Đồ án nghiên cứu và xây dựng hệ thống điểm danh tự động bằng nhận diện gương mặt tại Đại học Đà Nẵng

Đồ án cơ sở 5: Khám phá các đề tài nghiên cứu hệ thống điểm danh bằng nhận diện khuôn mặt. Tài liệu tham khảo hữu ích cho sinh viên và nhà nghiên cứu.

• Tác giả: Chu Văn Hoàng
• Người hướng dẫn: ThS. Phan Trọng Thanh
• Trường học: Đại học Đà Nẵng
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Nghiên cứu và xây dựng hệ thống điểm danh bằng nhận diện gương mặt
• Loại tài liệu: Đồ án cơ sở
• Năm xuất bản: 2020
• Địa điểm: Đà Nẵng

Tóm tắt

I. Tổng quan đồ án hệ thống điểm danh bằng nhận diện gương mặt

Đồ án này nghiên cứu và xây dựng một giải pháp công nghệ tiên tiến, thay thế phương pháp điểm danh thủ công truyền thống. Hệ thống ứng dụng học máy và xử lý ảnh kỹ thuật số để tự động hóa quy trình quản lý. Mục tiêu là tạo ra một hệ thống chấm công thông minh, hiệu quả và có độ chính xác cao. Việc triển khai công nghệ AI, cụ thể là Deep Learning, là nền tảng cốt lõi để phát triển các chức năng nhận dạng, mang lại giá trị thực tiễn trong môi trường giáo dục và doanh nghiệp. Hệ thống hứa hẹn cải thiện đáng kể hiệu quả quản lý và giảm thiểu sai sót do con người gây ra.

1.1. Bối cảnh và tầm quan trọng của công nghệ sinh trắc học

Trong bối cảnh khoa học kỹ thuật phát triển vượt bậc, công nghệ sinh trắc học ngày càng chứng tỏ vai trò quan trọng. Các phương pháp xác thực truyền thống như mật khẩu hay thẻ từ tồn tại nhiều lỗ hổng bảo mật. Công nghệ nhận dạng dựa trên đặc điểm sinh học độc nhất của con người, như vân tay hay khuôn mặt, mang lại độ an toàn cao hơn. Nhận dạng khuôn mặt là một trong những lĩnh vực nổi bật nhất, được ứng dụng rộng rãi từ mở khóa điện thoại thông minh, giám sát an ninh đến các giao dịch tài chính. Đồ án tập trung vào lĩnh vực này, khai thác sức mạnh của Trí tuệ nhân tạo (AI) để tạo ra các ứng dụng thực tiễn, giải quyết bài toán cụ thể trong đời sống.

1.2. Mục tiêu chính của hệ thống điểm danh ứng dụng AI

Mục tiêu cốt lõi của đồ án là xây dựng một hệ thống điểm danh bằng nhận diện gương mặt hoàn chỉnh. Hệ thống phải đáp ứng ba chức năng chính. Chức năng thứ nhất là thu thập dữ liệu (Data Collection), cho phép tạo cơ sở dữ liệu khuôn mặt của sinh viên. Chức năng thứ hai là huấn luyện mô hình (Training), sử dụng các thuật toán Deep Learning để máy tính học và ghi nhớ đặc trưng của từng người. Chức năng cuối cùng, quan trọng nhất, là nhận dạng (Face Recognition), có khả năng xác định danh tính sinh viên một cách nhanh chóng và chính xác trong thời gian thực (real-time). Hệ thống được kỳ vọng sẽ trở thành công cụ quản lý sinh viên hiệu quả, tự động và minh bạch.

