Nguyễn Thị Thanh Tâm và Đtg<br />
<br />
Tạp chí KHOA HỌC & CÔNG NGHỆ<br />
<br />
99(11): 103 - 108<br />
<br />
MỘT GIẢI PHÁP MỚI CHO BÀI TOÁN THỐNG KÊ SỐ LƯỢNG SINH VIÊN<br />
DỰ LỚP SỬ DỤNG PHƯƠNG PHÁP PHÁT HIỆN KHUÔN MẶT<br />
Nguyễn Thị Thanh Tâm*, Nguyễn Văn Tới,<br />
Nguyễn Thị Tính, Lê Thu Trang<br />
Trường Đại học Công nghệ thông tin và Truyền thông – ĐH Thái Nguyên<br />
<br />
TÓM TẮT<br />
Thống kê số lượng sinh viên dự lớp là một nhu cầu thực tế đặt ra tại các trường đại học. Hiện nay,<br />
phương pháp thu thập số liệu một cách độc lập về số lượng sinh viên dự lớp vẫn được thực hiện<br />
thủ công bằng cách đếm trực tiếp tại lớp học. Đây là công việc tốn thời gian và gây phiền toái, ảnh<br />
hưởng đến giờ học nên việc thu thập dữ liệu một cách độc lập vẫn chưa được thực hiện thường<br />
xuyên. Trong bài báo này, chúng tôi đề xuất việc sử dụng phương pháp phát hiện khuôn mặt từ<br />
ảnh để đếm số sinh viên dự lớp. Chúng tôi đã thực nghiệm việc áp dụng phương pháp phát hiện<br />
khuôn mặt của Viola-Jones trong môi trường lớp học từ đó phân tích, đánh giá khả năng áp dụng trên<br />
thực tế. Kết quả thực nghiệm, phân tích cho thấy giải pháp chúng tôi đề xuất là khả thi, đúng hướng.<br />
Từ khóa: bài toán thống kê, phương pháp phát hiện khuôn mặt, Viola-Jones<br />
<br />
GIỚI THIỆU*<br />
Hầu hết các trường đại học đều có nhu cầu<br />
thống kê, phân tích số lượng sinh viên dự lớp.<br />
Số liệu này giúp các bộ phận quản lý nắm<br />
được tình hình tham gia học tập của sinh viên<br />
từng lớp, mức độ hấp dẫn của bài giảng và<br />
nhiều khía cạnh khác.<br />
Hiện nay việc thu thập dữ liệu về số lượng<br />
sinh viên dự lớp một cách độc lập, với mật độ<br />
đủ lớn hầu như vẫn chưa được thực hiện bởi<br />
vì những khó khăn, phiền phức. Với cách làm<br />
hiện tại, việc thu thập dữ liệu thường được<br />
thực hiện bởi các nhân viên bằng cách đi đến<br />
đếm trực tiếp tại các lớp vào giờ học. Cách<br />
làm này tốn công sức, nhân lực đồng thời gây<br />
gián đoạn, ảnh hưởng đến giờ học. Việc đếm<br />
trực tiếp trong hoàn cảnh phải nhanh chóng<br />
để đỡ ảnh hưởng đến lớp học cũng dẫn đến<br />
sai sót. Vì vậy, chúng tôi đề xuất một giải<br />
pháp mới cho việc thu thập dữ liệu đó là sử<br />
dụng máy ảnh hoặc camera kỹ thuật số để thu<br />
ảnh lớp học rồi sử dụng hệ thống tự động phát<br />
hiện khuôn mặt để hỗ trợ việc thu thập số liệu<br />
một cách nhanh chóng và chính xác.<br />
Trong những năm gần đây, phát hiện và nhận<br />
dạng khuôn mặt là chủ đề nghiên cứu thu hút<br />
sự quan tâm của nhiều nhà khoa học cả trên<br />
khía cạnh nghiên cứu phương pháp cơ bản<br />
cũng như các nghiên cứu ứng dụng. Đã có<br />
*<br />
<br />
Tel: 0973 002640, Email: ntttam@ictu.edu.vn<br />
