Giới thiệu dự án

Trong bối cảnh chuyển đổi số toàn diện, bảo mật thông tin và xác thực danh tính trở thành bài toán sống còn đối với các tổ chức tài chính, doanh nghiệp và các hệ thống kiểm soát truy cập thông minh. Theo các báo cáo an ninh mạng toàn cầu, các phương thức xác thực truyền thống như mật khẩu số, mã PIN hay thẻ từ RFID đang bộc lộ những lỗ hổng nghiêm trọng: hơn 80% các vụ rò rỉ dữ liệu bắt nguồn từ việc lộ hoặc đánh cắp thông tin xác thực tĩnh.

Mặc dù các giải pháp sinh trắc học như nhận diện khuôn mặt (Face Recognition) hay vân tay (Fingerprint) đã được ứng dụng phổ biến, chúng vẫn đối mặt với những thách thức lớn:

  • Nguy cơ giả mạo tinh vi (Spoofing attacks): Công nghệ Deepfake và công nghệ in 3D silicon cho phép tái tạo khuôn mặt và dấu vân tay nhân tạo với độ chính xác cao.
  • Rào cản vệ sinh và độ mòn vật lý: Cảm biến vân tay tiếp xúc dễ bị mòn, bám bẩn hoặc lây lan mầm bệnh trong môi trường công cộng.
  • Tính xâm phạm quyền riêng tư: Việc thu thập dữ liệu khuôn mặt không chủ đích (qua camera giám sát) thường vấp phải các quy định khắt khe về quyền riêng tư (như GDPR).
               +-------------------------------------------------------+
               |  VẤN ĐỀ THỰC TIỄN & LỖ HỔNG XÁC THỰC HIỆN NAY         |
               +-------------------------------------------------------+
                     |                                       |
                     v                                       v
     +-------------------------------+       +-------------------------------+
     |      BẢO MẬT TRUYỀN THỐNG     |       |     SINH TRẮC HỌC CỔ ĐIỂN     |
     | - Mật khẩu / PIN: Dễ đánh cắp |       | - Khuôn mặt: Deepfake, lộ diện|
     | - Thẻ từ / Chip: Dễ làm giả   |       | - Vân tay: Bám bẩn, mòn da    |
     +-------------------------------+       +-------------------------------+
                     \                                       /
                      \                                     /
                       v                                   v
               +-------------------------------------------------------+
               |  GIẢI PHÁP: NHẬN DIỆN SINH TRẮC LÒNG BÀN TAY (PALM)   |
               |  - Khó giả mạo (đường vân chính, nếp nhăn, tĩnh mạch) |
               |  - Tương tác không tiếp xúc, bảo vệ quyền riêng tư   |
               |  - Tối ưu hóa trên phần cứng nhúng chi phí thấp      |
               +-------------------------------------------------------+

Đề tài "Thiết kế hệ thống nhúng nhận diện lòng bàn tay người" (An Embedded System for Palmprint Recognition) do nhóm kỹ sư ngành Kỹ thuật Máy tính – Đại học Công nghệ Thông tin (ĐHQG-HCM) thực hiện dưới sự hướng dẫn của TS. Phạm Quốc Hùng, đã tập trung giải quyết triệt để các hạn chế trên bằng cách khai thác đặc trưng sinh trắc học lòng bàn tay (Palmprint Biometrics). Lòng bàn tay chứa mật độ thông tin dày đặc bao gồm các đường chỉ tay chính (Principal lines: Line of Life, Line of Head, Line of Heart), nếp nhăn phụ (Wrinkles) và hoa văn vi mô (Minutiae features), mang tính duy nhất tuyệt đối ngay cả giữa các cặp song sinh cùng trứng.