II. Thách thức chính khi xây dựng hệ thống nhận dạng khuôn mặt

Việc phát triển một hệ thống điểm danh tự động đặt ra nhiều thách thức cả về lý thuyết và thực tiễn. Vấn đề không chỉ nằm ở việc thay thế các quy trình thủ công kém hiệu quả mà còn phải đối mặt với những khó khăn kỹ thuật phức tạp. Độ chính xác của hệ thống phụ thuộc vào nhiều yếu tố như chất lượng hình ảnh, điều kiện ánh sáng và sự đa dạng trong biểu cảm khuôn mặt. Việc lựa chọn thuật toán, xây dựng tập dữ liệu và tối ưu hóa hiệu suất là những bài toán quan trọng cần giải quyết để hệ thống hoạt động ổn định và đáng tin cậy. Vượt qua những rào cản này là chìa khóa để triển khai thành công một giải pháp công nghệ cao.

2.1. Phân tích hạn chế của phương pháp điểm danh thủ công

Các phương pháp điểm danh truyền thống, như gọi tên hoặc ký giấy, bộc lộ nhiều nhược điểm. Quá trình này tốn nhiều thời gian, làm gián đoạn buổi học và dễ xảy ra sai sót. Việc gian lận như điểm danh hộ là một vấn đề phổ biến, ảnh hưởng đến tính công bằng và chính xác trong quản lý sinh viên. Dữ liệu thu thập thủ công cũng khó tổng hợp và báo cáo, gây khó khăn cho công tác thống kê. Một hệ thống chấm công tự động hóa dựa trên sinh trắc học sẽ giải quyết triệt để các vấn đề này, đảm bảo dữ liệu chính xác, minh bạch và tiết kiệm thời gian cho cả giảng viên và sinh viên.

2.2. Các khó khăn kỹ thuật trong xử lý ảnh kỹ thuật số

Xử lý ảnh kỹ thuật số là nền tảng của nhận dạng khuôn mặt nhưng cũng là nguồn gốc của nhiều thách thức. Độ chính xác của hệ thống có thể bị ảnh hưởng bởi các yếu tố ngoại cảnh. Ánh sáng không đồng đều, góc mặt thay đổi, hoặc các vật thể che khuất một phần khuôn mặt (kính, khẩu trang) đều có thể làm giảm hiệu quả nhận dạng. Hơn nữa, biểu cảm khuôn mặt tự nhiên như cười, nói, nháy mắt cũng tạo ra sự biến đổi. Để giải quyết, hệ thống cần các thuật toán mạnh mẽ, có khả năng trích xuất đặc trưng khuôn mặt một cách bền vững, không bị ảnh hưởng bởi các điều kiện thay đổi. Việc xây dựng một cơ sở dữ liệu khuôn mặt đủ lớn và đa dạng cũng là một yêu cầu quan trọng để mô hình có thể học và khái quát hóa tốt.

III. Phương pháp xây dựng hệ thống nhận diện gương mặt với FaceNet

Để giải quyết các thách thức kỹ thuật, đồ án áp dụng phương pháp tiếp cận dựa trên Deep Learning. Nền tảng của hệ thống là FaceNet, một mô hình mạng nơ-ron sâu do Google phát triển. Phương pháp này không trực tiếp phân loại khuôn mặt. Thay vào đó, nó học cách biểu diễn mỗi khuôn mặt thành một véc-tơ đặc trưng 128 chiều trong không gian Euclidean. Trong không gian này, khoảng cách giữa các véc-tơ của cùng một người sẽ rất nhỏ, trong khi khoảng cách giữa các véc-tơ của những người khác nhau sẽ rất lớn. Cách tiếp cận này giúp hệ thống có khả năng nhận dạng chính xác ngay cả với những người chưa từng xuất hiện trong quá trình huấn luyện.

3.1. Tìm hiểu thuật toán FaceNet và hàm Triple Loss

Điểm đột phá của FaceNet nằm ở việc sử dụng hàm mất mát Triple Loss. Thay vì huấn luyện trên từng cặp ảnh (giống nhau hoặc khác nhau), Triple Loss xem xét một bộ ba ảnh cùng lúc: một ảnh mỏ neo (Anchor), một ảnh tích cực (Positive - cùng người với Anchor) và một ảnh tiêu cực (Negative - khác người với Anchor). Mục tiêu của quá trình huấn luyện là tối ưu hóa mạng để khoảng cách từ Anchor đến Positive cộng với một khoảng lề (margin) luôn nhỏ hơn khoảng cách từ Anchor đến Negative. Phương pháp này giúp mô hình học được cách phân biệt tinh vi giữa các khuôn mặt, tạo ra các véc-tơ đặc trưng rất hiệu quả cho việc nhận dạng.

