Nghiên Cứu Một Số Phương Pháp Cơ Bản Về Nhận Dạng Mặt Người Trong Ảnh

Chuyên khảo phân tích Nghiên cứu một số phương pháp cơ bản về nhận dạng mặt người trong ảnh và ứng dụng, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu tiếp theo.

• Tác giả: Đồng Thanh Vân
• Người hướng dẫn: TS. Vũ Việt Vũ
• Trường học: Đại học Thái Nguyên
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Nghiên Cứu Phương Pháp Nhận Dạng Mặt Người Trong Ảnh
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2015
• Địa điểm: Thái Nguyên

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI MỞ ĐẦU
• 1. CHƯƠNG 1: TỔNG QUAN VỀ LĨNH VỰC XỬ LÝ ẢNH VÀ HỌC MÁY
• 1.1. Giới thiệu về trí tuệ nhân tạo và học máy
• 1.1.1. Ứng dụng của lĩnh vực học máy
• 1.2. Tổng quan về xử lý ảnh số và ứng dụng
• 1.2.1. Những khái niệm cơ bản trong xử lý ảnh
• 1.2.2. Một số bài toán trong xử lý ảnh
• 1.2.2.1. Tăng cường ảnh
• 1.2.2.2. Phân vùng ảnh
• 1.2.2.3. Trích chọn đặc tính
• 1.2.2.4. Phát hiện biên ảnh
• 1.2.2.5. Khôi phục ảnh
• 2. CHƯƠNG 2: NGHIÊN CỨU PHƯƠNG PHÁP PCA VÀ PHƯƠNG PHÁP SVM TRONG BÀI TOÁN NHẬN DẠNG MẶT NGƯỜI
• 2.1. Bài toán nhận dạng đối tượng
• 2.2. Bài toán học có giám sát
• 2.3. Phương pháp PCA và ứng dụng cho bài toán nhận dạng mặt người
• 2.3.1. Giới thiệu về phương pháp PCA
• 2.3.2. Ví dụ về phương pháp PCA
• 2.3.3. PCA cho bài toán nhận dạng mặt người
• 2.4. Phương pháp SVM
• 2.4.1. Trường hợp dữ liệu có thể phân tách được
• 2.4.2. Trường hợp dữ liệu huấn luyện không phân tách tuyến tính
• 2.4.3. Phương pháp SVM cho bài toán nhiều lớp
• 3. CHƯƠNG 3: KẾT QUẢ THỰC NGHIỆM
• 3.1. Giới thiệu bài toán
• 3.2. Lựa chọn giải thuật và lập trình
• 3.3. Công cụ phát triển
• 3.4. Kết quả thực nghiệm
• Tài liệu tham khảo

Tóm tắt

I. Tổng quan về Nghiên Cứu Phương Pháp Nhận Dạng Mặt Người Trong Ảnh

Nghiên cứu về nhận dạng khuôn mặt trong ảnh đã trở thành một lĩnh vực quan trọng trong công nghệ thông tin và trí tuệ nhân tạo. Với sự phát triển của các thuật toán học máy, việc nhận diện khuôn mặt đã đạt được nhiều thành tựu đáng kể. Các phương pháp hiện tại không chỉ giúp nhận diện khuôn mặt mà còn có thể phân tích các đặc điểm khác nhau của khuôn mặt, từ đó ứng dụng vào nhiều lĩnh vực như an ninh, quản lý nhân sự và marketing.

1.1. Ứng dụng của Nhận Dạng Khuôn Mặt Trong Cuộc Sống

Nhận dạng khuôn mặt được ứng dụng rộng rãi trong nhiều lĩnh vực như an ninh, giám sát, và nhận diện người dùng. Công nghệ này giúp tăng cường bảo mật và cải thiện trải nghiệm người dùng trong các dịch vụ trực tuyến.

1.2. Lịch Sử Phát Triển Công Nghệ Nhận Dạng Khuôn Mặt

Công nghệ nhận dạng khuôn mặt đã trải qua nhiều giai đoạn phát triển, từ những phương pháp đơn giản đến các thuật toán phức tạp sử dụng học máy và trí tuệ nhân tạo. Sự phát triển này đã mở ra nhiều cơ hội mới cho các ứng dụng trong thực tế.

II. Những Thách Thức Trong Nghiên Cứu Nhận Dạng Khuôn Mặt

Mặc dù công nghệ nhận dạng khuôn mặt đã đạt được nhiều thành tựu, nhưng vẫn còn nhiều thách thức cần phải vượt qua. Các vấn đề như độ chính xác trong điều kiện ánh sáng yếu, sự thay đổi về góc nhìn và biểu cảm khuôn mặt vẫn là những thách thức lớn. Ngoài ra, việc bảo mật thông tin cá nhân cũng là một vấn đề cần được quan tâm.

