Giới thiệu dự án

Công nghệ nhận dạng sinh trắc học (Biometrics) đang trải qua giai đoạn tăng trưởng vượt bậc với tốc độ tăng trưởng kép hàng năm (CAGR) đạt trên 14% trên toàn cầu. Các phương thức xác thực truyền thống như mật mã, mã PIN hay thẻ từ ngày càng bộc lộ nhiều lỗ hổng bảo mật liên quan đến nguy cơ rò rỉ dữ liệu và đánh cắp danh tính. Dù các kỹ thuật sinh trắc học phổ biến như nhận diện khuôn mặt hay dấu vân tay đã được ứng dụng rộng rãi, chúng vẫn tồn tại những rào cản kỹ thuật cố hữu: dấu vân tay dễ bị bào mòn do lao động cơ học hoặc làm giả bằng màng silicon; nhận diện khuôn mặt phụ thuộc lớn vào góc chụp, cường độ sáng và vấp phải các tranh ngại nghiêm trọng về quyền riêng tư cá nhân.

Khớp ngón tay con người (Finger Knuckle Print - FKP), đặc biệt là vùng khớp chính (Major FKP), sở hữu cấu trúc nếp gấp và vân da biểu bì có tính phân biệt cá thể rất cao, duy trì tính ổn định vĩnh viễn theo thời gian và mang tính duy nhất ngay cả giữa các cặp song sinh cùng trứng. Việc thu nhận ảnh FKP không xâm lấn, mang tính bảo vệ quyền riêng tư tốt hơn nhận diện khuôn mặt và khắc phục triệt để nhược điểm mòn vân của dấu vân tay.

+-----------------------------------------------------------------------------------+
|                              KIẾN TRÚC TỔNG THỂ HỆ THỐNG FKP                      |
+-----------------------------------------------------------------------------------+
|  [Thu nhận ảnh]        [Tiền xử lý & Trích xuất ROI]       [Trích xuất đặc trưng] |
|  - RPi Camera V2       - Gaussian Blur & Down-sample       - Gabor Wavelet 2D     |
|  - Sony IMX219 8MP ==> - Trục X: Biên dưới ngón tay    ==> - ImcompCode (Hướng)   |
|  - Cố định cơ khí      - Trục Y: Canny & ConMag(x)         - MagCode (Độ lớn)     |
|                        - ROI Chuẩn hóa (110x220)           - Loại điểm phẳng      |
+-----------------------------------------------------------------------------------+
                                                                     ||
                                                                     \/
                                                            [Đối sánh & Định danh]
                                                            - Tính khoảng cách D
                                                            - Threshold Decision
                                                            - GUI Waveshare 5" LCD

Tuy nhiên, bài toán nhận diện FKP đối mặt với nhiều thách thức lớn:

  • Vị trí đặt ngón tay của người dùng có thể bị xê dịch, xoay lệch góc.
  • Cường độ ánh sáng môi trường thay đổi làm mờ cấu trúc vân biểu bì.
  • Tài nguyên tính toán trên các thiết bị nhúng rất hạn chế, đòi hỏi thuật toán trích xuất vùng quan tâm (Region of Interest - ROI) và phân tích đặc trưng phải đạt độ tối ưu cao về mặt độ phức tạp thuật toán.

Đề tài "Thiết kế hệ thống xử lý ảnh nhận diện khớp ngón tay người sử dụng Raspberry Pi" do sinh viên Vũ Cường Thịnh thực hiện dưới sự hướng dẫn của TS. Trần Thị Thảo (Bộ môn Kỹ thuật Đo & Tin học công nghiệp, Viện Điện, Trường Đại học Bách Khoa Hà Nội) tập trung giải quyết trọn vẹn các thách thức trên với 3 mục tiêu trọng tâm:

  1. Xây dựng thuật toán trích xuất tự động vùng quan tâm ROI kích thước chuẩn $110 \times 220$ pixels dựa trên phân tích đường vân lồi ($ConMag$).
  2. Triển khai phương pháp trích xuất đặc trưng kết hợp hướng và độ lớn của đường vân biểu bì ($ImcompCode & MagCode$) thông qua phép biến đổi sóng Gabor 2 chiều.
  3. Tích hợp và tối ưu hóa toàn bộ đường ống xử lý ảnh (Image Processing Pipeline) trên phần cứng máy tính nhúng Raspberry Pi 4 Model B kết hợp Camera Module V2, vận hành thời gian thực với giao diện cảm ứng trực quan.

