BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC CẦN THƠ KHOA CÔNG NGHỆ THÔNG TIN & TRUYỀN THÔNG LUẬN VĂN TỐT NGHIỆP ĐẠI HỌC NGÀNH KỸ THUẬT PHẦN MỀM Đề tài XÂY DỰNG HỆ THỐNG GÁN TÊN TỰ ĐỘNG CHO NGƯỜI TRONG ẢNH Sinh viên: Lương Đức Duy Mã số: 1111280 Khóa: K37 Cần Thơ, 05/2015 BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC CẦN THƠ KHOA CÔNG NGHỆ THÔNG TIN & TRUYỀN THÔNG BỘ MÔN CÔNG NGHỆ PHẦN MỀM LUẬN VĂN TỐT NGHIỆP ĐẠI HỌC NGÀNH KỸ THUẬT PHẦN MỀM Đề tài XÂY DỰNG HỆ THỐNG GÁN TÊN TỰ ĐỘNG CHO NGƯỜI TRONG ẢNH Người hướng dẫn Sinh viên thực TS Phạm Nguyên Khang Lương Đức Duy Mã số: 1111280 Khóa: K37 Cần Thơ, 05/2015 Lời cảm ơn Trải qua trình học tập làm việc thời gian dài, gặp không khó khăn, song với nổ lực thân, giúp đỡ thầy cô bạn bè, cuối đề tài luận văn hoàn thành Qua vài lời này, muốn bày tỏ lòng biết ơn sâu sắc đến với:  Các thầy cô Khoa Công Nghệ Thông Tin Truyền Thông dìu dắt, dạy dỗ giúp đỡ năm đại học  Thầy Phạm Nguyên Khang – giáo viên hướng dẫn gắn bó, nhiệt tình giúp đỡ chuyên môn kỹ thuật từ đầu cho dù không học chuyên Khoa học máy tính  Ngoài giúp đỡ bạn bè, động viên hỗ trợ tinh thần thời gian để giúp hoàn thành luận văn Vì kinh nghiệm ỏi, thời gian thực tương đối ngắn, thân không học chuyên ngành Khoa học máy tính, đề tài luận văn không tránh khỏi sai sót Rất mong nhận ý kiến đóng góp quý thầy cô bạn bè để đề tài hoàn thiện Chân thành cảm ơn Mục lục Lời cảm ơn Mục lục Danh mục hình ảnh Danh mục bảng .7 Tóm lược GIỚI THIỆU .10 Đặt vấn đề 11 Lịch sử giải vấn đề 11 Mục tiêu đề tài .12 Đối tượng phạm vi nghiên cứu 12 Nội dung nghiên cứu .12 Đóng góp đề tài .12 Bố cục luận văn 12 NỘI DUNG .14 Chương - Mô tả toán 15 1.1 Mô tả chi tiết toán .15 1.2 Các giải pháp liên quan 16 1.3 Lựa chọn giải pháp 17 Chương – Thiết kế cài đặt giải pháp .18 1.1 Tổng quan gán nhãn tự động cho người ảnh .18 1.2 Định vị mặt người sử dụng đặc trưng Haar-like 19 1.3 Trích xuất đặc trưng SIFT ảnh 27 1.4 Gán nhãn cho ảnh giải thuật Naive-Bayes Nearest-Neighbor (NBNN) 31 1.5 Hệ thống gán nhãn tự động cho người ảnh .35 Chương – Kiểm thử đánh giá 41 Thí nghiệm .42 Thí nghiệm .43 Thí nghiệm .45 Đánh giá chung 48 KẾT LUẬN .49 Kết đạt 50 Hướng phát triển 50 Tài liệu tham khảo .51 Danh mục hình ảnh Hình 1.1: Mô tả toán gán nhãn cho người ảnh 15 Hình 2.1: Mô tả tổng quan việc gán nhãn tự động cho người ảnh .18 Hình 2.2: Các đặc trưng Haar-like (Nguồn: Wordpress) 19 Hình 2.3: Mô tả việc xám hóa hình ảnh 20 Hình 2.4: Mô tả việc chèn đặc trưng Haar-like lên ảnh để định vị khuôn mặt 21 Hình 2.5: Mô tả việc định vị mặt người ảnh 21 Hình 2.6: Mô tả việc tách mặt người khỏi ảnh .22 Hình 2.7: Cấu trúc nội dung bên thư viện OpenCV (nguồn: learningopencv.files.wordpress.com) .24 Hình 2.8 : Ví dụ SIFT keypoint ảnh (nguồn: Internet) 27 Hình 2.9 : Hình biểu thị mô tả hướng độ lớn đặc trưng (nguồn: Codeproject) 29 Hình 2.10: Ví dụ tập hợp ảnh mặt người cắt dùng để tính toán đặc trưng SIFT 30 Hình 2.11: Mô tả luồng xử lý hệ thống gán nhãn tự động 36 Hình 2.12: Giao diện hệ thống gán nhãn tự động cho người ảnh 37 Hình 2.13: Hệ thống xử lý hình ảnh đầu vào 38 Hình 2.14: Hệ thống hiển thị kết trả 39 Hình 2.15: Hiển thị tập mặt người .40 Hình 3.1: Một số hình ảnh hình ảnh sử dụng để thực nghiệm 41 Hình 3.2: Hình ảnh người đem đánh giá lần 42 Hình 3.3: Hình 10 người đem đánh giá lần .43 Hình 3.4: Hình 20 người đem đánh giá lần .45 Danh mục bảng Bảng 3.1: Kết nhận diện thí nghiệm Brute-Force 42 Bảng 3.2: Kết nhận diện thí nghiệm FLANN 42 Bảng 3.3: Kết nhận diện thí nghiệm Brute-Force 43 Bảng 3.4: Kết nhận diện thí nghiệm FLANN 44 Bảng 3.5: Kết nhận diện thí nghiệm Brute-Force 46 Bảng 3.6: Kết nhận diện thí nghiệm FLANN 47 Bảng 3.7: Tổng kết đánh giá giải thuật NBNN 48 Tóm lược Với phát triển công nghệ số, nguồn liệu ảnh ngày tăng Làm cho máy tính nhận dạng đối tượng có ảnh, hiểu mô tả nội dung ảnh nhánh nghiên cứu ngành thị giác máy tính Mục tiêu đề tài áp dụng thành tựu thị giác máy tính để xây dựng hệ thống có khả “biết” tên người có ảnh Để xác định tên người có ảnh, phải xác định vị trí khuôn mặt có ảnh đầu vào, thư viện OpenCV có module định vị mặt người có ảnh xác Mỗi ảnh mặt người trích xuất thành thông tin mà máy tính hiểu được, thông tin gọi điểm đặc trưng ảnh, đề tài sử đặc trưng cục SIFT (Scale invariant Feature Transform) Mỗi SIFT ảnh vector đặc trưng có 128 chiều, trung bình ảnh mặt người có khoảng 200 SIFT Với ảnh đầu vào, đặc trung SIFT ảnh đầu vào so khớp với lớp SIFT sở liệu để đưa định gán nhãn cho ảnh Lớp SIFT sở liệu tổng hợp tất SIFT ảnh người Ứng với SIFT ảnh đầu vào Câu trả lời cho toán lớp SIFT sở liệu có khoảng cách gần với SIFT ảnh đầu vào Abstract With the development of digital technology, image data sources is increasing Making the computer can identify objects in pictures, understand and describe the content of the photo is a research branch of visual computing industry The objective of this project is applying the achievements in computer vision to build a system with the ability to "know" the name of each person in the picture To determine the name of each person in the picture, the first is to identify the location face in the input image, the OpenCV library with navigation module pictured faces quite accurate Each face image will be extracted into the information that computer can understand, this information is called the interesting points of a picture, this project uses SIFT (Scale invariant Feature Transform) to described a picture The SIFT feature of a picture is a vector has 128 dimensions, each SIFT feature is called SIFT keypoints A picture of one person face has around 200 SIFT keypoints in