Đề Xuất Kỹ Thuật Nhận Dạng Mặt Dựa Trên Mống Mắt Sử Dụng Ngôn Ngữ Lập Trình Python

Kỹ thuật nhận dạng mống mắt là một phương pháp bảo mật sinh trắc học tiên tiến, sử dụng các… 60 trang · Trường Đại Học Tài Nguyên Và Môi Trường Hà Nội · 2021.

• Tác giả: Nguyễn Đức Toàn
• Trường học: Trường Đại Học Tài Nguyên Và Môi Trường Hà Nội
• Đề tài: Kỹ Thuật Nhận Dạng Mặt Dựa Trên Mống Mắt Sử Dụng Python
• Loại tài liệu: báo cáo tổng hợp
• Năm xuất bản: 2021
• Địa điểm: Hà Nội

Mục lục chi tiết

• THÔNG TIN KẾT QUẢ NGHIÊN CỨU
• INFORMATION ON RESEARCH RESULTS
• DANH MỤC CÁC CHỮ VIẾT TẮT
• DANH MỤC CÁC HÌNH
• LỜI MỞ ĐẦU
• Lý do chọn đề tài
• Đối tượng và phạm vi nghiên cứu của đề tài
• Mục tiêu nghiên cứu
• Nội dung nghiên cứu
• Phương pháp nghiên cứu
• Phương pháp nghiên cứu lý thuyết
• Phương pháp nghiên cứu thực tiễn
• Phương pháp thiết kế mô hình, chế tạo sản phẩm
• Phương pháp thực nghiệm khoa học
• Phương pháp phân tích và tổng kết kinh nghiệm
• Ý nghĩa khoa học của đề tài
• 1. CHƯƠNG 1: TỔNG QUAN VỀ VẤN ĐỀ NGHIÊN CỨU
• 1.1. Tình hình nghiên cứu ngoài nước và trong nước
• 1.1.1. Tình hình nghiên cứu ngoài nước
• 1.1.2. Tình hình nghiên cứu trong nước
• 1.2. Công nghệ nhận diện khuôn mặt
• 1.3. Thực trạng và phương pháp của hệ thống nhận dạng khuôn mặt
• 1.3.1. Quy trình của hệ thống nhận dạng khuôn mặt
• 1.3.2. Phát hiện khuôn mặt (face detection)
• 1.4. Một số phương pháp nhận dạng khuôn mặt
• 1.4.1. Dựa trên tri thức
• 1.4.2. Dựa trên so khớp mẫu
• 1.4.3. Dựa trên diện mạo
• 1.4.4. Dựa trên đặc trưng lõm
• 1.5. Tổng quan về bài toán
• 1.6. Kết luận chương 1
• 2. CHƯƠNG 2: MỘT SỐ PHƯƠNG PHÁP VÀ THUẬT TOÁN NHẬN DẠNG
• 2.1. Thuật toán Viola-Jones
• 2.2. One-shot learning
• 2.3. Thuật toán ORB
• 2.4. Thuật toán RANSAC
• 2.5. Thuật toán HOG (Trong đề tài chủ yếu dùng thuật toán này)
• 2.6. Thuật toán CamShift (Dùng trong đề tài và có bài báo trong REV)
• 2.6.1. Thuật toán Camshift
• 2.6.2. Cải tiến thuật toán áp dụng cho đề tài
• 3. CHƯƠNG 3: XÂY DỰNG DEMO
• 3.1. Phát hiện mặt và mống mắt
• 3.2. Thuật toán sử dụng
• 3.3. Kết quả nhận diện khuôn mặt
• 3.4. Biểu đồ đánh giá độ an toàn và hiệu suất
• KẾT LUẬN VÀ KIẾN NGHỊ
• Kiến nghị về định hướng nghiên cứu tiếp theo
• DANH MỤC CÁC CÔNG TRÌNH ĐÃ CÔNG BỐ CỦA TÁC GIẢ LIÊN QUAN ĐẾN ĐỀ TÀI

Tóm tắt

I. Tổng Quan Về Kỹ Thuật Nhận Dạng Mặt Dựa Trên Mống Mắt

Kỹ thuật nhận dạng mống mắt là một phương pháp bảo mật sinh trắc học tiên tiến, sử dụng các đặc điểm độc nhất của mống mắt để xác định danh tính cá nhân. Khác với nhận dạng khuôn mặt hay vân tay, mống mắt có cấu trúc phức tạp và ổn định theo thời gian, ít bị ảnh hưởng bởi các yếu tố bên ngoài như ánh sáng hay tuổi tác. Việc áp dụng Python trong lĩnh vực này mang lại nhiều lợi ích, từ khả năng xử lý ảnh mạnh mẽ đến sự đa dạng của các thư viện Python nhận diện mống mắt. Kỹ thuật này có tiềm năng lớn trong nhiều ứng dụng, bao gồm kiểm soát truy cập, xác thực danh tính và an ninh.

1.1. Ưu Điểm Vượt Trội Của Nhận Dạng Mống Mắt

So với các phương pháp sinh trắc học khác, nhận dạng mống mắt nổi bật với độ chính xác và tính bảo mật cao. Cấu trúc mống mắt là duy nhất và ổn định, đảm bảo khả năng phân biệt giữa các cá nhân. Kỹ thuật này ít bị ảnh hưởng bởi các yếu tố môi trường như ánh sáng hoặc sự thay đổi về ngoại hình. Điều này làm cho nhận dạng mống mắt trở thành một lựa chọn đáng tin cậy trong các hệ thống an ninh đòi hỏi độ chính xác cao.

