Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh công nghệ thông tin và trí tuệ nhân tạo phát triển mạnh mẽ, công nghệ nhận diện khuôn mặt (Face Recognition) đã trở thành công cụ thiết yếu phục vụ công tác an ninh, giám sát và xây dựng các hệ thống tự động hóa thông minh. Nhận diện khuôn mặt không chỉ được ứng dụng trong xác minh danh tính trực tuyến mà còn đóng vai trò cốt lõi trong quản lý cửa ra vào, kiểm soát truy cập và theo dõi an ninh công cộng. Hệ thống nhận diện khuôn mặt tiêu chuẩn tiếp nhận đầu vào là hình ảnh kỹ thuật số hoặc khung hình trích xuất từ luồng video/camera và trả về danh tính cá nhân tương ứng (như tên hoặc mã định danh ID) nếu khuôn mặt đã được lưu trữ trong cơ sở dữ liệu.

Mặc dù các mô hình nhận diện khuôn mặt hiện đại đạt độ chính xác gần như tuyệt đối trên các bộ dữ liệu chất lượng cao trong điều kiện phòng thí nghiệm, việc triển khai vào hệ thống camera giám sát (CCTV) thực tế vẫn gặp nhiều rào cản kỹ thuật lớn:

  • Biến đổi kích thước và khoảng cách: Camera an ninh thường ghi nhận đối tượng ở khoảng cách xa, dẫn đến kích thước vùng mặt rất nhỏ (nhiều trường hợp chỉ đạt 16x16 pixel) và góc chụp không cố định.
  • Chất lượng hình ảnh thấp: Độ phân giải từ các thiết bị camera giám sát bị giới hạn, làm suy giảm các chi tiết đặc trưng trên khuôn mặt.
  • Hiện tượng mờ do chuyển động (Motion blur): Đối tượng di chuyển liên tục trong tầm nhìn của camera gây nhòe mờ hình ảnh.
  • Điều kiện chiếu sáng không đồng đều: Ánh sáng môi trường thay đổi thất thường ngoài trời hoặc nguồn sáng nhân tạo quá mạnh trong nhà làm ảnh hưởng đến tính nhất quán của đặc trưng trích xuất.
  • Hiện tượng che khuất một phần (Occlusion): Khuôn mặt trong môi trường đông người dễ bị che khuất bởi phụ kiện, vật cản hoặc người khác.

Nhằm giải quyết các thách thức trên, khóa luận đặt ra các mục tiêu và phạm vi nghiên cứu cụ thể:

Mục tiêu nghiên cứu:

  1. Tìm hiểu tổng quan về bài toán nhận diện khuôn mặt, các bước thực hiện và các hướng tiếp cận tiên tiến hiện nay cho bài toán.
  2. Thu thập dữ liệu khuôn mặt từ camera an ninh để tiến hành nghiên cứu.
  3. Chạy thực nghiệm một số phương pháp để đánh giá, phân tích các ưu nhược điểm, khó khăn của các phương pháp.
  4. Xây dựng một hệ thống camera an ninh phát hiện và nhận diện khuôn mặt, gửi thông báo cho người dùng và thực hiện các tác vụ như mở cửa hoặc cảnh báo xâm nhập.

Phạm vi nghiên cứu:

  1. Nghiên cứu tổng quan về bài toán nhận diện khuôn mặt như cơ sở lý thuyết, các kiến thức cần thiết để giải quyết bài toán.
  2. Thu thập một số dữ liệu khuôn mặt từ camera an ninh (xây dựng tập dữ liệu gồm 300 ảnh).
  3. Cài đặt và thử nghiệm các mô hình học sâu theo từng giai đoạn:
    • Phát hiện khuôn mặt (Face Detection): MTCNN, RetinaFace, YOLOv8.
    • Nhận dạng khuôn mặt (Face Recognition): ArcFace, AdaFace.
  4. Xây dựng và phát triển ứng dụng minh họa nhận diện khuôn mặt từ camera an ninh trên nền tảng web.

Cơ sở lý thuyết và phương pháp

Khóa luận thiết lập nền tảng lý thuyết toàn diện về thị giác máy tính và học sâu phục vụ bài toán nhận diện khuôn mặt trên luồng dữ liệu camera giám sát.

