Bối cảnh và vấn đề nghiên cứu

Trong sự phát triển của khoa học và kỹ thuật, các công nghệ số và kỹ thuật xử lý ảnh đóng vai trò thiết yếu trong việc hỗ trợ con người giải quyết các bài toán xã hội và công việc thực tiễn. Dù là một phân ngành còn tương đối mới mẻ so với nhiều lĩnh vực khoa học khác, xử lý ảnh đã nhanh chóng thu hút sự quan tâm của đông đảo các nhà nghiên cứu nhờ khả năng ứng dụng rộng rãi. Điển hình có thể kể đến các hệ thống giám sát an ninh, nhận dạng đối tượng, phát hiện chuyển động, theo dõi chuyển động, phát hiện khối u trong y học, cũng như việc hiệu chỉnh chất lượng ảnh và video. Trong số đó, bài toán nhận dạng khuôn mặt người là một ứng dụng phổ biến và có tính ứng dụng cao, đặc biệt tại các khu vực kiểm soát an ninh, thương mại và hỗ trợ công tác phòng chống tội phạm.

Tuy nhiên, việc triển khai nhận dạng khuôn mặt một cá nhân cụ thể trong môi trường thế giới thực gặp phải nhiều rào cản kỹ thuật. Để đạt được độ tin cậy, hệ thống đòi hỏi phải xây dựng một cơ sở dữ liệu đủ lớn, kéo theo áp lực tính toán phức tạp: thuật toán phải vừa đảm bảo tốc độ phản hồi nhanh, vừa phải duy trì độ chính xác cao. Một quy trình nhận dạng khuôn mặt tiêu chuẩn luôn bao gồm hai giai đoạn độc lập nhưng liên kết chặt chẽ:

  1. Phát hiện khuôn mặt trong khung hình.
  2. Định danh tự động đối tượng dựa trên việc rút trích các đặc trưng cục bộ bất biến và thực hiện đối sánh với dữ liệu sẵn có.

Khóa luận "Nhận dạng và định danh khuôn mặt người thời gian thực và sử dụng camera 2D giá rẽ" do học viên Lê Nguyễn Anh Huy thực hiện, dưới sự hướng dẫn của TS. Nguyễn Văn Thái, tập trung giải quyết bài toán trên thông qua việc tối ưu hóa thuật toán và quy trình xử lý nhằm vận hành được trên thiết bị thu nhận hình ảnh 2D thông thường.

Về nhiệm vụ nghiên cứu, đề tài xác định 4 nhiệm vụ cụ thể:

  1. Nghiên cứu, tìm hiểu giải thuật Haar-like, mô hình phân tầng Cascade of Boosted Classifiers.
  2. Nghiên cứu, tìm hiểu phương pháp trích chọn đặc trưng SIFT (Scale Invariant Feature Transform).
  3. Nghiên cứu, tìm hiểu thuật toán ước lượng tham số RANSAC (Random Sample Consensus).
  4. Xây dựng chương trình mô phỏng hệ thống nhận dạng và định danh đối tượng.

Về phạm vi và giới hạn nghiên cứu:

  • Thiết bị thu nhận: Sử dụng camera 2D giá thành thấp (webcam thông thường).
  • Không gian và góc nhìn: Hệ thống tập trung xử lý khuôn mặt ở góc nhìn trực diện; góc nghiêng khuôn mặt được giới hạn trong khoảng nhỏ hơn 30 độ.
  • Chức năng: Trích xuất các đặc trưng trên ảnh khuôn mặt và thực hiện định danh danh tính đối tượng so với cơ sở dữ liệu đã thu thập.

