Khóa Luận Tốt Nghiệp: Đánh Giá Các Phương Pháp Chống Giả Mạo Khuôn Mặt Trong Khoa Học Máy Tính

• Tác giả: Lê Bảo Huy
• Người hướng dẫn: TS. Ngô Đức Thành
• Trường học: Đại học Công nghệ Thông tin
• Chuyên ngành: Khoa học máy tính
• Đề tài: Đánh giá một số phương pháp chống giả mạo khuôn mặt
• Loại tài liệu: khóa luận tốt nghiệp
• Năm xuất bản: 2021
• Địa điểm: Thành phố Hồ Chí Minh

Mục lục chi tiết

• LỜI CẮM ƠN
• 1. CHƯƠNG 1: TỔNG QUAN
• 1.1. Đặt vấn đề
• 1.2. Phạm vi và mục tiêu
• 1.3. Đóng góp của khóa luận
• 1.4. Cấu trúc khóa luận
• 2. CHƯƠNG 2: CƠ SỞ LÝ THUYẾT
• 2.1. Mở đầu
• 2.2. Giới thiệu bài toán chống giả mạo khuôn mặt
• 2.3. Các phương pháp cổ điển
• 2.3.1. Local binary pattern (LBP)
• 2.3.2. Histogram of Oriented Gradient (HOG)
• 2.4. Các mô hình học sâu
• 2.4.1. Mạng nơ-ron tích chập (Convolutional Neural Network)
• 2.4.2. ResNet
• 2.5. Searching Central Difference Convolutional Networks (CNCD)
• 3. CHƯƠNG 3: MỘT SỐ PHƯƠNG PHÁP CHO BÀI TOÁN CHỐNG GIẢ MẠO KHUÔN MẶT
• 4. CHƯƠNG 4: THỰC NGHIỆM VÀ ĐÁNH GIÁ
• 5. CHƯƠNG 5: XÂY DỰNG ỨNG DỤNG MINH HỌA THỰC NGHIỆM
• 5.1. Mở đầu
• 5.2. Các thư viện yêu cầu
• 5.3. Cấu hình và cài đặt
• 5.4. Giao diện của ứng dụng web
• 5.5. Đánh giá ứng dụng
• 6. CHƯƠNG 6: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 6.1. Kết luận
• 6.2. Hướng phát triển
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Đánh giá phương pháp chống giả mạo khuôn mặt

Đánh giá phương pháp chống giả mạo khuôn mặt là một phần quan trọng trong nghiên cứu khoa học máy tính, đặc biệt trong bối cảnh các hệ thống nhận diện khuôn mặt ngày càng phổ biến. Chống giả mạo khuôn mặt đóng vai trò then chốt trong việc bảo vệ quyền riêng tư và tài sản cá nhân. Khóa luận này tập trung vào việc đánh giá các phương pháp chống giả mạo hiện đại, sử dụng bộ dữ liệu CelebA-spoof để kiểm tra hiệu quả của từng phương pháp. Các phương pháp được đánh giá bao gồm Local Binary Pattern (LBP), Histogram of Oriented Gradient (HOG), và các mô hình học sâu như Convolutional Neural Networks (CNN).

1.1. Phương pháp cổ điển

Các phương pháp cổ điển như LBP và HOG được sử dụng rộng rãi trong việc trích xuất đặc trưng từ ảnh. LBP tập trung vào việc phân tích kết cấu bề mặt, trong khi HOG dựa trên sự phân bố gradient để xác định đặc trưng. Mặc dù các phương pháp này có ưu điểm về tốc độ xử lý, chúng thường kém hiệu quả trong các điều kiện ánh sáng phức tạp hoặc khi ảnh bị xoay chuyển.

1.2. Mô hình học sâu

Các mô hình học sâu như CNN và ResNet đã mang lại bước tiến đáng kể trong việc chống giả mạo khuôn mặt. CNN sử dụng các lớp tích chập để trích xuất đặc trưng từ ảnh, trong khi ResNet giải quyết vấn đề mất mát đạo hàm bằng cách sử dụng các khối kết nối tắt. Các mô hình này đạt hiệu suất cao hơn so với phương pháp cổ điển, đặc biệt trong các điều kiện ánh sáng và môi trường khác nhau.

II. Nghiên cứu khuôn mặt và ứng dụng thực tế

Nghiên cứu khuôn mặt trong khóa luận này không chỉ dừng lại ở việc đánh giá các phương pháp mà còn hướng đến việc xây dựng các ứng dụng thực tế. Khoa học máy tính đã chứng minh tiềm năng to lớn của các hệ thống nhận diện khuôn mặt trong việc điểm danh, chấm công, và thanh toán điện tử. Tuy nhiên, giả mạo khuôn mặt vẫn là một thách thức lớn, đòi hỏi các giải pháp hiệu quả hơn.

2.1. Ứng dụng thực tế

Khóa luận đã xây dựng một ứng dụng web minh họa cho các thuật toán chống giả mạo khuôn mặt. Ứng dụng này cho phép người dùng tải lên ảnh và kiểm tra xem ảnh đó là mặt thật hay mặt giả. Đây là một bước tiến quan trọng trong việc đưa các nghiên cứu vào thực tiễn, giúp người dùng hiểu rõ hơn về các phương pháp chống giả mạo.

2.2. Đánh giá kết quả

Các phương pháp được đánh giá dựa trên độ chính xác và thời gian xử lý. Pyramid Supervision (PS) và Single-Side Domain Generalization (SSDG) cho kết quả tốt nhất trên bộ dữ liệu CelebA-spoof. Tuy nhiên, mỗi phương pháp đều có những ưu nhược điểm riêng, cần được cân nhắc khi áp dụng vào thực tế.

III. Kết luận và hướng phát triển

Khóa luận đã đánh giá toàn diện các phương pháp chống giả mạo khuôn mặt và đưa ra những kết luận quan trọng. Khoa học máy tính tiếp tục phát triển, mang lại nhiều giải pháp mới cho bài toán này. Tuy nhiên, vẫn còn nhiều thách thức cần được giải quyết, đặc biệt là trong việc nâng cao độ chính xác và giảm thời gian xử lý.

3.1. Hướng phát triển

Trong tương lai, nghiên cứu có thể tập trung vào việc kết hợp các phương pháp học sâu với các kỹ thuật xử lý ảnh tiên tiến để cải thiện hiệu suất. Ngoài ra, việc mở rộng bộ dữ liệu và thử nghiệm trong các điều kiện thực tế hơn cũng là một hướng đi tiềm năng.

3.2. Giá trị thực tiễn

Khóa luận không chỉ mang lại giá trị học thuật mà còn có ý nghĩa thực tiễn lớn. Các kết quả nghiên cứu có thể được áp dụng trong các hệ thống bảo mật, giúp ngăn chặn các hành vi giả mạo khuôn mặt và bảo vệ thông tin cá nhân của người dùng.