Hệ Thống Điểm Danh Bằng Nhận Diện Khuôn Mặt Sử Dụng Máy Tính Nhúng NVIDIA Jetson Nano

• Tác giả: Bùi Minh Quốc
• Người hướng dẫn: Tiến Sỹ Nguyễn Tất Bảo Thiện
• Trường học: Đại Học Quốc Gia TP. HCM
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Hệ Thống Điểm Danh Bằng Nhận Diện Khuôn Mặt Sử Dụng NVIDIA Jetson Nano
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2023
• Địa điểm: Hồ Chí Minh

• LỜI BÀY TỎ
• LỜI CAM ĐOAN
• 1. CHƯƠNG 1: PHÁT BIỂU BÀI TOÁN
• 1.1. Lý do chọn đề tài
• 1.2. Tổng quan
• 1.3. Mục tiêu nghiên cứu
• 1.4. Đóng góp của luận văn
• 2. CHƯƠNG 2: CÁC NGHIÊN CỨU VÀ CÔNG NGHỆ LIÊN QUAN
• 2.1. Các nghiên cứu liên quan
• 2.2. Hướng tiếp cận luận văn
• 2.3. Phương pháp nghiên cứu
• 2.4. Thiết bị phần cứng
• 2.5. Thông số phần mềm
• 3. CHƯƠNG 3: PHÂN TÍCH MÔ HÌNH HÓA YÊU CẦU
• 3.1. Phân tích mô hình hóa yêu cầu
• 3.2. Mô hình tổng quan
• 3.3. Quy trình nghiệp vụ
• 3.4. Đối tượng người dùng của hệ thống
• 3.5. Quy trình nghiệp vụ tổng thể
• 3.6. Quy trình nghiệp vụ chi tiết
• 4. CHƯƠNG 4: PHÂN TÍCH THIẾT KẾ HỆ THỐNG
• 4.1. Mô hình hệ thống
• 4.2. Mô hình phần mềm
• 4.3. Sơ đồ chức năng
• 4.4. Kiến trúc tổng quan
• 4.5. Kiến trúc triển khai
• 4.6. Kiến trúc dữ liệu
• 4.7. Công nghệ sử dụng trong hệ thống
• 4.8. Đặc tả hệ thống
• 5. CHƯƠNG 5: TRIỂN KHAI THỰC NGHIỆM
• 5.1. Các bước thực hiện
• 5.2. Chụp khung hình và phát hiện khuôn mặt
• 5.3. Bộ phát hiện
• 5.4. Phát hiện khuôn mặt
• 5.5. Thu thập dữ liệu
• 5.6. Huấn luyện tập dữ liệu
• 5.7. Bộ huấn luyện
• 5.8. Nhận diện khuôn mặt
• 6. CHƯƠNG 6: KẾT QUẢ THỰC NGHIỆM
• 6.1. Độ chính xác của nhận diện
• 6.2. Kết quả của việc lưu trữ lịch sử nhận diện
• 6.3. Phân tích hiệu suất
• 6.4. Một số hình ảnh của chương trình
• 7. CHƯƠNG 7: KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• 7.1. Hướng phát triển
• TÀI LIỆU THAM KHẢO
• PHỤ LỤC A: THÔNG TIN VỀ BÀI BÁO KHOA HỌC

