Đồ án tốt nghiệp thiết kế hệ thống an ninh gia đình - ĐH Sư phạm Kỹ thuật TP.HCM

Đồ án tốt nghiệp thiết kế hệ thống an ninh gia đình ứng dụng IoT, ESP32, Raspberry Pi và nhận dạng khuôn mặt tại ĐH Sư phạm Kỹ thuật TP.HCM.

• Tác giả: Hoàng Ngọc Vĩnh Phúc
• Người hướng dẫn: ThS. Đặng Phước Hải Trang
• 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: Hệ thống an ninh gia đình
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2025
• Địa điểm: Hồ Chí Minh

Tóm tắt

I. Tổng quan đồ án hệ thống an ninh gia đình tại ĐH SPKT TP

Đồ án tốt nghiệp ngành Công nghệ Kỹ thuật Điện tử - Viễn thông tại Đại học Sư phạm Kỹ thuật TP.HCM tập trung nghiên cứu mô hình bảo vệ nhà thông minh. Đề tài do sinh viên Hoàng Ngọc Vĩnh Phúc thực hiện dưới sự hướng dẫn của ThS. Đặng Phước Hải Trang. Công trình này tích hợp công nghệ Internet vạn vật hiện đại cùng thị giác máy tính. Mục tiêu trọng tâm là xây dựng giải pháp an ninh toàn diện và tự động hóa cao. Hệ thống có khả năng giám sát không gian sống liên tục suốt ngày đêm. Thiết bị phát hiện kịp thời các hành vi đột nhập trái phép vào khu vực bảo vệ. Dữ liệu hình ảnh và tín hiệu cảnh báo được xử lý nhanh chóng. Người dùng nhận được thông báo khẩn cấp ngay khi có sự cố phát sinh. Mô hình kết hợp chặt chẽ giữa phần cứng nhúng và các thuật toán thông minh. Chi phí triển khai hệ thống được tối ưu hóa cho các hộ gia đình Việt Nam. Đề tài đáp ứng đầy đủ các tiêu chuẩn kỹ thuật của một khóa luận tốt nghiệp kỹ sư. Thiết kế mang lại giá trị thực tiễn cao trong đời sống hiện đại. Đây là bước tiến quan trọng trong nghiên cứu thiết bị thông minh.

1.1. Bối cảnh nghiên cứu đề tài an ninh nhà ở

Nhu cầu bảo vệ tài sản và tính mạng con người ngày càng cấp bách trong đô thị hiện nay. Các hình thức xâm nhập trái phép diễn biến ngày càng tinh vi và phức tạp. Thiết bị khóa cơ truyền thống không còn bảo đảm an toàn tuyệt đối cho các gia đình. Hệ thống báo động đơn giản thường xuyên phát tín hiệu sai lệch gây phiền hà. Do đó, việc ứng dụng công nghệ hiện đại vào giám sát trở thành giải pháp tất yếu. Sự phát triển của các bộ vi điều khiển giá rẻ mở ra nhiều triển vọng ứng dụng mới. Sinh viên ngành Điện tử - Viễn thông đã nắm bắt xu hướng công nghệ này. Đề tài tại trường Đại học Sư phạm Kỹ thuật TP.HCM giải quyết trực tiếp bài toán an ninh dân dụng.

1.2. Mục tiêu kỹ thuật và phạm vi triển khai

Đồ án hướng tới thiết kế một hệ thống an ninh gia đình có độ nhạy cao và hoạt động ổn định. Bộ xử lý trung tâm phải thu nhận tín hiệu liên tục từ các cảm biến ngoại vi. Thiết bị camera tích hợp tiến hành chụp ảnh và nhận diện người tiếp cận ngay tại cửa ra vào. Toàn bộ thông tin cảnh báo gửi ngay lập tức tới máy chủ quản lý dữ liệu. Hệ thống vận hành theo chu trình tự động mà không đòi hỏi thao tác can thiệp thủ công liên tục. Thiết kế ưu tiên sử dụng linh kiện phổ biến nhằm hạ giá thành sản xuất. Kiến trúc phần mềm phân tầng rõ ràng giúp việc nâng cấp chức năng trong tương lai diễn ra thuận lợi. Phạm vi nghiên cứu giới hạn trong không gian nhà ở dân cư tiêu chuẩn.

II. Phân tích bài toán an ninh gia đình trong thời đại IoT

Các giải pháp giám sát an ninh truyền thống bộc lộ nhiều điểm yếu cố hữu. Camera an ninh thông thường chỉ ghi lại hình ảnh thụ động. Chúng không có khả năng phân tích sự kiện theo thời gian thực. Gia chủ chỉ xem lại video sau khi sự cố xâm nhập đã hoàn tất. Điều này làm mất đi tính chủ động trong phòng ngừa rủi ro tài sản. Cảm biến chuyển động đơn lẻ thường kích hoạt báo động giả do vật nuôi hoặc bóng cây. Tình trạng này làm giảm sút lòng tin vào thiết bị an ninh. Mặt khác, hệ thống thương mại cao cấp thường có giá thành rất đắt đỏ. Chi phí bảo trì hàng tháng tạo gánh nặng kinh tế lớn cho người tiêu dùng. Rủi ro về rò rỉ dữ liệu cá nhân qua mạng Internet cũng diễn ra thường xuyên. Nhiều thiết bị thiếu cơ chế xác thực mạnh và mã hóa luồng tin cậy. Dữ liệu giám sát dễ bị đối tượng xấu đánh chặn hoặc can thiệp trái phép. Vì vậy, bài toán đặt ra là cần xây dựng kiến trúc an ninh thông minh, an toàn và tối ưu chi phí.

2.1. Hạn chế của thiết bị an ninh truyền thống

Hệ thống camera giám sát đời cũ phụ thuộc hoàn toàn vào đường truyền mạng cục bộ có dây phức tạp. Quá trình thi công đòi hỏi nhiều công sức và ảnh hưởng trực tiếp đến thẩm mỹ ngôi nhà. Thiết bị ghi hình liên tục tạo ra khối lượng dữ liệu khổng lồ nhưng phần lớn là thông tin tĩnh. Việc tìm kiếm đoạn video ghi lại sự cố mất rất nhiều thời gian quý báu của gia chủ. Cảm biến chuyển động dạng cơ học hoặc siêu âm dễ gặp lỗi khi môi trường có tiếng ồn hoặc nhiệt độ thay đổi đột ngột. Tỷ lệ cảnh báo sai lệch cao khiến người dùng mất cảnh giác trước những nguy cơ xâm nhập có thật. Đây là hạn chế lớn nhất của thiết bị thế hệ cũ.

2.2. Thách thức về an toàn thông tin và chi phí

Bảo mật hệ thống IoT trong nhà ở luôn đối mặt với hiểm họa bị tin tặc tấn công từ xa. Các lỗ hổng trong giao thức truyền dữ liệu cho phép kẻ xấu xâm nhập trái phép vào máy chủ. Nếu thiếu cơ chế mã hóa, kẻ tấn công có thể kiểm soát hoàn toàn camera và đánh cắp quyền riêng tư. Bên cạnh rủi ro an ninh mạng, rào cản chi phí cũng ảnh hưởng lớn tới khả năng ứng dụng. Những hệ thống an ninh hiện đại nhập khẩu thường có mức giá vượt quá khả năng tài chính của đa số gia đình. Chi phí bảo dưỡng và thay thế linh kiện chuyên dụng rất tốn kém. Do đó, yêu cầu nghiên cứu một giải pháp an toàn cao nhưng có chi phí thấp trở nên cực kỳ cấp thiết.

