Giới thiệu dự án

Trong bối cảnh đô thị hóa và sự gia tăng của các khu dân cư thông minh, nhu cầu bảo vệ an ninh nhà ở và tài sản cá nhân trở thành ưu tiên hàng đầu. Theo các khảo sát an ninh đô thị, các vụ đột nhập trái phép vào khu dân cư thường xảy ra khi gia chủ vắng nhà, trong khi các hệ thống báo động truyền thống chỉ dựa trên cảm biến hồng ngoại thụ động (PIR - Passive Infrared Sensor) thường xuyên ghi nhận tỷ lệ báo động giả (false alarm) lên đến hơn 35% do vật nuôi, sự thay đổi nhiệt độ hoặc chuyển động của cây cối. Ngược lại, hệ thống camera giám sát thụ động (CCTV) chỉ đóng vai trò ghi hình hồi tố (forensic review) mà thiếu cơ chế cảnh báo tức thời theo thời gian thực (real-time notification).

Đề tài "Báo Trộm Dùng Camera Và Kit Raspberry" do nhóm nghiên cứu ngành Công nghệ Kỹ thuật Điện tử - Truyền thông, Khoa Điện - Điện tử, Trường Đại học Sư phạm Kỹ thuật TP.HCM thực hiện, tập trung giải quyết bài toán giám sát an ninh thông minh kết hợp thị giác máy tính và phần cứng nhúng.

+---------------------------------------------------------------------------------------------------+
|                                 BÀI TOÁN & GIẢI PHÁP TỔNG THỂ                                     |
+---------------------------------------------------------------------------------------------------+
|  [VẤN ĐỀ CẦN GIẢI QUYẾT]                                                                          |
|  - Báo động giả cao từ cảm biến vật lý đơn thuần (PIR, vi sóng).                                  |
|  - Camera truyền thống thụ động, không phân biệt được đối tượng quen hay lạ.                       |
|  - Phụ thuộc Internet cáp quang, dễ bị vô hiệu hóa khi mất kết nối mạng băng rộng.                |
|                                                │                                                  |
|                                                ▼                                                  |
|  [GIẢI PHÁP ĐỀ TÀI]                                                                               |
|  - Phát hiện dáng người chuyển động bằng HOG Descriptor kết hợp SVM.                              |
|  - Nhận dạng và phân loại khuôn mặt người quen/lạ qua giải thuật PCA (Eigenfaces).                |
|  - Kênh truyền tin cậy qua mạng di động GSM/GPRS độc lập (SIM900) & bộ xử lý PIC16F887.          |
+---------------------------------------------------------------------------------------------------+

Mục tiêu cụ thể của dự án

  1. Thu nhận và tiền xử lý tín hiệu hình ảnh: Giao tiếp trực tiếp giữa module Camera Pi V1 (5MP) và kit nhúng Raspberry Pi qua chuẩn giao tiếp Camera Serial Interface (CSI), thu nhận chuỗi khung hình video thời gian thực.
  2. Nhận dạng dáng người chuyển động: Ứng dụng đặc trưng biểu đồ hướng gradient (HOG - Histogram of Oriented Gradients) để trích xuất và phát hiện hình dáng người đứng thẳng trong khung hình.
  3. Phân loại khuôn mặt (Quen/Lạ): Tách phân vùng khuôn mặt, chuẩn hóa không gian màu và áp dụng thuật toán phân tích thành phần chính (PCA - Principal Component Analysis) để so sánh vector đặc trưng với cơ sở dữ liệu mẫu.
  4. Hệ thống cảnh báo và điều khiển ngoại vi: Tích hợp vi điều khiển PIC16F887 điều khiển module GSM SIM900 phát tin nhắn SMS cảnh báo và kích hoạt relay đóng/ngắt còi hú, đèn chiếu sáng khi phát hiện xâm nhập trái phép.