I. Hệ Thống Điểm Danh Khuôn Mặt Jetson Nano Giới Thiệu 55 ký tự

Hệ thống điểm danh khuôn mặt sử dụng NVIDIA Jetson Nano là một giải pháp hiện đại và hiệu quả để theo dõi sự có mặt của cá nhân. Hệ thống này sử dụng công nghệ nhận diện khuôn mặt để xác định danh tính của một người từ hình ảnh khuôn mặt được chụp bằng camera, sau đó so sánh với cơ sở dữ liệu đã đăng ký. Ưu điểm vượt trội so với phương pháp thủ công là tốc độ xử lý nhanh, hiệu quả và giảm thiểu sai sót. Các hệ thống điểm danh bằng nhận diện khuôn mặt đang ngày càng được ứng dụng rộng rãi tại các địa điểm công cộng và trường học. Hiện tại có nhiều phương pháp điểm danh như tự đăng ký, quét vân tay, thẻ thông minh, hoặc điểm danh trên giấy, mỗi phương pháp có ưu nhược điểm riêng. Tuy nhiên, việc điểm danh thủ công tốn thời gian và dễ sai sót. Chấm công vân tay không ngăn được gian lận. Thẻ từ thì tốn chi phí và dễ bị quên, mất hoặc chấm công hộ. Hệ thống này khắc phục các nhược điểm trên, mang lại sự chính xác và tiện lợi.

1.1. Tổng quan về công nghệ nhận diện khuôn mặt

Nhận diện khuôn mặt là một lĩnh vực của computer vision và AI (Trí tuệ Nhân tạo) sử dụng các thuật toán deep learning để xác định và xác minh danh tính của một người từ hình ảnh hoặc video. Quá trình này bao gồm việc phát hiện khuôn mặt trong hình ảnh, trích xuất các đặc trưng khuôn mặt và so sánh các đặc trưng này với cơ sở dữ liệu các khuôn mặt đã biết. Các API nhận diện khuôn mặt và SDK nhận diện khuôn mặt giúp tích hợp công nghệ này vào nhiều ứng dụng khác nhau. Ứng dụng nhận diện khuôn mặt ngày càng phổ biến, từ bảo mật bằng khuôn mặt trên điện thoại đến các biện pháp an ninh tại các địa điểm công cộng.

1.2. Vai trò của NVIDIA Jetson Nano trong hệ thống

NVIDIA Jetson Nano là một máy tính nhúng nhỏ gọn, mạnh mẽ, được thiết kế đặc biệt cho các ứng dụng AI at the edge. Với khả năng xử lý song song mạnh mẽ nhờ GPU tích hợp, Jetson Nano có thể thực hiện các tác vụ xử lý ảnh, deep learning và computer vision một cách hiệu quả. Điều này cho phép triển khai các hệ thống nhận diện khuôn mặt phức tạp ngay tại thiết bị, giảm độ trễ và tăng tính bảo mật so với việc truyền dữ liệu lên đám mây. Jetson Nano là lựa chọn lý tưởng cho các ứng dụng embedded AI và edge computing, nơi yêu cầu hiệu năng cao và kích thước nhỏ gọn.

II. Thách Thức và Giải Pháp Điểm Danh Khuôn Mặt 58 ký tự

Việc xây dựng một hệ thống điểm danh khuôn mặt hiệu quả đặt ra nhiều thách thức. Một trong số đó là đảm bảo độ chính xác cao trong các điều kiện ánh sáng khác nhau, góc chụp không đồng đều và biểu cảm khuôn mặt đa dạng. Sai số có thể dẫn đến việc từ chối sai hoặc chấp nhận sai, ảnh hưởng đến tính tin cậy của hệ thống. Ngoài ra, vấn đề về bảo mật dữ liệu cá nhân và quyền riêng tư của người dùng cũng cần được xem xét cẩn thận. Các giải pháp bao gồm sử dụng các thuật toán nhận diện khuôn mặt tiên tiến, huấn luyện mô hình trên bộ dữ liệu lớn và đa dạng, áp dụng các kỹ thuật tiền xử lý ảnh để cải thiện chất lượng hình ảnh, và triển khai các biện pháp bảo mật mạnh mẽ để bảo vệ dữ liệu.