III. Giải pháp thiết kế hệ thống an ninh gia đình của đồ án

Tác giả Hoàng Ngọc Vĩnh Phúc đề xuất giải pháp tích hợp phần cứng Raspberry Pi kết hợp cảm biến PIR và camera CSI. Nguyên lý hoạt động của hệ thống chia thành bốn giai đoạn chuẩn mực: thu thập, truyền tải, xử lý và phản hồi hành động. Đầu tiên, cảm biến chuyển động PIR liên tục quét khu vực bảo vệ với độ nhạy cao. Khi phát hiện biến thiên bức xạ hồng ngoại từ người, cảm biến lập tức kích hoạt camera Raspberry Pi Rev 1.3. Camera truyền luồng hình ảnh thô với độ phân giải cao trực tiếp về bo mạch chính qua giao tiếp CSI tốc độ cao. Tại trung tâm điều khiển, thư viện OpenCV đảm nhận việc trích xuất khung hình và xác thực khuôn mặt. Nếu phát hiện đối tượng xâm nhập lạ, hệ thống sẽ kích hoạt còi báo và bật đèn hỗ trợ. Đồng thời, thông điệp cảnh báo được truyền tải qua các giao thức mạng như MQTT hoặc HTTP đến ứng dụng người dùng. Quá trình xử lý diễn ra khép kín và tự động trong tích tắc. Dữ liệu được mã hóa kỹ lưỡng nhằm ngăn chặn mọi sự can thiệp từ bên ngoài. Phương pháp này mang lại hiệu quả nhận diện vượt trội.

3.1. Lựa chọn phần cứng Raspberry Pi và cảm biến

Hệ thống sử dụng cảm biến chuyển động hồng ngoại thụ động PIR nhờ chi phí thấp và độ bền cao. Thiết bị này không bị ảnh hưởng bởi tạp âm môi trường và tiêu thụ rất ít năng lượng. Khi phát hiện mục tiêu, PIR lập tức đánh thức camera chuyên dụng Raspberry Pi Rev 1.3. Module camera sở hữu cảm biến OmniVision OV5647 độ phân giải 5 megapixels sắc nét. Thiết bị hỗ trợ ghi hình linh hoạt ở các chế độ video 1080p và 720p ổn định. Cổng giao tiếp CSI cho phép truyền tải dữ liệu trực tiếp vào chip xử lý mà không gây nghẽn băng thông. So với webcam USB, giải pháp này giúp giảm thiểu độ trễ hình ảnh và tiết kiệm ngân sách chế tạo đáng kể.

3.2. Thuật toán xử lý ảnh OpenCV và bảo mật IoT

Phần mềm ứng dụng thư viện mã nguồn mở OpenCV để thực thi các thuật toán thị giác máy tính. Ảnh chụp từ camera được lọc nhiễu và trích xuất đặc trưng gương mặt theo thời gian thực. Thuật toán so khớp các điểm nhận dạng với cơ sở dữ liệu khuôn mặt đã đăng ký trước. Hệ thống nhanh chóng phân loại đối tượng thành người nhà hoặc kẻ đột nhập lạ mặt. Về mặt an ninh mạng, kiến trúc kết nối sử dụng giao thức truyền thông MQTT siêu nhẹ. Dữ liệu gói tin truyền đi đều được mã hóa chặt chẽ nhằm bảo vệ bí mật thông tin cá nhân. Cơ chế xác thực đa tầng ngăn chặn hành vi giả mạo và chiếm quyền điều khiển thiết bị trung tâm từ xa.

IV. Đánh giá hiệu quả hệ thống an ninh gia đình trong thực tiễn

Đồ án tốt nghiệp tại Đại học Sư phạm Kỹ thuật TP.HCM hoàn thành xuất sắc các mục tiêu đề ra ban đầu. Mô hình thực nghiệm khẳng định khả năng phát hiện chuyển động chuẩn xác và phản hồi tức thời. Tốc độ nhận diện khuôn mặt qua camera và thư viện OpenCV đạt độ trễ rất thấp. Tỷ lệ báo động sai giảm thiểu đáng kể so với việc chỉ dùng cảm biến độc lập. Giảng viên hướng dẫn ThS. Đặng Phước Hải Trang đánh giá cao tính khoa học và phương pháp kiểm thử của đề tài. Hệ thống chứng minh tính khả thi vượt trội khi triển khai vào môi trường hộ gia đình thực tế. Thiết kế phần cứng nhỏ gọn dễ dàng lắp đặt tại nhiều vị trí then chốt như cửa chính hay hành lang. Chi phí sản xuất thấp giúp sản phẩm tiếp cận rộng rãi với các gia đình bình dân. Công trình không chỉ là kết quả học thuật mà còn mở ra tiềm năng thương mại hóa. Đề tài đóng góp thiết thực vào xu hướng phát triển nhà ở thông minh tại Việt Nam hiện nay.

4.1. Đóng góp học thuật và giá trị thực tiễn

Đề tài là minh chứng tiêu biểu cho năng lực đào tạo kỹ thuật thực hành của Đại học Sư phạm Kỹ thuật TP.HCM. Công trình kết hợp thành công lý thuyết viễn thông, kỹ thuật máy tính và công nghệ xử lý ảnh số. Kết quả thử nghiệm cung cấp cơ sở dữ liệu và tài liệu kỹ thuật đáng tin cậy cho sinh viên khóa sau. Về phương diện ứng dụng, giải pháp giải quyết trọn vẹn bài toán tự động hóa an ninh với chi phí tối thiểu. Thiết bị hoạt động ổn định trong các điều kiện môi trường ánh sáng phức tạp. Tính sáng tạo trong cách phối hợp cảm biến và camera mở ra hướng tiếp cận mới cho các hệ thống an ninh dân dụng.

4.2. Hướng phát triển và hoàn thiện hệ thống

Hệ thống an ninh gia đình có thể tiếp tục được nâng cấp với nhiều tính năng thông minh hơn. Nghiên cứu tiếp theo có thể tích hợp các mô hình học sâu hiện đại để cải thiện độ chính xác nhận diện trong điều kiện đêm tối. Việc bổ sung hệ thống đèn hồng ngoại công suất cao sẽ giúp camera giám sát tối ưu hơn. Nhóm nghiên cứu có thể phát triển thêm ứng dụng di động đa nền tảng để theo dõi từ xa. Giao thức bảo mật cần được nâng cấp với các thuật toán mã hóa đầu cuối tiên tiến. Ngoài ra, khả năng liên kết với các thiết bị nhà thông minh khác sẽ tạo nên một hệ sinh thái an ninh đồng bộ và tiện nghi.

Nội dung chính

Bối cảnh và vấn đề nghiên cứu

Sự chuyển dịch mạnh mẽ của kỷ nguyên số và công nghệ tự động hóa đã đặt ra những yêu cầu mới đối với an toàn không gian sống. Các hệ thống an ninh truyền thống hiện bộc lộ nhiều điểm hạn chế, phần lớn phụ thuộc vào thao tác thủ công, thiếu tính linh hoạt và không có khả năng giám sát từ xa theo thời gian thực. Sự phát triển của Internet vạn vật (IoT) kết hợp với các kỹ thuật thị giác máy tính đã tạo điều kiện để xây dựng các mô hình an ninh gia đình có khả năng vận hành tự động, kết nối liên tục và phản hồi nhanh chóng trước các sự cố. Tuy nhiên, việc tích hợp nhiều công nghệ trong một hệ thống chi phí thấp đòi hỏi phải giải quyết các bài toán về tính tương thích phần cứng, tối ưu hóa thuật toán xử lý ảnh trên nền tảng nhúng và đảm bảo tính đồng bộ dữ liệu.