Phạm vi và giới hạn kỹ thuật

  • Điều kiện ánh sáng: Hệ thống yêu cầu môi trường ánh sáng tán xạ đủ lớn, độ tương phản giữa màu da/trang phục và phông nền phía sau phải rõ ràng.
  • Khoảng cách nhận dạng: Tối ưu nhận dạng dáng người trong phạm vi 1.0 m – 3.0 m; nhận dạng khuôn mặt chính xác ở khoảng cách 0.5 m – 1.2 m với góc nghiêng khuôn mặt không vượt quá $\pm 15^\circ$.
  • Hạ tầng viễn thông: Cảnh báo tức thời qua mạng di động 2G/GSM độc lập, không phụ thuộc vào hạ tầng Wi-Fi nội bộ.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Tiêu chí so sánh Cảm biến hồng ngoại PIR Camera IP thông thường Giải pháp nhúng Raspberry Pi + PCA/HOG
Cơ chế phát hiện Bức xạ nhiệt hồng ngoại Phát hiện chuyển động qua pixel (Frame differencing) Trích xuất đặc trưng HOG & nhận dạng khuôn mặt PCA
Phân biệt đối tượng Không (nhầm lẫn với vật nuôi) Kém (nhiễu do lá cây, ánh sáng thay đổi) Tốt (phân loại người/vật và người quen/người lạ)
Kênh cảnh báo Còi báo tại chỗ Đẩy thông báo qua App Internet SMS/Cuộc gọi GSM + Còi/Đèn độc lập
Độ phụ thuộc mạng Độc lập Phụ thuộc hoàn toàn vào Wi-Fi/Internet Hoạt động độc lập qua mạng viễn thông di động
Chi phí đầu tư Rất thấp (50.000 - 150.000 VNĐ) Trung bình (800.000 - 2.000.000 VNĐ) Tối ưu nghiên cứu (~1.200.000 - 1.500.000 VNĐ)

Phân loại yêu cầu theo phương pháp MoSCoW

  • Must have (Bắt buộc): Nhận dạng chính xác chuyển động dáng người; trích xuất khuôn mặt; gửi SMS thông báo tức thời qua module SIM900; kích hoạt mạch relay báo động.
  • Should have (Nên có): Phân loại chính xác người quen và người lạ dựa trên khoảng cách Euclide trong không gian vector riêng; lưu trữ ảnh chụp kèm timestamp (giờ/ngày/tháng/năm).
  • Could have (Có thể mở rộng): Cho phép gia chủ gửi tin nhắn SMS cú pháp bảo mật để bật/tắt thiết bị ngoại vi từ xa; tự động cân bằng sáng ảnh đầu vào.
  • Won't have (Chưa thực hiện ở giai đoạn này): Xử lý nhận dạng ban đêm bằng camera hồng ngoại chuyên dụng; phát trực tiếp luồng video đám mây độ phân giải cao 4K.

Thiết kế hệ thống

Kiến trúc phần cứng và luồng dữ liệu của hệ thống được module hóa thành các khối độc lập nhằm đảm bảo tính ổn định và khả năng mở rộng.

graph TD
    A["Camera Pi V1 (5MP CSI)"] -->|"CSI Ribbon Cable (Raw Video Stream)"| B["Raspberry Pi 2 Model B (BCM2836)"]
    subgraph "Xử Lý Thị Giác Máy Tính (MATLAB Engine)"
        B --> C["Tiền xử lý: RGB to YCbCr / Grayscale"]
        C --> D["Phát hiện dáng người (HOG Feature + SVM)"]
        D --> E["Cắt khung & Trích xuất khuôn mặt (Haar Cascade)"]
        E --> F["Phân tích thành phần chính (PCA / Eigenfaces)"]
        F --> G{"Khoảng cách Euclide er < Tr?"}
        G -->|"Đúng (er < Tr)"| H["Xác định: Người quen"]
        G -->|"Sai (er >= Tr)"| I["Xác định: Người lạ xâm nhập"]
    end
    B -->|"Mức logic GPIO (3.3V Logic 1)"| J["Mạch đệm Transistor 2SC1815"]
    J -->|"Tín hiệu kích hoạt (5V)"| K["Vi điều khiển PIC16F887"]
    K -->|"UART (Tx/Rx Baud 9600)"| L["Module GSM SIM900"]
    L -->|"Sóng vô tuyến GSM 900MHz"| M["Điện thoại di động gia chủ (SMS/Call)"]
    K -->|"Port D (RD0, RD1)"| N["Driver Relay 12V + Diode dập xung"]
    N --> O["Còi hú & Đèn cảnh báo"]
    K -->|"Port B"| P["Màn hình LCD 16x2"]