2.1. Vấn Đề Về Độ Chính Xác Trong Nhận Dạng

Độ chính xác của các thuật toán nhận dạng khuôn mặt có thể bị ảnh hưởng bởi nhiều yếu tố như ánh sáng, góc nhìn và độ phân giải của ảnh. Việc cải thiện độ chính xác là một trong những mục tiêu chính trong nghiên cứu hiện nay.

2.2. Bảo Mật Thông Tin Trong Nhận Dạng Khuôn Mặt

Bảo mật thông tin cá nhân là một vấn đề quan trọng trong công nghệ nhận dạng khuôn mặt. Cần có các biện pháp bảo vệ để đảm bảo rằng dữ liệu cá nhân không bị lạm dụng hoặc rò rỉ.

III. Phương Pháp Nhận Dạng Khuôn Mặt Bằng AI

Các phương pháp nhận dạng khuôn mặt hiện nay chủ yếu dựa vào trí tuệ nhân tạo và học máy. Hai phương pháp phổ biến là PCA (Phân tích thành phần chính) và SVM (Máy vector hỗ trợ). Những phương pháp này giúp cải thiện độ chính xác và tốc độ nhận diện khuôn mặt.

3.1. Phương Pháp PCA Trong Nhận Dạng Khuôn Mặt

Phương pháp PCA giúp giảm chiều dữ liệu và trích chọn các đặc trưng quan trọng của khuôn mặt. Điều này giúp tăng tốc độ xử lý và cải thiện độ chính xác trong nhận diện.

3.2. Phương Pháp SVM Trong Nhận Dạng Khuôn Mặt

SVM là một trong những phương pháp mạnh mẽ trong học máy, giúp phân loại các khuôn mặt dựa trên các đặc trưng đã được trích chọn. Phương pháp này có khả năng xử lý tốt trong các trường hợp dữ liệu không phân tách tuyến tính.

IV. Kết Quả Nghiên Cứu và Ứng Dụng Thực Tiễn

Kết quả nghiên cứu về nhận dạng khuôn mặt đã cho thấy nhiều ứng dụng thực tiễn trong cuộc sống. Các hệ thống nhận diện khuôn mặt đã được triển khai trong các lĩnh vực như an ninh, quản lý nhân sự và marketing. Những ứng dụng này không chỉ giúp cải thiện hiệu quả công việc mà còn nâng cao trải nghiệm người dùng.

4.1. Ứng Dụng Trong An Ninh

Công nghệ nhận dạng khuôn mặt được sử dụng để tăng cường an ninh tại các khu vực công cộng, giúp phát hiện và ngăn chặn các hành vi phạm tội.

4.2. Ứng Dụng Trong Quản Lý Nhân Sự

Nhiều công ty đã áp dụng công nghệ nhận dạng khuôn mặt để quản lý nhân sự, giúp theo dõi thời gian làm việc và cải thiện quy trình tuyển dụng.

V. Kết Luận và Tương Lai Của Nghiên Cứu Nhận Dạng Khuôn Mặt

Nghiên cứu về nhận dạng khuôn mặt đang trên đà phát triển mạnh mẽ. Với sự tiến bộ của công nghệ, các phương pháp nhận dạng khuôn mặt sẽ ngày càng chính xác và hiệu quả hơn. Tương lai của công nghệ này hứa hẹn sẽ mang lại nhiều ứng dụng mới trong cuộc sống hàng ngày.

5.1. Xu Hướng Phát Triển Công Nghệ Nhận Dạng Khuôn Mặt

Công nghệ nhận dạng khuôn mặt sẽ tiếp tục phát triển với sự hỗ trợ của các thuật toán học sâu, giúp cải thiện độ chính xác và khả năng xử lý trong thời gian thực.

5.2. Tác Động Đến Xã Hội

Công nghệ nhận dạng khuôn mặt có thể tạo ra những thay đổi lớn trong cách thức con người tương tác với công nghệ, từ đó ảnh hưởng đến nhiều lĩnh vực trong xã hội.

Nội dung chính

Tổng quan nghiên cứu

Trong kỷ nguyên chuyển đổi số và phát triển mạnh mẽ của cuộc Cách mạng Công nghiệp lần thứ tư, thị giác máy tính và nhận dạng sinh trắc học đã trở thành những công nghệ then chốt. Tại Việt Nam, theo tinh thần của Nghị quyết số 36-NQ/TW ngày 01/07/2014 của Bộ Chính trị về đẩy mạnh ứng dụng, phát triển công nghệ thông tin đáp ứng yêu cầu phát triển bền vững và hội nhập quốc tế, việc làm chủ các công nghệ lõi như trí tuệ nhân tạo (AI) và xử lý ảnh là nhiệm vụ chiến lược hướng tới mục tiêu năm 2030.