Cơ sở lý thuyết và phương pháp

Khóa luận xây dựng hệ thống dựa trên sự kết hợp giữa các lý thuyết hình học, học máy phân loại và các bộ mô tả điểm ảnh cục bộ bất biến:

  • Mô hình phát hiện đối tượng Haar-like kết hợp AdaBoost và Cascade:

    • Khái niệm đặc trưng Haar-like do Viola và Jones phát triển, sau đó được Lienhart và cộng sự mở rộng thành các nhóm đặc trưng cạnh (edge), đặc trưng đường (line) và đặc trưng tâm (center). Giá trị đặc trưng $f(x)$ được tính bằng hiệu giữa tổng mức xám của vùng đen và tổng mức xám của vùng trắng.
    • Công cụ ảnh tích phân (Integral Image): Mảng hai chiều cho phép tính tổng điểm ảnh của một hình chữ nhật bất kỳ chỉ qua các phép cộng/trừ số nguyên đơn giản từ 4 đỉnh, giúp tăng tốc tối đa tốc độ quét đặc trưng.
    • Thuật toán học AdaBoost (Freund & Schapire, 1995): Kết hợp tuyến tính các bộ phân loại yếu (weak classifiers) thành bộ phân loại mạnh bằng cơ chế tái đánh trọng số (tăng trọng số cho các mẫu bị phân loại sai ở vòng lặp trước).
    • Kiến trúc phân tầng Cascade: Chuỗi các bộ phân loại AdaBoost xếp tầng, cho phép loại bỏ nhanh các vùng ảnh nền đơn giản (negative) ngay từ các tầng đầu tiên, chỉ dành tài nguyên tính toán ở các tầng sâu hơn cho các vùng ảnh ứng viên phức tạp.

  • Thuật toán trích xuất đặc trưng SIFT (Scale Invariant Feature Transform): Được nghiên cứu và đề xuất bởi David Lowe, thuật toán trích chọn các đặc trưng bất biến với phép co giãn (scale), phép quay (rotation), và bất biến một phần đối với biến đổi Affine, thay đổi góc nhìn 3D cũng như điều kiện chiếu sáng. SIFT bao gồm 4 giai đoạn xử lý:

    1. Phát hiện cực trị trong không gian tỉ lệ (Scale-Space Extrema Detection): Sử dụng hàm Difference-of-Gaussian (DoG) để xấp xỉ hàm Laplacian-of-Gaussian (LoG). Mỗi octave chia thành $s = 3$ khoảng tỷ lệ, sử dụng độ mịn ban đầu $\sigma = 1.6$. Cực trị được xác định bằng cách so sánh điểm ảnh với 8 láng giềng cùng tỷ lệ và $9 \times 2 = 18$ láng giềng ở hai thang tỷ lệ liền kề.
    2. Định vị điểm đặc trưng (Keypoint Localization): Sử dụng khai triển chuỗi Taylor bậc hai để xác định vị trí cực trị nội suy. Loại bỏ các điểm có độ tương phản thấp ($|D(\hat{x})| < 0.03$) và loại bỏ các điểm phản hồi dọc theo cạnh biên thông qua ma trận Hessian $2 \times 2$ với ngưỡng tỷ số đường cong chính $r = 10$.
    3. Gán hướng (Orientation Assignment): Lập biểu đồ hướng gradient 36 ngăn (mỗi ngăn 10 độ) cho vùng lân cận keypoint với trọng số Gaussian bán kính $1.5\sigma$, bảo đảm tính bất biến khi ảnh bị xoay.
    4. Tạo bộ mô tả (Keypoint Descriptor): Khảo sát vùng lân cận keypoint thành lưới $4 \times 4$, mỗi ô tạo biểu đồ gradient 8 hướng, sinh ra vector đặc trưng có kích thước $4 \times 4 \times 8 = 128$ chiều. Các giá trị ngưỡng được khống chế không vượt quá 0.2 nhằm giảm thiểu ảnh hưởng của sự biến thiên ánh sáng phi tuyến tính.

