Luận văn thạc sĩ phương pháp nhận dạng khuôn mặt dựa trên mạng nơron học sâu và ứng dụng ghi nhận cán bộ vào ra tại viện khoa học công nghệ

Luận văn thạc sĩ trình bày phương pháp nhận dạng khuôn mặt bằng mạng nơron sâu và ứng dụng ghi nhận cán bộ tại viện khoa học công nghệ.

• Tác giả: Bùi Thế Hùng
• Người hướng dẫn: TS. Dương Thăng Long
• Trường học: Trường Đại Học Mở Hà Nội
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Phương Pháp Nhận Dạng Khuôn Mặt Bằng Mạng Nơron Học Sâu Và Ứng Dụng Ghi Nhận Cán Bộ
• Loại tài liệu: luận văn tốt nghiệp thạc sĩ
• Năm xuất bản: 2019
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CAM ĐOAN
• LỜI CẢM ƠN
• DANH MỤC TỪ VIẾT TẮT
• DANH MỤC HÌNH VẼ
• DANH MỤC BẢNG BIỂU
• MỞ ĐẦU
• 1. CHƯƠNG 1: GIỚI THIỆU VỀ NHẬN DẠNG KHUÔN MẶT
• 1.1. Tổng quan về hệ thống nhận dạng khuôn mặt
• 1.1.1. Hệ thống nhận dạng khuôn mặt
• 1.1.2. Một số hướng tiếp cận trong nhận dạng khuôn mặt
• 1.2. Giới thiệu về mạng nơron
• 1.2.1. Mạng nơron sinh học
• 1.2.2. Mạng nơron nhân tạo
• 1.2.3. Quá trình học của mạng nơron
• 1.2.4. Một số thuật toán mạng nơron
• 1.3. Một số phương pháp trích chọn đặc trưng khuôn mặt
• 1.3.1. Phương pháp trích chọn CNN
• 1.3.2. Phương pháp PCA
• 1.3.3. Phương pháp phân tách tuyến tính LDA
• 1.3.4. Phương pháp EBGM (Elastic Bunch Graph Matching)
• 1.4. Ứng dụng thực tiễn của bài toán nhận dạng khuôn mặt
• 2. CHƯƠNG 2: PHƯƠNG PHÁP NHẬN DẠNG KHUÔN MẶT DỰA TRÊN MẠNG NƠRON HỌC SÂU
• 2.1. Mạng nơron tích chập CNN
• 2.1.1. Lớp tích chập
• 2.1.2. Lớp hàm kích hoạt
• 2.1.3. Lớp kết nối đầy đủ
• 2.1.4. Nguyên lý hoạt động
• 2.1.5. Vấn đề quá khớp
• 2.1.6. Phương pháp chọn mô hình
• 2.2. Một số phương pháp mới cho bài toán nhận dạng
• 2.2.1. Phương pháp ResNeXt
• 2.2.2. Phương pháp DenseNet
• 2.2.3. Phương pháp AlexNet - 7CNNs
• 2.3. Thiết kế mạng nơron CNN nhận dạng khuôn mặt
• 2.3.1. Tiền xử lý ảnh đầu vào
• 2.3.2. Mô hình nhận dạng khuôn mặt dựa trên CNN
• 3. CHƯƠNG 3: XÂY DỰNG ỨNG DỤNG THỬ NGHIỆM CHO BÀI TOÁN GHI NHẬN RA, VÀO TẠI VIỆN KHOA HỌC CÔNG NGHỆ QUÂN SỰ
• 3.1. Xây dựng chương trình ứng dụng
• 3.1.1. Đặt vấn đề bài toán
• 3.1.2. Môi trường thực nghiệm
• 3.2. Kiểm thử và đánh giá kết quả
• 3.2.1. Khởi tạo trích xuất dữ liệu
• 3.2.2. Khởi tạo đào tạo mô hình nhận dạng
• 3.2.3. Chương trình nhận diện dựa trên dữ liệu có sẵn
• 3.2.4. Chương trình nhận diện thời gian thực qua camera
• 3.2.5. Đánh giá kết quả
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng quan về phương pháp nhận dạng khuôn mặt bằng mạng nơron học sâu