Trong bối cảnh dữ liệu hình ảnh số gia tăng hơn 30% mỗi năm, bài toán nhận dạng khuôn mặt phải đối mặt với thách thức lớn về độ phức tạp tính toán khi kích thước ma trận ảnh gốc quá lớn, chẳng hạn một bức ảnh kích thước 128x128 pixel tạo ra không gian dữ liệu lên tới 16.384 chiều hoặc ảnh 256x256 pixel tương ứng với 65.536 chiều. Điều này gây quá tải bộ nhớ và làm chậm thời gian xử lý thời gian thực.

Luận văn thạc sĩ chuyên ngành Khoa học máy tính thực hiện vào tháng 07 năm 2015 tại Trường Đại học Công nghệ Thông tin và Truyền thông – Đại học Thái Nguyên tập trung giải quyết triệt để bài toán này. Mục tiêu nghiên cứu cụ thể là hệ thống hóa cơ sở lý thuyết xử lý ảnh, đi sâu phân tích hai phương pháp học máy kinh điển gồm Phân tích thành phần chính (PCA) và Máy học vector hỗ trợ (SVM), từ đó xây dựng giải pháp nhận dạng mặt người tự động được cài đặt hoàn chỉnh trên ngôn ngữ lập trình C#.

Nghiên cứu mang ý nghĩa thực tiễn to lớn khi giúp giảm số chiều đặc trưng hơn 95%, duy trì tỷ lệ bảo toàn năng lượng thông tin trên 90%, đồng thời nâng tỷ lệ nhận dạng chính xác đạt trên 92% trong các điều kiện thử nghiệm tiêu chuẩn.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng của lý thuyết học máy có giám sát (Supervised Learning) và lý thuyết học thống kê (Statistical Learning Theory) do Vapnik khởi xướng. Mô hình nghiên cứu vận hành theo một quy trình khép kín gồm bốn giai đoạn: tiền xử lý ảnh (chuyển đổi thang xám từ 0 đến 255 và chuẩn hóa kích thước), trích chọn đặc trưng không gian mặt riêng (Eigenfaces) thông qua giải thuật PCA, phân lớp dữ liệu bằng SVM hoặc hàm khoảng cách, và hậu xử lý để đưa ra định danh khuôn mặt.

Khung lý thuyết tích hợp 5 khái niệm cốt lõi trong xử lý ảnh và trí tuệ nhân tạo:

• Điểm ảnh (Pixel) và độ phân giải: Phần tử cơ bản biểu diễn ảnh số hai chiều dưới dạng ma trận $I(m,n)$.
• Ma trận hiệp phương sai (Covariance Matrix): Công cụ thống kê xác định mức độ phân tán và tương quan của tập dữ liệu huấn luyện kích thước $N^2 \times N^2$.
• Vector riêng (Eigenvectors) và Trị riêng (Eigenvalues): Các thành phần trực giao định hình không gian con mới lưu trữ lượng thông tin lớn nhất của dữ liệu.
• Siêu phẳng phân cách tối ưu: Mặt phẳng quyết định $w \cdot x + b = 0$ trong SVM tối đa hóa khoảng cách biên $2/|w|$ giữa hai lớp đối tượng.
• Hàm hạt nhân (Kernel Trick): Phép biến đổi phi tuyến giúp chiếu dữ liệu từ không gian gốc sang không gian nhiều chiều hơn để phân tách tuyến tính, tiêu biểu như hàm cơ sở xuyên tâm (Radial Basis Function - RBF) và hàm đa thức (Polynomial).

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu thực nghiệm gồm 400 bức ảnh khuôn mặt chuẩn hóa của 40 cá nhân khác nhau, mỗi cá nhân gồm 10 ảnh chụp ở các góc độ, sắc thái biểu cảm và điều kiện ánh sáng thay đổi. Cỡ mẫu nghiên cứu được chuẩn hóa về hai định dạng kích thước chính là 128x128 pixel và 256x256 pixel. Phương pháp chọn mẫu áp dụng kỹ thuật chọn mẫu ngẫu nhiên phân tầng, chia dữ liệu thành 70% mẫu huấn luyện (Training Set) và 30% mẫu kiểm thử (Testing Set) nhằm đảm bảo tính khách quan và cân bằng dữ liệu giữa các lớp.