Khung lý thuyết và bài toán nhận diện khuôn mặt

Quy trình nhận diện khuôn mặt tiêu chuẩn được tác giả hệ thống hóa qua 4 giai đoạn nối tiếp:

  1. Phát hiện khuôn mặt (Face Detection): Định vị vùng chứa khuôn mặt trong ảnh và biểu diễn bằng khung giới hạn (bounding box).
  2. Căn chỉnh khuôn mặt (Face Alignment): Chuẩn hóa tọa độ và vị trí các điểm đặc trưng hình học (landmark) về một hệ quy chiếu chuẩn.
  3. Trích xuất đặc trưng (Feature Extraction): Biến đổi vùng ảnh khuôn mặt thành vector biểu diễn số học (embedding vector) mang đặc trưng định danh.
  4. Nhận diện khuôn mặt (Face Recognition / Feature Matching): Đo lường độ tương đồng giữa vector đặc trưng của ảnh thử nghiệm với vector trong cơ sở dữ liệu đã đăng ký.

Bài toán được phân loại thành hai tác vụ chính:

  • Xác thực khuôn mặt (Face Verification): So sánh quan hệ một-một (1:1) để xác định xem hai hình ảnh có thuộc về cùng một người hay không (kết quả dạng nhị phân).
  • Nhận diện khuôn mặt (Face Identification): So sánh quan hệ một-nhiều (1:N) để tìm danh tính phù hợp nhất từ cơ sở dữ liệu đã biết. Tác vụ này bao gồm hai thiết lập: đóng (close-set - đối tượng thử nghiệm chắc chắn nằm trong tập dữ liệu) và mở (open-set - hệ thống phải có khả năng từ chối nhận dạng nếu đối tượng không tồn tại trong cơ sở dữ liệu).

Trong phương pháp tiếp cận bằng học sâu, tác giả phân biệt rõ:

  • One-shot Learning (Phân loại): Dự đoán trực tiếp nhãn danh tính bằng mạng nơ-ron tích chập. Phương pháp này có nhược điểm lớn là phải huấn luyện lại toàn bộ mô hình khi có thêm người mới vào hệ thống.
  • Learning Similarity (Đo lường độ tương đồng): Sử dụng các kiến trúc mạng trích xuất đặc trưng (như Siamese Network) để đưa ảnh về không gian vector. Độ giống nhau được tính toán thông qua các phép đo khoảng cách như chuẩn $L_1$, khoảng cách Euclid ($L_2$) hoặc Cosine Similarity. Phương pháp này không phụ thuộc vào số lượng lớp và không đòi hỏi tái huấn luyện mô hình khi cập nhật cơ sở dữ liệu.

Nền tảng mạng nơ-ron nhân tạo và học sâu

Khóa luận tổng hợp chi tiết cấu trúc toán học của các khối học sâu cốt lõi:

  • Mạng nơ-ron nhân tạo (ANNs): Mô hình hóa nút nơ-ron với đầu vào $x_i$, trọng số $w_i$, độ lệch bias $b$ và các hàm kích hoạt phi tuyến:
    • Hàm Sigmoid: $f(x) = \sigma(x) = \frac{1}{1 + e^{-x}}$, chuẩn hóa giá trị về khoảng $(0, 1)$.
    • Hàm Tanh: đầu ra đối xứng qua gốc tọa độ trong khoảng $(-1, 1)$.
    • Hàm ReLU (Rectified Linear Unit): $f(x) = \max(0, x)$, giúp tăng tốc tính toán và hạn chế hiện tượng triệt tiêu đạo hàm.
    • Quá trình tối ưu hóa trọng số thông qua thuật toán Lan truyền thuận (Forward Propagation), Lan truyền ngược (Backpropagation) và Gradient Descent với tốc độ học $\alpha$.
  • Mạng nơ-ron tích chập (CNNs): Cấu trúc chuyên biệt cho xử lý ảnh lấy cảm hứng từ nghiên cứu của Hubel và Wiesel (1968) về vùng tiếp nhận thị giác (Receptive Fields):
    • Lớp tích chập (Convolution Layer): Sử dụng kernel kích thước $k \times k$ trượt qua các vùng cục bộ (Local Receptive Fields) với bước trượt $S$ và đệm padding $P$. Công thức tính kích thước đầu ra $W_2, H_2$ và số kênh $D_2$: $$W_2 = \frac{W_1 - k + 2P}{S} + 1, \quad H_2 = \frac{H_1 - k + 2P}{S} + 1, \quad D_2 = n$$ Tổng số tham số cần học trong lớp tích chập là $(k \times k \times D_1) \times n + 1$.
    • Lớp gộp (Pooling Layer): Chủ yếu sử dụng Max-pooling để giảm chiều không gian đặc trưng, giảm tải tính toán, hạn chế overfitting và tạo tính bất biến dịch chuyển.
    • Lớp chuẩn hóa (Normalization): Ổn định phân phối dữ liệu đầu ra giữa các tầng, ngăn chặn hiện tượng "dying ReLU" và gradient xấp xỉ 0.
    • Lớp kết nối đầy đủ (Fully Connected Layer): Làm phẳng tensor đặc trưng và kết hợp thông tin để đưa ra phân phối xác suất dự đoán thông qua hàm Softmax hoặc Sigmoid.