3.2. Vai trò của Mạng nơ ron tích chập CNN trong đồ án

Kiến trúc cốt lõi của FaceNet là một Mạng nơ-ron tích chập (CNN). CNN là một lớp mô hình học máy chuyên dụng cho việc phân tích dữ liệu hình ảnh. Nó hoạt động bằng cách áp dụng các bộ lọc (kernels) để tự động học và trích xuất đặc trưng khuôn mặt ở nhiều cấp độ khác nhau, từ các cạnh, góc đơn giản đến các cấu trúc phức tạp như mắt, mũi, miệng. Trong đồ án này, CNN đóng vai trò như một bộ mã hóa (encoder), nhận đầu vào là một ảnh khuôn mặt và cho đầu ra là véc-tơ đặc trưng 128 chiều. Chất lượng của véc-tơ này quyết định trực tiếp đến độ chính xác của hệ thống.

3.3. Sử dụng thư viện OpenCV Python TensorFlow và Keras

Để triển khai hệ thống, đồ án tận dụng sức mạnh của các thư viện mã nguồn mở. OpenCV Python là công cụ chính cho các tác vụ xử lý ảnh kỹ thuật số trong thời gian thực (real-time), như đọc hình ảnh từ camera và phát hiện khuôn mặt. TensorFlow và Keras là các framework Deep Learning mạnh mẽ, được sử dụng để xây dựng, huấn luyện và triển khai mô hình FaceNet. TensorFlow, do Google phát triển, cung cấp nền tảng tính toán hiệu suất cao, trong khi Keras cung cấp một giao diện lập trình cấp cao, giúp đơn giản hóa việc xây dựng các kiến trúc mạng nơ-ron phức tạp như CNN.

IV. Hướng dẫn triển khai hệ thống điểm danh qua 3 bước chính

Quy trình xây dựng hệ thống được chia thành ba giai đoạn rõ ràng, có tính tuần tự và liên kết chặt chẽ. Mỗi giai đoạn giải quyết một phần của bài toán tổng thể, từ chuẩn bị dữ liệu đầu vào đến huấn luyện mô hình và cuối cùng là ứng dụng vào nhận dạng thực tế. Việc tuân thủ quy trình này đảm bảo hệ thống được xây dựng một cách có hệ thống, dễ dàng gỡ lỗi và tối ưu hóa. Các công cụ như Anaconda được sử dụng để quản lý môi trường và các thư viện cần thiết, tạo điều kiện thuận lợi cho quá trình phát triển. Đây là một quy trình chuẩn trong các dự án học máy và thị giác máy tính.

4.1. Bước 1 Thu thập và tiền xử lý cơ sở dữ liệu khuôn mặt

Giai đoạn đầu tiên là xây dựng cơ sở dữ liệu khuôn mặt. Hệ thống sử dụng camera để chụp nhiều ảnh của mỗi sinh viên. Các ảnh này sau đó được tiền xử lý. Đồ án sử dụng mô hình MTCNN (Multi-task Cascaded Convolutional Networks), một mạng CNN đa tác vụ, để tự động phát hiện và cắt chính xác vùng chứa khuôn mặt từ ảnh gốc. Quá trình này giúp loại bỏ các thông tin nhiễu từ nền và chuẩn hóa dữ liệu đầu vào. Kết quả là một tập dữ liệu sạch, có cấu trúc, mỗi thư mục con chứa ảnh của một người, sẵn sàng cho giai đoạn huấn luyện. Đây là bước nền tảng quyết định chất lượng của mô hình.