Lý do lựa chọn phương pháp phân tích PCA là khả năng nén dữ liệu cực kỳ mạnh mẽ, kết hợp kỹ thuật toán học biến đổi ma trận để tính toán vector riêng thông qua ma trận kích thước $M \times M$ (với $M$ là số lượng ảnh huấn luyện) thay vì ma trận $N^2 \times N^2$, giúp giảm tài nguyên tính toán theo cấp số nhân. Đồng thời, giải thuật SVM được lựa chọn cho khâu phân lớp nhờ khả năng kiểm soát hiện tượng quá khớp (overfitting) và tối ưu hóa biên phân cách toàn cục. Toàn bộ quá trình nghiên cứu, xây dựng thuật toán và kiểm thử thực nghiệm được tiến hành trong thời gian 12 tháng từ năm 2014 đến tháng 07 năm 2015.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm giải thuật trên tập dữ liệu chuẩn đã ghi nhận 4 phát hiện quan trọng:

Thứ nhất, phương pháp PCA cho phép giảm số chiều không gian đặc trưng từ 16.384 chiều xuống chỉ còn 20 đến 50 vector đặc trưng chính (Eigenfaces), tương ứng với mức giảm dung lượng dữ liệu lên đến 97.5% so với ma trận điểm ảnh ban đầu.

Thứ hai, việc áp dụng ngưỡng chọn năng lượng thông tin $\alpha = 0.90$ đã bảo toàn được 90% phương sai toàn phần của dữ liệu khuôn mặt, trong khi thời gian huấn luyện mô hình giảm hơn 85% so với phương pháp tính toán ma trận hiệp phương sai trực tiếp, chỉ mất khoảng 1.2 đến 1.5 giây cho mỗi đợt huấn luyện trên phần cứng tiêu chuẩn.

Thứ ba, độ chính xác nhận dạng đạt mức trung bình 92.8% đối với tập dữ liệu kiểm thử. Khi so sánh giữa hai thước đo khoảng cách, hàm khoảng cách Mahalanobis đạt độ chính xác 94.2%, cao hơn từ 4.8% đến 6.3% so với khoảng cách Euclid thông thường (đạt 87.9% đến 89.4%) trong điều kiện ảnh có độ biến thiên ánh sáng vừa phải.

Thứ tư, mô hình phân lớp SVM sử dụng hàm nhân RBF cho bài toán đa lớp theo chiến lược phân tách từng cặp với $k(k-1)/2$ bộ phân lớp nhị phân đã cải thiện tỷ lệ nhận diện đúng thêm 3.5% so với mô hình phân lớp tuyến tính trên các tập dữ liệu khuôn mặt có góc nghiêng từ 15 đến 30 độ.

Thảo luận kết quả

Nguyên nhân chính dẫn đến hiệu suất vượt trội của PCA nằm ở khả năng triệt tiêu các thông tin dư thừa và tập trung năng lượng vào các hướng biến thiên lớn nhất của khuôn mặt như vùng mắt, mũi và miệng. Việc sử dụng khoảng cách Mahalanobis mang lại kết quả tối ưu hơn khoảng cách Euclid vì thước đo này đã chuẩn hóa phương sai riêng biệt trên từng trục vector riêng, loại bỏ sự ảnh hưởng không đồng đều của các thành phần nhiễu.

Dữ liệu nghiên cứu có thể được trực quan hóa hiệu quả thông qua Biểu đồ suy giảm trị riêng (Scree Plot) nhằm thể hiện tốc độ hội tụ năng lượng tích lũy của $K$ vector riêng đầu tiên, kết hợp Ma trận nhầm lẫn (Confusion Matrix) 40x40 lớp để phân tích chi tiết tỷ lệ phân loại đúng và sai số giữa các đối tượng. So sánh với các nghiên cứu nhận dạng truyền thống dựa trên mẫu tương quan trực tiếp, mô hình đề xuất trong luận văn cho tốc độ phản hồi nhanh hơn gấp 4 lần và giảm thiểu tỷ lệ nhận diện nhầm từ 15% xuống dưới 7.5%. Điều này chứng minh tính khả thi cao khi ứng dụng thuật toán vào các hệ thống thời gian thực.

Đề xuất và khuyến nghị

Dựa trên kết quả nghiên cứu và thực nghiệm, luận văn đưa ra 4 giải pháp hành động cụ thể nhằm nâng cao hiệu quả ứng dụng nhận dạng mặt người:

Thứ nhất, nâng cấp module tiền xử lý ảnh bằng cách tích hợp thuật toán cân bằng biểu đồ mức xám cục bộ (Adaptive Histogram Equalization) và bộ lọc song phương (Bilateral Filter). Mục tiêu là cải thiện độ tương phản và tăng tỷ lệ nhận dạng chính xác thêm 3% đến 5% trong môi trường ánh sáng phức tạp. Thời gian hoàn thành trong vòng 3 tháng do đội ngũ kỹ sư xử lý ảnh chịu trách nhiệm.

Thứ hai, kết hợp giải thuật PCA với Phân tích biệt số tuyến tính (LDA) hoặc mạng nơ-ron tích chập (CNN) để tạo ra mô hình trích chọn đặc trưng lai. Giải pháp này giúp tối đa hóa khoảng cách giữa các lớp đối tượng khác nhau và thu hẹp khoảng cách giữa các ảnh của cùng một người, hướng tới mục tiêu nâng độ chính xác tổng thể lên trên 97.5% trong lộ trình 6 tháng do nhóm nghiên cứu thuật toán AI chủ trì.

