Bối cảnh và vấn đề nghiên cứu

Điểm danh là hoạt động quản lý hiện diện phổ biến trong các cơ sở giáo dục, doanh nghiệp và cơ quan. Theo phân tích của nhóm tác giả, phương pháp điểm danh truyền thống dựa trên sổ sách điểm danh thủ công hoặc gọi tên từng cá nhân bộc lộ nhiều bất cập như tốn thời gian, tiêu hao nhân lực, dễ sai sót và có nguy cơ gian lận danh tính. Các giải pháp công nghệ hiện hành cũng tồn tại các hạn chế đặc thù:

  • Điểm danh bằng vân tay: Gặp trở ngại do sự khác biệt về chất lượng vân tay giữa các cá nhân và vấn đề vệ sinh y tế khi nhiều người tiếp xúc chung một bề mặt cảm biến.
  • Điểm danh bằng thẻ từ hoặc mã QR: Yêu cầu người dùng luôn phải mang theo thẻ hoặc thiết bị hiển thị mã; phát sinh rủi ro quên thẻ và khả năng điểm danh hộ thông qua việc chuyển giao thẻ/mã cho người khác.
  • Điểm danh bằng thị giác máy tính và nhận diện khuôn mặt: Giải pháp tự động hóa cao, không đòi hỏi tiếp xúc vật lý, nhưng đặt ra thách thức về chi phí đầu tư phần cứng, yêu cầu tối ưu hóa thuật toán khi triển khai trên các thiết bị nhúng có tài nguyên giới hạn.

Khóa luận xác định mục tiêu tổng quát là xây dựng và triển khai một hệ thống điểm danh tự động ứng dụng trong phòng học thông minh thông qua việc tích hợp công nghệ nhận diện khuôn mặt với cơ chế quét thẻ RFID dự phòng. Tác giả phân rã mục tiêu nghiên cứu thành ba nhiệm vụ cụ thể:

  1. Xây dựng hệ thống điểm danh tự động: Phát triển cơ chế tự động ghi nhận hiện diện của sinh viên thông qua camera và mô hình xử lý biên trên kit nhúng, giảm thiểu sự phụ thuộc vào các hình thức kiểm diện thủ công.
  2. Phát triển website quản lý dữ liệu điểm danh: Xây dựng ứng dụng web phục vụ việc lưu trữ tập trung, truy xuất, thống kê và điều chỉnh dữ liệu điểm danh, hỗ trợ xuất báo cáo định dạng bảng tính cho giảng viên và sinh viên.
  3. Phát triển phần mềm điều khiển trên Raspberry Pi 4: Thiết kế giao diện đồ họa người dùng (GUI) trực quan trên thiết bị nhúng nhằm hỗ trợ các thao tác đăng ký dữ liệu khuôn mặt, tra cứu thông tin sinh viên, điểm danh trực tiếp và gửi email phản hồi.

Về đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Các thành phần phần cứng chuyên dụng gồm bo mạch nhúng Raspberry Pi 4 Model B, module Raspberry Pi Camera, module RFID RC522, cảm biến hồng ngoại HW-488, màn hình cảm ứng 7 inch; cùng với tập dữ liệu hình ảnh khuôn mặt, mã số sinh viên, họ tên và các thuật toán thị giác máy tính.
  • Phạm vi không gian: Triển khai thử nghiệm tại môi trường học đường của Trường Đại học Công nghệ Thông tin (UIT) – Đại học Quốc gia TP. Hồ Chí Minh.
  • Phạm vi đối tượng: Sinh viên và giảng viên thuộc Trường Đại học Công nghệ Thông tin.
  • Phạm vi kỹ thuật và dữ liệu: Sử dụng thuật toán Histogram of Oriented Gradients (HOG) để trích xuất đặc trưng khuôn mặt nhằm tương thích với năng lực tính toán của Raspberry Pi 4; huấn luyện và kiểm thử trên tập dữ liệu ảnh khuôn mặt thực tế được thu thập trực tiếp từ sinh viên với các điều kiện góc nghiêng và ánh sáng được làm giàu nhân tạo.