2.1. Vấn đề bảo mật và quyền riêng tư dữ liệu

Một trong những mối quan tâm lớn nhất khi triển khai hệ thống điểm danh khuôn mặt là bảo mật và quyền riêng tư dữ liệu. Dữ liệu khuôn mặt là thông tin cá nhân nhạy cảm và việc thu thập, lưu trữ và sử dụng dữ liệu này cần tuân thủ các quy định pháp luật và đạo đức. Các biện pháp bảo mật cần được thực hiện để ngăn chặn truy cập trái phép và lạm dụng dữ liệu. Ngoài ra, cần có chính sách rõ ràng về việc sử dụng dữ liệu và người dùng cần được thông báo và đồng ý về việc thu thập và sử dụng dữ liệu khuôn mặt của họ.

2.2. Khó khăn về điều kiện ánh sáng và góc chụp

Hiệu suất của hệ thống nhận diện khuôn mặt có thể bị ảnh hưởng đáng kể bởi điều kiện ánh sáng và góc chụp. Ánh sáng yếu, ánh sáng mạnh hoặc bóng râm có thể làm giảm chất lượng hình ảnh và gây khó khăn cho việc phát hiện và nhận diện khuôn mặt. Góc chụp không đồng đều cũng có thể làm biến dạng khuôn mặt và ảnh hưởng đến độ chính xác của hệ thống. Để giải quyết vấn đề này, cần sử dụng các kỹ thuật tiền xử lý ảnh để cải thiện chất lượng hình ảnh và huấn luyện mô hình trên bộ dữ liệu bao gồm các hình ảnh với các điều kiện ánh sáng và góc chụp khác nhau.

III. Xây Dựng Hệ Thống Điểm Danh Khuôn Mặt Với Jetson 59 ký tự

Việc xây dựng hệ thống điểm danh khuôn mặt bằng Jetson Nano bao gồm nhiều bước. Đầu tiên, cần thu thập và chuẩn bị dữ liệu huấn luyện, bao gồm hình ảnh khuôn mặt của những người sẽ được nhận diện. Tiếp theo, sử dụng các thư viện như OpenCV và các framework deep learning như TensorFlow hoặc PyTorch để xây dựng và huấn luyện mô hình nhận diện khuôn mặt. Mô hình này sẽ được triển khai trên Jetson Nano để thực hiện việc điểm danh trong thời gian thực. Cuối cùng, cần xây dựng giao diện người dùng để quản lý dữ liệu, xem báo cáo và cấu hình hệ thống. Việc lựa chọn các thuật toán deep learning phù hợp và tối ưu hóa mã nguồn là rất quan trọng để đảm bảo hiệu suất cao trên Jetson Nano.

3.1. Lựa chọn thuật toán nhận diện khuôn mặt phù hợp

Việc lựa chọn thuật toán nhận diện khuôn mặt phù hợp là yếu tố quan trọng quyết định hiệu suất của hệ thống. Các thuật toán phổ biến bao gồm Haar Cascade, HOG (Histogram of Oriented Gradients), và các mô hình deep learning như FaceNet, ArcFace. Haar Cascade là thuật toán đơn giản, nhanh chóng, phù hợp cho các ứng dụng yêu cầu tốc độ cao và tài nguyên hạn chế. Tuy nhiên, độ chính xác của Haar Cascade thường thấp hơn so với các thuật toán deep learning. Các thuật toán deep learning cho độ chính xác cao hơn nhưng đòi hỏi nhiều tài nguyên tính toán hơn.

3.2. Tối ưu hóa hiệu suất trên NVIDIA Jetson Nano

Để đạt được hiệu suất cao trên NVIDIA Jetson Nano, cần tối ưu hóa mã nguồn và cấu hình hệ thống. Sử dụng các thư viện được tối ưu hóa cho Jetson Nano như cuDNN và TensorRT có thể cải thiện đáng kể tốc độ xử lý. Ngoài ra, giảm kích thước hình ảnh đầu vào, sử dụng các mô hình deep learning nhỏ gọn, và tối ưu hóa bộ nhớ cũng là những biện pháp quan trọng. AI camera có thể giúp giảm tải cho Jetson Nano bằng cách thực hiện một số bước xử lý ảnh ban đầu.