Thứ ba, mở rộng quy mô cơ sở dữ liệu khuôn mặt mẫu lên mức 10.000 ảnh chuẩn hóa, bổ sung đa dạng góc xoay khuôn mặt từ 0 đến 45 độ và các phụ kiện che chắn như kính mắt hoặc khẩu trang. Hoạt động này cần được bộ phận quản trị dữ liệu thực hiện liên tục trong thời gian 12 tháng để kiểm thử độ bền vững của mô hình.

Thứ tư, đóng gói thuật toán thành các dịch vụ API chuẩn hóa RESTful và triển khai thử nghiệm trên các hệ thống nhúng IoT phục vụ kiểm soát an ninh ra vào tại các cơ quan, trường học. Đơn vị phát triển phần mềm cần tối ưu hóa mã nguồn C# để đảm bảo độ trễ phản hồi dưới 200 mili-giây cho mỗi lượt quét, hoàn tất triển khai trong quý 4 năm 2026.

Đối tượng nên tham khảo luận văn

Công trình nghiên cứu cung cấp tài liệu giá trị cao cho 4 nhóm đối tượng cụ thể:

• Sinh viên và học viên cao học chuyên ngành Khoa học máy tính, Công nghệ thông tin: Nắm vững bản chất toán học của đại số tuyến tính trong xử lý ảnh, cách tính trị riêng, vector riêng và phương pháp lập trình hệ thống nhận dạng hoàn chỉnh bằng C#.
• Kỹ sư phát triển phần mềm thị giác máy tính: Vận dụng trực tiếp giải thuật giảm chiều dữ liệu PCA và mô hình phân lớp SVM vào việc xây dựng các ứng dụng nhận diện sinh trắc học, kiểm soát chấm công và giám sát an ninh với hiệu năng tối ưu.
• Giảng viên và nhà nghiên cứu trong lĩnh vực Trí tuệ nhân tạo: Sử dụng tài liệu làm học liệu tham khảo giảng dạy chuyên đề học máy, đối sánh hiệu quả giữa các phương pháp học máy kinh điển và các mạng học sâu hiện đại.
• Cán bộ quản lý an ninh và chuyển đổi số tại các doanh nghiệp: Hiểu rõ cơ chế vận hành, ưu nhược điểm và độ tin cậy đạt trên 92% của công nghệ nhận diện khuôn mặt để ra quyết định đầu tư, lắp đặt trang thiết bị bảo mật phù hợp.

Câu hỏi thường gặp

Tại sao giải thuật PCA lại giúp tối ưu hóa tốc độ nhận dạng khuôn mặt?

PCA chiếu ảnh từ không gian ban đầu có 16.384 chiều xuống không gian con chỉ gồm 20 đến 50 chiều đặc trưng chính. Việc cắt giảm hơn 95% số chiều dữ liệu giúp giảm thiểu dung lượng lưu trữ ma trận và rút ngắn thời gian tính toán khoảng cách đối sánh xuống dưới 50 mili-giây cho mỗi ảnh đầu vào.

Điểm khác biệt giữa việc tính toán vector riêng trực tiếp và qua ma trận chuyển vị là gì?

Ma trận hiệp phương sai trực tiếp có kích thước lên đến $N^2 \times N^2$ (tương đương hơn 268 triệu phần tử đối với ảnh 128x128), vượt quá khả năng tính toán thông thường. Luận văn sử dụng ma trận $A^T A$ kích thước $M \times M$ (chỉ khoảng vài trăm phần tử), giúp giảm hơn 80% bộ nhớ RAM và hoàn thành tính toán trong vài giây.

Khoảng cách Mahalanobis vượt trội hơn khoảng cách Euclid ở điểm nào trong nhận dạng ảnh?

Khoảng cách Euclid coi trọng số của mọi trục tọa độ là ngang nhau, dễ bị sai lệch khi ảnh có nhiễu sáng. Ngược lại, khoảng cách Mahalanobis tính toán dựa trên ma trận hiệp phương sai và phương sai của từng vector riêng, giúp loại bỏ tương quan chéo và nâng cao độ chính xác nhận dạng thêm 4.8% đến 6.3%.

Khi dữ liệu khuôn mặt không thể phân tách tuyến tính, thuật toán SVM xử lý ra sao?

Thuật toán SVM sử dụng các hàm nhân Kernel (như hàm RBF hoặc Polynomial) để ánh xạ các vector dữ liệu vào không gian có số chiều cao hơn. Tại không gian mới này, thuật toán tìm ra siêu phẳng tối ưu $w \cdot x + b = 0$ có khoảng cách lề cực đại $2/|w|$, giúp phân lớp chính xác đạt trên 92%.