4.2. Bước 2 Huấn luyện mô hình và trích xuất đặc trưng khuôn mặt

Giai đoạn thứ hai là huấn luyện mô hình. Dữ liệu khuôn mặt đã được tiền xử lý được đưa vào mô hình FaceNet. Mạng CNN sẽ học cách trích xuất đặc trưng khuôn mặt và tạo ra các véc-tơ 128 chiều (embeddings) cho mỗi ảnh. Các véc-tơ này cùng với nhãn tương ứng (tên sinh viên) được lưu lại vào một tệp mô hình, ví dụ như your_model.pkl. Tệp này chứa toàn bộ tri thức mà hệ thống đã học được. Về cơ bản, nó là một bản đồ số hóa các đặc trưng của tất cả các khuôn mặt trong cơ sở dữ liệu. Người dùng có thể tìm thấy các đoạn code điểm danh khuôn mặt mẫu để thực hiện quá trình này trên các kho mã nguồn mở.

4.3. Bước 3 Tích hợp nhận diện thời gian thực và xây dựng giao diện

Giai đoạn cuối cùng là ứng dụng mô hình đã huấn luyện vào nhận diện thời gian thực (real-time). Hệ thống kích hoạt camera, liên tục chụp các khung hình. Với mỗi khung hình, nó sử dụng MTCNN để phát hiện các khuôn mặt. Sau đó, mô hình FaceNet sẽ tính toán véc-tơ đặc trưng cho từng khuôn mặt được phát hiện. Véc-tơ này được so sánh với các véc-tơ đã lưu trong tệp mô hình để tìm ra người có khoảng cách gần nhất. Kết quả nhận dạng, bao gồm tên và xác suất, được hiển thị trực tiếp trên màn hình. Một giao diện người dùng đơn giản (GUI) cũng được xây dựng để người dùng dễ dàng tương tác với các chức năng của hệ thống.

V. Kết quả ứng dụng của đồ án hệ thống điểm danh sinh viên

Sau quá trình nghiên cứu và triển khai, đồ án đã xây dựng thành công một hệ thống điểm danh nguyên mẫu hoạt động hiệu quả. Hệ thống có khả năng thực hiện đầy đủ các chức năng đã đề ra, từ thu thập dữ liệu, huấn luyện đến nhận dạng khuôn mặt trong thời gian thực. Kết quả này không chỉ chứng minh tính khả thi của việc ứng dụng công nghệ Deep Learning vào bài toán quản lý sinh viên mà còn mở ra nhiều tiềm năng ứng dụng thực tiễn. Sản phẩm của đồ án là một minh chứng rõ ràng cho sự kết hợp giữa lý thuyết học thuật và kỹ năng lập trình, tạo ra một giải pháp công nghệ giải quyết vấn đề cụ thể.

5.1. Đánh giá sơ bộ độ chính xác của hệ thống nhận dạng

Mặc dù tài liệu gốc không cung cấp các chỉ số định lượng chi tiết, kết quả thực nghiệm cho thấy hệ thống có khả năng nhận dạng tốt trong điều kiện lý tưởng. Độ chính xác của hệ thống cao khi người dùng nhìn thẳng vào camera và điều kiện ánh sáng đủ. Tuy nhiên, vẫn còn những thách thức khi góc mặt thay đổi hoặc ánh sáng yếu. Việc tăng cường dữ liệu huấn luyện (data augmentation) và tinh chỉnh các tham số của mô hình FaceNet có thể cải thiện hiệu suất trong các điều kiện khó khăn hơn. Nhìn chung, kết quả đạt được là một nền tảng vững chắc cho các cải tiến trong tương lai, đáp ứng yêu cầu của một báo cáo đồ án tốt nghiệp.

