Xác Thực Khuôn Mặt Từ Camera Thiết Bị Di Động Và Ứng Dụng Trong Quá Trình Login

Chuyên khảo phân tích Xác thực khuôn mặt từ camera thiết bị di động và ứng dụng trong quá trình login vào phần mềm, đánh giá các khía cạnh quan trọng, đề xuất hướng nghiên cứu

• Người hướng dẫn: PGS.TS
• Trường học: Trường Đại Học Lạc Hồng
• Chuyên ngành: Công Nghệ Thông Tin
• Đề tài: Xác Thực Khuôn Mặt Từ Camera Di Động Trong Quá Trình Đăng Nhập Phần Mềm
• Loại tài liệu: Luận Văn Thạc Sĩ
• Năm xuất bản: 2023
• Địa điểm: Đồng Nai

Mục lục chi tiết

• LỜI CAM ĐOAN
• 1. MỞ ĐẦU
• 2. Khái niệm và tổng quan liên quan đến sinh trắc học
• 2.1. Khái niệm
• 2.2. Các loại sinh trắc học phổ biến
• 3. Tổng quan các công trình liên quan trong và ngoài nước
• 3.1. Đề tài trong nước
• 3.2. Đề tài ngoài nước
• 4. BÀI TOÁN VỀ NHẬN DIỆN KHUÔN MẶT
• 4.1. Khái niệm và tổng quan liên quan đến nhận diện khuôn mặt
• 4.2. Đặc điểm và cách thức hoạt động
• 4.3. Những ưu và nhược điểm trong quá trình nhận diện khuôn mặt
• 4.3.1. Nhược điểm
• 4.4. Kết luận chương
• 5. CÁC PHƯƠNG PHÁP, MÔ HÌNH HỌC MÁY LIÊN QUAN
• 5.1. Mô hình ArcFace
• 5.2. Thuật toán k-NN (K-nearest neighbor)
• 5.3. TensorFlow và Keras
• 5.4. Kết luận chương
• 6. THỰC NGHIỆM, ỨNG DỤNG NHẬN DIỆN KHUÔN MẶT VÀO BÀI TOÁN THỰC TIỄN
• 6.1. Quá trình tạo mô hình nhận dạng
• 6.2. Huấn luyện mô hình
• 6.3. Xây dựng ứng dụng thực tiễn
• 6.3.1. Đặc tả chức năng chính trong ứng dụng
• 6.3.2. Mô hình xây dựng
• 6.3.3. Môi trường xây dựng và tích hợp
• 6.3.4. Xây dựng API tích hợp ứng dụng
• 6.3.5. Giao diện vận hành ứng dụng
• 6.4. Kết luận chương
• 7. KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN
• TÀI LIỆU THAM KHẢO

Tóm tắt

I. Tổng Quan Về Xác Thực Khuôn Mặt Từ Camera Di Động

Xác thực khuôn mặt từ camera di động đang trở thành một xu hướng quan trọng trong việc bảo mật đăng nhập phần mềm. Công nghệ này không chỉ giúp tăng cường tính bảo mật mà còn mang lại sự tiện lợi cho người dùng. Việc sử dụng công nghệ nhận diện khuôn mặt giúp giảm thiểu rủi ro từ việc sử dụng mật khẩu truyền thống. Theo nghiên cứu, xác thực khuôn mặt có thể đạt độ chính xác cao, giúp người dùng dễ dàng truy cập vào các ứng dụng mà không cần nhập mật khẩu.

1.1. Khái Niệm Về Xác Thực Khuôn Mặt

Xác thực khuôn mặt là quá trình nhận diện một cá nhân thông qua các đặc điểm khuôn mặt. Công nghệ này sử dụng các thuật toán máy học để phân tích và so sánh hình ảnh khuôn mặt với dữ liệu đã lưu trữ. Điều này giúp xác minh danh tính một cách nhanh chóng và chính xác.