<br />
nhiều phương pháp phát hiện, nhận dạng<br />
khuôn mặt được nghiên cứu và đề xuất [1].<br />
Trong đó, phương pháp Viola-Jones [2] được<br />
đánh giá là phương pháp tốt và được sử dụng<br />
rộng rãi hiện nay [3]. Theo thống kê và xếp<br />
hạng của Microsoft Academic Search [4], bài<br />
báo đầu tiên trình bày phương pháp ViolaJones [5] được trích dẫn 3279 lượt (số liệu<br />
ngày 10/11/2012) và số lượng trích dẫn vẫn<br />
đang liên tục tăng. Bài báo này xếp thứ mười<br />
về số lượng trích dẫn trong lĩnh vực thị giác<br />
máy tính, đứng thứ nhất trong bài toán phát<br />
hiện khuôn mặt và phát hiện đối tượng. Các<br />
bài báo khác về phương pháp này [6][2] đều<br />
có hàng nghìn lượt trích dẫn. Điều đó chứng<br />
tỏ phương pháp Viola-Jones ngày càng được<br />
đánh giá cao và sử dụng rộng rãi. Ở bài báo<br />
này, chúng tôi nghiên cứu áp dụng phương<br />
pháp Viola-Jones trong việc đếm số lượng<br />
sinh viên dự lớp.<br />
Những đóng góp của chúng tôi trình bày<br />
trong bài báo này bao gồm:<br />
- Đề xuất giải pháp mới cho bài toán thống kê<br />
số lượng sinh viên dự lớp sử dụng phương<br />
pháp phát hiện khuôn mặt;<br />
- Đánh giá hiệu quả của phương pháp ViolaJones trong môi trường lớp học thông qua<br />
thực nghiệm từ đó đưa ra kết luận về tính khả<br />
thi và hiệu quả của giải pháp đã đề xuất.<br />
Phần còn lại của bài báo được trình bày theo<br />
cấu trúc như sau: Phần 2 trình bày giải pháp<br />
103<br />
<br />
Nguyễn Thị Thanh Tâm và Đtg<br />
<br />
Tạp chí KHOA HỌC & CÔNG NGHỆ<br />
<br />
giải quyết bài toán thống kê số lượng sinh<br />
viên dự lớp sử dụng phương pháp phát hiện<br />
khuôn mặt. Phần 3 giới thiệu sơ lược phương<br />
pháp Viola-Jones mà chúng tôi sử dụng. Phần<br />
4 trình bày kết quả thực nghiệm và những<br />
phân tích kết luận của chúng tôi khi áp dụng<br />
phương pháp Viola-Jones trong môi trường<br />
lớp học. Kết luận và hướng nghiên cứu tiếp<br />
theo được trình bày trong phần 5.<br />
ĐỀ XUẤT GIẢI PHÁP GIẢI QUYẾT BÀI<br />
TOÁN THỐNG KÊ SỐ LƯỢNG SINH<br />
VIÊN DỰ LỚP<br />
Hình 1 là sơ đồ mô tả giải pháp mà chúng tôi<br />
đề xuất. Dưới đây là mô tả chi tiết từng bước<br />
trong sơ đồ:<br />
Thu thập ảnh dữ liệu lớp học: Thay vì trực<br />
tiếp đếm số lượng sinh viên trên lớp như cách<br />
làm truyền thống, chúng tôi đề xuất hai<br />
cách làm tùy theo điều kiện cơ sở vật chất<br />
nơi áp dụng.<br />
Cách 1: Nhân viên thu thập dữ liệu sử dụng<br />
máy ảnh kỹ thuật số để chụp ảnh lớp học. Với<br />
công nghệ hiện nay, có những loại máy ảnh<br />
có góc chụp rộng cho phép thu được ảnh chứa<br />
toàn bộ sinh viên từ cửa lớp. Dữ liệu ảnh thu<br />
được là đầu vào cho bước tự động phát hiện<br />
khuôn mặt và hiệu chỉnh kết quả. Ưu điểm<br />
