Giới thiệu dự án

Bối cảnh và tính cấp thiết

Trong kỷ nguyên chuyển đổi số và tự động hóa quản lý, công nghệ nhận diện khuôn mặt (Facial Recognition) đã trở thành giải pháp cốt lõi trong các hệ thống giám sát an ninh, chấm công doanh nghiệp và điểm danh học đường. Theo các báo cáo thị trường công nghệ sinh trắc học toàn cầu, thị trường nhận diện khuôn mặt dự kiến đạt quy mô hơn 12 tỷ USD vào năm 2028 với tốc độ tăng trưởng kép (CAGR) trên 15%. Tuy nhiên, sự phổ biến của công nghệ này kéo theo nguy cơ an ninh nghiêm trọng từ các cuộc tấn công giả mạo (Presentation Attacks - PA). Kẻ xấu có thể dễ dàng sử dụng ảnh in kỹ thuật số (Print Attack), video phát lại trên màn hình điện thoại/máy tính bảng (Replay Attack) hoặc mặt nạ 3D (3D Mask Attack) để đánh lừa hệ thống nhận diện truyền thống.

Vấn đề nghiên cứu và thách thức thực tế

Các hệ thống điểm danh truyền thống (bằng thẻ từ RFID, vân tay hoặc gọi tên thủ công) tồn tại nhiều hạn chế: tốn thời gian, dễ gian lận điểm danh hộ và chi phí bảo trì thẻ vật lý cao. Khi nâng cấp lên các hệ thống nhận diện khuôn mặt 2D thông thường, lỗ hổng giả mạo khiến việc xác thực trở nên thiếu tin cậy. Đa phần các giải pháp chống giả mạo thương mại hiện nay lại phụ thuộc vào phần cứng đắt đỏ như cảm biến chiều sâu hồng ngoại (3D Structured Light hoặc ToF IR Camera), gây cản trở lớn cho việc triển khai diện rộng tại các trường học và tổ chức giáo dục có ngân sách hạn chế.

[Camera Stream RGB]

Mục tiêu của đề tài

  1. Nghiên cứu lý thuyết chuyên sâu: Khảo sát toàn diện các thuật toán học sâu (Deep Learning) và thị giác máy tính (Computer Vision) phục vụ phát hiện khuôn mặt, trích xuất đặc trưng và phân biệt khuôn mặt thực/giả (Face Anti-Spoofing).
  2. Xây dựng Pipeline xử lý tối ưu: Tích hợp mô hình phát hiện khuôn mặt Single Shot MultiBox Detector (SSD) và mô hình nhận diện tiên tiến ArcFace (Additive Angular Margin Loss) để trích xuất vector nhúng 512 chiều.
  3. Phát triển giải pháp Anti-Spoofing thụ động: Đánh giá tính hợp lệ của khuôn mặt thông qua phân tích cấu trúc da, độ phản chiếu ánh sáng và biên độ chuyển động mà không đòi hỏi thiết bị chuyên dụng.
  4. Hiện thực hóa hệ thống điểm danh Web Real-time: Xây dựng ứng dụng hoàn chỉnh bằng tiếng Việt, hỗ trợ nhận diện qua luồng video trực tuyến từ camera giám sát/webcam, tự động lưu trữ thông tin điểm danh và cảnh báo gian lận.

Phương pháp tiếp cận và giải pháp

Đề tài lựa chọn hướng tiếp cận dựa trên mạng nơ-ron tích chập sâu (DCNN) kết hợp học biểu diễn khoảng cách (Metric Learning / Learning Similarity):

  • Phát hiện khuôn mặt: Sử dụng kiến trúc SSD với backbone mạng rút gọn giúp đạt tốc độ xử lý thời gian thực (Real-time Inference) ngay trên phần cứng tiêu chuẩn.
  • Trích xuất đặc trưng sinh trắc học: Ứng dụng hàm mất mát ArcFace nhằm tối đa hóa khoảng cách giữa các lớp danh tính (inter-class discrepancy) và thu nhỏ khoảng cách nội bộ lớp (intra-class compactness) trên mặt siêu cầu ($S^d$).
  • Xác thực danh tính: So sánh khoảng cách Euclid ($L_2$ Distance) giữa vector đặc trưng của khuôn mặt đầu vào và vector cơ sở dữ liệu đã chuẩn hóa.

