Bối cảnh và vấn đề nghiên cứu

Trong bối cảnh phát triển của cuộc Cách mạng Công nghiệp 4.0 và Trí tuệ nhân tạo (AI), thị giác máy tính (Computer Vision) đã và đang trở thành một lĩnh vực then chốt với nhiều ứng dụng thực tiễn trong kinh tế, điều tra tội phạm, quản lý nhân sự và kiểm soát an ninh. Nhận dạng khuôn mặt là bài toán nhận diện một cá nhân cụ thể từ hình ảnh hoặc video thông qua việc so sánh các đặc trưng khuôn mặt trích xuất được với cơ sở dữ liệu có sẵn. Quy trình nhận diện tiêu chuẩn gồm 4 bước cơ bản:

  1. Xác định vị trí khuôn mặt trong khung hình.
  2. Trích xuất các đặc trưng của khuôn mặt.
  3. So sánh với các vector đặc trưng trong bộ dữ liệu.
  4. Xuất định danh đối tượng và độ tin cậy.

Mặc dù các mạng nơ-ron tích chập sâu (DCNN) kết hợp các hàm mất mát tiên tiến (như ArcFace, CosFace, SphereFace, Dynamic AdaCos) mang lại độ chính xác cao trên các tập dữ liệu tiêu chuẩn (LFW, AgeDB-30), việc triển khai chúng trên các thiết bị nhúng giới hạn tài nguyên gặp nhiều rào cản lớn về năng lực tính toán phần cứng, dung lượng bộ nhớ và thời gian huấn luyện. Do đó, việc nghiên cứu các giải pháp kết hợp thuật toán thị giác truyền thống có chi phí tính toán thấp như Histogram of Oriented Gradients (HOG) cùng bộ phân loại Support Vector Machine (SVM) trên nền tảng phần cứng nhúng (Nvidia Jetson Nano, vi điều khiển ESP32) là hướng đi thực tế nhằm tối ưu hóa hiệu năng và tốc độ xử lý thời gian thực.

Khóa luận tốt nghiệp cử nhân ngành Kỹ thuật Máy tính của tác giả Phạm Nguyễn Tấn Phát (Trường Đại học Công nghệ Thông tin – ĐHQG-HCM, dưới sự hướng dẫn của PGS.TS Vũ Đức Lung và ThS. Phan Đình Duy, năm 2024) tập trung giải quyết bài toán trên.

Mục tiêu nghiên cứu:

  • Nghiên cứu và khảo sát các nền tảng IoT Platform phục vụ việc quản lý, lưu trữ và truyền nhận thông tin.
  • Tìm hiểu các thuật toán phát hiện bounding box khuôn mặt và các mạng nơ-ron trích xuất vector 128 đặc trưng ảnh.
  • Xây dựng mô hình huấn luyện, tạo tập tin phân loại và định danh khuôn mặt dựa trên kiến trúc HOG-SVM.
  • Thiết kế hệ thống điều khiển cửa phòng kết hợp IoT (ESP32) và đầu đọc/ghi thẻ từ RFID MFRC522.
  • Đạt chỉ tiêu hiệu năng: Tốc độ xử lý từ 5 FPS trở lên và độ chính xác nhận diện đạt trên 80%.

Đối tượng và phạm vi nghiên cứu:

  • Đối tượng nghiên cứu: Dữ liệu hình ảnh khuôn mặt thu nhận trực tiếp từ camera/webcam; các giải thuật HOG, 68 điểm đặc trưng (facial landmarks), vector nhúng 128 chiều (face embedding) và thuật toán phân loại SVM; phần cứng ESP32, module RFID MFRC522, máy tính nhúng Nvidia Jetson Nano; cơ sở dữ liệu đám mây Firebase.
  • Phạm vi nghiên cứu: Thực nghiệm thu thập dữ liệu khuôn mặt cục bộ và dữ liệu mở; truyền nhận dữ liệu định danh qua giao thức mạng HTTP/UART; thử nghiệm hệ thống nhúng trong điều kiện môi trường phòng làm việc.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết và mô hình toán học

Khóa luận tổng hợp các lý thuyết nền tảng về học máy (Machine Learning), học sâu (Deep Learning), mạng nơ-ron tích chập (CNN) và giao thức IoT:

  • Histogram of Oriented Gradients (HOG): Kỹ thuật mô tả đặc trưng đối tượng dựa trên phân bố của cường độ gradient (intensity gradient) hoặc hướng biên (edge directions). Ảnh đầu vào được chia nhỏ thành các ô vuông (cells) kích thước $16 \times 16$ pixel. Trong mỗi cell, thuật toán tính toán biểu đồ tần suất các hướng gradient và chuẩn hóa để tạo thành vector đặc trưng hình học có khả năng bất biến tương đối với ánh sáng.
  • Ước lượng điểm mốc khuôn mặt (Face Landmark Estimation): Sử dụng phương pháp định vị 68 điểm đặc trưng khuôn mặt (theo nghiên cứu của Vahid Kazemi và Josephine Sullivan) để xác định tọa độ các thành phần quan trọng (mắt, mũi, miệng, viền cằm). Dựa vào các điểm mốc này, ảnh khuôn mặt được căn chỉnh hình học thông qua phép biến đổi afin (affine transformation) nhằm cố định vị trí mắt và môi ở trung tâm trước khi trích xuất đặc trưng.
  • Mã hóa khuôn mặt (Face Encoding - 128 Measurements): Sử dụng mô hình mạng DCNN được huấn luyện bằng hàm mất mát Triplet Loss với bộ ba mẫu ảnh (Anchor, Positive, Negative) để ánh xạ khuôn mặt thành vector nhúng 128 chiều ($128\text{-dimensional embedding}$). Đề tài kế thừa trọng số mô hình tiền huấn luyện từ thư viện OpenFace để tối ưu tài nguyên tính toán.
  • Support Vector Machine (SVM): Thuật toán học có giám sát tìm kiếm siêu phẳng (hyperplane) tối ưu nhằm phân tách các lớp dữ liệu với khoảng cách lề (margin) lớn nhất. Kết hợp hồi quy Logistic (Logistic Regression) theo cơ chế One-vs-Rest để tính toán chỉ số độ tin cậy (confidence score) cho từng nhãn định danh dựa trên hai hệ số $A$ và $B$.
  • Hạ tầng IoT và truyền thông: Hệ thống đám mây Firebase (Firestore Database và Cloud Storage); giao thức truyền tải siêu văn bản HTTP; giao tiếp phần cứng qua chuẩn nối tiếp UART và chuẩn SPI.

Phương pháp nghiên cứu

  • Phương pháp thiết kế và tích hợp hệ thống kỹ thuật: Kết hợp phần cứng nhúng (Jetson Nano, ESP32, Module RFID-RC522) với phần mềm quản lý và xử lý ảnh.
  • Phương pháp thu thập và tiền xử lý dữ liệu: Thu thập hình ảnh từ webcam qua OpenCV, chuẩn hóa định dạng ảnh xám/ảnh màu 3 kênh RGB, lưu trữ cấu trúc dữ liệu người dùng dưới định dạng JSON thông qua thư viện rapidjson.
  • Phương pháp thực nghiệm kiểm thử: Đo lường tốc độ khung hình (FPS) và độ chính xác nhận diện trên máy tính nhúng Jetson Nano ở hai trạng thái: đối tượng chưa đăng ký (unknown) và đối tượng đã qua huấn luyện (trained).

Thiết kế và triển khai hệ thống

Kiến trúc tổng thể hệ thống

Hệ thống được thiết kế theo cấu trúc phân tầng gồm hai phân hệ chính:

  1. Phân hệ Giao diện quản trị (UI Application): Phát triển trên nền tảng C++ (Windows Forms/CLI) và Python.

    • Giao diện cung cấp các chức năng: Đăng ký người dùng mới (Register Room), xóa dữ liệu người dùng (Delete User), thu nhận luồng video thời gian thực từ webcam.
    • Sử dụng thư viện opencv.hpp để mở luồng camera (VideoCapture capture), tạo tiểu trình riêng biệt (StreamThread) nhằm thu thập khung hình (frame) độc lập với luồng xử lý giao diện người dùng.
    • Cơ chế đồng bộ đa luồng: Sử dụng phương thức InvokeRequire và con trỏ hàm delegate (UpdateFrame) để gọi hàm cập nhật pictureBox trên luồng UI chính, chuyển đổi khung hình sang định dạng Bitmap 24-bit RGB (PixelFormat::Format24bppRgb).
    • Xử lý dữ liệu: Sử dụng thư viện rapidjson để trích xuất các trường thông tin (tên người dùng, CCCD/CMND, mã phòng, thời gian đăng ký) thành tập tin JSON. Chuyển đổi mã phòng sang địa chỉ vật lý MAC của ESP32 thông qua tập tin cấu hình Databank.json.
    • Kết nối cơ sở dữ liệu: Sử dụng các đoạn mã Python tích hợp các gói firebase_admin và google.cloud.storage để tự động đẩy tập tin thông tin người dùng lên Firestore và tải ảnh khuôn mặt lên Firebase Cloud Storage.
    • Giao tiếp phần cứng: Truyền thông tin mã phòng và lệnh cấu hình sang vi điều khiển ESP32 qua giao thức UART.

