Đồ Án Tốt Nghiệp: Thiết Kế & Thi Công Khóa Két Sắt Nhận Diện Khuôn Mặt

Tài liệu đồ án chi tiết thiết kế hệ thống khóa két sắt thông minh, bảo mật cao bằng nhận diện khuôn mặt, vân tay và mật khẩu trên Raspberry Pi 4.

• Tác giả: Chau Chanh Bunh Thone
• Người hướng dẫn: ThS. Nguyễn Đình Phú
• Trường học: Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh
• Chuyên ngành: Công nghệ Kỹ thuật Điện tử, Viễn thông
• Đề tài: Thiết Kế Và Thi Công Hệ Thống Khóa Két Sắt Sử Dụng Nhận Diện Khuôn Mặt
• Loại tài liệu: Khóa luận tốt nghiệp
• Năm xuất bản: 2024
• Địa điểm: Hồ Chí Minh

Tóm tắt

I. Giới Thiệu Về Đồ Án Khóa Két Sắt Thông Minh Nhận Diện Khuôn Mặt

Đồ án khóa két sắt thông minh nhận diện khuôn mặt là một dự án tiên tiến kết hợp công nghệ xử lý ảnh và điều khiển tự động nhằm nâng cao an ninh cho các thiết bị lưu trữ quý giá. Hệ thống này được phát triển tại Trường Đại học Sư Phạm Kỹ Thuật TP. Hồ Chí Minh, dưới sự hướng dẫn của ThS. Nguyễn Đình Phú, chuyên gia trong lĩnh vực điện tử công nghiệp. Đồ án sử dụng Raspberry Pi 4 Model B làm bộ xử lý trung tâm, kết hợp với Module Camera Pi Rev 1.3 để nhận diện khuôn mặt người dùng. Mục tiêu chính là tạo ra một hệ thống khóa két sắt đa lớp với độ bảo mật cao, yêu cầu xác thực qua ba cách: nhận diện khuôn mặt, nhập mật khẩu, và xác thực vân tay.

1.1. Ý Nghĩa Và Mục Đích Của Hệ Thống

Hệ thống khóa két sắt thông minh được thiết kế để giải quyết nhu cầu bảo mật hiện đại. Thay vì sử dụng khóa cơ học truyền thống, hệ thống này áp dụng công nghệ nhận diện khuôn mặt tiên tiến, giúp ngăn chặn truy cập trái phép. Mục đích là cung cấp giải pháp bảo mật đa tầng cho các tài sản quý giá, kết hợp xác thực sinh trắc học với các phương pháp xác minh truyền thống.

1.2. Ứng Dụng Thực Tiễn Của Công Nghệ

Khóa két sắt nhận diện khuôn mặt có thể ứng dụng trong nhiều lĩnh vực: lưu trữ tài sản tại ngân hàng, công ty, bộ quốc phòng, hay các cơ sở nghiên cứu. Hệ thống cung cấp truy cập an toàn mà không cần chìa khóa vật lý, giảm rủi ro mất mát và sao chép khóa bất hợp pháp. Công nghệ này đặc biệt hữu ích cho các tổ chức cần quản lý bảo mật cao.

II. Các Thành Phần Kỹ Thuật Chính Của Hệ Thống

Hệ thống khóa két sắt nhận diện khuôn mặt được xây dựng từ nhiều thành phần phần cứng tiên tiến và được lập trình điều khiển bằng ngôn ngữ lập trình hiện đại. Bộ xử lý trung tâm là Raspberry Pi 4 Model B, một máy tính nhỏ gọn với khả năng xử lý mạnh mẽ, phù hợp cho các ứng dụng xử lý ảnh thời gian thực. Module Camera Pi Rev 1.3 thực hiện nhiệm vụ thu nhận hình ảnh và truyền dữ liệu tới bộ xử lý. Ngoài ra, hệ thống còn tích hợp cảm biến vân tay để xác thực sinh trắc học, bàn phím ma trận 4x4 để nhập mật khẩu bảo mật, và màn hình LCD hiển thị thông tin hoạt động. Tất cả các component được kết nối thông qua giao diện GPIO của Raspberry Pi, tạo thành một hệ thống tích hợp hoàn chỉnh.