Đề tài "Hệ thống an ninh gia đình" được sinh viên Hoàng Ngọc Vĩnh Phúc thực hiện dưới sự hướng dẫn của ThS. Đặng Phước Hải Trang tại Trường Đại học Sư phạm Kỹ thuật Thành phố Hồ Chí Minh (chuyên ngành Viễn thông vi mạch, ngành Công nghệ Kỹ thuật Điện tử - Viễn thông). Mục tiêu nghiên cứu của đồ án tập trung vào việc thiết kế, chế tạo và tích hợp một hệ thống an ninh toàn diện với các nhiệm vụ cụ thể sau:

1. Thiết kế cơ chế kiểm soát ra vào bằng công nghệ nhận diện khuôn mặt: tự động mở cửa khi xác thực thành công người dùng hợp lệ; kích hoạt còi báo động, đồng thời gửi email và tin nhắn cảnh báo kèm hình ảnh về máy chủ gia chủ khi phát hiện người lạ hoặc xâm nhập trái phép.
2. Giám sát các thông số môi trường sống: đo đạc liên tục nhiệt độ, độ ẩm và nồng độ khí gas trong nhà; gửi cảnh báo khẩn cấp tức thì qua tin nhắn và thư điện tử nếu nhiệt độ vượt ngưỡng $40^\circ\text{C}$ hoặc nồng độ khí gas vượt mức 5%.
3. Hỗ trợ điều khiển thiết bị gia dụng: cho phép đóng/mở cửa từ xa qua ứng dụng di động hoặc nút nhấn vật lý trong nhà; tự động bật/tắt đèn chiếu sáng dựa trên cảm biến phát hiện chuyển động, kết hợp tính năng bật/tắt thủ công và hẹn giờ trên ứng dụng.
4. Tích hợp điều khiển rảnh tay bằng giọng nói: cho phép người dùng ra lệnh điều khiển các thiết bị trong nhà thông qua trợ lý ảo Google Assistant mà không cần thao tác trực tiếp trên giao diện ứng dụng.
5. Thiết lập hệ thống phân quyền người dùng: phân tách rõ ràng quyền hạn giữa tài khoản Quản trị viên (có toàn quyền cấu hình thiết bị, quản lý và thêm/xóa tài khoản) và Người dùng thông thường (chỉ được phép theo dõi số liệu cảm biến và thao tác bật/tắt thiết bị cơ bản).

Đối tượng nghiên cứu của đề tài là hệ thống an ninh và tự động hóa nhà ở dựa trên nền tảng IoT và xử lý ảnh. Phạm vi nghiên cứu về mặt không gian tập trung vào quy mô hộ gia đình hoặc các phòng có diện tích vừa và nhỏ. Về mặt kỹ thuật, phạm vi thu thập dữ liệu giới hạn ở các thông số môi trường (nhiệt độ, độ ẩm, khí gas methane, chuyển động hồng ngoại) và luồng hình ảnh khuôn mặt được ghi nhận từ camera đặt tại cửa ra vào.

Cơ sở lý thuyết và phương pháp

Hệ thống được xây dựng dựa trên sự liên kết giữa kiến trúc mạng IoT đa tầng, các thuật toán thị giác máy tính cổ điển và nền tảng phát triển ứng dụng di động hiện đại.

Về khung lý thuyết IoT, hệ thống vận hành theo chu trình bốn bước khép kín: thu thập thông tin từ môi trường qua các đầu đo cảm biến, truyền tải dữ liệu qua mạng không dây sử dụng các giao thức HTTP và MQTT, xử lý dữ liệu tập trung để đưa ra quyết định, và phản hồi hành động thông qua các cơ cấu chấp hành. Dữ liệu trạng thái và thông số cảm biến được lưu trữ, đồng bộ theo thời gian thực thông qua cơ sở dữ liệu đám mây Firebase.

Đối với bài toán thị giác máy tính, tác giả kết hợp hai phương pháp truyền thống nhằm tối ưu hóa tài nguyên phần cứng nhúng:

• Thuật toán Haar Cascade (Viola & Jones): Được sử dụng cho giai đoạn phát hiện vị trí khuôn mặt trong khung hình. Thuật toán phân tích các đặc trưng Haar-like cơ bản (đặc trưng cạnh, đặc trưng đường, đặc trưng quanh tâm) bằng cách so sánh tổng cường độ sáng giữa các vùng lân cận. Để tối ưu tốc độ tính toán trong thời gian thực, thuật toán sử dụng ma trận ảnh tích hợp (Integral Image), cho phép tính tổng giá trị điểm ảnh của một vùng chữ nhật bất kỳ chỉ qua bốn phép tính số học tại các đỉnh:

$$\sum \text{điểm ảnh} = I_4(x_4, y_4) - I_2(x_2, y_2) - I_3(x_3, y_3) + I_1(x_1, y_1)$$

Kỹ thuật tăng cường AdaBoost được áp dụng để sàng lọc các đặc trưng quan trọng nhất từ tập dữ liệu lớn, kết hợp cấu trúc phân tầng (cascade) để loại bỏ sớm các vùng không chứa khuôn mặt.

• Thuật toán Local Binary Patterns (LBP): Được chọn cho giai đoạn trích xuất đặc trưng và nhận diện danh tính khuôn mặt. Thuật toán mã hóa vi kết cấu bề mặt bằng cách so sánh cường độ sáng của điểm ảnh trung tâm với 8 điểm ảnh lân cận trong ma trận $3 \times 3$. Các điểm có giá trị lớn hơn hoặc bằng ngưỡng trung tâm được gán giá trị 1, ngược lại gán giá trị 0. Chuỗi 8 bit nhị phân sau đó được chuyển đổi sang số thập phân để gán giá trị LBP cho điểm ảnh trung tâm. Toàn bộ ảnh khuôn mặt sau khi cắt và chuẩn hóa được biểu diễn bằng một biểu đồ tần suất (histogram), đóng vai trò là vector đặc trưng để so khớp nhận dạng.

Phương pháp nghiên cứu thực nghiệm được triển khai thông qua việc thiết kế mạch nguyên lý trên phần mềm Altium Designer, lắp ráp phần cứng thực tế và lập trình hệ thống. Tác giả tiến hành các phép thử nghiệm định lượng để đánh giá hiệu năng:

• Khảo sát độ chính xác nhận diện khuôn mặt trong các điều kiện môi trường ánh sáng khác nhau (ánh sáng bình thường và môi trường thiếu sáng).
• Đánh giá tỷ lệ nhận diện thành công theo các cự ly khoảng cách từ điểm giữa hai mắt đến camera ở các mốc: 20 cm, 30 cm, 40 cm và 50 cm.
• Đo đạc độ trễ và độ ổn định thông qua việc gửi 100 lần liên tiếp các câu lệnh "Bật đèn" và "Tắt đèn" luân phiên qua trợ lý ảo Google Assistant.

