Luận văn thạc sĩ về phát hiện và nhận dạng khuôn mặt từ camera ứng dụng trong điểm danh

Luận văn thạc sĩ phân tích phát hiện và nhận dạng khuôn mặt từ camera ứng dụng trong điểm danh, đánh giá thực trạng, chỉ ra hạn chế, đề xuất giải pháp khả thi cho thực tiễn.

• Tác giả: Nguyễn Thế Thụy
• Người hướng dẫn: TS. Nguyễn Văn Tảo
• Trường học: Trường Đại học Công nghệ thông tin và Truyền thông Thái Nguyên
• Chuyên ngành: Khoa học máy tính
• Đề tài: Phát hiện và nhận dạng khuôn mặt từ camera, ứng dụng trong điểm danh
• Loại tài liệu: luận văn thạc sĩ
• Năm xuất bản: 2015
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• 1. CHƯƠNG 1: SINH TRẮC HỌC VÀ BÀI TOÁN NHẬN DẠNG KHUÔN MẶT ỨNG DỤNG TRONG ĐIỂM DANH
• 1.1. Tổng quan về sinh trắc học
• 1.2. Hệ thống sinh trắc học
• 1.3. Hệ thẩm định (Verification)
• 1.4. Nhận dạng (Identification, Recognition)
• 1.5. Các thành phần chức năng chủ yếu
• 1.6. Hoạt động của hệ thống
• 1.7. Đánh giá hiệu năng và chất lượng hoạt động của hệ sinh trắc học
• 1.8. Hệ thống an ninh bảo mật dựa trên sinh trắc học
• 1.9. Phát hiện và nhận dạng khuôn mặt
• 1.10. Những khó khăn và thách thức trong bài toán nhận dạng khuôn mặt
• 1.11. Các ứng dụng của bài toán nhận dạng khuôn mặt
• 1.12. Bài toán điểm danh dựa trên khuôn mặt
• 1.13. Bài toán điểm danh và quản lý nhân sự
• 1.14. Đầu vào của bài toán
• 1.15. Đầu ra và ý nghĩa thực tiễn
• 2. CHƯƠNG 2: MỘT SỐ KỸ THUẬT PHÁT HIỆN VÀ NHẬN DẠNG KHUÔN MẶT
• 2.1. Một số kỹ thuật phát hiện mặt người trong ảnh
• 2.2. Hướng tiếp cận dựa trên đặc trưng của ảnh
• 2.3. Phân tích mức thấp (Low level analysis). Phân tích đặc trưng (Feature Analysis)
• 2.4. Mô hình hình dạng động (Active shape models)
• 2.5. Hướng tiếp cận dựa trên ảnh (Image based detection)
• 2.6. Phương pháp không gian con tuyến tính (Linear subspace methods)
• 2.7. Phương pháp thống kê (Statistical approaches)
• 2.8. Một số kỹ thuật nhận dạng khuôn mặt
• 2.9. Phương pháp phân tích thành phần chính (PCA)
• 2.10. Phương pháp phân tách tuyến tính (LDA)
• 2.11. Phương pháp mạng neural
• 3. CHƯƠNG 3: CÀI ĐẶT THỬ NGHIỆM
• 3.1. Yêu cầu thực nghiệm, ứng dụng
• 3.2. Phân tích lựa chọn giải pháp, công cụ
• 3.3. Một số kết quả cài đặt thực nghiệm
• 3.4. Giao diện của chương trình
• 3.5. Một số kết quả điểm danh dựa trên khuôn mặt
• KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Hệ Thống Điểm Danh Bằng Khuôn Mặt 2024

Hệ thống điểm danh bằng khuôn mặt đang ngày càng trở nên phổ biến nhờ tính tiện lợi và độ chính xác cao. Công nghệ này sử dụng camera nhận diện khuôn mặt để xác định danh tính và ghi nhận thời gian vào/ra của nhân viên hoặc học sinh. So với các phương pháp truyền thống như điểm danh bằng tay hoặc thẻ từ, hệ thống này giúp tiết kiệm thời gian, giảm thiểu gian lận và nâng cao hiệu quả quản lý. Nhận diện khuôn mặt không chỉ là một công cụ điểm danh, mà còn là một giải pháp quản lý thông tin và an ninh hiệu quả. Nó có thể tích hợp với các hệ thống khác như kiểm soát ra vào, quản lý nhân sự, tạo nên một hệ sinh thái quản lý toàn diện. Ứng dụng này đặc biệt hữu ích trong các môi trường đòi hỏi tính chính xác cao và khả năng theo dõi liên tục.

1.1. Lợi ích của việc sử dụng hệ thống điểm danh khuôn mặt

Hệ thống điểm danh bằng khuôn mặt mang lại nhiều lợi ích thiết thực. Nó giúp tự động hóa quá trình điểm danh, giảm thiểu thời gian và công sức cho nhân viên quản lý. Hệ thống có độ chính xác cao, loại bỏ các trường hợp gian lận như điểm danh hộ. Dữ liệu điểm danh được lưu trữ một cách hệ thống, dễ dàng truy xuất và báo cáo. Hệ thống có thể tích hợp với các giải pháp quản lý khác, tạo nên một hệ sinh thái quản lý nhân sự toàn diện.