5.2. Phân tích sơ đồ hệ thống và giao diện người dùng GUI

Sơ đồ hệ thống được thiết kế theo một luồng xử lý logic, bao gồm các khối chức năng chính: thu thập dữ liệu, huấn luyện và nhận dạng. Mỗi khối được xây dựng dưới dạng module, giúp hệ thống dễ bảo trì và mở rộng. Giao diện người dùng (GUI) được xây dựng đơn giản, trực quan. Người dùng có thể dễ dàng khởi tạo các chức năng chính như "Data Collection", "Train data", và "Face recognition" chỉ bằng vài cú nhấp chuột. Giao diện này giúp hệ thống trở nên thân thiện và dễ tiếp cận hơn, đặc biệt với những người không có chuyên môn sâu về kỹ thuật, thể hiện rõ tính ứng dụng thực tiễn của đề tài.

VI. Báo cáo đồ án Tương lai của công nghệ nhận dạng gương mặt

Báo cáo đồ án đã tổng kết một cách toàn diện quá trình nghiên cứu và phát triển hệ thống. Nó không chỉ là một tài liệu kỹ thuật mà còn là một cái nhìn tổng quan về một lĩnh vực công nghệ đầy hứa hẹn. Nhận dạng khuôn mặt là một lĩnh vực nghiên cứu thú vị nhưng cũng còn nhiều thách thức. Mặc dù các phương pháp hiện đại đã đạt được hiệu quả ấn tượng, bài toán tổng quát vẫn còn nhiều vấn đề bỏ ngỏ. Đồ án này là một bước đi nhỏ nhưng quan trọng, góp phần vào việc hiện thực hóa các ứng dụng thông minh, đồng thời mở ra những hướng nghiên cứu và phát triển mới trong tương lai.

6.1. Tổng kết kết quả đạt được và những hạn chế của đề tài

Đề tài đã thành công trong việc xây dựng một hệ thống điểm danh tự động dựa trên nhận dạng khuôn mặt, ứng dụng các thư viện và thuật toán hiện đại như OpenCV Python, TensorFlow, và FaceNet. Hệ thống đã chứng minh được tính khả thi và tiềm năng ứng dụng. Tuy nhiên, đồ án cũng tồn tại một số hạn chế. Trở ngại chính vẫn là độ chính xác của hệ thống và tốc độ xử lý trong các điều kiện thực tế phức tạp. Hệ thống chưa được kiểm thử trên một tập dữ liệu lớn và đa dạng, cũng như chưa xử lý các trường hợp đặc biệt như khuôn mặt bị che khuất một phần. Đây là những điểm cần được khắc phục trong các nghiên cứu tiếp theo.

6.2. Hướng phát triển tiềm năng cho hệ thống điểm danh trong tương lai

Trong tương lai, hệ thống có thể được phát triển theo nhiều hướng. Về mặt kỹ thuật, có thể nghiên cứu các kiến trúc Mạng nơ-ron tích chập (CNN) nhẹ hơn để tăng tốc độ nhận diện thời gian thực (real-time) trên các thiết bị có cấu hình yếu. Một hướng khác là tích hợp thêm các thuật toán chống giả mạo (anti-spoofing) để ngăn chặn việc sử dụng ảnh hoặc video để gian lận. Về mặt ứng dụng, hệ thống có thể được mở rộng không chỉ cho điểm danh sinh viên mà còn cho hệ thống chấm công nhân viên, kiểm soát ra vào an ninh, hoặc các ứng dụng thương mại khác. Việc kết nối hệ thống với cơ sở dữ liệu trung tâm của trường học hoặc doanh nghiệp cũng là một bước phát triển quan trọng.