Phương pháp nghiên cứu và nguồn dữ liệu

Nghiên cứu sử dụng phương pháp thực nghiệm định lượng, so sánh đối chuẩn hiệu năng giữa các kiến trúc mô hình trên các tập dữ liệu tiêu chuẩn và tập dữ liệu thu thập thực tế:

  • Nguồn dữ liệu phát hiện khuôn mặt: Tập dữ liệu WiderFace (chứa đa dạng kích thước, góc nghiêng và độ che khuất).
  • Nguồn dữ liệu nhận dạng khuôn mặt: Tập dữ liệu TinyFace (chuyên biệt cho khuôn mặt độ phân giải thấp và kích thước nhỏ), LFW (Labeled Faces in the Wild) và tập dữ liệu 300 ảnh khuôn mặt thu thập trực tiếp từ camera an ninh.
  • Thư viện tìm kiếm vector tương đồng: Faiss (Facebook AI Similarity Search) phục vụ việc lập chỉ mục và truy vấn nhanh vector embedding trong không gian đa chiều.
  • Độ đo đánh giá: Độ chính xác trung bình mAP (Mean Average Precision) cho bài toán phát hiện; Độ chính xác nhận dạng (Accuracy %), thời gian tạo vector biểu diễn (Embedding latency - ms/embedding) và số khung hình xử lý trên giây (FPS).

Thiết kế và triển khai

Hệ thống được thiết kế theo mô hình luồng xử lý thời gian thực từ camera an ninh đến giao diện điều khiển trên nền tảng web, tích hợp hai tác vụ nghiệp vụ chính: cảnh báo xâm nhập và điều khiển mở khóa cửa tự động.

Thành phần hệ thống Mô hình / Công nghệ sử dụng Chức năng kỹ thuật
Thu nhận dữ liệu Camera an ninh / Video Stream Cung cấp luồng khung hình thời gian thực với các biến đổi góc nhìn và ánh sáng
Phát hiện khuôn mặt YOLOv8-face Định vị vùng mặt, trích xuất bounding box và lọc qua ngưỡng tin cậy
Căn chỉnh & Chuẩn hóa Tiền xử lý hình ảnh Cắt vùng khuôn mặt, chuẩn hóa kích thước đầu vào đồng nhất
Trích xuất đặc trưng AdaFace Biến đổi ảnh mặt chất lượng thấp thành vector embedding tối ưu hóa theo chất lượng ảnh
Tìm kiếm & So khớp Faiss Index Search Truy vấn vector đặc trưng đối sánh với cơ sở dữ liệu danh tính đã đăng ký (Gallery)
Điều khiển & Giao diện Nền tảng Web Application Hiển thị luồng camera giám sát, quản lý dữ liệu người dùng, kích hoạt mở cửa hoặc cảnh báo

Quy trình vận hành logic của hệ thống:

  1. Luồng video từ camera an ninh được đưa vào module phát hiện khuôn mặt thời gian thực sử dụng YOLOv8-face.
  2. Vùng mặt sau khi phát hiện được cắt và căn chỉnh trước khi đưa vào mạng AdaFace để trích xuất vector đặc trưng.
  3. Thư viện Faiss thực hiện đo khoảng cách giữa vector đầu vào và toàn bộ vector mẫu đã lưu trữ trong cơ sở dữ liệu.
  4. Hệ thống đưa ra quyết định xử lý:
    • Nếu khoảng cách nằm trong ngưỡng cho phép và danh tính thuộc nhóm người dùng hợp lệ: Hệ thống gửi tín hiệu mở khóa cửa tự động.
    • Nếu khoảng cách vượt ngưỡng cho phép (khuôn mặt lạ không có trong hệ thống - open-set) hoặc thuộc danh sách cảnh báo: Hệ thống kích hoạt cơ chế gửi thông báo cảnh báo xâm nhập đến người quản trị.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 giới thiệu tổng quan về tầm quan trọng của bài toán nhận dạng khuôn mặt trong thời đại công nghệ số và giám sát an ninh thông minh. Tác giả chỉ rõ bài toán đầu vào - đầu ra, phân tích sâu các rào cản kỹ thuật khi áp dụng trên camera an ninh thực tế (khuôn mặt nhỏ 16x16 pixel, mờ nhòe do chuyển động, ánh sáng phức tạp). Chương này xác lập 4 mục tiêu nghiên cứu cụ thể, 4 nội dung thuộc phạm vi đề tài, 5 đóng góp chính của khóa luận và phác thảo cấu trúc tổng thể của toàn văn báo cáo.

Chương 2: Cơ sở lý thuyết và các nghiên cứu liên quan

Chương 2 trình bày chi tiết cơ sở lý thuyết toán học và mô hình tính toán nền tảng của thị giác máy tính và học sâu:

  • Định nghĩa chi tiết quy trình 4 bước của bài toán nhận diện khuôn mặt và phân biệt các bài toán thành phần: Face Verification (1:1), Face Identification (1:N), close-set và open-set.
  • So sánh hai hướng tiếp cận chính: One-shot Learning (dễ bị giới hạn khi mở rộng số lớp) và Learning Similarity (dựa trên không gian khoảng cách Euclid, chuẩn $L_1/L_2$, Cosine Similarity và Siamese Network).
  • Phân tích chi tiết kiến trúc Mạng nơ-ron nhân tạo (ANNs), từ mô hình tế bào nơ-ron sinh học sang nơ-ron nhân tạo, các hàm kích hoạt Sigmoid, Tanh, ReLU, đến thuật toán lan truyền xuôi và lan truyền ngược cùng Gradient Descent.
  • Khảo sát chuyên sâu Mạng nơ-ron tích chập (CNNs), làm rõ bản chất phép toán tích chập hai chiều giữa ma trận ảnh và ma trận kernel, cơ chế Local Receptive Fields, stride, padding, hàm tính toán số lượng tham số, lớp pooling (Max-pooling), lớp chuẩn hóa dữ liệu Batch Normalization nhằm tránh lỗi dying ReLU, và lớp kết nối đầy đủ Fully Connected Layer.

Chương 3: Nhận diện khuôn mặt sử dụng phương pháp học sâu

Chương 3 đi sâu vào nguyên lý hoạt động và kiến trúc của các mô hình học sâu hiện đại được lựa chọn để thực nghiệm:

  • Phát hiện khuôn mặt:
    • MTCNN: Kiến trúc mạng xếp tầng 3 giai đoạn gồm P-Net (Proposal Network - quét đa tỉ lệ đề xuất vùng mặt và áp dụng Non-Maximum Suppression NMS), R-Net (Refine Network - đệm pixel và chuẩn hóa kích thước về 24x24 để tinh chỉnh khung giới hạn), và O-Net (Output Network - đầu vào 48x48, xuất ra tọa độ Bounding Box out[0], tọa độ 5 điểm Landmark out[1] gồm 2 mắt, mũi, 2 khóe môi, và điểm tin cậy out[2]).
    • RetinaFace: Mô hình phát hiện đơn tầng giải quyết đồng thời 3 nhiệm vụ: phát hiện 2D, căn chỉnh 2D và tái tạo lưới 3D (3D mesh với $N=1103$ đỉnh và $M=2110$ tam giác) thông qua hàm mất mát tổng hợp $L_{mesh} = L_{vert} + L_{edge}$.
    • YOLOv8-face: Mô hình phát hiện đối tượng tiếp cận theo bài toán hồi quy một lượt, gồm Backbone trích xuất đặc trưng đa tầng phân giải (từ P1 đến P5), Neck sử dụng FPN/PAN để kết hợp đặc trưng, Head xử lý dự đoán ở 3 quy mô (P3, P4, P5) và hệ thống hàm mất mát gồm Bbox_loss, Obj_loss, Cls_loss.
  • Nhận dạng khuôn mặt:
    • ArcFace: Phương pháp áp dụng hàm mất mát Additive Angular Margin Loss trên không gian góc của DCNN, giúp tối đa hóa khoảng cách giữa các lớp và thu hẹp phương sai nội lớp so với Softmax truyền thống.
    • AdaFace: Hàm mất mát thích ứng theo chất lượng ảnh, sử dụng chuẩn vector đặc trưng $|z_i|$ kết hợp với đánh giá chất lượng ảnh (thang đo BRISQUE và hệ số tương quan Pearson) để điều chỉnh biên góc margin phù hợp với từng mức độ mờ nhòe của ảnh khuôn mặt.
    • Tìm kiếm đặc trưng: Ứng dụng thư viện Faiss để tối ưu hóa truy vấn vector embedding trên tập dữ liệu lớn.