  • Kỹ thuật đối sánh và chọn lọc hình học:

    • Đối sánh láng giềng gần kNN kết hợp thuật toán cây kd xấp xỉ Best-Bin-First (BBF), cho phép dừng tìm kiếm sau khi duyệt qua 200 điểm lân cận.
    • Tiêu chuẩn tỷ lệ khoảng cách Euclid: Chỉ chấp nhận cặp điểm khớp nếu tỷ số giữa khoảng cách tới láng giềng gần nhất và khoảng cách tới láng giềng thứ hai nhỏ hơn 0.8 (ngưỡng này loại bỏ 90% đối sánh sai và giữ lại hơn 95% đối sánh chính xác).
    • Phân nhóm bằng biến đổi Hough để tìm các cụm có tối thiểu 3 đặc trưng nhất quán về vị trí, tỷ lệ và hướng.
    • Thuật toán RANSAC kết hợp phép ước lượng bình phương nhỏ nhất Affine $x = (A^T A)^{-1} A^T b$ để loại bỏ các điểm ngoại lai (outliers), chỉ giữ lại các điểm nội lai (inliers) có độ tin cậy mô hình lớn hơn 0.98.

  • Thuật toán SURF (Speeded Up Robust Features): Được tác giả đưa vào phần khảo sát lý thuyết nhằm so sánh hiệu năng. SURF xấp xỉ đạo hàm cấp hai Gaussian bằng các bộ lọc hộp (box filters) trên ảnh tích phân kết hợp bộ dò Fast-Hessian và mô tả Haar wavelet 64 chiều, giúp tăng tốc độ xử lý so với SIFT.

Phương pháp nghiên cứu thực tế của tác giả bao gồm: nghiên cứu tổng hợp tài liệu chuyên ngành; kế thừa các nghiên cứu thực nghiệm tiền đề (như nghiên cứu của Châu Ngân Khánh & Đoàn Thanh Nghị năm 2014 trên các tập dữ liệu AT&T, Face94, Face95, Face96, Grimace, Jaffe; nghiên cứu của Avani S Rao và cộng sự năm 2015 về ORB-RANSAC); áp dụng các thư viện mã nguồn mở và tiến hành thực nghiệm mô phỏng trên tập dữ liệu ảnh thu thập thực tế.

Thiết kế và triển khai

Hệ thống được thiết kế theo quy trình xử lý hai pha nối tiếp, tối ưu hóa để vận hành với luồng hình ảnh thời gian thực từ camera 2D giá rẻ:

                 (Haar-Cascade)                                    (CSDL khuôn mặt)

  1. Khối phát hiện khuôn mặt:

    • Khung hình từ camera 2D được đưa qua bộ phân loại phân tầng Haar-like Cascade để định vị vùng khuôn mặt.
    • Việc tách riêng vùng mặt người trước khi trích chọn đặc trưng giúp giải quyết triệt để vấn đề quá tải tính toán: Với ảnh gốc kích thước $500 \times 500$ pixels, giải thuật SIFT thông thường tạo ra khoảng 2000 keypoint. Khi trích xuất riêng vùng mặt, số lượng đặc trưng SIFT giảm xuống chỉ còn trung bình khoảng 200 keypoint. Việc loại bỏ các keypoint ngoại cảnh lộn xộn không chỉ giảm chi phí tính toán đối sánh mà còn trực tiếp làm tăng độ chính xác của quá trình nhận dạng.

  2. Khối trích xuất và lưu trữ đặc trưng:

    • Vùng mặt sau khi tách được chuyển đổi để trích xuất vector SIFT 128 chiều.
    • Tập đặc trưng của từng đối tượng được tổ chức vào cơ sở dữ liệu mẫu để phục vụ tra cứu.

  3. Khối đối sánh và định danh:

    • Sử dụng thuật toán kNN / BBF để tìm kiếm các điểm tương đồng giữa ảnh đầu vào và CSDL.
    • Áp dụng kiểm tra ngưỡng tỷ số khoảng cách láng giềng (ngưỡng 0.8).
    • Tích hợp giải thuật RANSAC để tính toán tỷ số inliers trên tổng số so khớp hợp lệ từ bộ dò, loại bỏ các kết hợp sai do nền hoặc biến dạng cục bộ.
    • Nhãn danh tính được xác lập khi số lượng điểm khớp nội lai vượt qua ngưỡng ràng buộc hình học.

