TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH
KHOA ĐÀO TẠO CHẤT LƯỢNG CAO

ĐỒ ÁN TỐT NGHIỆP

GIẢI PHÁP QUẢN LÝ VÀ NHẬN DẠNG KHUÔN
MẶT HIỆU SUẤT CAO

SVTH:
MSSV:
Khoá:
Ngành:
GVHD:

ĐÀM LAM TRƯỜNG
17151274
2017 - 2021
CNKT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HOÁ
TS. TRẦN VŨ HOÀNG

Tp. Hồ Chí Minh, Tháng 1 năm 2021

TRƯỜNG ĐẠI HỌC SƯ PHẠM KỸ THUẬT THÀNH PHỐ HỒ CHÍ MINH
KHOA ĐÀO TẠO CHẤT LƯỢNG CAO

ĐỒ ÁN TỐT NGHIỆP

GIẢI PHÁP QUẢN LÝ VÀ NHẬN DẠNG KHUÔN
MẶT HIỆU SUẤT CAO

SVTH:
MSSV:
Khoá:
Ngành:
GVHD:

ĐÀM LAM TRƯỜNG
17151274
2017 - 2021
CNKT ĐIỀU KHIỂN VÀ TỰ ĐỘNG HOÁ
TS. TRẦN VŨ HOÀNG

Tp. Hồ Chí Minh, Tháng 1 năm 2021

CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM
Độc lập – Tự do – Hạnh Phúc
*******

NHIỆM VỤ ĐỒ ÁN TỐT NGHIỆP
Họ và tên sinh viên: Đàm Lam Trường

MSSV: 17151274

Ngành: CNKT Điều Khiển Và Tự Động Hoá
Giảng viên hướng dẫn: TS. Trần Vũ Hoàng
Ngày nhận đề tài: 1/10/2021

Lớp: 1715CL1B
ĐT: 0988757515
Ngày nộp đề tài: 10/12/2021

1. Tên đề tài: Giải pháp quản lý và nhận dạng khuôn mặt hiệu suất cao
2. Các số liệu, tài liệu ban đầu: mô hình học sâu phát hiện và mô hình học sâu trích xuất đặc
trưng khuôn mặt.
3. Nội dung thực hiện đề tài:
- Nghiên cứu, khảo sát và lựa chọn mô hình học sâu phát hiện và trích xuất khuôn mặt phù
hợp với các tiêu chí: nhanh, nhẹ và chính xác.
- Thu thập và khảo sát mô hình lựa chọn trên dữ liệu tự thu thập.
- Nghiên cứu thiết kế giao diện ứng dụng giải pháp.
- Thiết kế hệ thống, khảo sát ý kiến người dùng và hoàn thiện hệ thống
4. Sản phẩm: Hệ thống quản lý nhận dạng khuôn mặt hiệu suất cao.
TRƯỞNG NGÀNH
GIẢNG VIÊN HƯỚNG DẪN

i

CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM
Độc lập – Tự do – Hạnh Phúc
*******

PHIẾU NHẬN XÉT CỦA GIÁO VIÊN HƯỚNG DẪN
Họ và tên Sinh viên: Đàm Lam Trường

MSSV: 17151274

Ngành: Kỹ Thuật Điều Khiển Và Tự Động Hoá
Tên đề tài: Giải pháp quản lý và nhận dạng khuôn mặt hiệu suất cao
Giáo viên hướng dẫn: TS. Trần Vũ Hoàng

NHẬN XÉT
1. Về nội dung đề tài &amp khối lượng thực hiện:
- Nội dung đề tài và khối lượng thực hiện phù hợp.
2. Ưu điểm:
- Thiết kế và lựa chọn mô hình phù hợp với yêu cầu đặt ra.
- Đánh giá và phân tích kỹ mô hình đạt được với nhiều loại môi trường và nhiều yếu
tố tác động.
3. Khuyết điểm:
- Số lượng dữ liệu thử nghiệm còn chưa nhiều.
4. Đề nghị cho bảo vệ hay không?
- Đề nghị cho bảo vệ.
5. Đánh giá loại: Giỏi
6. Điểm: 9 (Bằng chữ: chín)
Tp. Hồ Chí Minh, ngày 27 tháng 12 năm 2021
Giáo viên hướng dẫn
(Ký &amp ghi rõ họ tên)

ii

CỘNG HOÀ XÃ HỘI CHỦ NGHĨA VIỆT NAM
Độc lập – Tự do
...

...
combined with
three additional classifiers” in 2017 13th IEEE International Conference on
Electronic Measurement &amp Instruments (ICEMI).
[5]: “Valentin Bazarevsky, Google Research, “BlazeFace: Sub-millisecond Neural
Face Detection on Mobile GPUs”, 11 July 2019
[6]: Google Research, “Mediapipe,” Google, 2020. [Online]. Available:
https://github.com/google/mediapipe.
[7]: Wei Liu and partners, “SSD: Single Shot MultiBox Detector”, 8 Dec 2016.
[8]: Andrew G. Howard and partners, “MobileNets: Efficient Convolutional
Neural Networks for Mobile Vision Applications”, 17 Apr 2017.
[9]: Ross Girshick and partners, “Rich feature hierarchies for accurate object
detection and semantic segmentation”, 11 Nov 2013.
[10]: Alex Krizhevsky, Ilya Sutskever, Geoffrey E Hinton, “Imagenet
classification with deep convolutional neural networks”, 2012.
[11]: Ross Girshick, “Fast R-CNN”, 30 Apr 2015.
[12]: Ross Girshick and partners, “Faster R-CNN: Towards Real-Time Object
Detection with Region Proposal Networks”, 4 Jun 2015.
[13]: “MobileNetV2: Inverted Residuals and Linear Bottlenecks” in The IEEE
Conference on Computer Vision and Pattern Recognition (CVPR), 2018.
[14]: Davis King, Dlib Open-Source C++ library. [Online]. Available at:
http://dlib.net/

58

[15]: Davis King, “High Quality Face Recognition with Deep Metric Learning”.
[Online]. Available at: http://blog.dlib.net/2017/02/high-quality-face-recognitionwith-deep.html
[16]: Paul Viola, Michael Jones, “Rapid Object Detection using a Boosted Cascade
of Simple Features”, 2001.
[17]: N. Dalal, B. Triggs, “Histograms of oriented gradients for human detection”,
2005.
[18]: HOG overview. [Online]. Available at: https://learnopencv.com/histogramof-oriented-gradients/
[19]: M.A. Hearst, S.T. Dumais, and partners, “Support vector machines”, July
1998.
[20]: “FaceNet: A Unified Embedding for Face Recognition and Clustering” in
Proceedings of the IEEE Computer Society Conference on Computer Vision and
Pattern Recognition 2015.
[21]: Amherst University of Massachusetts, “Labeled Faces in the Wild”.
[Online]. Available at: http://vis-www.cs
[22]: Neeraj Kumar, Alexander C. Berg and partners, “Attribute and Simile
Classifiers for Face Verification”, 1 September 2009.
[23]: Kaiming He, Xiangyu Zhang, “Deep Residual Learning for Image
Recognition”, 10 Dec 2015.

59

PHỤ LỤC

Các modules nhận dạng và chương trình:
https://app.box.com/s/su8fq2x3epxf9w0pdz8q33cqp1x6avjh
Video demo:
https://youtu.be/9yrzR4Ck9c4

60