của cách làm này so với cách làm truyền<br />
thống là không làm mất nhiều thời gian, hạn<br />
chế đến mức thấp nhất làm gián đoạn việc<br />
dạy và học.<br />
Cách 2: Sử dụng hệ thống camera gắn tại các<br />
phòng học. Việc sử dụng camera để thu thập<br />
ảnh dữ liệu sẽ mang lại hiệu quả cao hơn. Dữ<br />
liệu ảnh được thu nhận tức thời tại thời điểm<br />
mong muốn trong khi các tiết học đang diễn<br />
ra thông qua hệ thống mạng. Cách làm này<br />
không làm ảnh hưởng đến giờ học. Trong<br />
trường hợp này, cần trang bị hệ thống camera<br />
nhưng bù lại không cần nhân viên đi chụp ảnh.<br />
Xử lý phát hiện khuôn mặt: Sau khi đã có dữ<br />
liệu ảnh lớp học, hệ thống sẽ nhận ảnh đầu<br />
vào và tự động phát hiện khuôn mặt. Bước<br />
này được thực hiện bởi một chức năng trong<br />
chương trình phần mềm sẽ được xây dựng.<br />
Kết quả ảnh đầu ra được hiển thị với các vùng<br />
được đánh dấu được cho là khuôn mặt (có thể<br />
đúng hoạc sai). Như đã phân tích trong phần<br />
1, chúng tôi đề xuất sử dụng phương pháp<br />
Viola-Jones cho chức năng này.<br />
104<br />
<br />
99(11): 103 - 108<br />
<br />
Hình 1. Mô hình hoạt động của hệ thống thống kê<br />
số lượng sinh viên dự lớp sử dụng phương pháp<br />
phát hiện khuôn mặt<br />
<br />
Hiệu chỉnh kết quả phát hiện khuôn mặt: Ảnh<br />
đầu vào thu nhận trong môi trường thực tế có<br />
nhiều yếu tố phức tạp như tư thế ngồi của<br />
sinh viên khác nhau (hướng của khuôn mặt,<br />
người trước ngồi lấp mặt ngườisau...). Chức<br />
năng tự động phát hiện khuôn mặt có thể thực<br />
hiện không chính xác, nhầm hoặc bỏ sót. Hiện<br />
nay, chưa có phương pháp phát hiện khuôn<br />
mặt được đúng 100%. Chức năng hiệu chỉnh<br />
kết quả tự động phát hiện khuôn mặt được<br />
thực hiện bởi người quản lý chương trình một<br />
cách dễ dàng, nhanh chóng với các thao tác<br />
click chọn trên ảnh.<br />
Lưu trữ số lượng sinh viên dự lớp: Sau khi<br />
người quản lý hiệu chỉnh lại kết quả của việc<br />
phát hiện khuôn mặt để thu được kết quả<br />
chính xác, số liệu này được tổ chức lưu trữ<br />
trong cơ sở dữ liệu được thiết kế hợp lý và có<br />
thể phối hợp với các hệ thống khác liên quan.<br />
Những vị trí khuôn mặt trên ảnh cũng được<br />
lưu trữ. Tất cả các thông tin có thể được hiển<br />
thị, hiệu chỉnh, khai thác trong tương lai.<br />
Xử lý, phân tích, thống kê số lượng sinh viên<br />
dự lớp: Tùy theo nhu cầu, các chức năng<br />
thống kê, phân tích, báo cáo sẽ được trang bị<br />
trong chương trình. Đây là việc làm mang<br />
tính chuyên môn phục vụ cho tùy từng mục<br />
<br />
Nguyễn Thị Thanh Tâm và Đtg<br />
<br />
Tạp chí KHOA HỌC & CÔNG NGHỆ<br />
<br />
đích của việc thống kê số lượng học sinh, sinh<br />