average For each input picture, it’s SIFT keypoints will be matched with all CLASS of SIFT keypoints in the database The class of SIFT keypoints in the database is the sum of all of the SIFT keypoints which is extracted from all images of the same person The output is the class of SIFT keypoints has the closest distance with the SIFT keypoints of input picture GIỚI THIỆU 10 Ở khoảng cách Euclid dùng để làm độ đo đặc trưng SIFT Giao diện hệ thống Hình 2.12: Giao diện hệ thống gán nhãn tự động cho người ảnh Hình 2.12 mô tả giao diện hệ thống gán nhãn tự động cho người ảnh, hệ thống chạy Web Giao diện chia làm phần Thanh bên trái danh sách người gán nhãn cho ảnh hệ thống Phần bên phải khung cho phép người dùng kéo thả hình vào tải lên hệ thống để xử lý 37 Hình 2.13: Hệ thống xử lý hình ảnh đầu vào Hình 2.13 mô tả lúc hệ thống sau người dùng kéo thả ảnh vào trình duyệt, lúc hệ thống tải ảnh lên thực thi tập tin C++ để nhận diện mặt người có ảnh 38 Hình 2.14: Hệ thống hiển thị kết trả Hình 2.14 hiển thị kết sau xử lý ảnh, hình hình ảnh trả với kết mặt người hệ thống gợi ý gán nhãn Người dùng có tùy chọn xác nhận hệ thống nhận dạng sai 39 Hình 2.15: Hiển thị tập mặt người Hình 2.15 mô tả hệ thống hiển thị danh sách khuôn mặt trích xuất từ ảnh người 40 Chương – Kiểm thử đánh giá Môi trường thực chạy thực nghiệm đánh giá là: Windows 8.1, Intel Core i5 2.60GHz, Ram 8GB Bộ chương trình thực nghiệm viết ngôn ngữ C++ Visual Studio 2012 Tiến hành thực nghiệm với tập liệu thu thập 20 người, người có khoảng 50 ảnh có chứa mặt Nguồn ảnh chủ yếu lấy từ Facebook nguồn khác, ảnh ảnh tự chụp tự nhiên chuẩn chung định Phần dùng nghi thức hold-out để đánh giá:lấy ngẫu nhiên 2/3 tập ảnh dể làm tập học, 1/3 tập để kiểm tra Hình 3.1 hình ảnh phần ảnh sử dụng việc thực nghiệm đánh giá Hình 3.1: Một số hình ảnh hình ảnh sử dụng để thực nghiệm Kiểm tra qua lần, kiểm tra với tập người: người, 10 người, 20 người Mỗi lần dùng thuật toán Brute-Force Approximate Nearest Neighbor (sử dụng thư viện FLANN David Lowe) để tìm kiếm SIFT, mục đích để so sánh thời gian độ xác Thời gian trung bình xem xét trường tính dựa thời gian nhận dạng mặt ảnh không tính thời gian đọc file xml vào RAM 41 Thí nghiệm Hình 3.2: Hình ảnh người đem đánh giá lần Trong thí nghiệm đầu tiên, đánh giá tập người, hình ảnh 3.2 hình ảnh khuôn mặt đại diện cho người thí nghiệm Kết chạy giải thuật Brute-Force Thời gian trung bình: 0.060s, độ xác: 93.04% Stt Kết Mặt người Chuc Ngan 20 Ho Huu Nhan 18 Huynh Nhat Minh 21 Le Truong Quoc Thang 25 Nguyen Quoc Nhan Bảng 3.1: Kết nhận diện thí nghiệm Brute-Force 23 Kết sử dụng Approximate Nearest Neighbor (FLANN có sẵn OpenCV) Thời gian trung bình: 0.372s, độ xác: 91.38% Stt Kết Mặt người Chuc Ngan 20 Ho Huu Nhan 18 Huynh Nhat Minh 20 Le Truong Quoc Thang 1 25 Nguyen Quoc Nhan Bảng 