Hệ thống được thiết kế hướng tới hoạt động độc lập (standalone), xử lý ảnh đầu vào từ độ phân giải 400 DPI xuống 150 DPI nhằm tiết kiệm tài nguyên bộ nhớ nhưng vẫn đảm bảo độ phân giải đặc trưng cho quá trình đối sánh.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Nghiên cứu các phương pháp trích xuất đặc trưng FKP hiện nay cho thấy sự đa dạng trong cách tiếp cận khai phá kết cấu ảnh sinh trắc học:

Phương pháp Nguyên lý cốt lõi Ưu điểm Nhược điểm
CompCode (Competitive Code) Sử dụng phần thực bộ lọc Gabor 6 hướng, chọn hướng có phản hồi cực đại ($\arg\max$). Tốc độ tính toán nhanh, mã hóa gọn trong tập ${0,1,2,3,4,5}$. Dễ bị nhiễu tại các vùng ảnh phẳng, không chứa vân rõ nét.
BOCV (Binary Orientation Co-occurrence Vector) Nhị phân hóa đáp ứng của bộ lọc Gabor thành vector 6 bit cho mỗi pixel. Đối sánh bằng phép toán bitwise XOR cực nhanh. Độ dài vector lớn, tốn bộ nhớ lưu trữ mẫu đặc trưng.
LRT (Localized Radon Transform) Tích phân cường độ ảnh trên các đoạn thẳng cục bộ ($9 \times 9$ hoặc $14 \times 14$). Bắt tốt các đặc trưng đường tuyến tính cục bộ. Nhạy cảm với sự dịch chuyển và xoay ngón tay, chi phí lặp cao.
ImcompCode & MagCode (Đề xuất) Kết hợp hướng cực đại có lọc ngưỡng cường độ định hướng $oriMag$ và lượng tử hóa độ lớn $magCode$. Kháng nhiễu vùng phẳng vượt trội, độ phân biệt thông tin kết cấu cao nhất. Phải tính toán song song hai ma trận đặc trưng hướng và độ lớn.

Áp dụng phương pháp phân tích yêu cầu MoSCoW:

  • Must have: Tự động định vị và trích xuất ROI dưới 0.5 giây; nhận diện chính xác người trong cơ sở dữ liệu trên Raspberry Pi 4; loại bỏ điểm ảnh phẳng gây nhiễu.
  • Should have: Giao diện hiển thị trực tiếp trên màn hình cảm ứng LCD 5 inch; hỗ trợ đăng ký và nhận diện mẫu mới.
  • Could have: Bổ sung phân tích đa khớp (kết hợp Major FKP và Minor FKP) để tăng cường bảo mật.
  • Won't have: Thu nhận không tiếp xúc tầm xa ở khoảng cách lớn ngoài buồng chụp quang học.

Thiết kế hệ thống

Hệ thống được xây dựng trên nền tảng kiến trúc phần cứng nhúng tối ưu kết hợp hệ thống quang học thu nhận ảnh:

+--------------------------------------------------------------------------+
|                       SƠ ĐỒ PHẦN CỨNG HỆ THỐNG                           |
+--------------------------------------------------------------------------+
|  +---------------------+      CSI Bus       +-------------------------+  |
|  | Raspberry Pi        | -----------------> | Raspberry Pi 4 Model B  |  |
|  | Camera Module V2    |   (15cm Ribbon)    | - Broadcom BCM2711      |  |
|  | - Sony IMX219 (8MP) |                    | - Quad-core A72 1.5GHz  |  |
|  +---------------------+                    | - 2GB LPDDR4 SDRAM      |  |
|                                             +-------------------------+  |
|  +---------------------+       HDMI / DSI                ||              |
|  | Waveshare 5" LCD    | <-------------------------------+               |
|  | - 800x480 Capacitive|                                                 |
|  +---------------------+                                                 |
+--------------------------------------------------------------------------+
  1. Khối máy tính nhúng (Processing Unit): Raspberry Pi 4 Model B (Broadcom BCM2711 Quad-core Cortex-A72 64-bit @ 1.5GHz, 2GB LPDDR4 SDRAM), chạy hệ điều hành Raspberry Pi OS (Linux kernel 5.x).
  2. Khối thu nhận hình ảnh (Image Acquisition): Raspberry Pi Camera Module V2 sử dụng cảm biến CMOS Sony IMX219 độ phân giải 8 Megapixel ($3280 \times 2464$ pixels), giao tiếp qua cổng CSI (Camera Serial Interface) với băng thông cao và độ trễ cực thấp.
  3. Khối giao tiếp người dùng (UI/Display): Màn hình cảm ứng điện dung Waveshare 5 inch, độ phân giải phần cứng $800 \times 480$ pixels qua giao tiếp HDMI/DSI.
  4. Khối cơ khí cố định: Buồng chụp tích hợp hệ thống đèn LED chiếu sáng chuẩn hóa góc chụp và khoảng cách ngón tay, giúp ổn định bề mặt ngón tay khi lấy mẫu.