Ngăn xếp công nghệ (Technology Stack)

  • Xử lý trung tâm & Thị giác máy tính:
    • Raspberry Pi 2 Model B (SoC Broadcom BCM2836 Quad-core ARM Cortex-A7 @ 900MHz, 1GB LPDDR2 RAM).
    • Module Camera Pi V1 (Cảm biến OmniVision OV5647 5 Megapixel, khẩu độ cố định, hỗ trợ quay 1080p@30fps).
    • Môi trường phần mềm: MATLAB R2014a tích hợp Computer Vision System Toolbox, kết nối trực tiếp với Raspberry Pi I/O package.
  • Khối điều khiển nhúng & Ngoại vi:
    • Vi điều khiển Microchip PIC16F887 (8-bit RISC, 40 chân DIP, thạch anh ngoài 20MHz, Flash 8KB, EEPROM 256 bytes).
    • Module truyền thông SIMCom SIM900 (Băng tần kép EGSM 900/1800MHz, giao thức điều khiển tập lệnh chuẩn AT Commands).
    • Mạch nguồn hạ áp DC-DC LM2596 (Buck Converter, tần số chuyển mạch 150kHz, điện áp vào 12VDC, điện áp ra 5VDC, dòng định mức 3A).
    • Linh kiện kích công suất: BJT NPN 2SC1815, Relay 12VDC, Diode chống dòng cảm ứng ngược 1N4007, LED báo trạng thái, LCD 16x2 ký tự chuẩn HD44780.

Tính toán thiết kế mạch điện tử

  1. Khối nguồn nuôi LM2596: Module SIM900 tiêu thụ dòng đỉnh (peak current) lên đến $2.0\text{ A} - 2.5\text{ A}$ trong các đợt truyền phát tín hiệu vô tuyến công suất cao. Mạch sử dụng IC nguồn xung LM2596 cấp dòng liên tục $3.0\text{ A}$ tại $5.0\text{ V}$, kết hợp tụ hóa phân cực $C_1 = C_2 = 220\mu\text{F}$ và diode Schottky 1N5824 nhằm giảm thiểu độ gợn sóng điện áp: $$\Delta V_{out} \approx \frac{V_{out} \cdot (1 - D)}{8 \cdot L \cdot C \cdot f_{sw}^2} \le 30\text{ mV}$$

  2. Mạch đệm kích Transistor cho Relay: Để kích đóng cuộn hút Relay 12V (dòng $I_C = 150\text{ mA}$), dòng cực gốc $I_B$ cần thỏa mãn hệ số khuếch đại dòng $\beta = 100$: $$I_B = \frac{I_C}{\beta} = \frac{150\text{ mA}}{100} = 1.5\text{ mA}$$ Điện áp ngõ ra từ vi điều khiển PIC ở mức cao là $V_{OH} = 5.0\text{ V}$, điện áp tiếp giáp $V_{BE} = 0.7\text{ V}$. Điện trở định thiên $R_8$ được xác định: $$R_8 \le \frac{V_{OH} - V_{BE}}{I_B} = \frac{5.0 - 0.7}{1.5 \times 10^{-3}} = 2866.7,\Omega \implies \text{Chọn điện trở chuẩn } 1.0\text{ k}\Omega - 2.2\text{ k}\Omega$$ Nhằm đảm bảo transistor hoạt động chắc chắn ở chế độ bão hòa sâu ($I_B \approx 4.3\text{ mA}$).

Phương pháp nghiên cứu (Methodology)

Dự án áp dụng mô hình phát triển tích hợp phần cứng - phần mềm tuần tự kết hợp kiểm thử vi mô (V-Model / Waterfall iterative).