Nhận dạng khuôn mặt là một lĩnh vực quan trọng trong công nghệ an ninh và giám sát. Phương pháp này sử dụng mạng nơron học sâu để phân tích và nhận diện các đặc điểm khuôn mặt của con người. Hệ thống nhận dạng khuôn mặt có thể được áp dụng trong nhiều lĩnh vực như an ninh, quản lý nhân sự và các ứng dụng thương mại. Việc áp dụng công nghệ nhận diện giúp tăng cường độ chính xác và hiệu quả trong việc xác định danh tính.

1.1. Ứng dụng của nhận dạng khuôn mặt trong đời sống

Nhận dạng khuôn mặt được ứng dụng rộng rãi trong các hệ thống an ninh, như giám sát video và kiểm soát ra vào. Hệ thống này giúp phát hiện và theo dõi các đối tượng trong thời gian thực, từ đó nâng cao hiệu quả bảo mật.

1.2. Lợi ích của việc sử dụng mạng nơron trong nhận dạng khuôn mặt

Mạng nơron học sâu cho phép xử lý và phân tích hình ảnh một cách tự động, giúp cải thiện độ chính xác và tốc độ nhận diện. Điều này đặc biệt quan trọng trong các ứng dụng yêu cầu xử lý nhanh và chính xác.

II. Vấn đề và thách thức trong nhận dạng khuôn mặt

Mặc dù công nghệ nhận dạng khuôn mặt đã phát triển mạnh mẽ, nhưng vẫn tồn tại nhiều thách thức. Các vấn đề như ánh sáng không đồng đều, góc nhìn khác nhau và sự thay đổi về hình dáng khuôn mặt có thể ảnh hưởng đến độ chính xác của hệ thống. Ngoài ra, việc bảo mật dữ liệu và quyền riêng tư cũng là những vấn đề cần được giải quyết.

2.1. Các yếu tố ảnh hưởng đến độ chính xác của nhận dạng

Độ chính xác của hệ thống nhận dạng khuôn mặt phụ thuộc vào nhiều yếu tố như chất lượng hình ảnh, điều kiện ánh sáng và góc chụp. Những yếu tố này có thể làm giảm hiệu suất của các thuật toán nhận diện.

2.2. Vấn đề bảo mật và quyền riêng tư trong nhận dạng khuôn mặt

Việc thu thập và lưu trữ dữ liệu khuôn mặt đặt ra nhiều câu hỏi về quyền riêng tư. Cần có các biện pháp bảo vệ dữ liệu để đảm bảo rằng thông tin cá nhân không bị lạm dụng.

III. Phương pháp nhận dạng khuôn mặt bằng mạng nơron học sâu

Phương pháp nhận dạng khuôn mặt dựa trên mạng nơron học sâu sử dụng các kiến trúc như CNN (Convolutional Neural Network) để trích xuất đặc trưng khuôn mặt. Các mô hình này có khả năng học từ dữ liệu lớn và tự động phát hiện các đặc điểm quan trọng mà không cần sự can thiệp của con người.

3.1. Cấu trúc của mạng nơron tích chập CNN

Mạng nơron tích chập (CNN) bao gồm nhiều lớp khác nhau như lớp tích chập, lớp hàm kích hoạt và lớp kết nối đầy đủ. Mỗi lớp có nhiệm vụ xử lý và trích xuất các đặc trưng khác nhau từ hình ảnh đầu vào.

3.2. Quá trình huấn luyện mạng nơron cho nhận dạng khuôn mặt

Quá trình huấn luyện mạng nơron bao gồm việc sử dụng một tập dữ liệu lớn để tối ưu hóa các trọng số trong mạng. Điều này giúp mạng học được cách nhận diện các khuôn mặt khác nhau một cách chính xác.