  4. Kiểm thử mô phỏng:

    • Chương trình được thử nghiệm qua các kịch bản thực tế: hai ảnh khuôn mặt không có ngoại cảnh ở điều kiện ánh sáng bình thường; ảnh khuôn mặt có ngoại cảnh phức tạp; ảnh chụp trong điều kiện ánh sáng yếu (tối); và ảnh khuôn mặt bị xoay nghiêng trong phạm vi cho phép.

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương 1 trình bày bối cảnh chung của lĩnh vực xử lý ảnh và tầm quan trọng của bài toán nhận dạng khuôn mặt trong các hệ thống an ninh và đời sống. Tác giả khảo sát các công trình nghiên cứu tiêu biểu liên quan, trọng tâm là:

  • Nghiên cứu của nhóm tác giả Châu Ngân Khánh và Đoàn Thanh Nghị (2014): Phân tích hiệu năng hệ thống phát hiện bằng Haar-like Cascade và nhận dạng bằng SIFT kết hợp kNN/NBNN trên các tập kiểm chuẩn AT&T, Face94-96, Jaffe. Công trình này chỉ ra rằng việc cắt vùng mặt giúp giảm lượng SIFT từ 2000 xuống 200 điểm, chứng minh tính hiệu quả của phương pháp tiền xử lý vùng mặt.
  • Nghiên cứu của Avani S Rao và cộng sự (2015): Sử dụng FLANN kết hợp RANSAC để tính toán ngưỡng inliers cho bài toán nhận dạng.

Từ đó, chương 1 xác định mục đích, 4 nhiệm vụ nghiên cứu trọng tâm, giới hạn kỹ thuật của đề tài (góc nhìn khuôn mặt trực diện, độ nghiêng nhỏ hơn 30 độ) và phác thảo sơ đồ nhận dạng khuôn mặt tổng quát.

Chương 2: Cơ sở lý thuyết thuật toán

Chương 2 là phần nội dung lý thuyết trọng tâm của khóa luận, phân tích chi tiết toán học và cơ chế vận hành của các thuật toán:

  • Đặc trưng Haar-like và AdaBoost: Định nghĩa các mẫu Haar cơ bản và mở rộng; cơ chế tính toán nhanh trên Integral Image với các phép tính số nguyên; thuật toán tăng cường AdaBoost cập nhật trọng số mẫu lỗi; cấu trúc phân tầng Cascade giúp loại bỏ nhanh các mẫu âm tính đơn giản.
  • Thuật toán SIFT:
    • Cơ sở toán học của không gian tỉ lệ qua hàm tích chập Gaussian và sai phân Gaussian (DoG), giải thích mối liên hệ giữa DoG và Laplacian-of-Gaussian ($\sigma^2 \nabla^2 G$).
    • Phân tích thực nghiệm về việc chọn 3 mẫu tỷ lệ trên mỗi octave và mức làm mịn ban đầu $\sigma = 1.6$.
    • Thuật toán định vị keypoint bằng mở rộng Taylor bậc hai, khử điểm tương phản thấp ($< 0.03$) và khử điểm dọc theo cạnh biên dựa trên tỷ số vết và định thức của ma trận Hessian với ngưỡng $r = 10$.
    • Phương pháp xây dựng biểu đồ hướng 36 bin để gán hướng đặc trưng.
    • Cấu trúc vector mô tả 128 chiều ($4 \times 4 \times 8$), cơ chế chuẩn hóa ngưỡng 0.2 để chống biến thiên chiếu sáng phi tuyến.
    • Phân tích tính bền vững của SIFT trước các biến đổi Affine (góc nghiêng sâu đến 50 độ), độ nhiễu ảnh và kích thước cơ sở dữ liệu.
    • Cơ chế đối sánh SIFT: Sử dụng khoảng cách Euclid, thuật toán tìm kiếm lân cận BBF trên cây kd cắt sau 200 điểm, kiểm tra tỷ lệ khoảng cách láng giềng thứ nhất và thứ hai (ngưỡng 0.8), gom cụm biến đổi Hough (tối thiểu 3 điểm) và ước lượng tham số biến đổi Affine bằng phương pháp bình phương nhỏ nhất.
  • Thuật toán SURF: Phân tích giải thuật SURF cải tiến từ SIFT, cấu trúc bộ dò Fast-Hessian sử dụng bộ lọc hộp xấp xỉ và vector đặc trưng Haar wavelet 64 chiều để tối ưu hóa thời gian tính toán.
  • Thuật toán RANSAC: Trình bày nguyên lý lấy mẫu ngẫu nhiên đồng thuận để loại bỏ các điểm ngoại lai trong tập dữ liệu so khớp.