1.2. Các thành phần chính của hệ thống điểm danh khuôn mặt

Một hệ thống điểm danh bằng khuôn mặt hoàn chỉnh bao gồm các thành phần chính sau: camera nhận diện khuôn mặt, phần mềm xử lý ảnh và nhận dạng, cơ sở dữ liệu lưu trữ thông tin khuôn mặt, và giao diện quản lý. Camera có nhiệm vụ thu thập hình ảnh khuôn mặt của người dùng. Phần mềm sẽ xử lý hình ảnh, trích xuất các đặc trưng quan trọng và so sánh với dữ liệu trong cơ sở dữ liệu. Cơ sở dữ liệu lưu trữ thông tin về khuôn mặt của tất cả người dùng đã đăng ký. Giao diện quản lý cho phép người quản trị theo dõi quá trình điểm danh, tạo báo cáo và quản lý dữ liệu người dùng.

II. Thách Thức và Giải Pháp Nhận Diện Khuôn Mặt Từ Camera

Mặc dù có nhiều ưu điểm, việc triển khai hệ thống nhận diện khuôn mặt từ camera cũng đối mặt với không ít thách thức. Điều kiện ánh sáng yếu, góc chụp không thuận lợi, hoặc sự thay đổi về kiểu tóc, trang điểm có thể ảnh hưởng đến độ chính xác của hệ thống. Ngoài ra, vấn đề bảo mật thông tin cá nhân cũng là một mối quan tâm lớn. Để giải quyết những thách thức này, cần sử dụng các thuật toán AI nhận diện khuôn mặt tiên tiến, có khả năng xử lý ảnh trong điều kiện ánh sáng khác nhau và chống lại các tấn công giả mạo. Đồng thời, cần tuân thủ các quy định về bảo mật dữ liệu cá nhân, đảm bảo an toàn cho thông tin của người dùng.

2.1. Các yếu tố ảnh hưởng đến độ chính xác nhận diện khuôn mặt

Độ chính xác của hệ thống nhận diện khuôn mặt có thể bị ảnh hưởng bởi nhiều yếu tố. Ánh sáng yếu hoặc quá mạnh có thể làm giảm khả năng nhận diện. Góc chụp không thuận lợi, khi khuôn mặt không nhìn trực diện vào camera, cũng gây khó khăn cho hệ thống. Sự thay đổi về kiểu tóc, trang điểm, hoặc thậm chí là râu ria cũng có thể làm giảm độ chính xác. Để khắc phục, cần sử dụng các thuật toán xử lý ảnh tiên tiến, có khả năng thích ứng với các điều kiện khác nhau. Ngoài ra, việc lựa chọn camera có chất lượng tốt cũng đóng vai trò quan trọng.

2.2. Vấn đề bảo mật và quyền riêng tư trong nhận diện khuôn mặt

Bảo mật và quyền riêng tư là những vấn đề quan trọng cần được quan tâm khi triển khai hệ thống nhận diện khuôn mặt. Dữ liệu khuôn mặt là thông tin cá nhân nhạy cảm, cần được bảo vệ khỏi các truy cập trái phép. Cần tuân thủ các quy định về bảo mật dữ liệu cá nhân, đảm bảo rằng thông tin của người dùng không bị sử dụng sai mục đích. Các giải pháp bảo mật có thể bao gồm mã hóa dữ liệu, kiểm soát truy cập, và sử dụng các thuật toán chống giả mạo. Ngoài ra, cần thông báo rõ ràng cho người dùng về việc sử dụng công nghệ nhận diện khuôn mặt và thu thập sự đồng ý của họ.

III. Phương Pháp Phát Hiện Khuôn Mặt Từ Camera Hướng Dẫn Chi Tiết

Có nhiều phương pháp phát hiện khuôn mặt từ camera, mỗi phương pháp có ưu và nhược điểm riêng. Các phương pháp dựa trên đặc trưng (feature-based methods) sử dụng các đặc điểm như mắt, mũi, miệng để xác định vị trí khuôn mặt. Các phương pháp dựa trên ảnh (image-based methods) sử dụng các mẫu khuôn mặt đã được huấn luyện trước để tìm kiếm khuôn mặt trong ảnh. Gần đây, các phương pháp dựa trên deep learning đang trở nên phổ biến nhờ độ chính xác cao và khả năng xử lý ảnh trong điều kiện phức tạp. Việc lựa chọn phương pháp phù hợp phụ thuộc vào yêu cầu cụ thể của ứng dụng, bao gồm độ chính xác, tốc độ xử lý và khả năng hoạt động trong các điều kiện khác nhau.

3.1. Phương pháp dựa trên đặc trưng Feature based methods

Các phương pháp dựa trên đặc trưng (Feature-based methods) tập trung vào việc xác định các đặc điểm quan trọng trên khuôn mặt như mắt, mũi, miệng, và khoảng cách giữa chúng. Các đặc điểm này được sử dụng để xây dựng một mô hình khuôn mặt, sau đó được tìm kiếm trong ảnh. Ưu điểm của phương pháp này là khả năng hoạt động tốt trong điều kiện ánh sáng thay đổi và ít bị ảnh hưởng bởi góc chụp. Tuy nhiên, nó có thể gặp khó khăn khi khuôn mặt bị che khuất một phần hoặc có biểu cảm phức tạp.

3.2. Phương pháp dựa trên ảnh Image based methods

Các phương pháp dựa trên ảnh (Image-based methods) sử dụng một tập hợp các mẫu khuôn mặt đã được huấn luyện trước để tìm kiếm khuôn mặt trong ảnh. Các mẫu này có thể được tạo ra bằng cách sử dụng các thuật toán như PCA (Principal Component Analysis) hoặc LDA (Linear Discriminant Analysis). Ưu điểm của phương pháp này là độ chính xác cao và khả năng xử lý ảnh nhanh chóng. Tuy nhiên, nó đòi hỏi một lượng lớn dữ liệu huấn luyện và có thể gặp khó khăn khi khuôn mặt có sự khác biệt lớn so với các mẫu đã được huấn luyện.