IV. Ứng dụng thực tiễn của nhận dạng khuôn mặt trong ghi nhận cán bộ

Hệ thống nhận dạng khuôn mặt có thể được áp dụng để ghi nhận cán bộ vào và ra tại các cơ quan, tổ chức. Việc này không chỉ giúp tăng cường an ninh mà còn tiết kiệm thời gian cho việc kiểm soát ra vào. Hệ thống có thể tự động ghi nhận và lưu trữ thông tin, từ đó tạo ra một cơ sở dữ liệu hữu ích cho việc quản lý.

4.1. Lợi ích của việc ghi nhận cán bộ bằng công nghệ nhận dạng

Việc sử dụng công nghệ nhận dạng khuôn mặt giúp giảm thiểu sai sót trong việc ghi nhận và tăng cường độ chính xác. Hệ thống có thể hoạt động 24/7 mà không cần sự can thiệp của con người.

4.2. Kết quả nghiên cứu về ứng dụng nhận dạng khuôn mặt

Nghiên cứu cho thấy rằng việc áp dụng công nghệ nhận dạng khuôn mặt trong ghi nhận cán bộ đã mang lại hiệu quả cao, giúp cải thiện quy trình làm việc và tăng cường an ninh cho cơ quan.

V. Kết luận và tương lai của nhận dạng khuôn mặt

Nhận dạng khuôn mặt bằng mạng nơron học sâu đang trở thành một công nghệ quan trọng trong nhiều lĩnh vực. Tương lai của công nghệ này hứa hẹn sẽ mang lại nhiều cải tiến về độ chính xác và hiệu quả. Tuy nhiên, cần tiếp tục nghiên cứu để giải quyết các vấn đề về bảo mật và quyền riêng tư.

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 mô hình học sâu tiên tiến hơn. Điều này sẽ giúp cải thiện khả năng nhận diện trong các điều kiện khó khăn.

5.2. Những thách thức cần vượt qua trong tương lai

Các thách thức về bảo mật và quyền riêng tư vẫn là vấn đề cần được giải quyết. Cần có các quy định rõ ràng để bảo vệ thông tin cá nhân trong quá trình sử dụng công nghệ này.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh cách mạng công nghiệp 4.0 và quá trình chuyển đổi số quốc gia, an ninh thông minh dựa trên công nghệ sinh trắc học đang đạt tốc độ tăng trưởng hơn 18% mỗi năm trên phạm vi toàn cầu. Tại các cơ quan trọng yếu, bài toán kiểm soát an ninh ra vào đòi hỏi mức độ chính xác tuyệt đối, khả năng xử lý nhanh và tính tự động hóa cao. Phương thức quản lý truyền thống bằng thẻ từ hoặc sổ nhật ký trực gác bộc lộ nhiều hạn chế với tỷ lệ sai sót thực tế dao động từ 3% đến 5%, đồng thời tiềm ẩn nguy cơ mạo danh và làm thất thoát thông tin.

Nhận thức rõ thách thức trên, đề tài luận văn thạc sĩ chuyên ngành Công nghệ thông tin của học viên Bùi Thế Hùng, dưới sự hướng dẫn khoa học của TS. Dương Thăng Long tại Trường Đại học Mở Hà Nội năm 2019, đã tập trung giải quyết bài toán: "Phương pháp nhận dạng khuôn mặt dựa trên mạng nơron học sâu và ứng dụng ghi nhận cán bộ vào, ra tại Viện khoa học công nghệ quân sự". Mục tiêu trọng tâm của nghiên cứu là phân tích, thiết kế kiến trúc mạng nơron tích chập (Convolutional Neural Network - CNN) chuyên sâu nhằm trích xuất đặc trưng khuôn mặt bất biến, từ đó xây dựng phần mềm nhận dạng tự động ứng dụng trong môi trường kiểm soát quân sự.

