Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh chuyển đổi số và sự phát triển của công nghệ thông tin, nhu cầu bảo vệ thông tin cá nhân và kiểm soát an toàn truy cập vào các hệ thống kỹ thuật số ngày càng trở nên cấp thiết. Các phương thức xác thực truyền thống dựa trên yếu tố kiến thức (như mật khẩu, mã PIN) hay yếu tố sở hữu (như thẻ từ, thiết bị khóa) bộc lộ nhiều hạn chế về mức độ an toàn và tính tiện dụng, do nguy cơ bị đánh cắp, rò rỉ dữ liệu, tấn công giả mạo hoặc làm mất thiết bị. Để giải quyết các điểm yếu này, các kỹ thuật xác thực sinh trắc học, đặc biệt là nhận diện khuôn mặt dựa trên thị giác máy tính và học sâu (Deep Learning), đã phát triển mạnh mẽ nhằm nâng cao trải nghiệm người dùng và tính bảo mật hệ thống.

Đồ án tốt nghiệp "Nghiên cứu các phương pháp xác thực sử dụng khuôn mặt" do sinh viên Phan Thị Kim Hoàn thực hiện dưới sự hướng dẫn của PGS. TS Hoàng Xuân Dậu tại Khoa An toàn thông tin, Học viện Công nghệ Bưu chính Viễn thông (thực hiện tháng 1 năm 2024), tập trung giải quyết các mục tiêu và nhiệm vụ nghiên cứu sau:

  1. Nghiên cứu hệ thống hóa lý thuyết về các yếu tố và phương pháp xác thực thông dụng trong an toàn thông tin, trọng tâm là các phương thức xác thực dựa trên đặc trưng sinh trắc học sinh lý và hành vi.
  2. Tìm hiểu nguyên lý xử lý ảnh số, các mô hình học máy (Machine Learning), học sâu (Deep Learning) và kiến trúc mạng nơ-ron tích chập (Convolutional Neural Networks - CNN).
  3. Nghiên cứu cơ chế vận hành của mạng tích chập đa tác vụ xếp tầng MTCNN (Multi-task Cascaded Convolutional Networks) trong bài toán phát hiện, căn chỉnh khuôn mặt và mô hình FaceNet sử dụng hàm mất mát Triplet Loss trong việc trích xuất đặc trưng vector 128 chiều.
  4. Thiết kế, cài đặt và thử nghiệm ứng dụng xác thực khuôn mặt hoàn chỉnh phục vụ bài toán nhận diện và định danh đối tượng.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Các phương pháp xác thực danh tính, kỹ thuật xác thực sinh trắc học, thuật toán phát hiện và căn chỉnh khuôn mặt MTCNN, mô hình biểu diễn đặc trưng khuôn mặt FaceNet.
  • Phạm vi không gian và dữ liệu: Thử nghiệm ứng dụng xác thực trên tập dữ liệu thực tế gồm 50 đối tượng là học sinh, sinh viên, kết hợp đối sánh trên các tập dữ liệu ảnh khuôn mặt chuẩn (Yale, AT&T).
  • Phạm vi thời gian: Đồ án được hoàn thành và bảo vệ vào tháng 01/2024.

Cơ sở lý thuyết và phương pháp

Đồ án xây dựng nền tảng nghiên cứu dựa trên các cơ sở lý thuyết, mô hình toán học và phương pháp luận chuyên ngành:

1. Khung lý thuyết và mô hình kỹ thuật

  • Lý thuyết xác thực và kiểm soát truy cập: Phân loại 3 nhóm yếu tố xác thực chính bao gồm: yếu tố kiến thức (Knowledge-based), yếu tố sở hữu (Possession-based) và yếu tố sinh trắc học (Biometric factors).
  • Xử lý ảnh số và biểu diễn dữ liệu: Lý thuyết biểu diễn ảnh màu trên không gian RGB (3 kênh màu với $256^3 = 16.777.216$ màu), ma trận điểm ảnh (pixel), dữ liệu đa chiều (Tensor 3 chiều kích thước $H \times W \times D$), ảnh xám (Grayscale), các phép biến đổi màu sắc và phép toán tích chập (Convolution) kèm các tham số phần đệm (Padding) và bước trượt (Stride).
  • Mô hình học máy và học sâu: Kiến trúc mạng nơ-ron tích chập (CNN) gồm các tầng tích chập (Convolutional Layer), tầng lấy mẫu giảm chiều (Pooling Layer: Max Pooling, Average Pooling) và tầng kết nối đầy đủ (Fully Connected Layer).
  • Kiến trúc MTCNN (Multi-task Cascaded Convolutional Networks): Mô hình mạng 3 tầng nối tiếp gồm P-Net (Proposal Network), R-Net (Refine Network) và O-Net (Output Network) phục vụ phát hiện biên khuôn mặt và định vị 5 điểm mốc đặc trưng (Facial Landmarks).
  • Mô hình FaceNet: Mạng nơ-ron biểu diễn hình ảnh khuôn mặt thành vector đặc trưng trong không gian Euclidean 128 chiều ($128$-d embedding), tối ưu hóa bằng hàm mất mát bộ ba (Triplet Loss).

