Bối cảnh và vấn đề nghiên cứu

Nhận dạng mặt người là một hướng nghiên cứu quan trọng trong lĩnh vực thị giác máy tính và sinh trắc học, được hình thành và phát triển từ những năm 1980. So với các phương thức nhận dạng sinh trắc học truyền thống như vân tay hay mống mắt, nhận dạng khuôn mặt sở hữu nguồn dữ liệu trực quan phong phú hơn và không đòi hỏi sự tiếp xúc hay tương tác có kiểm soát quá khắt khe từ phía người dùng. Tuy nhiên, việc nhận dạng khuôn mặt trên thực tế vẫn đối mặt với nhiều thách thức lớn do ảnh hưởng của môi trường ánh sáng, góc nghiêng khuôn mặt, phông nền phức tạp và giới hạn về tài nguyên tính toán của các thiết bị nhúng.

Vấn đề cốt lõi mà đồ án đặt ra là xây dựng một hệ thống nhận dạng mặt người có độ chính xác cao nhưng tối ưu hóa được khối lượng và thời gian tính toán, đủ khả năng hoạt động trực tiếp trên nền tảng phần cứng nhúng nhỏ gọn. Nhóm tác giả đã lựa chọn đề tài "Ứng dụng kit Raspberry nhận dạng mặt người" nhằm ứng dụng thuật toán trích xuất đặc trưng Haar-like kết hợp học máy AdaBoost trên máy tính nhúng Raspberry Pi.

Mục tiêu tổng quát của đề tài là xây dựng hoàn chỉnh hệ thống nhận dạng tự động: tiếp nhận hình ảnh từ camera, phát hiện khuôn mặt, xử lý và đối sánh với cơ sở dữ liệu mẫu đã được lưu trữ để đưa ra kết luận định danh và điều khiển tín hiệu cảnh báo phần cứng. Để đạt được mục tiêu này, các nhiệm vụ nghiên cứu được phân chia thành 5 nội dung chính:

  1. Tìm hiểu các giải thuật phát hiện và nhận dạng khuôn mặt.
  2. Xây dựng thuật toán phát hiện và nhận dạng khuôn mặt.
  3. Áp dụng mã nguồn thư viện mở OpenCV vào thuật toán.
  4. Xây dựng chương trình phát hiện và nhận dạng khuôn mặt dựa trên thư viện OpenCV trên kit Raspberry Pi.
  5. Đánh giá kết quả thực nghiệm.

Đối tượng nghiên cứu của đồ án là khuôn mặt người trong luồng ảnh thu nhận trực tiếp từ camera. Phạm vi và các giới hạn kỹ thuật được xác lập bao gồm:

  • Góc quay khuôn mặt: Chụp thẳng hoặc góc nghiêng không vượt quá 20 độ.
  • Phông nền: Không quá phức tạp, đối tượng không bị che khuất.
  • Điều kiện môi trường: Cường độ ánh sáng thử nghiệm tối ưu khoảng 90 Lux (được đo đạc mở rộng ở 40 Lux, 45 Lux và 110 Lux), ngưỡng nhận dạng thiết lập ở mức 4000.
  • Phạm vi thiết bị: Sử dụng kit máy tính nhúng Raspberry Pi 3 Model B và module Camera Pi v1.

Cơ sở lý thuyết và phương pháp

Đồ án xây dựng giải pháp xử lý thị giác máy tính dựa trên nền tảng lý thuyết kết hợp giữa kỹ thuật rút trích đặc trưng hình học - độ sáng và thuật toán học máy phân tầng:

  • Đặc trưng Haar-like (Haar-like features): Dựa trên công trình của Viola và Jones, hệ thống sử dụng 4 dạng đặc trưng Haar-like cơ sở và mở rộng thành 3 nhóm chính gồm đặc trưng cạnh (edge features), đặc trưng đường (line features) và đặc trưng xung quanh tâm (center-surround features). Giá trị của một đặc trưng $f(x)$ được tính bằng hiệu số giữa tổng giá trị độ xám của các điểm ảnh trong vùng đen và vùng trắng: $$f(x) = \sum \text{Pixel}{\text{vùng đen}} - \sum \text{Pixel}{\text{vùng trắng}}$$
  • Bảng tích phân điểm ảnh (Integral Image - SAT/RSAT): Để giải quyết bài toán tính toán nhanh giá trị đặc trưng Haar-like theo thời gian thực (run-time), tác giả áp dụng phương pháp Integral Image (Summed Area Table - SAT) và biểu diễn xoay 45 độ (Rotated Summed Area Table - RSAT) do Lienhart phát triển. Mỗi điểm ảnh $(x, y)$ trong mảng tích phân được cộng dồn từ các điểm phía trên và bên trái. Nhờ đó, tổng giá trị pixel của một vùng chữ nhật $D$ bất kỳ được tính toán nhanh thông qua 4 đỉnh: $\text{Sum}(D) = P_4 - P_2 - P_3 + P_1$.
  • Thuật toán học máy AdaBoost (Adaptive Boost): Thuật toán do Freund và Schapire đề xuất (1995) được sử dụng để chọn lọc các đặc trưng Haar-like tiêu biểu, chuyển đổi tập hợp các bộ phân loại yếu (weak classifiers) $h_k(x)$ thành một bộ phân loại mạnh (strong classifier) $H(x)$: $$H(x) = \text{sign}\left(\sum_{t=1}^T \alpha_t h_t(x)\right)$$ với trọng số mẫu được cập nhật liên tục sau mỗi vòng lặp để tập trung vào các mẫu khó nhận dạng.
  • Chuỗi các bộ phân lớp (Cascade of Classifiers): Cấu trúc phân tầng nhiều cấp giúp loại bỏ nhanh các vùng ảnh nền (negative sub-windows) ngay từ các tầng phân loại đầu tiên vốn có độ phức tạp thấp, chỉ những vùng ứng viên thỏa mãn tất cả các tầng mới được kết luận là khuôn mặt.
  • Phương pháp nghiên cứu thực nghiệm: Thiết kế phần cứng kết nối kit nhúng với camera và mạch đèn báo; lập trình xử lý ảnh trên môi trường Linux; thu thập tập dữ liệu thực nghiệm gồm 10 đối tượng (mỗi đối tượng 50 ảnh mẫu); tiến hành kiểm thử hiệu năng với các biến thiên về góc nghiêng (0°, 20°, 45°), số lượng khuôn mặt đồng thời (1, 2, 3 mặt) và cường độ chiếu sáng (40 Lux, 45 Lux, 110 Lux) đo bằng phần mềm LightMeter.

Thiết kế và triển khai

Hệ thống được thiết kế theo mô hình nhúng tích hợp giữa phần cứng xử lý trung tâm, cảm biến thu nhận hình ảnh và cơ cấu chấp hành hiển thị kết quả.

Cấu trúc phần cứng

  • Khối xử lý trung tâm: Kit Raspberry Pi 3 Model B trang bị vi xử lý Broadcom BCM2837 Quad-Core 64-bit ARM Cortex-A53 xung nhịp 1.2 GHz, nhân đồ họa Broadcom VideoCore IV, 40 chân GPIO, 4 cổng USB 2.0, cổng mạng Ethernet, cổng kết nối màn hình HDMI và khe cắm thẻ nhớ microSD chạy hệ điều hành. Nguồn cấp thông qua cổng micro-USB 5V (dòng tối thiểu 700mA).
  • Khối thu nhận hình ảnh (Đầu vào): Module Camera Pi v1 sử dụng cảm biến CMOS OV5647 độ phân giải 5 Megapixel (công nghệ OmniBSI của hãng OmniVision), hỗ trợ quay video độ phân giải Full HD (30 fps), HD (60 fps) và VGA (60/90 fps). Module có kích thước 25 mm × 20 mm × 9 mm, khối lượng 3 g, kết nối trực tiếp vào socket CSI (Camera Serial Interface) của Raspberry Pi qua cáp bẹ phẳng.
  • Khối chỉ báo (Kết luận): Kết nối chân GPIO 12 của kit Raspberry Pi tới mạch điều khiển đèn LED báo hiệu trạng thái nhận dạng thành công.

Kiến trúc phần mềm và giải thuật xử lý

Chương trình được phát triển bằng ngôn ngữ C++ với thư viện OpenCV 3 trên nền tảng hệ điều hành Raspbian (nhân Linux), mã nguồn được biên dịch trực tiếp trên kit bằng công cụ make -j4. Cấu trúc dữ liệu chính sử dụng lớp cv::Mat giúp tự động quản lý bộ nhớ RAM.