1.2. Tiềm Năng Ứng Dụng Rộng Rãi Của Công Nghệ

Ứng dụng nhận dạng mống mắt không chỉ giới hạn trong lĩnh vực an ninh sinh trắc học. Chúng có thể được sử dụng trong các hệ thống kiểm soát truy cập tại các tòa nhà, sân bay, hoặc các khu vực yêu cầu bảo mật cao. Ngoài ra, nhận dạng mống mắt cũng có thể được tích hợp vào các thiết bị di động để xác thực thanh toán và bảo vệ thông tin cá nhân. Tiềm năng ứng dụng của công nghệ này là vô tận và đang được khám phá rộng rãi.

II. Thách Thức Trong Phát Triển Kỹ Thuật Nhận Dạng Mống Mắt

Mặc dù nhận dạng mống mắt có nhiều ưu điểm, việc triển khai kỹ thuật này cũng gặp phải một số thách thức. Việc thu thập ảnh mống mắt chất lượng cao đòi hỏi thiết bị chuyên dụng và điều kiện ánh sáng phù hợp. Các yếu tố như chuyển động của mắt, ánh sáng phản xạ, hoặc sự hiện diện của kính áp tròng có thể ảnh hưởng đến chất lượng ảnh và độ chính xác của hệ thống. Hơn nữa, việc phát triển các thuật toán nhận dạng ảnh mạnh mẽ và hiệu quả là rất quan trọng để xử lý dữ liệu mống mắt phức tạp. Báo cáo tổng hợp đề tài khoa học công nghệ cấp cơ sở năm 2021 của Trường Đại học Tài nguyên và Môi trường Hà Nội cũng đề cập đến những khó khăn này.

2.1. Vấn Đề Về Chất Lượng Ảnh Mống Mắt Đầu Vào

Chất lượng ảnh mống mắt đầu vào đóng vai trò then chốt trong hiệu suất của hệ thống nhận dạng mống mắt. Các yếu tố như độ phân giải, độ tương phản và độ rõ nét của ảnh có thể ảnh hưởng đáng kể đến khả năng trích xuất đặc trưng mống mắt. Việc đảm bảo chất lượng ảnh tốt đòi hỏi sự đầu tư vào thiết bị thu thập ảnh chuyên dụng và các kỹ thuật tiền xử lý ảnh hiệu quả.

2.2. Yêu Cầu Về Thuật Toán Xử Lý Ảnh Mống Mắt Hiệu Quả

Các thuật toán xử lý ảnh phải có khả năng loại bỏ nhiễu, cải thiện độ tương phản và trích xuất các đặc trưng quan trọng từ ảnh mống mắt. Các thuật toán như giải thuật Daugman và giải thuật Hough Transform thường được sử dụng để xác định vị trí và trích xuất các đặc trưng mống mắt. Tuy nhiên, việc tối ưu hóa các thuật toán này để đạt được độ chính xác và tốc độ xử lý cao vẫn là một thách thức.

III. Hướng Dẫn Nhận Dạng Mống Mắt Với Python Từ A Đến Z

Việc xây dựng một hệ thống nhận dạng mống mắt bằng Python đòi hỏi sự kết hợp của nhiều kỹ thuật xử lý ảnh và machine learning. Bắt đầu với việc thu thập và tiền xử lý ảnh mống mắt, sau đó sử dụng các thư viện Python nhận diện mống mắt như OpenCV và Scikit-learn để trích xuất các đặc trưng quan trọng. Cuối cùng, áp dụng các thuật toán machine learning như SVM hoặc CNN để phân loại và xác thực mống mắt. Quá trình này đòi hỏi sự hiểu biết về computer vision, image processing và lập trình Python.

3.1. Sử Dụng OpenCV Cho Tiền Xử Lý Ảnh Mống Mắt

OpenCV là một thư viện Python mạnh mẽ cho phép thực hiện các tác vụ xử lý ảnh như làm mịn, tăng cường độ tương phản và phát hiện cạnh. Trong nhận dạng mống mắt, OpenCV có thể được sử dụng để loại bỏ nhiễu, điều chỉnh ánh sáng và chuẩn hóa kích thước ảnh, giúp cải thiện chất lượng ảnh đầu vào cho các bước xử lý tiếp theo.

3.2. Trích Xuất Đặc Trưng Mống Mắt Với Scikit learn

Scikit-learn cung cấp các công cụ và thuật toán để trích xuất đặc trưng mống mắt từ ảnh đã được tiền xử lý. Các đặc trưng này có thể là các thông số thống kê như giá trị trung bình, độ lệch chuẩn, hoặc các đặc trưng phức tạp hơn được trích xuất bằng các thuật toán computer vision. Các đặc trưng này sau đó được sử dụng để huấn luyện mô hình machine learning.

IV. Phương Pháp Trích Xuất Đặc Trưng Mống Mắt Hiệu Quả Nhất

Để nhận dạng mống mắt chính xác, việc trích xuất đặc trưng mống mắt hiệu quả là yếu tố then chốt. Có nhiều phương pháp khác nhau, từ các phương pháp dựa trên xử lý ảnh truyền thống như giải thuật Daugman đến các phương pháp sử dụng deep learning với CNN (Convolutional Neural Network). Các phương pháp này có ưu nhược điểm riêng, tùy thuộc vào yêu cầu về độ chính xác, tốc độ xử lý và nguồn lực tính toán. Lựa chọn phương pháp phù hợp là rất quan trọng để đạt được hiệu suất tốt nhất.

4.1. Giải Thuật Daugman Phương Pháp Kinh Điển Trong Nhận Dạng Mống Mắt

Giải thuật Daugman là một phương pháp kinh điển trong nhận dạng mống mắt, sử dụng phép biến đổi Hough để xác định vị trí của đồng tử và rìa mống mắt. Sau đó, các đặc trưng mống mắt được trích xuất và mã hóa thành một vector đặc trưng để so sánh với các mẫu khác trong cơ sở dữ liệu.