  2. Phân hệ Nhúng và Nhận dạng thời gian thực (Embedded Recognition & Hardware):

    • Vi điều khiển ESP32 và Đầu đọc RFID MFRC522: Đảm nhiệm chức năng ghi mã phòng vào thẻ từ RFID khi đăng ký và đọc mã thẻ để xác thực quyền truy cập cửa phòng. Module MFRC522 kết nối với ESP32 qua giao tiếp SPI theo sơ đồ chân vật lý được mô tả trong Bảng 1.
Chân trên ESP32 Chân trên Module MFRC522 Chức năng kết nối
3.3V 3.3V Cung cấp nguồn hoạt động
GPIO 22 RST Tín hiệu Reset phần cứng
GND GND Nối đất chung
Không sử dụng IRQ Ngắt ngoài (Not required)
GPIO 19 MISO Đường truyền dữ liệu Master In Slave Out (SPI)
GPIO 23 MOSI Đường truyền dữ liệu Master Out Slave In (SPI)
GPIO 18 SCK Xung nhịp đồng bộ Serial Clock (SPI)
GPIO 5 SDA Tín hiệu chọn chip Slave Data/Select (SPI)
  • Khối xử lý nhận dạng trên Nvidia Jetson Nano:
    • Tải dữ liệu ảnh và tệp cấu hình người dùng từ Firebase Storage.
    • Sử dụng bộ giải thuật HOG để phát hiện vùng mặt và trích xuất bounding box.
    • Xác định 68 điểm mốc khuôn mặt để căn chỉnh xoay và tỷ lệ ảnh.
    • Đưa ảnh đã căn chỉnh qua mạng nơ-ron (OpenFace) để trích xuất vector 128 đặc trưng.
    • Huấn luyện mô hình SVM tuyến tính để tạo tập tin phân loại định danh.
    • Thực thi vòng lặp nhận dạng thời gian thực trên luồng video camera, phân loại khuôn mặt và xuất kết quả định danh kèm mức độ tin cậy.

Nội dung chính theo từng chương

Chương 1. TỔNG QUAN ĐỀ TÀI

Chương 1 giới thiệu bối cảnh nghiên cứu của công nghệ nhận diện khuôn mặt và các lĩnh vực ứng dụng thực tiễn. Tác giả khảo sát lịch sử phát triển từ các đặc trưng Haar (1991), phương pháp Holistic, Local handcrafted, Shallow Learning cho đến Deep Learning. Phân tích các mô hình mạng nơ-ron rút gọn tham số như MobileFaceNet, ShuffleNet trên các bộ dữ liệu LFW, AgeDB-30 và sự tiến hóa của các hàm mất mát (Loss functions) trong DCNN từ 2016 đến 2019 (SphereFace, CosFace, ArcFace, Dynamic AdaCos). Từ việc nhận định các mô hình học sâu tiêu tốn nhiều tài nguyên phần cứng, chương 1 đề xuất giải pháp hệ thống kết hợp HOG-SVM với vi điều khiển ESP32, đồng thời xác lập mục tiêu đạt FPS $\ge 5$ và độ chính xác $> 80%$.