IV. Ứng Dụng Điểm Danh Khuôn Mặt Trong Trường Học và Văn Phòng

Hệ thống điểm danh khuôn mặt có nhiều ứng dụng thực tiễn trong các lĩnh vực khác nhau. Trong trường học, nó có thể được sử dụng để theo dõi sự chuyên cần của học sinh, giảm thiểu tình trạng trốn học và cải thiện kỷ luật. Trong văn phòng, nó có thể được sử dụng để quản lý thời gian làm việc của nhân viên, tự động hóa quá trình chấm công và nâng cao hiệu quả quản lý. Ngoài ra, hệ thống còn có thể được sử dụng trong các lĩnh vực như kiểm soát ra vào, an ninh công cộng, và nhận dạng tội phạm. Sự linh hoạt và tiện lợi của công nghệ nhận diện khuôn mặt giúp nó trở thành một công cụ hữu ích trong nhiều tình huống khác nhau.

4.1. Điểm danh khuôn mặt cho trường học Ưu điểm và thách thức

Ứng dụng điểm danh khuôn mặt trong trường học mang lại nhiều ưu điểm. Nó giúp tự động hóa quá trình điểm danh, giảm thiểu thời gian và công sức cho giáo viên. Hệ thống có độ chính xác cao, loại bỏ các trường hợp điểm danh hộ. Dữ liệu điểm danh được lưu trữ một cách hệ thống, dễ dàng truy xuất và báo cáo. Tuy nhiên, cũng có một số thách thức cần được giải quyết. Cần đảm bảo rằng hệ thống có thể nhận diện khuôn mặt của học sinh trong các điều kiện ánh sáng khác nhau và với các góc chụp khác nhau. Ngoài ra, cần tuân thủ các quy định về bảo mật dữ liệu cá nhân, đảm bảo an toàn cho thông tin của học sinh.

4.2. Điểm danh khuôn mặt cho văn phòng Giải pháp quản lý nhân sự

Trong môi trường văn phòng, hệ thống điểm danh khuôn mặt là một giải pháp quản lý nhân sự hiệu quả. Nó giúp tự động hóa quá trình chấm công, giảm thiểu thời gian và công sức cho nhân viên quản lý. Hệ thống có độ chính xác cao, loại bỏ các trường hợp gian lận như chấm công hộ. Dữ liệu chấm công được lưu trữ một cách hệ thống, dễ dàng tích hợp với các hệ thống quản lý nhân sự khác. Ngoài ra, hệ thống còn có thể được sử dụng để kiểm soát ra vào, đảm bảo an ninh cho văn phòng.

V. So Sánh Các Thuật Toán Nhận Diện Khuôn Mặt Phổ Biến Hiện Nay

Hiện nay, có nhiều thuật toán nhận diện khuôn mặt khác nhau, mỗi thuật toán có ưu và nhược điểm riêng. Các thuật toán truyền thống như PCA và LDA có tốc độ xử lý nhanh nhưng độ chính xác không cao. Các thuật toán dựa trên mạng neural như CNN (Convolutional Neural Network) có độ chính xác cao nhưng đòi hỏi nhiều tài nguyên tính toán. Việc lựa chọn thuật toán phù hợp phụ thuộc vào yêu cầu cụ thể của ứng dụng, bao gồm độ chính xác, tốc độ xử lý và tài nguyên tính toán.

5.1. Phân tích thuật toán PCA và LDA trong nhận diện khuôn mặt

PCA (Principal Component Analysis) và LDA (Linear Discriminant Analysis) là hai thuật toán truyền thống được sử dụng rộng rãi trong nhận diện khuôn mặt. PCA giảm số chiều của dữ liệu bằng cách tìm các thành phần chính, trong khi LDA tìm các thành phần phân biệt tốt nhất giữa các lớp. PCA có tốc độ xử lý nhanh nhưng độ chính xác không cao, trong khi LDA có độ chính xác cao hơn nhưng đòi hỏi nhiều tài nguyên tính toán hơn.

5.2. Ưu điểm của CNN trong nhận diện khuôn mặt thời gian thực

CNN (Convolutional Neural Network) là một thuật toán dựa trên mạng neural được sử dụng rộng rãi trong nhận diện khuôn mặt thời gian thực. CNN có độ chính xác cao và khả năng xử lý ảnh trong điều kiện phức tạp. Nó có thể tự động học các đặc trưng quan trọng từ ảnh, giúp giảm thiểu công sức thiết kế đặc trưng thủ công. Tuy nhiên, CNN đòi hỏi nhiều tài nguyên tính toán và cần một lượng lớn dữ liệu huấn luyện.

VI. Xu Hướng Phát Triển và Ứng Dụng Tương Lai Của Nhận Diện

Công nghệ nhận diện khuôn mặt đang phát triển với tốc độ chóng mặt, mở ra nhiều ứng dụng tiềm năng trong tương lai. Các xu hướng phát triển bao gồm cải thiện độ chính xác và tốc độ xử lý, tăng cường khả năng hoạt động trong các điều kiện khác nhau, và tích hợp với các công nghệ khác như AI, IoT, và blockchain. Trong tương lai, nhận diện khuôn mặt có thể được sử dụng rộng rãi trong các lĩnh vực như thanh toán điện tử, chăm sóc sức khỏe, và quản lý đô thị thông minh. Tuy nhiên, cần đảm bảo rằng công nghệ này được sử dụng một cách có trách nhiệm, tuân thủ các quy định về bảo mật dữ liệu cá nhân và tôn trọng quyền riêng tư của người dùng.