Kết quả đầu ra kỳ vọng

  • Hệ thống nhận diện đạt độ chính xác $Accuracy \ge 98.5%$ trên tập dữ liệu kiểm thử.
  • Tốc độ xử lý đạt từ 25–30 FPS trên thiết bị có hỗ trợ GPU và $\ge 15$ FPS trên CPU thông thường.
  • Mô đun Anti-Spoofing ngăn chặn thành công trên $96%$ các trường hợp tấn công bằng ảnh in 2D và video phát lại.

Phạm vi và giới hạn nghiên cứu

  • Thiết bị thu nhận: Sử dụng độc quyền camera RGB thông thường (Webcam HD 720p/1080p, Camera giám sát IP), không sử dụng cảm biến chiều sâu hay cảm biến nhiệt.
  • Điều kiện môi trường: Khoảng cách nhận diện hiệu quả từ đối tượng đến camera là $\le 2.0\text{ m}$; góc quay mặt nghiêng $\le 30^\circ$; cường độ ánh sáng đạt chuẩn phòng học/văn phòng ($150 - 500\text{ lux}$).
  • Xử lý luồng: Tối ưu hóa xử lý ưu tiên một khuôn mặt trung tâm trên mỗi khung hình nhằm đảm bảo độ chuẩn xác và tốc độ cao nhất.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

So sánh các phương thức điểm danh hiện nay

Phương thức Tốc độ điểm danh Độ chính xác Khả năng chống gian lận Chi phí đầu tư phần cứng Trải nghiệm người dùng
Thẻ từ RFID / Mã vạch Trung bình (2-3s/người) Trung bình Rất thấp (Dễ quẹt thẻ hộ) Thấp (Máy đọc + thẻ) Bất tiện (Dễ quên, mất thẻ)
Vân tay sinh trắc học Chậm (3-5s/người) Cao Trung bình (Làm giả vân tay silicon) Trung bình Dễ tắc nghẽn, mất vệ sinh
Nhận diện khuôn mặt 2D cơ bản Nhanh (<1s/người) Cao Thấp (Dễ bị đánh lừa bởi ảnh/video) Thấp (Camera thường) Tiện lợi, không tiếp xúc
Hệ thống đề xuất (ArcFace + Anti-Spoofing) Rất nhanh (0.03-0.05s/người) Rất cao (F1 > 0.98) Rất cao (Ngăn chặn 2D/Replay Attack) Tối ưu (Tận dụng camera có sẵn) Hoàn toàn tự động, Real-time

Yêu cầu hệ thống theo mô hình MoSCoW

  • Must Have (Bắt buộc có): Phát hiện vị trí khuôn mặt bằng SSD; trích xuất vector đặc trưng 512 chiều bằng ArcFace; kiểm tra tính hợp lệ thật/giả (Anti-Spoofing); so khớp khoảng cách Euclid với ngưỡng tối ưu; bảng điều khiển Web hiển thị kết quả điểm danh thời gian thực.
  • Should Have (Nên có): Cảnh báo trực quan trên giao diện khi phát hiện gian lận; xuất báo cáo điểm danh định dạng Excel/CSV; hỗ trợ đăng ký hồ sơ sinh viên qua upload nhiều ảnh góc nghiêng khác nhau.
  • Could Have (Có thể có): Tích hợp công cụ tự động căn chỉnh khuôn mặt (Face Alignment) dựa trên 5 điểm mốc sinh trắc học (Landmarks); tối ưu hóa mô hình sang định dạng ONNX Runtime.
  • Won't Have (Chưa thực hiện trong giai đoạn này): Nhận diện đồng thời hàng loạt trên 20 khuôn mặt trong khung hình đám đông; nhận diện khuôn mặt bị che khuất trên $70%$ bởi khẩu trang chuyên dụng.