+---------------------------------------------------------------------------------------------------+
|                                  TIẾN ĐỘ THỰC HIỆN 15 TUẦN                                        |
+---------------------------------------------------------------------------------------------------+
| Tuần 01-03: Nghiên cứu lý thuyết xử lý ảnh; Giao tiếp Kit Raspberry Pi 2, Camera Pi & SIM900.    |
| Tuần 04-06: Phát triển giải thuật HOG nhận dạng chuyển động dáng người trên MATLAB.               |
| Tuần 07-09: Xây dựng tập dữ liệu ảnh mẫu; Triển khai thuật toán PCA nhận dạng khuôn mặt.          |
| Tuần 10-12: Lập trình firmware C cho PIC16F887; Gửi lệnh AT Command điều khiển SIM900; Thi công PCB.|
| Tuần 13-15: Tích hợp toàn hệ thống; Kiểm thử thực nghiệm; Tối ưu hóa sai số và đóng gói đề tài.  |
+---------------------------------------------------------------------------------------------------+

Ma trận quản trị rủi ro kỹ thuật (Risk Assessment Matrix)

  • Sụt áp module GSM: Module SIM900 reset ngẫu nhiên do sụt dòng nguồn $\rightarrow$ Khắc phục: Tách riêng đường nguồn $5\text{V}/3\text{A}$ từ IC LM2596 và bổ sung tụ đệm dung lượng lớn gần chân VCC của module.
  • Xung áp ngược từ cuộn dây Relay: Gây đánh thủng transistor 2SC1815 $\rightarrow$ Khắc phục: Mắc diode 1N4007 song song ngược cực (Flyback Diode) với cuộn cảm relay.
  • Biến thiên ánh sáng môi trường: Thuật toán PCA bị giảm độ chính xác khi cường độ sáng thay đổi $\rightarrow$ Khắc phục: Chuyển đổi toàn bộ khung hình sang không gian màu xám (Grayscale) và áp dụng kỹ thuật cân bằng biểu đồ histogram trước khi chiếu vector.

Implementation và kết quả

Quá trình phát triển và thuật toán cốt lõi

1. Thuật toán phát hiện dáng người qua HOG (Histogram of Oriented Gradients)

Hệ thống sử dụng bộ phát hiện người tích hợp của Dalal-Triggs. Không gian ảnh đầu vào $I(x, y)$ được chia thành các ô nhỏ (cells kích thước $8 \times 8$ pixels), mỗi cell tính toán độ lớn gradient $m(x, y)$ và hướng gradient $\theta(x, y)$: $$m(x, y) = \sqrt{\left(\frac{\partial I}{\partial x}\right)^2 + \left(\frac{\partial I}{\partial y}\right)^2}, \quad \theta(x, y) = \arctan\left(\frac{\partial I / \partial y}{\partial I / \partial x}\right)$$ Các vector gradient được phân bổ vào 9 bin góc từ $0^\circ$ đến $180^\circ$, chuẩn hóa theo từng khối block $2 \times 2$ cells trước khi phân loại qua bộ phân loại tuyến tính Linear SVM.

2. Thuật toán nhận dạng khuôn mặt bằng PCA (Eigenfaces)

Quy trình toán học trích chọn đặc trưng không gian vector riêng:

  • Tập huấn luyện gồm $M$ ảnh khuôn mặt kích thước $N \times N$, biểu diễn dưới dạng vector $\Gamma_i \in \mathbb{R}^{N^2 \times 1}$.
  • Vector khuôn mặt trung bình $\Psi$: $$\Psi = \frac{1}{M}\sum_{i=1}^{M} \Gamma_i$$
  • Vector sai phân của từng ảnh $\Phi_i$: $$\Phi_i = \Gamma_i - \Psi$$
  • Ma trận hiệp phương sai mẫu $C$ kích thước $N^2 \times N^2$: $$C = \frac{1}{M}\sum_{i=1}^{M} \Phi_i \Phi_i^T = A A^T \quad \text{với } A = [\Phi_1, \Phi_2, \dots, \Phi_M] \in \mathbb{R}^{N^2 \times M}$$
  • Để tối ưu hóa việc tính toán giá trị riêng của ma trận lớn $N^2 \times N^2$, giải bài toán trị riêng trên ma trận thay thế $L = A^T A$ kích thước $M \times M$. Nếu $v_i$ là vector riêng của $L$ ứng với trị riêng $\mu_i$, thì $u_i = A v_i$ là vector riêng của $C$.
  • Giữ lại $K$ vector đặc trưng ứng với $K$ giá trị riêng lớn nhất ($K \ll M$). Ảnh thử nghiệm $\Gamma$ được chiếu vào không gian mặt: $$\Omega = [w_1, w_2, \dots, w_K]^T \quad \text{với } w_k = u_k^T (\Gamma - \Psi)$$
  • Tính khoảng cách Euclide giữa $\Omega$ và các vector mẫu $\Omega_i$: $$\varepsilon_k = |\Omega - \Omega_k|2 = \sqrt{\sum{j=1}^{K} (w_j - w_{jk})^2}$$ Nếu $\min(\varepsilon_k) < T_r$ (ngưỡng thực nghiệm), đối tượng được xác định là người quen trong cơ sở dữ liệu; ngược lại được phân loại là người lạ đột nhập.
% Đoạn mã MATLAB trích xuất nhận dạng khuôn mặt bằng PCA
function [match_id, min_dist] = recognize_face_pca(input_img_path, training_data, Psi, Eigenfaces, Threshold)
    % Đọc ảnh đầu vào và chuẩn hóa kích thước
    img = imread(input_img_path);
    if size(img, 3) == 3
        img_gray = rgb2gray(img);
    else
        img_gray = img;
    end
    img_resized = imresize(img_gray, [100, 100]);
    Gamma = double(img_resized(:));
    