Thiết kế và triển khai

Hệ thống an ninh gia đình được thiết kế theo cấu trúc module hóa gồm 7 khối chức năng chính: Khối thu thập dữ liệu và giám sát, Khối xử lý trung tâm, Khối điều khiển, Khối cảnh báo, Khối lưu trữ và đồng bộ dữ liệu, Khối hiển thị và Khối nguồn.

Khối chức năng	Thành phần phần cứng / Nền tảng	Thông số kỹ thuật / Chức năng chính
Khối xử lý trung tâm	Bo mạch Raspberry Pi 3 Model B+	Chạy hệ điều hành Linux, xử lý thư viện OpenCV, thực thi thuật toán Haar Cascade và LBP, quản lý luồng gửi email/tin nhắn.
Khối thu thập dữ liệu	Raspberry Pi Camera Rev 1.3	Cảm biến OmniVision OV5647, kích thước $25 \times 24 \times 9\text{ mm}$, trọng lượng 3g, độ phân giải 5 MP ($2592 \times 1944\text{ pixels}$), quay video 1080p30, kết nối qua giao tiếp CSI.
	Cảm biến DHT11	Đo nhiệt độ (sai số $\pm 0.5^\circ\text{C}$) và độ ẩm (sai số $\pm 2%$), giao tiếp qua 1 dây dữ liệu số (1-Wire).
	Cảm biến MQ-2	Phát hiện khí gas (methane), dải đo 300 – 10.000 ppm, xuất tín hiệu tương tự (Analog).
	Cảm biến PIR	Phát hiện chuyển động cơ thể người qua bức xạ hồng ngoại, tầm quét 5 – 7 m, góc quan sát $110^\circ - 120^\circ$.
Khối điều khiển	Bo mạch ESP32 DevKit V1 (ESP32-WROOM-32)	Đọc dữ liệu tương tự từ MQ-2 qua ADC, tiếp nhận tín hiệu số từ DHT11 và PIR, điều khiển cơ cấu chấp hành và kết nối Wi-Fi.
Khối chấp hành	Động cơ Servo SG90	Góc quay $180^\circ$, đảm nhiệm cơ chế gạt chốt khóa mở/đóng cửa.
	Led dây 5050 RGB	Hệ thống chiếu sáng sinh hoạt, điều khiển bật/tắt và đổi màu.
Khối cảnh báo	Còi báo động (Buzzer) & Dịch vụ mạng	Kích hoạt âm thanh tại chỗ; gửi thông báo đẩy, tin nhắn và email cảnh báo kèm hình ảnh.
Khối nguồn	Module hạ áp XL4005 (5A) và LM2596S (3A)	Chuyển đổi và duy trì các mức điện áp DC ổn định cho toàn bộ vi điều khiển, cảm biến và servo.
Khối lưu trữ & Hiển thị	Firebase & Ứng dụng di động Kotlin	Lưu trữ đám mây thời gian thực; giao diện ứng dụng Android xây dựng bằng Jetpack Compose.

Về quy trình phần mềm, hệ thống vận hành với ba luồng chương trình chính:

1. Luồng xử lý camera trên Raspberry Pi: Camera thu thập luồng khung hình thời gian thực qua giao tiếp CSI. Thuật toán Haar Cascade định vị khuôn mặt, sau đó trích xuất vùng ảnh khuôn mặt và chuyển đổi sang thang độ xám. Thuật toán LBP tiến hành trích xuất đặc trưng và so khớp với cơ sở dữ liệu đã huấn luyện. Nếu khuôn mặt hợp lệ, tín hiệu mở cửa được gửi đến cơ cấu servo và trạng thái được cập nhật lên Firebase. Nếu khuôn mặt không hợp lệ, hệ thống kích hoạt còi báo, trích xuất khung hình ảnh chụp kẻ xâm nhập và gửi thông báo qua email, tin nhắn đến người dùng.
2. Luồng xử lý cảm biến trên ESP32: Vi điều khiển liên tục đọc các giá trị nhiệt độ, độ ẩm từ DHT11 và nồng độ khí gas từ MQ-2. Dữ liệu được đóng gói và gửi lên Firebase. Khi phát hiện nhiệt độ vượt quá $40^\circ\text{C}$ hoặc khí gas vượt ngưỡng 5%, vi điều khiển kích hoạt còi cảnh báo tại chỗ và gửi yêu cầu cảnh báo khẩn cấp. Đồng thời, tín hiệu từ cảm biến PIR được giám sát liên tục để kích hoạt bật đèn tự động khi có người di chuyển.
3. Luồng ứng dụng di động (Kotlin): Cung cấp các trang giao diện Home (theo dõi chỉ số môi trường, trạng thái khóa cửa, công tắc đèn), Settings (hẹn giờ bật/tắt thiết bị, quản lý danh sách tài khoản) và Log out. Dữ liệu giao diện được cập nhật hai chiều với Firebase Realtime Database. Ứng dụng tích hợp với Google Assistant thông qua các hàm intent xử lý ngôn ngữ tự nhiên để nhận khẩu lệnh điều khiển thiết bị rảnh tay.

Nội dung chính theo từng chương

Chương 1. Giới thiệu đề tài

Chương mở đầu phân tích bối cảnh phát triển của các công nghệ nhà thông minh và chỉ ra các hạn chế cố hữu của các hệ thống an ninh truyền thống. Tác giả tiến hành khảo sát toàn diện các công trình nghiên cứu liên quan:

• Các nghiên cứu trong nước: Tổng quan bài báo tích hợp IoT, điện toán đám mây và Telegram/Firebase để giám sát thiết bị [2]; mô hình nhận diện khuôn mặt kết hợp Haar-like với các thuật toán học máy Random Forest, Gradient Boosting, k-NN đạt độ chính xác 99,7% [3]; mô hình HOG kết hợp CNN và FaceNet trên không gian Euclidean cho kiểm soát vào/ra [4]. Đồng thời, chương 1 cập nhật thành tựu công nghệ nhận diện khuôn mặt tại Việt Nam qua kết quả đánh giá FRTE 1:N của NIST: giải pháp vtcc_001 của Viettel AI lọt top 4 thế giới ở hạng mục nhận diện góc nghiêng $90^\circ$ [5] và giải pháp của VinBigdata đạt top 10 thế giới ở hạng mục Mugshot Webcam cùng chứng chỉ quốc tế iBeta với sai số 0% [6].
• Các nghiên cứu ngoài nước: Đánh giá giải pháp khóa cửa Haar Cascade trên Raspberry Pi kết hợp thuật toán AdaBoost [7]; nghiên cứu thực nghiệm của Haar Cascade đạt độ chính xác 80% trong điều kiện ánh sáng kém và góc nghiêng [8]; ứng dụng nhận diện khuôn mặt của Meta trong việc quét cơ sở dữ liệu hơn 50.000 người nổi tiếng để ngăn chặn quảng cáo lừa đảo và khôi phục tài khoản [9]. Từ đó, tác giả xác định mục tiêu thiết kế hệ thống an ninh gia đình chi phí thấp, nêu rõ 4 giới hạn kỹ thuật của đề tài, phương pháp thực hiện và cấu trúc báo cáo gồm 5 chương.