2. Phương pháp nghiên cứu

  • Phương pháp phân tích - tổng hợp tài liệu: Khảo sát, phân tích các tài liệu học thuật trong và ngoài nước về kỹ thuật mật mã, xác thực đa yếu tố, chữ ký số, OTP, mã token và sinh trắc học.
  • Phương pháp mô hình hóa và thiết kế thuật toán: Xây dựng quy trình xử lý 4 giai đoạn cho bài toán xác thực khuôn mặt từ khâu thu nhận, tiền xử lý, trích xuất đặc trưng đến so khớp khoảng cách Euclidean.
  • Phương pháp thực nghiệm và đánh giá hệ thống: Xây dựng phần mềm thực tế, trích xuất khung hình từ luồng video dữ liệu, tính toán vector embedding và đo lường độ chính xác nhận diện trên các tập dữ liệu thực tế với các điều kiện thay đổi (có kính, không kính, đối tượng ngoài hệ thống).

Thiết kế và triển khai hệ thống

Hệ thống xác thực khuôn mặt trong đồ án được thiết kế theo cấu trúc module hóa, kết hợp giữa hai khối công nghệ chính là MTCNN và FaceNet:

[Hình ảnh/Video đầu vào] 
[Khối tiền xử lý (MTCNN)]
[Khối trích xuất & So khớp đặc trưng (FaceNet)]
[Kết quả xác thực / Phân loại định danh / Ghi nhận Unknown]
  • Quy trình xử lý dữ liệu đầu vào:
    1. Dữ liệu khuôn mặt gốc được thu thập trực tiếp hoặc trích xuất từ các đoạn video ghi hình đối tượng.
    2. Đoạn mã xử lý cắt ảnh tự động trích tách các khung hình từ video để làm giàu tập dữ liệu huấn luyện/đăng ký.
    3. Khối MTCNN quét qua ảnh gốc, xác định tọa độ hộp giới hạn (Bounding Box), căn chỉnh hướng khuôn mặt dựa trên 5 điểm đặc trưng (2 mắt, 1 mũi, 2 khóe môi) và lưu các khuôn mặt đã cắt vào tệp dữ liệu trung gian.
  • Quy trình trích xuất đặc trưng và lưu trữ:
    1. Ảnh khuôn mặt sau căn chỉnh được đưa qua mô hình FaceNet để tính toán vector nhúng 128 chiều.
    2. Các vector nhúng này được lưu trữ trong cơ sở dữ liệu hệ thống tương ứng với định danh của từng người dùng.
  • Quy trình xác thực trực tuyến:
    1. Khi nhận ảnh đầu vào từ máy ảnh, hệ thống phát hiện khuôn mặt qua MTCNN, đưa qua FaceNet để sinh vector embedding.
    2. Tính toán khoảng cách Euclidean giữa vector khuôn mặt đầu vào với toàn bộ các vector mẫu trong cơ sở dữ liệu.
    3. So sánh khoảng cách nhỏ nhất với ngưỡng quyết định (Threshold) để xác định danh tính hợp lệ hoặc phân loại là "Unknown" (người lạ).
  • Giao diện hệ thống: Xây dựng giao diện đăng ký thông tin người dùng mới (chụp ảnh, nhập mã định danh, lưu mẫu khuôn mặt) và giao diện kiểm tra xác thực trực tiếp.

