Nghiên cứu ứng dụng deep learning trong phát hiện xâm nhập

LỜI CAM ĐOAN

1. CHƯƠNG 1: TỔNG QUAN VỀ XỬ LÝ ẢNH SỐ, HỌC MÁY VÀ HỌC SÂU

1.1. Xử lý ảnh và các vấn đề cơ bản về xử lý ảnh

1.2. Các vấn đề cơ bản về xử lý ảnh

1.3. Ảnh số và điểm ảnh

1.4. Nắn chỉnh biến dạng

1.5. Một số phương pháp xử lý ảnh số

1.5.1. Các kỹ thuật lọc nhiễu

1.5.1.1. Kỹ thuật lọc trung bình

1.5.1.2. Kỹ thuật lọc trung vị

1.5.1.3. Lọc thông thấp

1.5.1.4. Lọc thông cao

1.5.2. Kỹ thuật phân ngưỡng

1.5.2.1. Kỹ thuật phân ngưỡng tự động

1.5.3. Phương pháp sử dụng các điểm biên

1.5.3.1. Một số kĩ thuật phát hiện biên

1.5.3.1.1. Kỹ thuật gradient

1.5.3.1.2. Kỹ thuật Laplace

1.5.3.1.3. Kỹ thuật sobel

1.5.3.1.4. Kỹ thuật prewitt

1.6. Các giải thuật học máy

1.7. Các ứng dụng của học máy

1.8. Cách thức hoạt động của học sâu

1.9. Các ứng dụng phổ biến của học sâu

1.9.1. Máy bay không người lái và xe ô tô tự hành

1.9.2. Chatbots và dịch vụ bots

1.9.3. Tô màu hình ảnh

1.9.4. Nhận dạng khuôn mặt

1.9.5. Y học và dược phẩm

1.9.6. Mua sắm và giải trí được cá nhân hóa

2. CHƯƠNG 2: TỔNG QUAN CÁC PHƯƠNG PHÁP NHẬN DẠNG ĐỐI TƯỢNG, PHÁT HIỆN NGƯỜI VÀ KHUÔN MẶT TRÊN ẢNH

2.1. Đặc điểm các loại đối tượng và người

2.2. Các phương pháp nhận dạng đối tượng hiện nay

2.2.1. Phương pháp dựa trên cơ sở tri thức

2.2.2. Phương pháp dựa trên đặc trưng bất biến

2.2.3. Phương pháp dựa trên so khớp mẫu

2.2.4. Phương pháp dựa trên diện mạo

2.3. Các kỹ thuật phát hiện người

2.4. Các kỹ thuật phát hiện khuôn mặt

3. CHƯƠNG 3: THUẬT TOÁN PHÁT HIỆN NGƯỜI VÀ KHUÔN MẶT SỬ DỤNG MẠNG NƠ-RON TÍCH CHẬP, YOLOV3 VÀ THUẬT TOÁN VIOLA-JONES

3.1. Kỹ thuật nhận dạng đối tượng bằng mạng nơ-ron tích chập

3.1.1. Lớp tích chập (Convolution Layer)

3.1.2. Lớp chuyển đổi (ReLU Layer)

3.1.3. Lớp tổng hợp (Pooling Layer)

3.1.4. Lớp kết nối đầy đủ (Fully-Connected Layer)

3.1.5. Các bước thực hiện nhận dạng đối tượng bằng mạng nơ-ron tích chập

3.2. Kỹ thuật nhận dạng đối tượng bằng YOLOv3

3.2.1. Kiến trúc mạng YOLO

3.2.2. Các phiên bản của YOLO

3.2.3. Nhận dạng đối tượng bằng YOLOv3

3.3. Kỹ thuật phát hiện khuôn mặt Viola-Jones

3.3.1. Các đặc trưng Haar-Like

3.3.2. Sơ đồ tìm kiếm khuôn mặt

4. CHƯƠNG 4: KẾT QUẢ THỰC NGHIỆM VÀ ÁP DỤNG TRONG THỰC TẾ

4.1. Mô hình hệ thống dự kiến

4.2. Thuật toán tìm người và khuôn mặt đề xuất

4.2.1. Thuật toán tìm người và khuôn mặt trên ảnh tĩnh

4.2.2. Mô hình thuật toán

4.2.3. Thuật toán tìm người và khuôn mặt trên video

4.2.4. Mô hình thuật toán

4.2.5. Chú thích bằng lời

4.3. Kết quả thực nghiệm. Đánh giá kết quả

4.4. Kết luận và hướng phát triển

TÀI LIỆU THAM KHẢO

I. Tính cấp thiết của đề tài