Chương 4: Thực nghiệm và đánh giá

Chương 4 mô tả toàn bộ quá trình thực nghiệm, thông số các tập dữ liệu, phương pháp đánh giá và phân tích kết quả:

  • Khảo sát các tập dữ liệu thử nghiệm: WiderFace cho tác vụ phát hiện; TinyFace, LFW và bộ dữ liệu tự xây dựng gồm 300 ảnh trích xuất từ camera an ninh cho tác vụ nhận dạng.
  • Đánh giá định lượng giai đoạn phát hiện khuôn mặt trên WiderFace: YOLOv8 đạt mAP 98.49%, vượt trội so với MTCNN và RetinaFace (đều đạt mức mAP xấp xỉ 62%).
  • Đánh giá định lượng giai đoạn nhận dạng khuôn mặt trên TinyFace: AdaFace đạt độ chính xác 81.8% với thời gian tạo embedding là 180 ms/embedding, vượt trội về độ chính xác so với ArcFace (đạt 72.0% với thời gian 122 ms/embedding).
  • Phân tích và lựa chọn cấu hình tối ưu gồm YOLOv8 kết hợp AdaFace để triển khai vào ứng dụng minh họa.
  • Xây dựng hoàn chỉnh ứng dụng minh họa trên nền tảng web tích hợp hiển thị camera và quản trị hệ thống.

Chương 5: Kết luận và hướng phát triển

Chương 5 tổng kết lại toàn bộ các mục tiêu đã hoàn thành của khóa luận tốt nghiệp, đồng thời chỉ ra các hạn chế kỹ thuật hiện tại và đề xuất các định hướng phát triển trong tương lai nhằm nâng cao tính ứng dụng của hệ thống.

Kết quả và đóng góp

Kết quả thực nghiệm định lượng

Khóa luận đã tiến hành đánh giá chi tiết các mô hình trên các bộ dữ liệu đặc thù của bài toán:

Giai đoạn xử lý Mô hình thử nghiệm Tập dữ liệu đánh giá Độ chính xác Tốc độ / Thời gian xử lý
Phát hiện khuôn mặt MTCNN WiderFace mAP = 62% -
Phát hiện khuôn mặt RetinaFace WiderFace mAP = 62% -
Phát hiện khuôn mặt YOLOv8 WiderFace mAP = 98.49% Xử lý thời gian thực
Nhận dạng khuôn mặt ArcFace TinyFace Accuracy = 72.0% 122 ms/embedding
Nhận dạng khuôn mặt AdaFace TinyFace Accuracy = 81.8% 180 ms/embedding

Đóng góp chính của khóa luận

  1. Tổng hợp cơ sở học thuật: Xây dựng hệ thống tài liệu tổng quan toàn diện về bài toán nhận diện khuôn mặt và các phương pháp học sâu tiên tiến (ANNs, CNNs, MTCNN, RetinaFace, YOLOv8, ArcFace, AdaFace).
  2. Xây dựng dữ liệu thực tế: Thu thập và đóng gói bộ dữ liệu khuôn mặt gồm 300 ảnh thực tế từ môi trường camera an ninh phục vụ kiểm thử.
  3. Thực nghiệm đối chuẩn: Cung cấp kết quả đánh giá, so sánh khách quan giữa các phương pháp phát hiện và nhận dạng trên các tập dữ liệu ảnh khuôn mặt kích thước nhỏ và chất lượng thấp (WiderFace, TinyFace).
  4. Ứng dụng thực tiễn: Xây dựng thành công ứng dụng web minh họa hoàn chỉnh, tích hợp mô hình phát hiện YOLOv8 và nhận dạng AdaFace kết hợp công cụ tìm kiếm Faiss, hỗ trợ tác vụ mở cửa tự động và cảnh báo xâm nhập.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế được ghi nhận

