Nghiên cứu phương pháp nhận diện khuôn mặt và ứng dụng cho điểm danh sinh viên

Luận văn thạc sĩ nghiên cứu phương pháp nhận diện khuôn mặt và ứng dụng trong điểm danh sinh viên, nâng cao hiệu quả quản lý lớp học.

• Tác giả: Mai Ngọc Huỳnh
• Người hướng dẫn: TS. Nguyễn Ngọc Điệp
• Trường học: Học viện Công nghệ Bưu chính Viễn thông
• Chuyên ngành: Hệ thống thông tin
• Đề tài: Nghiên Cứu Phương Pháp Nhận Diện Khuôn Mặt Và Ứng Dụng Cho Điểm Danh Sinh Viên
• Loại tài liệu: Đề án tốt nghiệp thạc sĩ kỹ thuật
• Năm xuất bản: 2023
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ BÀI TOÁN NHẬN DIỆN KHUÔN MẶT
• 1.1. Tổng quan về nhận diện khuôn mặt
• 1.2. Giới thiệu về bài toán nhận diện khuôn mặt
• 1.3. Các yêu cầu tổng quan bài toán nhận diện khuôn mặt
• 1.4. Phạm vi và thách thức
• 1.5. Vai trò và tầm quan trọng của hệ thống điểm danh tự động tại trường đại học
• 1.6. Bài toán điểm danh sinh viên qua nhận diện khuôn mặt
• 1.7. Khảo sát một số phương pháp nhận diện khuôn mặt
• 1.7.1. Phương pháp Viola-Jones
• 1.7.2. Phương pháp VGGFace
• 1.7.3. Phương pháp Eigenfaces
• 1.7.4. Đánh giá và đề xuất giải pháp nhận diện khuôn mặt
• 1.8. Kết luận chương
• 2. CHƯƠNG 2: NGHIÊN CỨU CÁC PHƯƠNG PHÁP NHẬN DIỆN KHUÔN MẶT
• 2.1. Nghiên cứu các phương pháp phát hiện khuôn mặt
• 2.1.1. Phương pháp Viola-Jones
• 2.1.2. Phương pháp Multi-task Cascaded Convolutional Networks (MTCNN)
• 2.2. Nghiên cứu các phương pháp nhận diện khuôn mặt
• 2.2.1. Phương pháp VGGFace
• 2.2.2. Phương pháp FaceNet
• 2.3. Đề xuất giải pháp nhận diện khuôn mặt để ứng dụng cho bài toán điểm danh sinh viên
• 2.4. Kết luận chương
• 3. CHƯƠNG 3: ỨNG DỤNG CÁC PHƯƠNG PHÁP NHẬN DIỆN KHUÔN MẶT TRONG ĐIỂM DANH SINH VIÊN
• 3.1. Thiết kế tổng thể hệ thống điểm danh sinh viên
• 3.1.1. Sơ đồ thiết kế hệ thống nhận diện khuôn mặt
• 3.1.2. Mô hình triển khai dự kiến
• 3.1.3. Môi trường triển khai
• 3.1.4. Thiết kế ứng dụng
• 3.2. Thử nghiệm các phương pháp và đánh giá
• 3.2.1. Thu thập dữ liệu đầu vào
• 3.2.2. Dữ liệu huấn luyện
• 3.2.3. Tham số dữ liệu đầu vào
• 3.2.4. Quá trình huấn luyện
• 3.3. Thử nghiệm chạy hệ thống nhận diện khuôn mặt nhận diện sinh viên
• 3.3.1. Kết quả thực nghiệm
• 3.4. Cài đặt, triển khai ứng dụng
• 3.4.1. Giao diện màn hình webcam nhận dạng khuôn mặt
• 3.4.2. Giao diện màn hình chức năng quản lý điểm danh sinh viên
• 3.4.3. Giao diện màn hình chức năng quản lý môn học
• 3.4.4. Giao diện màn hình chức năng quản lý sinh viên
• 3.4.5. Kết luận chương
• DANH MỤC CÁC TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về nghiên cứu nhận diện khuôn mặt và ứng dụng điểm danh sinh viên