viên. Ngoài ra, các kết quả, số liệu có thể được<br />
sử dụng ở nhiều công việc khác tiếp theo.<br />
PHƯƠNG PHÁP VIOLA -JONES<br />
Năm 2001, Paul Viola và cộng sự công bố<br />
một phương pháp phát hiện đối tượng theo<br />
hướng tiếp cận học máy sử dụng Boosted<br />
Cascade của các đặc trưng Haar-like [5].<br />
Phương pháp ban đầu nhằm mục đích giải<br />
quyết bài toán phát hiện khuôn mặt. Phương<br />
pháp này kết hợp nhiều bộ phân lớp trong một<br />
cấu trúc Cascade, Hình 2. Mỗi nút của cấu<br />
trúc Cascade là một bộ phân lớp. Ở đây, bộ<br />
phân lớp thực hiện phân một đối tượng vào<br />
một trong hai lớp: là khuôn mặt hoặc không là<br />
khuôn mặt.<br />
<br />
99(11): 103 - 108<br />
<br />
là hơn 180.000. Tuy nhiên, giá trị các đặc<br />
trưng Haar-like được tính toán rất nhanh và<br />
thời gian tính là bằng nhau cho mỗi giá trị<br />
bằng cách sử dụng Integral Image.<br />
<br />
Hình 3. Các kiểu đặc trưng Haar-like, [5]. (A)<br />
Kiểu đặc trưng Two-rectangle (cấu tạo bởi hai<br />
vùng hình chữ nhật); (B) và (C) là hai kiểu đặc<br />
trưng Three-rectangle; (D) Kiểu đặc trưng Fourrectangle.<br />
<br />
Hình 2.Cấu trúc Cascade,[5].<br />
<br />
Quá trình phát hiện khuôn mặt trên một ảnh<br />
đầu vào sẽ diễn ra như sau: tất cả các vùng<br />
hình chữ nhật (Sub-Window) ở tất cả các vị<br />
trí và với tất cả các kích thước được xem xét.<br />
Với một Sub-Window, nó được đưa vào nút<br />
đầu tiên của Cascade, nếu nút này xác định<br />
Sub-Window là khuôn mặt thì nó được đưa<br />
qua nút tiếp theo, nếu không thì kết luận SubWindow này không phải là khuôn mặt. Một<br />
Sub-Window được kết luận là khuôn mặt nếu<br />
được lần lượt chấp nhận ở tất cả các nút. Các<br />
bộ phân lớp ứng với các nút của Cascade sử<br />
dụng đặc trưng Haar-like, Hình 3.<br />
Giá trị đặc trưng Haar-like là chênh lệch giữa<br />
tổng giá trị điểm ảnh thuộc vùng trắng và<br />
tổng giá trị điểm ảnh thuộc vùng xám. Một<br />
đặc trưng Haar-like của một ảnh được xác<br />
định bởi kiểu đặc trưng, kích thước và vị trí<br />
trên ảnh. Tổng số đặc trưng của ảnh là rất lớn,<br />
lớn hơn nhiều so với số lượng điểm ảnh. Ví<br />
dụ, với ảnh kích thước 24x24 thì số đặc trưng<br />
<br />
Hình 4.Ví dụ đặc trưng Haar-like của ảnh khuôn<br />
mặt. Đây là những đặc trưng đầu tiên được chọn<br />
trong quá trình huấn luyện, [5].<br />
<br />
Hình 4 là ví dụ đặc trưng Haar-like trên vùng<br />
ảnh khuôn mặt (Sub-Window). Đã có nhiều<br />
nghiên cứu mở rộng, cải tiến tập đặc trưng<br />
Haar-like. Lienhart và cộng sự đưa ra tập đặc<br />
trưng Haar-like mở rộng [7] với 14 loại đặc<br />
trưng bằng cách thêm vào các đặc trưng xoay<br />
45o, Hình 4. Chúng tôi sử dụng tập đặc trưng<br />
mở rộng này.<br />