Trích đoạn nội dung tài liệu

CHƯƠNG 1 : GIỚI THIỆU 1.1 Giới thiệu về đề tài Đề tài : Tìm hiểu, nghiên cứu và thực hiện xây dựng hệ thống nhận diện gương mặt Bối cảnh thực hiện đề tài: Ngày nay, cùng với những tiến bộ vượt bậc của khoa học kỹ thuật nói chung, bộ môn khoa học xử lý ảnh đã và đang thu được những thành tựu lớn lao và chứng tỏ vai trò không thể thiếu với những ứng dụng sâu rộng trong khoa học kỹ thuật cũng như đời sống xã hội. Một bộ phận của khoa học xử lý ảnh là lĩnh vực thị giác máy tính hiện đang thu hút rất nhiều sự quan tâm của các nhà nghiên cứu xử lý ảnh với mục tiêu xây dựng nên một thế giới trong đó hệ thống thị giác kỳ diệu của con người có thể được mô phỏng bởi các hệ thống máy tính, đem lại khả năng cảm nhận bằng thị giác cho các hệ thống về môi trường xung quanh. Mơ ước về một hệ thống máy tính có thể hoà nhập vào thế giới con người với đầy đủ các giác quan trong đó thị giác đóng vai trò quan trọng đang dần dần được hiện thực hoá với những đóng góp nghiên cứu của các nhà khoa học trên phạm vi toàn thế giới. Đồng thời việc phát triển của các thiết bị phần cứng cả về phƣơng diện thu nhận, hiển thị, tốc độ xử lý đã mở ra nhiều hướng mới cho công nghệ xử lý ảnh.

Nó có thể giải quyết các bài toán như giám sát tự động phục vụ trong cơ quan, ngân hàng, kho bạc,. hoặc trong việc giám sát giao thông tự động, phục vụ tại bãi đỗ xe, trạm thu phí tự động hoặc việc phát hiện và nhận dạng mặt người phục vụ trong công tác quân sự, an ninh.2 Vấn đề cần giải quyết Hệ thống nhận dạng khuôn mặt là một ứng dụng máy tính tự động xác định hoặc nhận dạng một người nào đó từ một bức hình ảnh kỹ thuật số hoặc một khung hình video từ một nguồn video. Một trong những cách để thực hiện điều này là so sánh các đặc điểm khuôn mặt chọn trước từ hình ảnh và một cơ sở dữ liệu về khuôn mặt. Hệ thống này thường được sử dụng trong các hệ thống an ninh và có thể được so sánh với các dạng sinh trắc học khác như các hệ thống nhận dạng vân tay hay tròng mắt.

Từ đó thu thập, phân tích các tài liệu về nhận dạng khuôn mặt, tìm hiểu các phương pháp nhận dạng khuôn mặt, nghiên cứu các công cụ xây dựng hệ thống DO.3 Đề xuất nội dung thực hiện Đối với đề tài Tìm hiểu, nghiên cứu và thực hiện xây dựng hệ thống nhận diện gương mặt. Việc hệ thống có thể nhận dạng chính xác là một việc quan trọng. Đối với đề tài này, chúng em thực hiện xây dựng hệ thống nhận diện gương mặt sử dụng Deep learning với khả năng “Nhận dạng gương mặt nhanh chóng và chính xác”. Với hệ thống này, chúng em sẽ sử dụng các thư viện được cung cấp bởi PIP trong python và sử dụng Visual Studio Code để lập trình.

Hình 1: Face Recognition 1.4 Chức năng dự kiến Hệ thống có khả năng lấy dữ liệu gương mặt (Data collection), training dữ liệu gương mặt vừa lấy được và cuối cùng là chức năng chính nhận diện gương mặt (Face recognition).mat CHƯƠNG 2 : NGHIÊN CỨU TỔNG QUAN 2.1 Tổng quan về Python 2.1 Giới thiệu Python là một ngôn ngữ lập trình bậc cao cho các mục đích lập trình đa năng, do Guido van Rossum tạo ra và lần đầu ra mắt vào năm 1991. Python được thiết kế với ưu điểm mạnh là dễ đọc, dễ học và dễ nhớ. Python là ngôn ngữ có hình thức rất sáng sủa, cấu trúc rõ ràng, thuận tiện cho người mới học lập trình. Python hoàn toàn tạo kiểu động và dùng cơ chế cấp phát bộ nhớ tự động.

Python được phát triển trong một dự án mã mở, do tổ chức phi lợi nhuận Python Software Foundation quản lý. Ban đầu, Python được phát triển để chạy trên nền Unix. Nhưng rồi theo thời gian, Python dần mở rộng sang mọi hệ điều hành từ MS-DOS đến Mac OS, OS/2, Windows, Linux và các hệ điều hành khác thuộc họ Unix. Ban đầu, Python được phát triển để chạy trên nền Unix.