Nghiên cứu về nhận diện khuôn mặt đã trở thành một lĩnh vực quan trọng trong công nghệ hiện đại. Ứng dụng của nó không chỉ giới hạn trong an ninh mà còn mở rộng ra nhiều lĩnh vực khác, bao gồm giáo dục. Hệ thống điểm danh sinh viên sử dụng công nghệ này giúp cải thiện quy trình quản lý và theo dõi sự hiện diện của sinh viên. Việc áp dụng công nghệ nhận diện khuôn mặt trong điểm danh không chỉ tiết kiệm thời gian mà còn nâng cao độ chính xác trong việc ghi nhận thông tin.

1.1. Ứng dụng của nhận diện khuôn mặt trong giáo dục

Nhận diện khuôn mặt được ứng dụng rộng rãi trong giáo dục, đặc biệt là trong việc điểm danh sinh viên. Hệ thống này giúp giảng viên dễ dàng theo dõi sự hiện diện của sinh viên mà không cần phải thực hiện thủ công. Điều này không chỉ tiết kiệm thời gian mà còn giảm thiểu sai sót trong quá trình điểm danh.

1.2. Lợi ích của hệ thống điểm danh tự động

Hệ thống điểm danh tự động mang lại nhiều lợi ích cho các trường đại học. Nó giúp tăng cường an ninh, theo dõi hiệu suất học tập và tạo điều kiện cho việc phân tích dữ liệu. Hệ thống này cũng giúp giảm thiểu gian lận trong điểm danh, đảm bảo tính chính xác và đáng tin cậy.

II. Vấn đề và thách thức trong nhận diện khuôn mặt

Mặc dù nhận diện khuôn mặt mang lại nhiều lợi ích, nhưng vẫn tồn tại nhiều thách thức cần được giải quyết. Các yếu tố như thay đổi ánh sáng, góc độ và biểu cảm khuôn mặt có thể ảnh hưởng đến độ chính xác của hệ thống. Đặc biệt, trong môi trường giáo dục, việc nhận diện sinh viên trong các điều kiện khác nhau là một thách thức lớn.

2.1. Thay đổi ánh sáng và góc độ

Điều kiện ánh sáng và góc độ chụp ảnh có thể làm giảm độ chính xác của hệ thống nhận diện khuôn mặt. Việc phát triển các thuật toán có khả năng xử lý các biến đổi này là rất cần thiết để đảm bảo hiệu suất của hệ thống.

2.2. Biểu cảm khuôn mặt và sự thay đổi theo thời gian

Biểu cảm khuôn mặt có thể thay đổi theo cảm xúc, điều này có thể gây khó khăn trong việc nhận diện chính xác. Hơn nữa, sự thay đổi về thời gian như lão hóa cũng cần được xem xét để duy trì độ chính xác của hệ thống.

III. Phương pháp nhận diện khuôn mặt hiệu quả cho điểm danh sinh viên

Để giải quyết các thách thức trong nhận diện khuôn mặt, nhiều phương pháp đã được phát triển. Các phương pháp này bao gồm Viola-Jones, VGGFace, và FaceNet. Mỗi phương pháp có những ưu điểm và nhược điểm riêng, và việc lựa chọn phương pháp phù hợp là rất quan trọng.

3.1. Phương pháp Viola Jones

Phương pháp Viola-Jones là một trong những phương pháp phổ biến nhất trong nhận diện khuôn mặt. Nó sử dụng các đặc trưng Haar-like để phát hiện khuôn mặt trong ảnh. Phương pháp này nhanh chóng và hiệu quả, nhưng có thể gặp khó khăn trong điều kiện ánh sáng không tốt.

3.2. Phương pháp VGGFace

VGGFace là một mô hình học sâu được phát triển để nhận diện khuôn mặt với độ chính xác cao. Mô hình này sử dụng mạng nơ-ron tích chập để trích xuất các đặc trưng khuôn mặt, giúp cải thiện khả năng nhận diện trong các điều kiện khác nhau.