4.2. CNN Cách Tiếp Cận Hiện Đại Với Deep Learning

CNN (Convolutional Neural Network) là một phương pháp tiếp cận hiện đại sử dụng deep learning để trích xuất đặc trưng mống mắt tự động. CNN có khả năng học các đặc trưng phức tạp từ dữ liệu ảnh trực tiếp, giảm thiểu sự can thiệp của con người trong quá trình trích xuất đặc trưng. Điều này giúp CNN đạt được độ chính xác cao trong nhận dạng mống mắt.

V. Ứng Dụng Thực Tiễn Của Nhận Dạng Mống Mắt Dùng Python

Sử dụng Python để phát triển các ứng dụng nhận dạng mống mắt mở ra nhiều cơ hội trong nhiều lĩnh vực. Từ an ninh sinh trắc học đến kiểm soát truy cập và xác thực danh tính, công nghệ này có thể được tích hợp vào các hệ thống khác nhau. Độ chính xác nhận dạng mống mắt cao và tính bảo mật vượt trội làm cho nó trở thành một lựa chọn hấp dẫn cho các ứng dụng đòi hỏi độ tin cậy cao.

5.1. Kiểm Soát Truy Cập An Ninh Với Nhận Dạng Mống Mắt

Nhận dạng mống mắt có thể được sử dụng để kiểm soát truy cập vào các khu vực hạn chế, chẳng hạn như phòng thí nghiệm, trung tâm dữ liệu, hoặc các cơ sở quân sự. Hệ thống có thể xác thực danh tính của người dùng một cách nhanh chóng và chính xác, ngăn chặn truy cập trái phép và bảo vệ tài sản quan trọng.

5.2. Xác Thực Danh Tính Trong Các Ứng Dụng Tài Chính

Ứng dụng nhận dạng mống mắt có thể được tích hợp vào các ứng dụng tài chính để xác thực danh tính người dùng và ngăn chặn gian lận. Ví dụ: nhận dạng mống mắt có thể được sử dụng để xác thực giao dịch trực tuyến, xác minh danh tính tại ATM, hoặc cấp quyền truy cập vào các tài khoản ngân hàng.

VI. Tương Lai Của Nhận Dạng Mống Mắt Với Python Triển Vọng

Tương lai của nhận dạng mống mắt với Python hứa hẹn nhiều đột phá. Sự phát triển của deep learning và các thư viện Python nhận diện mống mắt sẽ tiếp tục cải thiện độ chính xác nhận dạng mống mắt và tốc độ xử lý. Các nghiên cứu về mống mắt nhân tạo và nhận dạng mống mắt trong điều kiện khó khăn cũng sẽ mở ra những ứng dụng mới. Ngành an ninh sinh trắc học sẽ ngày càng phụ thuộc vào công nghệ này để bảo vệ thông tin và tài sản quan trọng.

6.1. Cải Tiến Độ Chính Xác Và Tốc Độ Xử Lý Nhận Dạng

Các nghiên cứu trong tương lai sẽ tập trung vào việc cải thiện độ chính xác nhận dạng mống mắt và tốc độ xử lý bằng cách sử dụng các thuật toán deep learning tiên tiến và tối ưu hóa thư viện Python. Mục tiêu là xây dựng các hệ thống nhận dạng mống mắt có thể hoạt động hiệu quả trong thời gian thực với độ tin cậy cao.

6.2. Phát Triển Các Ứng Dụng Mới Trong Môi Trường Khó Khăn

Một hướng nghiên cứu khác là phát triển các ứng dụng nhận dạng mống mắt có thể hoạt động trong môi trường khó khăn, chẳng hạn như trong điều kiện ánh sáng yếu, với người đeo kính, hoặc trong các tình huống có nhiều chuyển động. Điều này đòi hỏi sự phát triển của các thuật toán xử lý ảnh và machine learning mạnh mẽ hơn.

Nội dung chính

Phân Tích Đề Tài: Kỹ Thuật Nhận Dạng Mặt Người Dựa Trên Mống Mắt Sử Dụng Python

Tóm tắt nghiên cứu (200-250 từ)

Nghiên cứu "Đề xuất một kỹ thuật nhận dạng mặt người dựa trên mống mắt sử dụng ngôn ngữ lập trình Python" (Mã số: 13.01) do TS. Nguyễn Đức Toàn chủ nhiệm tại Trường Đại học Tài nguyên và Môi trường Hà Nội, tập trung giải quyết bài toán cốt lõi: Làm thế nào để xây dựng một quy trình nhận dạng sinh trắc học không tiếp xúc (contactless), đạt độ chính xác cao và hoạt động theo thời gian thực (real-time) trên nền tảng ngôn ngữ Python và thư viện thị giác máy tính OpenCV?

Về phương pháp luận, nghiên cứu kết hợp mô hình phân tầng Haar-like Cascade / HOG để định vị vùng khuôn mặt và mắt, sau đó ứng dụng toán tử vi phân tích phân Daugman cùng phép biến đổi Hough tròn (Circular Hough Transform) để khoanh vùng chính xác mống mắt và đồng tử. Vùng mống mắt sau đó được chuẩn hóa theo mô hình tọa độ cực phẳng (Rubber Sheet Model) và trích xuất vector đặc trưng thông qua phân tích thành phần chính (PCA/Eigenvectors) kết hợp bộ lọc Gabor.