Nghiên cứu được triển khai thực nghiệm tại Viện Khoa học và Công nghệ Quân sự. Luận văn đã hiện thực hóa thành công giải pháp nhận dạng tự động với thời gian phản hồi đạt dưới 0,3 giây mỗi lượt nhận diện, nâng độ chính xác xác thực lên trên 96,5% và giúp giảm thiểu hơn 80% thời gian xử lý thủ công cho lực lượng kiểm soát an ninh tại cổng ra vào.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn xây dựng trên nền tảng lý thuyết mạng nơron nhân tạo (Artificial Neural Network - ANN) và các bước tiến đột phá của kỹ thuật học sâu (Deep Learning). Kiến trúc mạng nơron tích chập (CNN) được lựa chọn làm mô hình cốt lõi nhờ khả năng nắm bắt cấu trúc không gian 2 chiều của dữ liệu ảnh, giải quyết triệt để sự bùng nổ tham số so với các mạng truyền thẳng truyền thống.

Một bức ảnh màu kích thước 32×32 pixel khi đưa vào mạng truyền thẳng cần tới 3.072 trọng số cho một nơron ẩn, dẫn đến chi phí tính toán khổng lồ lên tới hơn 30.750 tham số cho một mạng kích thước nhỏ. Ngược lại, CNN sử dụng cơ chế liên kết cục bộ và chia sẻ trọng số thông qua các bộ lọc kích thước 3×3 hoặc 5×5, giảm số lượng tham số xuống chỉ còn khoảng 260 tham số cho 10 bản đồ đặc trưng (feature maps), giúp tối ưu hóa tốc độ xử lý gấp nhiều lần.

Mô hình học sâu trong nghiên cứu tích hợp các thành phần lý thuyết chính:

• Lớp tích chập (Convolutional Layer): Thực hiện phép toán trượt nhân ma trận để phát hiện các đặc trưng cục bộ từ cơ bản (biên cạnh, góc) đến phức tạp (hình dạng mắt, mũi, miệng).
• Lớp hàm kích hoạt phi tuyến: Sử dụng hàm ReLU nhằm khắc phục hiện tượng triệt tiêu đạo hàm (vanishing gradient) và tăng cường khả năng học biểu diễn phi tuyến.
• Lớp gộp (Max Pooling): Áp dụng bộ lọc 2×2 với bước trượt để giảm số chiều không gian đặc trưng, đảm bảo tính bất biến đối với các phép dịch chuyển và co giãn nhẹ.
• Lớp kết nối đầy đủ (Fully Connected) và Hàm Softmax: Ánh xạ các vector đặc trưng trừu tượng thành phân phối xác suất phục vụ phân lớp định danh.

Bên cạnh CNN, tác giả phân tích có hệ thống các mô hình kinh điển như Phân tích thành phần chính (PCA) với không gian Eigenfaces, Phân tích biệt số tuyến tính (LDA), và Phương pháp khớp đồ thị đàn hồi (EBGM) sử dụng biến đổi Gabor Wavelet để đối sánh hiệu năng.

Phương pháp nghiên cứu

Nghiên cứu kết hợp chặt chẽ giữa phương pháp nghiên cứu lý thuyết và thực nghiệm công nghệ:

• Nguồn dữ liệu và cỡ mẫu: Bộ dữ liệu thực nghiệm bao gồm 1.200 ảnh khuôn mặt của 60 cán bộ nhân viên tại Viện Khoa học và Công nghệ Quân sự. Dữ liệu được thu thập trực tiếp qua hệ thống camera giám sát với độ phân giải đa dạng, mô phỏng các điều kiện thay đổi về ánh sáng, góc nghiêng từ 0 đến 30 độ và các biểu cảm nét mặt khác nhau.
• Phương pháp chọn mẫu: Áp dụng phương pháp chọn mẫu phân tầng ngẫu nhiên (Stratified Random Sampling). Tập dữ liệu được phân chia theo tỷ lệ chuẩn: 70% (840 ảnh) dành cho tập huấn luyện (training set), 15% (180 ảnh) cho tập xác nhận (validation set) và 15% (180 ảnh) cho tập kiểm thử độc lập (test set).
• Phương pháp phân tích và công cụ: Sử dụng thuật toán lan truyền ngược (Backpropagation) với kỹ thuật tối ưu hóa trượt dốc theo mini-batch và kỹ thuật loại bỏ nơron ngẫu nhiên (Dropout tỷ lệ 0.5) để ngăn chặn hiện tượng quá khớp (overfitting). Quá trình lập trình và thực nghiệm được xây dựng hoàn toàn trên nền tảng ngôn ngữ Python kết hợp các thư viện chuyên sâu OpenCV, Dlib, Face_Recognition và Scikit-learn trong khung thời gian nghiên cứu năm 2019.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình kiểm thử thực nghiệm trên tập dữ liệu chuẩn và hệ thống camera trực tiếp tại Viện Khoa học và Công nghệ Quân sự mang lại những kết quả định lượng nổi bật:

• Độ chính xác vượt trội trên dữ liệu tĩnh: Mô hình CNN đề xuất đạt tỷ lệ nhận dạng chính xác 97,4% trên tập dữ liệu kiểm thử có sẵn gồm 180 ảnh. Kết quả này vượt trội hoàn toàn khi đặt cạnh phương pháp PCA truyền thống (chỉ đạt 82,3%, chênh lệch 15,1%) và phương pháp LDA (đạt 86,7%, chênh lệch 10,7%).
• Hiệu năng nhận dạng thời gian thực: Khi tích hợp trực tiếp qua luồng camera giám sát video thời gian thực, hệ thống duy trì tốc độ xử lý ổn định ở mức 24 khung hình/giây (fps). Độ trễ nhận dạng dao động từ 0,15 đến 0,28 giây cho mỗi khuôn mặt, với độ chính xác nhận diện thành công đạt 94,2% trong điều kiện ánh sáng tự nhiên thay đổi từ 150 lux đến 600 lux.
• Hiệu quả triệt tiêu quá khớp: Việc kết hợp tiền xử lý chuẩn hóa ảnh đầu vào kích thước 100×90×1 cấp xám và kỹ thuật Dropout đã giúp giảm sai số kiểm tra (test error) từ 9,8% xuống chỉ còn 2,6%, đảm bảo mô hình giữ được tính tổng quát hóa cao khi gặp các đối tượng mới chưa từng xuất hiện trong tập huấn luyện.
• Khả năng trích lọc đặc trưng đa tầng: Cấu trúc 9 khối nơron tích chập (từ B1 đến B9) cho phép hệ thống giữ lại 98,1% các đặc trưng hình học cục bộ quan trọng, đồng thời triệt tiêu hơn 85% các yếu tố nhiễu nền phức tạp ở hậu cảnh.

Thảo luận kết quả

Sự vượt trội của mô hình học sâu CNN bắt nguồn từ cơ chế tự động học các bộ lọc đặc trưng phân tầng. Trong khi PCA phụ thuộc vào giả định phân bố tuyến tính và rất nhạy cảm với nhiễu môi trường, LDA gặp trở ngại lớn khi kích thước không gian đặc trưng vượt quá số lượng mẫu huấn luyện, thì CNN giải quyết triệt để các đặc tính phi tuyến thông qua các lớp kích hoạt ReLU và kiến trúc tích hợp sâu.

Dữ liệu thực nghiệm của luận văn được thể hiện trực quan qua ma trận nhầm lẫn (Confusion Matrix) và biểu đồ đường cong ROC với diện tích dưới đường cong (AUC) đạt 0,982. Biểu đồ đường cong hàm tổn thất (Loss Curve) cho thấy mô hình đạt trạng thái hội tụ ổn định chỉ sau 60 chu kỳ huấn luyện (epochs), giá trị mất mát giảm mạnh từ 2,45 xuống dưới 0,08.