  • Quy mô dữ liệu tự thu thập: Bộ dữ liệu khuôn mặt thực tế từ camera an ninh do tác giả xây dựng mới dừng lại ở quy mô nhỏ (300 ảnh), chưa bao phủ toàn bộ các biến thể phức tạp của điều kiện ngoại cảnh.
  • Độ trễ suy luận của mô hình nhận diện: Mô hình AdaFace đạt độ chính xác cao nhất trên ảnh chất lượng thấp nhưng có thời gian tính toán embedding (180 ms/embedding) chậm hơn đáng kể so với ArcFace (122 ms/embedding), tạo ra thách thức nhất định khi triển khai trên các thiết bị phần cứng có năng lực tính toán hạn chế.

Hướng phát triển tiếp theo

  • Nghiên cứu tối ưu hóa cấu trúc mạng và lượng tử hóa mô hình (Model Quantization/Pruning) nhằm giảm độ trễ trích xuất đặc trưng của AdaFace mà vẫn duy trì độ chính xác cao.
  • Mở rộng quy mô thu thập và gán nhãn bộ dữ liệu camera an ninh trong nhiều điều kiện ánh sáng cực đoan, góc nhìn nghiêng lớn và độ che khuất cao.
  • Tích hợp các thuật toán tăng cường chất lượng hình ảnh (Image Super-Resolution / Enhancement) ở giai đoạn tiền xử lý trước khi đưa vào mạng nhận dạng.

Giá trị tham khảo

Tài liệu khóa luận mang lại giá trị tham khảo hữu ích cho:

  • Sinh viên và học viên ngành Khoa học Máy tính, Công nghệ Thông tin, Trí tuệ Nhân tạo: Cung cấp tài liệu hệ thống hóa rõ ràng từ lý thuyết nền tảng mạng nơ-ron (ANNs, CNNs với công thức tích chập, pooling, activation chi tiết) đến các mô hình phát hiện và nhận diện hiện đại.
  • Người nghiên cứu và kỹ sư phát triển hệ thống thị giác máy tính: Cung cấp số liệu đối chuẩn thực tế giữa các mô hình (MTCNN vs RetinaFace vs YOLOv8; ArcFace vs AdaFace) trên các tập dữ liệu ảnh khó (TinyFace, WiderFace), làm cơ sở lựa chọn kiến trúc phù hợp cho các bài toán nhận dạng khuôn mặt từ camera an ninh, hệ thống điểm danh tự động hoặc kiểm soát ra vào.
  • Phần đáng tham khảo nhất: Phân tích cơ chế của các hàm mất mát ArcFace và AdaFace trong việc giải quyết bài toán khuôn mặt chất lượng thấp, cùng giải pháp kết hợp YOLOv8 và Faiss để xây dựng hệ thống giám sát thời gian thực.

Câu hỏi thường gặp

1. Tại sao mô hình YOLOv8 lại được tác giả lựa chọn cho tác vụ phát hiện khuôn mặt thay vì MTCNN hay RetinaFace?

Trong các thử nghiệm trên bộ dữ liệu chuẩn WiderFace, YOLOv8 đạt độ chính xác vượt trội với giá trị mAP đạt 98.49%, trong khi cả MTCNN và RetinaFace chỉ đạt giá trị mAP tương ứng khoảng 62%. Bên cạnh độ chính xác cao, YOLOv8 xử lý phát hiện theo cơ chế hồi quy một lượt, cho phép đáp ứng tốc độ xử lý khung hình thời gian thực trên luồng camera giám sát.

