## Tổng quan nghiên cứu

Nhận dạng khuôn mặt là một lĩnh vực nghiên cứu quan trọng trong ngành công nghệ thông tin, đặc biệt trong bối cảnh an ninh và bảo mật ngày càng được chú trọng. Theo ước tính, các hệ thống nhận dạng khuôn mặt đã được ứng dụng rộng rãi trong nhiều lĩnh vực như an ninh, giáo dục, ngân hàng và y tế. Bài toán nhận dạng khuôn mặt không chỉ đòi hỏi độ chính xác cao mà còn phải đảm bảo tốc độ xử lý nhanh và khả năng thích nghi với các điều kiện thay đổi như ánh sáng, tư thế và biểu cảm khuôn mặt.

Luận văn tập trung nghiên cứu và ứng dụng mạng nơron nhân tạo trong bài toán nhận dạng khuôn mặt, đặc biệt là nhận dạng thí sinh dự thi nhằm giảm thiểu gian lận trong giáo dục. Mục tiêu cụ thể bao gồm: khảo sát các phương pháp trích chọn đặc trưng như PCA, LDA, EBGM; phân tích và lựa chọn thuật toán mạng nơron MLP phù hợp; thiết kế và cài đặt phần mềm mô phỏng nhận dạng thí sinh dự thi. Phạm vi nghiên cứu tập trung vào dữ liệu ảnh khuôn mặt thu thập tại Trường Đại học Công nghệ Thông tin và Truyền thông – Đại học Thái Nguyên trong giai đoạn 2015-2016.

Ý nghĩa của nghiên cứu được thể hiện qua việc nâng cao độ chính xác nhận dạng, giảm thời gian xử lý và tăng cường an ninh trong các kỳ thi, góp phần cải thiện chất lượng giáo dục và đảm bảo công bằng trong thi cử.

## Cơ sở lý thuyết và phương pháp nghiên cứu

### Khung lý thuyết áp dụng

- **Phương pháp trích chọn đặc trưng PCA (Principal Component Analysis):** Giúp giảm chiều dữ liệu ảnh khuôn mặt từ không gian kích thước lớn (ví dụ 112×92 pixels tương đương 10,304 chiều) xuống không gian nhỏ hơn (khoảng 49 chiều) mà vẫn giữ được đặc trưng quan trọng. PCA tìm các eigenface đại diện cho các thành phần chính của ảnh.

- **Phương pháp phân tách tuyến tính LDA (Linear Discriminant Analysis):** Tối đa hóa sự khác biệt giữa các lớp (người khác nhau) và giảm thiểu sự khác biệt trong cùng một lớp (cùng một người), giúp tăng hiệu quả phân loại.

- **Phương pháp EBGM (Elastic Bunch Graph Matching):** Sử dụng biến đổi Gabor wavelet để trích xuất đặc trưng phi tuyến, xây dựng đồ thị đàn hồi mô tả cấu trúc khuôn mặt, phù hợp với các biến đổi về tư thế, ánh sáng và biểu cảm.

- **Mạng nơron nhân tạo MLP (Multilayer Perceptron):** Mạng nơron đa lớp với khả năng học có giám sát, sử dụng hàm kích hoạt phi tuyến, thích hợp cho việc phân loại các vector đặc trưng khuôn mặt.

### Phương pháp nghiên cứu

- **Nguồn dữ liệu:** Bộ dữ liệu ảnh khuôn mặt thu thập từ thí sinh dự thi tại Trường Đại học Công nghệ Thông tin và Truyền thông – Đại học Thái Nguyên, gồm khoảng 200 ảnh với đa dạng tư thế và điều kiện ánh sáng.

- **Phương pháp phân tích:** Áp dụng PCA để giảm chiều dữ liệu, tiếp theo sử dụng EBGM để trích chọn đặc trưng phi tuyến, sau đó huấn luyện mạng nơron MLP với thuật toán lan truyền ngược (backpropagation) để phân lớp nhận dạng.

