Nghiên cứu và đánh giá hiệu năng Retinaface với một số phương pháp nhận diện hiện đại

Bài viết thực hiện nghiên cứu đặc trưng cơ bản của Retinaface với ứng dụng dò tìm trên video và đối sánh kết quả thực nghiệm. Từ đó so sánh tham số hiệu năng với các giải pháp khác để rút ra các kết luận hữu ích.
Nội dung trích xuất từ tài liệu:
Nghiên cứu và đánh giá hiệu năng Retinaface với một số phương pháp nhận diện hiện đại Hội nghị Quốc gia lần thứ 23 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2020) Nghiên cứu và đánh giá hiệu năng Retinaface với một số phương pháp nhận diện hiện đại Nguyễn Bá Bắc, Phạm Tuấn Anh, Đinh Quang Huy, Hoàng Trọng Minh Khoa Viễn Thông I, Học Viện Công Nghệ Bưu Chính Viễn Thông Email:bacnb.b16dcvt023@stu.ptit.edu.vn, anhpt.b17vt021@stu.ptit.edu.vn, huydq.b17vt167@stu.ptit.edu.vn, hoangtrongminh@ptit.edu.vn Abstract— Trong một số năm gần đây, các giải pháp một hệ thống nhận dạng thông minh là chưa được nhận diện khuôn mặt đã đạt được thành tựu ứng dụng thực hiện bởi các nhóm tác giả khác. Vì vậy, nghiên to lớn trong các các lĩnh vực dân sự, quân sự, an ninh cứu này thực hiện một đối sánh cụ thể để xác định các đa dạng. Rất nhiều bộ công cụ và cách tiếp cận mới hỗ điểm mạnh và điểm yếu của retina với các giải pháp trợ tính toán thông minh AI đã được phát triển gần đây khác nhằm khuyến nghị các ứng dụng cụ thể khi ứng đã cải thiện mạnh mẽ về hiệu năng và mở ra các ứng dụng mới. Retinaface là một giải pháp nhận dạng được dụng hệ thống nhận diện khuôn mặt. phát triển gần đây, tận dụng lợi thế dò tìm khuôn mặt Bài báo được tổ chức như sau. Phần tiếp theo sẽ trên các điểm landmarks và quá trình học sẽ giải quyết trình bày các nghiên cứu liên quan và đặc trưng cơ nhận dạng đa góc cạnh của khuôn mặt. Tuy nhiên, bên bản của các hệ thống nhận diện khuôn mặt thông cạnh đó là các giải pháp nhận dạng tiên tiến khác cũng minh retinaface. Phần III sẽ lược tả nguyên tắc hoạt đem lại các điểm mạnh nhất định mà chưa được các tác động của retinaface và đối sánh các tham số hiệu năng giả trước đối sánh. Vì vậy, trong bài báo này, chúng tôi với các hệ thống khác. Và cuối cùng là các thảo luận thực hiện nghiên cứu đặc trưng cơ bản của retinaface hữu ích cùng với hướng nghiên cứu tương lai của với ứng dụng dò tìm trên video và đối sánh kết quả thực nhóm tác giả. nghiệm. Từ đó so sánh tham số hiệu năng với các giải pháp khác để rút ra các kết luận hữu ích. Keywords- Nhận diện khuôn mặt, do tìm khuôn mặt, II. NGHIÊN CỨU LIÊN QUAN retinaface, học máy, mạng neuron tích chập. Trong thời gian gần đây, một số giải pháp nhận dạng khuôn mặt đã được phát triển. Trong [3] đưa ra I. GIỚI THIỆU một giải pháp tìm điểm đặc trưng của khuôn mặt dựa Phát hiện khuôn mặt là một trong những khía trên một bộ lọc trong cửa sổ trượt. Các biến thể của cạnh cơ bản nhất của hệ thống nhận diện khuôn mặt. bộ lọc Haar sử dụng các khối logic để tạo ra sự phân Trên cơ sở các điểm đánh dấu trên khuôn mặt, các bộ biệt các đặc trưng. Số lượng các đặc trưng cần thiết công cụ tính toán thông minh sử dụng trí tuệ nhân tạo của Haar lên tới 6000 đã kéo theo thời gian xử lý tăng thực hiện các mô hình đào tạo khác nhau để phát hiện lên đáng kể. nhận dạng của người cụ thể. Các mô hình đào tạo Dlib [1] là một bộ công cụ chứa các thuật toán trước được sử dụng trong phát hiện khuôn mặt nổi học máy để phát hiện khuôn mặt gồm 04 bước: chuẩn tiếng hiện nay là gồm Dlib [1], MTCNN [2], hóa hình ảnh trước khi xử lý, tính toán gradient hai OpenCV_Haar [3], Facenet [4] và OpenCV_DNN chiều, lấy phiếu trọng số trong các cell và chuẩn hóa [5]. các block. Các ảnh gradient được trích xuất bằng Mặc dù những mô hình phát hiện khuôn mặt kể phương pháp tích chập và cường độ được tính từ hình trên thật sự đã có những bước tiến dài trong thời gian ảnh tới pixel. Các biểu đồ được hình thành để tạo ra qua, nhưng các yêu cầu nhận diện hiện nay cũng đặt các vector đặc trưng và được xử lý bởi kỹ thuật học ra các thách thức mới không chỉ liên quan tới độ phức máy vector hỗ trợ SVM (Support Vector Machine). tạp thuật toán mà còn liên quan tới điều kiện đầu vào Mặc dù giải pháp này cho khả năng phát hiện khuôn của khuôn mặt (ví dụ: đeo kính râm hoặc mặt nạ thở, mặt chính xác nhưng rất khó khăn khi chạy thời gian v..v). Một nghiên cứu gần đây có tên là retina [6] nổi thực do yêu cầu xử lý lớn. lên như một giải pháp hữu hiệu trong vai trò nhận Trong [2] trình bày kỹ thuật phát hiện khuôn mặt diện khuôn mặt với nhiều điều kiện đầu vào khác qua năm điểm đặc trưng chính. Giải pháp này sử dụng nhau. Vì vậy, nó có thể ứng dụng rộng rãi và hiệu quả mạng neuron tích chập 3 tầng gồm P-Net, R-Net và hơn trong một số ứng dụng bảo mật trong internet vạn O-net. Kết quả đầu ra của các tầng đều được xử lý vật hay phát hiện nhận dạng qua video giám sát. Tuy nén không tối đa để bỏ đi những kết quả không tin nhiên, theo khảo sát và kiến thức tốt nhất của chúng cậy và sau đó thực hiện hiệu chuẩn các đường bao tôi, một đánh giá hiệu năng cụ thể khi kết hợp trong giới hạn. ISBN: 978-604-80-5076-4 283 Hội nghị Quốc gia lần thứ 23 về Điện tử, Truyền thông và Công nghệ Thông tin (REV-ECIT2020) Trong [5] trình bày giải pháp dò tìm khuôn mặt về xử lí ảnh kích thước khác nhau của các hệ thống dựa trên bộ dò đa khối cho một ảnh Single Shot- mô phỏng 3D. Multibox D ...