Chương 2. Cơ sở lý thuyết và công nghệ nền tảng

Chương này cung cấp hệ thống lý thuyết phục vụ cho việc xây dựng đồ án. Nội dung bao gồm định nghĩa IoT, phân tích kiến trúc thành phần cơ bản (thiết bị, cổng kết nối, đám mây, phân tích dữ liệu, giao diện người dùng, mạng truyền thông, bảo mật, phần cứng điều khiển) và nguyên lý hoạt động 4 giai đoạn. Chương 2 cũng dẫn chứng các ứng dụng thực tiễn của IoT trong y tế, nông nghiệp (mạng Sigfox tại Kenya [12], mô hình hợp tác xã Mỹ Đông 2 tại Đồng Tháp [13]), công nghiệp (MindSphere của Siemens [14]) và giao thông (Tesla [15], xe điện VinFast VF e34 [16]). Về mặt thuật toán, chương này giải thích chi tiết phương pháp phát hiện khuôn mặt Haar Cascade, phân tích 3 nhóm đặc trưng Haar-like cơ bản và cách sử dụng bảng ảnh tích hợp (Integral Image) để tính tổng mức xám. Tiếp theo, tác giả trình bày thuật toán nhận diện LBP của Ojala (1996), bao gồm quy tắc so sánh ngưỡng 8 điểm lân cận, công thức tính giá trị LBP qua ma trận trọng số và lập histogram đặc trưng. Trình tự nhận dạng được chuẩn hóa qua 6 bước (Thu thập, Phát hiện, Căn chỉnh, Trích xuất, So khớp, Phản hồi). Cuối cùng, chương 2 giới thiệu trợ lý ảo Google Assistant, công nghệ xử lý ngôn ngữ tự nhiên, phương pháp tư duy thiết kế UI/UX 5 giai đoạn và ngôn ngữ lập trình Kotlin tích hợp Jetpack Compose.

Chương 3. Thiết kế hệ thống

Chương 3 trình bày các yêu cầu chức năng và đặc tả sơ đồ khối hệ thống an ninh gồm 7 khối liên kết chặt chẽ. Phần thiết kế phần cứng cung cấp các tiêu chí lựa chọn linh kiện: phân tích ưu điểm chi phí thấp và tiết kiệm năng lượng của DHT11 so với DHT22; dải đo 300 – 10.000 ppm của cảm biến khí gas MQ-2; góc quét $110^\circ - 120^\circ$ của cảm biến chuyển động PIR; và các thông số vật lý của Raspberry Pi Camera Rev 1.3 giao tiếp CSI qua chip OmniVision OV5647. Phần thiết kế phần mềm xây dựng chi tiết các lưu đồ giải thuật cho hệ thống: lưu đồ tổng quát và các chương trình con trên Raspberry Pi (xử lý dữ liệu camera, giám sát dữ liệu cảm biến, tiếp nhận lệnh thoại); lưu đồ điều khiển xuất/nhập trên ESP32; và các lưu đồ luồng hoạt động trên ứng dụng di động Kotlin (trang Home, Settings, Log out).

Chương 4. Kết quả các chế độ và đánh giá hệ thống

Chương này công bố mô hình phần cứng hoàn chỉnh sau khi lắp ráp và bố trí các cảm biến trong không gian thử nghiệm. Các nội dung đánh giá thực nghiệm bao gồm:

• Kiểm thử chức năng nhận diện khuôn mặt: ghi nhận khả năng đóng/mở servo cửa tự động khi phát hiện khuôn mặt hợp lệ; kiểm tra quy trình kích hoạt còi và gửi email, tin nhắn thông báo tức thì đính kèm ảnh khi phát hiện khuôn mặt không hợp lệ. Khảo sát tỷ lệ nhận diện theo các mức ánh sáng (bình thường, thiếu sáng) và theo các khoảng cách từ mắt đến camera (20 cm, 30 cm, 40 cm, 50 cm).
• Kiểm thử giám sát môi trường: theo dõi quá trình đẩy dữ liệu lên Firebase và cập nhật giao diện ứng dụng; kiểm tra phản xạ gửi thư điện tử và tin nhắn khẩn cấp khi nồng độ khí gas vượt ngưỡng hoặc nhiệt độ vượt $40^\circ\text{C}$.
• Kiểm thử điều khiển thiết bị: đóng/mở cửa từ xa qua ứng dụng; bật/tắt đèn qua cảm biến PIR khi có chuyển động; thực thi lịch hẹn giờ bật/tắt đèn.
• Kiểm thử tương tác giọng nói: ghi nhận độ ổn định và thời gian phản hồi khi thực thi 100 lần câu lệnh "Bật đèn" và "Tắt đèn" luân phiên qua Google Assistant.
• Kiểm thử phân quyền: xác minh sự khác biệt về quyền thao tác trên giao diện giữa tài khoản Quản trị viên và Người dùng thông thường.

Chương 5. Kết luận và hướng phát triển

Chương cuối cùng tổng hợp toàn bộ các kết quả đạt được đối chiếu với các mục tiêu ban đầu, chỉ ra những hạn chế kỹ thuật còn tồn đọng trong mô hình và đề xuất các giải pháp nâng cấp, mở rộng hệ thống trong tương lai.

Kết quả và đóng góp

Đồ án đã chế tạo thành công một mô hình thực nghiệm hoàn chỉnh của hệ thống an ninh gia đình, tích hợp đồng bộ giữa phần cứng nhúng, thuật toán thị giác máy tính và ứng dụng quản lý di động. Các kết quả cụ thể bao gồm:

• Chức năng kiểm soát ra vào: Nhận diện chính xác khuôn mặt đã đăng ký trong điều kiện môi trường đủ sáng, điều khiển động cơ servo SG90 mở cửa tự động. Khi có đối tượng lạ xuất hiện, hệ thống phản hồi tức thì bằng việc kích hoạt còi báo động tại chỗ, chụp ảnh đối tượng và gửi đồng thời qua email và tin nhắn SMS cảnh báo đến gia chủ.
• Chức năng an toàn môi trường: Thu thập liên tục các chỉ số nhiệt độ, độ ẩm và nồng độ khí gas từ các cảm biến DHT11 và MQ-2. Cơ chế cảnh báo khẩn cấp hoạt động chính xác theo các ngưỡng thiết lập: tự động gửi thư điện tử và tin nhắn khi nhiệt độ trong nhà vượt quá $40^\circ\text{C}$ hoặc khi nồng độ khí gas vượt mức 5%.
• Tự động hóa thiết bị và điều khiển rảnh tay: Cảm biến PIR phát hiện người chuyển động trong vùng quét 5 – 7 m để tự động bật đèn LED dây 5050 RGB. Chức năng hẹn giờ bật/tắt thiết bị trên ứng dụng di động thực thi đúng thời gian cài đặt. Đề tài đã thử nghiệm thành công 100 lần câu lệnh "Bật đèn" và "Tắt đèn" luân phiên thông qua trợ lý ảo Google Assistant, cho phép điều khiển thiết bị bằng giọng nói mà không cần mở ứng dụng.
• Quản trị hệ thống: Ứng dụng Kotlin xây dựng hoàn chỉnh cơ chế phân quyền, đảm bảo người dùng thông thường chỉ có thể xem số liệu và bật/tắt thiết bị, trong khi quản trị viên có toàn quyền thêm/xóa tài khoản và cấu hình hệ thống.