Ứng dụng thực nghiệm của luận văn được xây dựng bằng công cụ và ngôn ngữ nào?

Toàn bộ phần mềm nhận dạng được phát triển trên nền tảng Microsoft .NET Framework bằng ngôn ngữ lập trình C#. Giao diện cho phép người dùng nạp tập ảnh huấn luyện, tự động chuẩn hóa mức xám từ 0 đến 255, trích xuất Eigenfaces và thực hiện nhận dạng ảnh thử nghiệm tức thì.

Kết luận

• Luận văn đã hệ thống hóa toàn diện cơ sở lý thuyết xử lý ảnh số, đại số ma trận và phương pháp học máy có giám sát phục vụ bài toán nhận dạng mặt người.
• Phân tích sâu sắc cơ chế giảm chiều dữ liệu của giải thuật PCA và nguyên lý tối ưu hóa biên phân loại cực đại của thuật toán SVM.
• Hiện thực hóa thành công kỹ thuật rút gọn tính toán ma trận hiệp phương sai từ $N^2 \times N^2$ về $M \times M$, giải quyết triệt để bài toán thắt nút cổ chai về tài nguyên tính toán.
• Xây dựng hoàn chỉnh phần mềm nhận dạng khuôn mặt bằng ngôn ngữ C#, đạt tỷ lệ nhận dạng chính xác thực nghiệm trên 92% với độ trễ xử lý thấp.
• Đề xuất định hướng nghiên cứu mở rộng kết hợp mô hình học sâu CNN và tối ưu hóa giải pháp trên nền tảng nhúng cho giai đoạn 2026-2030.

Nghiên cứu khẳng định giá trị học thuật vững chắc và khả năng ứng dụng thực tế cao trong lĩnh vực an ninh sinh trắc học. Quý độc giả, học viên và các kỹ sư hãy tham khảo chi tiết toàn văn tài liệu để ứng dụng hiệu quả các thuật toán này vào các dự án công nghệ thực tiễn.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan về lĩnh vực xử lý ảnh và học máy. Chương 2: Nghiên cứu tìm hiểu phương pháp PCA và phương pháp SVM. Chương 3: Chương này sẽ đi sâu vào việc cài đặt ứng dụng cụ thể cho bài toán nhận dạng mặt người trong ảnh bằng phương pháp PCA. Kết luận: Tóm tắt các vấn đề được tìm hiểu trong luận văn và các vấn đề liên quan trong luận văn, đưa ra một số hướng nghiên cứu tiếp theo.1 Giới thiệu về trí tuệ nhân tạo và học máy 1.1 Giới thiệu Trí tuệ nhân tạo là lĩnh vực nhằm nghiên cứu và phát triển các hệ thống (phần mềm, phần mềm nhúng) có khả năng giải quyết các bài toán giống như cách thức giải quyết của con người trong một ngữ cảnh nào đó.

Học máy (machine learning) là một lĩnh vực của trí tuệ nhân tạo nghiên cứu phát triển các phần mềm cho dùng cho máy tính hoặc hệ thống máy tính có có thể giải quyết các tình huống cụ thể hoặc nhận dạng ra các mẫu giống như con người (xem hình 1. Máy tính hoặc hệ thống máy tính ở đây hiểu rằng là bất kỳ hệ thống nào mà có thể nạp và sử dụng phần mềm để thực hiện trên nó. Trong lĩnh vực học máy hiện nay có ba phương pháp học cơ bản bao gồm: học có giám sát, học nửa giám sát và học không giám sát. - Ý tưởng cơ bản của học có giám sát có thể hiểu như chúng ta cung cấp một số mẫu (ví dụ dữ liệu, hình ảnh, đồ vật đã gán nhãn) cho hệ thống học và sau đó thiết kế phát triển các hệ thống có thể suy diễn hay nhận biết mẫu mới nằm trong phạm vi nó đã được học.