Mỗi bộ phân lớp ứng với mỗi nút trong cấu<br />
trúc Cascade được tạo ra bởi quá trình huấn<br />
luyện sử dụng thuật toán AdaBoost [8]. Thuật<br />
toán AdaBoost thực hiện T lần lặp để chọn ra<br />
T bộ phân loại yếu rồi kết hợp lại thành một<br />
bộ phân loại mạnh. Thuật toán AdaBoost<br />
được sử dụng vừa để chọn bộ phân loại yếu<br />
105<br />
<br />
Nguyễn Thị Thanh Tâm và Đtg<br />
<br />
Tạp chí KHOA HỌC & CÔNG NGHỆ<br />
<br />
tốt nhất tại mỗi lần lặp (cũng chính là chọn<br />
đặc trưng Haar-like) đồng thời huấn luyện bộ<br />
phân loại mạnh. Quá trình huấn luyện cũng<br />
đồng thời huấn luyện cấu trúc Cascade.<br />
(a) Các đặc trưng cạnh:<br />
<br />
(b) Các đặc trưng đường:<br />
<br />
(c) Các đặc trưng bao quanh tâm:<br />
<br />
Hình 4. Tập đặc trưng Haar-like mở rộng, [7].<br />
<br />
KHẢO SÁT THỰC NGHIỆM ĐÁNH GIÁ<br />
HIỆU QUẢ CỦA HỆ THỐNG ĐỀ XUẤT<br />
Để đánh giá tính khả thi và hiệu quả dự kiến<br />
của giải pháp đã trình bày ở phần 3, chúng tôi<br />
tiến hành thử nghiệm phương pháp ViolaJones trong môi trường lớp học. Hiệu quả của<br />
phương pháp phát hiện khuôn mặt càng cao<br />
thì hiệu quả của giải pháp đã đề xuất càng<br />
cao. Việc thử nghiệm được tiến hành trong<br />
môi trường lớp học tại Trường Đại học Công<br />
nghệ thông tin và Truyền thông – Đại học<br />
Thái Nguyên.<br />
Mô tả thử nghiệm<br />
Để có được tập ảnh phục vụ việc thử nghiệm<br />
phát hiện khuôn mặt, chúng tôi tiến hành<br />
bằng cách đến từng lớp học chụp ảnh học<br />
sinh, sinh viên trong giờ học. Trường Đại học<br />
Công nghệ thông tin và truyền thông hiện nay<br />
có tất cả 4 giảng đường với 31 phòng học<br />
phục vụ cho việc học tập trên lớp đó là: C2,<br />
C3, C4, và KT (Ký túc). Trong điều kiện cho<br />
phép của nhóm nghiên cứu chúng tôi sử dụng<br />
máy ảnh Canon PowerShot A580, độ phân<br />
giải 8.0 Megapixels, kích thước ảnh thu nhận<br />
3264x2448 pixels. Việc thử nghiệm với loại<br />
máy ảnh có cấu hình và chất lượng thấp như<br />
thế này nếu cho kết quả khả thi thì khi áp<br />
106<br />
<br />
99(11): 103 - 108<br />
<br />
dụng với máy ảnh và camera tốt hơn sẽ còn<br />
cho kết quả tốt hơn.<br />
Chúng tôi thu thập ảnh lớp học ở tất cả các<br />
điều kiện môi trường khác nhau xuất hiện<br />
trong trường. Tại mỗi phòng học, chúng tôi<br />
chụp nhiều lần tại các thời điểm khác nhau<br />
với điều kiện ánh sáng khác nhau, trạng thái<br />
sinh viên trong lớp khác nhau. Dữ liệu được<br />
thu tại tất cả các giảng đường. Ở mỗi giảng<br />
đường, chúng tôi thu dữ liệu ở các phòng học<br />
ở mỗi tầng có điều kiện môi trường khác nhau<br />
(số lượng bóng đèn chiếu sáng, vị trí bố trí<br />
các bóng đèn chiếu sáng, khung cảnh bên<br />
ngoài phòng học ảnh hưởng đến ánh sáng<br />