Nhưng rồi theo thời gian, Python dần mở rộng sang mọi hệ điều hành từ MS-DOS đến Mac OS, OS/2, Windows, Linux và các hệ điều hành khác thuộc họ Unix. Mặc dù sự phát triển của Python có sự đóng góp của rất nhiều cá nhân, nhưng Guido van Rossum hiện nay vẫn là tác giả chủ yếu của Python. Ông giữ vai trò chủ chốt trong việc quyết định hướng phát triển của Python.mat Hình 2: Guido van Rossum - Nhà sáng lập Python 2.2 Đặc điểm Python luôn được biết đến với các đặc điểm sau đâu: - Cú pháp rất tường minh, dễ đọc. - Các khả năng tự xét mạnh mẽ.

- Hướng đối tượng trực giác. - Cách thể hiện tự nhiên mã thủ tục. - Hoàn toàn mô-đun hóa, hỗ trợ các gói theo cấp bậc. - Xử lý lỗi dựa theo ngoại lệ.

- Kiểu dữ liệu động ở mức rất cao. - Các thư viện chuẩn và các mô-đun ngoài bao quát hầu như mọi việc. - Phần mở rộng và mô-đun dễ dàng viết trong C, C++. - Có thể nhúng trong ứng dụng như một giao diện kịch bản (scripting interface).

- Python mạnh mẽ và thực hiện rất nhanh.mat Hình 3: Ngôn ngữ Python Python là một ngôn ngữ lập trình cấp cao có thể đáp ứng phần lớn yêu cầu của lập trình viên: - Python thích hợp với các chương trình lớn hơn cả AWK và Perl. - Python được sử dụng để lập trình Web. Nó có thể được sử dụng như một ngôn ngữ kịch bản. - Python được thiết kế để có thể nhúng và phục vụ như một ngôn ngữ kịch bản để tuỳ biến và mở rộng các ứng dụng lớn hơn.

- Python được tích hợp sẵn nhiều công cụ và có một thư viện chuẩn phong phú, Python cho phép người dùng dễ dàng tạo ra các dịch vụ Web, sử dụng các thành phần COM hay CORBA, hỗ trợ các loại định dạng dữ liệu Internet như email, HTML, XML và các ngôn ngữ đánh dấu khác. Python cũng được cung cấp các thư viện xử lý các giao thức Internet thông dụng như HTTP, FTP,… - Python có khả năng giao tiếp đến hầu hết các loại cơ sở dữ liệu, có khả năng xử lý văn bản, tài liệu hiệu quả, và có thể làm việc tốt với các công nghệ Web khác. - Python đặc biệt hiệu quả trong lập trình tính toán khoa học nhờ các công cụ Python Imaging Library, pyVTK, MayaVi 3D Visualization Toolkits, Numeric Python, ScientificPython,… - Python có thể được sử dụng để phát triển các ứng dụng desktop. Lập trình viên có thể dùng wxPython, PyQt, PyGtk để phát triển các ứng dụng giao diện DO.mat đồ họa (GUI) chất lượng cao.