IV. Ứng Dụng Hệ Thống Điểm Danh Khuôn Mặt Thực Tế 57 ký tự

Hệ thống điểm danh khuôn mặt sử dụng NVIDIA Jetson Nano có nhiều ứng dụng thực tế trong các lĩnh vực khác nhau. Tại các trường học, hệ thống có thể được sử dụng để tự động điểm danh học sinh, sinh viên, giúp giáo viên tiết kiệm thời gian và giảm thiểu sai sót. Tại các văn phòng, nhà máy, hệ thống có thể được tích hợp vào hệ thống chấm công bằng khuôn mặt, giúp quản lý nhân sự hiệu quả hơn. Ngoài ra, hệ thống còn có thể được sử dụng trong các hệ thống biện pháp an ninh tại các tòa nhà, sân bay, ga tàu, giúp kiểm soát ra vào và phát hiện các đối tượng nghi vấn. Việc triển khai hệ thống điểm danh khuôn mặt giúp cải thiện hiệu quả quản lý nhân sự và tăng cường an ninh.

4.1. Ứng dụng trong quản lý nhân sự và chấm công

Trong lĩnh vực quản lý nhân sự, hệ thống điểm danh khuôn mặt có thể được sử dụng để tự động chấm công nhân viên, giúp loại bỏ các phương pháp chấm công thủ công và giảm thiểu gian lận. Hệ thống có thể tích hợp với các phần mềm điểm danh và hệ thống chấm công bằng khuôn mặt hiện có, cung cấp dữ liệu chính xác và实时 để hỗ trợ các quyết định quản lý. Ngoài ra, hệ thống còn có thể được sử dụng để theo dõi giờ làm việc, thời gian nghỉ phép và các hoạt động khác liên quan đến nhân sự.

4.2. Sử dụng trong hệ thống an ninh và kiểm soát ra vào

Hệ thống điểm danh khuôn mặt có thể được tích hợp vào các biện pháp an ninh và hệ thống kiểm soát ra vào để tăng cường an ninh và kiểm soát truy cập. Hệ thống có thể xác định danh tính của người ra vào và so sánh với danh sách cho phép hoặc danh sách đen. Khi phát hiện các đối tượng nghi vấn, hệ thống có thể gửi cảnh báo đến người quản lý hoặc kích hoạt các biện pháp an ninh khác. Ứng dụng này đặc biệt hữu ích tại các địa điểm quan trọng như sân bay, ga tàu, tòa nhà chính phủ và các khu vực có yêu cầu an ninh cao.

V. Kết Quả Nghiên Cứu và Đánh Giá Hiệu Năng Hệ Thống 60 ký tự

Các kết quả nghiên cứu cho thấy hệ thống điểm danh khuôn mặt sử dụng NVIDIA Jetson Nano có hiệu năng cao và độ chính xác tốt. Trong các thử nghiệm, hệ thống đạt độ chính xác nhận diện khuôn mặt trên 95% trong điều kiện ánh sáng tốt. Tốc độ xử lý cũng rất nhanh, trung bình dưới 0.5 giây cho mỗi khuôn mặt. Tuy nhiên, hiệu năng có thể giảm trong điều kiện ánh sáng yếu hoặc khi có nhiều khuôn mặt trong khung hình. Các kết quả này cho thấy Jetson Nano là một nền tảng phù hợp cho các ứng dụng nhận diện khuôn mặt thời gian thực.

5.1. Độ chính xác và tốc độ xử lý của hệ thống

Độ chính xác và tốc độ xử lý là hai chỉ số quan trọng để đánh giá hiệu năng của hệ thống điểm danh khuôn mặt. Độ chính xác thể hiện khả năng của hệ thống trong việc nhận diện đúng khuôn mặt, trong khi tốc độ xử lý thể hiện thời gian cần thiết để nhận diện một khuôn mặt. Trong các thử nghiệm, hệ thống đã đạt độ chính xác cao và tốc độ xử lý nhanh, chứng tỏ khả năng hoạt động hiệu quả trong các ứng dụng thực tế.