3.2: Kết nhận diện thí nghiệm FLANN 23 42 Bảng 3.1 3.2 cho thấy với tập người, dù chạy Brute-Force hay FLANN kết đem lại có độ xác cao Tuy nhiên có nhầm lẫn việc nhận dạng Thí nghiệm Hình 3.3: Hình 10 người đem đánh giá lần Hình 3.3 hình ảnh khuôn mặt đại diện cho 10 người đem thí nghiệm Trong bao gồm người thí nghiệm Kết chạy giải thuật Brute-Force Thời gian trung bình: 0.091s, độ xác: 92.41% Stt 10 Kết 10 Mặt người Chuc Ngan 22 Ho Huu Nhan 18 Huynh Nhat Minh 23 Le Truong Quoc Thang 1 30 Nguyen Chi Tam 24 Nguyen Ngoc Phuong Thao 18 Nguyen Quang Linh 15 Nguyen Quoc Nhan 28 Nguyen The Anh 17 Nguyen Tuan Anh 12 Bảng 3.3: Kết nhận diện thí nghiệm Brute-Force 43 Kết sử dụng Approximate Nearest Neighbor (FLANN có sẵn OpenCV) Thời gian trung bình: 0.685s, độ xác: 92.54% Kết Stt 10 Mặt người 10 Chuc Ngan 21 Ho Huu Nhan 19 Huynh Nhat Minh 25 Le Truong Quoc Thang 31 Nguyen Chi Tam 24 Nguyen Ngoc Phuong Thao 18 Nguyen Quang Linh 17 Nguyen Quoc Nhan 3 28 Nguyen The Anh 17 Nguyen Tuan Anh 12 Bảng 3.4: Kết nhận diện thí nghiệm FLANN Bảng 3.3 3.4 kết thực nghiệm với tập 10 người, lẽ tăng tập người độ xác giảm xuống nhầm lẫn cao với tập người nhiều hơn, nhiên khuôn mặt thêm vô lần có khác biệt nhiều so với khuôn mặt trước nên cuối độ xác lại tăng lên 44 Thí nghiệm Hình 3.4: Hình 20 người đem đánh giá lần Hình 3.4 hình ảnh 20 người thực nghiệm đánh giá thí nghiệm 3, có chứa 10 người thí nghiệm Kết chạy giải thuật Brute-Force Thời gian trung bình: 0.93s, độ xác: 86.52% 45 Stt 10 11 12 13 14 15 16 17 18 19 20 Tên Chimmy Tran 11 Chuc Ngan Doan Minh Quy 10 11 12 13 14 15 16 17 18 19 20 22 22 Ha Bella Ho Huu Nhan Huynh Nhat Minh Kha Duy Le Truong Quoc Thang Loan Smile Luong Thi Cam Tu Nguyen Chi Tam Nguyen Ngoc Phuong Thao Nguyen Ngoc Sang Nguyen Quang Linh Nguyen Quoc Nhan Nguyen The Anh Nguyen Thi Hong Van Nguyen Tuan Anh Tran Vu Lam Vu Huy Quan 12 18 25 14 29 13 19 25 1 18 15 3 15 25 18 15 12 22 16 Bảng 3.5: Kết nhận diện thí nghiệm Brute-Force Kết sử dụng Approximate Nearest Neighbor (FLANN có sẵn OpenCV) Thời gian trung bình: 1.60s, độ xác: 86.24% 46 Stt 10 11 12 13 14 15 16 17 18 19 20 Tên Chimmy Tran Chuc Ngan Doan Minh Quy 12 10 11 12 13 14 15 16 17 18 13 19 20 22 22 Ha Bella Ho Huu Nhan Huynh Nhat Minh Kha Duy Le Truong Quoc Thang Loan Smile Luong Thi Cam Tu Nguyen Chi Tam Nguyen Ngoc Phuong Thao Nguyen Ngoc Sang Nguyen Quang Linh Nguyen Quoc Nhan Nguyen The Anh Nguyen Thi Hong Van Nguyen Tuan Anh Tran Vu Lam Vu Huy Quan 13 18 1 22 2 1 1 29 1 16 19 25 1 19 1 1 15 15 25 19 15 12 1 22 17 Bảng 3.6: Kết nhận diện thí nghiệm FLANN 47 Bảng 3.5 3.6 kết thí nghiệm 3, ta thấy lần thí nghiệm này, tăng số lượng tập người lên độ xác có giảm xuống tăng tập người dễ xảy nhầm lẫn tập người Đánh giá chung Tập người Brute-Force Độ xác Thời gian trung bình Approximate Nearest Neighbor