- **Timeline nghiên cứu:** 
  - Nghiên cứu lý thuyết và khảo sát phương pháp (3 tháng)
  - Thu thập và xử lý dữ liệu (2 tháng)
  - Thiết kế và cài đặt phần mềm mô phỏng (3 tháng)
  - Đánh giá và hoàn thiện luận văn (2 tháng)

## Kết quả nghiên cứu và thảo luận

### Những phát hiện chính

- **Hiệu quả trích chọn đặc trưng:** PCA giảm chiều dữ liệu từ 10,304 xuống còn 49 chiều, giữ lại hơn 99% thông tin quan trọng. EBGM cho phép trích xuất đặc trưng phi tuyến, giúp nhận dạng chính xác hơn trong các điều kiện ánh sáng và tư thế khác nhau.

- **Độ chính xác nhận dạng:** Mạng nơron MLP kết hợp với đặc trưng EBGM đạt độ chính xác nhận dạng khoảng 92%, cao hơn so với phương pháp sử dụng PCA kết hợp SVM (khoảng 85%).

- **Tốc độ xử lý:** Thời gian nhận dạng trung bình cho một ảnh là khoảng 0.15 giây, đáp ứng yêu cầu vận hành thực tế trong các kỳ thi với số lượng thí sinh lớn.

- **Khả năng ứng dụng thực tế:** Phần mềm mô phỏng nhận dạng thí sinh dự thi đã được thử nghiệm tại một số phòng thi, giảm thiểu tình trạng thi hộ và gian lận, đồng thời giảm tải công việc cho cán bộ coi thi.

### Thảo luận kết quả

Kết quả cho thấy việc kết hợp biến đổi Gabor wavelet trong EBGM với mạng nơron MLP mang lại hiệu quả nhận dạng vượt trội nhờ khả năng xử lý đặc trưng phi tuyến và thích nghi với biến đổi dữ liệu. So với các nghiên cứu trước đây chỉ sử dụng PCA hoặc LDA, phương pháp này cải thiện đáng kể độ chính xác và độ ổn định. Dữ liệu có thể được trình bày qua biểu đồ so sánh độ chính xác giữa các phương pháp và bảng thống kê thời gian xử lý trung bình.

Nguyên nhân thành công là do EBGM khai thác đặc trưng cục bộ của khuôn mặt, trong khi mạng nơron MLP có khả năng học phi tuyến và tổng quát hóa tốt. Tuy nhiên, việc huấn luyện mạng đòi hỏi bộ dữ liệu đủ lớn và chất lượng ảnh cao để tránh hiện tượng quá khớp.

## Đề xuất và khuyến nghị

- **Phát triển hệ thống nhận dạng khuôn mặt tích hợp:** Triển khai rộng rãi phần mềm nhận dạng thí sinh dự thi tại các trường đại học, cao đẳng nhằm nâng cao tính chính xác và giảm thiểu gian lận trong thi cử.

- **Nâng cao chất lượng dữ liệu:** Thu thập thêm dữ liệu ảnh đa dạng về tư thế, ánh sáng và biểu cảm để cải thiện khả năng học và tổng quát của mạng nơron, dự kiến trong vòng 6-12 tháng.

- **Tối ưu thuật toán huấn luyện:** Áp dụng các kỹ thuật học sâu (deep learning) và tăng cường dữ liệu để nâng cao hiệu quả nhận dạng, giảm thời gian huấn luyện, thực hiện trong 1 năm tới.

- **Đào tạo và hướng dẫn sử dụng:** Tổ chức các khóa đào tạo cho cán bộ coi thi và quản lý hệ thống để đảm bảo vận hành hiệu quả, dự kiến trong 3 tháng đầu sau khi triển khai.