5.2. So sánh hiệu năng với các nền tảng khác

Để đánh giá một cách khách quan hiệu năng của hệ thống, cần so sánh với các nền tảng khác như Raspberry Pi hoặc các máy tính desktop thông thường. So sánh này có thể dựa trên các chỉ số như độ chính xác, tốc độ xử lý, mức tiêu thụ điện năng và chi phí. Kết quả so sánh sẽ giúp xác định lợi thế và hạn chế của NVIDIA Jetson Nano so với các nền tảng khác trong các ứng dụng nhận diện khuôn mặt.

VI. Kết Luận và Hướng Phát Triển Hệ Thống Điểm Danh 54 ký tự

Hệ thống điểm danh khuôn mặt sử dụng NVIDIA Jetson Nano là một giải pháp tiềm năng cho các ứng dụng quản lý nhân sự, an ninh và kiểm soát ra vào. Hệ thống có hiệu năng cao, độ chính xác tốt và chi phí hợp lý. Tuy nhiên, vẫn còn nhiều hướng phát triển để cải thiện hệ thống. Cần nghiên cứu và áp dụng các thuật toán nhận diện khuôn mặt tiên tiến hơn, tối ưu hóa mã nguồn để tăng tốc độ xử lý, và triển khai các biện pháp bảo mật mạnh mẽ hơn. Ngoài ra, cần tích hợp hệ thống với các nền tảng khác như đám mây và IoT để mở rộng khả năng ứng dụng.

6.1. Tích hợp với các hệ thống IoT và đám mây

Việc tích hợp hệ thống điểm danh khuôn mặt với các hệ thống IoT và đám mây có thể mở rộng khả năng ứng dụng và cung cấp các tính năng mới. Ví dụ, hệ thống có thể được kết nối với các cảm biến IoT để thu thập thông tin về môi trường xung quanh, giúp cải thiện độ chính xác của nhận diện khuôn mặt. Dữ liệu điểm danh có thể được lưu trữ và xử lý trên đám mây, cho phép truy cập và quản lý từ xa.

6.2. Nghiên cứu và phát triển các thuật toán tiên tiến

Để duy trì tính cạnh tranh và đáp ứng các yêu cầu ngày càng cao của thị trường, cần liên tục nghiên cứu và phát triển các thuật toán nhận diện khuôn mặt tiên tiến hơn. Các thuật toán mới có thể cải thiện độ chính xác, tốc độ xử lý và khả năng hoạt động trong các điều kiện khó khăn. Ngoài ra, cần nghiên cứu các phương pháp bảo vệ quyền riêng tư dữ liệu và ngăn chặn các cuộc tấn công an ninh mạng.

Tổng quan nghiên cứu

Trong bối cảnh công nghệ nhận diện khuôn mặt ngày càng phát triển và được ứng dụng rộng rãi trong nhiều lĩnh vực như an ninh, quản lý nhân sự và giáo dục, việc xây dựng hệ thống điểm danh tự động dựa trên công nghệ này trở nên cấp thiết. Theo ước tính, các phương pháp điểm danh truyền thống như gọi tên, chấm công vân tay hay thẻ từ còn tồn tại nhiều hạn chế như mất thời gian, dễ xảy ra sai sót và gian lận. Mục tiêu của nghiên cứu là phát triển một hệ thống điểm danh bằng nhận diện khuôn mặt sử dụng máy tính nhúng NVIDIA Jetson Nano, nhằm thay thế các phương pháp thủ công và nâng cao hiệu quả quản lý sự có mặt.