Trong bối cảnh hiện đại, việc đảm bảo an ninh mạng trở thành một vấn đề cấp bách. Deep learning đã mở ra những khả năng mới trong việc phát hiện xâm nhập. Hệ thống camera giám sát hiện tại chỉ có khả năng ghi lại hình ảnh mà không thể tự động phát hiện và cảnh báo các hành vi xâm nhập. Việc ứng dụng machine learning và học sâu vào hệ thống này giúp nâng cao khả năng phát hiện, giảm thiểu các cảnh báo sai. Theo nghiên cứu, việc sử dụng học sâu có thể cải thiện đáng kể độ chính xác trong việc phát hiện các đối tượng xâm nhập, từ đó bảo vệ an ninh cho các cơ quan, tổ chức.

II. Mục tiêu của đề tài

Mục tiêu chính của nghiên cứu này là phát triển một hệ thống phát hiện xâm nhập tự động dựa trên công nghệ deep learning. Cụ thể, nghiên cứu sẽ xây dựng mô hình phát hiện người và khuôn mặt trong ảnh tĩnh và video. Hệ thống sẽ sử dụng các thuật toán như YOLOv3 và mạng nơ-ron tích chập để nhận diện và phân loại đối tượng. Mục tiêu cuối cùng là áp dụng mô hình này vào thực tế tại Trung tâm hành chính tỉnh Bà Rịa-Vũng Tàu, nhằm nâng cao hiệu quả giám sát và bảo mật thông tin.

III. Tổng quan về lĩnh vực nghiên cứu

Nghiên cứu về phát hiện xâm nhập đã được thực hiện từ lâu, tuy nhiên, sự phát triển của học sâu đã mang lại những bước tiến vượt bậc. Các phương pháp truyền thống thường gặp khó khăn trong việc phân loại và nhận diện đối tượng trong các tình huống phức tạp. Deep learning cho phép xây dựng các mô hình phức tạp hơn, có khả năng học từ dữ liệu lớn và tự động cải thiện hiệu suất. Các nghiên cứu trước đây đã chỉ ra rằng việc áp dụng AI trong an ninh mạng có thể giúp phát hiện các hành vi bất thường một cách hiệu quả hơn.

IV. Các phương pháp phát hiện đối tượng

Có nhiều phương pháp để phát hiện đối tượng trong ảnh và video. Các phương pháp này thường dựa vào các đặc trưng như màu sắc, hình dạng và kết cấu bề mặt. Việc áp dụng học sâu đã dẫn đến sự ra đời của các thuật toán như R-CNN, YOLO và SSD, cho phép phát hiện đối tượng với độ chính xác cao. Các nghiên cứu đã chỉ ra rằng mạng nơ-ron có thể học và nhận diện các đặc trưng phức tạp mà các phương pháp truyền thống không thể làm được. Điều này mở ra cơ hội mới cho việc phát hiện xâm nhập trong các hệ thống giám sát.

V. Kết quả thực nghiệm và ứng dụng thực tế

Kết quả thực nghiệm cho thấy mô hình phát hiện xâm nhập dựa trên deep learning có khả năng nhận diện người và khuôn mặt với độ chính xác cao. Hệ thống đã được thử nghiệm trong môi trường thực tế tại Trung tâm hành chính tỉnh Bà Rịa-Vũng Tàu. Các thử nghiệm cho thấy tỷ lệ phát hiện thành công đạt trên 90%, trong khi tỷ lệ cảnh báo sai chỉ dưới 5%. Điều này chứng tỏ rằng việc ứng dụng học sâu trong phát hiện xâm nhập không chỉ khả thi mà còn mang lại hiệu quả cao trong việc bảo vệ an ninh.

Luận văn thạc sĩ: Nghiên cứu và ứng dụng deep learning để phát hiện người xâm nhập