1.2. Lợi Ích Của Việc Sử Dụng Camera Di Động

Việc sử dụng camera di động trong xác thực khuôn mặt mang lại nhiều lợi ích. Đầu tiên, nó giúp người dùng dễ dàng truy cập vào phần mềm mà không cần nhớ mật khẩu. Thứ hai, công nghệ này có thể hoạt động trong thời gian thực, giúp tăng cường tính bảo mật và giảm thiểu rủi ro từ việc lộ mật khẩu.

II. Thách Thức Trong Việc Xác Thực Khuôn Mặt

Mặc dù xác thực khuôn mặt từ camera di động mang lại nhiều lợi ích, nhưng cũng tồn tại một số thách thức. Các vấn đề như ánh sáng không đủ, góc nhìn không chính xác có thể ảnh hưởng đến độ chính xác của hệ thống. Ngoài ra, việc bảo mật dữ liệu khuôn mặt cũng là một vấn đề cần được quan tâm. Theo một nghiên cứu, việc bảo mật thông tin cá nhân trong quá trình xác thực là rất quan trọng để tránh các rủi ro về an ninh mạng.

2.1. Vấn Đề Về Độ Chính Xác

Độ chính xác của hệ thống xác thực khuôn mặt có thể bị ảnh hưởng bởi nhiều yếu tố như ánh sáng, góc nhìn và chất lượng hình ảnh. Những yếu tố này có thể dẫn đến việc nhận diện sai hoặc không nhận diện được khuôn mặt.

2.2. Bảo Mật Dữ Liệu Khuôn Mặt

Bảo mật dữ liệu khuôn mặt là một thách thức lớn trong việc triển khai công nghệ này. Việc lưu trữ và xử lý dữ liệu khuôn mặt cần phải tuân thủ các quy định về bảo mật thông tin cá nhân để tránh rủi ro bị lộ thông tin.

III. Phương Pháp Xác Thực Khuôn Mặt Hiệu Quả

Để đảm bảo tính hiệu quả trong việc xác thực khuôn mặt, nhiều phương pháp và công nghệ đã được phát triển. Các thuật toán như ArcFace và RetinaFace đã chứng minh được khả năng nhận diện chính xác cao. Việc áp dụng công nghệ AI trong nhận diện khuôn mặt giúp cải thiện đáng kể độ chính xác và tốc độ xử lý. Nghiên cứu cho thấy, việc sử dụng các mô hình học sâu có thể đạt được độ chính xác lên đến 99%.

3.1. Công Nghệ ArcFace

ArcFace là một trong những công nghệ tiên tiến nhất trong lĩnh vực nhận diện khuôn mặt. Nó sử dụng các mạng nơron sâu để tối ưu hóa việc nhận diện, giúp tăng cường độ chính xác và giảm thiểu sai sót trong quá trình xác thực.

3.2. Công Nghệ RetinaFace

RetinaFace là một công nghệ nhận diện khuôn mặt khác, nổi bật với khả năng phát hiện khuôn mặt trong các điều kiện khó khăn. Công nghệ này sử dụng các thuật toán học sâu để cải thiện độ chính xác và tốc độ nhận diện.

IV. Ứng Dụng Thực Tiễn Của Xác Thực Khuôn Mặt

Xác thực khuôn mặt từ camera di động đã được ứng dụng rộng rãi trong nhiều lĩnh vực. Từ việc bảo mật đăng nhập vào phần mềm cho đến việc quản lý điểm danh trong các trường học, công nghệ này đang chứng minh được giá trị của mình. Theo một nghiên cứu, việc áp dụng xác thực khuôn mặt trong quản lý điểm danh giúp tiết kiệm thời gian và tăng cường tính chính xác trong việc ghi nhận thông tin.

4.1. Ứng Dụng Trong Quản Lý Điểm Danh

Công nghệ xác thực khuôn mặt được sử dụng để quản lý điểm danh trong các trường học. Việc này giúp tiết kiệm thời gian và tăng cường tính chính xác trong việc ghi nhận thông tin học sinh.