Methodology

Nghiên cứu áp dụng quy trình thực nghiệm lặp (Iterative Experimental Methodology) qua hai giai đoạn:

  • Giai đoạn 1 (Thuật toán & Mô phỏng lý thuyết): Triển khai trên môi trường Google Colaboratory nhằm tối ưu hóa các siêu tham số của bộ lọc sóng Gabor ($\kappa, \omega_0, \theta$) và hàm tính cường độ lồi $ConMag(x)$ trên tập dữ liệu chuẩn 1480 ảnh định danh và 296 ảnh chưa định danh.
  • Giai đoạn 2 (Tối ưu hóa nhúng & Thực nghiệm phần cứng): Chuyển đổi mã nguồn xử lý ảnh sang Python 3 kết hợp OpenCV 4.x và NumPy trên Raspberry Pi 4 Model B. Đánh giá thời gian thực thi từng bước (pipeline latency) và độ chính xác phân loại dựa trên tập dữ liệu thực tế 100 ảnh tự thu thập.

Implementation và kết quả

Development process

Quá trình trích xuất ROI và nhận diện được chia thành các giải thuật kỹ thuật cụ thể:

1. Thuật toán trích xuất vùng quan tâm (ROI Extraction)

Ảnh FKP gốc ($768 \times 576$, 400 DPI) được lọc mịn bằng bộ lọc Gaussian để khử nhiễu tần số cao, sau đó down-sampling xuống 150 DPI.

  • Xác định trục $X$: Do ngón tay luôn đặt trên khối cơ sở, đường biên dưới ngón tay được xác định chính xác thông qua thuật toán phân ngưỡng Thresholding. Trục $X$ được cố định dọc theo đường ranh giới này.
  • Xác định trục $Y$ thông qua phân tích đường vân lồi:
    1. Dò biên ảnh bằng thuật toán Canny: Tính Gradient $G_x, G_y$, cường độ $Edge_Gradient = \sqrt{G_x^2 + G_y^2}$ và hướng gradient quy đổi về 4 hướng $[0^\circ, 45^\circ, 90^\circ, 135^\circ]$ kết hợp Non-Maximum Suppression (NMS).
    2. Mã hóa sơ đồ vân lồi $I_{CD}(i,j)$: $$\begin{aligned} I_{CD}(i,j) = \begin{cases} 0, & I_E(i,j)=0 \text{ hoặc } I_E(i+1,j-1) = I_E(i+1,j+1) = 1 \ 1, & (I_E(i+1,j-1)=1 \land i \le y_{mid}) \lor (I_E(i+1,j+1)=1 \land i > y_{mid}) \ -1, & (I_E(i+1,j+1)=1 \land i \le y_{mid}) \lor (I_E(i+1,j-1)=1 \land i > y_{mid}) \end{cases} \end{aligned}$$ Trong đó giá trị 1 biểu thị vân lồi sang trái, -1 biểu thị vân lồi sang phải, 0 là không mang thông tin hướng lồi.
    3. Tính hàm cường độ lồi tích lũy $ConMag(x)$ trên cửa sổ trượt $W$ có kích thước $d \times h$ (với $d=35$): $$ConMag(x) = \left| \sum_{i=x}^{x+34} \sum_{j=0}^{Y-1} I_{CD}(i,j) \right|$$ Vị trí cực tiểu của hàm $ConMag(x)$ chính là tâm đối xứng tự nhiên của khớp ngón tay: $$x_0 = \arg\min_x ConMag(x)$$ Đường thẳng $X = x_0$ được chọn làm trục $Y$. Vùng ROI hoàn chỉnh được cắt với kích thước chuẩn hóa $110 \times 220$ pixels.
import cv2
import numpy as np

def extract_fkp_roi(image_gray):
    # 1. Down-sampling & Gaussian Blur
    blurred = cv2.GaussianBlur(image_gray, (5, 5), 0)
    resized = cv2.resize(blurred, (288, 216)) # Giảm tỷ lệ từ 400DPI về ~150DPI
    