Cơ sở lý thuyết và phương pháp

Khóa luận tiến hành khảo sát các mô hình lý thuyết và kiến trúc nhận diện khuôn mặt đương đại, bao gồm:

  • Mạng nơ-ron tích chập (CNN) và kiến trúc DeepFace (Taigman và cộng sự) cho phép học các đặc trưng mức cao từ ảnh.
  • Mô hình tích hợp MTCNN (Multi-task Cascaded Convolutional Networks) kết hợp FaceNet (Schroff và cộng sự) với hàm mất mát Triplet Loss ánh xạ khuôn mặt vào không gian khoảng cách Euclidean.
  • Công nghệ nhận diện khuôn mặt 3D sử dụng cảm biến chiều sâu nhằm tăng cường độ chính xác khi thay đổi góc chụp và điều kiện chiếu sáng.
  • Phương pháp kết hợp nhận diện khuôn mặt với các công nghệ nhận dạng tần số sóng vô tuyến (RFID) hoặc mã QR (Tran và cộng sự, Chen và cộng sự).

Mặc dù các kiến trúc học sâu (Deep Learning) đạt độ chính xác cao trong nhiều điều kiện phức tạp, nhóm nghiên cứu lựa chọn thuật toán Histogram of Oriented Gradients (HOG) của Navneet Dalal và Bill Triggs làm nền tảng trích xuất đặc trưng chính dựa trên các căn cứ:

  • Chi phí đầu tư phần cứng thấp, hoạt động ổn định trên vi xử lý ARM của thiết bị nhúng mà không bắt buộc trang bị bộ tăng tốc đồ họa (GPU).
  • Cấu trúc toán học rõ ràng, thuật toán tính toán nhanh chóng, đáp ứng yêu cầu xử lý thời gian thực (real-time).
  • Tính sẵn có của các tài liệu kỹ thuật và thư viện tối ưu hóa liên quan.

Quy trình toán học của thuật toán HOG trong khóa luận gồm 5 bước tiêu chuẩn:

  1. Tiền xử lý: Chuẩn hóa kích thước hình ảnh đầu vào về mức $64 \times 128$ pixel và thực hiện làm mịn để khử nhiễu.
  2. Tính toán Gradient: Tính đạo hàm riêng của ảnh theo trục ngang ($O_x$) và trục dọc ($O_y$) bằng phép nhân chập với các bộ lọc $D_x = [-1, 0, 1]$ và $D_y = [1, 0, -1]^T$: $$I_x = I * D_x, \quad I_y = I * D_y$$ Từ đó xác định cường độ gradient $|G|$ và hướng gradient $\theta$: $$|G| = \sqrt{I_x^2 + I_y^2}, \quad \theta = \arctan\left(\frac{I_y}{I_x}\right)$$ Với ảnh màu, độ lớn gradient tại mỗi điểm ảnh được chọn là giá trị cực đại trong 3 kênh màu Red, Green, Blue.
  3. Tính vector đặc trưng cho từng cell: Chia hình ảnh thành các khối (block) kích thước $16 \times 16$ pixel; mỗi block chứa 4 ô nhỏ (cell) kích thước $8 \times 8$ pixel. Phổ hướng gradient được rời rạc hóa thành $p = 9$ bin từ $0^\circ$ đến $180^\circ$ (trường hợp unsigned-HOG, mỗi bin trải rộng $20^\circ$). Trọng số vote của từng pixel vào các bin tỉ lệ thuận với cường độ gradient $|G|$.
  4. Chuẩn hóa khối (Block Normalization): Nhóm các cell thành từng block và áp dụng phép chuẩn hóa nhằm triệt tiêu ảnh hưởng của sự biến đổi ánh sáng và độ tương phản. Các công thức chuẩn hóa được khảo sát gồm chuẩn $L_2$-norm, $L_1$-norm và $L_1$-sqrt, trong đó phổ biến là: $$f = \frac{v}{\sqrt{|v|_2^2 + \epsilon^2}}$$ với $v$ là vector đặc trưng chưa chuẩn hóa của khối và $\epsilon$ là hằng số điều hòa.
  5. Tổng hợp vector HOG: Nối các vector chuẩn hóa của tất cả các block trên ảnh để hình thành vector đặc trưng HOG đại diện cho toàn bộ khuôn mặt.