2. Mô hình AdaFace có ưu thế gì nổi bật so với ArcFace khi nhận diện khuôn mặt từ camera an ninh?

AdaFace được thiết kế với hàm mất mát thích ứng dựa trên chất lượng hình ảnh, sử dụng chuẩn vector đặc trưng $|z_i|$ để điều chỉnh biên góc margin tương ứng với độ rõ nét hoặc mờ nhòe của ảnh. Trong thử nghiệm trên bộ dữ liệu ảnh nhỏ và chất lượng thấp TinyFace, AdaFace đạt độ chính xác 81.8%, cao hơn đáng kể so với mức 72.0% của ArcFace. Mặc dù thời gian tạo embedding của AdaFace là 180 ms (chậm hơn so với 122 ms của ArcFace), tác giả vẫn lựa chọn AdaFace cho ứng dụng minh họa nhờ khả năng nhận diện chính xác vượt trội trên dữ liệu camera thực tế.

3. Quy trình 4 bước của bài toán nhận diện khuôn mặt được tác giả trình bày như thế nào?

Theo khóa luận, quy trình nhận diện khuôn mặt chuẩn gồm 4 bước nối tiếp:

  1. Phát hiện khuôn mặt (Face Detection): Xác định vị trí khuôn mặt trong khung hình bằng bounding box.
  2. Căn chỉnh khuôn mặt (Face Alignment): Chuẩn hóa vị trí các điểm mốc đặc trưng (mắt, mũi, miệng) về tọa độ chuẩn.
  3. Trích xuất đặc trưng (Feature Extraction): Sử dụng mạng học sâu để mã hóa khuôn mặt thành vector embedding số học.
  4. Nhận diện khuôn mặt (Face Recognition): So khớp vector đặc trưng với cơ sở dữ liệu đã chuẩn bị bằng các phép đo khoảng cách tương đồng.

4. Hệ thống minh họa của khóa luận thực hiện cảnh báo xâm nhập và mở khóa cửa dựa trên cơ chế nào?

Hệ thống sử dụng luồng xử lý kết hợp: YOLOv8 phát hiện khuôn mặt từ camera, AdaFace trích xuất vector đặc trưng và Faiss thực hiện tìm kiếm vector tương đồng với cơ sở dữ liệu đã đăng ký. Khi độ tương đồng khớp với người dùng hợp lệ trong hệ thống (close-set), hệ thống kích hoạt lệnh mở khóa cửa tự động. Ngược lại, nếu khuôn mặt không tồn tại trong cơ sở dữ liệu (open-set) hoặc thuộc diện cảnh báo, hệ thống sẽ phát tín hiệu cảnh báo xâm nhập đến người quản trị.

5. Ba mạng con trong kiến trúc MTCNN thực hiện các nhiệm vụ cụ thể gì?

MTCNN gồm ba mạng xếp tầng:

  • P-Net (Proposal Network): Mạng tích chập hoàn toàn quét ảnh đầu vào ở kích thước 12x12 để tạo các vùng đề xuất ban đầu và áp dụng NMS để lọc trùng lặp.
  • R-Net (Refine Network): Nhận đầu vào 24x24 sau khi đệm pixel để tinh chỉnh tọa độ bounding box và loại bỏ các đề xuất sai.
  • O-Net (Output Network): Nhận đầu vào 48x48 để đưa ra kết quả cuối cùng gồm tọa độ bounding box chính xác (out[0]), vị trí 5 điểm đặc trưng landmark (out[1]) và điểm tin cậy nhận diện (out[2]).

Kết luận

Khóa luận tốt nghiệp của sinh viên Nguyễn Văn Hoàng đã giải quyết thành công bài toán nhận diện khuôn mặt từ camera an ninh phục vụ tự động hóa kiểm soát ra vào và cảnh báo an ninh. Thông qua quá trình nghiên cứu lý thuyết chuyên sâu và thực nghiệm đối chuẩn trên các tập dữ liệu WiderFace và TinyFace, tác giả đã chứng minh tính hiệu quả vượt trội của sự kết hợp giữa mô hình phát hiện YOLOv8 (mAP 98.49%) và mô hình nhận dạng AdaFace (độ chính xác 81.8%). Công trình đã hoàn thiện một ứng dụng web minh họa thực tế tích hợp trọn vẹn luồng xử lý từ thu nhận video, nhận dạng thời gian thực với Faiss đến điều khiển tác vụ mở cửa và phát cảnh báo xâm nhập.