Nghiên cứu tập trung vào việc xây dựng hệ thống có khả năng nhận diện khuôn mặt chính xác, xử lý thời gian thực với chi phí thấp và tiêu thụ năng lượng tối ưu. Phạm vi nghiên cứu được thực hiện tại TP. Hồ Chí Minh trong năm 2023, sử dụng các thiết bị phần cứng như Camera Raspberry Pi V2 và máy tính nhúng NVIDIA Jetson Nano. Hệ thống được thiết kế để áp dụng trong các môi trường như trường học, nơi làm việc và các sự kiện, giúp theo dõi sự có mặt một cách nhanh chóng và chính xác.

Ý nghĩa của nghiên cứu được thể hiện qua việc cải thiện tốc độ xử lý điểm danh, giảm thiểu sai sót và gian lận, đồng thời cung cấp giải pháp linh hoạt, dễ dàng mở rộng. Hệ thống cũng hỗ trợ lưu trữ và quản lý dữ liệu điểm danh hiệu quả, góp phần nâng cao chất lượng quản lý nhân sự và tổ chức.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên hai lý thuyết chính: lý thuyết về Haar Cascade và mô hình xử lý hình ảnh trong thời gian thực. Haar Cascade, được phát triển bởi Viola và Jones (2001), là thuật toán phát hiện đối tượng dựa trên các đặc trưng Haar, cho phép nhận diện khuôn mặt với độ chính xác cao và tốc độ nhanh. Thuật toán sử dụng chuỗi bộ phân loại (cascade of classifiers) để loại bỏ nhanh các vùng không chứa khuôn mặt, tối ưu hóa hiệu suất xử lý.

Mô hình xử lý hình ảnh thời gian thực được xây dựng dựa trên thư viện OpenCV2, hỗ trợ các chức năng phát hiện, trích xuất đặc trưng và nhận diện khuôn mặt. Ngoài ra, mô hình còn tích hợp kỹ thuật Local Binary Patterns Histograms (LBPH) để mã hóa đặc trưng khuôn mặt, giúp tăng độ chính xác trong nhận diện.

Các khái niệm chính bao gồm:

• Đặc trưng Haar: các mẫu biên, cạnh và góc được trích xuất từ ảnh xám để phát hiện khuôn mặt.
• Cascade Classifier: chuỗi các bộ phân loại yếu kết hợp thành bộ phân loại mạnh để phát hiện nhanh và chính xác.
• Mã hóa khuôn mặt 128 chiều: biểu diễn đặc trưng khuôn mặt dưới dạng vector số học để so sánh và nhận diện.
• Máy tính nhúng NVIDIA Jetson Nano: nền tảng phần cứng chuyên dụng cho xử lý AI với hiệu suất cao và tiêu thụ năng lượng thấp.

Phương pháp nghiên cứu

Nguồn dữ liệu chính là tập ảnh khuôn mặt được thu thập từ người dùng thông qua Camera Raspberry Pi V2, với mỗi cá nhân có khoảng 30 hình ảnh đa dạng về góc độ và ánh sáng. Tập dữ liệu này được sử dụng để huấn luyện bộ phân loại Haar Cascade và mô hình LBPH.

Phương pháp phân tích bao gồm:

• Thu thập dữ liệu hình ảnh khuôn mặt và gán nhãn theo từng cá nhân.
• Huấn luyện bộ phân loại Haar Cascade để phát hiện khuôn mặt trong ảnh/video.
• Mã hóa đặc trưng khuôn mặt thành vector 128 chiều để nhận diện và so sánh.
• Triển khai hệ thống trên máy tính nhúng NVIDIA Jetson Nano, sử dụng OpenCV2 để xử lý luồng video thời gian thực.
• Đánh giá hiệu suất hệ thống qua các chỉ số như độ chính xác nhận diện, tốc độ xử lý khung hình (FPS), và tài nguyên sử dụng.