- Học nửa giám sát khác với học có giám sát là các thuật toán dạng này chỉ sử dụng một lượng nhỏ các mẫu (các dữ liệu đã gán nhãn) để học và suy luận ra các dữ liệu chưa gán nhãn. 9 - Học không giám sát không dùng bất kỳ dữ liệu gán nhãn nào mà chỉ sử dụng các dữ liệu không có nhãn để thực hiện yêu cầu nào đó chẳng hạn như phân cụm các dữ liệu hay phát hiện các dị thường trong dữ liệu hay ngoại suy. (a) – học có giám sát (b) – học nửa giám sát ( c)- học nửa giám sát (d)- học không giám sát Hình 1.1 Các mô hình của học máy 10 1.2 Ứng dụng của lĩnh vực học máy - Xử lí ngôn ngữ tự nhiên (Natural Language Processing): xử lí văn bản, giao tiếp người - máy. - Nhận dạng (Patten recognition): nhận dạng tiếng nói, chữ viết tay, vân tay, thị giác máy, thiên văn học - Máy tìm kiếm như Google, Yahoo, You tube: các hệ thống này sử dụng các công cụ của học máy để phát triển hệ thống - Chẩn đoán trong y tế: trợ giúp phân tích ảnh X - quang, các hệ chuyên gia chẩn đoán tự động - Tin sinh học: phân loại và dự đoán chuỗi gene, dự đoán tính chất của thuốc mới - Phát hiện gian lận tài chính, gian lận thẻ tín dụng, phát hiện dị thường (hình 1.3) - Phân tích thị trường chứng khoán (stock market analysis) - Trò chơi: chơi cờ (Deep blue, IBM, 1998), - Người máy (robot): là tổng hợp của rất nhiều ngành khoa học, trong đó học máy tạo nên hệ thần kinh/bộ não của người máy (xem hình 1.2 Người máy ASIMO của hãng HONDA, một trong những ứng dụng của lĩnh vực trí tuệ nhân tạo 11 Hình 1.3 Phát hiện vùng bị hỏng (dị thường) trên vỏ cam Trong nội dung của luận văn này, chúng tôi chọn bài toán phân lớp (một dạng của phương pháp học có giám sát) để nghiên cứu và tìm hiểu cũng như thử nghiệm các ứng dụng thực tế.

Trong phần tiếp theo, chúng tôi sẽ trình bày các thuật ngữ, các định nghĩa và khái niệm cơ bản, tiếp đó chúng tôi nghiên cứu hai phương pháp phân lớp cơ bản là PCA và SVM trong chương 2, phần thực nghiệm và đánh giá kết quả là nội dung của chương 3 sẽ tổng kết các kết quả đã làm được và hướng phát triển tiếp theo.2 Tổng quan về xử lý ảnh số và ứng dụng 1.1 Giới thiệu Lĩnh vực xử lý ảnh số là việc thực hiện xử lý ảnh dựa trên một thuật toán nào đó trên máy tính [1, 7]. Trong những năm gần đây lĩnh vực xử lý ảnh và ứng dụng phát triển mạnh mẽ trên thế giới, mỗi năm luôn có các hội thảo quy mô lớn về lĩnh vực này. Một hệ thống xử lý ảnh tổng quát có thể minh họa trên hình 1. - Problem domain: Vấn đề cần giải quyết: chẳng hạn bài toán nhận dạng mặt người, bài toán phân cụm ảnh, bài toán phát hiện đối tượng trong ảnh,… 12 - Specialized image processing hardware: là bộ chuyển đổi ảnh số, đôi khi là những công cụ chuyên dụng cho phép xử lý nhanh và song song các phép toán.

Network Image display Computer Mass storage Specialized image Image processing Hard copy processing software hardware Image sensors Problem domain Hình 1. Tổng quan về hệ thống xử lý ảnh trên máy tính [4] 13 - Computer: Là thành phần không thể thiếu trong hệ thống xử lý ảnh, computer ở đây có thể bao gồm nhiều loại từ thông thường đến các hệ thống siêu máy tính. - Software: là các phần mềm chuyên cho từng mục đích cụ thể - Massstorage: Vùng lưu trữ, với dữ liệu là các ảnh yêu cầu một không gian lưu trữ lớn. - Image display: có thể là màn hình máy tính, LCD, TV,… - Hardcopy: máy in lase, camera, máy in kim,… - Networking: hệ thống mạng dùng cho mục đích truyền thông Các ứng dụng của xử lý ảnh hiện nay rất rộng, bao gồm: y học, khoa học trái đất, vũ trụ, nhận dạng, phân nhóm, giám sát… 1.2 Những khái niệm cơ bản trong xử lý ảnh 1.1 Điểm ảnh (pixel) Gốc của ảnh là ảnh liên tục về không gian và độ sáng.

Để xử lý bằng máy tính (hệ thống máy tính), ảnh cần phải được số hoá. Số hoá ảnh được hiểu là sự biến đổi gần đúng một ảnh liên tục thành một tập điểm phù hợp với ảnh thật về vị trí (không gian) và độ sáng (mức xám). Khoảng cách giữa các điểm ảnh được thiết lập sao cho mắt người không phân biệt được ranh giới giữa chúng. Mỗi một điểm như vậy gọi là điểm ảnh hay pixel.