6.1. Tích hợp nhận diện khuôn mặt với AI và IoT Tiềm năng và thách thức

Việc tích hợp nhận diện khuôn mặt với AI và IoT mở ra nhiều tiềm năng ứng dụng. AI có thể giúp cải thiện độ chính xác và tốc độ xử lý của hệ thống, trong khi IoT có thể giúp thu thập dữ liệu từ nhiều nguồn khác nhau. Tuy nhiên, cũng có một số thách thức cần được giải quyết. Cần đảm bảo rằng hệ thống có thể xử lý dữ liệu từ nhiều nguồn khác nhau một cách hiệu quả và an toàn. Ngoài ra, cần tuân thủ các quy định về bảo mật dữ liệu cá nhân, đảm bảo an toàn cho thông tin của người dùng.

6.2. Ứng dụng nhận diện khuôn mặt trong thanh toán điện tử và chăm sóc sức khỏe

Nhận diện khuôn mặt có thể được sử dụng trong thanh toán điện tử để xác thực giao dịch, giúp giảm thiểu gian lận và tăng cường an ninh. Trong lĩnh vực chăm sóc sức khỏe, nó có thể được sử dụng để nhận dạng bệnh nhân, theo dõi tình trạng sức khỏe, và quản lý thuốc men. Tuy nhiên, cần đảm bảo rằng hệ thống được thiết kế một cách cẩn thận, tuân thủ các quy định về bảo mật dữ liệu cá nhân và tôn trọng quyền riêng tư của người dùng.

Nội dung chính

## Tổng quan nghiên cứu

Công nghệ sinh trắc học (Biometric) đã trở thành một lĩnh vực nghiên cứu và ứng dụng quan trọng trong nhiều ngành nghề, đặc biệt là trong quản lý nhân sự và an ninh. Theo ước tính, các hệ thống sinh trắc học có thể giảm thiểu sai sót trong việc xác thực danh tính lên đến 90% so với các phương pháp truyền thống. Trong đó, nhận dạng khuôn mặt từ camera là một trong những phương pháp tự nhiên và thuận tiện nhất, được ứng dụng rộng rãi trong điểm danh tại các cơ quan, doanh nghiệp.

Bài toán phát hiện và nhận dạng khuôn mặt từ camera nhằm mục tiêu xây dựng hệ thống điểm danh tự động, chính xác và tiết kiệm chi phí. Nghiên cứu tập trung vào việc phát triển các thuật toán phát hiện và nhận dạng khuôn mặt, áp dụng trong môi trường thực tế tại các đơn vị có nhu cầu quản lý nhân sự. Phạm vi nghiên cứu bao gồm các thuật toán xử lý ảnh, mô hình sinh trắc học và ứng dụng trong điểm danh tại các cơ quan, doanh nghiệp ở Việt Nam trong giai đoạn 2015-2020.

Ý nghĩa của nghiên cứu thể hiện qua việc nâng cao hiệu quả quản lý nhân sự, giảm thiểu sai sót và gian lận trong điểm danh, đồng thời góp phần thúc đẩy ứng dụng công nghệ thông tin trong quản lý hiện đại. Các chỉ số đánh giá hiệu quả bao gồm độ chính xác nhận dạng khuôn mặt trên 85%, tỷ lệ sai sót dưới 5%, và thời gian xử lý mỗi lượt điểm danh dưới 2 giây.

## Cơ sở lý thuyết và phương pháp nghiên cứu

### Khung lý thuyết áp dụng

- **Công nghệ sinh trắc học (Biometric):** Sử dụng các đặc điểm sinh học như vân tay, mống mắt, khuôn mặt để nhận dạng và xác thực danh tính cá nhân. Tiêu chuẩn đánh giá bao gồm tính rộng rãi, phân biệt, ổn định, dễ thu thập, hiệu quả và chống giả mạo.
- **Mô hình hệ thống sinh trắc học:** Bao gồm các thành phần thu nhận mẫu (Sensor), trích chọn đặc trưng (Feature Extraction), đối sánh (Matching) và ra quyết định (Decision).
- **Thuật toán phát hiện và nhận dạng khuôn mặt:** Áp dụng các phương pháp phân tích mức thấp (biên ảnh, màu sắc, chuyển động), mô hình hình dạng động (Active Shape Models), phương pháp không gian con tuyến tính (PCA), phân tách tuyến tính (LDA), mạng neural và các phương pháp thống kê (SVM, Bayes).
- **Bài toán điểm danh dựa trên khuôn mặt:** Xác định sự có mặt của nhân viên dựa trên hình ảnh thu nhận từ camera, phân loại trạng thái “có mặt” hoặc “vắng mặt” và xác định thời gian làm việc.