Về mặt đóng góp, tác giả đã tự đề xuất và triển khai một giải pháp hệ thống an ninh có chi phí thấp dựa trên sự kết hợp giữa các vi điều khiển thông dụng (Raspberry Pi 3 Model B+, ESP32) với các thuật toán thị giác máy tính cổ điển (Haar Cascade, LBP). Mô hình chứng minh tính khả thi của việc triển khai nhận diện khuôn mặt và cảnh báo đa phương tiện trong thời gian thực trên các thiết bị nhúng có tài nguyên tính toán hạn chế mà không cần phụ thuộc vào các máy chủ đồ họa đắt tiền.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên kết quả thử nghiệm thực tế, tác giả đã thẳng thắn ghi nhận các hạn chế kỹ thuật của hệ thống:

• Phạm vi hoạt động của phần cứng: Các module cảm biến DHT11, MQ-2 và PIR được sử dụng là dòng linh kiện cơ bản, có tầm đo hẹp, chỉ thích hợp vận hành trong môi trường phòng nhỏ hoặc không gian gia đình khép kín, chưa đáp ứng được các khu vực có diện tích lớn.
• Phụ thuộc điều kiện môi trường của thuật toán thị giác máy tính: Phương pháp phát hiện khuôn mặt Haar Cascade và nhận diện LBP chỉ duy trì độ chính xác ổn định trong điều kiện đủ sáng. Khi môi trường thiếu sáng hoặc khi khuôn mặt có các góc nghiêng, biểu cảm nằm ngoài tập dữ liệu huấn luyện, hệ thống dễ phát sinh sai sót.
• Lỗ hổng bảo mật nhận diện: Hệ thống chưa được trang bị thuật toán chống giả mạo khuôn mặt (anti-spoofing), do đó tiềm ẩn nguy cơ bị đánh lừa nếu kẻ gian sử dụng hình ảnh tĩnh chụp lại khuôn mặt của gia chủ.
• Độ trễ điều khiển giọng nói: Quá trình tương tác điều khiển thiết bị qua Google Assistant vẫn tồn tại độ trễ tương đối lớn và đôi khi không nhận diện chính xác câu lệnh của người dùng do ảnh hưởng của môi trường âm thanh xung quanh.
• Giao diện người dùng: Ứng dụng di động lập trình trên Kotlin mới chỉ tập trung đáp ứng các tính năng thao tác kỹ thuật cơ bản, giao diện trực quan còn đơn giản, chưa tối ưu hóa về mặt thẩm mỹ và trải nghiệm thị giác.

Các hướng phát triển tiếp theo được đề xuất bao gồm: nghiên cứu tích hợp các mạng nơ-ron tích chập (CNN) hoặc mô hình học sâu có khả năng nhận diện đa góc độ và hoạt động tốt trong điều kiện thiếu sáng; bổ sung thuật toán phát hiện sự sống (liveness detection) để ngăn chặn hành vi sử dụng ảnh tĩnh; tối ưu hóa đường truyền mạng để giảm thiểu độ trễ phản hồi của trợ lý giọng nói; và tái thiết kế giao diện ứng dụng di động theo hướng chuyên nghiệp, thân thiện hơn với người dùng.

Giá trị tham khảo

Đồ án tốt nghiệp là tài liệu tham khảo hữu ích cho sinh viên, học viên và các kỹ sư thuộc các chuyên ngành Công nghệ Kỹ thuật Điện tử - Viễn thông, Kỹ thuật Máy tính, Công nghệ Thông tin và Hệ thống Nhúng & IoT.

Tài liệu cung cấp giá trị ứng dụng cụ thể ở các nội dung:

• Phương pháp phân chia kiến trúc xử lý giữa bo mạch máy tính nhúng (Raspberry Pi) và vi điều khiển ngoại vi (ESP32), giải quyết bài toán phân tải giữa xử lý thị giác máy tính và thu thập dữ liệu thời gian thực từ cảm biến.
• Hướng dẫn chi tiết về mặt toán học và quy trình triển khai thuật toán Haar Cascade kết hợp LBP trên thư viện OpenCV mà không đòi hỏi phần cứng GPU chuyên dụng.
• Phương thức kết nối, đồng bộ dữ liệu thời gian thực giữa ứng dụng di động Android (ngôn ngữ Kotlin, Jetpack Compose) với cơ sở dữ liệu Firebase Realtime Database.
• Mô hình tích hợp dịch vụ bên thứ ba (Google Assistant) vào hệ thống phần cứng điều khiển thông qua nền tảng đám mây.

Câu hỏi thường gặp

1. Hệ thống xử lý như thế nào khi phát hiện một khuôn mặt không hợp lệ tại cửa ra vào?
Khi thuật toán LBP không thể so khớp khuôn mặt trước camera với cơ sở dữ liệu khuôn mặt hợp lệ đã huấn luyện, hệ thống sẽ xác định đây là đối tượng xâm nhập trái phép. Ngay lập tức, Raspberry Pi sẽ kích hoạt còi báo động (buzzer) tại chỗ, đồng thời trích xuất khung hình ảnh chụp đối tượng từ Raspberry Pi Camera Rev 1.3 và gửi cảnh báo tức thì qua cả hai kênh thư điện tử (email) và tin nhắn đến gia chủ.

2. Ngưỡng cảnh báo tự động đối với các chỉ số môi trường được cài đặt cụ thể là bao nhiêu?
Hệ thống cài đặt hai ngưỡng kích hoạt cảnh báo nguy hiểm tự động: nhiệt độ môi trường vượt quá $40^\circ\text{C}$ (thu thập từ cảm biến DHT11) hoặc nồng độ khí gas trong không khí vượt mức 5% (thu thập từ cảm biến MQ-2). Khi một trong hai chỉ số này chạm hoặc vượt ngưỡng, hệ thống sẽ tự động gửi tin nhắn và thư điện tử khẩn cấp để cảnh báo gia chủ có biện pháp xử lý kịp thời.

3. Vì sao tác giả lại lựa chọn thuật toán Haar Cascade và LBP thay vì các mạng nơ-ron học sâu như CNN hay FaceNet?
Mặc dù các mô hình học sâu (CNN, FaceNet) có độ chính xác cao hơn, nhưng chúng đòi hỏi tài nguyên tính toán rất lớn (yêu cầu vi xử lý mạnh hoặc GPU chuyên dụng), không phù hợp với bo mạch nhúng có tài nguyên hạn chế như Raspberry Pi 3 Model B+. Haar Cascade được chọn cho khâu phát hiện nhờ tốc độ quét nhanh theo thời gian thực dựa trên ảnh tích hợp, trong khi LBP được chọn cho khâu nhận diện vì cấu trúc tính toán đơn giản, tiêu tốn ít bộ nhớ và dung lượng xử lý, đảm bảo hệ thống vận hành ổn định và tiết kiệm chi phí.

4. Sự khác biệt về quyền hạn giữa hai nhóm tài khoản trên ứng dụng di động là gì?
Ứng dụng di động phân định rõ hai cấp bậc tài khoản: Quản trị viên (Admin) có toàn quyền cấu hình các thông số thiết bị, thiết lập hệ thống, thêm tài khoản mới hoặc xóa tài khoản người dùng khỏi hệ thống. Trong khi đó, tài khoản Người dùng thông thường (User) chỉ được cấp quyền xem các thông số cảm biến môi trường theo thời gian thực và thực hiện các thao tác bật/tắt thiết bị cơ bản, không được phép can thiệp vào các cài đặt cấu hình lõi.