Phương pháp nghiên cứu thực nghiệm được triển khai thông qua:

  • Tăng cường dữ liệu (Data Augmentation): Tác giả đề xuất kỹ thuật xoay góc ảnh sang trái, sang phải và tăng/giảm độ sáng đối với 20 bức ảnh gốc ban đầu, tạo thành 120 bức ảnh cho mỗi sinh viên nhằm cải thiện khả năng thích ứng của bộ mô tả HOG trước các biến đổi môi trường.
  • Tối ưu hóa phần mềm: Ứng dụng thư viện OpenCV, Dlib và Face-recognition; áp dụng kỹ thuật đa luồng (threading) trên Tkinter để xử lý tác vụ nặng ở chế độ nền mà không gây treo giao diện; tích hợp kỹ thuật tải trễ (lazy loading) trên nền tảng web Angular.

Thiết kế và triển khai hệ thống

Hệ thống được thiết kế theo mô hình nhúng kết hợp đám mây, tích hợp các module phần cứng vật lý và các dịch vụ phần mềm quản lý phân tán.

Hạng mục phần cứng Linh kiện / Thiết bị Thông số kỹ thuật chính ghi nhận trong đồ án
Bo mạch xử lý trung tâm Raspberry Pi 4 Model B SoC Broadcom BCM2711 quad-core Cortex-A72 64-bit @ 1.5GHz; RAM 4GB LPDDR4-2400; Gigabit Ethernet; 2 cổng USB 3.0; nguồn vào 5.1V - 3A Type-C.
Module thu nhận ảnh Raspberry Pi Camera CSI Cảm biến OmniVision OV5647 5MP; độ phân giải tối đa $2592 \times 1944$; hỗ trợ quay video 1080p @ 30 fps; chuẩn giao tiếp CSI.
Module đọc thẻ từ RFID-RC522 (chip MFRC522) Tần số 13.56 MHz; chuẩn giao tiếp SPI, I2C, UART; khoảng cách đọc 0–60 mm; hỗ trợ các chuẩn Mifare1 S50, S70, UltraLight, Pro, Desfire.
Cảm biến phát hiện vật cản HW-488 (Hồng ngoại) Điện áp DC 3–6V; ngõ ra mức logic TTL; khoảng cách phát hiện 2–30 cm; trang bị 2 chiết áp cân chỉnh độ nhạy.
Màn hình hiển thị Raspberry LCD 7 inch Độ phân giải $1024 \times 600$ pixel; cổng kết nối hình ảnh HDMI; cổng nguồn cấp micro-USB 5VDC.

Hệ sinh thái phần mềm và công nghệ bao gồm:

  • Xử lý thị giác máy tính và giao diện nhúng: Viết bằng ngôn ngữ Python, sử dụng OpenCV (các hàm xử lý ảnh và trích xuất khung hình), Dlib (nhận dạng điểm mốc và cấu trúc hình học khuôn mặt), Face-recognition (API đóng gói quá trình so khớp vector đặc trưng), và thư viện Tkinter để xây dựng giao diện vận hành cục bộ.
  • Cơ sở dữ liệu và xác thực: Dịch vụ Google Firebase, trong đó Firebase Authentication quản lý đăng nhập hệ thống; Firebase Realtime Database và Cloud Firestore lưu trữ dữ liệu dạng JSON phân cấp gồm các thực thể Students, Class, Attendance, và Admin.
  • Dịch vụ thông báo: Giao thức SMTP Gmail hỗ trợ bảo mật mã hóa TLS/SSL và cơ chế xác thực tài khoản để tự động gửi thư điện tử chứa kết quả điểm danh hoặc thông báo đăng ký tới sinh viên.
  • Website quản trị: Xây dựng bằng Angular Framework (TypeScript, HTML, CSS) theo kiến trúc ứng dụng đơn trang (SPA), áp dụng cơ chế liên kết dữ liệu hai chiều (Two-way Data Binding) và phân chia các component chức năng.