Chương 2. CƠ SỞ LÝ THUYẾT

Chương 2 trình bày chi tiết các cơ sở toán học và kỹ thuật liên quan:

  • Thị giác máy tính và OpenCV: Nguyên lý biểu diễn ảnh số (ma trận 1 chiều cho ảnh xám 0–255, ma trận 3 chiều cho ảnh màu RGB); cấu trúc các module cốt lõi của OpenCV (Core, Imgproc, Video, Video I/O, Calib3d, Feature2d, Objdetect, Highgui).
  • Học máy và Mạng nơ-ron: Phân biệt học có giám sát (Supervised Learning - Hồi quy, Phân loại) và học không giám sát (Unsupervised Learning - Phân cụm, Giảm chiều dữ liệu); nguyên lý hoạt động của CNN (cửa sổ trượt kernel $3 \times 3$, $5 \times 5$, hàm kích hoạt ReLU/tanH, Pooling layer $2 \times 2$, $4 \times 4$, Fully Connected layer).
  • Mô hình HOG và SVM: Quy trình chia cell $16 \times 16$, tính toán histogram gradient, định vị 68 landmarks khuôn mặt và biến đổi afin; phân loại bằng siêu phẳng SVM kết hợp hồi quy Logistic tính độ tin cậy.
  • Trích xuất 128 đặc trưng (Embeddings): Cơ chế huấn luyện mạng qua Triplet Loss (Anchor, Positive, Negative) và phương pháp trích xuất 128 chiều từ mạng tiền huấn luyện OpenFace.
  • Nền tảng IoT và Truyền thông: Tổng quan kiến trúc IoT, các giao thức không dây và phân loại thời gian đáp ứng (Device-to-Device: 10 $\mu\text{s}$ – 10 ms; Device-to-Server: 10 ms – 1 s; Server-to-Server: 3 – 5 s); cơ chế lưu trữ của Firebase; nguyên lý cảm ứng điện từ của hệ thống RFID thụ động (passive tag); cấu trúc gói tin giao thức HTTP (Request line, Headers, Body, Response status codes như 200 OK, 404 Not Found, 500 Internal Server Error).

Chương 3. THIẾT KẾ HỆ THỐNG

Chương 3 mô tả chi tiết quy trình hiện thực hóa hệ thống phần cứng và phần mềm:

  • Thiết kế phần mềm giao diện người dùng: Cấu trúc đa luồng đọc camera (StreamThread, UpdateFrame), lưu trữ dữ liệu thông tin người dùng sang định dạng JSON bằng rapidjson, hàm chuyển đổi convertRoomIDtoESP32_ID, cấu hình thông số truyền thông UART kết nối ESP32.
  • Triển khai đồng bộ dữ liệu đám mây: Cấu hình khóa bảo mật Web API Key / Google Application Credentials, tích hợp kịch bản Python (firebase_admin.firestore, google.cloud.storage) để tự động đồng bộ tập tin JSON và dữ liệu ảnh khuôn mặt lên đám mây.
  • Thiết kế khối nhúng ESP32 và RFID: Thiết lập giao tiếp SPI điều khiển module MFRC522 để đọc/ghi thông tin mã phòng vào bộ nhớ thẻ từ.
  • Triển khai quy trình nhận dạng trên Jetson Nano: Thiết kế luồng xử lý gồm nhận dữ liệu ảnh từ Firebase, tạo vector nhúng 128 chiều, xây dựng tệp phân loại SVM và thực thi nhận diện khuôn mặt thời gian thực trên camera.

Chương 4. THỰC NGHIỆM VÀ ĐÁNH GIÁ

Chương 4 ghi nhận các kết quả thực nghiệm đạt được trong quá trình chạy thử nghiệm hệ thống:

  • Kiểm thử chức năng giao diện người dùng: Hoàn thiện giao diện đăng ký, đăng nhập và truyền nhận dữ liệu thông tin người dùng lên cơ sở dữ liệu Firebase.
  • Đánh giá khả năng đồng bộ dữ liệu: Kiểm tra tính toàn vẹn của tệp JSON và hình ảnh người dùng được lưu trữ trên Firebase Firestore và Cloud Storage.
  • Đo lường hiệu năng nhận diện trên Nvidia Jetson Nano: Ghi nhận tốc độ xử lý khung hình (FPS) và độ chính xác khi nhận diện khuôn mặt ở các trường hợp khuôn mặt lạ (unknown) và khuôn mặt đã được huấn luyện trong hệ thống.

Chương 5. KẾT LUẬN ĐỀ TÀI VÀ HƯỚNG PHÁT TRIỂN

Chương 5 tổng kết toàn bộ kết quả thực hiện của khóa luận, đồng thời phân tích cụ thể các mặt hạn chế về mặt phần cứng và điều kiện môi trường thực nghiệm, từ đó đề xuất các hướng nâng cấp và mở rộng hệ thống trong tương lai.

