LỜI CẢM ƠN
Tôi muốn bày tỏ lòng biết ơn đến PGS.TS. Lê Mỹ Hà là người hướng dẫn định
hướng nghiên cứu để tôi thực hiện đề tài này. Thầy không chỉ giúp tôi giải quyết vấn
đề mà còn thúc đẩy và khuyến khích để tôi có thể hoàn thành thành công nhiệm vụ.
Để có thể hoàn thành luận án, việc tích lũy kiến thức trong bốn năm là rất quan
trọng, vì vậy tôi xin chân thành cảm ơn đến quý thầy cô khoa Điện - Điện Tử, khoa
Đào tạo Chất lượng cao đã cung cấp cho tôi những kiến thức nền tảng, căn bản để tôi
hoàn thành đồ án.
Ngoài ra, tôi xin cảm ơn phòng thí nghiệm hệ thống thông minh (ISLab) thuộc
khoa Kỹ thuật Điện – Điện Tử, lab trưởng ISLab Lê Mạnh Cường đã hỗ trợ các cơ
sở thiết bị để tôi thực hiện đề tài. Đồng thời, tôi cũng biết ơn bạn Nguyễn Hoàng
Hải Nam đã giúp đỡ tôi khi thực hiện mô hình phần cứng cho đồ án.
Cuối cùng, tôi xin gửi lời cảm ơn đến gia đình và bạn bè đã khuyến khích, hỗ
trợ và quan tâm tạo điều kiện thuận lợi cho tôi sớm hoàn thành đồ án này.
TPHCM, ngày … tháng … năm 2020
Sinh viên thực hiện
Trần Văn Tính

i

TÓM TẮT
Trong đồ án này, một hệ thống có khả năng tự động nhận diện khuôn mặt sử dụng
các thuật toán Machine Learning được đề xuất ứng dụng trong robot tiếp tân. Hệ
thống nhận diện khuôn mặt có ba bước chính: Đầu tiên, một mô hình Deep Learning
dựa trên nền tảng CNN có tên MTCNN được dùng để nhận dạng và căn chỉnh khuôn
mặt. Sau đó, các khuôn mặt được căn chỉnh sẽ được mã hóa thành vector 512-d thông
qua việc nhúng mạng tích chập sâu LResNet100E-IR với thuật toán ArcFace. Cuối
cùng, hồi quy softmax được sử dụng để phân cụm, xác minh khuôn mặt trong cơ sở
dữ liệu. Kết quả đánh giá mô hình cho độ chính xác là 92.22 %. Hệ thống được chạy
thực nghiệm với mô hình robot được chế tạo bằng cách tích hợp bo mạch Arduino
làm bộ điều khiển các hành vi đơn giản.
Từ khóa: nhận dạng khuôn mặt, nhận diện khuôn mặt, MTCNN, ArcFace,
Softmax, LResNet100E-IR.

ABSTRACT
In this thesis, a system capable of automatic facial recognition using Machine
Learning algorithms is proposed for use in receptionist robots. The face recognition
system has three main steps: First, a Deep Learning model based on CNN called
MTCNN is used to identify and align faces. Then the align faces. Then the aligned
faces will be encoded into 512-d vectors by embedding the LResNet100E-IR deep
convolution network with ArcFace algorithm. Finally, Softmax classifier is used to
cluster and verify faces in the database. Model evaluation results for accuracy are
92.22%
...

...
ao Zheng, Hongyu Xu, Jun-Cheng Chen, Carlos
illo, Rama Chellappa, Deep Heterogeneous Feature Fusion for TemplateBased Face Recognition, arXiv preprint arXiv:1702.04471, 2017
[9] Yann LeCun, Yoshua Bengio, and Geoffrey Hinton. “Deep learning”. In:
Nature 521.7553 (2015), pages 436–444 (cited on pages 21, 126, 128).
[10] K. He, X. Zhang, S. Ren, and J. Sun. Deep residual learning for image
recognition. In Proceedings of the IEEE Conference on Computer Vision and
Pattern Recognition, pages 770–778, 2016.
[11] le, N. (n.d.). What is Artificial Intelligence? Retrieved from
https://www.datascience.com/blog/what-is-artificial-intelligence.
[12] “Microsoft’s new Code editor is built on Google’s Chromium”. Ars Technica.
[13] Y. Guo, L. Zhang, Y. Hu, X. He, and J. Gao. Ms-celeb-1m: A dataset and
for large-scale face recognition. In European Conference on
Computer Vision, pages 87–102. Springer, 2016.
[14] Q. Cao, L. Shen, W. Xie, O. M. Parkhi, and A. Zisserman. Vggface2: A dataset
for recognising faces across pose and age. arXiv:1710.08092, 2017.
[15] C. J. Parde, C. illo, M. Q. Hill, Y. I. Colon, S. Sankaranarayanan, J.-C.
Chen, and A. J. O’Toole. Deep convolutional neural network features and the
original image. arXiv:1611.01751, 2016.
[1]

77

[16] R. Ranjan, C. D. illo, and R. Chellappa. L2-constrained softmax loss for
discriminative face verification. arXiv:1703.09507, 2017.
[17] ArcFace: Additive Angular Margin Loss for Deep Face Recognition, 2019 Feb
[18] N. Srivastava,
G. E.
Hinton,
A. Krizhevsky,
I. Sutskever,
and
R. Salakhutdinov. out: a simple way to prevent neural networks from
overfitting. Journal of machine learning research, 15(1):1929–1958, 2014.
[19] https://machinelearningcoban.com/2017/02/17/softmax/
[20] https://developer.nvidia.com/cuda-gpus
[21] https://users.soict.hust.edu.vn/trungtt/uploads/slides/CG05_ModelingTrans.
pdf
[22] https://www.instructables.com/id/Joy-Robot-Rob%C3%B4-Da-Alegria-OpenSource-3D-Printed-A/
[23] https://mc.ai/understanding-and-visualizing-resnets/
[24] D. Han,
J. Kim,
and
J. Kim. Deep
pyramidal
residual
networks. arXiv:1610.02915, 2016.
[25] K. He, X. Zhang, S. Ren, and J. Sun. Identity mappings in deep residual
networks. In ECCV, 2016.
[26] K. He, X. Zhang, S. Ren, and J. Sun. Delving deep into rectifiers: Surpassing
human-level performance on imagenet classification. In Proceedings of the
IEEE international conference on computer vision, pages 1026–1034, 2015.

78