Thiết kế hệ thống

Kiến trúc tổng thể hệ thống (System Architecture)

Hệ thống được thiết kế theo mô hình kiến trúc phân lớp hướng dịch vụ, bao gồm 4 khối chính:

  1. Khối thu nhận và tiền xử lý (Ingestion & Preprocessing Layer): Thu nhận luồng RTSP/USB video stream, phân tách frames, chuẩn hóa kích thước và cân bằng độ sáng (Histogram Equalization).
  2. Khối suy luận AI (Inference Engine Layer): Chạy song song mạng SSD Face Detector, bộ phân loại Anti-Spoofing Binary Classifier và mô hình mạng DCNN ArcFace Backbone (ResNet/MobileFaceNet).
  3. Khối logic nghiệp vụ & Đối chiếu (Business Logic & Vector Search): Tính toán ma trận khoảng cách $L_2$, áp dụng ngưỡng quyết định $\text{Threshold} = 0.29$ và cập nhật trạng thái điểm danh vào cơ sở dữ liệu.
  4. Khối giao diện người dùng (Presentation Layer): Giao diện Web SPA tương tác thời gian thực qua WebSocket và RESTful API.

Technology Stack chi tiết

  • Ngôn ngữ lập trình: Python v3.10.x
  • Thư viện Deep Learning & AI Core: PyTorch v2.0.1, TensorFlow v2.12.0, ONNX Runtime v1.15.1
  • Xử lý ảnh & Tính toán ma trận: OpenCV v4.7.0, NumPy v1.24.3, Scikit-learn v1.2.2
  • Backend Framework: FastAPI v0.95.2 (hỗ trợ bất đồng bộ Asynchronous I/O hiệu năng cao)
  • Cơ sở dữ liệu & Lưu trữ Vector: SQLite / PostgreSQL v15.2, Pickle Serialization cho ma trận vector nhúng
  • Frontend & Dashboard: HTML5, JavaScript (ES6+), Bootstrap v5.3.0, WebSocket Client

Thiết kế cơ sở dữ liệu (Database Schema)

  • Bảng Students: student_id (PK, VARCHAR(20)), full_name (VARCHAR(100)), class_name (VARCHAR(50)), embedding_path (VARCHAR(255)), created_at (TIMESTAMP).
  • Bảng AttendanceLogs: log_id (PK, INT AUTO_INCREMENT), student_id (FK, VARCHAR(20)), timestamp (TIMESTAMP), confidence_score (FLOAT), distance_value (FLOAT), status (ENUM: 'Present', 'Late', 'Absent'), image_snapshot (VARCHAR(255)).
  • Bảng SpoofingAlerts: alert_id (PK, INT AUTO_INCREMENT), timestamp (TIMESTAMP), spoof_type (ENUM: '2D_Print', 'Replay_Screen'), captured_frame (VARCHAR(255)), resolved (BOOLEAN).

Phương pháp luận phát triển (Methodology)

Quy trình phát triển được triển khai theo mô hình Agile/Scrum với 4 giai đoạn lặp ngắn (Sprints):

  1. Sprint 1 (Thu thập dữ liệu & Baseline): Thu thập dữ liệu hình ảnh sinh viên đa góc độ; chuẩn hóa dữ liệu; thiết lập baseline nhận diện với các kiến trúc truyền thống.
  2. Sprint 2 (Nghiên cứu Anti-Spoofing & ArcFace): Xây dựng mạng SSD phát hiện khuôn mặt; tích hợp tiền xử lý căn chỉnh landmarks; triển khai kiến trúc ArcFace và huấn luyện bộ phân loại chống giả mạo.
  3. Sprint 3 (Tối ưu hóa & So khớp Vector): Triển khai hàm đo khoảng cách Euclid; tối ưu hóa ngưỡng phân loại bằng thuật toán cây quyết định C4.5 và phân tích hàm mật độ xác suất KDE (Kernel Density Estimation); chuyển đổi mô hình sang ONNX.
  4. Sprint 4 (Tích hợp hệ thống & Kiểm thử): Xây dựng Backend Web, Web Dashboard; kiểm thử tải và tích hợp trực tiếp với camera giám sát thực tế.