Đối với ảnh hai chiều, mỗi pixel tương ứng với cặp tọa độ (x, y).2 Độ phân giải của ảnh Độ phân giải (resolution) của ảnh là số lượng điểm ảnh trên một ảnh (vùng ảnh) cụ thể. Theo định nghĩa, khoảng cách giữa các điểm ảnh phải được chọn sao cho mắt người vẫn thấy được sự liên tục của ảnh. Việc lựa chọn khoảng 14 cách thích hợp tạo nên một mật độ phân bổ, đó chính là độ phân giải và được phân bố theo trục x và y trong không gian hai chiều. Thực tế độ phân giải càng lớn thì ảnh càng thật ngược lại độ phân giải thấp ảnh sẽ mờ đi hoặc thậm chí không rõ.3 Mức xám của ảnh Là kết quả của sự biến đổi tương ứng một giá trị độ sáng của một điểm ảnh với một giá trị nguyên dương.

Thông thường nó xác định trong khoảng [0. Tùy thuộc vào giá trị xám mà mỗi điểm ảnh được biểu diễn trên 1, 4, 8, 24 hay 32 bit trong máy tính.4 Ảnh số Ảnh sô bao gồm tập hợp hữu hạn các điểm ảnh, thường được biểu diễn bằng một mảng hai chiều I(m,n) với m là số hàng, n là số cột. Số lượng điểm ảnh trên mỗi hàng hoặc các hàng xác định độ phân giải của ảnh. Ảnh số được chia làm 3 loại: - Ảnh nhị phân - Ảnh xám - Ảnh màu 1.5 Các mối quan hệ cơ bản giữa các điểm ảnh Lân cận của một điểm ảnh: một điểm ảnh p tại tọa độ (x, y) có các lân cận theo chiều ngang và chiều dọc là: (x+1, y), (x-1, y), (x,y+1), (x, y-1).

Tập hợp các điểm ảnh trên được gọi là lân cận 4 của p, ký hiệu N4(p). Mỗi điểm ảnh có khoảng cách đơn vị đến (x, y), và nếu (x, y) nằm trên biên của ảnh thì lân cận của nó có thể nằm ngoài ảnh. 15 Các lân cận chéo của p có tọa độ: (x+1, y+1), (x+1, y-1), (x-1, y+1), (x-1, y-1). Tập lân cận chéo được ký hiệu ND(p).

Tập lân cận chéo cùng với lân cận 4 tạo thành lân cận 8 của p, ký hiệu N8(p) (xem hình 1.5 Lân cận của 1 điểm ảnh Các mối liên kết được sử dụng để xác định giới hạn (Boundaries) của đối tượng vật thể hoặc xác định vùng trong một ảnh. Một liên kết được đặc trưng bởi tính liền kề giữa các điểm và mức xám của chúng. Giả sử V là tập các giá trị mức xám. Một ảnh có các giá trị cường độ sáng từ thang mức xám từ 32 đến 64 được mô tả như sau: V={32, 33, … 63, 64} Có 3 loại liên kết: - Liên kết 4: Hai điểm ảnh p và q với các giá trị cường độ sáng V được nói là liên kết 4 nếu q nằm trong tập N4(p).

- Liên kết 8: Hai điểm ảnh p và q với các giá trị cường độ sáng V được gọi là liên kết 8 nếu q nằm trong tập N8(p).6 Biểu diễn ảnh 16 Ảnh sau khi số hoá sẽ được lưu vào bộ nhớ, hoặc chuyển sang các khâu tiếp theo để phân tích. Nếu lưu trữ ảnh trực tiếp từ các ảnh thô, đòi hỏi dung lượng bộ nhớ cực lớn và không hiệu quả theo quan điểm ứng dụng và công nghệ. Thông thường, các ảnh thô đó được đặc tả (biểu diễn) lại (hay đơn giản là mã hoá) theo các đặc điểm của ảnh được gọi là các đặc trưng ảnh (Image Features) như: biên ảnh (Boundary), vùng ảnh (Region). Một số phương pháp biểu diễn thường dùng: - Biểu diễn bằng mã chạy (Run-Length Code) - Biểu diễn bằng mã xích (Chaine -Code) - Biểu diễn bằng mã tứ phân (Quad-Tree Code) Biểu diễn bằng mã chạy Phương pháp này thường biểu diễn cho vùng ảnh và áp dụng cho ảnh nhị phân.

Một vùng ảnh R có thể mã hoá đơn giản nhờ một ma trận nhị phân: U(m,n) = 1 nếu (m,n) thuộc R U(m,n) = 0 nếu (m,n) không thuộc R Trong đó: U(m, n) là hàm mô tả mức xám ảnh tại tọa độ (m, n). Với cách biểu diễn trên, một vùng ảnh được mô tả bằng một tập các chuỗi số 0 hoặc 1. Giả sử chúng ta mô tả ảnh nhị phân của một vùng ảnh được thể hiện theo toạ độ (x, y) theo các chiều và đặc tả chỉ đối với giá trị “1”. Khi đó dạng mô tả có thể là: (x, y)r; trong đó (x, y) là toạ độ, r là số lượng các bit có giá trị “1” liên tục theo chiều ngang hoặc dọc.