PHẦN MỞ ĐẦU 1. TÍNH CẤP THIẾT CỦA ĐỀ TÀI Với sự phát triển nhanh chóng tại các thành phố, như thành phố Hồ Chí Minh hiện tại, số lượng phương tiện tham gia giao thông ngày càng tăng. Cùng với đó, nhu cầu gửi xe máy cũng tăng cao. Nhu cầu về quản lý bãi gửi xe máy ở Việt Nam là rất lớn.
Mô hình quản lý bãi xe hiện tại phụ thuộc chủ yếu vào yếu tố con người. Tại các hệ thống quản lý gửi xe như trường học, bệnh viện, siêu thị, …, việc xác thực người lấy xe và phương tiện được thực hiện bởi nhân viên gửi xe, bằng cách so sánh giữa hình ảnh mặt người và biển số xe khi xe vào và xe ra. Việc xác thực này có các điểm hạn chế như: - Lãng phí nguồn nhân lực: Mỗi nhân viên gửi xe chỉ có thể làm việc trên hai luồng hoạt động. - Tốc độ xác thực chậm: Việc xác thực cần thời gian xem xét cao, gây ùn tắc vào giờ cao điểm, hay các nơi có lưu lượng xe lớn.
- Rủi ro an ninh, mất cắp: Kẻ gian có thể lợi dụng sự sơ suất của nhân viên gửi xe, dẫn đến mất cắp tài sản. Với các hệ thống hiện đại hơn, phần biển số xe được sử dụng để làm thông tin xác thực việc lấy xe. Khi một người lấy xe, việc xác thực giữa thẻ xe và biển số xe được thực hiện tự động. Việc này giúp tối ưu quy trình xác thực truyền thống, đồng thời cũng tăng tính an toàn cho hệ thống.
Một số nhược điểm tồn tại như: việc thất lạc thẻ gây rủi ro cao, nhân viên vẫn cần xác thực người lấy xe trước khi cho xe ra khỏi bãi. Ngoài ra, kẻ gian có thể thay đổi biển số xe để đánh lừa hệ thống bằng việc thay đổi biển số xe của chiếc xe muốn lấy cắp. Khi đó, hệ thống không thể nhận biết trường hợp này. Với sự phát triển của các thuật toán Trí Tuệ Nhân Tạo trong lĩnh vực Thị Giác Máy Tính.
Các thuật toán về phân loại hình ảnh, xác định vị trí vật thể, nhận diện khuôn mặt hay nhận diện ký tự quang học đã đạt độ chính xác cao. Cùng với việc tận dụng cơ sở hạ tầng từ các bãi xe hiện tại như hệ thống camera hai chiều (phía trước và phía sau), nhóm chúng em chọn thực hiện đề tại “Tìm Hiểu Các Thuật Toán Học Sâu Cho Bài Toán Xác Thực Khuôn Mặt”, ứng dụng cho việc xác thực khuôn mặt trong bãi gửi xe, nhằm sử dụng khuôn mặt như một nguồn thông tin xác thực khi xe ra 7 khỏi bãi. Việc áp dụng các thuật toán xác thực khuôn mặt giúp tăng độ tin cậy và an toàn của bãi xe, giảm thiểu tình trạng kẻ gian đánh cắp xe do sơ suất về mặt con người. Bên cạnh đó, việc xác thực khuôn mặt tự động có thể tự động hoá quy trình bãi xe (đối với các bãi xe nội bộ), hoặc tiết kiệm công sức cho nhân viên giữ xe, gia tăng tốc độ xử lý, giảm thiểu ùn tắc xe ở luồng ra.
Kết quả thực hiện nghiên cứu về các mô hình và các phương pháp xác thực khuôn mặt có thể triển khai thực tế tại các hạ tầng bãi gửi xe hiện tại. MỤC ĐÍCH NGHIÊN CỨU Đề tài nhằm mục đích đưa ra so sánh, đánh giá về ưu điểm, nhược điểm của các thuật toán xác thực khuôn mặt hiện tại, đối với điều kiện cụ thể là khuôn mặt có đeo khẩu trang và có sử dụng nón bảo hiểm và các phụ kiện khác, áp dụng và triển khai thực tế hệ thống xác thực khuôn mặt và ứng dụng vào mô hình quản lý bãi gửi xe hiện tại. CÁCH TIẾP CẬN VÀ PHƯƠNG PHÁP NGHIÊN CỨU 3. Đối Tượng Nghiên Cứu Đối tượng nghiên cứu bao gồm các thuật toán liên quan đến việc xác thực khuôn mặt, bao gồm: - Các thuật toán, mô hình xác định vị trí khuôn mặt (face detection).