Kết quả chính cho thấy hệ thống hoạt động ổn định trên phần cứng thông dụng (Intel Core i5, webcam 12MP), nhận diện chính xác danh tính sinh viên tại các góc nghiêng cho phép và giảm thiểu nhiễu mí mắt hiệu quả. Đề tài mở ra tiềm năng ứng dụng thực tiễn lớn trong việc tự động hóa điểm danh, ngăn chặn triệt để tình trạng học hộ, điểm danh hộ và kiểm soát an ninh không chạm trong môi trường học đường.

---

Bối cảnh và tầm quan trọng (300-350 từ)

Thực trạng tri thức và thách thức sinh trắc học

Công nghệ nhận dạng sinh trắc học (Biometrics) từ lâu đã trở thành trụ cột của các hệ thống an ninh hiện đại, phổ biến nhất là nhận dạng dấu vân tay và nhận dạng khuôn mặt toàn phần (Face Recognition). Tuy nhiên, thực tiễn triển khai đã bộc lộ nhiều điểm nghẽn nghiêm trọng. Nhận dạng vân tay đòi hỏi người dùng phải tiếp xúc trực tiếp lên bề mặt cảm biến — một nguy cơ lớn lây truyền các bệnh truyền nhiễm trong môi trường công cộng. Trong khi đó, các giải pháp nhận dạng khuôn mặt truyền thống lại suy giảm hiệu suất rõ rệt khi đối tượng thay đổi biểu cảm, bị che khuất một phần hoặc khi bắt buộc phải đeo khẩu trang bảo vệ.

+-----------------------------------------------------------------------------------+
|                            SO SÁNH CÁC PHƯƠNG THỨC                                |
+------------------------+------------------------+---------------------------------+
| Phương thức            | Cơ chế                 | Nhược điểm chính                |
+------------------------+------------------------+---------------------------------+
| Dấu vân tay            | Tiếp xúc bề mặt        | Nguy cơ lây nhiễm, mòn vân      |
| Khuôn mặt toàn phần    | Không tiếp xúc         | Kém chính xác khi đeo khẩu trang|
| Mống mắt (Đề xuất)     | Quang học không chạm   | Cần độ phân giải ảnh chuẩn      |
+------------------------+------------------------+---------------------------------+

Khoảng trống nghiên cứu và tính cấp thiết

Mống mắt (Iris) là cấu trúc mô liên kết độc nhất trên cơ thể con người, có tính ổn định trọn đời và hoàn toàn độc lập với yếu tố di truyền (ngay cả các cặp song sinh cùng trứng cũng sở hữu hoa văn mống mắt hoàn toàn khác biệt). Nhận dạng dựa trên mống mắt có ưu thế vượt trội so với võng mạc nhờ tính chất nằm ở bề mặt ngoài, có thể quan sát trực tiếp mà không cần nguồn sáng xâm lấn y tế.

Khoảng trống nghiên cứu nằm ở việc tối ưu hóa thuật toán xử lý mống mắt để có thể chạy mượt mà trên môi trường máy tính thông dụng và webcam phổ thông mà không đòi hỏi thiết bị chuyên dụng đắt đỏ. Nghiên cứu này xuất hiện kịp thời nhằm đáp ứng yêu cầu chuyển đổi số trong quản lý sinh viên tại Trường Đại học Tài nguyên và Môi trường Hà Nội, xây dựng môi trường học đường thông minh và an toàn.

---

Methodology và approach (350-400 từ)

Nghiên cứu triển khai phương pháp tiếp cận đa tầng kết hợp giữa lý thuyết xử lý ảnh số, hình học tính toán và thuật toán học máy giám sát trên nền tảng Python và OpenCV.

[Camera / Video Stream]
[1. Face & Eye Detection] (Haar-like Cascade / HOG / Viola-Jones)
[2. Iris Localization] (Toán tử Daugman & Circular Hough Transform)
[3. Normalization] (Daugman's Rubber Sheet Model: (x,y) -> (r, θ))
[4. Feature Extraction] (2D Gabor Filter / PCA & Eigenvectors)
[5. Feature Matching] (Learning Similarity / Khoảng cách Euclid)

1. Thu thập dữ liệu và Tiền xử lý (Preprocessing)

Ảnh đầu vào được thu nhận từ Webcam 12MP (chuẩn khung hình 480x640). Hệ thống thực hiện lọc nhiễu, cân bằng lược đồ mức xám (histogram equalization) và đo lường tần số cao trong phổ Fourier 2D để kiểm soát tiêu cự quang học theo thời gian thực. Bán kính mống mắt thu nhận được bảo đảm tối thiểu từ 70 pixel đến 140 pixel để giữ nguyên vẹn cấu trúc vi mô.

2. Định vị khuôn mặt và Phân đoạn mống mắt (Segmentation)

• Phát hiện vùng mắt: Tích hợp mô hình phân tầng cascade của Viola-Jones và bộ lọc HOG (Histogram of Oriented Gradients) để trích xuất nhanh vùng quan tâm (ROI).
• Định vị mống mắt và đồng tử: Ứng dụng toán tử vi phân tích phân Daugman: $$\max_{(r, x_0, y_0)} \left| G_\sigma(r) * \frac{\partial}{\partial r} \oint_{r, x_0, y_0} \frac{I(x, y)}{2\pi r} , ds \right|$$ Kết hợp cùng phép biến đổi Hough tròn (Circular Hough Transform) có tính toán đạo hàm gradient theo phương thẳng đứng, giúp loại bỏ triệt để biên dạng nhiễu từ mí mắt nằm ngang.