Độ xác Thời gian trung bình người 93.04% 0.060s 91.38% 0.372s 10 người 92.41% 0.091s 92.54% 0.685s 20 người 86.52% 0.93s 86.24% 1.60s Bảng 3.7: Tổng kết đánh giá giải thuật NBNN Bảng 3.7 bảng tổng kết độ xác giải thuật với lần thí nghiệm phương pháp tìm kiếm Nearest Neighbor Brute-Force Approximate Nearest Neighbor (trong trường hợp sử dụng FLANN) Với kết trên, ta thấy phương pháp NBNN đem lại khả nhận diện khuôn mặt cao Khả nhận diện NBNN không thua so với phương pháp pháp SVM[1], phương pháp phân lớp có học hàng đầu Vậy việc phát triển cải tiến giải thuật NBNN cần thiết phương pháp dễ cài đặt đơn giản, cho kết với độ xác cao Tuy nhiên, khả phân biệt giải thuật bị ảnh hưởng yếu tố có đeo kính hay không, kiểu tóc, trang điểm, v.v Những người có đeo kính thường dễ bị nhầm lẫn với nhau, người A đeo kính, không mang kính lại ảnh hưởng đến khả nhận dạng, việc thay đổi kiểu tóc trang điểm ảnh hưởng tới nhầm lẫn, người dòng họ bị ảnh nhầm lẫn với 48 KẾT LUẬN 49 Kết đạt Việc xây dựng ứng dụng quản lý hệ thống theo khuôn mặt hoàn thành, kiến thức việc xây dựng hệ thống tìm hiểu nắm bắt nhiều Trong có kiến thức thư viện mã nguồn mở OpenCV việc sử dụng việc xác định mặt người có ảnh Tiếp theo kiến thức SIFT, kiến thức thiếu kiến thức tảng trình xây dựng hệ thống Việc trích xuất đặc trưng khuôn mặt điều cần thiết vì xử lý ảnh thô hoàn toàn không thấy điểm đặc biệt khuôn mặt, từ khả nhận dạng sai cao Các đặc trưng sở việc nhận dạng khuôn mặt nói riêng hệ thống nhận dạng vật thể nói chung Nhờ có hai trình làm cho việc nhận dạng khuôn mặt người dùng dễ dàng, vững có độ xác cao hon Việc nhận dạng khuôn mặt người thực dựa thuật toán NBNN, thuật toán xấp xỉ tương đương với giả định Naïve Bayes, dễ hiểu thực cài đặt Hướng phát triển Cần nghiên cứu thêm chi tiết đặc trưng có mặt để tăng độ xác giải thuật nhận diện khuôn mặt Do thời gian thực lâu nên cần cải tiến nhiều để hệ thống hoạt động nhanh hơn, thời gian tải file liệu CSDL lên nhiều thời gian, đồng thời thời gian nhận diện tăng kích thước liệu ngày lớn Đề giải điều cần cải tiến hệ thống việc lưu trữ đọc tập tin vào RAM Cải tiến giải thuật NBNN việc tìm kiếm láng giềng gần cho độ phức tạp giảm xuống, làm giảm thời gian tìm kiếm lớp tương ứng Đồng thời việc cập nhật csdl làm cách thủ công nên cần cải tiến Việc gán nhãn tên cho mặt người phương pháp cần liệu không xảy nhiễu Khi nhiễu xảy ảnh thường xuất nhiều chấm màu xuất nhiều đường thẳng, đường cong, chi tiết đặc trưng mắt mũi miệng bị biến dạng làm cho chi tiết khuôn mặt không thấy rõ thấy Khi trích xuất đặc trưng SIFT nhiễu làm ảnh hưởng nhiều đến việc trích xuất đặc trưng SIFT Nên hệ thống cần thêm bước để xử lý nhiễu ảnh trước thực trích xuất đặc trưng 50 Tài liệu tham khảo [1] O Boiman, "In Defense of Nearest-Neighbor Based Image Classification, Computer Vision