Quá trình nghiên cứu kéo dài trong năm 2023, với các giai đoạn thu thập dữ liệu, huấn luyện mô hình, triển khai hệ thống và thử nghiệm thực tế tại một số địa điểm trong TP. Hồ Chí Minh.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác nhận diện khuôn mặt đạt khoảng 95% khi sử dụng thuật toán Haar Cascade kết hợp LBPH trên nền tảng NVIDIA Jetson Nano, vượt trội so với các phương pháp truyền thống như chấm công vân tay (khoảng 85-90%).
2. Tốc độ xử lý đạt 8,9 khung hình/giây (FPS) trên Jetson Nano, cao hơn đáng kể so với Raspberry Pi (khoảng 2,6 FPS), đảm bảo khả năng nhận diện trong thời gian thực.
3. Tiêu thụ năng lượng chỉ khoảng 5 watt, giúp hệ thống hoạt động liên tục với chi phí điện năng thấp, phù hợp cho các ứng dụng di động và nhúng.
4. Khả năng mở rộng và tích hợp linh hoạt với nhiều camera và thiết bị nhúng, hỗ trợ quản lý điểm danh đa điểm trong môi trường phức tạp.

Thảo luận kết quả

Nguyên nhân của độ chính xác cao là nhờ sự kết hợp hiệu quả giữa thuật toán Haar Cascade và kỹ thuật mã hóa LBPH, giúp hệ thống nhận diện khuôn mặt chính xác ngay cả trong điều kiện ánh sáng thay đổi và tư thế đa dạng. Tốc độ xử lý nhanh được hỗ trợ bởi phần cứng NVIDIA Jetson Nano với GPU Maxwell 128 nhân, tối ưu cho các tác vụ AI.

So sánh với các nghiên cứu khác, hệ thống này có ưu thế về chi phí và tiêu thụ năng lượng thấp hơn các giải pháp dựa trên mạng nơ-ron sâu (DL), vốn đòi hỏi tài nguyên tính toán lớn hơn. Việc sử dụng Haar Cascade cũng giúp hệ thống dễ dàng triển khai và bảo trì hơn, đồng thời có khả năng giải thích thuật toán rõ ràng hơn so với các mô hình DL phức tạp.

Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác và tốc độ xử lý giữa Jetson Nano và Raspberry Pi, cũng như bảng thống kê tiêu thụ năng lượng và tài nguyên phần cứng. Điều này minh họa rõ ràng hiệu quả của nền tảng nhúng NVIDIA trong ứng dụng nhận diện khuôn mặt.

Đề xuất và khuyến nghị

1. Triển khai hệ thống điểm danh tại các trường học và doanh nghiệp nhằm thay thế phương pháp điểm danh thủ công, giảm thiểu sai sót và gian lận, dự kiến trong vòng 6 tháng tới.
2. Mở rộng tích hợp nhiều camera và thiết bị nhúng NVIDIA Jetson Nano để quản lý điểm danh đa điểm, nâng cao khả năng giám sát trong môi trường phức tạp, thực hiện trong 12 tháng.
3. Cập nhật và nâng cấp phần mềm nhận diện khuôn mặt bằng cách tích hợp thêm các thuật toán học sâu nhẹ để cải thiện độ chính xác trong điều kiện ánh sáng yếu hoặc khuôn mặt bị che khuất, tiến hành nghiên cứu và thử nghiệm trong 9 tháng.
4. Đào tạo và hướng dẫn sử dụng cho nhân viên quản lý và người dùng cuối nhằm đảm bảo vận hành hệ thống hiệu quả, giảm thiểu lỗi vận hành, triển khai song song với việc lắp đặt hệ thống.
5. Phát triển giao diện quản lý dữ liệu điểm danh trực quan trên nền tảng web giúp người dùng dễ dàng tra cứu lịch sử điểm danh và quản lý thông tin cá nhân, hoàn thành trong 6 tháng.

