Xây dựng hệ thống điểm danh tại trường THPT Bình Sơn sử dụng phương pháp học bán giám sát
MỞ ĐẦU
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
Trong khuôn khổ của luận văn thuộc loại nghiên cứu và xây dựng ứng dụng, đối tượng nghiên cứu trong luận văn liên 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.
– 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
– 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.
– 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
– Nghiên cứu thuật toán Haar-like – Adaboost là 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.
– Phát triển hệ thống để góp phần phổ biến và từng bước thâm nhập sâu hơn về công nghệ này. Kết quả sẽ mở ra một kỹ thuật trích chọn đặc trưng cho các nghiên cứu sau này.
– 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 giám 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
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.
Ảnh
24 × 24
Thuật toán
Viola – Jones
+ 1
Là khuôn mặt.
-1
Không phải là 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.
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
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.
1.2.2. Các phương pháp học máy
1.2.2.1. Học không giám sát
1.2.2.2. Học có giám sát
1.2.2.3. Học bán giám sát
1.2.2.4. Học tăng cường
1.2.3. Các mô hình học máy
1.2.4. Ứng dụng học máy
1.3. Tổng quan về xử lý ảnh
Xử lý ảnh là một lĩnh vực mang tính khoa học và công nghệ. Nó là một ngành khoa học mới mẻ so với nhiều ngành khoa học khác nhưng tốc độ phát triển của nó rất nhanh, kích thích các trung tâm nghiên cứu, ứng dụng, đặc biệt là máy tính chuyên dụng riêng cho nó.
1.3.1. Mục đích của xử lý ảnh gồm
1.3.2. Các bước trong quá trình xử lý ảnh
1.3.3. Phạm vi ứng dụng của xử lý ảnh
1.3.4. Mức xám của ảnh và biểu diễn ảnh
1.3.4.1. Mức xám của ảnh
1.3.4.2. Biểu diễn 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.
1.4.1.1. Ưu điểm của phương pháp PCA
1.4.1.2. Nhược điểm của phương pháp PCA
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.
1.4.2.1. Ưu điểm của SVM
1.4.2.2. Nhược điểm của SVM
1.4.3. Phương pháp K-láng giềng gần nhất
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:
1.4.3.2. Nhược điểm 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.
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:
1.4.5.2. Nhược điểm của LDA:
1.5. Thách thức đối với hệ thống nhận dạng
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 II 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
2.1.2. Tình trạng của các lớp học và các vấn đề
2.1.3. Thiết kế cơ sở dữ liệu
F:\DỮ LIỆU COP CỦA CHỊ YẾN\DAI HOC DA NANG\KHOA HOC MAY TINH\LAI THI BAO UYEN\TOM TAT