Chương 3: Xây dựng chương trình

Chương 3 trình bày việc hiện thực hóa các giải thuật vào chương trình mô phỏng:

  • Thiết lập quy trình phát hiện đối tượng từ camera 2D, tách trích khuôn mặt và lưu vào cơ sở dữ liệu.
  • Hiện thực hóa thuật toán trích chọn đặc trưng SIFT trên vùng ảnh khuôn mặt đã cắt.
  • Kết hợp giải thuật so khớp SIFT với RANSAC để loại trừ các liên kết sai.
  • Tiến hành thực nghiệm mô phỏng trên các tập dữ liệu ảnh khuôn mặt với nhiều trạng thái:
    • So khớp 2 ảnh sử dụng SIFT thuần túy so với SIFT kết hợp RANSAC.
    • Thử nghiệm nhận dạng trong điều kiện ánh sáng chuẩn không có ngoại cảnh.
    • Thử nghiệm trong môi trường có ngoại cảnh phức tạp.
    • Thử nghiệm nhận dạng trong điều kiện thiếu sáng (ảnh tối).
    • Thử nghiệm nhận dạng khi khuôn mặt bị xoay nghiêng.

Chương 4: Kết luận

Chương 4 tổng kết lại toàn bộ các kết quả đạt được của khóa luận trong việc nghiên cứu lý thuyết, xây dựng mô hình mô phỏng nhận dạng khuôn mặt bằng camera 2D giá rẻ, đồng thời xác nhận việc hoàn thành các mục tiêu nghiên cứu đã đề ra ban đầu.

Kết quả và đóng góp

Số liệu và kết quả thực nghiệm trong nghiên cứu

Khóa luận đã tổng hợp và kiểm chứng các tham số kỹ thuật, số liệu thực nghiệm sau:

Hạng mục / Tham số Giá trị trong văn bản Ý nghĩa kỹ thuật
Số lượng SIFT ảnh gốc ($500 \times 500$ px) ~2000 SIFT Mức độ phức tạp tính toán khi chưa tách vùng mặt
Số lượng SIFT sau khi cắt khuôn mặt ~200 SIFT Giảm khoảng 90% số điểm đặc trưng, giúp tăng tốc hệ thống
Số lượng thang tỷ lệ mỗi Octave ($s$) 3 thang tỷ lệ Đảm bảo tính lặp lại tối ưu và tiết kiệm chi phí tính toán
Mức độ làm mịn không gian ban đầu ($\sigma$) 1.6 Cung cấp khả năng lặp lại keypoint gần như tối ưu
Ngưỡng loại bỏ điểm tương phản thấp $|D(\hat{x})| < 0.03$ Loại bỏ các cực trị không ổn định do nhiễu
Ngưỡng tỷ số cong chính ma trận Hessian ($r$) 10 Loại bỏ các keypoint kém định vị nằm dọc theo biên cạnh
Số chiều vector đặc trưng SIFT 128 chiều ($4 \times 4 \times 8$) Cân bằng giữa độ đặc trưng phân biệt và tính bền vững
Ngưỡng cắt độ lớn gradient bộ mô tả 0.2 Khử ảnh hưởng của biến đổi chiếu sáng phi tuyến
Ngưỡng tỷ số láng giềng gần nhất (kNN) 0.8 Loại bỏ 90% kết hợp sai, giữ lại > 95% kết hợp đúng
Số điểm dừng kiểm tra láng giềng BBF 200 điểm Tăng tốc tìm kiếm láng giềng trên CSDL lớn
Số điểm tối thiểu cho cụm Hough / Affine 3 điểm Điều kiện tối thiểu để giải hệ phương trình biến đổi Affine
Ngưỡng xác suất mô hình đúng > 0.98 Độ tin cậy chấp nhận nhận dạng đối tượng
Giới hạn góc nghiêng khuôn mặt thử nghiệm < 30 độ Phạm vi hoạt động ổn định của hệ thống với camera 2D