So sánh với các công bố quốc tế quy mô lớn như FaceNet đạt 98,95% trên bộ dữ liệu LFW (huấn luyện trên hơn 200 triệu ảnh của 8 triệu đối tượng với siêu máy tính chuyên dụng), mô hình trong luận văn được tinh gọn hóa tối ưu. Dù chỉ sử dụng tập dữ liệu nội bộ 1.200 ảnh và chạy trên phần cứng máy tính phổ thông, hệ thống vẫn đạt độ chính xác 94,2% - 97,4%, chứng minh tính khả thi và hiệu quả kinh tế rất cao khi triển khai tại các cơ quan, đơn vị tại Việt Nam.

Đề xuất và khuyến nghị

Nhằm hoàn thiện và nâng cao hiệu quả ứng dụng của hệ thống nhận dạng khuôn mặt vào công tác an ninh thực tiễn, luận văn đưa ra 4 nhóm khuyến nghị hành động cụ thể:

• Tối ưu hóa pipeline suy luận thời gian thực: Bộ phận kỹ thuật phần mềm cần áp dụng công nghệ nén mô hình và chuyển đổi sang định dạng TensorRT hoặc ONNX Runtime, nhằm nâng tốc độ xử lý từ 24 fps lên 60 fps, hoàn thành trong vòng 6 tháng.
• Nâng cấp phần cứng với cảm biến hồng ngoại 3D: Ban Quản lý Dự án cần đầu tư trang bị bổ sung hệ thống camera cảm biến chiều sâu (IR Camera) để kích hoạt tính năng chống giả mạo khuôn mặt (Anti-spoofing) bằng ảnh chụp hoặc video 2D, nâng tỷ lệ phòng chống gian lận lên mức 99,9% trong quý II của năm kế tiếp.
• Tích hợp giải pháp an ninh đa lớp: Phòng Bảo vệ phối hợp cùng Ban Công nghệ thông tin xây dựng cơ chế xác thực kép, kết hợp nhận diện khuôn mặt cán bộ với hệ thống quét biển số xe quân sự tự động, hướng tới mục tiêu an toàn thông tin và kiểm soát đạt độ tin cậy 99,5% trong vòng 12 tháng.
• Thiết lập quy trình chuẩn hóa dữ liệu định kỳ: Ban Tổ chức Cán bộ thực hiện quy trình cập nhật lại cơ sở dữ liệu ảnh khuôn mặt theo chu kỳ 6 tháng một lần cho 100% cán bộ công nhân viên, nhằm đảm bảo mô hình luôn thích ứng chính xác với các biến đổi sinh học tự nhiên như tuổi tác, kiểu tóc và trang phục.

Đối tượng nên tham khảo luận văn

Tài liệu luận văn là nguồn tư liệu chuyên môn sâu sắc và có giá trị ứng dụng cao cho nhiều nhóm đối tượng:

• Học viên cao học và nghiên cứu sinh ngành CNTT, Trí tuệ nhân tạo: Cung cấp tài liệu tham khảo chuẩn mực về phương pháp luận nghiên cứu, kỹ thuật tính toán đạo hàm lan truyền ngược ma trận và cách thức cấu hình mạng CNN hiện đại.
• Kỹ sư thị giác máy tính (Computer Vision Engineers): Tiếp cận mã nguồn thực nghiệm, quy trình tích hợp trọn vẹn giữa OpenCV, Dlib, face_recognition và scikit-learn để tiết kiệm hơn 40% thời gian nghiên cứu và phát triển sản phẩm.
• Cán bộ quản lý an ninh tại các cơ quan quân sự, đơn vị hành chính: Nắm bắt mô hình giải pháp thực tiễn để tham mưu, đề xuất trang bị các hệ thống kiểm soát ra vào tự động không chạm với chi phí tối ưu.
• Lãnh đạo công nghệ (CTO) và nhà quản lý doanh nghiệp: Tham khảo khung kiến trúc hệ thống để triển khai bài toán điểm danh tự động, chấm công khuôn mặt và quản trị nhân sự quy mô từ 500 đến 10.000 nhân sự.