trong phòng...). Việc lấy dữ liệu ở tất cả các<br />
giảng đường, phòng học với tất cả các môi<br />
trường khác nhau nhằm đảm bảo độ tin cậy<br />
của kết quả thực nghiệm và các phân tích, kết<br />
luận. Tổng số ảnh thu được là 219 với 4600<br />
lượt sinh viên xuất hiện.<br />
Với bộ ảnh thu thập được tại các lớp học,<br />
chúng tôi xây dựng chương trình thử nghiệm<br />
dựa trên bộ thư viện mã nguồn mở OpenCV<br />
2.0 để phát hiện khuôn mặt. Các bộ phát hiện<br />
đã được huấn luyện kèm theo thư viện<br />
OpenCV 2.0 được sử dụng. Chúng tôi xây<br />
dựng công cụ hỗ trợ đánh dấu thủ công những<br />
vị trí có khuôn mặt sinh viên trong ảnh để tạo<br />
dữ liệu ground truth phục vụ việc thử nghiệm.<br />
Tất cả dữ liệu và các công cụ do chúng tôi<br />
chuẩn bị có thể được tham khảo cho mục đích<br />
học tập, nghiên cứu. (Hãy gửi email yêu cầu<br />
cho tác giả số 1 khi cần: ntttam@ictu.edu.vn).<br />
Phương pháp đánh giá<br />
Để đánh giá hiệu quả của phương pháp ViolaJones trong môi trường lớp học cho việc phát<br />
hiện sinh viên thông qua phát hiện khuôn mặt,<br />
chúng tôi sử dụng độ đo Precision-Recall [9]<br />
được sử dụng rộng rãi trong lĩnh vực tra cứu<br />
thông tin (Information Retrival). Gọi NP là số<br />
lượt sinh viên thực tế xuất hiện trong cơ sở dữ<br />
liệu thử nghiệm, NT là số lượng khuôn mặt<br />
phát hiện đúng, NF là số lượng khuôn mặt<br />
phát hiện sai. Khi đó:<br />
<br />
Nguyễn Thị Thanh Tâm và Đtg<br />
<br />
Tạp chí KHOA HỌC & CÔNG NGHỆ<br />
<br />
Recall được gọi là độ thu hồi, là tỷ lệ giữa số<br />
lượng phát hiện đúng trên số lượng đối tượng<br />
thực tế có trong cơ sở dữ liệu thử nghiệm.<br />
Precision gọi là độ chính xác, là tỷ lệ giữa số<br />
lượng phát hiện đúng trên tổng số đối tượng<br />
do chương trình phát hiện ra. F là một độ đo<br />
phối hợp giữa Precision và Recall.<br />
Cùng với phương pháp đánh giá trên đây,<br />
chúng tôi đề xuất một phương pháp đánh giá<br />
mức độ hiệu quả của việc áp dụng bước tự<br />
động phát hiện khuôn mặt như sau:<br />
Ta gọi việc người sử dụng xác định bằng tay<br />
một đối tượng có phải là khuôn mặt (sinh<br />
viên) hay không là một “thao tác”. Như vậy,<br />
với hệ thống không áp dụng phương pháp<br />
phát hiện khuôn mặt tự động mà người dùng<br />
thực hiện xác định hoàn toàn bằng tay thì số<br />
thao tác là NP. Còn trong trường hợp sử dụng<br />
phương pháp phát hiện khuôn mặt rồi hiệu<br />
chỉnh thì số thao tác của người dùng ở bước<br />
hiệu chỉnh là NF + (NP-NT), tức là số thao<br />
tác để loại bỏ những phát hiện sai (NF) cộng<br />
với số thao tác để xác định thêm những đối<br />
tượng còn thiếu (NP-NT). Gọi H là hiệu quả<br />
của việc áp dụng bước phát hiện khuôn mặt,<br />