and Pattern Recognition," Computer Vision and Pattern Recognition, pp 1-8, 2008 [2] P Viola and M Jones, "Rapid object detection using a boosted cascade of simple," Computer Vision and Pattern Recognition, pp 511-518, 2001 [3] N T Kiên, "Ước Lượng Mật Độ Các Đặc Trưng Cục Bộ Sift Cho Bài Toán Chứng Thực Người Dùng Bằng Khuôn Mặt," 2013 [4] Đ T Nghị, Khai mỏ liệu, Minh họa ngôn ngữ R, Nhà xuất Đại học Cần Thơ, 2011 [5] M A F P M Q A Paulo M Ferreira, "Content-Based Image Classification: A Non-Parametric Approach" [6] R Bandara, "Bag-of-Features Descriptor on SIFT Features with OpenCV (BoFSIFT)," 2014 [Online] Available: http://www.codeproject.com/ [7] O D Team, "Opencv Documentation," http://docs.opencv.org/index.html 2015 [Online] Available: [8] D G L Marius Muja, "Fast approximate nearest neighbors with automatic algorithm configuration," In VISAPP International Conference on Computer Vision Theory and Applications, pp 331-340, 2009 51 [...]... để đo khoảng cách trong công thức của bước 3 là khoảng cách Euclide Q là ảnh cần xác định mặt người và gán nhãn cho từng mặt người Tiếp theo là phần trình bày về hệ thống gán nhãn tự động cho người trong ảnh, trong đó áp dụng các kiến thức đã trình bày ở các phần trên 1.5 Hệ thống gán nhãn tự động cho người trong ảnh Hình 2.11 mô tả tổng quan về hệ thống Trong đó, hệ thống được xây dựng trên nền Web... các SIFT của một lớp trong hệ thống Như đã nêu ở phần trên, có ba bước cơ bản trong việc gán nhãn tự động cho người trong ảnh: 18 1 Định vị mặt người trong ảnh 2 Trích xuất các đặc trưng trong ảnh mặt người 3 Gán nhãn cho ảnh Mỗi bước nêu trên sẽ được đi sâu ở các phần tiếp theo 1.2 Định vị mặt người sử dụng đặc trưng Haar-like Hệ thống gán nhãn tự động cho người có trong ảnh, cho nên công việc đầu... này là bài toán gán nhãn cho ảnh, trong trường hợp này là việc gán tên người tương ứng cho ảnh mặt người Việc gán nhãn này cũng có thể gọi là nhận dạng khuôn mặt Một hệ thống nhận dạng khuôn mặt là một ứng dụng máy tính cho phép tự động xác định hoặc xác minh một người từ trong một bức ảnh số hoặc một khung hình từ trong một đoạn phim Hình 1.1 mô tả việc gán tên tự động cho người trong ảnh Hình 1.1:... đặt hệ thống gán nhãn tự động cho người trong ảnh, chương này đi sâu vào từng bước và phương pháp được áp dụng cho từng bước như đã nêu trong chương 1 1.1 Tổng quan về gán nhãn tự động cho người trong ảnh Tập ảnh người Ảnh truy vấn Tách lấy khuôn mặt trong ảnh Tách lấy khuôn mặt trong ảnh Trích xuất đặc trung SIFT của tất cả các mặt Trích xuất đặc trung SIFT của mặt có trong ảnh Tổng hợp tất cả các... toán gán nhãn cho người trong ảnh Các bước cơ bản trong hệ thống bao gồm: 1 Định vị khuôn mặt trong ảnh 2 Trích xuất các đặc trưng trong ảnh khuôn mặt được xác định ở bước 1 3 Gán nhãn cho tên người dựa trên các đặc trưng