Mục tiêu cụ thể của dự án

  1. Xây dựng giải pháp tiền xử lý ảnh và trích xuất vùng quan tâm (Region of Interest - ROI) ổn định, có khả năng tự động bù góc xoay từ $0^\circ$ đến $30^\circ$ thông qua công nghệ Hand Landmarks.
  2. Tích hợp và tối ưu bộ mô tả đặc trưng kết cấu cục bộ bậc cao Local Micro-structure Tetra Pattern (LMTrP) kết hợp bộ lọc Gabor 6 hướng, giúp trích xuất toàn diện biên độ và hướng vân tay.
  3. Ứng dụng kỹ thuật giảm số chiều dữ liệu phi tuyến Kernel Principal Component Analysis (K-PCA) và phân loại bằng Support Vector Machine (SVM) với hàm nhân tối ưu, loại bỏ sự phụ thuộc vào các mạng học sâu (Deep Learning) cồng kềnh.
  4. Triển khai hoàn chỉnh hệ thống trên phần cứng nhúng Raspberry Pi 4 Model B, kết hợp giao diện cảm ứng tương tác, hệ thống chấp hành servo mở khóa cửa tự động và cảm biến tiếp cận.

Phạm vi và giới hạn hệ thống

  • Phạm vi nghiên cứu: Thu thập dữ liệu thực tế, chuẩn hóa hình ảnh, trích xuất ROI, giảm chiều dữ liệu, huấn luyện mô hình SVM, xây dựng phần cứng và thiết kế UI điều khiển.
  • Giới hạn kỹ thuật: Hệ thống tập trung tối ưu độ chính xác phân loại, tốc độ đáp ứng thời gian thực (< 1.2 giây/lần xác thực) và tính ổn định trên thiết bị biên; không đi sâu vào việc tối ưu công suất tiêu thụ mức microampere của pin hay nguồn công nghiệp.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Các phương pháp nhận diện lòng bàn tay trong y văn và công nghiệp hiện được phân chia thành hai trường phái chính: tiếp cận theo hướng tổng thể (Holistic approaches) và tiếp cận theo hướng cấu trúc (Structural approaches).

Phương pháp Ưu điểm Nhược điểm lớn Mức độ phù hợp trên Hệ thống Nhúng
Holistic (2D-PCA, 2D-LDA, Eigenpalms) Tính toán ma trận nhanh, triển khai thuật toán đơn giản. Cực kỳ nhạy cảm với ánh sáng, nhiễu nền, độ dịch chuyển và sai lệch góc xoay. Trung bình
Structural (Radon Transform, SIFT + OLOF) Bắt được các đường chỉ tay cục bộ, bất biến với tỷ lệ nhất định. Chi phí tính toán khớp mẫu cực lớn, khó trích xuất chỉ tay ổn định khi da tay mờ. Kém (Gây nghẽn CPU)
Deep Learning (MobileNetV3, ResNet-18) Độ chính xác cao, tự động học biểu diễn đặc trưng phức tạp. Yêu cầu tài nguyên tính toán/VRAM lớn, thời gian huấn luyện lâu trên vi xử lý nhúng. Thấp (Cần chip AI chuyên dụng giá cao)
Đề xuất: LMTrP + K-PCA + SVM Bắt trọn hướng và độ dày vân; kháng nhiễu xoay/mờ; kích thước vector gọn nhẹ. Cần thiết kế pipeline trích xuất đặc trưng toán học chuẩn xác. Rất cao (Tối ưu hoàn hảo cho Raspberry Pi)

Phân tích yêu cầu hệ thống theo mô hình MoSCoW

  • Must Have (Bắt buộc có): Module chụp ảnh thời gian thực; tiền xử lý và cắt ROI chuẩn kích thước $128 \times 128$; giải thuật LMTrP trích xuất 12 mẫu nhị phân; mô hình phân loại SVM đa lớp; giao diện đồ họa cảm ứng (GUI) cho đăng ký/xác thực; cơ chế điều khiển relay/servo đóng mở cửa.
  • Should Have (Nên có): Cơ chế xoay bù góc nghiêng tự động từ $0^\circ - 30^\circ$ bằng MediaPipe Hand Landmarks; thuật toán lọc thông thấp Fourier trên hàm khoảng cách Euclidean (ED) để tìm các điểm rãnh $V_1, V_2, V_3$; tính năng nhập mật mã PIN dự phòng khi sinh trắc học không thành công.
  • Could Have (Có thể mở rộng): Đa luồng (Multi-threading) tách biệt giữa tác vụ đọc khung hình camera, hiển thị màn hình LCD và suy luận học máy; cảm biến hồng ngoại/siêu âm phát hiện người tiếp cận tự động đánh thức màn hình.
  • Won't Have (Chưa thực hiện trong giai đoạn này): Đồng bộ dữ liệu định danh lên đám mây phân tán (Cloud sync) và nhận diện xuyên thấu mạch máu qua cảm biến hồng ngoại gần (NIR).