Giải pháp và đóng góp của đề tài

  • Giải pháp kỹ thuật: Tác giả đã kết hợp thành công mô hình phát hiện khuôn mặt Haar-like Cascade với giải thuật trích xuất đặc trưng SIFT và thuật toán loại trừ ngoại lai RANSAC. Giải pháp này khắc phục được nhược điểm tốc độ chậm cố hữu của SIFT khi xử lý ảnh độ phân giải lớn, nhờ việc thu hẹp không gian tính toán vào vùng khuôn mặt mục tiêu.
  • Đóng góp so với các nghiên cứu trước: Kế thừa các kết quả thực nghiệm của Châu Ngân Khánh, Đoàn Thanh Nghị (2014) và Avani S Rao (2015), tác giả đã hệ thống hóa đầy đủ cơ sở toán học của việc định vị keypoint, làm rõ vai trò của thuật toán RANSAC trong việc thanh lọc các kết hợp sai trên tập đặc trưng SIFT cục bộ, đồng thời chứng minh tính khả thi của việc ứng dụng camera 2D thông thường để phục vụ nhận dạng khuôn mặt trong điều kiện xoay nghiêng và ánh sáng thay đổi.

Hạn chế và hướng nghiên cứu tiếp

Dựa trên phạm vi và nội dung được công bố trong văn bản, đề tài tồn tại một số hạn chế:

  • Hệ thống chỉ mới thực hiện nhận dạng ổn định ở góc nhìn trực diện; khi góc nghiêng khuôn mặt vượt quá giới hạn 30 độ, độ chính xác của việc đối sánh suy giảm rõ rệt do các hạn chế của phép chiếu 2D và biến dạng Affine đối với vật thể 3D.
  • Khả năng nhận dạng vẫn chịu ảnh hưởng khi điều kiện ánh sáng thay đổi quá lớn (quá tối hoặc quá chói) hoặc khi có ngoại cảnh phức tạp che khuất một phần khuôn mặt.
  • Mới dừng lại ở bước xây dựng chương trình mô phỏng và kiểm nghiệm trên các tập ảnh thực nghiệm, chưa triển khai đóng gói thành một sản phẩm phần cứng/phần mềm hoàn chỉnh ngoài thực địa.

Hướng mở rộng được văn bản gợi mở:

  • Nghiên cứu kết hợp các phương pháp bất biến Affine mở rộng hoặc tích hợp nhiều góc nhìn (multi-view) để xử lý đối tượng 3D khi góc quay lớn hơn 30 độ.
  • Khảo sát sâu hơn các giải thuật tối ưu tốc độ như SURF hoặc các bộ kết hợp đặc trưng khác nhằm nâng cao tần số khung hình xử lý trong thời gian thực.

Giá trị tham khảo

Tài liệu khóa luận có giá trị tham khảo rõ ràng đối với:

  • Sinh viên, học viên chuyên ngành Khoa học máy tính, Công nghệ thông tin, Kỹ thuật điện tử - viễn thông đang bước đầu nghiên cứu về thị giác máy tính và xử lý ảnh số.
  • Những người thực hiện đề tài liên quan đến bài toán phát hiện đối tượng, nhận dạng khuôn mặt, hoặc trích chọn đặc trưng cục bộ bất biến.
  • Nội dung đáng tham khảo nhất của tài liệu là phần phân tích chi tiết cơ sở toán học của thuật toán SIFT tại Chương 2 (các công thức về Scale-space, Hessian, Taylor bậc hai, bộ mô tả gradient 128 chiều) và phương pháp kết hợp RANSAC để lọc đối sánh sai trên dữ liệu thực nghiệm.