### Phương pháp nghiên cứu

- **Nguồn dữ liệu:** Bộ dữ liệu ảnh khuôn mặt thu thập từ camera tại các cơ quan, doanh nghiệp với khoảng 500-1000 ảnh mẫu, bao gồm các góc nhìn, điều kiện ánh sáng và biểu cảm khác nhau.
- **Phương pháp chọn mẫu:** Lấy mẫu ngẫu nhiên có kiểm soát, đảm bảo đa dạng về đối tượng và điều kiện môi trường.
- **Phân tích dữ liệu:** Sử dụng các thuật toán xử lý ảnh để phát hiện khuôn mặt, trích chọn đặc trưng bằng PCA, LDA, kết hợp mạng neural để nhận dạng. Đánh giá hiệu năng qua các chỉ số FAR, FRR, độ chính xác nhận dạng.
- **Timeline nghiên cứu:** 
  - Giai đoạn 1 (3 tháng): Thu thập và tiền xử lý dữ liệu.
  - Giai đoạn 2 (6 tháng): Phát triển và thử nghiệm các thuật toán phát hiện, nhận dạng.
  - Giai đoạn 3 (3 tháng): Xây dựng hệ thống điểm danh và thử nghiệm thực tế.
  - Giai đoạn 4 (2 tháng): Đánh giá, hoàn thiện và báo cáo kết quả.

## Kết quả nghiên cứu và thảo luận

### Những phát hiện chính

- Thuật toán phát hiện khuôn mặt dựa trên phân tích mức thấp và mô hình hình dạng động đạt tỷ lệ phát hiện chính xác khoảng 85-90% trong điều kiện ánh sáng bình thường và góc nghiêng dưới 10 độ.
- Phương pháp nhận dạng khuôn mặt kết hợp PCA và mạng neural cho độ chính xác nhận dạng lên đến 88%, vượt trội hơn so với chỉ sử dụng PCA (khoảng 75%) hoặc mạng neural đơn lẻ (khoảng 80%).
- Hệ thống điểm danh tự động dựa trên nhận dạng khuôn mặt giảm thiểu sai sót điểm danh xuống dưới 5%, so với phương pháp thủ công có sai sót trên 15%.
- Thời gian xử lý trung bình cho mỗi lượt điểm danh là khoảng 1.5 giây, đáp ứng yêu cầu thời gian thực trong môi trường doanh nghiệp.

### Thảo luận kết quả

Kết quả cho thấy việc kết hợp các phương pháp phát hiện khuôn mặt dựa trên đặc trưng hình học và phân tích ảnh mức thấp giúp tăng độ chính xác phát hiện trong môi trường thực tế có nhiều biến đổi về ánh sáng và góc nhìn. Việc sử dụng PCA kết hợp mạng neural giúp trích chọn đặc trưng hiệu quả, giảm chiều dữ liệu và tăng khả năng phân loại chính xác.

So với các nghiên cứu trước đây, hệ thống này có cải tiến rõ rệt về độ chính xác và tốc độ xử lý, phù hợp với yêu cầu ứng dụng trong điểm danh tự động. Các dữ liệu có thể được trình bày qua biểu đồ so sánh tỷ lệ chính xác nhận dạng giữa các phương pháp và bảng thống kê thời gian xử lý trung bình.

Tuy nhiên, hệ thống vẫn còn hạn chế khi đối mặt với các trường hợp khuôn mặt bị che khuất hoặc ánh sáng quá yếu, cần nghiên cứu thêm các kỹ thuật nâng cao như học sâu (deep learning) hoặc kết hợp đa sinh trắc học để cải thiện.

## Đề xuất và khuyến nghị

- **Triển khai hệ thống điểm danh tự động:** Áp dụng tại các cơ quan, doanh nghiệp có số lượng nhân viên từ 100 trở lên, nhằm nâng cao hiệu quả quản lý nhân sự, giảm sai sót điểm danh. Thời gian thực hiện trong 6 tháng.
- **Nâng cao chất lượng dữ liệu đầu vào:** Đề nghị bố trí camera ở vị trí phù hợp, đảm bảo ánh sáng và góc nhìn chuẩn, giảm thiểu các vật cản che khuất khuôn mặt. Chủ thể thực hiện: bộ phận kỹ thuật và quản lý.
- **Kết hợp đa sinh trắc học:** Phát triển thêm các phương pháp nhận dạng vân tay, mống mắt để tăng độ chính xác và bảo mật cho hệ thống điểm danh. Mục tiêu giảm tỷ lệ sai sót dưới 2% trong vòng 1 năm.
- **Đào tạo và nâng cao nhận thức người dùng:** Tổ chức các khóa đào tạo cho nhân viên về cách sử dụng hệ thống, đảm bảo tuân thủ các quy định về bảo mật và quyền riêng tư. Thời gian triển khai 3 tháng.
- **Nghiên cứu phát triển thuật toán mới:** Áp dụng các kỹ thuật học sâu, mạng nơ-ron tích chập (CNN) để cải thiện khả năng nhận dạng trong điều kiện phức tạp. Thời gian nghiên cứu 12 tháng.

## Đối tượng nên tham khảo luận văn

- **Nhà quản lý nhân sự:** Hỗ trợ trong việc áp dụng công nghệ điểm danh tự động, nâng cao hiệu quả quản lý và giảm chi phí vận hành.
- **Chuyên gia công nghệ thông tin:** Tham khảo các thuật toán phát hiện và nhận dạng khuôn mặt, áp dụng trong phát triển hệ thống sinh trắc học.
- **Nhà nghiên cứu lĩnh vực thị giác máy tính và sinh trắc học:** Cung cấp cơ sở lý thuyết và thực nghiệm về các phương pháp xử lý ảnh và nhận dạng khuôn mặt.
- **Doanh nghiệp phát triển phần mềm:** Làm nền tảng để xây dựng các ứng dụng điểm danh, an ninh và quản lý truy cập dựa trên công nghệ sinh trắc học.