- Các thuật toán, mô hình trích xuất đặc trưng khuôn mặt (face embedding). - Các thuật toán, phương pháp, mô hình xác thực khuôn mặt (face verification). - So sánh, nhận xét, đánh giá các ưu điểm, nhược điểm, các vấn đề cần khắc phục ở các phương pháp xác thực khuôn mặt. - Ứng dụng các thuật toán, phương pháp, mô hình xác thực khuôn mặt vào phần mềm quản lý bãi gửi xe hiện tại.
Phạm Vi Nghiên Cứu Đề tài chủ yếu tập trung vào việc xác thực khuôn mặt trong điều kiện chất lượng kém: khuôn mặt có đeo khẩu trang, sử dụng nón bảo hiểm, kính râm, … trong điều kiện hình ảnh khuôn mặt ở các bãi gửi xe hiện tại. Hình ảnh khuôn mặt được thu thập và nghiên cứu ứng dụng từ hệ thống bãi gửi xe giáo viên trường Đại Học Sư Phạm Kỹ Thuật TPHCM. PHÂN TÍCH NHỮNG CÔNG TRÌNH CÓ LIÊN QUAN Bài nghiên cứu “Masked Face Recognition Dataset and Application” [1] cung cấp tập dữ liệu khuôn mặt có khẩu trang, phục vụ cho các mô hình xác thực khuôn mặt và nhận diện khuôn mặt trong điều kiện dữ liệu có khẩu trang. Nghiên cứu công bố 3 tập dữ liệu khuôn mặt có đeo khẩu trang, bao gồm tập dữ liệu cho nhiệm vụ xác định vị trí khuôn mặt (Masked Face Detection Dataset – MFDD), tập dữ liệu hình ảnh khuôn mặt có đeo khẩu trang thực tế cho nhiệm vụ nhận diện khuôn mặt (Real-world Masked Face Recognition Dataset – RMFRD) và tập dữ liệu hình ảnh mô phỏng khuôn mặt có đeo khẩu trang (Simulated Masked Face Recognition Dataset – SMFRD).
Các tập dữ liệu này hữu ích cho việc nghiên cứu và phát triển các mô hình liên quan đến các tác vụ khuôn mặt trong bối cảnh khuôn mặt có đeo khẩu trang. Bài nghiên cứu “Efficient Masked Face Recognition Method during the COVID-19 Pandemic” [2] nghiên cứu phương pháp xác thực khuôn mặt và nhận diện khuôn mặt đối với dữ liệu khuôn mặt có khẩu trang. Nghiên cứu đề xuất sử dụng vùng khuôn mặt không bị che khuất bởi khẩu trang (nửa phía trên khuôn mặt), cũng như công bố các nghiên cứu liên quan đến cách tiếp cận của phương pháp sử dụng Mạng Neuron Tích Chập và mô hình Túi Từ (Bag of Word). Kết quả công bố từ nghiên cứu cho thấy việc áp dụng hai mô hình trên đạt độ chính xác cao trên tập dữ liệu khuôn mặt có khẩu trang.
Bài nghiên cứu “Improving Face Recognition from Hard Samples via Distribution Distillation Loss” [3] công bố cách áp dụng phương pháp Kullback Leibler vào biểu đồ phân bố đặc trưng trong nhiệm vụ xác thực khuôn mặt. Việc áp dụng phương pháp Kullback Leibler cho kết quả phân tán tốt hơn giữa các đặc trưng khác thực thể. Bài nghiên cứu cũng công bố hàm mất mát Distribution Distillation Loss (DDL) trên các mô hình đạt độ chính xác cao trong nhiệm vụ trích xuất đặc trưng khuôn mặt. Bài nghiên cứu “The Effect of Wearing a Mask on Face Recognition Performance: An Exploratory Study” [4] công bố bộ dữ liệu khuôn mặt có khẩu trang và có tác động bởi điều kiện ánh sáng, đồng thời so sánh mô hình CosFace, ArcFace và mô hình COTS.