    # 2. X-axis Detection via Thresholding
    _, thresh = cv2.threshold(resized, 45, 255, cv2.THRESH_BINARY)
    x_axis_pos = np.argmax(thresh, axis=0) # Đường biên dưới
    
    # 3. Canny Edge Detection & NMS
    edges = cv2.Canny(resized, 50, 150)
    h, w = edges.shape
    y_mid = h // 2
    
    # 4. Convexity Pattern Coding (ICD)
    icd = np.zeros((h, w), dtype=np.int8)
    for i in range(h - 1):
        for j in range(1, w - 1):
            if edges[i, j] != 0:
                if edges[i+1, j-1] != 0 and edges[i+1, j+1] != 0:
                    icd[i, j] = 0
                elif (edges[i+1, j-1] != 0 and i <= y_mid) or (edges[i+1, j+1] != 0 and i > y_mid):
                    icd[i, j] = 1   # Hướng lồi trái
                elif (edges[i+1, j+1] != 0 and i <= y_mid) or (edges[i+1, j-1] != 0 and i > y_mid):
                    icd[i, j] = -1  # Hướng lồi phải

    # 5. Convexity Magnitude (ConMag) with Sliding Window d=35
    d = 35
    con_mag = np.zeros(w - d)
    for x in range(w - d):
        con_mag[x] = np.abs(np.sum(icd[:, x:x+d]))
        
    x0 = np.argmin(con_mag) + (d // 2) # Trục Y trung tâm
    
    # 6. Crop ROI 110x220
    roi = resized[max(0, y_mid-55):y_mid+55, max(0, x0-110):x0+110]
    return cv2.resize(roi, (220, 110))

2. Trích xuất đặc trưng ImcompCode và MagCode

Sử dụng phần thực của biến đổi sóng Gabor 2D: $$\psi_R(x,y,\omega_0,\theta) = \frac{\omega_0}{\sqrt{2\pi}\kappa} \exp\left(-\frac{\omega_0^2(4x'^2+y'^2)}{8\kappa^2}\right) \left[\cos(\omega_0 x') - \exp\left(-\frac{\kappa^2}{2}\right)\right]$$ Với kích thước bộ lọc $35 \times 35$, vị trí gốc $(x_0, y_0) = (17, 17)$, hệ số $\kappa = 5.3$, và 6 góc định hướng $\theta_j = \frac{j\pi}{6}$ với $j \in {0, 1, 2, 3, 4, 5}$.

  • Mã định hướng cải tiến ($ImcompCode$): $$ImcompCode(x,y) = \arg\max_j {I_{ROI}(x,y) * \psi_R(x,y,\theta_j)}$$ Để loại bỏ vùng phẳng không mang thông tin, tính cường độ định hướng: $$oriMag(x,y) = \frac{|\max(R) - \min(R)|}{\sum R}$$ Nếu $oriMag(x,y) < Threshold_{thực nghiệm}$, pixel đó được gán nhãn bằng 6 (không xác định hướng).

  • Mã độ lớn ($magCode$): Lượng tử hóa biên độ phản hồi cực đại thành $N=8$ cấp độ: $$magCode(x,y) = \left\lceil N \cdot \frac{mag(x,y) - l_{\min}}{l_{\max} - l_{\min}} \right\rceil$$

def extract_gabor_features(roi_img):
    # Khởi tạo tham số Gabor
    ksize = 35
    kappa = 5.3
    thetas = [j * np.pi / 6 for j in range(6)]
    responses = []
    
    # Tích chập 2D với 6 hướng sóng Gabor
    for theta in thetas:
        kernel = cv2.getGaborKernel((ksize, ksize), sigma=3.0, theta=theta, 
                                   lambd=10.0, gamma=0.5, psi=0, ktype=cv2.CV_32F)
        filtered = cv2.filter2D(roi_img, cv2.CV_32F, kernel)
        responses.append(filtered)
        
    responses = np.array(responses) # Shape: (6, H, W)
    