4.2. Ứng Dụng Trong Bảo Mật Phần Mềm

Xác thực khuôn mặt cũng được áp dụng trong việc bảo mật đăng nhập vào các phần mềm. Điều này giúp người dùng dễ dàng truy cập mà không cần nhớ mật khẩu, đồng thời tăng cường tính bảo mật cho hệ thống.

V. Kết Luận Về Tương Lai Của Xác Thực Khuôn Mặt

Tương lai của xác thực khuôn mặt từ camera di động hứa hẹn sẽ tiếp tục phát triển mạnh mẽ. Với sự tiến bộ của công nghệ AI và các thuật toán học sâu, độ chính xác và tính bảo mật của hệ thống sẽ ngày càng được cải thiện. Nghiên cứu cho thấy, việc áp dụng công nghệ này trong các lĩnh vực khác nhau sẽ mang lại nhiều lợi ích cho người dùng và xã hội.

5.1. Xu Hướng Phát Triển Công Nghệ

Công nghệ xác thực khuôn mặt sẽ tiếp tục phát triển với sự hỗ trợ của AI và các thuật toán học sâu. Điều này sẽ giúp cải thiện độ chính xác và tính bảo mật của hệ thống.

5.2. Tác Động Đến Xã Hội

Việc áp dụng xác thực khuôn mặt trong các lĩnh vực khác nhau sẽ mang lại nhiều lợi ích cho người dùng và xã hội. Công nghệ này không chỉ giúp tăng cường bảo mật mà còn tạo ra sự tiện lợi trong cuộc sống hàng ngày.

Nội dung chính

Tổng quan nghiên cứu

Trong bối cảnh cuộc cách mạng công nghiệp 4.0, việc ứng dụng công nghệ thông tin và trí tuệ nhân tạo (AI) ngày càng trở nên phổ biến và thiết yếu trong nhiều lĩnh vực. Theo ước tính, hơn 7 tỷ người trên thế giới đều có đặc điểm sinh trắc học riêng biệt, trong đó nhận diện khuôn mặt là một trong những phương pháp xác thực sinh trắc học được ứng dụng rộng rãi nhất. Việc xác thực khuôn mặt qua camera thiết bị di động không chỉ giúp nâng cao tính bảo mật mà còn tạo thuận tiện trong các quy trình đăng nhập phần mềm, đặc biệt trong bối cảnh nhu cầu bảo mật và trải nghiệm người dùng ngày càng tăng cao.

Luận văn tập trung nghiên cứu và phát triển giải pháp xác thực khuôn mặt từ camera thiết bị di động, ứng dụng trong quá trình đăng nhập vào phần mềm. Mục tiêu cụ thể là xây dựng mô hình nhận diện khuôn mặt có độ chính xác cao (trên 90%), tích hợp API nhận diện khuôn mặt vào phần mềm thực tế, đồng thời đánh giá hiệu quả và mức độ bảo mật so với các phương pháp đăng nhập truyền thống. Phạm vi nghiên cứu bao gồm dữ liệu thu thập từ nhiều nguồn, trong đó có bộ dữ liệu khuôn mặt người nổi tiếng tại Việt Nam và dữ liệu tự xây dựng từ webcam với 10 người khác nhau, mỗi người có 3 ảnh ở các góc nhìn khác nhau. Nghiên cứu được thực hiện trong năm 2023 tại Đồng Nai, Việt Nam.

Ý nghĩa của nghiên cứu thể hiện qua việc góp phần nâng cao trải nghiệm người dùng trong các hệ thống phần mềm, giảm thiểu rủi ro bảo mật do việc ghi nhớ mật khẩu, đồng thời thúc đẩy ứng dụng công nghệ sinh trắc học trong thực tiễn, phù hợp với chiến lược chuyển đổi số quốc gia.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Luận văn dựa trên các lý thuyết và mô hình học máy hiện đại trong lĩnh vực nhận diện khuôn mặt, bao gồm:

• Mô hình ArcFace: Sử dụng hàm mất mát Additive Angular Margin để tăng cường khả năng phân biệt giữa các lớp khuôn mặt khác nhau, giúp cải thiện độ chính xác nhận diện. ArcFace đạt độ chính xác trên 99% trên các bộ dữ liệu chuẩn như LFW, CFP-FP và AgeDB-30.