Quy trình vận hành kỹ thuật được tổ chức theo các luồng dữ liệu chính:

  1. Thu thập và huấn luyện dữ liệu: Khi đăng ký sinh viên mới trên GUI Tkinter, hệ thống kích hoạt PiCam chụp 20 ảnh xám. Thuật toán biến đổi độ sáng và góc xoay tạo thêm 5 biến thể cho mỗi ảnh gốc, nâng tổng số mẫu lên 120 ảnh/người và lưu trữ tại thư mục dataset/{id}.{name}/. Quá trình trích xuất vector mã hóa sẽ xuất ra các tệp trung gian .npy. Nếu số lượng ảnh mã hóa thành công đạt ngưỡng tối thiểu lớn hơn 75 ảnh, hệ thống tiến hành gộp vào hai tệp tổng là Data_class_names.npy (chứa định danh và họ tên) và Data_encodings.npy (chứa ma trận đặc trưng khuôn mặt), đồng thời đồng bộ hồ sơ lên Firebase.
  2. Quy trình nhận diện và điểm danh: Cảm biến hồng ngoại HW-488 hỗ trợ phát hiện đối tượng tiếp cận trong cự ly 2–30 cm. PiCam thu nhận hình ảnh, thuật toán HOG trích xuất vector đặc trưng và so khớp với dữ liệu trong Data_encodings.npy. Nếu trùng khớp, hệ thống cập nhật trạng thái có mặt vào Firebase Realtime Database và kích hoạt dịch vụ SMTP Gmail gửi email xác nhận tức thời. Trường hợp không nhận diện được, giao diện hiển thị nhãn Unknown.
  3. Cơ chế dự phòng bằng RFID: Sinh viên có thể quẹt thẻ RFID qua đầu đọc RC522 khi điều kiện khuôn mặt bị che khuất hoặc góc nhìn không thuận lợi. Điểm đặc thù của hệ thống là tự động chụp lại một khung hình khuôn mặt tại đúng thời điểm quẹt thẻ và lưu vào trường ghi chú (Note) trên cơ sở dữ liệu để phục vụ việc đối soát và hậu kiểm danh tính của giảng viên.

Nội dung chính theo từng chương

Chương 1. Mở đầu

Chương này thiết lập cơ sở hình thành đề tài thông qua việc phân tích hạn chế của các phương pháp điểm danh truyền thống (bằng sổ chấm công) và các giải pháp bán tự động (thẻ từ, vân tay). Tác giả xác định mục đích nghiên cứu là xây dựng hệ thống điểm danh tự động kết hợp nhận diện khuôn mặt và quét thẻ RFID trên kit nhúng Raspberry Pi 4, xây dựng website quản lý dữ liệu và thiết kế giao diện GUI tương tác. Phạm vi nghiên cứu được khoanh vùng tại Trường Đại học Công nghệ Thông tin (UIT), sử dụng dữ liệu khuôn mặt thực tế của sinh viên UIT, áp dụng thuật toán trích xuất đặc trưng HOG và cam kết các tiêu chuẩn bảo mật dữ liệu cá nhân.

Chương 2. Tổng quan

Chương 2 trình bày tổng quan học thuật về các phương pháp nhận diện khuôn mặt phổ biến: thuật toán cổ điển HOG, các mô hình học sâu CNN (tiêu biểu như DeepFace), mô hình phân tầng MTCNN kết hợp mạng trích xuất FaceNet, công nghệ quét khuôn mặt 3D và các giải pháp kết hợp thẻ từ/mã QR. Tác giả luận giải việc lựa chọn thuật toán HOG nhờ ưu thế về chi phí thấp, cấu trúc tính toán nhẹ, dễ triển khai và tốc độ thực thi thời gian thực trên bo mạch nhúng. Chương này cũng phân tích 3 thách thức kỹ thuật cốt lõi: biến động môi trường ánh sáng/góc nhìn, hiệu suất tính toán của HOG đối với ảnh độ phân giải cao, và yêu cầu thiết kế giao diện UI/UX trực quan; đồng thời đề xuất các giải pháp khắc phục tương ứng là kỹ thuật Data Augmentation, tối ưu mã nguồn (OpenCV, đa luồng) và ứng dụng kiến trúc Angular.