Quy trình xử lý phần mềm chia làm hai chế độ hoạt động chính:

  1. Chế độ huấn luyện (Mode 1):

    • Khởi tạo camera và ghi nhận liên tục luồng hình ảnh.
    • Tiền xử lý: Chuyển đổi khung hình màu RGB sang ảnh mức xám bằng hàm cvtColor() và cân bằng lược đồ mức xám bằng hàm equalizeHist() để ổn định độ tương phản.
    • Tách vùng khuôn mặt dựa trên bộ phân loại Cascade XML.
    • Chuẩn hóa hình học: Dùng hàm resize() với phương pháp nội suy bicubic (INTER_CUBIC) trên ma trận điểm ảnh $4 \times 4$ để đưa các khuôn mặt cắt được về cùng kích thước chuẩn.
    • Tự động thu thập đủ 50 ảnh mẫu khuôn mặt của đối tượng và lưu trữ vào thư mục cơ sở dữ liệu định danh tương ứng.

  2. Chế độ nhận dạng (Mode 0):

    • Tải tệp cấu trúc phân loại XML và nạp cơ sở dữ liệu mẫu của người cần nhận dạng.
    • Camera thu nhận khung hình thực tế, thực hiện chuyển đổi xám, cân bằng histogram và tách khung chứa mặt.
    • Tiến hành so sánh ma trận đặc trưng khuôn mặt hiện tại với cơ sở dữ liệu mẫu theo ngưỡng khoảng cách (ngưỡng mặc định 4000).
    • Khối logic kết luận sử dụng hàm saysomething(): Tạo biến đếm tích lũy số lần khớp nhận dạng. Khi hệ thống ghi nhận đúng đối tượng liên tục 15 lần, hệ thống sẽ xác nhận định danh thành công, xuất mức điện áp cao (HIGH) ra chân GPIO 12 trong khoảng thời gian trễ 2 giây để bật sáng đèn LED thông báo, sau đó kéo ngõ ra về mức thấp (LOW).

Cú pháp thực thi chương trình qua giao diện dòng lệnh: ./camcv [0|1] [mức_sáng] [0|1] (cho phép tùy chọn bật/tắt cân bằng mức xám và lựa chọn chế độ Huấn luyện / Nhận dạng).

Nội dung chính theo từng chương

Chương 1: Tổng quan

Chương này giới thiệu bối cảnh hình thành của công nghệ nhận dạng mặt người trong thị giác máy tính và sinh trắc học, phân tích sự cần thiết của việc tối ưu hóa giải thuật nhận dạng cho các thiết bị phần cứng giới hạn. Tác giả xác lập mục tiêu nghiên cứu, 5 nhiệm vụ chi tiết cần thực hiện, đưa ra các giả định và phạm vi giới hạn kỹ thuật của hệ thống (góc nghiêng mặt dưới 20 độ, phông nền đơn giản, ánh sáng phòng chuẩn) và trình bày bố cục 6 chương của đồ án.

Chương 2: Cơ sở lý thuyết

Nội dung chương tập trung làm rõ các nền tảng lý thuyết và công cụ kỹ thuật áp dụng trong đồ án:

  • Phân tích cấu tạo phần cứng kit Raspberry Pi 3 Model B và thông số kỹ thuật của module Camera Pi v1 (cảm biến OV5647 5MP).
  • Trình bày kiến trúc thư viện OpenCV (các module CV, MLL, HighGUI, CXCORE) và sự cải tiến của cấu trúc ma trận ảnh cv::Mat trong C++.
  • Trình bày cơ chế trích xuất đặc trưng Haar-like và các phép tính tối ưu hóa tốc độ xử lý điểm ảnh thông qua mảng tích phân Integral Image và RSAT (xoay 45°).
  • Trình bày chi tiết toán học của thuật toán tăng cường thích nghi AdaBoost, quy tắc cập nhật trọng số mẫu phân loại sai/đúng và công thức xây dựng chuỗi các bộ phân lớp phân tầng (Cascade of Classifiers) với các chỉ số đo lường tỷ lệ phát hiện (detection rate - $d$) và tỷ lệ cảnh báo sai (false positive rate - $f$).