## Đối tượng nên tham khảo luận văn

- **Nhà nghiên cứu và sinh viên ngành Khoa học máy tính:** Nắm bắt các phương pháp trích chọn đặc trưng và thuật toán mạng nơron trong nhận dạng khuôn mặt, áp dụng cho các đề tài nghiên cứu liên quan.

- **Chuyên gia phát triển phần mềm an ninh:** Áp dụng kiến thức về EBGM và mạng nơron MLP để xây dựng các hệ thống nhận dạng khuôn mặt chính xác và hiệu quả.

- **Cán bộ quản lý giáo dục và phòng khảo thí:** Sử dụng phần mềm mô phỏng nhận dạng thí sinh để nâng cao công tác giám sát thi cử, giảm thiểu gian lận.

- **Doanh nghiệp công nghệ và an ninh:** Tích hợp giải pháp nhận dạng khuôn mặt vào các sản phẩm bảo mật, kiểm soát ra vào, thanh toán điện tử.

## Câu hỏi thường gặp

1. **Mạng nơron MLP là gì và tại sao được chọn cho bài toán nhận dạng khuôn mặt?**  
Mạng nơron MLP là mạng nơron đa lớp với khả năng học phi tuyến và tổng quát hóa tốt. Nó được chọn vì có thể xử lý các đặc trưng phức tạp của khuôn mặt và đạt độ chính xác cao trong phân loại.

2. **Phương pháp EBGM có ưu điểm gì so với PCA và LDA?**  
EBGM sử dụng biến đổi Gabor wavelet để trích xuất đặc trưng phi tuyến, giúp nhận dạng chính xác hơn trong các điều kiện ánh sáng, tư thế và biểu cảm khác nhau, vượt trội hơn PCA và LDA vốn chỉ xử lý đặc trưng tuyến tính.

3. **Làm thế nào để giảm chiều dữ liệu ảnh khuôn mặt hiệu quả?**  
Phương pháp PCA được sử dụng để giảm chiều dữ liệu từ hàng chục nghìn xuống khoảng vài chục chiều, giữ lại các đặc trưng quan trọng nhất, giúp giảm tải tính toán cho mạng nơron.

4. **Phần mềm mô phỏng nhận dạng thí sinh có thể áp dụng trong thực tế như thế nào?**  
Phần mềm giúp nhận dạng chính xác thí sinh dự thi, giảm thiểu gian lận thi hộ, tiết kiệm thời gian kiểm tra và nâng cao hiệu quả công tác giám sát thi cử.

5. **Thách thức lớn nhất khi áp dụng mạng nơron trong nhận dạng khuôn mặt là gì?**  
Thách thức là cần bộ dữ liệu huấn luyện lớn và đa dạng để tránh hiện tượng quá khớp, đồng thời yêu cầu thời gian và tài nguyên tính toán cao trong quá trình huấn luyện mạng.

## Kết luận

- Đề tài đã nghiên cứu và đánh giá các phương pháp trích chọn đặc trưng PCA, LDA, EBGM và các thuật toán phân loại như SVM, mạng nơron MLP trong nhận dạng khuôn mặt.  
- Phương pháp kết hợp EBGM và mạng nơron MLP cho kết quả nhận dạng thí sinh dự thi với độ chính xác khoảng 92%, vượt trội so với các phương pháp truyền thống.  
- Phần mềm mô phỏng được thiết kế và thử nghiệm thành công, có khả năng ứng dụng thực tế trong công tác giám sát thi cử.  
- Nghiên cứu góp phần nâng cao hiệu quả và độ tin cậy của hệ thống nhận dạng khuôn mặt trong lĩnh vực giáo dục và an ninh.  
- Đề xuất các hướng phát triển tiếp theo bao gồm mở rộng dữ liệu, áp dụng học sâu và triển khai thực tế rộng rãi.

Hành động tiếp theo là triển khai thử nghiệm mở rộng phần mềm tại các kỳ thi tiếp theo và nghiên cứu tích hợp các công nghệ mới nhằm nâng cao hiệu quả nhận dạng.