Câu hỏi thường gặp

Mạng nơron tích chập (CNN) có ưu điểm gì vượt trội hơn so với phương pháp PCA và LDA? CNN tự động học các đặc trưng phi tuyến từ ảnh mà không cần trích xuất thủ công. Với cơ chế chia sẻ trọng số, CNN chỉ cần 260 tham số cho 10 bản đồ đặc trưng so với hơn 30.750 tham số của mạng truyền thẳng, giúp đạt độ chính xác 97,4%, cao hơn 10,7% - 15,1% so với PCA và LDA.

Làm thế nào để mô hình kiểm soát tốt hiện tượng quá khớp (overfitting)? Nghiên cứu kết hợp đồng thời ba giải pháp: áp dụng kỹ thuật loại bỏ nơron ngẫu nhiên (Dropout tỷ lệ 0.5), sử dụng phương pháp kiểm định chéo (k-fold cross-validation), và bổ sung lớp Max Pooling 2×2 giúp hạ tỷ lệ sai số kiểm tra từ 9,8% xuống 2,6%.

Hệ thống có nhận diện chính xác khi góc nhìn khuôn mặt bị lệch không? Hệ thống xử lý tốt các góc nghiêng khuôn mặt từ 0 đến 30 độ nhờ các lớp pooling tạo tính bất biến dịch chuyển và bước tiền xử lý căn chỉnh khuôn mặt (face alignment) tự động bằng các điểm mốc sinh trắc học trước khi trích xuất đặc trưng.

Yêu cầu cấu hình phần cứng để triển khai hệ thống thử nghiệm là gì? Mô hình được tối ưu hóa đặc biệt nên chỉ cần máy tính thông thường trang bị vi xử lý từ Intel Core i5 thế hệ thứ 7, bộ nhớ RAM 8GB và một camera tiêu chuẩn độ phân giải HD 720p là có thể đạt tốc độ nhận dạng 24 khung hình/giây.

Mô hình của luận văn có thể mở rộng cho quy mô trên 10.000 người không? Hoàn toàn khả thi. Hệ thống sử dụng vector đặc trưng chuẩn hóa 128 chiều. Khi mở rộng cơ sở dữ liệu lên hơn 10.000 người, hệ thống có thể kết hợp thêm cấu trúc chỉ mục tìm kiếm không gian nhiều chiều như Faiss hoặc KD-Tree để đảm bảo thời gian truy vấn dưới 0,5 giây.

Kết luận

• Luận văn đã hệ thống hóa toàn diện cơ sở lý thuyết về mạng nơron sinh học, mạng nơron nhân tạo và kiến trúc mạng học sâu CNN cho bài toán nhận dạng khuôn mặt.
• Thiết kế thành công mô hình mạng nơron tích chập đa tầng tối ưu cho ảnh đầu vào kích thước 100×90×1, vượt qua các giới hạn của thuật toán truyền thống PCA và LDA.
• Triển khai ứng dụng thử nghiệm thành công tại Viện Khoa học và Công nghệ Quân sự với độ chính xác đạt 97,4% trên dữ liệu tĩnh và 94,2% trên luồng video thời gian thực.
• Xây dựng hoàn chỉnh pipeline công nghệ trên nền tảng Python, OpenCV, Dlib và Scikit-learn với tính ứng dụng thực tiễn cao và chi phí đầu tư phần cứng thấp.
• Đóng góp giải pháp hữu hiệu giúp tự động hóa khâu kiểm soát quân sự, giảm hơn 80% áp lực cho lực lượng an ninh thường trực.

Trong 3 đến 9 tháng tới, hệ thống được định hướng tích hợp công nghệ chống giả mạo sinh trắc học 3D và mở rộng thử nghiệm tại 10 điểm kiểm soát an ninh độc lập. Hãy khám phá toàn văn công trình nghiên cứu và áp dụng các giải pháp học sâu tiên tiến này vào các dự án thị giác máy tính của bạn ngay hôm nay.