay đơn giản là mã hóa) theo các đặc điểm của ảnh được gọi là các đặc trưng

Trang 19

ảnh (Image Features) như: biên ảnh (Boundary), vùng ảnh (Region) Một số

phương pháp biểu diễn thường dùng:

a Biểu diễn bằng mã chạy (Run-Length Code)

b Biểu diễn bằng mã xích (Chaine-Code)

c Biểu diễn bằng mã tứ phân (Quad-Tree Code)

Trên đây là các thành phần cơ bản trong các khâu XLA Trong thực tế,các quá trình sử dụng ảnh số không nhất thiết phải qua hết các khâu đó, tùytheo đặc điểm ứng dụng Hình 4 cho sơ đồ phân tích, XLA và lưu đồ thông tingiữa các khối một cách khá đầy đủ Ảnh sau khi số hóa, được nén, lưu lại đểtruyền qua các hệ thống khác sử dụng hoặc xử lý tiếp theo Mặt khác, ảnh saukhi số hóa có thể bỏ qua công đoạn nâng cao chất lượng (khi ảnh đủ chất lượngtheo một yêu cầu nào đó) để chuyển tới khâu phân đoạn hoặc bỏ tiếp khâuphân đoạn chuyển trực tiếp tới khâu trích chọn đặc trưng Hình 4 cũng chia cácnhánh song song như: nâng cao chất lượng ảnh có hai nhánh phân biệt: nângcao chất lượng ảnh (tăng độ sáng, độ tương phản, lọc nhiễu) hoặc khôi phụcảnh (hồi phục lại ảnh thật khi ảnh gốc bị hỏng) v.v

Hình 5 Sơ đồ phân tích, xử lý ảnh và lưu đồ thông tin giữa các khối.

Trang 20

1.3.2 Các vấn đề cơ bản trong xử lý ảnh

 Một số khái niệm cơ bản:

a) Điểm ảnh (Picture Element)

Gốc của ảnh (ảnh tự nhiên) là ảnh liên tục về không gian và độ sáng Để xử

lý được bằng máy tính (số), ảnh cần phải được số hóa Số hóa ảnh là sự biếnđổi gần đúng một ảnh liên tục thành một tập điểm phù hợp với ảnh thật về vịtrí (không gian) và độ sáng (mức xám) Khoảng cách giữa các điểm ảnh đóđược thiết lập sao cho mắt người không phân biệt được ranh giới giữa chúng.Mỗi một điểm như vậy gọi là điểm ảnh (PEL: Picture Element) hay gọi tắt làPixel Trong khuôn khổ ảnh hai chiều, mỗi pixel ứng với cặp tọa độ (x, y)

Định Nghĩa: Điểm ảnh (Pixcel) là một phần tử của ảnh số tại tọa độ (x, y) với

độ xám hoặc màu nhất định Kích thước và khoảng cách giữa các điểm ảnh

đó được chọn thích hợp sao cho mắt người cảm nhận sự liên tục về không gian và mức xám (hoặc màu) của ảnh số gần như ảnh thật Mỗi một phần tử trong ma trận được gọi là một phần tử ảnh.

b) Độ phân giải của ảnh

Định nghĩa: Độ phân giải (Resolution) của ảnh là mật độ điểm ảnh được ấn định trên một ảnh số được hiển thị.

Theo định nghĩa, khoảng cách giữa các điểm ảnh phải được chọn sao chomắt người vẫn thấy được sự liên tục của ảnh Việc lựa chọn khoảng cách thíchhợp tạo nên một mật độ phân bổ đó chính là độ phân giải và được phân bốtheo trục x và y trong không gian hai chiều

Ví dụ: Độ phân giải của ảnh trên màn hình CGA (Color GraphicAdaptor) là một lưới điểm theo chiều ngang màn hình: 320 điểm chiều dọc *

200 điểm ảnh (320*200) Rõ ràng, cùng màn hình CGA 12 “ta nhận thấy mịnhơn màn hình CGA 17” độ phân giải 320*200 Lý do: cùng một mật độ (độphân giải) nhưng diện tích mà hình rộng hơn thì độ mịn (liên tục của các điểm)kém hơn

Trang 21

c) Mức xám của ảnh

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

ảnh và độ xám của nó Dưới đây chúng ta xem xét một số khái niệm và thuậtngữ thường dùng trong XLA

 Định nghĩa: Mức xám của điểm ảnh là cường độ sáng của nó được gán bằng giá trị số tại điểm đó.

 Các thang 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 (8bit) để biểu diễnmức xám: Mức xám dùng 1 byte biểu diễn: 28 = 256, tức là từ 0 đến 255)

 Ảnh đen trắng: Là ảnh có hai màu đen, trắng (không chứa mầu

khác) với mức xám ở các điểm ảnh có thể khác nhau

 Ảnh nhị phân: Ảnh chỉ có hai mức đen trắng phân biệt, tức dùng 1

bit mô tả 21 mức khác nhau Nói cách khác: mỗi điểm ảnh của ảnh nhị phânchỉ có thể là 0 hoặc 1

 Ảnh màu: Trong khuôn khổ lý thuyết 3 màu (Red, Blue, Green) để

tạo nên thế giới màu, người ta thường dùng 3 byte để mô tả mức màu, khi đócác giá trị màu: 28*3 = 224 ≈ 16,7 triệu màu

 Định nghĩa ảnh số.

Ảnh số là tập hợp các điểm ảnh với mức xám phù hợp dùng để mô tả ảnh gầnvới ảnh thật

1.4 QUAN HỆ GIỮA CÁC ĐIỂM ẢNH

a) Các lân cận của điểm ảnh (Image Neighbors).

- Giả sử có điểm ảnh p tại tọa độ (x, y) có 4 điểm lân cận gần nhất theo

chiều đứng và ngang (có thể coi như lân cận 4 hướng chính: Đông, Tây,

Nam, Bắc)

{( x-1,y); (x, y-1); (x+1, y); (x, y+1)}= N 4 (p).

Trong đó, số 1 là giá trị logic; N4(p): tập 4 điểm lân cận của p

Tiêu đề	Xây Dựng Ứng Dụng Điểm Danh Bằng Dữ Liệu Khuôn Mặt
Tác giả	Ngô Văn Quý, Đỗ Thị Kim Ngân
Người hướng dẫn	Ths. Lê Tự Thanh
Trường học	Đại học Công Nghệ Thông Tin và Truyền Thông Việt – Hàn
Chuyên ngành	Khoa Khoa Học Máy Tính
Thể loại	đồ án
Năm xuất bản	2021
Thành phố	Đà Nẵng

Định dạng
Số trang	43
Dung lượng	1,77 MB