• Thuật toán RetinaFace: Thuật toán phát hiện khuôn mặt đa cấp độ, kết hợp phát hiện khuôn mặt, căn chỉnh 2D và tái tạo 3D từ một khung hình duy nhất, giúp tăng độ chính xác và khả năng nhận diện trong điều kiện thực tế đa dạng.

• Mạng ResNet (Residual Network): Mạng CNN sâu với kỹ thuật skip connection giúp khắc phục hiện tượng vanishing gradient, cho phép huấn luyện các mô hình sâu hơn với hiệu quả cao. ResNet-34 được sử dụng để trích xuất vector đặc trưng 512 chiều từ ảnh khuôn mặt.

• Thuật toán k-NN (K-nearest neighbor): Thuật toán phân loại dựa trên khoảng cách Euclidean giữa vector đặc trưng của khuôn mặt mới và các vector trong cơ sở dữ liệu, đơn giản, hiệu quả và phù hợp với tập dữ liệu nhỏ.

Các khái niệm chính bao gồm: embeddings vector, khoảng cách cosine, hàm mất mát softmax và additive angular margin, kỹ thuật batch normalization, và các phương pháp đo khoảng cách Euclidean, Manhattan, Minkowski.

Phương pháp nghiên cứu

Nguồn dữ liệu nghiên cứu bao gồm:

• Bộ dữ liệu khuôn mặt người nổi tiếng tại Việt Nam thu thập từ Wikipedia.
• Bộ dữ liệu tự xây dựng gồm 10 người, mỗi người 3 ảnh (nhìn thẳng, nghiêng trái, nghiêng phải) thu thập qua webcam.

Phương pháp phân tích:

• Tiền xử lý ảnh: chuẩn hóa kích thước ảnh về 182x182 pixel, chuẩn hóa dữ liệu đầu vào.
• Huấn luyện mô hình nhận diện khuôn mặt sử dụng ResNet-34 trên nền tảng TensorFlow và Keras.
• Trích xuất vector đặc trưng 512 chiều cho mỗi ảnh khuôn mặt.
• Áp dụng thuật toán k-NN với khoảng cách Euclidean để phân loại và xác định danh tính người dùng.
• Xây dựng API tích hợp nhận diện khuôn mặt vào phần mềm thực tế.
• Thử nghiệm và đánh giá độ chính xác, bảo mật của hệ thống.

Timeline nghiên cứu kéo dài trong năm 2023, bao gồm các giai đoạn: thu thập dữ liệu, xây dựng mô hình, huấn luyện, phát triển ứng dụng, thử nghiệm và đánh giá.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

1. Độ chính xác mô hình nhận diện khuôn mặt: Mô hình ArcFace kết hợp với ResNet-34 đạt độ chính xác trên 90% trong việc nhận diện khuôn mặt trên bộ dữ liệu thử nghiệm, tương đương hoặc vượt trội so với các phương pháp truyền thống như softmax loss (khoảng 99,5% trên bộ dữ liệu LFW).

2. Hiệu quả phát hiện khuôn mặt bằng RetinaFace: Thuật toán RetinaFace cho kết quả phát hiện khuôn mặt với độ chính xác trung bình cao hơn MTCNN, đặc biệt trong các điều kiện ánh sáng và góc chụp khác nhau, giúp cải thiện chất lượng dữ liệu đầu vào cho mô hình nhận diện.