Chương 3. Cơ sở lý thuyết và công nghệ

Nội dung chương 3 đi sâu vào nguyên lý toán học của thuật toán HOG qua 5 giai đoạn: tiền xử lý ảnh về kích thước $64 \times 128$, tính toán toán tử gradient đạo hàm riêng theo trục ngang và dọc, lượng tử hóa góc vào 9 bin định hướng trên từng cell $8 \times 8$, chuẩn hóa khối $16 \times 16$ bằng chuẩn $L_1$ hoặc $L_2$ để đạt tính bất biến với độ tương phản, và ghép nối vector đặc trưng toàn cục. Tiếp đó, tác giả liệt kê thông số kỹ thuật chi tiết của 5 thành phần phần cứng (Raspberry Pi 4 Model B, Raspberry Pi Camera CSI 5MP, RFID RC522 tần số 13.56 MHz, cảm biến HW-488, màn hình cảm ứng 7 inch) và phân tích vai trò của các thư viện/nền tảng phần mềm: OpenCV, Dlib, Face-recognition, nền tảng cơ sở dữ liệu đám mây Google Firebase (Authentication, Firestore, Realtime Database), giao thức gửi thư tự động SMTP Gmail, thư viện giao diện Tkinter trên Python và nền tảng web Angular.

Chương 4. Phân tích thiết kế hệ thống và kết quả thực nghiệm

Chương 4 mô tả chi tiết kiến trúc phần cứng thực tế và sơ đồ luồng dữ liệu của hệ thống. Tác giả đặc tả quy trình thu nhận 20 ảnh xám ban đầu và thuật toán tăng cường thành 120 ảnh mẫu, cấu trúc mã hóa tệp .npy (Data_class_names.npy và Data_encodings.npy), điều kiện ngưỡng hoàn tất đăng ký (> 75 ảnh mã hóa), và lưu đồ nhận diện đối chiếu vector. Về mặt phần mềm, chương trình bày chi tiết cấu trúc JSON cơ sở dữ liệu trên Firebase, 4 phân hệ chính của giao diện Tkinter (Đăng ký, Tra cứu, Điểm danh, Thoát), giao diện ứng dụng web Angular cho phép giảng viên quản lý danh sách lớp, điều chỉnh trạng thái điểm danh và xuất báo cáo điểm danh ra tệp Excel (ví dụ minh họa lớp MA004 ngày 16/07/2024). Tác giả trình bày các kết quả đo đạc thực nghiệm về mô hình đóng gói vật lý, độ chính xác nhận diện trên tập dữ liệu thực tế, tốc độ nhận diện và kịch bản vận hành kết hợp thẻ từ - nhận diện khuôn mặt.

Chương 5. Kết luận và hướng phát triển

Chương 5 tóm lược các mục tiêu đã đạt được của đề tài, bao gồm việc chế tạo thành công một mô hình thiết bị điểm danh tự động độc lập, có khả năng nhận diện khuôn mặt theo thời gian thực kết hợp quét thẻ RFID và đồng bộ dữ liệu đa nền tảng (GUI nhúng và Web). Trên cơ sở những kết quả đã kiểm chứng, tác giả phác thảo các định hướng nâng cấp hệ thống trong tương lai nhằm hoàn thiện tính năng và tối ưu hóa hiệu năng trong điều kiện vận hành mở rộng.

Kết quả và đóng góp

Khóa luận đã hoàn thành các nội dung kỹ thuật và ghi nhận các kết quả thực nghiệm sau:

  • Tích hợp thành công mô hình phần cứng hoàn chỉnh: Đóng gói nguyên mẫu thiết bị all-in-one gồm bo mạch Raspberry Pi 4, camera CSI 5MP, màn hình cảm ứng 7 inch ($1024 \times 600$), module RFID RC522 và cảm biến hồng ngoại HW-488 vào một kết cấu vật lý vận hành độc lập.
  • Xây dựng quy trình xử lý dữ liệu và nhận diện: Thiết lập quy trình trích xuất vector đặc trưng HOG; triển khai cơ chế làm giàu dữ liệu tự động nâng quy mô mẫu từ 20 ảnh chụp ban đầu lên 120 ảnh (thông qua xoay góc và bù trừ độ sáng); cấu hình ngưỡng kiểm định chất lượng đăng ký đạt trên 75 ảnh mã hóa; lưu trữ dữ liệu nén dưới các tệp cấu trúc .npy.
  • Đồng bộ hóa dữ liệu đa nền tảng: Kết nối thành công hệ thống nhúng với nền tảng Google Firebase (Realtime Database và Firestore Database); phát triển website quản trị trên Angular hỗ trợ chức năng lọc danh sách sinh viên theo lớp, chỉnh sửa kết quả điểm danh thủ công khi cần và trích xuất dữ liệu ra tệp định dạng Excel.
  • Tích hợp giải pháp điểm danh kép: Đảm bảo khả năng xác thực tự động bằng khuôn mặt trong điều kiện thông thường, đồng thời thiết lập cơ chế quẹt thẻ RFID kèm tính năng chụp và lưu trữ ảnh chân dung người quẹt vào trường Note trên hệ thống nhằm ngăn ngừa hiện tượng điểm danh hộ.
  • Tự động hóa phản hồi thông tin: Cấu hình thành công giao thức SMTP Gmail cho phép gửi thư điện tử thông báo tự động tới sinh viên ngay khi hoàn tất đăng ký hoặc ghi nhận điểm danh thành công.