được tính là tỷ lệ giữa số thao tác giảm đi khi<br />
áp dụng bước phát hiện khuôn mặt so với số<br />
thao tác bình thường phải thực hiện khi không<br />
áp dụng.<br />
<br />
Kết quả thử nghiệm và nhận xét<br />
Bảng 1 trình bày kết quả đánh giá dưới dạng<br />
Precision-Recall của bước tự động phát hiện<br />
sinh viên thông qua phát hiện khuôn mặt.<br />
Bảng 2 trình bày kết quả đánh giá hiệu quả<br />
của bước này theo cách chúng tôi đề xuất<br />
trong phần 4.2.<br />
Trong thí nghiệm này, phương tiện và điều<br />
kiện thu nhận ảnh thử nghiệm chưa tốt (máy<br />
ảnh cấu hình thấp, chụp ở vị trí thấp dẫn đến<br />
nhiều sinh viên phía dưới bị che khuất mặt).<br />
<br />
99(11): 103 - 108<br />
<br />
Hơn nữa, với mục tiêu đánh giá khách quan,<br />
ảnh được thu nhận trong môi trường thực tế<br />
nên nhiều khuôn mặt bị nghiêng, che khuất.<br />
Tuy nhiên bộ phát hiện khuôn mặt đã phát<br />
hiện khá tốt các khuôn mặt rõ, không bị che<br />
khuất. Trong các bảng số liệu trình bày ở trên,<br />
NP là số lượt sinh viên xuất hiện, kể cả những<br />
trường hợp bị che khuất. Chúng tôi sử dụng<br />
trên số liệu này với mục đích đánh giá hiệu<br />
quả của bộ phát hiện khuôn mặt tác động lên<br />
hệ thống thống kê số lượng sinh viên chứ<br />
không đánh giá hiệu quả phát hiện khuôn mặt<br />
trên tập khuôn mặt đầu vào. Kết quả cho thấy<br />
khi sử dụng bộ phát hiện khuôn mặt, công sức<br />
cần bỏ ra thực hiện bước xác định sinh viên<br />
trong ảnh giảm 38%. Nếu hệ thống thu nhận<br />
ảnh là camera gắn cố định ở vị trí cao, thuận<br />
lợi trong lớp thì số khuôn mặt bị che khuất sẽ<br />
ít, tỷ lệ tự động phát hiện sẽ cao hơn và mang<br />
lại hiệu quả tốt hơn.<br />
Bảng 1. Đánh giá dạng Precision-Recall bước<br />
phát hiện tự động<br />
Chỉ số<br />
Giá trị<br />
NP<br />
4600<br />
NT<br />
2466<br />
NF<br />
737<br />
Recall<br />
0.54<br />
Precision<br />
0.77<br />
F-measure<br />
0.63<br />
Bảng 2. Đánh giá hiệu quả bước phát hiện<br />
tự động.<br />
Chỉ số<br />
Giá trị<br />
Số thao tác khi không áp dụng bước<br />
4600<br />
tự động phát hiện khuôn mặt<br />
Số thao tác giảm khi sau khi áp dụng<br />
1729<br />
bước tự động phát hiện khuôn mặt<br />
H<br />
38%<br />
<br />
Hơn nữa, ngay cả trong trường hợp không sử<br />
dụng phương pháp phát hiện khuôn mặt tự<br />
động mà thực hiện thủ công bằng cách người<br />
dùng chỉ ra trên ảnh dựa vào phần mềm với<br />
giao diện thân thiện thì đã tốt hơn cách truyền<br />
thống. Việc thu thập ảnh trên lớp nhanh hơn,<br />
giảm việc gây ảnh hưởng đến lớp. Phần mềm<br />
với giao diện thân thiện giúp thao tác dễ dàng,<br />
nhanh, chính xác. Hệ thống cũng mở ra nhiều<br />
khả năng phối hợp, khai thác thông tin trong<br />
toàn trường.<br />
107<br />
<br />