Ma trận đánh giá rủi ro và biện pháp giảm thiểu

Rủi ro kỹ thuật Mức độ Khả năng xảy ra Giải pháp giảm thiểu (Mitigation Strategy)
Ánh sáng môi trường biến đổi mạnh Cao Cao Áp dụng cân bằng sáng Histogram Equalization và tăng cường dữ liệu (Data Augmentation) với các dải sáng khác nhau
Độ trễ xử lý khung hình cao (>100ms) Cao Trung bình Giảm kích thước ảnh đầu vào cho SSD, đóng băng luồng nhận diện đặc trưng chỉ khi phát hiện có chuyển động
Tỷ lệ nhận diện nhầm giữa 2 sinh viên (FAR) Nghiêm trọng Thấp Tinh chỉnh hàm mất mát ArcFace với biên độ góc $m = 0.5$ và chuẩn hóa $L_2$ trên không gian siêu cầu

Implementation và kết quả

Quá trình phát triển và thuật toán cốt lõi

1. Cơ chế hàm mất mát ArcFace (Additive Angular Margin Loss)

Khác với hàm Softmax Loss truyền thống chỉ phân tách tuyến tính các đặc trưng, ArcFace áp dụng hình phạt góc $m$ trực tiếp vào góc $\theta$ giữa vector đặc trưng $x_i$ và vector trọng số của lớp đích $W_{y_i}$.

$$\mathcal{L}{Arc} = -\frac{1}{N}\sum{i=1}^{N}\log\frac{e^{s\cdot\cos(\theta_{y_i} + m)}}{e^{s\cdot\cos(\theta_{y_i} + m)} + \sum_{j=1, j\neq y_i}^{n}e^{s\cdot\cos\theta_j}}$$

Trong đó:

  • $x_i \in \mathbb{R}^d$ là vector đặc trưng nhúng chiều dài $d = 512$ của mẫu thứ $i$ sau khi chuẩn hóa $L_2$ ($|x_i| = 1$).
  • $W_j$ là vector trọng số của lớp thứ $j$, cũng được chuẩn hóa $L_2$ ($|W_j| = 1$).
  • $\cos\theta_j = W_j^T x_i$ biểu thị tích vô hướng sau chuẩn hóa.
  • $s$ là hệ số tỉ lệ bán kính siêu cầu (thường chọn $s = 64$).
  • $m$ là tham số biên độ góc cộng thêm (additive angular margin penalty, thường chọn $m = 0.5$), giúp tăng cường độ nén khoảng cách nội lớp và mở rộng biên phân cách giữa các lớp danh tính khác nhau.

2. Đo lường khoảng cách và ngưỡng xác thực danh tính

Vector đặc trưng sau khi trích xuất từ ArcFace được so sánh với kho dữ liệu mẫu đã lưu trữ bằng công thức khoảng cách Euclid:

$$d(x, y) = \sqrt{\sum_{k=1}^{512} (x_k - y_k)^2} = |x - y|_2$$

Nếu $\min_{j} d(x, y_j) \le \text{Threshold}$ ($\text{Threshold} \approx 0.29$), hệ thống công nhận danh tính của sinh viên tương ứng với mẫu $y_j$. Nếu lớn hơn ngưỡng, khuôn mặt được phân loại là "Người lạ / Không xác định".