So với các nghiên cứu và ứng dụng điểm danh trước đây, đề tài đóng góp một giải pháp hệ thống mang tính thực tiễn cao: tối ưu hóa thuật toán HOG để vận hành trơn tru trên thiết bị nhúng giá thành thấp mà không phụ thuộc vào hạ tầng máy chủ GPU đắt đỏ; đồng thời thiết lập cơ chế kiểm soát gian lận hai lớp (thẻ từ kết hợp chụp ảnh xác thực ngầm) giải quyết triệt để hạn chế của phương thức quẹt thẻ truyền thống.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên các phân tích và phạm vi nghiên cứu được nhóm tác giả nêu trong văn bản:

  • Hạn chế:
    • Thuật toán HOG phụ thuộc vào đặc trưng biến thiên gradient nên khả năng nhận diện bị suy giảm trong các điều kiện môi trường có độ tương phản quá thấp, ánh sáng yếu hoặc bị bóng tối che khuất một phần khuôn mặt.
    • Sự thay đổi góc nhìn khuôn mặt quá lớn (các góc nghiêng vượt ngoài phạm vi ảnh đã tăng cường) gây sai lệch vector đặc trưng, dẫn đến nhận diện nhầm lẫn hoặc hiển thị nhãn Unknown.
    • Tốc độ tính toán của thuật toán HOG chịu giới hạn nhất định khi phải xử lý luồng video liên tục ở độ phân giải cao trên nền tảng vi xử lý nhúng Raspberry Pi.
    • Quy mô thử nghiệm và tập dữ liệu mẫu mới chỉ tập trung vào nhóm sinh viên trong phạm vi Trường Đại học Công nghệ Thông tin (UIT).
  • Hướng phát triển:
    • Tiếp tục nghiên cứu các kỹ thuật tối ưu hóa mã nguồn và thuật toán nhằm nâng cao tốc độ xử lý khung hình trong thời gian thực.
    • Mở rộng tập dữ liệu huấn luyện với đa dạng điều kiện môi trường thực tế nhằm tăng độ bền vững cho bộ trích xuất đặc trưng.
    • Nâng cấp và mở rộng các tính năng phân tích, thống kê chuyên sâu trên giao diện website quản lý dữ liệu.

Giá trị tham khảo

Báo cáo khóa luận có giá trị tham khảo chuyên môn đối với:

  • Sinh viên và học viên ngành Kỹ thuật Máy tính, Công nghệ Thông tin, Hệ thống Nhúng và IoT: Cung cấp tài liệu tham khảo chi tiết về quy trình tích hợp các module ngoại vi (camera CSI, cảm biến hồng ngoại, RFID qua giao tiếp SPI, màn hình HDMI) với bo mạch máy tính đơn board (SBC) Raspberry Pi 4.
  • Người nghiên cứu thị giác máy tính ứng dụng trên thiết bị biên (Edge AI): Cung cấp các công thức toán học tường minh, ví dụ tính toán số học cụ thể từng bước của thuật toán HOG và giải pháp làm giàu dữ liệu thực tế (Data Augmentation) nhằm bù đắp hạn chế về góc nhìn và ánh sáng.
  • Các dự án xây dựng phần mềm quản lý phân tán: Cung cấp mô hình tham khảo về cách tổ chức kiến trúc dữ liệu NoSQL dạng JSON trên Google Firebase, phương pháp liên kết giữa giao diện điều khiển cục bộ Tkinter và ứng dụng web Angular quản trị tập trung.

