I. Giới thiệu về Hệ thống Nhận diện Khuôn mặt bằng Raspberry Pi tại HCMUTE
Đồ án tốt nghiệp "Ứng dụng Kit Raspberry nhận dạng mặt người" tại HCMUTE năm 2016 tập trung vào việc xây dựng một hệ thống nhận diện khuôn mặt sử dụng Raspberry Pi và thư viện OpenCV. Hệ thống này hướng đến mục tiêu phát hiện và nhận dạng khuôn mặt người từ ảnh chụp trực tiếp từ Camera Pi, tích hợp phát hiện khuôn mặt thời gian thực. Đồ án nhấn mạnh vào việc ứng dụng thuật toán phân tích hình ảnh khuôn mặt, cụ thể là sử dụng đặc trưng Haar-like kết hợp với thuật toán AdaBoost và chuỗi các bộ phân lớp (Cascade of Classifiers). Việc lựa chọn Raspberry Pi là nền tảng thể hiện sự quan tâm đến các giải pháp nhúng, tiết kiệm chi phí và khả năng triển khai thực tế. Thành công của đồ án được đánh giá dựa trên tỉ lệ phát hiện và nhận dạng khuôn mặt, với mục tiêu tối ưu hóa tốc độ xử lý và độ chính xác.
1.1. Kiến trúc Hệ thống Nhận diện Khuôn mặt
Hệ thống được thiết kế theo cấu trúc mô-đun, bao gồm các khối chức năng chính: khối đầu vào (Camera Pi), khối xử lý đầu vào (thu nhận và tiền xử lý ảnh), khối phát hiện khuôn mặt (sử dụng thuật toán Haar-like), khối xử lý khuôn mặt được phát hiện (trích xuất đặc trưng), khối cơ sở dữ liệu (lưu trữ thông tin khuôn mặt), khối so sánh (so sánh đặc trưng với cơ sở dữ liệu) và khối kết luận. Sơ đồ nguyên lý phần cứng minh họa sự kết nối giữa các thành phần. Quá trình xử lý ảnh được mô tả chi tiết qua lưu đồ chương trình, bao gồm các bước làm mền ảnh, phát hiện khuôn mặt, trích xuất đặc trưng, và tính toán khoảng cách Euclidean. Kết hợp phần cứng và phần mềm là yếu tố quan trọng quyết định hiệu quả của hệ thống. Việc lựa chọn Raspberry Pi và OpenCV cho phép linh hoạt trong việc triển khai và tối ưu hóa.
1.2. Thuật toán và Thư viện OpenCV
Đồ án sử dụng thư viện OpenCV để thực hiện các thao tác xử lý ảnh. Thuật toán AdaBoost được áp dụng để huấn luyện bộ phân loại mạnh từ các bộ phân loại yếu dựa trên đặc trưng Haar-like. Chuỗi các bộ phân lớp (Cascade of Classifiers) giúp tăng tốc độ phát hiện khuôn mặt bằng cách loại bỏ nhanh chóng các vùng ảnh không phải khuôn mặt. Quá trình huấn luyện mô hình được thực hiện trên máy tính, sau đó được triển khai trên Raspberry Pi. Cài đặt OpenCV trên Raspberry Pi là một bước quan trọng trong quá trình triển khai. Đồ án cũng đề cập đến việc tối ưu hóa hệ thống, bao gồm cả phần cứng và phần mềm, nhằm giảm thiểu thời gian xử lý và nâng cao độ chính xác. Các hàm OpenCV được sử dụng một cách hiệu quả trong việc thực hiện các bước xử lý ảnh.
1.3. Kết quả và Đánh giá
Kết quả thực nghiệm cho thấy hệ thống đạt được tỉ lệ phát hiện khuôn mặt khá cao (khoảng 96%), ít phụ thuộc vào góc nhìn. Tuy nhiên, tỉ lệ nhận dạng đúng người phụ thuộc vào góc nhìn và độ sáng (khoảng 90%). Hệ thống có thể phát hiện nhiều khuôn mặt cùng lúc, nhưng chỉ có thể nhận dạng một người trong cùng một thời gian do giới hạn cơ sở dữ liệu. Kết quả quá trình huấn luyện được trình bày chi tiết trong báo cáo, bao gồm các chỉ số đánh giá hiệu quả của mô hình. Những hạn chế của hệ thống, như độ trễ trong xử lý ảnh, được phân tích kỹ lưỡng, đề xuất giải pháp tối ưu hóa hệ thống để cải thiện hiệu suất trong tương lai. So sánh các thuật toán nhận diện khuôn mặt khác có thể giúp cải tiến hệ thống trong các phiên bản tiếp theo.