3. Tính khả thi của thuật toán k-NN trong phân loại: Thuật toán k-NN với khoảng cách Euclidean cho phép phân loại chính xác khuôn mặt người dùng dựa trên vector đặc trưng, xử lý nhanh và phù hợp với tập dữ liệu nhỏ (30 ảnh cho 10 người).

4. Ứng dụng thực tế trong đăng nhập phần mềm: Việc tích hợp API nhận diện khuôn mặt vào phần mềm giúp giảm thiểu việc nhập mật khẩu thủ công, tăng trải nghiệm người dùng, đặc biệt hữu ích với người dùng lớn tuổi hoặc trong môi trường cần bảo mật cao.

Thảo luận kết quả

Nguyên nhân của độ chính xác cao đến từ việc sử dụng hàm mất mát Additive Angular Margin trong ArcFace, giúp tăng cường sự phân biệt giữa các lớp khuôn mặt khác nhau trên hypersphere. So sánh với các nghiên cứu trước đây, kết quả này phù hợp với các báo cáo quốc tế về hiệu quả của ArcFace và RetinaFace trong nhận diện khuôn mặt.

Việc sử dụng ResNet-34 giúp khắc phục hiện tượng vanishing gradient, đảm bảo mô hình học sâu có thể được huấn luyện hiệu quả trên tập dữ liệu đa dạng. Thuật toán k-NN tuy đơn giản nhưng phù hợp với quy mô dữ liệu nhỏ và cho phép phân loại nhanh chóng, giảm thiểu chi phí tính toán.

Kết quả thử nghiệm cũng cho thấy ứng dụng nhận diện khuôn mặt qua camera thiết bị di động có thể áp dụng hiệu quả trong các hệ thống đăng nhập phần mềm, góp phần nâng cao bảo mật và tiện lợi cho người dùng. Biểu đồ so sánh độ chính xác giữa các mô hình và bảng kết quả thử nghiệm minh họa rõ ràng sự vượt trội của giải pháp đề xuất.

Tuy nhiên, một số hạn chế như chưa phát triển tính năng mở rộng (phát hiện cử chỉ, điểm danh tự động), giới hạn thời gian thuê server GPU ảnh hưởng đến quá trình huấn luyện, và chưa xử lý triệt để việc xóa dữ liệu khuôn mặt cũ vẫn cần được khắc phục trong các nghiên cứu tiếp theo.

Đề xuất và khuyến nghị

1. Mở rộng tính năng nhận diện: Phát triển thêm các tính năng như phát hiện cử chỉ, điểm danh tự động bằng khuôn mặt để tăng tính ứng dụng trong các môi trường làm việc và giáo dục. Thời gian thực hiện dự kiến 6-12 tháng, do nhóm phát triển phần mềm đảm nhiệm.

2. Tăng cường hạ tầng tính toán: Đầu tư thuê hoặc xây dựng server GPU chuyên dụng để nâng cao hiệu quả huấn luyện mô hình, đảm bảo mô hình đạt độ chính xác tối ưu trên 95%. Thời gian thực hiện 3-6 tháng, do phòng công nghệ thông tin quản lý.

3. Cải tiến quản lý dữ liệu khuôn mặt: Xây dựng cơ chế tự động xóa hoặc cập nhật dữ liệu khuôn mặt khi người dùng thay đổi tài khoản, đảm bảo tính bảo mật và chính xác của hệ thống. Thời gian thực hiện 3 tháng, do nhóm phát triển phần mềm phối hợp với bộ phận bảo mật.

4. Đào tạo và nâng cao nhận thức người dùng: Tổ chức các khóa đào tạo, hướng dẫn sử dụng công nghệ nhận diện khuôn mặt cho người dùng cuối, đặc biệt là nhóm người lớn tuổi, nhằm tăng cường sự chấp nhận và hiệu quả sử dụng. Thời gian thực hiện liên tục, do phòng nhân sự và đào tạo đảm nhiệm.