3. Chuẩn hóa và Biểu diễn đặc trưng (Normalization & Feature Extraction)

• Chuẩn hóa hệ tọa độ cực phẳng: Sử dụng mô hình Daugman Rubber Sheet ánh xạ vùng mống mắt hình xuyến $(x, y)$ sang ma trận chữ nhật 2D theo tọa độ $(r, \theta)$ với $r \in [0, 1]$ và $\theta \in [0, 2\pi]$, loại trừ hoàn toàn hiện tượng co giãn đồng tử khi cường độ sáng môi trường thay đổi.
• Mã hóa đặc trưng: Áp dụng bộ lọc sóng con Gabor 2 chiều để trích xuất pha kết cấu bề mặt, sau đó tính toán ma trận hiệp phương sai và các vector riêng (Eigenvectors) để nén dữ liệu thành vector số đặc trưng rút gọn: $$\Sigma = \frac{1}{M} \sum_{i=1}^{M} \Phi_i \Phi_i^T, \quad C v_i = \lambda_i v_i$$

---

Phát hiện chính (400-450 từ)

Quá trình thực nghiệm mô hình trên hệ điều hành Windows 10 và CPU Intel Core i5 đã mang lại những phát hiện khoa học và kỹ thuật có giá trị cao:

1. Ranh giới phi đồng tâm giữa mống mắt và đồng tử

Dữ liệu thực nghiệm khẳng định tâm của đồng tử và tâm của mống mắt không trùng khớp đồng tâm trong phần lớn trường hợp thực tế. Tâm đồng tử thường có xu hướng lệch về phía sống mũi và nằm thấp hơn tâm mống mắt, với tỷ lệ bán kính dao động từ $10%$ đến $80%$ bán kính mống mắt. Do đó, việc tách biệt hai bước ước lượng hình tròn độc lập trong thuật toán Hough/Daugman là điều kiện tiên quyết để đạt độ chính xác cao.

2. Hiệu quả triệt tiêu nhiễu của Gradient phương đứng

Thực nghiệm cho thấy khi tính toán bản đồ cạnh (edge map) cho biến đổi Hough, việc chỉ lấy đạo hàm theo phương thẳng đứng đã loại bỏ trên $85%$ các điểm biên giả do lông mi và mí mắt trên/dưới gây ra. Điều này không chỉ làm tăng độ hội tụ của thuật toán xác định tâm $(x_c, y_c)$ mà còn giảm tải đáng kể không gian tích lũy biểu quyết (voting space), giúp chương trình đạt tốc độ khung hình realtime.

3. Tính khả thi của quy trình chuyển đổi "Ảnh sang Số"

Hệ thống demo được tổ chức thành 3 module thực thi rõ ràng:

1. getData: Thu nhận ảnh chân dung và quét tự động vùng mống mắt.
2. TrainData: Xử lý số hóa, chuẩn hóa ma trận và tính toán vector đặc trưng biểu diễn n-chiều.
3. RecognitionData: Đối sánh trực tiếp ma trận vector đầu vào với cơ sở dữ liệu đã học.

Biểu đồ đánh giá độ an toàn và hiệu suất đối sánh cho thấy việc kết hợp chuẩn hóa mống mắt cho kết quả định danh vượt trội so với các kỹ thuật so khớp mẫu thông thường như ORB hay template matching truyền thống khi đối tượng có biểu cảm khuôn mặt biến đổi.

4. Ngưỡng dung sai góc nghiêng khuôn mặt

Hệ thống nhận diện thành công khuôn mặt có góc nghiêng xoay trục trong khoảng $\pm 15^\circ$. Khi góc nghiêng vượt quá ngưỡng này, độ biến dạng hình học của vòng tròn mống mắt trở thành elip quá mức khiến thuật toán Hough tròn kích hoạt cơ chế từ chối (rejection), giúp hạn chế sai số nhận diện nhầm lẫn (False Acceptance Rate - FAR).

---

Đóng góp khoa học (250-300 từ)

Đóng góp về mặt lý thuyết và phương pháp luận

• Hệ thống hóa thuật toán sinh trắc mống mắt: Kết nối thành công các phương pháp xử lý hình học cổ điển (Daugman, Hough Transform) với pipeline thị giác máy tính hiện đại trên Python.
• Tối ưu hóa pipeline tính toán: Chứng minh khả năng vận hành trơn tru của thuật toán trích xuất mống mắt dựa trên gradient lọc cạnh mà không cần dựa dẫm vào phần cứng chuyên dụng phức tạp, mở ra hướng tiếp cận chi phí thấp cho các bài toán nhận dạng cục bộ.

                           ĐÓNG GÓP CỦA ĐỀ TÀI
[Đóng góp Khoa học]                                   [Đóng góp Ứng dụng]
• Tối ưu Gradient dọc cho Hough                       • Chuyển giao đào tạo 50-50
• Chuẩn hóa Rubber Sheet trên Python                  • Chống học hộ / điểm danh hộ
• Kết hợp PCA + Gabor lọc kết cấu                     • Kiểm soát an ninh không chạm

Giá trị thực tiễn và chuyển giao công nghệ

• Sản phẩm hoàn chỉnh: Đề tài đã xây dựng một bộ phần mềm ứng dụng hoàn chỉnh lưu trữ trên đĩa CD kèm báo cáo tổng kết, sẵn sàng triển khai thực nghiệm.
• Cơ chế chuyển giao rõ ràng: Đề xuất phương thức chuyển giao công nghệ có đào tạo theo tỷ lệ 50-50 giữa Khoa Công nghệ Thông tin và Phòng Quản lý Khoa học & Hợp tác Quốc tế (Trường Đại học Tài nguyên và Môi trường Hà Nội).
• Giải quyết bài toán quản lý: Cung cấp công cụ hữu hiệu để điểm danh tự động, giám sát hành vi sinh viên, ngăn chặn triệt để hiện tượng thi hộ/học hộ và nâng cao chất lượng quản lý đào tạo.