Chương 3: Tính toán và thiết kế

Chương này mô tả chi tiết giải pháp thiết kế toàn diện của hệ thống nhận dạng:

  • Xây dựng sơ đồ khối chức năng tổng quát cho hai tiến trình: Quá trình huấn luyện (Khối đầu vào $\rightarrow$ Xử lý đầu vào $\rightarrow$ Phát hiện khuôn mặt $\rightarrow$ Xử lý khuôn mặt được phát hiện $\rightarrow$ Tạo cơ sở dữ liệu) và Quá trình nhận dạng (Khối đầu vào $\rightarrow$ Xử lý đầu vào $\rightarrow$ Phát hiện khuôn mặt $\rightarrow$ Xử lý khuôn mặt $\rightarrow$ So sánh cơ sở dữ liệu $\rightarrow$ Kết luận).
  • Trình bày chi tiết các hàm xử lý ảnh OpenCV: hàm biến đổi không gian màu cvtColor(), giải thuật và công thức toán học cân bằng histogram equalizeHist(), hàm chuẩn hóa kích thước ảnh resize() với cờ nội suy INTER_CUBIC.
  • Thiết kế thuật toán khối kết luận với hàm đếm ngưỡng 15 lần saysomething() và sơ đồ nguyên lý mạch phần cứng kết nối chân GPIO 12 điều khiển đèn LED báo hiệu.

Chương 4: Thi công hệ thống

Chương 4 mô tả quá trình hiện thực hóa mô hình thực tế và phát triển phần mềm:

  • Xây dựng mô hình vật lý hoàn chỉnh kết nối kit Raspberry Pi, module Camera Pi, màn hình hiển thị và khối LED ngoại vi.
  • Trình bày các lưu đồ giải thuật chi tiết: lưu đồ chương trình chính lựa chọn chế độ, lưu đồ thu thập 50 ảnh trong chương trình huấn luyện, lưu đồ chương trình nhận dạng, lưu đồ nạp và xử lý tệp tin XML/cơ sở dữ liệu, lưu đồ xử lý ảnh chụp từ camera.
  • Hướng dẫn thiết lập hệ điều hành Raspbian trên thẻ nhớ, cấu hình kích hoạt cổng CSI camera bằng công cụ raspi-config, phương pháp cài đặt OpenCV 3.
  • Xây dựng tài liệu hướng dẫn vận hành 8 bước từ khởi động hệ thống, đăng nhập (user: pi, password: 123456), mở Terminal, điều hướng thư mục camcv, biên dịch mã nguồn (make -j4) đến thực thi dòng lệnh kiểm thử.

Chương 5: Kết quả, nhận xét và đánh giá

Chương này tổng hợp các số liệu đo đạc thực nghiệm từ mô hình thực tế dựa trên tập dữ liệu mẫu của 10 người:

  • Đánh giá khả năng phát hiện khuôn mặt ở các góc nghiêng (thẳng, nghiêng trái/phải 20° và 45°) dưới cường độ sáng 45 Lux.
  • Đánh giá hiệu suất phát hiện đồng thời nhiều khuôn mặt (1, 2 và 3 khuôn mặt) trong thời gian kiểm thử 50 giây.
  • Đánh giá hiệu suất nhận dạng chính xác người dùng ở hai điều kiện ánh sáng khác nhau: môi trường ánh sáng yếu (40 Lux) và môi trường đủ sáng (110 Lux) với cùng ngưỡng phân loại 4000.
  • Phân tích nguyên nhân suy giảm độ chính xác nhận dạng khi thay đổi góc nhìn và môi trường ánh sáng.

Chương 6: Kết luận và hướng phát triển

Chương cuối tóm tắt toàn bộ khối lượng công việc đã hoàn thành, khẳng định hệ thống đạt khoảng 85% mục tiêu thiết kế ban đầu. Tác giả chỉ ra các hạn chế cố hữu về hiện tượng trễ khung hình (lag), sự phụ thuộc vào góc xoay khuôn mặt và đưa ra các đề xuất nâng cấp hệ thống trong tương lai.

Kết quả và đóng góp

Kết quả thực nghiệm cụ thể

Quá trình thực nghiệm được triển khai nhằm kiểm tra độc lập hai tính năng: hiệu năng phát hiện khuôn mặt (Face Detection) và hiệu năng nhận dạng định danh (Face Recognition).

1. Kết quả phát hiện khuôn mặt theo góc nhìn (Đo ở độ sáng phòng 45 Lux):

Đối tượng thử nghiệm Nhìn thẳng Nhìn sang trái 20° Nhìn sang trái 45° Nhìn sang phải 20° Nhìn sang phải 45°
Người thứ nhất 98% 96% 93% 95% 92%
Người thứ hai 99% 96% 92% 96% 92%
Người thứ ba 99% 95% 93% 95% 93%

2. Kết quả phát hiện đồng thời nhiều khuôn mặt (Trong thời gian huấn luyện 50 giây):

Số lượng khuôn mặt trong khung hình Một khuôn mặt Hai khuôn mặt Ba khuôn mặt
Hiệu suất phát hiện 99% 97% 94%