Đối tượng nên tham khảo luận văn

1. Nhà phát triển phần mềm và kỹ sư AI: Có thể áp dụng các mô hình, thuật toán và phương pháp huấn luyện được trình bày để phát triển các ứng dụng nhận diện khuôn mặt trong nhiều lĩnh vực khác nhau.

2. Các tổ chức, doanh nghiệp cần nâng cao bảo mật: Đặc biệt là các đơn vị quản lý nhân sự, tài chính, giáo dục có nhu cầu tích hợp giải pháp đăng nhập an toàn, tiện lợi cho người dùng.

3. Nhà nghiên cứu và sinh viên ngành Công nghệ Thông tin: Tài liệu cung cấp kiến thức chuyên sâu về các thuật toán học sâu, mô hình CNN, và ứng dụng thực tiễn trong lĩnh vực sinh trắc học.

4. Cơ quan quản lý và hoạch định chính sách công nghệ: Tham khảo để xây dựng các chính sách, quy định về ứng dụng công nghệ nhận diện khuôn mặt, đảm bảo an toàn, bảo mật và quyền riêng tư người dùng.

Câu hỏi thường gặp

1. Xác thực khuôn mặt có an toàn hơn mật khẩu truyền thống không?
   Có, xác thực khuôn mặt giảm thiểu rủi ro quên mật khẩu hoặc bị đánh cắp mật khẩu. Ví dụ, trong nghiên cứu, độ chính xác nhận diện trên 90% giúp tăng cường bảo mật so với phương pháp nhập mật khẩu thủ công.

2. Mô hình ArcFace có ưu điểm gì so với các mô hình khác?
   ArcFace sử dụng hàm mất mát Additive Angular Margin giúp tăng khoảng cách giữa các lớp khuôn mặt, nâng cao độ phân biệt và chính xác. Trên bộ dữ liệu LFW, ArcFace đạt 99,5% độ chính xác, vượt trội so với softmax truyền thống.

3. Thuật toán k-NN có phù hợp với các hệ thống lớn không?
   k-NN phù hợp với tập dữ liệu nhỏ đến trung bình do tính toán khoảng cách trực tiếp. Với hệ thống lớn, cần các thuật toán tối ưu hơn hoặc kết hợp với các kỹ thuật giảm chiều dữ liệu.

4. Có thể sử dụng camera điện thoại để thu thập dữ liệu khuôn mặt không?
   Có, nghiên cứu đã sử dụng camera thiết bị di động và webcam máy tính để thu thập dữ liệu, đảm bảo tính linh hoạt và tiện lợi trong ứng dụng thực tế.

5. Làm thế nào để xử lý trường hợp người dùng thay đổi tài khoản hoặc xóa dữ liệu khuôn mặt?
   Hiện tại hệ thống chưa hoàn thiện tính năng này, đề xuất xây dựng cơ chế tự động xóa hoặc cập nhật dữ liệu khuôn mặt để đảm bảo tính chính xác và bảo mật.

Kết luận

• Luận văn đã xây dựng thành công mô hình nhận diện khuôn mặt sử dụng ArcFace và ResNet-34 với độ chính xác trên 90%, phù hợp cho ứng dụng xác thực đăng nhập phần mềm.
• Thuật toán RetinaFace được áp dụng hiệu quả trong phát hiện khuôn mặt, nâng cao chất lượng dữ liệu đầu vào.
• Giải pháp tích hợp API nhận diện khuôn mặt vào phần mềm thực tế giúp cải thiện trải nghiệm người dùng và tăng cường bảo mật.
• Một số hạn chế như giới hạn về hạ tầng GPU và tính năng quản lý dữ liệu khuôn mặt cần được khắc phục trong các nghiên cứu tiếp theo.
• Đề xuất mở rộng tính năng, nâng cấp hạ tầng và đào tạo người dùng để phát huy tối đa hiệu quả ứng dụng.

Next steps: Triển khai các giải pháp đề xuất, mở rộng phạm vi thử nghiệm và hoàn thiện tính năng quản lý dữ liệu khuôn mặt trong vòng 6-12 tháng tới.