---

Đối tượng quan tâm (200-250 từ)

Nội dung và kết quả của báo cáo nghiên cứu này mang lại giá trị tham khảo thiết thực cho nhiều nhóm đối tượng:

• Nhà nghiên cứu học thuật & Sinh viên CNTT: Tìm thấy tài liệu tham khảo chi tiết về cơ sở toán học của xử lý ảnh sinh trắc học, cách thức cài đặt toán tử vi phân tích phân, biến đổi Hough và mô hình trích xuất đặc trưng bằng Python/OpenCV.
• Kỹ sư Thị giác máy tính & AI: Nắm bắt quy trình xây dựng hệ thống nhận diện từ mức thu thập dữ liệu thô, lọc nhiễu, chuẩn hóa hình học đến đối sánh vector đặc trưng (Feature Vector Matching).
• Nhà quản lý giáo dục & Doanh nghiệp an ninh: Tham khảo mô hình giải pháp điểm danh tự động không tiếp xúc với chi phí đầu tư hợp lý, thay thế các hệ thống máy quét vân tay truyền thống nhằm tối ưu hóa vận hành và phòng chống dịch bệnh.

---

FAQ (Câu hỏi thường gặp) (250-300 từ)

1. Điểm cốt lõi giúp nhận dạng mống mắt chính xác hơn nhận dạng khuôn mặt toàn phần là gì?

Mống mắt có cấu trúc hoa văn vi mô cực kỳ phức tạp và ổn định suốt đời, không bị thay đổi bởi nếp nhăn, biểu cảm, phẫu thuật thẩm mỹ hay việc đeo khẩu trang — những yếu tố thường làm suy giảm độ chính xác của nhận dạng khuôn mặt.

2. Phương pháp của đề tài xử lý việc co giãn của đồng tử dưới các điều kiện ánh sáng khác nhau như thế nào?

Đề tài sử dụng mô hình cao su chuẩn hóa của Daugman (Rubber Sheet Model). Mô hình này ánh xạ vùng mống mắt sang hệ tọa độ cực không thứ nguyên $(r, \theta)$, biến vùng tròn co giãn thành một ma trận phẳng chữ nhật có kích thước cố định, triệt tiêu sự phụ thuộc vào kích thước đồng tử.

3. Hệ thống có thể hoạt động với camera thông thường không hay bắt buộc phải có camera hồng ngoại?

Nghiên cứu đã thử nghiệm thành công với webcam quang học 12MP thông thường. Tuy nhiên, việc bổ sung nguồn sáng hồng ngoại gần (NIR 700nm - 900nm) sẽ giúp làm nổi bật kết cấu mống mắt ở các mắt có sắc tố tối và hỗ trợ ghi nhận ảnh rõ nét hơn.

4. Dữ liệu mống mắt có tiết lộ thông tin bệnh lý của người dùng không?

Không. Khác với kỹ thuật quét võng mạc (Retina scan) đi sâu vào hệ mạch máu đáy mắt có thể tiết lộ thông tin bệnh lý, hệ thống nhận dạng mống mắt chỉ chụp hình ảnh quang học kỹ thuật số bề mặt ngoài của mắt, đảm bảo tính riêng tư cá nhân.

5. Những bước phát triển tiếp theo của nghiên cứu này là gì?

Hướng nghiên cứu tiếp theo bao gồm: tích hợp mạng nơ-ron học sâu (Deep Learning/Siamese Networks) để phân lớp vector đặc trưng, mở rộng dung lượng cơ sở dữ liệu mẫu thử nghiệm và triển khai thử nghiệm trên các thiết bị nhúng (Edge Computing) để đặt tại cổng ra vào giảng đường.

---

Kết luận (150 từ)

Đề tài nghiên cứu khoa học cấp cơ sở năm 2021 do TS. Nguyễn Đức Toàn chủ nhiệm đã khẳng định tính khả thi và ưu thế vượt bậc của kỹ thuật nhận dạng mặt người dựa trên mống mắt sử dụng ngôn ngữ Python. Bằng cách kết hợp linh hoạt giữa phát hiện khuôn mặt sơ cấp và phân đoạn cấu trúc vi mô mống mắt thông qua toán tử Daugman cùng biến đổi Hough tròn, nghiên cứu đã tạo ra một giải pháp sinh trắc học không tiếp xúc tin cậy, chính xác và hiệu quả.

Hướng đi tiếp theo của công trình là mở rộng quy mô dữ liệu thử nghiệm và tích hợp các kiến trúc học sâu nhằm tối ưu hóa khả năng nhận dạng tự động trên diện rộng. Đây là bước đệm quan trọng thúc đẩy ứng dụng công nghệ số vào an ninh học đường và quản trị đại học thông minh.

Trích đoạn nội dung tài liệu

LỜI MỞ ĐẦU 1 Lý do chọn đề tài Công nghệ nhận dạng này có thể nhận dạng mọi người ngay sau vài tấm ảnh họ được gán nhãn với độ chính xác đến 98% [6]. Có nhiều hệ thống bảo mật thông minh sử dụng sinh trắc học định danh người, có thể nhận dạng bằng cách sử dụng đặc điểm tĩnh và động như: ngón tay nhú mô hình, hình học cơ thể, bàn tay, mống mắt của mắt, khuôn mặt, tĩnh mạch, chữ viết tay, dáng, dáng đi, giọng nói, v. Tất cả các phương pháp nhận dạng được trình bày đều có bộ những thuận lợi và khó khăn liên quan đến phương pháp có được các chỉ số về con người như chi phí, độ tin cậy của kết quả. số lượng máy quay video tại nơi công cộng đã tăng lên rất nhiều, chi phí của việc tiếp nhận, xử lý và truyền dữ liệu đã giảm đáng kể đã dẫn đến việc tạo và phát triển các phương pháp để xác định hiệu quả người từ video và hình ảnh, và hầu hết các phần của phương pháp tập trung vào việc nhận dạng khuôn mặt người.