Kết quả và đóng góp

Kết quả chính đạt được

  • Xây dựng hoàn chỉnh mô hình tích hợp giữa hệ thống thị giác máy tính và hạ tầng IoT, bao gồm giao diện người dùng trên máy tính, cơ sở dữ liệu đám mây Firebase, vi điều khiển ESP32 điều khiển thẻ từ RFID và máy tính nhúng Nvidia Jetson Nano.
  • Triển khai thành công quy trình nhận diện khuôn mặt 4 bước dựa trên sự kết hợp giữa HOG để phát hiện khuôn mặt, 68 điểm mốc để căn chỉnh hình học, mạng nơ-ron OpenFace để trích xuất 128 đặc trưng và bộ phân loại SVM tuyến tính.
  • Đạt được các chỉ tiêu kỹ thuật đề ra ban đầu: Tốc độ xử lý nhận diện thời gian thực duy trì từ 5 FPS trở lên và độ chính xác phân loại định danh đạt trên 80%.

Giải pháp và đóng góp của đề tài

  • Giải pháp tối ưu phần cứng nhúng: Đề xuất và chứng minh tính khả thi của việc thay thế các mô hình DCNN nguyên khối bằng mô hình trích xuất đặc trưng kết hợp HOG-SVM, giúp hệ thống hoạt động ổn định trên phần cứng chi phí thấp mà không đòi hỏi GPU đắt tiền để huấn luyện lại từ đầu.
  • Cơ chế xác thực đa phương thức cho điều khiển cửa phòng: Kết hợp đồng thời giữa nhận diện sinh trắc học khuôn mặt qua camera và xác thực vật lý qua thẻ từ RFID MFRC522 thông qua điều phối của vi điều khiển ESP32.
  • Khả năng ứng dụng thực tiễn: Tạo tiền đề cho việc tích hợp vào các hệ thống quản lý nhân sự, điểm danh tự động và kiểm soát truy cập phòng thông minh.

Hạn chế và hướng nghiên cứu tiếp theo

Hạn chế của đề tài

  • Tài nguyên và dữ liệu huấn luyện: Khối lượng dữ liệu khuôn mặt thu thập thực tế còn hạn chế; việc huấn luyện mô hình sâu hoàn chỉnh trực tiếp trên phần cứng nhúng Jetson Nano gặp rào cản lớn về tài nguyên tính toán và thời gian xử lý.
  • Ảnh hưởng của môi trường bên ngoài: Độ chính xác của thuật toán HOG và quá trình nhận diện khuôn mặt vẫn chịu tác động bởi các yếu tố ngoại cảnh như mật độ ánh sáng không đồng đều và điều kiện thời tiết thay đổi.

Hướng nghiên cứu tiếp theo

  • Mở rộng quy mô và độ đa dạng của tập dữ liệu huấn luyện khuôn mặt nhằm nâng cao độ tin cậy của bộ phân loại.
  • Tối ưu hóa các thuật toán tiền xử lý ảnh nhằm cải thiện độ ổn định của hệ thống trong điều kiện ánh sáng yếu hoặc môi trường ánh sáng phức tạp.
  • Phát triển thêm các tính năng điều khiển tự động hóa môi trường xung quanh (nhiệt độ, ánh sáng) dựa trên dữ liệu định danh người dùng từ hệ thống IoT.

Giá trị tham khảo

Tài liệu khóa luận có giá trị tham khảo chuyên môn cho sinh viên và kỹ sư thuộc các ngành Kỹ thuật Máy tính, Khoa học Máy tính, Công nghệ Thông tin và Kỹ thuật Điện tử - IoT:

  • Cấu trúc pipeline HOG-SVM trên thiết bị nhúng: Cung cấp phương pháp hiện thực hóa thuật toán nhận diện khuôn mặt mức độ nhẹ, phù hợp cho các đề tài nghiên cứu trên phần cứng tài nguyên thấp (Jetson Nano, Raspberry Pi).
  • Kỹ thuật lập trình giao diện và xử lý đa luồng (C++/OpenCV): Tài liệu tham khảo hữu ích cho việc xây dựng ứng dụng Windows Forms/C++ có đồng bộ luồng video qua Delegate/Invoke và tuần tự hóa dữ liệu JSON bằng thư viện rapidjson.
  • Thiết kế phần cứng giao tiếp ESP32 - RFID: Cung cấp sơ đồ kết nối chân chi tiết (chuẩn SPI) giữa ESP32 và module MFRC522, phương thức giao tiếp nối tiếp UART với ứng dụng máy tính và kết nối đám mây Firebase qua HTTP.