Thiết kế hệ thống

Kiến trúc hệ thống được thiết kế theo dạng phân tầng đồng bộ giữa phần cứng nhúng, lớp xử lý trung gian và giao diện người dùng.

graph TD
    subgraph Hardware_Layer [Tầng Phần Cứng & Cảm Biến]
        CAM[Raspberry Pi Camera V2] -->|Raw Video Stream| RPI[Raspberry Pi 4 Model B]
        IR[Cảm biến hồng ngoại IR / HC-SR05] -->|Tín hiệu ngắt tiếp cận| GPIO[Chân GPIO]
        GPIO --> RPI
        RPI -->|PWM Control| SERVO[Servo SG90 - Chốt Khóa]
        RPI -->|SPI/HDMI Interface| LCD[Màn hình cảm ứng LCD 3.5 inch]
    end

    subgraph Software_Pipeline [Tầng Xử Lý Thuật Toán]
        RPI --> PRE[Tiền xử lý & Hand Landmarks]
        PRE --> ROT[Bù góc nghiêng 0-30 độ]
        ROT --> ROI_EXT[Trích xuất ROI: Gaussian + Fourier ED]
        ROI_EXT --> GABOR[Bộ lọc Gabor 6 hướng: 35x35]
        GABOR --> LMTRP[Trích xuất đặc trưng LMTrP bậc 2]
        LMTRP --> HIST[Xây dựng biểu đồ khối 8x8]
        HIST --> KPCA[Giảm chiều dữ liệu Kernel-PCA]
        KPCA --> SVM_INF[Phân loại bằng SVM Classifier]
    end

    subgraph Output_Logic [Điều Khiển & Phản Hồi]
        SVM_INF -->|Khớp định danh hợp lệ| AUTH_OK[Mở chốt Servo + Cập nhật GUI thành công]
        SVM_INF -->|Không khớp / Người lạ| AUTH_FAIL[Cảnh báo GUI + Giữ chốt an toàn]
    end

Chi tiết thông số phần cứng và công nghệ

  • Phần cứng điều khiển trung tâm: Raspberry Pi 4 Model B (SoC Broadcom BCM2711, Quad-core Cortex-A72 64-bit @ 1.5GHz, 4GB LPDDR4 RAM, GPU Broadcom VideoCore VI).
  • Module quang học: Raspberry Pi Camera Module V2 (Cảm biến Sony IMX219 8-Megapixel, hỗ trợ quay video 1080p30).
  • Màn hình giao tiếp: LCD Touchscreen 3.5 inch (độ phân giải $480 \times 320$, chuẩn giao tiếp SPI tốc độ cao).
  • Cơ cấu chấp hành và cảm biến: Micro Servo Motor SG90 (góc quay $180^\circ$, lực kéo 1.8 kg/cm), Cảm biến siêu âm HC-SR05/IR Sensor để định vị vật cản.
  • Nền tảng phần mềm & Thư viện:
    • Hệ điều hành: Raspberry Pi OS (Debian 11 Bullseye 64-bit).
    • Ngôn ngữ lập trình: Python 3.9.2.
    • Xử lý thị giác máy tính: OpenCV 4.5.5, MediaPipe 0.9.0.
    • Tính toán khoa học & Machine Learning: Scikit-learn 1.0.2, NumPy 1.21.5, SciPy 1.7.3.
    • Giao diện đồ họa: Tkinter / PyQt5.