trích xuất trong bước 2 15 1.2 Các giải pháp liên quan Định vị khuôn mặt Để giải quyết được bài toán gán nhãn cho người trong ảnh, đầu tiên phải định vị được khuôn mặt nằm ở đâu trong. .. SIFT Trong đó, đặc trưng cục bộ SIFT là một trong những phương pháp được đánh giá cao và được cộng đồng những người làm về phân loại ảnh chứng minh đây là đặc trưng mang lại kết quả cao nhất Gán nhãn tên người cho ảnh Bài toán gán nhãn cho người trong ảnh là thuộc về bài toán phân lớp ảnh, tức là sẽ quyết định xem ảnh nào thuộc lớp nào Vấn đề phân lớp ảnh là một trong những vấn đề quan trọng trong. .. ứng với khuôn mặt Người dùng cập nhật lại là đúng khuôn mặt hay sai Cập nhật lại csdl SIFT Hình 2.1: Mô tả tổng quan về việc gán nhãn tự động cho người trong ảnh Hình 2.1 mô tả tổng quát về việc thu thập dữ liệu và cách thức gán nhãn cho người có trong một tấm ảnh Hệ thống không có quá trình xây dựng mô hình hay không có quá trình học, nhưng việc lưu trữ cơ sở dữ liệu (CSDL) để cần cho việc xử lý cũng... làm hệ quản trị csdl Phần nhận dạng khuôn mặt sẽ được viết bằng ngôn ngữ C++ Mỗi lần có ảnh truy vấn thì hệ thống sẽ gọi file thực thi C++ để nhận dạng khuôn mặt và trả về kết quả 35 Ảnh đầu vào Client PHP Mặt và nhãn của từng mặt Ảnh đầu vào Ảnh với mặt người được gán nhãn C++ Server Hình 2.11: Mô tả luồng xử lý của hệ thống gán nhãn tự động Với một bức ảnh truy vấn đầu vào, hệ thống sẽ làm tương tự. .. của hệ thống là định vị và gán nhãn cho người có trong mặt trong tấm ảnh Đối tượng và phạm vi nghiên cứu Đối tượng và phạm vi của hệ thống quản lý hình ảnh là những bức ảnh của nhiều người, nguồn dữ liệu được lấy từ các trang mạng và thông qua các hình ảnh tự chụp Nội dung nghiên cứu  Phương pháp định vị mặt người và việc sử dụng bộ thư viện OpenCV để thực hiện việc định vị và trích xuất mặt người. .. sau để xây dựng hệ thống: 1 Định vị mặt người bằng phương pháp sử dụng Haar-like feature, việc này sẽ được thực hiện bởi một module trong bộ thư viện OpenCV 2 Trích xuất đặc trưng từ ảnh bằng cách sử dụng các đặc trưng SIFT 3 Gán nhãn cho tên người trong ảnh bằng giải thuật Naïve-Bayes Nearest Neighbor 17 Chương 2 – Thiết kế và cài đặt giải pháp Chương này mô tả về việc thiết kế cài đặt hệ thống gán nhãn ... trình bày hệ thống gán nhãn tự động cho người ảnh, áp dụng kiến thức trình bày phần 1.5 Hệ thống gán nhãn tự động cho người ảnh Hình 2.11 mô tả tổng quan hệ thống Trong đó, hệ thống xây dựng Web... đặc trưng SIFT Giao diện hệ thống Hình 2.12: Giao diện hệ thống gán nhãn tự động cho người ảnh Hình 2.12 mô tả giao diện hệ thống gán nhãn tự động cho người ảnh, hệ thống chạy Web Giao diện chia... tả luồng xử lý hệ thống gán nhãn tự động 36 Hình 2.12: Giao diện hệ thống gán nhãn tự động cho người ảnh 37 Hình 2.13: Hệ thống xử lý hình ảnh đầu vào 38 Hình 2.14: Hệ thống hiển thị