    # ImcompCode: Hướng phản hồi cực đại
    imcomp_code = np.argmax(responses, axis=0)
    
    # oriMag: Khử vùng phẳng
    max_r = np.max(responses, axis=0)
    min_r = np.min(responses, axis=0)
    sum_r = np.sum(responses, axis=0) + 1e-6
    ori_mag = np.abs(max_r - min_r) / sum_r
    
    imcomp_code[ori_mag < 0.15] = 6 # Gán nhãn 6 cho vùng phẳng
    
    # MagCode: Lượng tử hóa biên độ 8 cấp độ (N=8)
    l_min, l_max = np.min(max_r), np.max(max_r)
    mag_code = np.ceil(8 * (max_r - l_min) / (l_max - l_min + 1e-6)).astype(np.uint8)
    
    return imcomp_code, mag_code

Testing và validation

Hệ thống được kiểm thử thực nghiệm toàn diện trên 2 nền tảng:

  1. Google Colaboratory (Môi trường kiểm chuẩn thuật toán): CPU Intel Xeon 2.20GHz, 13GB RAM.
  2. Raspberry Pi 4 Model B (Môi trường nhúng thực tế): Quad-core Cortex-A72 @ 1.5GHz, 2GB RAM.

Kết quả đo đạc thời gian thực thi qua từng giai đoạn xử lý:

Công đoạn xử lý Thời gian trên Google Colab (ms) Thời gian trên Raspberry Pi 4 (ms)
Đọc ảnh & Tiền xử lý (Down-sampling, Blur) 12.4 38.6
Dò biên Canny & Trích xuất trục X-Y ($ConMag$) 45.2 142.1
Cắt & Chuẩn hóa ROI ($110 \times 220$) 3.1 9.4
Biến đổi sóng Gabor 6 hướng & Lọc $oriMag$ 82.7 265.3
Tạo mã $ImcompCode$ & $magCode$ 15.6 48.2
Đối sánh khoảng cách (Matching Distance) 4.8 16.5
Tổng thời gian xử lý toàn trình (Latency) 163.8 ms 520.1 ms (~0.52s)

Hệ thống được thử nghiệm trong 4 điều kiện môi trường bất lợi:

  • Ngón tay dịch chuyển lệch trục: Thuật toán $ConMag$ tự động căn chỉnh tâm trục Y chính xác với sai số dưới 2 pixels.
  • Ngón tay xoay góc nhỏ ($\pm 10^\circ$): Mặt nạ Mask và phép đối sánh hợp không gian duy trì độ chính xác nhận diện trên 98.2%.
  • Môi trường thiếu sáng / thừa sáng: Hệ thống buồng chụp có đèn LED ổn định độ sáng giúp tỷ lệ nhận diện đúng đạt 99.0% trên tập dữ liệu kiểm thử.
                  BIỂU ĐỒ PHÂN BỔ THỜI GIAN TRÊN RASPBERRY PI 4 (TỔNG: 520.1 ms)
+-----------------------------------------------------------------------------------+
| [Preprocess] 38.6ms (7.4%)                                                        |
| [ROI Extraction & ConMag] 151.5ms (29.1%)                                         |
| [Gabor Transformation] 265.3ms (51.0%)                                            |
| [Feature Encoding & Matching] 64.7ms (12.5%)                                      |
+-----------------------------------------------------------------------------------+

Đổi mới và đóng góp

  1. Thuật toán xác định trục $Y$ tự động qua hàm năng lượng vân lồi $ConMag(x)$: Khác với các phương pháp định vị ROI thông thường dựa vào khớp nối xương tay trên ảnh X-quang hoặc cố định tọa độ cứng, giải pháp tận dụng trực tiếp đặc tính hình thái học tự nhiên của vân ngón tay (vân hai bên đối xứng cong ngược chiều nhau). Điều này giúp trích xuất ROI chính xác tuyệt đối ngay cả khi ngón tay đút sâu hoặc nông vào thiết bị.
  2. Cơ chế lọc điểm phẳng bằng cường độ định hướng $oriMag$: Loại bỏ hiện tượng gán nhãn hướng ngẫu nhiên ở các vùng biểu bì nhẵn, giảm thiểu đến 34% tỷ lệ báo động nhầm (False Acceptance Rate - FAR) so với thuật toán CompCode truyền thống.
  3. Mô hình nhúng hóa hoàn chỉnh với chi phí cực thấp: Hiện thực hóa toàn bộ thuật toán xử lý ảnh sinh trắc học phức tạp lên một bo mạch SoC đơn lẻ giá rẻ (Raspberry Pi 4), không cần kết nối Server/Cloud, đảm bảo tính bảo mật cục bộ tuyệt đối cho dữ liệu người dùng.