3. Kết quả nhận dạng đối tượng ở điều kiện ánh sáng 40 Lux (Ngưỡng nhận dạng 4000):

Tập dữ liệu thử nghiệm Nhìn thẳng Nhìn sang trái 20° Nhìn sang trái 45° Nhìn sang phải 20° Nhìn sang phải 45°
Tập ảnh 1 90% 83% 55% 82% 51%
Tập ảnh 2 91% 81% 52% 82% 54%
Tập ảnh 3 89% 82% 50% 84% 55%

4. Kết quả nhận dạng đối tượng ở điều kiện ánh sáng 110 Lux (Ngưỡng nhận dạng 4000):

Tập dữ liệu thử nghiệm Nhìn thẳng Nhìn sang trái 20° Nhìn sang trái 45° Nhìn sang phải 20° Nhìn sang phải 45°
Tập ảnh 1 95% 86% 72% 84% 75%
Tập ảnh 2 94% 87% 71% 86% 74%
Tập ảnh 3 94% 84% 74% 89% 72%

Đóng góp kỹ thuật của đề tài

  • Hiện thực hóa thành công chuỗi xử lý thị giác máy tính hoàn chỉnh từ phát hiện đến nhận dạng mặt người chạy độc lập trên nền tảng phần cứng nhúng Raspberry Pi 3 Model B kết hợp module Camera Pi.
  • Ứng dụng hiệu quả phương pháp tiền xử lý cân bằng histogram (equalizeHist) giúp duy trì tính ổn định của hệ thống trong các điều kiện ánh sáng thay đổi từ 40 Lux đến 110 Lux.
  • Đạt tỷ lệ phát hiện khuôn mặt trung bình khoảng 96% (ít phụ thuộc vào góc quay) và tỷ lệ nhận dạng chính xác đạt khoảng 90% khi đối tượng nhìn thẳng hoặc nghiêng góc nhỏ dưới 20 độ.
  • Tích hợp thành công cơ chế giao tiếp phần cứng thông qua chân GPIO để kích hoạt mạch cảnh báo khi nhận dạng chính xác đối tượng đủ 15 lần đếm liên tục.

Hạn chế và hướng nghiên cứu tiếp

Hạn chế được ghi nhận

  • Tốc độ đáp ứng của hệ thống chưa thật sự mượt mà, vẫn còn hiện tượng giật/lag trong quá trình xử lý luồng video do hạn chế về cấu hình tài nguyên của kit Raspberry Pi 3 và đoạn mã nguồn C++ chưa được tối ưu hóa triệt để.
  • Độ chính xác của quá trình nhận dạng suy giảm đáng kể khi góc nghiêng khuôn mặt lớn (khi quay mặt 45°, độ chính xác giảm xuống còn 50% - 55% ở 40 Lux và 71% - 75% ở 110 Lux).
  • Khả năng nhận dạng đồng thời bị giới hạn: Mặc dù giải thuật phát hiện được nhiều khuôn mặt cùng lúc trong khung hình (tỷ lệ 94% - 97%), nhưng thuật toán so sánh hiện hành chỉ đối sánh với một thư mục ảnh mẫu đơn lẻ tại một thời điểm, do đó chỉ có thể định danh duy nhất một người trong một khoảng thời gian.

Hướng nghiên cứu tiếp

  • Tối ưu hóa mã nguồn C++ và cấu hình phần cứng để triệt tiêu độ trễ xử lý, nâng cao tốc độ khung hình (fps) khi chạy thực tế.
  • Mở rộng thuật toán đối sánh cơ sở dữ liệu đa đối tượng, cho phép nhận dạng và hiển thị thông tin nhiều khuôn mặt xuất hiện đồng thời trong khung hình.
  • Nghiên cứu bổ sung các thuật toán trích xuất đặc trưng có khả năng thích ứng cao hơn với các góc quay mặt nghiêng lớn và điều kiện ánh sáng phức tạp.

Giá trị tham khảo

Đồ án là tài liệu kỹ thuật có giá trị tham khảo thực tiễn đối với:

  • Sinh viên và người nghiên cứu các ngành: Công nghệ Kỹ thuật Điều khiển và Tự động hóa, Kỹ thuật Điện tử - Viễn thông, Công nghệ Thông tin và Khoa học Máy tính.
  • Nội dung tham khảo hữu ích:
    • Quy trình tích hợp và biên dịch thư viện OpenCV 3 trên nền tảng hệ điều hành Raspbian của Raspberry Pi.
    • Phương pháp xây dựng phần mềm xử lý ảnh sử dụng ngôn ngữ C++ kết hợp cấu trúc cv::Mat.
    • Thiết kế luồng giải thuật phát hiện khuôn mặt bằng Haar-like Cascade kết hợp kỹ thuật tiền xử lý cân bằng biểu đồ xám.
    • Kỹ thuật điều khiển phần cứng ngoại vi (xuất tín hiệu GPIO kích hoạt thiết bị) dựa trên kết quả phân tích thị giác máy tính.