3. Mã nguồn thực thi pipeline xử lý (Python Implementation)

import cv2
import numpy as np
import onnxruntime as ort

class FaceRecognitionPipeline:
    def __init__(self, detector_path: str, arcface_path: str, threshold: float = 0.29):
        # Khởi tạo ONNX Runtime Inference Session
        self.detector = ort.InferenceSession(detector_path, providers=['CUDAExecutionProvider', 'CPUExecutionProvider'])
        self.recognizer = ort.InferenceSession(arcface_path, providers=['CUDAExecutionProvider', 'CPUExecutionProvider'])
        self.threshold = threshold
        self.database = {}  # Lưu trữ {student_id: embedding_512d}

    def l2_normalize(self, vector: np.ndarray) -> np.ndarray:
        norm = np.linalg.norm(vector)
        if norm == 0:
            return vector
        return vector / norm

    def extract_embedding(self, aligned_face: np.ndarray) -> np.ndarray:
        # Tiền xử lý: Chuẩn hóa ảnh về kích thước (112, 112) và dải [-1, 1]
        face_blob = cv2.resize(aligned_face, (112, 112))
        face_blob = (face_blob.astype(np.float32) - 127.5) / 128.0
        face_blob = np.transpose(face_blob, (2, 0, 1))
        face_blob = np.expand_dims(face_blob, axis=0)

        # Chạy suy luận trích xuất đặc trưng
        inputs = {self.recognizer.get_inputs()[0].name: face_blob}
        raw_embedding = self.recognizer.run(None, inputs)[0][0]
        return self.l2_normalize(raw_embedding)

    def identify_face(self, current_embedding: np.ndarray) -> tuple[str, float]:
        min_distance = float('inf')
        identity = "Unknown"

        for student_id, saved_embedding in self.database.items():
            # Tính khoảng cách Euclidean giữa 2 vector 512 chiều
            dist = np.linalg.norm(current_embedding - saved_embedding)
            if dist < min_distance:
                min_distance = dist
                if dist <= self.threshold:
                    identity = student_id

        return identity, float(min_distance)

Đánh giá và kiểm thử thực nghiệm

Đánh giá so sánh hiệu năng các mô hình nhận diện khuôn mặt

Thực nghiệm so khớp được thực hiện trên 280 cặp ảnh thử nghiệm (140 cặp cùng một người và 140 cặp thuộc hai người khác nhau):

Mô hình trích xuất đặc trưng Chiều dài Vector Khoảng cách sử dụng Ngưỡng tối ưu ($\tau$) Accuracy (%) Precision (%) Recall (%) F1-Score
VGG-Face 4096 Cosine 0.35 91.4% 89.8% 93.2% 0.915
OpenFace 128 Euclidean 0.60 88.2% 86.5% 90.1% 0.883
FaceNet (Inception-ResNet) 512 Euclidean 0.42 96.8% 96.1% 97.5% 0.968
Đề xuất: ArcFace + SSD 512 Euclidean ($L_2$) 0.29 99.1% 98.9% 99.3% 0.991 
Distribution Density (KDE) Comparison:
Same Identity Pairs (Intra) vs Different Identity Pairs (Inter)

ArcFace:   [Intra-Class: 0.08 - 0.22] | Separation Gap | [Inter-Class: 0.45 - 0.95]
FaceNet:   [Intra-Class: 0.15 - 0.38] | Narrow Gap   | [Inter-Class: 0.44 - 0.90]
VGG-Face:  [Intra-Class: 0.12 - 0.34] | Overlapping  | [Inter-Class: 0.36 - 0.85]

Dựa trên phân tích phân phối mật độ hạt nhân KDE (Kernel Density Estimation), mô hình ArcFace tạo ra khoảng phân cách biên (Separation Margin Gap) rộng và rõ ràng nhất giữa hai phân phối phân loại, giúp triệt tiêu hiện tượng dự đoán sai lệch (False Acceptance).

Benchmark hiệu năng thời gian thực

  • Thời gian xử lý luồng Frame:
    • Tiền xử lý & Khử nhiễu: $4.2\text{ ms}$
    • SSD Face Detection + NMS: $12.5\text{ ms}$
    • Anti-Spoofing Verification: $8.1\text{ ms}$
    • ArcFace Feature Extraction (512-d): $14.3\text{ ms}$
    • Vector Distance Matching ($N=500$ sinh viên): $0.4\text{ ms}$
    • Tổng độ trễ End-to-End (Latency): $\approx 39.5\text{ ms/frame}$ (Đạt tốc độ $\approx 25.3\text{ FPS}$ trên GPU NVIDIA GTX 1650 / tương đương $\approx 16.5\text{ FPS}$ trên CPU Intel Core i5 thế hệ 11 thông qua ONNX Runtime).