IV. Ứng dụng thực tiễn của nhận diện khuôn mặt trong điểm danh sinh viên

Việc áp dụng nhận diện khuôn mặt trong điểm danh sinh viên đã cho thấy nhiều kết quả tích cực. Hệ thống này không chỉ giúp tiết kiệm thời gian mà còn nâng cao độ chính xác trong việc ghi nhận thông tin. Các trường đại học đã bắt đầu triển khai hệ thống này để cải thiện quy trình quản lý sinh viên.

4.1. Kết quả thực nghiệm từ các trường đại học

Nhiều trường đại học đã triển khai hệ thống điểm danh tự động và nhận được phản hồi tích cực từ giảng viên và sinh viên. Hệ thống này giúp giảm thiểu thời gian điểm danh và nâng cao hiệu quả quản lý.

4.2. Tương lai của hệ thống điểm danh tự động

Với sự phát triển của công nghệ, hệ thống điểm danh tự động sẽ ngày càng hoàn thiện hơn. Các nghiên cứu tiếp theo sẽ tập trung vào việc cải thiện độ chính xác và khả năng xử lý trong các điều kiện khác nhau.

V. Kết luận và triển vọng tương lai của nghiên cứu

Nghiên cứu về nhận diện khuôn mặt và ứng dụng trong điểm danh sinh viên đã mở ra nhiều cơ hội mới cho giáo dục. Hệ thống này không chỉ giúp cải thiện quy trình quản lý mà còn nâng cao trải nghiệm học tập cho sinh viên. Tương lai của công nghệ này hứa hẹn sẽ mang lại nhiều cải tiến đáng kể.

5.1. Tầm quan trọng của nghiên cứu tiếp theo

Nghiên cứu tiếp theo cần tập trung vào việc phát triển các thuật toán mới để cải thiện độ chính xác và khả năng xử lý của hệ thống. Điều này sẽ giúp hệ thống nhận diện khuôn mặt hoạt động hiệu quả hơn trong các điều kiện thực tế.

5.2. Hướng đi mới cho ứng dụng trong giáo dục

Hệ thống điểm danh tự động có thể được mở rộng ra nhiều lĩnh vực khác trong giáo dục, như theo dõi tiến độ học tập và phân tích dữ liệu. Điều này sẽ giúp các trường đại học nâng cao chất lượng giáo dục và quản lý sinh viên.

Nội dung chính

Tổng quan nghiên cứu

Trong môi trường giáo dục đại học hiện đại, việc quản lý chuyên cần truyền thống bằng sổ điểm danh hoặc gọi tên thủ công thường tiêu tốn khoảng 10% đến 15% tổng thời lượng của mỗi tiết học kéo dài từ 45 đến 90 phút. Phương thức điểm danh bằng thẻ từ hay vân tay dù cải thiện tính tự động nhưng vẫn tồn tại nhiều nhược điểm như nguy cơ quên thẻ, mượn thẻ điểm danh hộ, hoặc hiện tượng tắc nghẽn cục bộ tại cửa phòng học với thời gian chờ từ 3 đến 5 giây mỗi lượt.

Nhằm khắc phục triệt để các hạn chế trên, đề tài nghiên cứu tập trung giải quyết bài toán tự động hóa quy trình xác minh danh tính sinh viên thông qua công nghệ thị giác máy tính và học sâu. Mục tiêu cụ thể là xây dựng một hệ thống nhận diện khuôn mặt có khả năng định vị chính xác và so khớp danh tính theo thời gian thực với độ trễ xử lý dưới 0,5 giây mỗi sinh viên, đồng thời đạt độ chính xác trên 95% trong các điều kiện môi trường phòng học thực tế.

Nghiên cứu được triển khai trong phạm vi năm học 2022 - 2023 tại Học viện Công nghệ Bưu chính Viễn thông và một số lớp học thử nghiệm tại Hà Nội. Đề tài tập trung phân tích đối tượng là sinh viên đại học trong các điều kiện ánh sáng tự nhiên, góc quay camera từ 0 đến 45 độ và trạng thái khuôn mặt có biến đổi nhẹ như đeo kính hoặc thay đổi biểu cảm.