5. Module camera Raspberry Pi Camera Rev 1.3 sử dụng trong hệ thống có thông số kỹ thuật ra sao?
Module camera này sử dụng chip cảm biến OmniVision OV5647 với kích thước vật lý nhỏ gọn khoảng $25 \times 24 \times 9\text{ mm}$ và trọng lượng 3g. Thiết bị có độ phân giải ảnh tĩnh 5 megapixels ($2592 \times 1944\text{ pixels}$), hỗ trợ các chế độ quay video chuẩn gồm 1080p ở tốc độ 30 khung hình/giây, 720p ở 60 khung hình/giây và 640x480p ở 60/90 khung hình/giây. Camera được kết nối trực tiếp với Raspberry Pi qua cổng giao tiếp nối tiếp CSI (Camera Serial Interface) tốc độ cao và được điều khiển bằng thư viện OpenCV.

Kết luận

Đồ án tốt nghiệp "Hệ thống an ninh gia đình" của sinh viên Hoàng Ngọc Vĩnh Phúc đã thiết kế và triển khai thành công một mô hình giám sát an ninh và tự động hóa nhà ở hoàn chỉnh trên nền tảng IoT. Hệ thống tích hợp hiệu quả giữa bo mạch xử lý hình ảnh Raspberry Pi 3 Model B+ với vi điều khiển ESP32, cho phép thực thi tốt các tính năng nhận diện khuôn mặt mở cửa, cảnh báo xâm nhập đa kênh, giám sát các chỉ số môi trường và điều khiển thiết bị qua ứng dụng Kotlin cũng như giọng nói Google Assistant. Mặc dù vẫn còn một số điểm hạn chế về độ ổn định khi thiếu sáng, độ trễ trợ lý ảo và khả năng chống giả mạo ảnh tĩnh, công trình đã thể hiện phương pháp tiếp cận kỹ thuật bài bản, cung cấp tài liệu tham khảo có giá trị thực tiễn cao cho việc ứng dụng công nghệ nhúng chi phí thấp vào đời sống.

Trích đoạn nội dung tài liệu

CHƯƠNG 1. GIỚI THIỆU ĐỀ TÀI Kỷ nguyên số đã và đang cải biến lối sống cũng như phương thức làm việc của con người, đem đến sự cải tiến thúc đẩy cách mạng hóa đa dạng lĩnh vực, từ truyền thông, giáo dục, đến tự động hóa và an ninh. Trong thời đại này, sự kết nối và tự động hóa được xem là trọng tâm, thúc đẩy sự cần thiết về giải pháp hiệu quả, tiện lợi và thông minh. Một trong những lĩnh vực chịu ảnh hưởng lớn là an ninh không gian sống, nơi các hệ thống truyền thống dần bộc lộ nhiều hạn chế.

Trong khi các hệ thống an ninh truyền thống vẫn còn nhiều bất cập, chẳng hạn như phụ thuộc hoàn toàn vào thao tác thủ công và thiếu khả năng giám sát từ xa, thì sự trỗi dậy Internet vạn vật (IoT) mở ra một hướng đi mới. IoT không chỉ gắn kết các thiết bị với nhau mà còn hỗ trợ các hệ thống này tự động vận hành. Đặc biệt, trong lĩnh vực an ninh gia đình, IoT cho phép tích hợp các công nghệ hiện đại như nhận diện khuôn mặt, điều khiển thiết bị bằng cách ra lệnh và thông báo ngay khi phát hiện bất thường. Mặc dù vậy, để tạo lập một hệ thống an ninh thông minh dựa trên IoT, cần giải quyết hàng loạt thách thức như vấn đề tương thích giữa các thiết bị, đảm bảo bảo mật dữ liệu và tối ưu giá thành để phù hợp với đại đa số người dùng [1].

Việc xây dựng các hệ thống này không những đảm bảo về an toàn, mà còn cải thiện trải nghiệm sống trong thời đại công nghệ số. Đề tài “Hệ thống an ninh gia đình” được triển khai với mục tiêu hình thành một hệ thống tích hợp các công nghệ hiện đại như nhận diện khuôn mặt, điều khiển thiết bị từ xa qua ứng dụng di động và giám sát môi trường qua cảm biến IoT. Hệ thống không chỉ đảm bảo yếu tố an ninh mà còn hỗ trợ người dùng tương tác linh hoạt thông qua các công nghệ hiện đại. TỔNG QUAN TÌNH HÌNH NGHIÊN CỨU Việc nghiên cứu và kế thừa các công trình trước đây là điều cần thiết cho sự phát triển hệ thống an ninh.

Mục này thể hiện hiện cái nhìn tổng quát về mối quan tâm nghiên cứu trong và ngoài nước, nhằm làm rõ cơ sở khoa học, các ứng dụng thực tiễn cũng như những khoảng trống mà đề tài có thể khai thác. Qua những thành quả và thử thách từ các nghiên cứu trước đây, tác giả sẽ đưa ra phương hướng nghiên cứu nhằm hoàn thiện dự án này. Tình hình nghiên cứu trong nước Bài báo [2] giới thiệu cải thiện hệ thống sử dụng công nghệ IoT, điện toán đám mây và nhận biết khuôn mặt. Để theo dõi, ra lệnh cho các thiết bị trong thời gian thực.

Hệ thống vận dụng những cảm biến như DHT22, MQ-2 và camera để lấy thông tin thô từ môi trường, phát hiện các tình huống nguy hiểm như xì hơi gas hoặc xâm phạm trái phép. Dữ liệu được đồng bộ lên Firebase, hỗ trợ không dây qua ứng dụng web hoặc chatbot Telegram. [2] nhấn mạnh tính năng tự động hóa linh động, chi phí rẻ và tiến đến cải tiến bảo mật, hiệu năng, cũng như tích hợp công nghệ học máy trong tương lai. Nghiên cứu [3] vận dụng đặc trưng Haar-like liên kết với mô hình học máy, (Random Forest, Gradient Boosting, k-Nearest Neighbor) để quét gương mặt từ hình ảnh camera.

Hệ thống không chỉ hỗ trợ điểm danh tự động mà còn đồng nhất dữ liệu với cơ sở dữ liệu để cập nhật và xuất báo cáo. Thành quả thí nghiệm thể hiện các thuật toán đạt hiệu năng cao, đặc biệt với mô hình Random Forest đạt độ chính xác tới 99,7%. [4] đề xuất mô hình quét gương mặt kết hợp với HOG (Histogram of Oriented Gradient) cùng với mạng nơron tích chập (CNN) nhằm cải thiện độ chính xác. Giai đoạn nhận diện gương mặt vận dụng đặc trưng HOG để lấy ra các đặc điểm và vận dụng bộ phân loại tuyến tính máy vector hỗ trợ nhằm xác định vùng gương mặt.

Trong khi đó giai đoạn nhận dạng gương mặt sử dụng mô hình FaceNet, kết hợp CNN nhằm 2 thu thập dữ liệu từ không gian Euclidean, đảm bảo phân biệt rõ ràng các khuôn mặt. Thành quả thí nghiệm trên dữ liệu tiêu chuẩn (UOF, FEL, LFW) chứng tỏ mô hình có sự chính xác lớn, vượt trội hơn phương pháp Haar-like và PCA. Mô hình được đánh giá thích hợp cho nhiều ứng dụng theo dõi an ninh, kiểm soát vào/ra và cảnh báo đột nhập nhờ hiệu quả trong môi trường thực tế. Hiện nay, công nghệ nhận diện khuôn mặt tại Việt Nam phát triển mạnh mẽ và đạt được nhiều thành tựu đáng kể, với một số hệ thống nằm trong top đầu thế giới.