2.1. Vai Trò Của Raspberry Pi 4 Trong Hệ Thống

Raspberry Pi 4 Model B đóng vai trò là bộ não của hệ thống, xử lý tất cả dữ liệu từ các cảm biến. Với bộ xử lý ARM Cortex-A72, nó có khả năng chạy hệ điều hành Linux và các thư viện xử lý ảnh OpenCV để thực hiện nhận diện khuôn mặt. Giải pháp này rất hiệu quả chi phí mà vẫn đảm bảo hiệu suất cao.

2.2. Chức Năng Của Module Camera Và Cảm Biến

Module Camera Pi Rev 1.3 cung cấp độ phân giải cao để capture hình ảnh chi tiết của khuôn mặt người dùng. Cảm biến vân tay thêm một lớp bảo mật sinh trắc học thứ hai, làm cho hệ thống khó bị phá vỡ. Bàn phím ma trận 4x4 cho phép nhập mật khẩu số hoặc chữ làm lớp xác minh thứ ba.

III. Quy Trình Lập Trình Và Xử Lý Ảnh

Lập trình hệ thống khóa két sắt nhận diện khuôn mặt yêu cầu kiến thức về xử lý ảnh, machine learning, và lập trình điều khiển phần cứng. Nhóm sinh viên đã sử dụng thư viện OpenCV để thực hiện nhận diện khuôn mặt bằng giải thuật Haar Cascade và LBP Histogram. Quy trình xử lý ảnh bao gồm: chuyển đổi ảnh màu sang xám, phát hiện khuôn mặt, so sánh với dữ liệu trong cơ sở dữ liệu, và đưa ra quyết định mở khóa. Lập trình kết nối các module được thực hiện bằng Python, với các thư viện RPi.GPIO và picamera để điều khiển phần cứng. Hệ thống cũng tích hợp gửi thông báo qua Email khi có hoạt động khả nghi, giúp giám sát từ xa. Tất cả dữ liệu người dùng được cập nhật lên nền tảng lưu trữ đám mây để sao lưu an toàn.

3.1. Giải Thuật Nhận Diện Khuôn Mặt

Giải thuật nhận diện khuôn mặt sử dụng Haar Cascade, một phương pháp máy học cổ điển hiệu quả và nhanh chóng. Ảnh người dùng được so sánh với cơ sở dữ liệu khuôn mặt được đăng ký trước đó. Nếu độ khớp vượt qua ngưỡng được đặt, bước tiếp theo là xác thực mật khẩu và vân tay.

3.2. Cơ Chế Xác Thực Đa Lớp

Hệ thống sử dụng ba bước xác thực: nhận diện khuôn mặt, nhập mật khẩu, và quét vân tay. Chỉ khi cả ba điều kiện được thỏa mãn, khóa két sắt mới được mở. Cơ chế này đảm bảo bảo mật tối ưu, ngay cả nếu một yếu tố xác thực bị xâm phạm.

IV. Kết Quả Thử Nghiệm Và Ứng Dụng Tương Lai

Đồ án khóa két sắt nhận diện khuôn mặt đã được hoàn thiện và thử nghiệm thành công từ tháng 3 đến tháng 6 năm 2024. Nhóm sinh viên đã tiến hành kết nối dây, thi công mạch phần cứng, và chạy các bài test toàn diện để đảm bảo độ chính xác nhận diện cao. Kết quả thử nghiệm cho thấy hệ thống đạt độ chính xác trên 95% trong việc nhận diện khuôn mặt, và thời gian phản hồi dưới 2 giây. Hệ thống hoạt động ổn định trong các điều kiện ánh sáng khác nhau. Tương lai, công nghệ này có thể được nâng cấp với AI advanced, nhận diện gương mặt 3D, hoặc tích hợp IoT để quản lý từ xa. Đồ án này mở ra tiềm năng lớn cho công nghệ bảo mật tại các cơ sở yêu cầu bảo vệ cao.

4.1. Đánh Giá Hiệu Suất Hệ Thống

Hiệu suất hệ thống được đánh giá qua độ chính xác nhận diện, tốc độ xử lý, và độ tin cậy. Kết quả cho thấy Raspberry Pi 4 có khả năng xử lý video 30 fps mà không gặp trễ đáng kể. Độ nhạy cảm của cảm biến vân tay đạt mức tối ưu, giảm false positive.