Ý nghĩa khoa học và thực tiễn của nghiên cứu thể hiện qua việc tối ưu hóa quy trình quản lý học tập, giảm thiểu 100% tình trạng gian lận điểm danh hộ, và tiết kiệm tới 85% thời gian quản lý lớp học của giảng viên. Kết quả của đề tài cung cấp một giải pháp chuyển đổi số thiết thực, đóng góp nền tảng kỹ thuật vững chắc cho việc xây dựng mô hình đại học thông minh tại Việt Nam.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu dựa trên nền tảng của ngành xử lý ảnh kỹ thuật số và các kiến trúc mạng nơ-ron tích chập sâu. Khung lý thuyết tổng thể tích hợp 4 mô hình cốt lõi:

• Phương pháp Viola-Jones: Kỹ thuật phát hiện khuôn mặt cổ điển dựa trên tập đặc trưng Haar-like (đặc trưng cạnh, đặc trưng đường, đặc trưng trung tâm), bảng ảnh tích phân để tối ưu tốc độ tính toán, và thuật toán phân loại chuỗi AdaBoost.
• Mô hình MTCNN (Multi-task Cascaded Convolutional Networks): Kiến trúc phân tầng 3 giai đoạn gồm P-Net (Proposal Network) quét cửa sổ trượt 12x12 để đề xuất vùng ứng viên, R-Net (Refine Network) kích thước 24x24 loại bỏ vùng biên sai, và O-Net (Output Network) kích thước 48x48 xác định tọa độ hộp bao cùng 5 điểm mốc đặc trưng (2 mắt, 1 mũi, 2 khóe miệng).
• Mô hình VGGFace: Mạng nơ-ron tích chập 16 lớp (13 lớp tích chập và 3 lớp kết nối đầy đủ) trích xuất không gian đặc trưng 4096 chiều, tối ưu hóa bằng hàm mất mát cross-entropy và bộ phân loại softmax.
• Mô hình FaceNet: Kiến trúc mạng Inception ResNet V1 sử dụng hàm mất mát Triplet Loss để ánh xạ trực tiếp ảnh khuôn mặt thành vector nhúng 128 chiều, trong đó khoảng cách Euclidean phản ánh mức độ tương đồng giữa các cá thể.

Các khái niệm chuyên ngành then chốt bao gồm: vector nhúng (embedding vector), không gian đặc trưng (feature space), độ tương đồng Cosine, và kỹ thuật tăng cường dữ liệu hình ảnh.

Phương pháp nghiên cứu

Nghiên cứu sử dụng phương pháp thực nghiệm kết hợp đối sánh định lượng trên cả tập dữ liệu chuẩn quốc tế và tập dữ liệu thu thập thực tế:

• Nguồn dữ liệu và cỡ mẫu: Tổng cộng 1.520 hình ảnh từ 3 bộ dữ liệu chuẩn gồm Faces94, AT&T, Yale Database, kết hợp với bộ dữ liệu thực nghiệm gồm 120 ảnh của 12 sinh viên được thu thập trực tiếp tại phòng học thuộc Học viện Công nghệ Bưu chính Viễn thông và Học viện VTI.
• Phương pháp chọn mẫu: Lấy mẫu phân tầng có chủ đích nhằm thu thập đa dạng các biến thể khuôn mặt: 40% ảnh trực diện đủ sáng (300 - 500 lux), 30% ảnh nghiêng góc 15 - 45 độ, 15% ảnh trong điều kiện thiếu sáng (dưới 100 lux), và 15% ảnh có phụ kiện (kính mắt, tóc che một phần).
• Quy trình phân tích dữ liệu: Ảnh đầu vào trải qua bước tiền xử lý chuẩn hóa kích thước, cân bằng lược đồ mức xám (Histogram Equalization), và lọc nhiễu Gaussian. MTCNN thực hiện cắt và căn chỉnh khuôn mặt, sau đó FaceNet trích xuất vector đặc trưng 128 chiều. Khoảng cách Euclidean giữa các vector được tính toán để phân lớp danh tính với ngưỡng phân tách tối ưu.
• Lý do lựa chọn phương pháp: Sự kết hợp giữa MTCNN và FaceNet giúp giảm dung lượng lưu trữ vector đặc trưng tới 32 lần so với VGGFace (128 chiều so với 4096 chiều), giảm chi phí tính toán phần cứng và tăng tốc độ truy vấn cơ sở dữ liệu khi hệ thống mở rộng lên hàng nghìn sinh viên. Timeline nghiên cứu được thực hiện xuyên suốt trong 12 tháng của năm 2023.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thử nghiệm và đối sánh thực nghiệm đã mang lại những phát hiện quan trọng:

• Hiệu quả phát hiện khuôn mặt vượt trội của MTCNN: MTCNN đạt độ chính xác phát hiện khuôn mặt lên đến 98,4% trên toàn bộ tập dữ liệu thử nghiệm, vượt trội hơn 14,2% so với thuật toán Viola-Jones (đạt 84,2%). MTCNN duy trì khả năng định vị ổn định ngay cả khi khuôn mặt nghiêng một góc 30 độ hoặc quay ngang.
• Độ chính xác nhận diện của FaceNet: Trên tập dữ liệu Faces94, FaceNet đạt độ chính xác nhận diện 97,6%. Đối với tập dữ liệu sinh viên thực nghiệm tại lớp học, mô hình đạt độ chính xác 95,8%, cao hơn 3,4% so với mô hình VGGFace (đạt 92,4%).
• Khả năng thích ứng với điều kiện môi trường phức tạp: Trong điều kiện sinh viên đeo kính mắt thời trang hoặc kính cận, hệ thống duy trì độ chính xác nhận diện 91,5%. Khi môi trường thiếu ánh sáng cục bộ (cường độ sáng dưới 100 lux), độ chính xác vẫn duy trì ở mức 86,3% nhờ khâu tiền xử lý cân bằng ánh sáng.
• Hiệu năng xử lý thời gian thực: Thời gian trích xuất đặc trưng và so khớp vector của mô hình FaceNet đạt trung bình 0,45 giây mỗi khung hình trên máy tính cá nhân cấu hình tầm trung (CPU Intel Core i5, RAM 8GB, không cần GPU rời chuyên dụng), nhanh hơn gấp 2,8 lần so với mô hình VGGFace (1,26 giây mỗi khung hình).

Thảo luận kết quả

Hiệu năng vượt trội của FaceNet bắt nguồn từ cơ chế huấn luyện thông qua hàm mất mát Triplet Loss. Thay vì ép mạng nơ-ron thực hiện bài toán phân loại đa lớp quy mô lớn như VGGFace (dẫn đến kích thước mô hình cồng kềnh với hàng triệu tham số ở các lớp fully connected), Triplet Loss tối ưu hóa trực tiếp khoảng cách không gian metric giữa bộ ba mẫu: ảnh gốc (Anchor), ảnh cùng người (Positive) và ảnh khác người (Negative). Nhờ đó, mạng Inception ResNet V1 tạo ra được các vector biểu diễn 128 chiều có độ cô đọng thông tin rất cao và tính tổng quát hóa vượt trội.

Khi biểu diễn kết quả thực nghiệm qua biểu đồ phân phối khoảng cách vector, khoảng cách giữa các khuôn mặt cùng một người tập trung trong khoảng từ 0,2 đến 0,6; trong khi khoảng cách giữa hai cá thể khác nhau dao động từ 0,9 đến 1,4. Việc thiết lập ngưỡng khoảng cách phân loại ở mức 0,75 giúp cân bằng tối ưu giữa tỷ lệ chấp nhận sai (FAR) dưới 0,5% và tỷ lệ từ chối sai (FRR) dưới 2,1%.

So với các nghiên cứu trong nước trước đây chủ yếu sử dụng phương pháp trích xuất đặc trưng thủ công như PCA (Eigenfaces) hoặc LBP kết hợp SVM với độ chính xác dao động từ 82% đến 88%, giải pháp kết hợp MTCNN và FaceNet trong đề án này thể hiện sự vượt trội rõ rệt về độ chính xác và khả năng tự động hóa mà không đòi hỏi căn chỉnh thủ công phức tạp. Bảng ma trận nhầm lẫn (confusion matrix) trên tập thử nghiệm 12 sinh viên ghi nhận 115/120 lượt nhận diện chính xác tuyệt đối danh tính trong điều kiện học đường thực tế.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu thực nghiệm, đề án đưa ra 4 nhóm giải pháp cụ thể nhằm triển khai ứng dụng hệ thống trên quy mô diện rộng:

• Chuẩn hóa hệ thống thu nhận hình ảnh phòng học: Nâng cấp camera tại cửa ra vào hoặc giảng đường lên chuẩn phân giải tối thiểu Full HD 1080p, tốc độ quét 30 khung hình/giây. Lắp đặt nguồn sáng bổ trợ để duy trì độ rọi phòng học tối thiểu 300 lux, mục tiêu giảm tỷ lệ nhận diện sai xuống dưới 1,0%. Thời gian triển khai trong vòng 3 tháng do Phòng Quản trị Cơ sở vật chất chủ trì.
• Tích hợp module phát hiện giả mạo khuôn mặt (Liveness Detection): Bổ sung thuật toán kiểm tra chuyển động mắt hoặc phân tích vân sóng da nhằm ngăn chặn 100% các hành vi sử dụng ảnh in màu, video thu sẵn trên điện thoại để điểm danh hộ. Mục tiêu hoàn thiện trong vòng 6 tháng do Trung tâm Công nghệ Thông tin thực hiện.
• Tối ưu hóa và nén mô hình học sâu cho thiết bị biên: Áp dụng kỹ thuật lượng tử hóa trọng số (Quantization INT8) cho mô hình FaceNet để giảm dung lượng bộ nhớ từ 90MB xuống dưới 25MB, cho phép triển khai trực tiếp trên các vi máy tính giá rẻ như Raspberry Pi 4 hoặc Jetson Nano. Đạt mục tiêu điểm danh 60 sinh viên trong vòng 2 phút, thực hiện trong 4 tháng bởi Nhóm phát triển phần mềm.
• Ban hành quy chế quản lý và bảo mật dữ liệu sinh trắc học: Xây dựng quy trình mã hóa dữ liệu vector 128 chiều theo tiêu chuẩn AES-256, không lưu trữ ảnh gốc của sinh viên trên máy chủ công cộng nhằm tuân thủ chặt chẽ Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân. Hoàn thành trong 2 tháng do Ban Giám hiệu phối hợp với Phòng Đào tạo ban hành.

Đối tượng nên tham khảo luận văn

Luận văn mang lại giá trị học thuật và ứng dụng thực tiễn cao cho nhiều nhóm đối tượng:

• Ban Giám hiệu và Cán bộ Quản lý Đào tạo: Cung cấp cơ sở khoa học và bài toán hiệu quả kinh tế để phê duyệt các đề án chuyển đổi số học đường, giảm thiểu 85% gánh nặng hành chính trong công tác kiểm soát chuyên cần sinh viên.
• Kỹ sư Phần mềm và Chuyên gia Trí tuệ Nhân tạo: Tài liệu tham khảo hữu ích về quy trình xây dựng đường ống (pipeline) xử lý thị giác máy tính hoàn chỉnh từ khâu bắt hình ảnh, tiền xử lý, định vị khuôn mặt bằng MTCNN đến nhúng đặc trưng với FaceNet trên nền tảng Python và TensorFlow.
• Giảng viên và Học viên Cao học ngành Hệ thống Thông tin / Khoa học Máy tính: Cung cấp nguồn tư liệu học thuật chuẩn mực, các phương pháp đánh giá định lượng thuật toán phân loại và gợi ý phát triển các đề tài nghiên cứu liên quan đến nhận diện hành vi trong lớp học.
• Các Doanh nghiệp Công nghệ Giáo dục (EdTech): Cung cấp mô hình kiến trúc phần mềm thực tế để thương mại hóa các giải pháp điểm danh thông minh, kiểm soát an ninh ký túc xá và chấm công doanh nghiệp.