Nội dung chính theo từng chương

Chương 1: Tổng quan về xác thực

Chương 1 hệ thống hóa toàn diện các khái niệm, cơ chế và phương thức xác thực danh tính trong bảo mật thông tin. Tác giả phân tích cấu trúc 3 yếu tố xác thực nền tảng (kiến thức, sở hữu, sinh trắc học) và đánh giá chi tiết các giải pháp xác thực thông dụng: tên đăng nhập/mật khẩu, mã OTP (One-Time Password), thiết bị thẻ token (Token tĩnh, Token động), chữ ký số (Digital Signature) và xác thực đa yếu tố (MFA).

Nội dung trọng tâm của chương tập trung vào sinh trắc học, chia thành hai nhóm:

  • Sinh trắc học sinh lý: Nhận dạng vân tay, hình học bàn tay, nhận dạng mống mắt/võng mạc.
  • Sinh trắc học hành vi: Xác minh giọng nói, động lực học tổ hợp phím (Keystroke dynamics), nhận dạng chữ ký viết tay.

Tác giả tổng hợp bảng so sánh định lượng và định tính giữa các kỹ thuật sinh trắc học dựa trên 5 tiêu chí (Mức độ bảo mật - Security, Độ chính xác - Accuracy, Tính lâu dài - Permanence, Khả năng sử dụng - Usability, Chi phí - Cost) với các cấp độ Cao (H), Trung bình (M), Thấp (L):

Phương pháp xác thực sinh trắc học Mức độ bảo mật (Security) Độ chính xác (Accuracy) Tính lâu dài (Permanence) Khả năng sử dụng (Usability) Chi phí triển khai (Cost)
Nhận dạng vân tay H H M H M
Nhận dạng mống mắt H H H L H
Xác minh giọng nói M M L H L
Động lực học tổ hợp phím L L L H L
Chữ viết tay M M L M L
Xác thực khuôn mặt M M M H L

Đồng thời, đồ án phân tích mức độ tương thích của từng kỹ thuật sinh trắc học đối với 4 nhóm phân khúc người dùng: khách hàng bán lẻ (Retail), khách hàng doanh nghiệp (Corporate), khách hàng cá nhân/tư nhân (Private) và nhà đầu tư (Investor).

Kỹ thuật xác thực sinh trắc học Khách hàng bán lẻ (Retail) Doanh nghiệp (Corporate) Khách hàng cá nhân (Private) Nhà đầu tư (Investor)
Nhận dạng vân tay X X X
Nhận dạng mống mắt X X
Xác minh giọng nói X X X X
Động lực học tổ hợp phím X X X X
Chữ viết tay X X X
Xác thực khuôn mặt X X X X

Phần cuối chương 1 trình bày cơ sở toán học về xử lý ảnh: cấu trúc ảnh màu RGB, ảnh xám, tensor đa chiều, phép tính tích chập với ma trận nhân chập (Kernel $k \times k$), độ dịch bước trượt (Stride $s$) và chèn viền (Padding $p$). Kích thước ma trận đầu ra sau tích chập được xác định bằng công thức tổng quát: $$\text{Kích thước đầu ra} = \left\lfloor \frac{m - k + 2p}{s} + 1 \right\rfloor \times \left\lfloor \frac{n - k + 2p}{s} + 1 \right\rfloor$$

Chương 2: Xác thực khuôn mặt sử dụng MTCNN và FaceNet

Chương 2 trình bày chi tiết cơ sở lý thuyết học máy, học sâu và kiến trúc kỹ thuật của hai mô hình cốt lõi:

  1. Tổng quan học máy và mạng CNN: Phân loại 3 nhánh học máy chính (Học có giám sát - Supervised Learning, Học không giám sát - Unsupervised Learning, Học tăng cường - Reinforcement Learning). Phân tích cấu trúc mạng tích chập CNN gồm Convolutional layer (sử dụng $K$ kernel kích thước $F \times F \times D$ để trích xuất đặc trưng không gian), Pooling layer (giảm kích thước không gian bằng Max Pooling hoặc Average Pooling, thường dùng kích thước $2 \times 2$ với bước trượt 2 để giảm 1/2 chiều dài và chiều rộng) và Fully Connected layer (phẳng hóa vector để phân loại).