Methodology

Dự án áp dụng quy trình phát triển linh hoạt theo mô hình Agile/Iterative Prototyping với các pha phát triển lặp ngắn nhằm tối ưu hóa liên tục giữa độ chính xác của mô hình toán học và khả năng chịu tải của phần cứng nhúng:

[Khảo sát & Thu thập Dataset] ---> [Nghiên cứu Toán học & Pipeline] ---> [Tối ưu hóa Thuật toán trên RPi] ---> [Tích hợp Phần cứng & Đóng gói]
  • Đánh giá rủi ro và giải pháp khắc phục:
    • Rủi ro lệch trục bàn tay khi đưa vào camera: Khắc phục bằng giải thuật tính góc vector cổ tay - ngón giữa thông qua MediaPipe Landmarks để tự động xoay ảnh về phương thẳng đứng trước khi cắt ROI.
    • Rủi ro nghẽn luồng xử lý giao diện (GUI Freezing): Áp dụng mô hình Multi-threading Architecture, tách riêng luồng Camera Capture (Thread-1), luồng Inference AI (Thread-2) và luồng GUI Update (Main-Thread).

Implementation và kết quả

Development process & Key algorithms

Hệ thống triển khai pipeline xử lý ảnh và trích xuất đặc trưng gồm 4 module toán học cốt lõi:

1. Định vị và trích xuất vùng quan tâm (ROI Extraction)

Hình ảnh sau khi thu thập được khử nhiễu bằng bộ lọc Gaussian ($5 \times 5$, $\sigma = 1.0$), sau đó chuyển đổi nhị phân. Để loại bỏ các nhiễu biên không mong muốn, hệ thống sử dụng phép toán hình thái học xói mòn (Morphological Erosion) với phần tử cấu trúc $S$:

$$S = \begin{bmatrix} 0 & 1 & 0 \ 1 & 1 & 1 \ 0 & 1 & 0 \end{bmatrix}$$

Trọng tâm lòng bàn tay $(X_{centroid}, Y_{centroid})$ được tính toán dựa trên moment không gian bậc $(i, j)$:

$$m_{pq} = \sum_{x} \sum_{y} x^p y^q f(x, y) \implies X_{centroid} = \frac{m_{10}}{m_{00}}, \quad Y_{centroid} = \frac{m_{01}}{m_{00}}$$

Khoảng cách Euclidean $ED(x, y)$ từ trọng tâm đến tất cả các điểm ảnh trên đường bao contour được phân tích qua biến đổi Fourier rời rạc (DFT) để lọc bỏ thành phần tần số cao (nhiễu viền da):

$$F(k) = \sum_{x=0}^{N-1} f(x) \cdot e^{-j \frac{2\pi}{N} k x}$$

Bằng cách giữ lại 98% năng lượng ở dải tần số thấp và tái cấu trúc tín hiệu, thuật toán dễ dàng phát hiện các điểm rãnh $V_1, V_2, V_3$ thông qua các điểm đổi dấu đạo hàm (Zero-crossing). Đường thẳng nối $V_1 - V_3$ hợp với phương ngang một góc $\theta$; tiến hành xoay ảnh một góc $\theta$ để trích xuất ma trận ROI chuẩn hóa kích thước $128 \times 128$ pixel.

import cv2
import numpy as np

def extract_roi_contour_pipeline(gray_img):
    """
    Trích xuất vùng ROI dựa trên thuật toán phân ngưỡng, tìm trọng tâm và tính khoảng cách Euclidean
    """
    # 1. Khử nhiễu Gaussian và phân ngưỡng nhị phân Otsu
    blurred = cv2.GaussianBlur(gray_img, (5, 5), 0)
    _, thresh = cv2.threshold(blurred, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)
    
    # 2. Xói mòn hình thái học
    kernel = np.array([[0, 1, 0], [1, 1, 1], [0, 1, 0]], dtype=np.uint8)
    eroded = cv2.erode(thresh, kernel, iterations=1)
    
    # 3. Tính toán Moments tìm trọng tâm
    M = cv2.moments(eroded)
    if M["m00"] == 0:
        return None
    cX = int(M["m10"] / M["m00"])
    cY = int(M["m01"] / M["m00"])
    