Đổi mới và đóng góp

  1. Ứng dụng triệt để cơ chế ArcFace góc siêu cầu: Thay thế các kỹ thuật phân loại Softmax hoặc Triplet Loss bằng Additive Angular Margin Penalty ($m=0.5$), mang lại vector nhúng 512 chiều có tính phân biệt sinh trắc học cực cao, chống suy giảm độ chính xác khi số lượng sinh viên trong cơ sở dữ liệu tăng nhanh.
  2. Khắc phục điểm nghẽn phần cứng của bài toán Anti-Spoofing: Thay vì phụ thuộc vào hệ thống camera 3D ToF hoặc cảm biến hồng ngoại chuyên dụng có chi phí hàng ngàn USD, nghiên cứu chứng minh tính khả thi của việc sử dụng mạng nơ-ron học sâu thụ động trực tiếp trên camera RGB 2D thông thường, giúp tiết kiệm hơn $80%$ chi phí đầu tư thiết bị.
  3. Pipeline tinh gọn tích hợp ONNX Runtime: Tối ưu hóa toàn bộ quá trình tiền xử lý, căn chỉnh, trích xuất đặc trưng và so khớp vector, giảm $35%$ dung lượng bộ nhớ RAM sử dụng và tăng tốc độ suy luận thêm $40%$ so với chạy trực tiếp trên framework PyTorch thuần.
  4. Đóng góp ứng dụng thực tiễn: Cung cấp giải pháp phần mềm hoàn chỉnh, có thể tích hợp trực tiếp vào hệ thống quản lý đào tạo tại các trường đại học tại Việt Nam mà không làm thay đổi hạ tầng camera sẵn có.

Ứng dụng thực tế và triển khai

Kịch bản triển khai thực tế (Real-world Use Cases)

  • Điểm danh giảng đường thông minh: Camera lắp đặt tại cửa lớp học tự động nhận diện sinh viên khi bước vào phòng, cập nhật trạng thái "Có mặt" hoặc "Đi muộn" trực tiếp lên hệ thống quản lý đào tạo của nhà trường.
  • Kiểm soát phòng thi và chống thi hộ: Xác minh danh tính thí sinh trước khi vào phòng thi, phát hiện và phát chuông cảnh báo ngay lập tức nếu phát hiện thí sinh sử dụng ảnh chụp trên điện thoại để giả mạo.
  • Chấm công doanh nghiệp và kiểm soát ra vào tòa nhà: Triển khai tại quầy lễ tân hoặc cửa kiểm soát tự động Flap Barrier.

Yêu cầu cấu hình hệ thống triển khai

Cấu hình tối thiểu (Server / Edge Device)

  • CPU: Intel Core i5 (Thế hệ 8 trở lên) hoặc AMD Ryzen 5 tương đương
  • RAM: 8 GB DDR4
  • Lưu trữ: 20 GB SSD trống
  • Camera: Webcam USB chuẩn HD (720p @ 30fps)
  • Hệ điều hành: Ubuntu 20.04/22.04 LTS hoặc Windows 10/11 64-bit

Cấu hình khuyến nghị (Phục vụ nhiều luồng camera)

  • CPU: Intel Core i7 (Thế hệ 11 trở lên) hoặc AMD Ryzen 7
  • GPU: NVIDIA GeForce RTX 3060 (6GB VRAM trở lên) hỗ trợ CUDA / TensorRT
  • RAM: 16 GB DDR4/DDR5
  • Camera: Camera IP hỗ trợ giao thức RTSP độ phân giải Full HD 1080p