Tập dữ liệu được công bố đa dạng về thời gian, điều kiện ánh sáng, tuy nhiên, số lượng hình ảnh trong tập dữ liệu công bố không quá lớn, không đạt đủ độ tổng quát khi so sánh độ chính xác giữa các mô hình. Kết quả mô hình công bố sự ảnh 9 hưởng của việc đeo khẩu trang lên việc xác định khác thực thể không ảnh hưởng đến kết quả mô hình, và ảnh hưởng một phần nhỏ lên kết quả xác định cùng thực thể. Bài nghiên cứu “MỘT GIẢI PHÁP TRONG XÂY DỰNG HỆ THỐNG HỖ TRỢ GIỮ XE THÔNG MINH” [5] công bố các kết quả khi áp dụng mô hình nhận diện biển số xe vào hệ thống bãi gửi xe. Nghiên cứu công bố các phương pháp xử lý hình ảnh và các mô hình cho việc nhận diện biển số xe, đưa ra số liệu về độ chính xác của mô hình nghiên cứu.
Nghiên cứu cũng cung cấp các phương pháp triển khai phần mềm quản lý bãi gửi xe hiện tại. KẾT QUẢ DỰ KIẾN ĐẠT ĐƯỢC Về kiến thức tìm hiểu được: - Hiểu về các khái niệm, ý tưởng, các vấn đề và cách thức triển khai trong bài toán xác thực khuôn mặt. - Nắm được phương pháp hoạt động của các mô hình xác định vị trí khuôn mặt. - Nắm được cách thức và điểm chuyên biệt của các mô hình trích xuất đặc trưng khuôn mặt.
- Tìm hiểu các phương pháp, thuật toán và mô hình cho bài toán xác thực khuôn mặt. - Tìm hiểu các nghiên cứu, mô hình và hướng tiếp cận mới cho vấn đề khuôn mặt có đeo khẩu trang. Về ứng dụng thực tế: - Đưa ra so sánh, nhận xét, đánh giá giữa các phương pháp trên tập dữ liệu xác thực khuôn mặt. - Đưa ra phương pháp triển khai xác thực khuôn mặt trên tập dữ liệu khuôn mặt trong bãi xe ở trường Đại Học Sư Phạm Kỹ Thuật TPHCM.
- Ứng dụng kết quả vào chương trình quản lý bãi xe hiện tại. 10 PHẦN NỘI DUNG 1. Mạng Neuron Nhân Tạo [6] 1. Giới Thiệu Tổng Quan Cuối thập kỷ 1940, đầu thập kỷ 1950, ý tưởng về Mạng Neuron Nhân Tạo (Artificial Neural Network) được ra đời.
Mạng neuron nhân tạo được hiểu là một hệ thống tính toán lấy cảm hứng từ sự hoạt động của các neuron trong hệ thần kinh của con người. Mạng neuron nhân tạo có cấu trúc dựa trên các neuron (Artificial Neurons) liên kết với nhau thành các tầng. Những tầng này liên kết với nhau tạo thành một mạng neuron hoàn chỉnh. Kiến trúc mạng neuron nhân tạo được xác định bởi: - Số lượng neuron đầu vào, số lượng neuron đầu ra.
- Số lượng tầng: mỗi mạng neuron nhân tạo gồm một tầng đầu vào (Input Layer), một tầng đầu ra (Output Layer) và một hoặc nhiều tầng ẩn (Hidden Layer). - Số lượng neuron trong mỗi tầng. - Cách thức các neuron trong mỗi tầng hoặc giữa các tầng liên kết với nhau.1 Kiến Trúc Mạng Neuron Nhân Tạo. Hàm Kích Hoạt Trong mạng neuron nhân tạo, hàm kích hoạt (Activation Function) của một neuron định nghĩa đầu ra của neuron đó.
Hàm kích hoạt đóng vai trò là thành phần phi tuyến của giá trị đầu vào.1 Hàm Kích Hoạt Sigmoid [7] 1 𝑓 (𝑥 ) = 1+𝑒 Hình 1.2 Hàm Kích Hoạt Sigmoid Miền giá trị của hàm kích hoạt Sigmoid giới hạn trong khoảng (0,1). Với giá trị đầu vào rất nhỏ, giá trị đầu ra tiệm cận giá trị 0. Ngược lại, với giá trị đầu vào rất lớn, giá trị đầu ra tiệm cận giá trị 1. Việc giới hạn giá trị đầu ra giúp giảm thiểu số lượng tính toán cho mô hình, nhưng vẫn giữ được đặc trưng của giá trị đầu vào.