    # 4. Tìm Contour ngoài cùng lớn nhất
    contours, _ = cv2.findContours(eroded, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_NONE)
    max_contour = max(contours, key=cv2.contourArea)
    
    return cX, cY, max_contour

2. Bộ mô tả Local Micro-structure Tetra Pattern (LMTrP)

Đặc trưng kết cấu được trích xuất bằng cách kết hợp bộ lọc Gabor ngân hàng 6 hướng ($\theta_m \in {0, \frac{\pi}{6}, \frac{2\pi}{6}, \frac{\pi}{2}, \frac{2\pi}{3}, \frac{5\pi}{6}}$, kích thước kernel $35 \times 35$, tâm tại $(17, 17)$) để lấy đặc tính độ rộng $Mag(x, y)_G$ và đặc tính hướng $Orient(x, y)_G$:

$$Mag(x, y)G = \min_m \left( I{ROI}(x, y) \circledast G_R(x, y, \theta_m) \right)$$

Cặp đạo hàm bậc nhất theo phương ngang và phương dọc ($I_h^1, I_v^1$) tại điểm ảnh tham chiếu $g_c$ được dùng để lượng tử hóa thành 4 hướng tứ phân tử ($LMTrP^1 \in {1, 2, 3, 4}$). Với mỗi điểm lân cận $P=8$ tại bán kính $R$, mẫu tứ phân tử được chuyển đổi thành 12 mẫu nhị phân độc lập $BP_1, \dots, BP_{12}$, sau đó lượng tử hóa về các mẫu đồng nhất (Uniform Patterns). Ảnh đặc trưng được chia thành các khối nhỏ $8 \times 8$ để xây dựng biểu đồ phân phối tần suất cục bộ (Local Histogram).

def compute_lptrp_quadrant(ih, iv):
    """
    Lượng tử hóa 4 góc phần tư dựa trên đạo hàm ngang và dọc của bộ mô tả LMTrP
    """
    if ih >= 0 and iv >= 0:
        return 1
    elif ih < 0 and iv >= 0:
        return 2
    elif ih < 0 and iv < 0:
        return 3
    else:
        return 4

3. Giảm số chiều với Kernel PCA (K-PCA) & Phân loại bằng SVM

Biểu đồ nối ghép từ 12 mẫu nhị phân tạo ra vector đặc trưng có số chiều rất lớn. Để giảm thiểu gánh nặng tính toán và tránh hiện tượng quá khớp (Overfitting), hệ thống sử dụng Kernel PCA với hàm nhân RBF để ánh xạ phi tuyến dữ liệu sang không gian con $K$-chiều ($K = 50$ thành phần chính có giá trị riêng lớn nhất):

$$Z = U_K^T \cdot \tilde{\Phi}(X)$$

Cuối cùng, bộ phân loại SVM đa lớp (One-vs-One / One-vs-Rest) thiết lập siêu phẳng phân cách cực đại hóa lề (Margin):

$$\min_{w, b, \xi} \frac{1}{2} |w|^2 + C \sum_{i=1}^N \xi_i \quad \text{s.t.} \quad y_i(w^T \phi(x_i) + b) \ge 1 - \xi_i, \quad \xi_i \ge 0$$

Testing và validation

Hệ thống được thử nghiệm và đánh giá thực nghiệm trên tập dữ liệu tự xây dựng gồm 20 đối tượng người dùng, mỗi đối tượng thu thập nhiều mẫu ảnh ở các điều kiện ánh sáng, góc xoay và khoảng cách khác nhau (tổng cộng hơn 400 mẫu ảnh). Quá trình tinh chỉnh siêu tham số (Hyperparameter Tuning) sử dụng kỹ thuật K-Fold Cross Validation trên tập Validation.

Kết quả đánh giá ảnh hưởng của Kernel Function trên SVM

SVM Kernel Function Siêu tham số tối ưu (Hyperparameters) Độ chính xác Training (%) Độ chính xác Validation (%) Thời gian khớp mẫu (Inference Time)
Linear $C = 1.0$ 94.5% 91.2% 18 ms
Polynomial (degree=3) $C = 10, \gamma = 0.01, \text{coef0} = 1$ 97.8% 94.0% 35 ms
Sigmoid $C = 0.5, \gamma = 0.001$ 82.1% 78.4% 22 ms
RBF (Radial Basis Function) $C = 100, \gamma = 0.005$ 99.6% 98.2% 24 ms

[!NOTE] Kết quả thực nghiệm khẳng định hàm nhân RBF Kernel mang lại sự cân bằng hoàn hảo giữa độ chính xác phân loại vượt trội (98.2% trên tập kiểm thử độc lập) và thời gian trích xuất/suy luận cực thấp (chỉ ~24 ms trên chip Cortex-A72 của Raspberry Pi 4).