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng thực tế

  • Trạm rút tiền tự động (ATM) & Kiosk ngân hàng: Tích hợp module quét khớp ngón tay như một phương thức xác thực đa yếu tố (MFA), loại bỏ hoàn toàn nguy cơ bị quay lén mật khẩu hoặc skimming thẻ ATM.
  • Kiểm soát ra vào tại các nhà máy, công trường: Thay thế máy quét vân tay tại những môi trường lao động nặng - nơi công nhân thường xuyên bị trầy xước, chai mòn hoặc dính dầu mỡ ở đầu ngón tay.
  • Phân quyền trong hệ thống Smart Home và cơ sở y tế: Xác thực không xâm lấn, thân thiện, bảo đảm quyền riêng tư cho các hồ sơ bệnh án điện tử và khu vực kiểm soát y tế nhạy cảm.

Phân tích chi phí & Hiệu quả kinh tế (ROI)

  • Chi phí phần cứng (BOM):
    • Máy tính nhúng Raspberry Pi 4 Model B (2GB): ~$45
    • Cảm biến Raspberry Pi Camera V2: ~$25
    • Màn hình cảm ứng 5" Waveshare: ~$30
    • Phụ kiện buồng chụp, LED, nguồn, vỏ hộp 3D: ~$15
    • Tổng chi phí phần cứng: $\approx 115\text{ USD}$ (thấp hơn 70% so với các đầu đọc sinh trắc học chuyên dụng trên thị trường).
  • Khả năng mở rộng: Hệ thống có thể chuyển giao công nghệ thành mạch chuyên dụng dạng Module Camera USB / UART để cắm trực tiếp vào các máy POS, cửa từ thông minh hiện có mà không cần thay đổi hạ tầng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật

  • Hệ thống vẫn phụ thuộc vào buồng chụp cơ khí để giữ khoảng cách tiêu cự cố định cho camera Pi V2.
  • Thuật toán trích xuất Gabor 6 hướng chiếm hơn 50% tổng thời gian thực thi (265.3 ms), chưa tận dụng được nhân đồ họa VideoCore VI GPU trên Broadcom BCM2711 để tăng tốc tích chập ma trận.

Hướng phát triển tiếp theo

  • Tăng tốc phần cứng: Chuyển đổi mã nguồn xử lý tích chập Gabor sang C++ kết hợp OpenCL hoặc tập lệnh SIMD NEON trên vi xử lý ARM Cortex-A72 để giảm thời gian xử lý xuống dưới 200 ms.
  • Đa sinh trắc học (Multimodal Biometrics): Kết hợp đồng thời khớp chính (Major FKP), khớp phụ (Minor FKP) và tĩnh mạch ngón tay (Finger Vein) dưới nguồn sáng hồng ngoại gần (NIR 850nm) để đạt chuẩn bảo mật cấp quân sự.
  • Mạng nơ-ron tích chập siêu nhẹ (Lightweight CNN): Nghiên cứu các kiến trúc Deep Learning như MobileNetV3 hoặc EdgeNeXt được lượng tử hóa (INT8 Quantization) để nhúng trực tiếp lên bộ gia tốc AI (Google Coral Edge TPU / Hailo-8).

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Tự động hóa / CNTT: Nắm vững quy trình thiết kế hoàn chỉnh một hệ thống thị giác máy tính nhúng, từ giải thuật toán học (Canny, Gabor, Radon) đến thực thi phần cứng.
  • Kỹ sư nhúng & Thị giác máy tính (Embedded Vision Developers): Nguồn tham khảo giá trị về kỹ thuật chuẩn hóa ROI, kỹ thuật mã hóa bitwise ma trận và phương pháp tối ưu hóa bộ nhớ trên môi trường Linux nhúng.
  • Doanh nghiệp tích hợp giải pháp an ninh: Một thiết kế tham chiếu (Reference Design) tin cậy, chi phí thấp để phát triển các dòng sản phẩm điểm danh, kiểm soát cửa tự động thế hệ mới.
  • Nhà nghiên cứu lĩnh vực Sinh trắc học: Dữ liệu thực nghiệm phong phú về phân tích cấu trúc nếp gấp vân ngón tay và hiệu quả của phép biến đổi kết hợp hướng - độ lớn.