## Câu hỏi thường gặp

1. **Nhận dạng khuôn mặt có chính xác trong điều kiện ánh sáng yếu không?**  
   Hệ thống hiện tại đạt độ chính xác khoảng 85-90% trong điều kiện ánh sáng bình thường, tuy nhiên trong ánh sáng yếu, độ chính xác giảm do ảnh hưởng đến chất lượng ảnh đầu vào. Cần bổ sung các kỹ thuật xử lý ảnh nâng cao hoặc thiết bị hỗ trợ.

2. **Hệ thống có thể nhận dạng khi khuôn mặt bị che khuất không?**  
   Việc nhận dạng khi khuôn mặt bị che khuất như đeo khẩu trang hoặc kính đen vẫn là thách thức lớn. Hiện tại, hệ thống có thể nhận dạng chính xác trên 70% trường hợp có che khuất nhẹ, nhưng cần nghiên cứu thêm để cải thiện.

3. **Thời gian xử lý một lượt điểm danh là bao lâu?**  
   Trung bình hệ thống xử lý khoảng 1.5 giây cho mỗi lượt điểm danh, đáp ứng yêu cầu thời gian thực trong môi trường doanh nghiệp.

4. **Hệ thống có thể tích hợp với các phương pháp sinh trắc học khác không?**  
   Có thể tích hợp với các phương pháp như nhận dạng vân tay, mống mắt để tăng độ chính xác và bảo mật, đặc biệt trong các môi trường yêu cầu cao về an ninh.

5. **Làm thế nào để đảm bảo quyền riêng tư khi sử dụng hệ thống nhận dạng khuôn mặt?**  
   Cần tuân thủ các quy định pháp luật về bảo vệ dữ liệu cá nhân, đảm bảo thông tin được mã hóa và chỉ sử dụng cho mục đích điểm danh, đồng thời có sự đồng ý của người dùng khi thu thập dữ liệu.

## Kết luận

- Đã phát triển thành công hệ thống phát hiện và nhận dạng khuôn mặt từ camera với độ chính xác nhận dạng trên 85% và thời gian xử lý dưới 2 giây mỗi lượt.  
- Hệ thống điểm danh tự động giúp giảm sai sót điểm danh xuống dưới 5%, nâng cao hiệu quả quản lý nhân sự.  
- Kết hợp các phương pháp phân tích mức thấp, mô hình hình dạng động và mạng neural giúp cải thiện chất lượng phát hiện và nhận dạng khuôn mặt.  
- Hệ thống có thể áp dụng rộng rãi trong các cơ quan, doanh nghiệp với chi phí hợp lý và tính ứng dụng cao.  
- Đề xuất nghiên cứu tiếp tục phát triển thuật toán học sâu và tích hợp đa sinh trắc học để nâng cao độ chính xác và khả năng ứng dụng trong tương lai.

Triển khai thử nghiệm hệ thống tại các đơn vị thực tế, thu thập phản hồi và hoàn thiện giải pháp để đưa vào ứng dụng rộng rãi.  
**Kêu gọi:** Các nhà quản lý và chuyên gia công nghệ hãy quan tâm và áp dụng công nghệ nhận dạng khuôn mặt để nâng cao hiệu quả quản lý và bảo mật trong tổ chức.

Trích đoạn nội dung tài liệu

LỜI MỞ ĐẦU Công nghệ Sinh trắc học (Biometric) là một công nghệ sử dụng những thuộc tính vật lý hoặc các mẫu hành vi, các đặc điểm sinh học đặc trƣng nhƣ dấu vân tay, mẫu mống mắt, giọng nói, khuôn mặt, dáng đi. để nhận diện con ngƣời. Công nghệ sinh trắc học đƣợc áp dụng phổ biến và lâu đời, trong đó phƣơng pháp sử dụng nhận dạng khuôn mặt là tự nhiên nhất. Phƣơng pháp này đƣợc chính bản thân con ngƣời sử dụng từ khi đƣợc sinh ra để phân biệt giữa ngƣời này và ngƣời khác.

Ứng dụng khả năng phân biệt dựa trên các đặc điểm khác nhau của khuôn mặt, bài toán “Phát hiện và nhận dạng khuôn mặt từ camera, ứng dụng trong điểm danh” là bài toán có khả năng ứng dụng cao với chi phí thấp đƣợc áp dụng trong các cơ quan, doanh nghiệp. Với sự hỗ trợ của camera, máy tính và phần mềm điểm danh, nhà quản lý thu đƣợc thông tin về sự có mặt và thời gian làm việc của ngƣời lao động một cách chính xác và khách quan với chi phí thấp. Việc áp dụng nhận dạng khuôn mặt có thể đƣợc sử dụng một cách độc lập với ƣu điểm hơn các phƣơng pháp sinh trắc học khác ở tính tự nhiên của nó, đồng thời đây cũng có thể là một phƣơng pháp đƣợc sử dụng kết hợp với các phƣơng pháp sinh trắc khác để nâng cao tính chính xác của hệ thống khi vận hành. Chính vì tầm quan trọng của phát hiện, nhận dạng khuôn mặt nói riêng và công nghệ sinh trắc nói chung, tôi thực hiện đề tài “Phát hiện và nhận dạng khuôn mặt từ camera, ứng dụng trong điểm danh” với mục tiêu tìm hiểu các thuật toán phát hiện và nhận dạng khuôn mặt ngƣời từ đó xây dựng chƣơng trình điểm danh dựa trên khuôn mặt.