Kết quả đạt được

Hệ thống nhúng hoàn thiện đạt các chỉ số vận hành thực tế ấn tượng:

  • Tỷ lệ nhận diện chính xác tổng thể (Recognition Accuracy): $98.2%$ trên 20 lớp đối tượng.
  • Khả năng chịu lỗi góc xoay: Nhận diện ổn định với góc nghiêng bàn tay dao động từ $0^\circ$ đến $30^\circ$ nhờ cơ chế bù góc MediaPipe.
  • Tổng thời gian phản hồi toàn chu trình (End-to-End Latency): $\sim 0.95 - 1.15 \text{ giây}$ (bao gồm chụp ảnh $\to$ phát hiện landmarks $\to$ cắt ROI $\to$ lọc Gabor + LMTrP $\to$ K-PCA $\to$ SVM $\to$ kích hoạt Servo SG90).
  • Mức chiếm dụng phần cứng: CPU duy trì ổn định ở mức $38% - 45%$ khi đang nhận diện, dung lượng RAM tiêu thụ chỉ $\sim 320 \text{ MB}$.

Đổi mới và đóng góp

  1. Khắc phục triệt để điểm yếu nhạy cảm góc quay: Khác với các công trình nghiên cứu truyền thống yêu cầu bàn tay phải đặt cố định theo khung dưỡng cứng nhắc, đề tài tích hợp phát hiện 21 điểm mốc Hand Landmarks để tự động tính toán góc lệch vector bàn tay, mở rộng phạm vi góc nghiêng cho phép lên tới $30^\circ$.
  2. Ứng dụng thành công mô hình vi cấu trúc LMTrP: Đề tài là một trong những công trình tiên phong tại Việt Nam tích hợp mô hình Tetra cấu trúc vi mô cục bộ (LMTrP) kết hợp bộ lọc Gabor đa hướng trên nền tảng nhúng, cho phép biểu diễn đồng thời cả độ dày lẫn hướng phân bố của các đường vân chính và nếp nhăn vi mô.
  3. Tối ưu hóa kiến trúc AI biên (Edge AI) chi phí thấp: Thay vì sử dụng các module GPU rời đắt đỏ (như Nvidia Jetson Nano), đề tài chứng minh sự kết hợp giữa LMTrP + K-PCA + SVM hoàn toàn có thể chạy mượt mà, chính xác trên bo mạch máy tính nhúng phổ thông Raspberry Pi 4, giảm chi phí phần cứng hơn $60%$.

Ứng dụng thực tế và triển khai

+-----------------------------------------------------------------------------------+
|                        MÔ HÌNH TRIỂN KHAI THỰC TẾ HỆ THỐNG                        |
+-----------------------------------------------------------------------------------+
|                                                                                   |
|  [Người Dùng] ---> Đưa bàn tay trước Camera (10 - 25 cm, nghiêng 0-30 độ)         |
|                           |                                                       |
|                           v                                                       |
|  [Hộp Điều Khiển Nhúng] -> Raspberry Pi 4 + Pi Camera V2 + LCD Touchscreen 3.5"   |
|                           |                                                       |
|                           v                                                       |
|  [Xác Thực Tức Thì] -----> Xử lý LMTrP/SVM (Độ trễ < 1.2s)                         |
|                           |                                                       |
|                           +---> [HỢP LỆ]   --> Mở chốt Servo cửa + Báo màn hình  |
|                           +---> [TỪ CHỐI]  --> Cảnh báo + Mở bàn phím mã PIN     |
|                                                                                   |
+-----------------------------------------------------------------------------------+