4.2. Hướng Phát Triển Và Cải Tiến Tiếp Theo

Những cải tiến tương lai bao gồm: tích hợp nhận diện khuôn mặt 3D, sử dụng AI deep learning, kết nối IoT để giám sát từ xa, và ứng dụng cho các thiết bị thông minh khác. Hệ thống có thể mở rộng để phục vụ quản lý truy cập tại các tòa nhà thông minh.

Trích đoạn nội dung tài liệu

đặt vấn đề dẫn nhập lý do chọn đề tài, mục tiêu, nội dung nghiên cứu, các giới hạn thông số và bố cục đồ án. • Chương 2: Cơ Sở Lý Thuyết Trình bày các lý thuyết, kiến thức liên quan đến ngôn ngữ lập trình Python, xử lý ảnh, các thư viện dùng trong việc nhận dạng gương mặt. • Chương 3: Tính Toán Và Thiết Kế Tính toán các thông số chi tiết các khối, các thiết bị được sử dụng trong đề tài: Kit Raspberry Pi 4, LCD 16x2, bàn phím nhấn, cảm biến vân tay, … • Chương 4: Thi Công Hệ Thống Chương này trình bày về quy trình hoạt động của hệ thống, lưu đồ giải thuật, các chương trình được sử dụng để hệ thống hoạt động. • Chương 5: Kết Quả, Nhận Xét Và Đánh Giá Kết quả thi công, hình ảnh thực của hệ thống bên ngoài, hình ảnh các kết quả chạy, đánh giá mô hình đã thi công, kiến thức đã tiếp thu được trong quá trình thực hiện đề tài.

• Chương 6: Kết Luận Và Hướng Phát Triển Chương này trình bày về kết quả thu được dựa vào những phương pháp, thuật toán đã kiến nghị ban đầu. Đánh giá tính hiệu quả, ổn định của mô hình đã thi công, và hướng phát triển để cải thiện mô hình. BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 3 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT CHƯƠNG 2.

GIỚI THIỆU VỀ HỆ THỐNG XỬ LÝ ẢNH 2. Tổng quan về xử lý ảnh Xử lý ảnh là một lĩnh vực nghiên cứu và ứng dụng ngày càng phát triển, thúc đẩy sự ra đời của nhiều trung tâm nghiên cứu và máy tính chuyên dụng. Lĩnh vực này đã được đưa vào giảng dạy ở bậc đại học khoảng 10 năm qua, gắn liền với nhiều lĩnh vực kiến thức như xử lý tín hiệu số, đại số tuyến tính, xác suất thống kê, trí tuệ nhân tạo và mạng nơ-ron nhân tạo. Phương pháp xử lý ảnh chủ yếu bắt nguồn từ các ứng dụng như nâng cao chất lượng ảnh và phân tích ảnh.

Việc nâng cao chất lượng ảnh được phát triển từ những năm 1950 khi máy tính phát triển nhanh. Các bước cơ bản trong xử lý ảnh bao gồm: thu nhận ảnh tự nhiên thông qua các thiết bị như camera, máy chụp ảnh, ảnh vệ tinh hoặc máy quét; sau đó chuyển đổi ảnh tương tự thành ảnh số để xử lý tiếp. Qua đó, xử lý ảnh không chỉ giúp cải thiện chất lượng ảnh mà còn phân tích, trích xuất và ứng dụng thông tin từ ảnh vào các lĩnh vực khác như y tế, an ninh, giám sát môi trường và nhiều ứng dụng khác. Các bước cơ bản trong xử lý ảnh Hình 2.

Các bước trong xử lý ảnh Phần thu nhận ảnh (Image Acquisition): Ảnh có thể được thu nhận qua nhiều loại camera khác nhau, bao gồm camera màu hoặc đen trắng. Các loại camera phổ biến bao gồm camera ống chuẩn CCIR và camera số hoá CCD (Charge Coupled Device). Camera ống chuẩn CCIR tạo ra ảnh tương tự, mỗi ảnh gồm 25 dòng và tần số quét là 1/25. Trong khi đó, camera CCD là loại camera số hoá, tạo ra ảnh số với cường độ sáng tương ứng tại từng điểm ảnh.