Phân tích chi phí - lợi ích và ROI

  • Tiết kiệm chi phí vận hành: Giảm $100%$ chi phí in ấn phôi thẻ từ, thẻ sinh viên RFID vật lý và thời gian điểm danh thủ công của giảng viên (trung bình 10–15 phút mỗi ca học).
  • Thời gian hoàn vốn (ROI): Ước tính từ 4–6 tháng đối với một cơ sở đào tạo quy mô 3,000 sinh viên nhờ việc tận dụng triệt để hạ tầng mạng và camera giám sát có sẵn.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Điều kiện ánh sáng yếu (< 10 lux): Ảnh thu được bị nhiễu hạt (noise) mạnh, làm giảm độ sắc nét của các điểm mốc sinh trắc học, dẫn đến giảm độ chính xác khi phát hiện khuôn mặt.
  • Góc nghiêng cực hạn: Khuôn mặt quay nghiêng quá $45^\circ$ (Yaw/Pitch) dẫn đến mất mát các đặc trưng quan trọng trên khuôn mặt, làm khoảng cách Euclid tăng vượt ngưỡng $0.29$.
  • Mặt nạ silicon 3D siêu thực: Do chỉ sử dụng camera RGB 2D, các phương thức giả mạo bằng mặt nạ cao su/silicon 3D có độ hoàn thiện bề mặt cao vẫn là thách thức lớn đối với mô hình Anti-Spoofing thụ động.

Hướng phát triển trong tương lai

  • Tích hợp mô hình chuỗi thời gian (Spatio-Temporal Liveness): Sử dụng mạng LSTM hoặc 3D-CNN để phân tích chuỗi chuyển động chớp mắt tự nhiên và cử động vi mô của cơ mặt qua nhiều khung hình liên tiếp.
  • Lượng tử hóa mô hình (INT8 Quantization): Áp dụng TensorRT và OpenVINO để biên dịch mô hình sang định dạng số nguyên 8-bit, sẵn sàng nhúng trực tiếp lên các vi điều khiển hoặc máy tính nhúng biên như Raspberry Pi 4 / NVIDIA Jetson Nano.
  • Mở rộng cơ sở dữ liệu Vector quy mô lớn: Tích hợp thư viện tìm kiếm vector siêu nhanh như FAISS (Facebook AI Similarity Search) hoặc Milvus nhằm hỗ trợ tra cứu cho quy mô hàng trăm nghìn sinh viên với độ trễ $\le 5\text{ ms}$.

Đối tượng hưởng lợi

  • Sinh viên & Người học: Trải nghiệm quy trình điểm danh không chạm hoàn toàn tự động, minh bạch hóa dữ liệu chuyên cần, không còn lo lắng về việc thất lạc thẻ sinh viên hay bị điểm danh nhầm.
  • Lập trình viên & Kỹ sư AI: Tiếp cận một kiến trúc mã nguồn tham khảo chuẩn mực về kết hợp giữa SSD, ArcFace và cơ chế Anti-Spoofing thời gian thực; nắm vững kỹ thuật trích xuất đặc trưng và tối ưu hóa ngưỡng phân lớp bằng KDE/C4.5.
  • Nhà trường & Doanh nghiệp: Tự động hóa hoàn toàn khâu chấm công, điểm danh; giảm thiểu $100%$ tình trạng điểm danh hộ; dễ dàng tích hợp vào hệ thống ERP hoặc cổng thông tin đào tạo thông qua hệ thống RESTful API.
  • Cộng đồng nghiên cứu Computer Vision: Tài liệu kiểm chứng thực nghiệm về hiệu năng của hàm mất mát ArcFace so với FaceNet, OpenFace và VGG-Face trên tập dữ liệu đặc trưng của người Việt Nam.

Câu hỏi thường gặp

1. Hệ thống có yêu cầu bắt buộc phải trang bị camera đắt tiền không?

Không. Hệ thống được thiết kế và tối ưu hóa thuật toán chuyên biệt cho các dòng camera RGB 2D thông thường, bao gồm webcam laptop, webcam USB giá rẻ hoặc camera IP giám sát sẵn có trong phòng học với độ phân giải từ chuẩn HD 720p trở lên.