Kịch bản ứng dụng thực tế

  • Hệ thống khóa cửa thông minh (Smart Door Lock) cho nhà ở/văn phòng: Người dùng chỉ cần giơ lòng bàn tay trước cảm biến ở khoảng cách $10 - 25 \text{ cm}$, hệ thống tự động xác thực và mở chốt cửa chỉ trong 1 giây mà không cần chạm tay hay mang theo chìa khóa cơ/thẻ từ.
  • Điểm danh và kiểm soát ra vào khu vực bảo mật (Access Control): Ứng dụng tại các phòng máy chủ (Server Room), trung tâm dữ liệu hoặc phòng thí nghiệm y tế yêu cầu tiêu chuẩn vô trùng nghiêm ngặt.

Phân tích chi phí - lợi ích (Cost-Benefit Analysis)

  • Chi phí phần cứng thử nghiệm: $\sim 2.500.000 - 3.200.000 \text{ VNĐ}$ (bao gồm Raspberry Pi 4, Pi Camera V2, Màn hình LCD 3.5", Servo SG90, Cảm biến phụ trợ và vỏ hộp 3D).
  • So sánh thị trường: Thấp hơn từ $3 - 5$ lần so với các thiết bị sinh trắc học khuôn mặt/tĩnh mạch chuyên dụng thương mại (thường dao động từ $10.000.000 - 25.000.000 \text{ VNĐ}$).

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Môi trường ánh sáng cực đoan: Khi hoạt động trong môi trường thiếu sáng trầm trọng (phòng tối hoàn toàn) hoặc ánh sáng mặt trời chiếu trực diện cường độ cao, camera quang học thông thường dễ bị lóa hoặc thiếu tương phản, làm giảm độ chuẩn xác của bước phân ngưỡng nhị phân.
  • Tập dữ liệu quy mô vừa: Mô hình hiện được đánh giá trên 20 lớp người dùng nội bộ, cần mở rộng quy mô dữ liệu lớn hơn ($> 500$ đối tượng) để kiểm thử toàn diện tỷ lệ nhận diện sai (FAR) và tỷ lệ từ chối sai (FRR).

Hướng nâng cấp trong tương lai

  • Tích hợp thêm đèn LED hồng ngoại (IR Illumination) và chuyển sang sử dụng module camera hỗ trợ NoIR để hệ thống hoạt động ổn định trong bóng tối tuyệt đối.
  • Nghiên cứu kết hợp đặc trưng đa sinh trắc học (Multimodal Biometrics), ghép nối đặc trưng vân lòng bàn tay (Palmprint) và mạng lưới tĩnh mạch dưới da (Palm Vein) bằng ánh sáng cận hồng ngoại (NIR).
  • Xây dựng module kết nối IoT qua giao thức MQTT/WebSocket để gửi thông báo đẩy hình ảnh kẻ xâm nhập trái phép về ứng dụng di động của quản trị viên.

Đối tượng hưởng lợi

  • Sinh viên & Giảng viên ngành Kỹ thuật Máy tính/Điện tử/CNTT: Tiếp cận một tài liệu tham khảo hoàn chỉnh, chuẩn mực về quy trình thiết kế hệ thống nhúng từ xử lý ảnh toán học, trích xuất đặc trưng kết cấu đến triển khai phần cứng thực tế.
  • Kỹ sư phát triển phần mềm nhúng (Embedded Developers): Nắm bắt kỹ thuật tối ưu hóa thuật toán thị giác máy tính và học máy truyền thống (Machine Learning) trên tài nguyên phần cứng giới hạn mà không cần phụ thuộc vào phần cứng Deep Learning đắt đỏ.
  • Doanh nghiệp & Startup IoT: Khung giải pháp có tính khả thi cao để thương mại hóa thành các sản phẩm khóa thông minh, máy chấm công không tiếp xúc giá rẻ, nâng cao năng lực cạnh tranh trên thị trường an ninh thông minh.