Python còn hỗ trợ các nền tảng phát triển phần mềm khác như MFC, Carbon, Delphi, X11, Motif, Tk, Fox, FLTK, … - Python cũng có sẵn một unit testing framework để tạo ra các bộ test (test suites).2 Tổng quan về SQLite 2.1 SQLite là gì SQLite là một thư viện phần mềm mà triển khai một SQL Database Engine, không cần máy chủ, không cần cấu hình, khép kín và nhỏ gọn. Nó là một cơ sở dữ liệu, không cần cấu hình, có nghĩa là giống như các cơ sở dữ liệu khác mà bạn không cần phải cấu hình nó trong hệ thống của mình.2 Chức năng chính của SQLite - Dùng để lưu trữ thông tin bao gồm Mã SV ,tên ,… thông tin của sinh viên Hình 4 Thông tin sinh viên DO.mat Hình 5 Thông tin ngày giờ điểm danh 2.3 Tổng quan về quá trình xử lý ảnh 2.1 Xử lý ảnh là gì ? Xử lý ảnh (XLA) là đối tượng nghiên cứu của lĩnh vực thị giác máy, là quá trình biến đổi từ một ảnh ban đầu sang một ảnh mới với các đặc tính và tuân theo ý muốn của người sử dụng. Xử lý ảnh có thể gồm quá trình phân tích, phân lớp các đối tượng, làm tăng chất lượng, phân đoạn và tách cạnh, gán nhãn cho vùng hay quá trình biên dịch các thông in hình ảnh của ảnh.2 Các quá trình xử lý ảnh Hình 6 Quá trình xử lý ảnh 2.1 Phần thu nhận ảnh (Image Acquisition) Ảnh có thể nhận qua camera màu hoặc đen trắng. Thường ảnh nhận qua camera là ảnh tương tự (loại camera ống chuẩn CCIR với tần số 1/25, mỗi ảnh 25 dòng), cũng có loại camera đã số hoá (như loại CCD – Charge Coupled Device) là loại photodiode tạo cường độ sáng tại mỗi điểm ảnh.

Camera thường dùng là loại quét dòng ; ảnh tạo ra có dạng hai chiều. Chất lượng một ảnh thu nhận được phụ thuộc vào thiết bị thu, vào môi trường (ánh sáng, phong cảnh).2 Tiền xử lý (Image Processing) Sau bộ thu nhận, ảnh có thể nhiễu độ tương phản thấp nên cần đưa vào bộ tiền xử lý để nâng cao chất lượng. Chức năng chính của bộ tiền xử lý là lọc nhiễu, tăng độ tương phản để làm ảnh rõ hơn, nét hơn.3 Phân đoạn (Segmentation) hay phân vùng ảnh Phân vùng ảnh là tách một ảnh đầu vào thành các vùng thành phần để biểu diễn phân tích, nhận dạng ảnh. Ví dụ: để nhận dạng chữ (hoặc mã vạch) trên phong bì thư cho mục đích phân loại bưu phẩm, cần chia các câu, chữ về địa chỉ hoặc tên người thành các từ, các chữ, các số (hoặc các vạch) riêng biệt để nhận dạng.

Đây là phần phức tạp khó khăn nhất trong xử lý ảnh và cũng dễ gây lỗi, làm mất độ chính xác của ảnh. Kết quả nhận dạng ảnh phụ thuộc rất nhiều vào công đoạn này.4 Biễu diễn ảnh (Image Representation) Đầu ra ảnh sau phân đoạn chứa các điểm ảnh của vùng ảnh (ảnh đã phân đoạn) cộng với mã liên kết với các vùng lân cận. Việc biến đổi các số liệu này thành dạng thích hợp là cần thiết cho xử lý tiếp theo bằng máy tính. Việc chọn các tính chất để thể DO.mat hiện ảnh gọi là trích chọn đặc trưng (Feature Selection) gắn với việc tách các đặc tính của ảnh dưới dạng các thông tin định lượng hoặc làm cơ sở để phân biệt lớp đối tượng này với đối tượng khác trong phạm vi ảnh nhận được.5 Nhận dạng và nội suy ảnh(Image Recognition and Interpretation) Nhận dạng ảnh là quá trình xác định ảnh.

Quá trình này thường thu được bằng cách so sánh với mẫu chuẩn đã được học (hoặc lưu) từ trước. Nội suy là phán đoán theo ý nghĩa trên cơ sở nhận dạng. Có nhiều cách phân loại ảnh khác nhau về ảnh. Theo lý thuyết về nhận dạng, các mô hình toán học về ảnh được phân theo hai loại nhận dạng ảnh cơ bản: − Nhận dạng theo tham số.

− Nhận dạng theo cấu trúc.