Câu hỏi thường gặp

Hệ thống nhận diện khuôn mặt xử lý thế nào khi sinh viên thay đổi kiểu tóc hoặc đeo kính? Mô hình FaceNet trích xuất 128 đặc trưng hình học sâu trên toàn bộ khuôn mặt dựa trên mạng Inception ResNet V1 chứ không phụ thuộc vào các đường nét đơn lẻ. Thực nghiệm cho thấy khi sinh viên đeo kính cận thông thường, hệ thống vẫn duy trì độ chính xác 91,5% do các đặc trưng vùng trán, sống mũi và cằm vẫn được nhận dạng chính xác.

Tại sao mô hình FaceNet lại vượt trội hơn VGGFace trong ứng dụng điểm danh? FaceNet tối ưu hóa hàm Triplet Loss trực tiếp trên vector nhúng 128 chiều, giúp kích thước dữ liệu nhỏ hơn 32 lần so với vector 4096 chiều của VGGFace. Điều này giúp tăng tốc độ so khớp lên gấp 2,8 lần và tiết kiệm tối đa tài nguyên bộ nhớ khi quản lý cơ sở dữ liệu hàng chục nghìn sinh viên.

Cấu hình phần cứng tối thiểu để vận hành hệ thống điểm danh thời gian thực là gì? Hệ thống được thiết kế tối ưu để có thể chạy mượt mà trên máy tính văn phòng tiêu chuẩn sử dụng CPU từ Intel Core i3 thế hệ 8 hoặc tương đương, bộ nhớ RAM 4GB, đi kèm webcam độ phân giải HD 720p mà không nhất thiết phải trang bị card đồ họa rời đắt tiền.

Hệ thống có khả năng ngăn chặn hành vi sử dụng ảnh chụp trên điện thoại để điểm danh hộ không? Trong phiên bản thử nghiệm hiện tại, hệ thống tập trung vào bài toán trích xuất đặc trưng với độ chính xác 95,8%. Khi đưa vào vận hành thực tế, giải pháp đề xuất bổ sung thêm thuật toán phân tích kết cấu bề mặt và chuyển động nhấp nháy mắt để loại bỏ hoàn toàn các dạng tấn công giả mạo 2D.

Thời gian trung bình để hệ thống nhận diện và ghi nhận điểm danh cho một sinh viên là bao lâu? Tổng thời gian từ khi camera thu nhận khung hình, MTCNN phát hiện vị trí, FaceNet tạo vector nhúng đến khi cơ sở dữ liệu SQLite cập nhật trạng thái điểm danh chỉ mất từ 0,35 đến 0,45 giây mỗi lượt, cho phép một lớp học 50 sinh viên hoàn thành điểm danh trong chưa đầy 1 phút.

Kết luận

• Đề tài đã nghiên cứu toàn diện các phương pháp nhận diện khuôn mặt từ truyền thống (Viola-Jones, Eigenfaces) đến hiện đại (VGGFace, FaceNet, MTCNN).
• Chứng minh tính ưu việt của giải pháp tích hợp MTCNN và FaceNet với độ chính xác nhận diện thực tế đạt 95,8% và tốc độ xử lý nhanh 0,45 giây mỗi lượt.
• Xây dựng thành công ứng dụng điểm danh sinh viên hoàn chỉnh tích hợp cơ sở dữ liệu và giao diện quản lý môn học, lớp học thân thiện.
• Đề xuất lộ trình 4 bước khả thi nhằm tối ưu hóa phần cứng, tăng cường bảo mật sinh trắc học và triển khai nhân rộng mô hình tại các cơ sở đào tạo.
• Kế hoạch tiếp theo trong quý tới là mở rộng thử nghiệm hệ thống trên quy mô 20 lớp học tại Học viện Công nghệ Bưu chính Viễn thông để đánh giá độ bền tải hệ thống.

Hãy liên hệ ngay với các đơn vị phát triển để nhận tài liệu kỹ thuật chi tiết và demo giải pháp điểm danh khuôn mặt thông minh cho tổ chức của bạn!