Câu hỏi thường gặp

1. Vì sao nhóm nghiên cứu quyết định chọn thuật toán HOG thay vì các mô hình học sâu hiện đại như CNN hay FaceNet?
Nhóm tác giả lựa chọn HOG vì phương pháp này đòi hỏi năng lực tính toán thấp, không yêu cầu phần cứng đắt tiền như GPU, giúp tiết kiệm chi phí đầu tư ban đầu; đồng thời thuật toán có cấu trúc toán học đơn giản, dễ triển khai, thời gian xử lý nhanh, đáp ứng tốt yêu cầu thời gian thực trên kit nhúng Raspberry Pi 4 và đã có sẵn hệ thống thư viện hỗ trợ hoàn chỉnh.

2. Quy trình làm giàu dữ liệu khuôn mặt (Data Augmentation) khi đăng ký sinh viên được thực hiện như thế nào?
Hệ thống sử dụng camera chụp 20 ảnh xám gốc của sinh viên. Với mỗi ảnh chụp được, chương trình tự động điều chỉnh tăng/giảm độ sáng và xoay góc ảnh sang trái/phải để tạo thêm 5 biến thể khác nhau. Kết quả là mỗi sinh viên có tổng cộng 120 ảnh (20 ảnh gốc và 100 ảnh phái sinh) phục vụ quá trình trích xuất vector đặc trưng. Quá trình đăng ký chỉ được ghi nhận thành công khi số lượng ảnh được mã hóa đạt trên 75 ảnh.

3. Cơ chế dự phòng bằng thẻ từ RFID xử lý vấn đề gian lận điểm danh hộ như thế nào?
Khi sinh viên không thể điểm danh bằng khuôn mặt (do mặt bị che khuất hoặc góc nhìn biến dạng) và phải sử dụng thẻ từ RFID RC522, hệ thống sẽ tự động chụp lại một bức ảnh khuôn mặt của người đang quẹt thẻ tại thời điểm đó và lưu vào mục Note trong cơ sở dữ liệu. Giảng viên có thể nhấn đúp vào mục này trên giao diện để kiểm tra hình ảnh thực tế, từ đó ngăn ngừa hành vi mượn thẻ để điểm danh hộ.

4. Dữ liệu khuôn mặt và thông tin sinh viên được lưu trữ dưới những định dạng nào trong hệ thống?
Thông tin mã hóa nhận diện được chuyển đổi và lưu cục bộ thành các tệp nhị phân NumPy .npy (trong đó Data_class_names.npy lưu trữ mã số sinh viên, họ tên và Data_encodings.npy lưu ma trận vector đặc trưng khuôn mặt). Đồng thời, thông tin cá nhân và lịch sử điểm danh được tổ chức dưới dạng cấu trúc tệp JSON đồng bộ lên Google Firebase (bao gồm các nút Students, Class, Attendance, và Admin).

5. Cảm biến hồng ngoại HW-488 đóng vai trò gì trong mô hình phần cứng?
Cảm biến HW-488 có khoảng cách làm việc hiệu quả từ 2–30 cm và ngõ ra logic TTL, được sử dụng để phát hiện vật cản hoặc sự hiện diện của sinh viên khi bước vào vùng điểm danh trước camera, giúp kích hoạt quá trình nhận diện và hỗ trợ giảm thiểu nhiễu từ môi trường ánh sáng xung quanh.

Kết luận

Khóa luận tốt nghiệp của sinh viên Nguyễn Kim Ngọc và Nguyễn Phạm Thanh Ngân đã nghiên cứu và chế tạo thành công hệ thống điểm danh tự động ứng dụng trong phòng học thông minh trên cơ sở kết hợp bo mạch Raspberry Pi 4, camera CSI, cảm biến nhận diện và module RFID. Bằng việc lựa chọn và tối ưu hóa thuật toán HOG kết hợp kỹ thuật tăng cường dữ liệu, hệ thống đạt khả năng nhận diện ổn định với chi phí phần cứng thấp, đồng thời thiết lập cơ chế giám sát hai lớp phòng chống gian lận hiệu quả. Mô hình quản lý phân tán kết hợp giao diện Tkinter cục bộ, cơ sở dữ liệu đám mây Firebase và website quản trị Angular đã đáp ứng đầy đủ yêu cầu tự động hóa công tác điểm danh trong môi trường giáo dục đại học.