  2. Kiến trúc mạng MTCNN (Multi-task Cascaded Convolutional Networks): Mô hình gồm 3 mạng CNN xếp tầng hoạt động đồng thời:

    • P-Net (Proposal Network): Sử dụng cấu trúc hình tháp ảnh (Image Pyramid) với nhiều tỉ lệ kích thước khác nhau. Quét kernel $12 \times 12$ trên ảnh để sinh các vùng ứng viên chứa khuôn mặt, áp dụng ngưỡng tin cậy (Threshold confident) và thuật toán triệt tiêu phi cực đại (Non-Maximum Suppression - NMS) để loại bỏ các hộp giới hạn trùng lặp.
    • R-Net (Refine Network): Nhận đầu vào là các hộp giới hạn được chuẩn hóa về kích thước $24 \times 24 \times 3$ (áp dụng zero-padding nếu vượt biên), tiếp tục tinh chỉnh tọa độ hộp giới hạn và loại bỏ các vùng nhận diện sai (false positives).
    • O-Net (Output Network): Nhận đầu vào kích thước $48 \times 48 \times 3$, thực hiện tác vụ phức tạp nhất và trả về 3 đầu ra: tọa độ 4 góc của hộp giới hạn (out[0]), tọa độ 5 điểm mốc đặc trưng trên khuôn mặt gồm 2 mắt, 1 mũi, 2 khóe môi (out[1]) và điểm tin cậy nhận diện (out[2]).

  3. Mô hình FaceNet và hàm mất mát Triplet Loss:

    • Thay vì sử dụng các vector đặc trưng kích thước lớn ($\ge 1000$ chiều) đòi hỏi thuật toán giảm chiều PCA như các phương pháp truyền thống, FaceNet mã hóa trực tiếp ảnh khuôn mặt thành vector 128 chiều trong không gian Euclidean.
    • Cơ chế hàm mất mát Triplet Loss: Huấn luyện đồng thời trên bộ 3 ảnh gồm ảnh gốc (Anchor - $A$), ảnh cùng người với ảnh gốc (Positive - $P$) và ảnh người khác (Negative - $N$). Mục tiêu toán học là tối thiểu hóa khoảng cách giữa cặp $(A, P)$ và tối đa hóa khoảng cách giữa cặp $(A, N)$ với biên độ cách biệt $\alpha > 0$: $$d(A, P) + \alpha < d(A, N) \iff |f(A) - f(P)|_2^2 + \alpha < |f(A) - f(N)|_2^2$$
    • Hàm mất mát tổng quát trên $n$ bộ ba huấn luyện có dạng: $$L(A, P, N) = \sum_{i=0}^{n} \max\left( |f(A_i) - f(P_i)|_2^2 - |f(A_i) - f(N_i)|_2^2 + \alpha, 0 \right)$$
    • Điều kiện huấn luyện đòi hỏi tập dữ liệu phải có tối thiểu 2 ảnh trên mỗi đối tượng để tạo cặp $(A, P)$.

Chương 3: Cài đặt và thử nghiệm

Chương 3 trình bày toàn bộ quá trình hiện thực hóa giải pháp phần mềm, thu thập dữ liệu và phân tích kết quả thực nghiệm:

  • Xây dựng chương trình: Hiện thực hóa các đoạn mã nguồn xử lý luồng video, cắt khung hình, phát hiện khuôn mặt qua MTCNN, tạo và lưu trữ vector nhúng đặc trưng 128 chiều, xây dựng module tính toán khoảng cách để xác thực đầu vào.
  • Tập dữ liệu thực nghiệm:
    • Tập dữ liệu chuẩn phục vụ đối sánh: Tập dữ liệu Yale và AT&T.
    • Tập dữ liệu tự xây dựng: 50 đối tượng học sinh, sinh viên với nhiều góc chụp, điều kiện ánh sáng và biểu cảm khác nhau.
  • Kịch bản thử nghiệm: Đánh giá độ chính xác của hệ thống trong các trường hợp thực tế: đối tượng không đeo kính, đối tượng có đeo kính, và nhận diện trường hợp người lạ ("Unknown") không có trong cơ sở dữ liệu.

Kết quả và đóng góp

1. Kết quả thực nghiệm chính

  • Xây dựng thành công ứng dụng xác thực khuôn mặt hoàn chỉnh, tích hợp liên hoàn quy trình tiền xử lý bằng MTCNN (phát hiện biên, căn chỉnh 5 điểm mốc) và trích xuất vector embedding 128 chiều bằng FaceNet.
  • Đồ án đã tổng hợp kết quả thử nghiệm so sánh giữa các mô hình nhận diện trên hai tập dữ liệu chuẩn quốc tế là Yale và AT&T (được trình bày chi tiết tại Bảng 3.2 của đồ án).
  • Hệ thống đạt kết quả nhận diện ổn định trên tập thử nghiệm 50 học sinh, sinh viên (Bảng 3.3 của đồ án): nhận diện chính xác các trường hợp người dùng đăng ký khi không đeo kính, nhận diện tốt khi đối tượng đeo kính, và phân loại chính xác các trường hợp đối tượng chưa đăng ký vào nhóm "Unknown".