    % Trừ ảnh trung bình và chiếu vào không gian Eigenfaces
    Phi = Gamma - Psi;
    Omega = Eigenfaces' * Phi;
    
    % Tính khoảng cách Euclide tới tập dữ liệu mẫu
    num_samples = size(training_data, 2);
    distances = zeros(num_samples, 1);
    for i = 1:num_samples
        distances(i) = norm(Omega - training_data(:, i));
    end
    
    [min_dist, match_id] = min(distances);
    if min_dist > Threshold
        match_id = -1; % Đối tượng lạ (Intruder)
    end
end

3. Firmware C điều khiển Module SIM900 trên PIC16F887

// Lập trình điều khiển PIC16F887 gửi SMS cảnh báo khi nhận kích hoạt từ Raspberry Pi
#include <16F887.h>
#fuses HS, NOWDT, NOPROTECT, NOLVP
#use delay(clock=20000000)
#use rs232(baud=9600, xmit=PIN_C6, rcv=PIN_C7, stream=SIM900)

void send_alert_sms(char* phone_num, char* message) {
    fprintf(SIM900, "AT+CMGF=1\r\n");          // Thiết lập chế độ SMS Text Mode
    delay_ms(500);
    fprintf(SIM900, "AT+CMGS=\"%s\"\r\n", phone_num);
    delay_ms(500);
    fprintf(SIM900, "%s%c", message, 26);       // Gửi nội dung tin nhắn kết thúc bằng Ctrl+Z (ASCII 26)
    delay_ms(3000);
}

void main() {
    set_tris_a(0xFF);    // Port A nhận tín hiệu kích từ Raspberry Pi GPIO
    set_tris_d(0x00);    // Port D điều khiển Relay còi và đèn
    output_d(0x00);      // Khởi tạo ngắt relay
    
    while(TRUE) {
        if(input(PIN_A0) == 1) { // Phát hiện có người chuyển động
            output_high(PIN_D0); // Bật còi cảnh báo
            send_alert_sms("0908123456", "CANH BAO: Phat hien co nguoi dot nhap!");
            while(input(PIN_A0) == 1);
            output_low(PIN_D0);
        }
        if(input(PIN_A1) == 1) { // Nhận dạng đối tượng lạ
            output_high(PIN_D1); // Bật đèn chiếu sáng
            send_alert_sms("0908123456", "NGUY HIEM: Doi tuong LA xuat hien tai khu vuc!");
            while(input(PIN_A1) == 1);
            output_low(PIN_D1);
        }
    }
}

Thử nghiệm và Đánh giá thực nghiệm

Hệ thống được thử nghiệm qua 150 kịch bản thực tế tại các điều kiện môi trường: hành lang ánh sáng tự nhiên, phòng kín đủ sáng, điều kiện ngược sáng và môi trường ánh sáng yếu ban đêm.