Câu hỏi thường gặp

1. Hệ thống sử dụng phần cứng và module camera cụ thể nào để thu nhận và xử lý ảnh?
Hệ thống sử dụng kit máy tính nhúng Raspberry Pi 3 Model B (chip Broadcom BCM2837 tốc độ 1.2 GHz, GPU VideoCore IV) kết hợp module Camera Pi v1 trang bị cảm biến ảnh CMOS OV5647 5 Megapixel kết nối trực tiếp qua giao tiếp CSI (Camera Serial Interface).

2. Giải thuật phát hiện khuôn mặt trong đề tài hoạt động dựa trên nguyên lý nào?
Giải thuật phát hiện khuôn mặt hoạt động dựa trên phương pháp trích xuất đặc trưng Haar-like (gồm đặc trưng cạnh, đường và xung quanh tâm) được tính toán nhanh thông qua mảng tích phân Integral Image (SAT/RSAT), kết hợp thuật toán học máy AdaBoost để tạo chuỗi các bộ phân loại phân tầng (Cascade of Classifiers) nhằm loại bỏ nhanh vùng ảnh nền và giữ lại các vùng ứng viên khuôn mặt.

3. Cơ chế kiểm soát nào được áp dụng để đảm bảo hệ thống nhận dạng chính xác người dùng trước khi bật đèn báo?
Hệ thống sử dụng hàm logic saysomething() để đếm số lần phát hiện và đối sánh khớp khuôn mặt đối tượng với cơ sở dữ liệu. Chỉ khi biến đếm tích lũy đạt đủ 15 lần nhận dạng chính xác, hệ thống mới xác nhận kết quả và xuất tín hiệu mức cao (HIGH) ra chân GPIO 12 trong 2 giây để bật sáng đèn LED.

4. Hiệu suất nhận dạng của hệ thống thay đổi như thế nào giữa điều kiện ánh sáng 40 Lux và 110 Lux khi đối tượng nhìn thẳng?
Khi đối tượng nhìn thẳng ở ngưỡng nhận dạng 4000, độ chính xác nhận dạng ở điều kiện 110 Lux đạt mức từ 94% đến 95% (tùy tập ảnh), cao hơn so với điều kiện ánh sáng yếu 40 Lux với kết quả đạt từ 89% đến 91%.

5. Tại sao hệ thống có thể phát hiện được nhiều khuôn mặt cùng lúc nhưng chỉ nhận dạng được một người tại một thời điểm?
Giải thuật Haar-like Cascade cho phép quét và phát hiện đồng thời nhiều vùng ứng viên khuôn mặt trong cùng một khung hình. Tuy nhiên, ở khối đối sánh nhận dạng, mã nguồn chương trình hiện tại chỉ thực hiện so sánh các khuôn mặt cắt được với một thư mục cơ sở dữ liệu ảnh mẫu đơn lẻ của một người, do đó chỉ đưa ra kết luận định danh cho một đối tượng trong cùng một phiên xử lý.

Kết luận

Đồ án "Ứng dụng kit Raspberry nhận dạng mặt người" của nhóm tác giả Huỳnh Công Thành và Nguyễn Trung Vinh đã thiết kế và thi công thành công một hệ thống thị giác nhúng hoàn chỉnh trên kit Raspberry Pi 3 Model B kết hợp module Camera Pi. Bằng việc ứng dụng đặc trưng Haar-like, cấu trúc Cascade Classifier và thư viện OpenCV viết bằng C++, hệ thống đạt tỷ lệ phát hiện khuôn mặt trung bình 96% và tỷ lệ nhận dạng chính xác xấp xỉ 90% trong điều kiện góc nghiêng dưới 20 độ. Dù vẫn còn hạn chế về độ trễ xử lý và khả năng đối sánh đa người dùng đồng thời, công trình đã hoàn thành 85% mục tiêu đặt ra, cung cấp tài liệu tham khảo thực nghiệm giá trị cho các ứng dụng an ninh và tự động hóa sử dụng hệ thống nhúng.