Câu hỏi thường gặp

1. Tại sao việc cắt tách khuôn mặt bằng Haar-like Cascade lại giúp thuật toán SIFT chạy nhanh và chính xác hơn?
Theo số liệu trong văn bản, một ảnh gốc kích thước $500 \times 500$ pixels chứa khoảng 2000 điểm đặc trưng SIFT, phần lớn nằm ở ngoại cảnh rườm rà. Khi sử dụng Haar-like Cascade để cắt riêng vùng khuôn mặt, số lượng keypoint giảm xuống chỉ còn trung bình khoảng 200 điểm. Việc giảm 90% số lượng đặc trưng không hữu ích này vừa làm giảm mạnh thời gian tính toán đối sánh, vừa loại bỏ nguy cơ đối sánh nhầm với nền, giúp độ chính xác tăng lên.

2. Thuật toán SIFT trong khóa luận xử lý việc loại bỏ các điểm đặc trưng không ổn định như thế nào?
SIFT sử dụng hai bước lọc chính dựa trên khai triển Taylor bậc hai:

  • Khử điểm tương phản thấp: Loại bỏ tất cả các cực trị có giá trị tuyệt đối $|D(\hat{x})| < 0.03$ vì chúng rất nhạy cảm với nhiễu.
  • Khử điểm phản hồi dọc theo biên: Sử dụng ma trận Hessian $2 \times 2$ để kiểm tra tỷ số độ cong chính. Nếu tỷ số $\frac{\operatorname{Tr}(H)^2}{\operatorname{Det}(H)} \ge \frac{(r+1)^2}{r}$ với ngưỡng $r = 10$, điểm đó bị loại bỏ vì độ cong theo một hướng quá lớn so với hướng vuông góc.

3. Tiêu chuẩn nào được sử dụng để xác định một cặp keypoint SIFT đối sánh chính xác?
Khóa luận áp dụng phương pháp so sánh khoảng cách Euclid: tính tỷ số giữa khoảng cách tới láng giềng gần nhất và khoảng cách tới láng giềng gần nhì. Nếu tỷ số này nhỏ hơn hoặc bằng 0.8 thì cặp điểm mới được giữ lại. Tiêu chuẩn này giúp loại bỏ 90% các đối sánh sai trong khi chỉ làm mất dưới 5% các đối sánh đúng.

4. Vai trò của thuật toán RANSAC trong chương trình là gì?
Sau khi tìm kiếm các điểm tương đồng ban đầu qua SIFT, vẫn còn tồn tại các đối sánh sai do nhiễu hoặc nền. RANSAC được áp dụng để ước lượng mô hình biến đổi hình học (như Affine), qua đó phân tách tập hợp so khớp thành các điểm nội lai (inliers) và ngoại lai (outliers), chỉ giữ lại các so khớp thực sự tuân theo quy luật hình học của đối tượng.

5. Giới hạn góc quay khuôn mặt mà hệ thống có thể nhận dạng được là bao nhiêu?
Khóa luận xác định rõ giới hạn nghiên cứu là chỉ nhận dạng khuôn mặt ở góc nhìn trực diện với góc xoay/nghiêng khuôn mặt nhỏ hơn khoảng 30 độ.

Kết luận

Khóa luận tốt nghiệp của tác giả Lê Nguyễn Anh Huy đã giải quyết hoàn chỉnh mục tiêu nghiên cứu về nhận dạng khuôn mặt người thời gian thực bằng camera 2D giá rẻ thông qua việc phối hợp mô hình Haar-like Cascade, giải thuật trích xuất đặc trưng SIFT và kỹ thuật lọc ngoại lai RANSAC. Bằng giải pháp tiền xử lý cắt tách vùng mặt, công trình đã chứng minh tính hiệu quả trong việc cắt giảm số lượng đặc trưng tính toán từ 2000 xuống 200 SIFT mà vẫn nâng cao được độ chính xác nhận dạng. Các nội dung khảo sát lý thuyết, công thức toán học và kết quả mô phỏng trong khóa luận cung cấp một tài liệu tham khảo có cấu trúc chặt chẽ cho người nghiên cứu trong lĩnh vực thị giác máy tính.