Câu hỏi thường gặp

1. Tại sao đề tài lựa chọn phương pháp HOG-SVM thay vì triển khai toàn bộ các mạng Deep Learning tiên tiến trực tiếp trên Jetson Nano?
Các mô hình Deep Learning sâu (như ArcFace, CosFace kết hợp DCNN) đòi hỏi tập dữ liệu khổng lồ và năng lực xử lý GPU cao, cần từ 2–3 ngày huấn luyện trên card đồ họa chuyên dụng. Việc lựa chọn phương pháp HOG kết hợp bộ phân loại SVM tuyến tính giúp giảm thiểu độ phức tạp tính toán, yêu cầu ít dữ liệu huấn luyện hơn và đảm bảo hệ thống phản hồi trong vài mili-giây, phù hợp với giới hạn phần cứng của Jetson Nano.

2. 68 điểm mốc khuôn mặt (facial landmarks) đóng vai trò gì trong pipeline nhận diện?
Thuật toán ước lượng 68 điểm mốc xác định các vị trí hình học trọng yếu trên khuôn mặt (mắt, sống mũi, khóe miệng, cằm). Dựa vào các điểm này, hệ thống áp dụng phép biến đổi afin (affine transformation) để xoay, co giãn và căn giữa mắt và miệng vào các tọa độ cố định, giúp việc trích xuất và so sánh vector đặc trưng đạt độ đồng nhất cao.

3. Module RFID MFRC522 được kết nối với vi điều khiển ESP32 qua những chân tín hiệu nào?
Module MFRC522 giao tiếp với ESP32 thông qua chuẩn SPI sử dụng các chân: 3.3V (Nguồn), GPIO 22 (RST), GND (Nối đất), GPIO 19 (MISO), GPIO 23 (MOSI), GPIO 18 (SCK), và GPIO 5 (SDA/SS). Chân ngắt ngoài (IRQ) không sử dụng trong thiết kế này.

4. Cơ chế tính độ tin cậy (confidence score) của bộ phân loại SVM được thực hiện như thế nào?
Do thuật toán SVM tuyến tính tiêu chuẩn chỉ thực hiện phân tách lớp mà không cung cấp giá trị xác suất trực tiếp, tác giả sử dụng mô hình hồi quy Logistic (Logistic Regression) theo chiến lược One-vs-Rest. Sau khi huấn luyện, hai hệ số $A$ và $B$ được xác định để chuyển đổi khoảng cách từ vector đặc trưng đến siêu phẳng thành thang đo độ tin cậy.

5. Luồng xử lý giao diện người dùng (UI) đảm bảo hiển thị camera mượt mà và không bị xung đột luồng bằng kỹ thuật nào?
Chương trình tạo một tiểu trình riêng biệt (StreamThread) để liên tục thu thập khung hình từ webcam bằng OpenCV. Để cập nhật hình ảnh lên thành phần pictureBox mà không gây nghẽn giao diện hoặc xung đột luồng, chương trình kiểm tra thuộc tính InvokeRequired và thực thi con trỏ hàm delegate (UpdateFrame) qua phương thức Control::Invoke của .NET Framework.

Kết luận

Khóa luận tốt nghiệp của tác giả Phạm Nguyễn Tấn Phát đã nghiên cứu và hiện thực hóa thành công hệ thống nhận diện khuôn mặt thời gian thực ứng dụng trong điều khiển cửa phòng thông minh. Bằng việc kết hợp giải thuật trích xuất đặc trưng HOG, mạng nhúng OpenFace 128 chiều và bộ phân loại SVM tuyến tính, hệ thống đã tối ưu hóa hiệu năng tính toán trên phần cứng nhúng Nvidia Jetson Nano với tốc độ xử lý trên 5 FPS và độ chính xác vượt 80%. Sự kết hợp đồng bộ giữa máy tính nhúng, vi điều khiển ESP32 điều khiển thẻ từ RFID và dịch vụ đám mây Firebase tạo nên một giải pháp công nghệ hoàn chỉnh, có tính ứng dụng thực tiễn cao trong lĩnh vực kiểm soát an ninh và nhà thông minh.