2. Đóng góp của đề tài

  • Hệ thống hóa toàn diện cơ sở lý thuyết về các phương pháp xác thực bảo mật và xác thực sinh trắc học, đưa ra các bảng phân tích chi tiết về ưu nhược điểm, độ an toàn, chi phí và phân khúc người dùng phù hợp.
  • Làm rõ cơ chế hoạt động chi tiết của kiến trúc mạng 3 tầng P-Net, R-Net, O-Net trong MTCNN và cơ chế tối ưu hóa vector đặc trưng bằng hàm Triplet Loss trong FaceNet.
  • Triển khai thành công mô hình thực nghiệm nhận diện khuôn mặt không phụ thuộc vào các thiết bị ngoại vi đắt tiền, có khả năng ứng dụng thực tế cho bài toán điểm danh, kiểm soát ra vào trong môi trường giáo dục và doanh nghiệp.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên các phân tích và phạm vi nghiên cứu được tác giả trình bày trong văn bản:

1. Hạn chế

  • Quy mô tập dữ liệu thử nghiệm: Dữ liệu tự thu thập mới dừng lại ở phạm vi 50 đối tượng học sinh, sinh viên, chưa đánh giá trên tập dữ liệu quy mô lớn hàng nghìn người dùng.
  • Sự phụ thuộc vào điều kiện ngoại cảnh: Quá trình nhận diện và phát hiện khuôn mặt vẫn chịu ảnh hưởng nhất định bởi điều kiện môi trường như ánh sáng quá yếu, góc chụp quá nghiêng, bóng râm hoặc nền ảnh có độ nhiễu cao.
  • Biến đổi khuôn mặt và phụ kiện: Độ chính xác có thể bị ảnh hưởng khi đối tượng có sự thay đổi lớn về ngoại hình (trang điểm đậm, thay đổi kiểu tóc, phẫu thuật) hoặc đeo kính mắt quá dày làm che khuất các điểm mốc nhận dạng.
  • Vấn đề chống giả mạo (Anti-spoofing): Hệ thống chưa tích hợp sâu các cơ chế chống tấn công giả mạo nâng cao bằng hình ảnh tĩnh hoặc video giả mạo (Deepfake).

2. Hướng nghiên cứu tiếp

  • Mở rộng quy mô tập dữ liệu thử nghiệm với nhiều nhóm đối tượng và điều kiện môi trường đa dạng hơn.
  • Nghiên cứu tích hợp các giải pháp phát hiện thực thể sống (Liveness Detection) nhằm ngăn chặn triệt để các hình thức tấn công giả mạo khuôn mặt.
  • Tối ưu hóa tốc độ xử lý của mô hình để có thể triển khai mượt mà trên các thiết bị nhúng và thiết bị di động có tài nguyên tính toán hạn chế.

Giá trị tham khảo

Đồ án là tài liệu tham khảo hữu ích cho các nhóm độc giả sau:

  • Sinh viên ngành An toàn thông tin, Công nghệ thông tin, Khoa học máy tính: Nắm vững bức tranh tổng quan về các phương thức xác thực số, nguyên lý xác thực sinh trắc học và kỹ thuật xử lý ảnh cơ bản (Convolution, Stride, Padding, Pooling).
  • Người nghiên cứu và phát triển các hệ thống Computer Vision: Tham khảo chi tiết về kiến trúc cấu trúc tầng của MTCNN (P-Net, R-Net, O-Net) và phương pháp huấn luyện mạng trích xuất đặc trưng khuôn mặt bằng hàm Triplet Loss trong FaceNet.
  • Kỹ sư phát triển ứng dụng nhận diện và kiểm soát truy cập: Tham khảo quy trình xây dựng ứng dụng xác thực khuôn mặt từ video/camera, phương pháp tiền xử lý dữ liệu và so khớp khoảng cách vector đặc trưng trong cơ sở dữ liệu.