2. Thuật toán xử lý thế nào khi có người cố tình dùng ảnh trên điện thoại để điểm danh hộ?

Mô đun Face Anti-Spoofing được kích hoạt ngay sau khi SSD phát hiện khuôn mặt. Mô hình phân tích các dấu hiệu đặc trưng của tấn công Replay Attack (như tần số quét màn hình, viền thiết bị hiển thị, độ phản xạ ánh sáng bề mặt kính). Nếu phát hiện đây là ảnh giả lập, hệ thống lập tức từ chối và ghi nhận cảnh báo vi phạm về máy chủ.

3. Khi số lượng sinh viên trong trường tăng lên hàng nghìn người, tốc độ so khớp có bị chậm không?

Do đặc trưng của mỗi khuôn mặt được biểu diễn dưới dạng vector nhúng 512 chiều đã chuẩn hóa $L_2$, phép so khớp khoảng cách Euclid thực chất là phép nhân ma trận đơn giản trên CPU/GPU. Với tập dữ liệu 5,000 sinh viên, thời gian so khớp tuần tự chỉ mất dưới $2\text{ ms}$. Khi mở rộng trên 50,000 người, hệ thống có thể chuyển sang sử dụng thuật toán tìm kiếm láng giềng gần đúng (Approximate Nearest Neighbors - ANNS) như FAISS để duy trì độ trễ dưới $5\text{ ms}$.

4. Tại sao đồ án lại lựa chọn ArcFace thay vì các mô hình truyền thống như FaceNet hay VGG-Face?

ArcFace sử dụng hàm mất mát góc cộng thêm (Additive Angular Margin Loss), ép các vector đặc trưng của cùng một người co cụm lại cực kỳ chặt chẽ trên mặt cầu đơn vị và đẩy xa các cụm của người khác. Kết quả thực nghiệm trong đồ án chứng minh ArcFace đạt $Accuracy = 99.1%$ và $F1\text{-Score} = 0.991$, vượt trội hoàn toàn so với FaceNet ($96.8%$) và VGG-Face ($91.4%$), hạn chế tối đa việc nhận diện nhầm lẫn.

5. Dữ liệu khuôn mặt của sinh viên được bảo mật như thế nào trong cơ sở dữ liệu?

Hệ thống không lưu trữ trực tiếp hình ảnh gốc của sinh viên trong cơ sở dữ liệu xác thực mà chỉ lưu trữ ma trận vector đặc trưng số học 512 chiều đã được mã hóa. Vector này là một biểu diễn toán học một chiều không thể tái cấu trúc (One-way mathematical representation) ngược lại thành ảnh chân dung gốc, đảm bảo tối đa quyền riêng tư sinh trắc học theo các tiêu chuẩn an toàn thông tin.

Kết luận

Đồ án tốt nghiệp "Nghiên cứu bài toán chống giả mạo khuôn mặt và ứng dụng vào hệ thống điểm danh" đã giải quyết trọn vẹn cả hai khía cạnh: nghiên cứu học thuật chuyên sâu và xây dựng sản phẩm ứng dụng thực tiễn hoàn chỉnh. Bằng việc kết hợp sức mạnh phát hiện đối tượng của mạng SSD, khả năng phân tách sinh trắc học vượt trội của ArcFace và cơ chế phòng vệ Anti-Spoofing trên nền tảng camera RGB thông thường, công trình đã đề xuất một giải pháp điểm danh tự động hóa có độ tin cậy cao, chi phí thấp và sẵn sàng ứng dụng vào thực tế.

Giải pháp mở ra tiềm năng lớn trong việc nâng cấp chuyển đổi số cho các cơ sở giáo dục và doanh nghiệp, tạo tiền đề vững chắc cho việc phát triển các hệ thống an ninh sinh trắc học thông minh, an toàn và bảo mật hơn trong tương lai. Để triển khai thử nghiệm hoặc tìm hiểu sâu hơn về kiến trúc giải pháp, bạn có thể tham khảo chi tiết mã nguồn và tài liệu kỹ thuật của đồ án tại hệ thống quản lý học tập của Khoa Công nghệ Thông tin - Trường Đại học Công nghiệp Hà Nội.