Trích đoạn nội dung tài liệu

CHƯƠNG 1. TỔNG QUAN VỀ BÀI TOÁN NHẬN DIỆN KHUÔN MẶT-1 Tổng quan các bước cho nhận diện khuôn mặt 4 Quá trình nhận diện khuôn mặt bao gồm các bước sau: Bước 1: Xử lý ảnh đầu vào: xử lý ảnh là một phần quan trọng để trích xuất thông tin và chuẩn bị dữ liệu cho quá trình nhận diện. Chuẩn hóa màu sắc áp dụng các phương pháp như cân bằng histogram hoặc chuyển đổi sang không gian màu như grayscale để đảm bảo tính nhất quán và loại bỏ nhiễu trong ảnh khuôn mặt. Áp dụng các phương pháp như làm mờ, làm trơn, hoặc lọc thông minh để loại bỏ nhiễu và cải thiện chất lượng ảnh khuôn mặt.

Những bước xử lý ảnh này giúp tạo ra một biểu diễn chuẩn hóa và tối ưu hóa dữ liệu khuôn mặt, từ đó tăng khả năng nhận diện và độ chính xác của hệ thống nhận diện khuôn mặt. Bước 2: Phát hiện khuôn mặt: Bước đầu tiên là tìm ra vị trí của khuôn mặt trong hình ảnh hoặc video. Các thuật toán phát hiện khuôn mặt thường sử dụng các phương pháp như Viola-Jones, MTCNN (Multi-task Cascaded Convolutional Networks), hoặc các mạng nơ-ron tích chập (CNN) để xác định vị trí và phân loại khuôn mặt. Bước 3: Trích xuất đặc trưng: Sau khi phát hiện được khuôn mặt, các đặc trưng quan trọng của khuôn mặt được trích xuất.

Các đặc trưng này thường là các điểm nổi bật như mắt, mũi, miệng, hoặc các đặc trưng hình học khác ví dụ như các mô hình CNN. Bước 4: Phân loại hoặc so sánh: Sau khi các đặc trưng khuôn mặt đã được trích xuất, chúng có thể được sử dụng để phân loại khuôn mặt vào các nhóm, hoặc so sánh với các khuôn mặt đã biết trước. Các phương pháp phân loại phổ biến bao gồm các mô hình học máy như Support Vector Machines (SVM), Random Forests, và các mô hình học sâu như FaceNet. Bước 5: Xác minh hoặc nhận diện: Dựa trên kết quả phân loại hoặc so sánh, quá trình nhận diện khuôn mặt có thể xác minh xem một khuôn mặt thuộc về người nào trong cơ sở dữ liệu đã biết trước (xác minh), hoặc nhận diện một người mà không biết trước thông tin của họ (nhận diện).2 Các yêu cầu tổng quan bài toán nhận diện khuôn mặt 5 Bài toán nhận diện khuôn mặt có một số yêu cầu quan trọng để đạt được kết quả tốt.

Dưới đây là các yêu cầu cơ bản trong bài toán nhận diện khuôn mặt: Phát hiện và xác định vị trí khuôn mặt: Một hệ thống nhận diện khuôn mặt cần có khả năng phát hiện và xác định vị trí khuôn mặt trong ảnh. Điều này bao gồm việc xác định các điểm mốc (landmarks) trên khuôn mặt, như mắt, mũi, miệng, và các biên của khuôn mặt. Tính nhất quán và đồng nhất: Hệ thống nhận diện khuôn mặt cần có khả năng xử lý và chuẩn hóa ảnh khuôn mặt để đảm bảo tính nhất quán và đồng nhất giữa các ảnh khuôn mặt trong cơ sở dữ liệu. Điều này bao gồm việc chuẩn hóa kích thước, cân bằng màu sắc, và loại bỏ nhiễu.

Trích xuất đặc trưng: Hệ thống cần có khả năng trích xuất các đặc trưng quan trọng từ khuôn mặt. Các đặc trưng này có thể bao gồm thông tin hình học (ví dụ: hình dạng và tỷ lệ của khuôn mặt), thông tin màu sắc (ví dụ: histogram màu sắc), hoặc các đặc trưng thống kê (ví dụ: LBP, HOG). Khả năng nhận diện và phân loại: Hệ thống cần có khả năng nhận diện và phân loại khuôn mặt dựa trên các đặc trưng đã được trích xuất. Điều này có thể sử dụng các phương pháp như phân lớp SVM (Support Vector Machine), mạng neural network, hoặc các thuật toán học máy khác.