Câu hỏi thường gặp

1. Yêu cầu kỹ thuật tối thiểu để triển khai hệ thống là gì?

Hệ thống yêu cầu bo mạch Raspberry Pi 4 Model B (RAM tối thiểu 2GB), thẻ nhớ MicroSD 16GB Class 10 (tốc độ đọc $\ge 80\text{MB/s}$), Raspberry Pi Camera Module V2 (8MP Sony IMX219) và nguồn chuẩn 5V-3A Type-C. Về phần mềm, hệ thống chạy trên nền tảng Raspberry Pi OS 32-bit/64-bit cài đặt sẵn Python 3.7+, OpenCV 4.x và NumPy.

2. Hệ thống có giới hạn dung lượng lưu trữ cơ sở dữ liệu mẫu không?

Mỗi mẫu sinh trắc học FKP sau khi trích xuất dưới dạng sơ đồ mã hóa $ImcompCode$ và $magCode$ chỉ chiếm chưa tới 24.2 KB dữ liệu nhị phân. Do đó, một thẻ nhớ 16GB thông thường có thể lưu trữ hơn 500,000 mẫu đặc trưng người dùng mà không gây suy giảm tài nguyên lưu trữ của máy tính nhúng.

3. Khả năng tích hợp với hệ thống kiểm soát cửa hoặc ERP có sẵn như thế nào?

Raspberry Pi 4 cung cấp 40 chân GPIO cho phép kích hoạt trực tiếp relay điều khiển khóa từ cửa (Electric Strike / Magnetic Lock), giao tiếp chuẩn công nghiệp RS485/Modbus hoặc gửi sự kiện xác thực qua RESTful API, MQTT, Webhook về máy chủ quản lý nhân sự ERP trung tâm thông qua kết nối Wi-Fi/Ethernet tích hợp.

4. Chi phí bảo trì và độ bền của thiết bị ra sao?

Cảm biến quang học thể rắn CMOS Sony IMX219 và máy tính nhúng Raspberry Pi không chứa các thành phần chuyển động cơ học, giúp tuổi thọ hoạt động liên tục (MTBF) đạt trên 50,000 giờ. Thiết bị chỉ yêu cầu vệ sinh định kỳ bề mặt kính buồng chụp bụi bẩn và kiểm tra nguồn cấp.

5. Tại sao không sử dụng nhận diện khuôn mặt mà lại chọn khớp ngón tay?

Nhận diện khớp ngón tay FKP mang tính bảo vệ quyền riêng tư cá nhân vượt trội (ảnh khớp ngón tay không thể dùng để tìm kiếm danh tính công khai trên mạng xã hội như ảnh khuôn mặt). Hơn nữa, FKP không bị ảnh hưởng bởi việc đeo khẩu trang, thay đổi kiểu tóc, trang điểm hoặc điều kiện ánh sáng môi trường phức tạp.

Kết luận

Đồ án tốt nghiệp "Thiết kế hệ thống xử lý ảnh nhận diện khớp ngón tay người sử dụng Raspberry Pi" của tác giả Vũ Cường Thịnh đã giải quyết thành công bài toán xác thực sinh trắc học thời gian thực trên nền tảng phần cứng nhúng chi phí thấp. Bằng việc đề xuất thuật toán xác định tâm trục $Y$ dựa trên phân tích cường độ vân lồi $ConMag(x)$ và kết hợp ma trận đặc trưng kép $ImcompCode & MagCode$ từ phép biến đổi sóng Gabor, hệ thống đã đạt độ chính xác nhận diện cao cùng tốc độ đáp ứng thời gian thực (~0.52 giây trên Raspberry Pi 4).

Công trình mang tính ứng dụng thực tiễn lớn, cung cấp giải pháp bảo mật sinh trắc học thông minh, an toàn, thân thiện với quyền riêng tư và mở ra hướng đi đầy tiềm năng cho các hệ thống kiểm soát an ninh nhúng thế hệ mới.