Hầu hết các ảnh thu nhận đều có dạng hai chiều do quá trình quét dòng. Chất lượng ảnh thu nhận phụ thuộc vào nhiều yếu BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 4 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT tố như thiết bị camera (cảm biến, ống kính, v.) và môi trường chụp ảnh (ánh sáng, phong cảnh). Như vậy, việc thu nhận ảnh có thể thực hiện qua các loại camera khác nhau, với các đặc điểm và yếu tố ảnh hưởng đến chất lượng ảnh.

Tiền xử lý (Image Processing):Ảnh thu về còn chứa nhiễu độ tương phản thấp nên qua công đoạn này để lọc nhiễu nâng cao độ tương phản và làm rõ và nét ảnh hơn Phân đoạn ảnh: Phân đoạn ảnh là một công đoạn quan trọng và phức tạp trong xử lý ảnh. Quá trình này tách ảnh đầu vào thành các vùng thành phần, nhằm phục vụ cho việc phân tích và nhận dạng ảnh. Tuy nhiên, đây cũng là giai đoạn dễ gây lỗi, ảnh hưởng đáng kể đến độ chính xác của kết quả nhận dạng. Do vậy, việc thực hiện phân đoạn ảnh cần được thực hiện cẩn thận và chính xác, để đảm bảo chất lượng của ảnh trong các xử lý tiếp theo.

Biểu diễn ảnh: 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 lận 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 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. Ví dụ: Trong nhận dạng ký tự trên phong bì thư, chúng ta miêu tả các đặc trưng của từng ký tự giúp phân biệt ký tự này với ký tự khác.

• Nhận dạng và nội suy ảnh: Nhận dạng ảnh là quá trình xác định ảnh bằng cách so sánh với các mẫu ảnh chuẩn đã được học và lưu trữ từ trước. Quá trình này giúp phân loại và gán nhãn cho ảnh đầu vào dựa trên những đặc trưng đã được định nghĩa sẵn. Từ đó, quá trình nội suy được thực hiện để đưa ra các dự đoán và kết luận về ảnh, trên cơ sở những nhận dạng trước đó. Như vậy, nhận dạng ảnh và nội suy là hai bước quan trọng trong việc xử lý và phân tích nội dung của ảnh số.

BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 5 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT • Cơ sở tri thức: Ảnh là một đối tượng phức tạp, với nhiều yếu tố ảnh hưởng như đường nét, độ sáng, dung lượng điểm ảnh, môi trường chụp ảnh, và nhiễu. Để xử lý và phân tích ảnh hiệu quả, các phương pháp toán học cần được đơn giản hóa và tối ưu. Quan trọng hơn, nhiều khâu trong quy trình xử lý ảnh đã và đang được thiết kế để bắt chước cách thức tiếp nhận và xử lý ảnh của con người, dựa trên các cơ sở tri thức và quy luật nhận thức.

Đây là hướng tiếp cận quan trọng, giúp nâng cao hiệu quả và độ chính xác của các hệ thống xử lý ảnh. Hệ Không Gian Màu RGB Hình 2. Hệ không gian màu RGB • RGB là một không gian màu phổ biến được sử dụng rộng rãi trong các thiết bị kỹ thuật số như máy tính, máy ảnh, điện thoại. Nguyên lý cơ bản là sử dụng 3 màu cơ bản là đỏ (Red), xanh lục (Green) và xanh lam (Blue) để biểu diễn tất cả các màu sắc.

• Trong mô hình 24 bit, mỗi kênh màu sử dụng 8 bit để biểu diễn, có giá trị từ 0-255. Kết hợp 3 kênh này, không gian màu 24 bit có thể tạo ra tối đa 16.375 màu sắc khác nhau. • Khi biểu diễn dưới dạng số, các giá trị RGB được ghi bằng 3 số nguyên từ 0- 255, tương ứng với cường độ của các màu đỏ, xanh lục và xanh lam. • Tuy nhiên, không gian màu RGB có độ tương quan cao giữa các kênh, không phù hợp cho việc phân tích màu sắc và các thuật toán nhận dạng dựa trên màu sắc.

BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 6 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT • Bên cạnh RGB, còn có RGBA là một biến thể của RGB với thêm kênh alpha (α) dùng để biểu diễn độ trong suốt của điểm ảnh, ứng dụng nhiều trong việc ghép ảnh. Mức Xám Mức xám là hệ thống biểu diễn màu sắc bằng các mức độ từ đen đến trắng. Mỗi điểm ảnh (pixel) được biểu diễn bằng một giá trị duy nhất trong phạm vi từ 0 (đen) đến 255 (trắng).

Ảnh xám là hình ảnh chỉ chứa thông tin về mức độ sáng tối, không có thông tin về màu sắc. Ảnh xám thường sử dụng 8 bit để biểu diễn 256 mức xám khác nhau. Ảnh xám nhỏ hơn và đơn giản hơn so với ảnh màu, nên được sử dụng phổ biến trong các ứng dụng yêu cầu tiết kiệm bộ nhớ hoặc xử lý nhanh, như xử lý ảnh, máy học, OCR, y học [3]. Nhị phân hóa ảnh Hình 2.

So sánh giữa ảnh màu, ảnh xám, ảnh trắng đen BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 7 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT Nhị phân hóa ảnh là một kỹ thuật xử lý ảnh quan trọng, biến đổi ảnh xám thành ảnh nhị phân chỉ có hai giá trị điểm ảnh: đen (0) và trắng (1). Quá trình này bắt đầu bằng việc xác định một ngưỡng (threshold) thích hợp. Các điểm ảnh có giá trị lớn hơn ngưỡng sẽ được gán giá trị 1 (trắng), còn các điểm ảnh có giá trị nhỏ hơn hoặc bằng ngưỡng sẽ được gán giá trị 0 (đen).

Như vậy, nhị phân hóa ảnh đơn giản hóa ảnh và làm nổi bật các đặc trưng quan trọng, phục vụ cho các bước xử lý và phân tích ảnh tiếp theo. PHƯƠNG PHÁP NHẬN DIỆN KHUÔN MẶT ỨNG DỤNG THUẬT TOÁN PHÁT HIỆN ĐỐI TƯỢNG HAAR CASCADE. Haar Cascade là một phương pháp phát hiện đối tượng phổ biến trong xử lý ảnh và video. Nó dựa trên việc trích xuất các đặc trưng Haar - những bộ lọc đơn giản để phát hiện sự thay đổi độ sáng.

Quá trình bao gồm xây dựng bộ phân loại dựa trên các đặc trưng Haar và thuật toán AdaBoost, sau đó sử dụng bộ phân loại này để quét qua ảnh đầu vào và xác định vị trí của đối tượng cần phát hiện. Haar Cascade là một phương pháp hiệu quả, nhanh chóng và chính xác, được ứng dụng rộng rãi trong nhiều lĩnh vực như phát hiện khuôn mặt, phát hiện người, phát hiện xe. Các đặc trưng Haar – like Đặc trưng Haar-Like là đặc trưng mô phỏng những hình chữ nhật được phân thành các vùng khác nhau như hình: Hình 2. Các đặc trưng Haar - Like Đặc trưng do Viola và Jones công bố gồm 4 đặc trưng cơ bản để xác định khuôn mặt người.

Mỗi đặc trưng Haar-Like là sự kết hợp của hai hay ba hình chữ nhật trắng hay đen như trong hình sau: BỘ MÔN ĐIỆN TỬ CÔNG NGHIỆP – Y SINH 8 CHƯƠNG 2. CƠ SỞ LÝ THUYẾT Hình 2. Bốn đặc trưng cơ bản Để sử dụng các đặc trưng này vào việc xác định khuôn mặt người, 4 đặc trưng Haar- Like cơ bản được mở rộng ra và được chia làm 3 tập đặc trưng như sau: Đặc trưng cạnh (Edge Feature) Hình 2. Đặc trưng cạnh Đặc trưng đường (Line Feature) Hình 2.

Đặc trưng đường Đặc trưng quanh tâm (center-surround features) Hình 2.