Đối tượng nên tham khảo luận văn

1. Các nhà quản lý giáo dục và nhân sự: Nắm bắt công nghệ điểm danh tự động để áp dụng trong quản lý học sinh, sinh viên và nhân viên, giúp tiết kiệm thời gian và nâng cao hiệu quả quản lý.
2. Nhà phát triển phần mềm và kỹ sư AI: Tham khảo phương pháp kết hợp Haar Cascade và LBPH trên nền tảng nhúng NVIDIA Jetson Nano để phát triển các ứng dụng nhận diện khuôn mặt thời gian thực.
3. Doanh nghiệp công nghệ và startup: Tìm hiểu giải pháp điểm danh thông minh với chi phí thấp, dễ triển khai, phù hợp cho các dự án IoT và tự động hóa văn phòng.
4. Các nhà nghiên cứu trong lĩnh vực thị giác máy tính và trí tuệ nhân tạo: Tham khảo kết quả thực nghiệm và phương pháp tối ưu hóa thuật toán nhận diện khuôn mặt trên thiết bị nhúng, làm cơ sở cho các nghiên cứu tiếp theo.

Câu hỏi thường gặp

1. Hệ thống điểm danh bằng nhận diện khuôn mặt có chính xác không?
   Hệ thống đạt độ chính xác khoảng 95% nhờ sử dụng thuật toán Haar Cascade kết hợp LBPH, phù hợp với nhiều điều kiện ánh sáng và tư thế khuôn mặt, giúp giảm thiểu sai sót so với phương pháp truyền thống.

2. Máy tính nhúng NVIDIA Jetson Nano có ưu điểm gì trong ứng dụng này?
   Jetson Nano cung cấp hiệu suất xử lý AI mạnh mẽ với tiêu thụ năng lượng thấp (khoảng 5 watt), cho phép xử lý video thời gian thực nhanh (8,9 FPS), phù hợp cho các ứng dụng nhúng và di động.

3. Hệ thống có thể áp dụng cho những môi trường nào?
   Hệ thống thích hợp cho trường học, doanh nghiệp, sự kiện và các môi trường cần quản lý điểm danh tự động, đặc biệt nơi có nhiều người và yêu cầu xử lý nhanh, chính xác.

4. Làm thế nào để hệ thống xử lý khi có nhiều người trong khung hình?
   Thuật toán Haar Cascade có thể phát hiện nhiều khuôn mặt trong cùng một khung hình, sau đó mã hóa và so sánh từng khuôn mặt với cơ sở dữ liệu để xác định danh tính và điểm danh chính xác.

5. Chi phí triển khai hệ thống có cao không?
   So với các giải pháp dựa trên mạng nơ-ron sâu và phần cứng cao cấp, hệ thống sử dụng Jetson Nano và Camera Raspberry Pi có chi phí thấp, tiêu thụ năng lượng ít, phù hợp với ngân sách eo hẹp mà vẫn đảm bảo hiệu quả.

Kết luận

• Luận văn đã xây dựng thành công hệ thống điểm danh bằng nhận diện khuôn mặt sử dụng máy tính nhúng NVIDIA Jetson Nano với độ chính xác khoảng 95% và tốc độ xử lý 8,9 FPS.
• Giải pháp sử dụng thuật toán Haar Cascade kết hợp LBPH giúp tối ưu hóa hiệu suất trên nền tảng phần cứng nhúng, tiết kiệm năng lượng và chi phí.
• Hệ thống có khả năng mở rộng, tích hợp linh hoạt, phù hợp cho nhiều môi trường như trường học, doanh nghiệp và sự kiện.
• Kết quả nghiên cứu đã được công bố trên tạp chí quốc tế uy tín, góp phần nâng cao giá trị khoa học và ứng dụng thực tiễn.
• Các bước tiếp theo bao gồm mở rộng triển khai thực tế, nâng cấp thuật toán và phát triển giao diện quản lý dữ liệu, đồng thời đào tạo người dùng để đảm bảo vận hành hiệu quả.

Quý độc giả và các nhà nghiên cứu quan tâm có thể áp dụng và phát triển thêm dựa trên nền tảng công nghệ và phương pháp luận đã được trình bày trong luận văn này.