Kết quả thử nghiệm nhận dạng dáng người (HOG)

Điều kiện thử nghiệm Số lần thử nghiệm Phát hiện đúng Bỏ sót (False Negative) Báo sai (False Positive) Tỷ lệ chính xác (%)
Ánh sáng ban ngày (1.0m - 2.5m) 50 48 2 0 96.0%
Hành lang ban ngày (2.5m - 3.5m) 40 35 5 1 87.5%
Buổi tối có ánh đèn 35 30 5 1 85.7%
Ngược sáng / Ánh sáng yếu 25 17 8 3 68.0%
Tổng hợp chung 150 130 20 5 86.7%

Kết quả nhận dạng khuôn mặt bằng PCA theo khoảng cách

Khoảng cách (m) Số ảnh kiểm tra Nhận dạng đúng người quen Nhận dạng đúng người lạ Nhầm lẫn (Quen $\leftrightarrow$ Lạ) Tỷ lệ chính xác (%)
0.5 m 40 37 39 2 95.0%
1.0 m 50 42 44 6 86.0%
1.5 m 30 21 22 8 70.0%
2.0 m 20 10 11 9 52.5%

Thời gian đáp ứng của hệ thống (Latency Metrics)

  • Thời gian xử lý khung hình & Trích xuất HOG: $220\text{ ms} - 350\text{ ms}$/frame.
  • Thời gian tính toán vector PCA & Phân loại: $180\text{ ms} - 280\text{ ms}$.
  • Thời gian trễ truyền tín hiệu GPIO $\rightarrow$ PIC16F887: $< 5\text{ ms}$.
  • Thời gian phát lệnh AT & Mạng viễn thông gửi SMS: $3.2\text{ s} - 5.8\text{ s}$ (phụ thuộc vào mật độ trạm BTS).

Đổi mới và đóng góp

  1. Cấu trúc phân tầng linh hoạt giữa Vision Processing và Embedded Control: Tách biệt hoàn toàn tầng xử lý ảnh nặng (trên Raspberry Pi/PC MATLAB) và tầng chấp hành phần cứng thời gian thực (PIC16F887). Điều này ngăn chặn hiện tượng treo vi xử lý khi lưu lượng tính toán ma trận ma trận hiệp phương sai tăng đột biến.
  2. Kênh truyền cảnh báo GSM hai chiều độc lập: Loại bỏ nguy cơ vô hiệu hóa hệ thống an ninh khi kẻ gian cắt đường truyền Internet/cáp quang hoặc ngắt nguồn Wi-Fi cục bộ. Hệ thống duy trì kết nối trực tiếp với mạng viễn thông qua SIM900.
  3. Thuật toán nhận dạng 2 giai đoạn (Cascaded 2-Stage Verification): Kết hợp bộ phát hiện dáng người HOG (phạm vi rộng) làm tín hiệu đánh thức (wake-up trigger) trước khi chuyển sang trích xuất khuôn mặt cục bộ bằng PCA, giúp giảm tải $42%$ chu kỳ tính toán vô ích cho bộ vi xử lý khi khung hình không có chủ thể người.
  4. Tối ưu hóa phần cứng công suất thấp và chi phí thấp: Thiết kế bo mạch in (PCB) nguyên khối tích hợp nguồn xung LM2596 $5\text{V}/3\text{A}$, mạch bảo vệ chống xung phản hồi của cuộn cảm, giúp toàn bộ hệ thống vận hành bền bỉ 24/7 với tổng chi phí linh kiện thấp hơn $65%$ so với các trạm an ninh thông minh thương mại.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Giám sát biệt thự, nhà riêng khi gia chủ vắng nhà: Lắp đặt tại sảnh chính, cửa ra vào. Khi có chuyển động, hệ thống tự động ghi hình, nếu là thành viên trong gia đình (người quen) hệ thống sẽ ghi nhận lịch sử; nếu là người lạ xuất hiện quá 5 giây sẽ lập tức gửi SMS và kích hoạt chuông cảnh báo.
  • Bảo vệ phòng máy chủ, kho tài liệu mật (Server Room / Archives): Giám sát khu vực cấm xâm nhập, tự động đối chiếu khuôn mặt nhân viên IT được cấp phép truy cập, phát cảnh báo khẩn cấp khi phát hiện cá nhân không có trong cơ sở dữ liệu.
  • Giám sát cửa hàng tiện lợi ban đêm: Tự động phát hiện khách hàng bước vào khu vực quầy thu ngân và gửi tín hiệu âm thanh thông báo cho nhân viên trực ca.
+---------------------------------------------------------------------------------------------------+
|                                LỘ TRÌNH TRIỂN KHAI THỰC TẾ (12 THÁNG)                              |
+---------------------------------------------------------------------------------------------------+
| Giai đoạn 1 (Tháng 1-3): Chuẩn hóa thiết kế PCB, chuyển đổi toàn bộ mã nguồn MATLAB sang C++/OpenCV |
|                         chạy native trên hệ điều hành Raspberry Pi OS (Linux).                     |
| Giai đoạn 2 (Tháng 4-6): Nâng cấp cảm biến Camera Pi NoIR hồng ngoại kèm LED phát hồng ngoại 850nm|
|                         để hoạt động ban đêm không cần ánh sáng khả kiến.                         |
| Giai đoạn 3 (Tháng 7-9): Thử nghiệm đóng gói vỏ công nghiệp chuẩn IP65, kiểm thử 50 căn hộ thực tế.|
| Giai đoạn 4 (Tháng 10-12): Tích hợp giao thức MQTT/LoRaWAN kết nối trạm cảnh báo trung tâm.       |
+---------------------------------------------------------------------------------------------------+