Câu hỏi thường gặp

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

Hệ thống yêu cầu bo mạch nhúng từ Raspberry Pi 3 Model B+ trở lên (khuyến nghị Raspberry Pi 4 Model B với 2GB/4GB RAM để đạt hiệu năng tối đa), thẻ nhớ MicroSD tối thiểu 16GB Class 10 (chuẩn U3), Camera Module tương thích Raspberry Pi (5MP trở lên), màn hình LCD cảm ứng 3.5 inch (hoặc HDMI LCD), và nguồn cấp chuẩn $5\text{V} - 3\text{A}$ ổn định.

2. Hệ thống có khả năng mở rộng cho bao nhiêu người dùng mà không bị giảm hiệu năng?

Với kiến trúc K-PCA kết hợp SVM đa lớp, hệ thống hoạt động tối ưu cho các mô hình vừa và nhỏ từ $50 - 100$ người dùng nội bộ trên Raspberry Pi. Nếu mở rộng cho doanh nghiệp lớn ($> 500$ người), hệ thống có thể chuyển đổi cơ chế phân loại sang tìm kiếm vector đặc trưng tương đồng (Cosine/Euclidean Distance Matching) kết hợp cấu trúc dữ liệu cây KD-Tree hoặc lưu trữ cơ sở dữ liệu nhúng SQLite/Faiss.

3. Làm thế nào để tích hợp hệ thống với các loại cửa điện tử công nghiệp hiện có?

Tín hiệu điều khiển mở cửa từ chân GPIO của Raspberry Pi có thể kết nối trực tiếp đến Module Relay cách ly quang (Optocoupler Relay) để đóng ngắt các khóa từ hút nam châm điện (Magnetic Lock 12V/24V), khóa thả chốt (Drop Bolt Lock) hoặc cổng xoay tự động (Tripod Turnstile) thông qua tiếp điểm NO/COM/NC tiêu chuẩn.

4. Hệ thống có bảo mật không nếu ai đó in ảnh lòng bàn tay độ phân giải cao để giả mạo?

Cơ chế phát hiện Hand Landmarks của MediaPipe và thuật toán Fourier lọc khoảng cách yêu cầu bàn tay có cấu trúc 3D với độ cong các ngón và rãnh vân thực tế khi chuyển động trước camera. Trong tương lai, việc bổ sung cảm biến khoảng cách Time-of-Flight (ToF) hoặc kiểm tra độ nhấp nháy tĩnh mạch hồng ngoại sẽ loại bỏ hoàn toàn nguy cơ giả mạo bằng ảnh in 2D.

5. Chi phí đầu tư và thời gian hoàn vốn (ROI) cho một hệ thống như thế nào?

Chi phí linh kiện sản xuất một thiết bị đơn lẻ chỉ khoảng $2.5 - 3.0$ triệu VNĐ. So với việc trang bị các dòng máy chấm công nhận diện khuôn mặt thương mại cao cấp ($10 - 20$ triệu VNĐ), doanh nghiệp tiết kiệm ngay hơn $70%$ chi phí đầu tư ban đầu, thời gian hoàn vốn ước tính chỉ trong vòng $3 - 6$ tháng vận hành.

Kết luận

Đồ án tốt nghiệp "Thiết kế hệ thống nhúng nhận diện lòng bàn tay người" đã giải quyết thành công bài toán xác thực sinh trắc học không tiếp xúc trên nền tảng nhúng Raspberry Pi 4 với chi phí tối ưu và độ chính xác ấn tượng $98.2%$. Bằng sự kết hợp chặt chẽ giữa các thuật toán toán học xử lý ảnh tiên tiến (MediaPipe Landmarks, Fourier Zero-Crossing, Gabor Filter Bank, LMTrP), kỹ thuật giảm chiều dữ liệu Kernel PCA và bộ phân loại Support Vector Machine, hệ thống đã chứng minh tính khả thi vượt trội trong việc thay thế các giải pháp bảo mật cổ điển.

Công trình không chỉ mang giá trị học thuật sâu sắc trong lĩnh vực thị giác máy tính và hệ thống nhúng mà còn mở ra tiềm năng thương mại hóa rõ nét cho các sản phẩm an ninh thông minh, nhà thông minh (Smart Home) và kiểm soát truy cập không tiếp xúc trong kỷ nguyên số.