Theo thông tin từ VNExpress [5], công nghệ nhận diện khuôn mặt của Viettel AI đã đạt thứ hạng cao trong bài đánh giá của Viện Tiêu chuẩn và Công nghệ Quốc gia Hoa Kỳ (NIST). Trong số 133 giải pháp toàn cầu, mã hiệu vtcc_001 của Viettel AI nằm trong top 10 tại 5 hạng mục và đặc biệt đạt top 4 ở hạng mục nhận diện khuôn mặt ở góc nghiêng 90 độ (Mugshot-Profile 90), xếp sau các công nghệ từ Trung Quốc và Nhật Bản. Bài đánh giá FRTE 1:N Identification của NIST yêu cầu xử lý dữ liệu từ 12 triệu hình ảnh với thời gian dưới 1,5 giây, đảm bảo độ chính xác và hiệu quả cao trong thực tế. Công nghệ của Viettel AI được tích hợp trong các giải pháp eKYC nhằm bảo mật, phát hiện gian lận, xác minh tài khoản và quản lý ra vào tại các tổ chức.

Ngoài ra, công nghệ này còn hỗ trợ xác thực căn cước công dân gắn chip với độ chính xác 100% và nâng cao hiệu quả xác thực trực tuyến, mang lại tiềm năng ứng dụng lớn trong quản lý dân cư và các lĩnh vực khác. Theo báo cáo của VinBigdata [6], thuộc Tập đoàn Vingroup, lần đầu tiên Việt Nam lọt vào top 10 thế giới trong hạng mục nhận diện khuôn mặt Mugshot Webcam, theo đánh giá của NIST. Công ty đã vượt qua 144/153 giải pháp toàn cầu trong bài kiểm tra FRTE 1:N, vốn là tiêu chuẩn vàng để đánh giá độ chính xác và hiệu suất của các thuật toán nhận diện khuôn mặt. VinBigdata đã tối ưu thuật toán để xử lý dữ liệu từ 200 triệu hình ảnh với tốc độ nhanh và độ chính xác cao, đáp ứng yêu cầu nghiêm ngặt về nhận diện trong điều kiện ảnh chất lượng kém.

Ngoài ra, công nghệ này còn đạt chứng chỉ toàn cầu iBeta với sai số 0%, khẳng định tính ưu việt và khả năng ứng dụng 3 thực tế. Công nghệ nhận diện khuôn mặt của VinBigdata hiện đã được tích hợp vào các sản phẩm và dịch vụ như eKYC, kiểm soát ra vào, chấm công, quản lý an ninh tại các đơn vị như VinFast, Vinhomes và Vinpearl. Đồng thời, công nghệ này đang được mở rộng sang các lĩnh vực giao thông, đô thị thông minh, ngân hàng và bảo hiểm. Thành công này không chỉ khẳng định khả năng tự chủ công nghệ với chất lượng chuẩn quốc tế mà còn đặt nền móng phát triển hệ sinh thái trí tuệ nhân tạo “made in Vietnam”, hướng tới cạnh tranh trên thị trường toàn cầu.

Những nghiên cứu trong nước đã đạt được nhiều bước tiến quan trọng, đặc biệt trong việc phát triển các hệ thống nhận diện khuôn mặt và ứng dụng công nghệ IoT vào các giải pháp an ninh thông minh. Với sự đóng góp nổi bật từ các đơn vị như Viettel AI và VinBigdata, công nghệ Việt Nam không chỉ đạt được những thứ hạng cao trong các bảng đánh giá quốc tế mà còn khẳng định tiềm năng lớn trong việc tự chủ công nghệ và phát triển các ứng dụng thực tiễn, mở ra cơ hội vươn xa trên thị trường toàn cầu 1. Tình hình nghiên cứu ngoài nước Ở nước ngoài đã đạt được nhiều kết quả đáng kể trong sử dụng công nghệ IoT vả trí tuệ nhân tạo cho nhiều hệ thống an ninh. Bài nghiên cứu [7] tập trung phát triển việc quét gương mặt thông qua hệ thống dựa vào thuật toán Haar Cascade, ứng dụng cho cơ chế mở khoá cửa.

Thuật toán sử dụng Haar Wavelet để phân tích các điểm ảnh thành các hình vuông và áp dụng kỹ thuật AdaBoost để chọn ra các đặc trưng quan trọng từ nguồn dữ liệu lớn, nhằm tăng khả năng và phát hiện hiệu quả. Hệ thống vận dụng Raspberry Pi làm bộ xử lý trung tâm cùng với camera nhằm lấy ảnh khuôn mặt và đối chiếu với cơ sở dữ liệu sẵn có. Khi khuôn mặt được nhận diện đúng thì cửa sẽ tự động mở/khoá; nếu không nhận diện được thì hệ thống đẩy tín hiệu cảnh báo và gửi hình ảnh đến người quản lý. Dự án này nhằm khẳng định khả năng hiệu quả và tính khả thi của Haar Cascade trong ứng dụng bảo mật gia đình, đặc biệt trong các hệ thống chi phí thấp và tài nguyên hạn chế.

4 Bài nghiên cứu [8] chủ yếu đánh giá hiệu năng của Haar Cascade trong nhận diện khuôn mặt. [8] dùng bộ dữ liệu gồm các hình ảnh khuôn mặt ở các khoảng cách, độ sáng tối và góc nghiêng khác nhau để kiểm tra tính chính xác và ổn định của thuật toán. Thực nghiệm được độ chính xác 80% trong các điều kiện thách thức như ánh sáng kém và khuôn mặt bị nghiêng, cho thấy độ hiệu quả của thuật toán trên các ứng dụng có ít tài nguyên. [8] cũng chỉ ra rằng Haar Cascade tốt hơn so với Eigenfaces và Fisherfaces về tốc độ và hiệu quả, đồng thời gợi ý việc cải thiện hệ thống qua việc tích hợp học sâu hoặc dùng vi điều khiển mạnh hơn để tăng độ chính xác.

Nghiên cứu nhấn mạnh tiềm năng của Haar Cascade qua việc theo dõi khuôn mặt thời gian thực hoặc ứng dụng vào các hệ thống bảo mật. Bài báo [9] chỉ ra Meta, công ty mẹ của Facebook và Instagram, đang thử nghiệm công nghệ nhận diện khuôn mặt để giải quyết các vấn đề lừa đảo hình ảnh người nổi tiếng trên nền tảng của mình. Công nghệ này sử dụng hệ thống tự động để so sánh hình ảnh trong quảng cáo với cơ sở dữ liệu về hình ảnh của hơn 50000 người nổi tiếng trên toàn cầu. Các quảng cáo chứa hình ảnh giả mạo sẽ bị loại bỏ ngay lập tức.

Điều này giúp quá trình kiểm duyệt trở nên nhanh chóng, chính xác hơn và bảo vệ quyền lợi người dùng cũng như danh tiếng của các cá nhân liên quan. Ngoài ra, [9] cho biết Meta cũng áp dụng công nghệ nhận diện khuôn mặt để hỗ trợ người dùng khôi phục tài khoản bị đánh cắp. Để giảm lo ngại về quyền riêng tư, công ty khẳng định dữ liệu khuôn mặt sẽ bị xóa ngay sau khi hoàn thành quá trình đối chiếu.