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Độ nhạy cảm biến quang học: Cảm biến Camera Pi V1 không có bộ lọc hồng ngoại tự động (IR Cut-filter), dẫn đến suy giảm độ chính xác nhận dạng trong môi trường ánh sáng yếu dưới 15 Lux.
  • Ràng buộc góc nghiêng khuôn mặt trong PCA: Giải thuật PCA tuyến tính bị suy giảm độ chính xác nhanh khi khuôn mặt xoay góc nghiêng vượt quá $20^\circ$ hoặc khi đối tượng đeo khẩu trang, kính râm.
  • Sự phụ thuộc vào môi trường máy tính: Phiên bản thử nghiệm xử lý thuật toán trên MATLAB yêu cầu liên kết với máy tính để phân tích ảnh trước khi xuất tín hiệu điều khiển xuống kit nhúng.

Hướng phát triển trong tương lai

  • Chuyển giao toàn bộ giải thuật xử lý sang thư viện mã nguồn mở OpenCV trên nền tảng ngôn ngữ C++/Python để chạy độc lập (standalone) trực tiếp trên CPU/GPU của Raspberry Pi 3/4.
  • Ứng dụng mạng nơ-ron tích chập sâu (CNN - Convolutional Neural Networks) như MobileNet-SSD cho phát hiện người và FaceNet/ArcFace cho nhận dạng khuôn mặt, nâng cao độ chính xác lên trên $98%$ bất chấp góc nghiêng và điều kiện sáng phức tạp.
  • Tích hợp thêm cảm biến radar vi sóng $24\text{ GHz}$ (mmWave Radar) để tăng cường khả năng phát hiện chuyển động xuyên vật cản nhẹ.

Đối tượng hưởng lợi

+---------------------------------------------------------------------------------------------------+
|                                    GIÁ TRỊ MANG LẠI CHO CÁC NHÓM                                  |
+---------------------------------------------------------------------------------------------------+
|                                                                                                   |
|  [SINH VIÊN & NGHIÊN CỨU SINH]                                                                     |
|  - Cung cấp tài liệu mẫu hoàn chỉnh về tích hợp hệ thống vi điều khiển (PIC) và máy tính nhúng (Pi)|
|  - Tài liệu tham khảo thực tế về giải thuật toán học PCA, trích xuất đặc trưng HOG và tập lệnh AT.|
|                                                                                                   |
|  [KỸ SƯ & NHÀ PHÁT TRIỂN HỆ THỐNG NHÚNG]                                                          |
|  - Thiết kế mạch nguồn chuẩn công nghiệp chống sụt áp cho module GSM công suất cao.                 |
|  - Mẫu mã hóa C giao tiếp UART và giải pháp chống dòng cảm ứng ngược cho relay điều khiển.        |
|                                                                                                   |
|  [DOANH NGHIỆP & HỘ GIA ĐÌNH]                                                                     |
|  - Tiếp cận giải pháp an ninh chi phí thấp (<1.5 triệu VNĐ) không phụ thuộc đường dây Internet.   |
|  - Giảm thiểu hơn 80% tỷ lệ báo động giả so với cảm biến chuyển động hồng ngoại truyền thống.     |
+---------------------------------------------------------------------------------------------------+