Các công ty lớn nhất trên thế giới đang phát triển của riêng các giải pháp phần mềm sử dụng đặc trưng của khuôn mặt trong ảnh và trong video. Những công ty khổng lồ như Amazon, Facebook, Apple đã triển khai hệ thống thông minh phân tích video trong điều kiện thực và đưa ra thị trường các giải pháp cạnh tranh. Amazon Rekognition [8] cho phép nhúng ảnh và video dựa trên học sâu vào các ứng dụng. Dịch vụ này có thể nhận dạng các đối tượng, người, văn bản, cảnh và hành động, cũng như phát hiện nội dung không phù hợp.

Amazon Rekognition có thể phân tích chính xác và nhận dạng khuôn mặt trong hình ảnh và video. Facebook đã triển khai một dự án để nhận dạng và xác định trước mặt của mọi người trong các bức ảnh đã được đưa lên mạng xã hội và cho phép sử dụng các từ để mô tả mọi thứ hiển thị trong ảnh [9]. Công nghệ FaceID của Apple [10] cho phép độ chính xác cao xác định người dùng trên điện thoại thông minh và thay thế cho quét dấu vân tay, vì nó sử dụng hệ thống cảm biến và máy ảnh chất lượng cao và một loạt các các phương pháp nhận dạng, bao gồm cả nhận dạng khuôn mặt. Thị giác máy tính và học máy đã làm nên điều đó có thể thực hiện xác định khách hàng thông qua thiết bị đầu cuối video trong một tổ hợp mua sắm tự động [11, 12] không có máy tính tiền và bộ điều khiển, và theo dõi [13].

Tại Việt Nam, một số công ty sáng tạo hình thành lĩnh vực dịch vụ phân tích hình ảnh trong tiếp cận hệ thống điều khiển. Ví dụ, dịch vụ BiFace [14]. Trên thế giới hệ thống nhận dạng khuôn mặt NTechLab [15] dẫn đầu trong việc phát triển thuật toán và các giải pháp phần mềm để kiểm soát nhận dạng cá nhân cho các nhóm người, thành phố và Quốc gia. Dịch vụ FindFace từ công ty này chiếm lĩnh các dòng xếp hạng cạnh tranh hàng đầu cho nhận dạng khuôn mặt.

Mức độ chính xác của 2 nhận dạng và tốc độ của phân tích phụ thuộc vào các phương pháp chuyển đổi ảnh, các đặc trưng của tập huấn luyện, sử dụng phương pháp huấn luyện sâu và thuật toán tìm kiếm. Nhận dạng một người trong video có nhiều giai đoạn. Bước đầu tiên là chuyển đổi video vào sang ảnh, bước thứ hai là tìm kiếm các ảnh có khuôn mặt. Phần thứ ba là gán một tập hợp duy nhất đặc trưng cho tất cả những đặc điểm thấy.

Thứ tư là xác định người dựa trên so sánh với cơ sở dữ liệu [16], [17], [18]. Toán học các phương pháp và mô hình được sử dụng để nhận dạng khuôn mặt bao gồm phương pháp hồi quy, mạng nơron, SVM [4], [5],. Đối tƣợng và phạm vi nghiên cứu của đề tài 2.1 Đối tượng nghiên cứu: Đề tài tập trung nghiên cứu một số phương pháp nhận dạng khuôn mặt người, chủ yếu là nhận diện bằng mống mắt.2 Phạm vi nghiên cứu: là sinh viên đang học tập tại trường Đại học Tài nguyên và Môi trường Hà Nội, tập trung chủ yếu là sinh viên Khoa CNTT. Mục tiêu nghiên cứu: Nghiên cứu đề tài này nhằm mục đích tìm hiểu bài toán nhận dạng khuôn mặt bằng mống mắt, từ đó xây dựng các hệ thống ứng dụng trong thực tiễn như: điểm danh, giam sát người ra vào, an ninh trong sân bay.

Nhận dạng khuôn mặt trở nên bất tiện trong mùa dịch COVID-19 bởi mọi người phải đeo khẩu trang; còn nhận dạng vân tay cũng gặp phiền hà khi mọi người không muốn bỏ găng tay. Việc sử dụng rộng rãi tính năng nhận dạng mống mắt sẽ cải thiện những hạn chế này. Vì vậy, đề tài phù hợp với mục tiêu, nội dung và sản phẩm dự kiến của đề tài. Nội dung nghiên cứu: Chƣơng 1: Tổng quan vấn đề nghiên cứu Trong chương này, tác giả sẽ trình bày về những cơ sở lý thuyết về nhận dạng khuôn mặt, tổng quan về bài toán đặt ra để giải quyết trong đề tài.

Chƣơng 2: Một số phƣơng pháp và thuật toán nhận dạng ảnh Trong chương này, tác giả sẽ trình bày về một số phương pháp nhận dạng ảnh và một số thuật toán về nhận dạng khuôn mặt có sử dụng trong đề tài nghiên cứu, từ đó làm tiền đề xây dựng demo ở chương 3. Chƣơng 3: Xây dựng demo Trong chương này, tác giả sẽ trình bày về demo của đề tài nghiên cứu, dựa trên các thuật toán từ chương 2, trong chương này còn sử dụng máy học để phân tích ảnh ra dạng số. Phƣơng pháp nghiên cứu: 5. Phương pháp nghiên cứu lý thuyết: + Tìm hiểu một số thuật toán nhận dạng khuôn mặt + Tìm hiểu ngôn ngữ lập trình Python 5.