Tôi hy vọng đề tài này sẽ đem lại một số kiến thức hữu ích cho những ai quan tâm đến vấn đề về phát hiện và nhận dạng khôn mặt cũng nhƣ lĩnh vực sinh trắc học. Nội dung luận văn đƣợc chia làm 3 phần chính: Chƣơng 1 trình bày khái quát về quản lý học viên và bài toán điểm danh, trong đó nêu rõ đầu vào và đầu ra của bài toán cũng nhƣ ứng dụng thực tiễn của bài toán. Chƣơng 2 là những nghiên cứu, tìm hiểu về các thuật toán phát hiện và nhận dạng khuôn mặt. Chƣơng 3 trình bày thực nghiệm và ứng dụng của chƣơng trình điểm danh dựa trên nhận dạng khuôn mặt.

Phần cuối cùng là kết luận và hƣớng phát triển tiếp theo của luận văn. 7 Số hoá bởi Trung tâm Học liệuc– ĐHTN http://www.vn CHƢƠNG 1: SINH TRẮC HỌC VÀ BÀI TOÁN NHẬN DẠNG KHUÔN MẶT ỨNG DỤNG TRONG ĐIỂM DANH 1. Tổng quan về sinh trắc học Sinh trắc học hay công nghệ sinh trắc học (thuật ngữ khoa học là Biometric) là công nghệ sử dụng những thuộc tính vật lý, đặc điểm sinh học riêng của mỗi cá nhân nhƣ vân tay, mống mắt, khuôn mặt. Thuật ngữ sinh trắc học (Biometric) đƣợc dùng ghép theo tiếng Hy Lạp từ 2 từ: Bio (thuộc về thực thể sinh vật sống) và metriko (kỹ thuật độ đo, đo lƣờng), thuật ngữ này đã đƣợc hình thành trong quá trình phát triển loài ngƣời và đƣợc biết đến từ lâu để thể hiện các đặc trƣng về thể chất hay về hành vi của từng cá thể con ngƣời.

Có nhiều loại đặc trƣng sinh trắc học: vân tay (Fingerprint), lòng bàn tay (Palm print), dạng hình học bàn tay (Hand geometry), chữ ký viết tay (Hand written Signature), khuôn mặt (Face), tiếng nói (Voice), con ngƣơi mắt (Iris), võng mạc (Retina). Những đặc trƣng này đã đƣợc phát hiện từ rất sớm để nhận dạng, xác thực chủ thể con ngƣời và hiện nay đang đƣợc quan tâm nghiên cứu triển khai ứng dụng trong các lĩnh vực an ninh, quốc phòng, thƣơng mại, công nghiệp, dịch vụ. Các đặc trƣng sinh trắc học của cơ thể ngƣời đƣợc sử dụng phải đảm bảo các tiêu chuẩn sau đây: [1] - Tính rộng rãi: là tính chất cho biết thông thƣờng mọi ngƣời đều có đặc trƣng này, có thể tạo ra khả năng sử dụng hệ thống an ninh sinh trắc học cho một số lƣợng ngƣời lớn. - Tính phân biệt: là tính chất phân biệt đặc trƣng sinh trắc học giữa hai ngƣời bất kỳ phải khác nhau, đảm bảo sự duy nhất của chủ thể sinh trắc.

- Tính ổn định: là tính chất mà đặc trƣng sinh trắc phải có tính ổn định trong một thời gian tƣơng đối dài. - Tính dễ thu thập: là tính chất đặc trƣng sinh trắc học phải dễ dàng thu nhận mẫu khi đăng ký, kiểm tra xác thực, nâng cao tính khả thi trong sử dụng. - Tính hiệu quả: là tính chất mà việc xác thực sinh trắc phải chính xác, nhanh chóng và tài nguyên cần sử dụng đƣợc chấp nhận. - Tính chấp nhận đƣợc: là tính chất mà quá trình thu thập mẫu sinh trắc phải đƣợc sự đồng ý của ngƣời dùng.

8 Số hoá bởi Trung tâm Học liệuc– ĐHTN http://www.vn - Chống giả mạo: là tính chất ƣu việt của việc sử dụng đặc trƣng sinh trắc, khả năng mẫu sinh trắc khó bị giả mạo cao. Các đặc trưng sinh trắc phổ biến Đã có rất nhiều đặc trƣng sinh học khác nhau đã và đang đƣợc sử dụng. Mỗi loại đặc trƣng sinh trắc có điểm mạnh và điểm yếu riêng. Tuy nhiên không một đặc trƣng nào thỏa mãn tốt và đầy đủ tất cả các yêu cầu tính chất của một đặc trƣng sinh trắc học nêu trên, nghĩa là không có một đặc trƣng sinh trắc học hoàn toàn tối ƣu.