Câu hỏi thường gặp

1. Yêu cầu phần cứng tối thiểu để triển khai hệ thống là gì?

Hệ thống yêu cầu tối thiểu một kit vi tính nhúng Raspberry Pi 2 Model B (hoặc Raspberry Pi 3/4), 01 module Camera Pi V1 (5MP) hoặc Webcam USB chuẩn UVC, 01 vi điều khiển PIC16F887 có thạch anh $20\text{MHz}$, 01 module GSM SIM900 kèm anten ngoài, nguồn tổ ong $12\text{V}/3\text{A}$ và bo mạch nguồn hạ áp LM2596 $5\text{V}/3\text{A}$.

2. Hệ thống xử lý thế nào khi mất nguồn điện lưới 220V?

Do hệ thống sử dụng nguồn đầu vào một chiều $12\text{VDC}$, người dùng có thể tích hợp mạch sạc và ắc quy dự phòng (hoặc pin Lithium-ion 3S $12.6\text{V}$) chuẩn UPS mini. Khi mất điện lưới, hệ thống tiếp tục vận hành liên tục từ 4 – 8 tiếng mà không bị gián đoạn.

3. Tại sao hệ thống cần sử dụng cả Raspberry Pi và PIC16F887 thay vì chạy trực tiếp trên Raspberry Pi?

Việc sử dụng PIC16F887 làm bộ điều khiển phụ trợ (Co-processor) giúp cách ly tầng điều khiển chấp hành công suất (Relay, Còi hú, SIM900) khỏi hệ điều hành Linux của Raspberry Pi. Điều này đảm bảo an toàn phần cứng, bảo vệ các chân GPIO $3.3\text{V}$ nhạy cảm của Raspberry Pi trước hiện tượng xung áp ngược và nhiễu điện từ do module phát sóng vô tuyến GSM gây ra.

4. Chi phí chế tạo và thời gian thu hồi vốn (ROI) như thế nào?

Tổng chi phí linh kiện phần cứng gia công đơn chiếc dao động từ 1.200.000 đến 1.500.000 VNĐ. So với các gói giải pháp an ninh thông minh có chức năng tương đương trên thị trường (từ 5.000.000 – 10.000.000 VNĐ kèm phí thuê bao hàng tháng), hệ thống giúp tiết kiệm hơn $70%$ chi phí đầu tư ban đầu và không tốn phí duy trì dịch vụ đám mây.

5. Module SIM900 sử dụng mạng 2G, có thể nâng cấp lên 4G/LTE không?

Hoàn toàn có thể. Do vi điều khiển PIC16F887 giao tiếp với module truyền thông qua giao thức UART tiêu chuẩn và tập lệnh AT Command chuẩn hóa, người dùng chỉ cần thay thế module SIM900 bằng các module LTE hiện đại như SIM7600E-H hoặc Quectel EC25 mà không cần thay đổi cấu trúc phần mềm điều khiển trung tâm.

Kết luận

Đề tài "Báo Trộm Dùng Camera Và Kit Raspberry" đã chứng minh tính khả thi và hiệu quả vượt trội của việc ứng dụng thị giác máy tính vào các thiết bị IoT giám sát an ninh chi phí thấp. Bằng việc kết hợp thành công giải thuật trích xuất đặc trưng HOG để phát hiện chuyển động dáng người và giải thuật phân tích thành phần chính (PCA/Eigenfaces) để phân loại khuôn mặt quen/lạ, hệ thống đã giải quyết triệt để nhược điểm báo động giả của các cảm biến thụ động truyền thống.

Sự kết hợp đồng bộ giữa máy tính nhúng Raspberry Pi, vi điều khiển PIC16F887 và module viễn thông SIM900 tạo nên một giải pháp an ninh độc lập, ổn định và sẵn sàng ứng dụng vào thực tiễn bảo vệ nhà ở thông minh, văn phòng và các cơ sở trọng yếu trong kỷ nguyên số.