Phương pháp nghiên cứu thực tiễn: + Phương pháp khảo sát thực tế, thu thập dữ liệu: tìm hiểu thực tế về công nghệ nhận dạng khuôn mặt. + Phương pháp phân tích đánh giá: dựa vào dữ liệu đã tìm hiểu được. Phân tích các thuật toán. Phương pháp thiết kế mô hình, chế tạo sản phẩm: + Xác định yêu cầu của bài toán đặt ra + Tính toán lựa chọn các thuật toán phù hợp.

Phương pháp thực nghiệm khoa học: + Bước đầu đưa sản phẩm vào sử dụng để hiệu chỉnh thông số chi tiết và hoàn thiện sản phẩm demo. Phương pháp phân tích và tổng kết kinh nghiệm: + Phân tích, đánh giá ưu nhược điểm của sản phẩm + Rút ra kinh nghiệm cũng như đưa ra hướng phát triển cho phù hợp 6. Ý nghĩa khoa học của đề tài: Kết quả của đề tài nếu được ứng dụng trong Trường Đại học Tài nguyên và Môi trường Hà Nội sẽ chống học hộ, điểm danh hộ, đồng thời giám sát hành vi của sinh viên trên trường theo thời gian thực (realtime). 4 CHƢƠNG 1 TỔNG QUAN VỀ VẤN ĐỀ NGHIÊN CỨU Trong chương này, tác giả sẽ trình bày về những cơ sở lý thuyết về nhận dạng khuôn mặt, tổng quan về bài toán đặt ra để giải quyết trong đề tài.1 Tình hình nghiên cứu ngoài nƣớc và trong nƣớc 1.1 Tình hình nghiên cứu ngoài nước Trong năm 1964 và 1965, Bledsoe, cùng với Helen Chan và Charles Bisson, bắt đầu ý tưởng sử dụng máy tính để nhận ra khuôn mặt của con người (Bledsoe 1966a, 1966b; Bledsoe và Chan 1965).

Ông rất tự hào về công việc này, nhưng do kinh phí được cung cấp bởi một cơ quan tình báo giấu tên mà không cho phép công khai, rất ít tác phẩm đã được xuất bản. Với một cơ sở dữ liệu lớn các hình ảnh (thực tế là một cuốn sách ảnh thẻ) và một bức ảnh, vấn đề là phải lựa chọn từ cơ sở dữ liệu là một tập hợp nhỏ các hồ sơ hình ảnh như vậy có chứa các hình ảnh ăn khớp với bức ảnh đưa ra. Sự thành công của phương pháp này có thể được đo bằng tỷ lệ danh sách câu trả lời trên số lượng các hồ sơ trong cơ sở dữ liệu. Bledsoe (1966a) đã mô tả những khó khăn sau đây: Dự án này đã được dán nhãn "man-machine" bởi vì con người trích xuất tọa độ của một tập hợp các đặc điểm từ các hình ảnh, sau đó được máy tính sử dụng để nhận dạng.

Sử dụng một graphic tablet (GRAFACON hoặc RAND TABLET), các toán tử sẽ trích xuất các tọa độ của các đặc điểm như tâm của con ngươi, các góc bên trong mắt, góc ngoài của mắt, điểm widows peak và. Từ những tọa độ này, một danh sách 20 khoảng cách, như chiều rộng của miệng và khoảng cách giữa 2 mắt, từ con ngươi đến con ngươi sẽ được tính toán. Các toán tử có thể xử lý khoảng 40 hình ảnh một giờ. Khi xây dựng các cơ sở dữ liệu, tên của người trong bức ảnh đã được gắn liền với danh sách của các khoảng cách tính toán và được lưu trữ trong máy tính.

Trong giai đoạn nhận dạng, tập hợp các khoảng cách được so sánh với khoảng cách tương ứng cho mỗi bức ảnh, cho ra một khoảng cách giữa các bức ảnh và các bản ghi cơ sở dữ liệu. Các hồ sơ gần nhất được trả về. Hệ thống điểm danh bằng mặt người thực hiện rút trích tự động khuôn mặt người trong ảnh thu được từ camera (webcam) và xác định danh tính của đối tượng trong hệ thống dựa vào nội dung của ảnh khuôn mặt rút trích được. Nhận dạng tự động khuôn mặt có thể ứng 5 dụng nhiều trong thực tiễn như camera giám sát, hệ thống chấm công, chú thích ảnh tự động, lưu trữ thông tin khuôn mặt ở các máy ATM, tìm kiếm và xác minh tội phạm.

Hệ thống điểm danh thực hiện nhận dạng khuôn mặt người qua 2 bước chính: định vị khuôn mặt trong ảnh thu được từ camera và định danh đối tượng từ ảnh khuôn mặt. Trong bài báo [20] trình bày các nghiên cứu trước đây trong nhận dạng khuôn mặt người. Rút trích tự động khuôn mặt trong ảnh thu được từ camera dựa trên mô hình mạng nơ-ron [14] hoặc đặc trưng haar-like kết hợp với mô hình phân tầng (Cascade of Boosted Classifiers – CBC) [18]. Để xác định danh tính của đối tượng trong hệ thống dựa vào nội dung của ảnh khuôn mặt, nghiên cứu trước đây sử dụng các đặc trưng như mắt, tai, màu tóc, độ dày môi để tự động nhận dạng.

[10], [19] sử dụng phương pháp phân tích thành phần chính (Principal Component Analysis - PCA) và thuật toán eigenfaces để nhận dạng khuôn mặt. Các hướng nghiên cứu gần đây [12], [13], [15], [17], dựa vào phương pháp biểu diễn ảnh bằng các nét đặc trưng không đổi với những biến đổi tỉ lệ.