Trong một công trình nghiên cứu, các chuyên gia đã đƣa ra một bảng so sánh khái quát các tiêu chuẩn đánh giá các tính chất tƣơng ứng các đặc trƣng sinh trắc học sau đây: [1] Bảng 1.1: So sánh các công nghệ nhận dạng sinh trắc học Tính Tính Tính Tính Tính Đặc trƣng sinh Tính dễ chấp Chống rộng phân ổn hiệu trắc học thu thập nhận giả mạo rãi biệt định quả đƣợc Vân bàn tay M M M M M M L Dạng hình học M M M H M M M bàn tay Vân tay M H H M H M M Dáng đi M L L H L H M Khuôn mặt H L M H L H H Võng mạc H H M L H L L Mống mắt H H H M H L L Chỉ tay M H H M H M M Giọng nói M L L M L H H Trong đó: Các ký hiệu có ý nghĩa nhƣ sau: H (cao), M (trung bình) và L (thấp). 9 Số hoá bởi Trung tâm Học liệuc– ĐHTN http://www. Hệ thống sinh trắc học Hình 1. Mô hình hệ thống sinh trắc học [2] Một hệ thống sinh trắc học (Biometric System) thực chất là một hệ nhận dạng dựa trên các đặc điểm về hành vi hay thuộc tính vật lý của ngƣời cần nhận dạng.

Hệ thống sinh trắc học đƣợc phân ra thành hai loại chính: hệ thẩm định (Verification) và hệ nhận dạng (Identification, Recognition) [1] 1. Hệ thẩm định (Verification) Hệ thẩm định (Verification) là hệ thống thực hiện nhiệm vụ đối sánh 1-1 giữa mẫu sinh trắc học thu nhận đƣợc (biometric sample) với mẫu dạng sinh trắc học (biometric template) đã có trong hệ thống từ trƣớc. Kết quả trả lời câu hỏi mẫu sinh trắc thu nhận có liên quan tới mẫu dạng sinh trắc hay không? Thông thƣờng trong hệ thẩm định có kết hợp với thông tin định danh chủ thể để thực hiện chức năng xác thực 10 Số hoá bởi Trung tâm Học liệuc– ĐHTN http://www.vn thẩm định sinh trắc (Authentication). Trong hệ xác thực thẩm định đòi hỏi cao về độ chính xác để kết quả trả lời câu hỏi “Sinh trắc học sống thu nhận đƣợc (biometric sample) có phải là sinh trắc của chủ thể đã lƣu trong hệ thống không?” [1] 1.

Nhận dạng (Identification, Recognition) Hệ nhận dạng (Identification, Recognition) là hệ thống thực hiện chức năng tìm kiếm (1-n) từ một cơ sở dữ liệu lƣu trữ một tập các mẫu sinh trắc học để tìm ra một mẫu sinh trắc cụ thể trong các mẫu khuôn dạng sinh trắc thu thập từ trƣớc và sau đó thực hiện đối sánh xấp xỉ để nhận dạng phân lớp (Classification) hoặc nhận dạng đồng nhất (Identification), ví dụ nhƣ việc tìm mẫu vân tay tội phạm trong hồ sơ các vân tay, từ đó xác định danh tính của chủ sở hữu vân tay. Các thành phần chức năng chủ yếu - Thu nhận (Sensor, Capture): là thành phần có chức năng thu nhận mẫu sinh trắc học và biểu diễn chúng dƣới dạng số hóa. - Xử lý và trích chọn đặc trƣng (Feature Extraction): là thành phần chức năng thực hiện các phép xử lý phân tích và trích chọn các đặc trƣng từ mẫu sinh trắc học. - Đối sánh (Matching): là thành phần chức năng thực hiện so sánh các đặc trƣng vừa trích chọn với khuôn mẫu sinh trắc đã có trƣớc.

- Ra quyết định (Decision): là thành phần chức năng khẳng định danh tính ngƣời dùng (với hệ nhận dạng) dựa trên kết quả đối sánh của chức năng đối sánh có thể là một câu trả lời đúng hoặc một câu trả lời sai về mẫu sinh trắc học so với khuôn mẫu sinh trắc có từ trƣớc (với hệ thẩm định). Hoạt động của hệ thống Hoạt động của một hệ thống sinh trắc bao gồm 2 giai đoạn cơ bản sau đây: - Đăng ký (Enrollment): là giai đoạn đăng ký mẫu sinh trắc vào hệ thống. - Thẩm định hoặc nhận dạng (Verification/Identification): là giai đoạn thẩm định, nhận dạng mẫu sinh trắc vừa trích chọn với khuôn mẫu sinh trắc đã có trƣớc. Đánh giá hiệu năng và chất lƣợng hoạt động của hệ sinh trắc học Một hệ sinh trắc học khi hoạt động thƣờng gặp hai vấn đề về lỗi sau đây: 11 Số hoá bởi Trung tâm Học liệuc– ĐHTN http://www.vn - Lỗi phát sinh khi đối sánh mẫu sinh trắc của hai ngƣời khác nhau nhƣng cho kết quả là của cùng một ngƣời.

Lỗi này đƣợc gọi là loại bỏ sai (false reject hay false match). - Lỗi phát sinh khi đối sánh hai mẫu sinh trắc của cùng một ngƣời nhƣng cho kết quả sai, vì cho rằng là của hai ngƣời khác nhau. Lỗi này đƣợc gọi là chấp nhận sai (false accept hay false nonmatch). Để đo lƣờng mức độ lỗi của hệ thống sinh trắc, các độ đo lƣờng thƣờng dùng đƣợc định nghĩa nhƣ sau: - FMR (False Match Rate): còn gọi là FAR (False Accept Ratio) - Tỷ số chấp nhận sai: cho biết tỉ lệ trả lời là đúng đối với dữ liệu vào là sai.

- Tỷ số từ chối sai: cho biết tỉ lệ trả lời là sai đối với dữ liệu vào là đúng. Một vấn đề là hai độ đo lƣờng này có sự ràng buộc với nhau nhƣ sau: nếu FAR cao thì FRR sẽ giảm tƣơng đối và ngƣợc lại.