Câu hỏi thường gặp

1. Mạng MTCNN thực hiện việc phát hiện và căn chỉnh khuôn mặt qua những bước nào?
MTCNN thực hiện qua 3 tầng mạng nơ-ron tích chập xếp tầng:

  • P-Net (Proposal Network): Quét kernel $12 \times 12$ trên hình tháp ảnh (Image Pyramid) với nhiều tỉ lệ kích thước, dùng ngưỡng tin cậy và thuật toán NMS để lọc bớt các hộp giới hạn ứng viên.
  • R-Net (Refine Network): Nhận các hộp giới hạn kích thước $24 \times 24 \times 3$, chèn zero-padding cho các phần vượt biên, tiếp tục tinh chỉnh tọa độ và loại bỏ các vùng nhận diện sai.
  • O-Net (Output Network): Nhận đầu vào kích thước $48 \times 48 \times 3$, xuất ra 3 giá trị: tọa độ hộp giới hạn khuôn mặt (out[0]), tọa độ 5 điểm mốc đặc trưng gồm 2 mắt, 1 mũi, 2 khóe môi (out[1]) và điểm tin cậy nhận diện (out[2]).

2. Điểm cải tiến cốt lõi của FaceNet so với các phương pháp nhận diện khuôn mặt truyền thống là gì?
Các thuật toán trước FaceNet thường tạo vector đặc trưng có số chiều lớn ($\ge 1000$) và phải dùng thuật toán PCA để giảm chiều nhằm tăng tốc độ tính toán. FaceNet sử dụng trực tiếp mạng CNN để nén ảnh khuôn mặt về vector embedding chỉ 128 chiều trong không gian Euclidean, đồng thời sử dụng hàm mất mát Triplet Loss để học đồng thời sự giống nhau giữa các ảnh cùng người và phân biệt các ảnh khác người trên cùng một lượt huấn luyện.

3. Cơ chế hoạt động của hàm mất mát Triplet Loss trong FaceNet được biểu diễn như thế nào?
Triplet Loss sử dụng đầu vào gồm bộ 3 ảnh: ảnh Anchor ($A$), ảnh Positive ($P$ - cùng người với $A$) và ảnh Negative ($N$ - khác người với $A$). Hàm mục tiêu tối ưu sao cho khoảng cách giữa cặp $(A, P)$ nhỏ hơn khoảng cách giữa cặp $(A, N)$ một khoảng tối thiểu $\alpha$ ($\alpha > 0$). Công thức hàm mất mát: $$L(A, P, N) = \sum_{i=0}^{n} \max\left( |f(A_i) - f(P_i)|_2^2 - |f(A_i) - f(N_i)|_2^2 + \alpha, 0 \right)$$ Điều này đảm bảo các ảnh của cùng một người sẽ có vector embedding gần nhau hơn, trong khi ảnh của người khác sẽ bị đẩy ra xa trong không gian Euclidean.

4. Dữ liệu thử nghiệm và kịch bản kiểm thử của đồ án được triển khai ra sao?
Đồ án thử nghiệm đối sánh mô hình trên hai bộ dữ liệu chuẩn là Yale và AT&T, đồng thời thu thập tập dữ liệu thực nghiệm gồm 50 đối tượng học sinh, sinh viên qua video và ảnh chụp. Quá trình kiểm thử đánh giá trên 3 trường hợp thực tế: ảnh đối tượng không đeo kính, ảnh đối tượng có đeo kính, và kiểm tra tính năng từ chối đối với ảnh của người lạ chưa đăng ký trong hệ thống ("Unknown").

Kết luận

Đồ án tốt nghiệp "Nghiên cứu các phương pháp xác thực sử dụng khuôn mặt" của tác giả Phan Thị Kim Hoàn đã hệ thống hóa toàn diện cơ sở lý thuyết về các giải pháp xác thực bảo mật và sinh trắc học trong kỷ nguyên số. Tác giả đã phân tích sâu sắc cấu trúc kỹ thuật của mạng tích chập đa tác vụ MTCNN và mô hình biểu diễn đặc trưng vector 128 chiều FaceNet dựa trên hàm mất mát Triplet Loss. Hệ thống xác thực khuôn mặt được thiết kế, cài đặt và thử nghiệm thành công trên tập dữ liệu 50 học sinh, sinh viên, chứng minh tính khả thi, hiệu quả và độ chính xác trong các điều kiện kiểm thử thực tế. Công trình là tài liệu học thuật có giá trị tham khảo cao cho sinh viên và các nhà phát triển trong lĩnh vực an toàn thông tin và thị giác máy tính.