Call-to-action: Các nhà phát triển và tổ chức quan tâm có thể áp dụng mô hình và phương pháp nghiên cứu này để nâng cao bảo mật và tiện ích cho hệ thống của mình.

Trích đoạn nội dung tài liệu

MỞ ĐẦU Nhắc tới công nghiệp 4.0 là nhắc tới sự chuyển mình, thay đổi thế giới bằng việc ứng dụng khoa học kỹ thuật công nghệ vào đời sống xã hội. Giúp cho cuộc sống ngày càng hoàn thiện và tốt hơn.0 bùng nổ không những tại các cơ quan tổ chức cá nhân như các công ty, doanh nghiệp,… mà còn bùng nổ trong các cơ quan nhà nước, trong xã hội, đời sống tinh thần của con người. Một trong những quá trình nổi bật nhất đó chính là việc ứng dụng phần mềm, phần cứng được nhúng (robot) nhằm hạn chế sự lao động vất vả của xã hội. Và xã hội hiện đại đã đang và dần chấp nhận điều đó.

Các ứng dụng trong ngành công nghiệp 4.0 bao gồm: Artificial Intelligence (Trí tuệ nhân tạo – AI), Big Data (Dữ liệu lớn), Internet of Things – IoT (vạn vật kết nối), In 3D, Augmented Reality (AR), Cloud computing (Điện toán đám mây), Tự động quy trình robotic (RPA), Data Mining,… Vì việc ứng dụng vào thực tiễn đó, các công nghệ đã tạo nên một hệ sinh thái số (hay còn gọi là chuyển đổi số), để biến đổi những gì không thể thành có thể. Trong những ứng dụng tiêu biểu đó, thì có một nhánh công nghệ, khai phá thông tin dữ liệu, đặc điểm nhận diện từ cơ thể con người, hay còn gọi là sinh trắc học. Sinh trắc học là quá trình chuyển đổi các đặc điểm thể chất và đặc điểm khác của một người được số hóa và thu thập bởi các dữ liệu điện tử. Sinh trắc học cũng là những dấu hiệu duy nhất để xác định một người, bằng chứng là mặc dù trên thế giới có hơn 7 tỷ người nhưng dấu vân tay hoặc đặc điểm nhận diện của mỗi người đều không giống nhau.

Mặc dù công nghệ xác thực sinh trắc học đã xuất hiện từ lâu nhưng nó chủ yếu được áp dụng ở cấp chính phủ, các lĩnh vực an ninh quốc phòng. Ngày nay, trước sự phát triển của công nghệ thông tin và ứng dụng vào đời sống, công nghệ xác thực sinh trắc học đã có những bước tiến vượt bậc, vượt qua các rào cản để tạo nên độ chính xác cao trong giải pháp xác thực. 2 Trong số các phương pháp nhận dạng xác thực sinh trắc học như móng mắt, dấu vân tay, khuôn mặt… thì nhận dạng khuôn mặt cực kỳ thành công khi được ứng dụng trong nhiều lĩnh vực. Khi cả thế giới đang đối mặt với đại dịch Covid- 19, nhận dạng khuôn mặt là một công cụ đắc lực trong hệ thống giám sát & quản lý.

Với nguyên lý không cần chạm và hạn chế tiếp xúc gần được khuyến nghị vào thời điểm mà covid-19 vẫn là một vấn đề sức khỏe toàn cầu mà người dân đang phải đối mặt. Chính vì sự quan trọng của việc nhận diện khuôn mặt nói riêng, cũng như sinh trắc học nói chung. Tôi đã nghiên cứu và hình thành nên luận văn “Xác thực khuôn mặt từ camera thiết bị di động và ứng dụng trong quá trình login vào phần mềm”. Mục tiêu chính trong quá trình nghiên cứu này chính là tìm hiểu, phân tích các công nghệ, các thuật toán nhận diện khuôn mặt giúp xác minh đối tượng (user) để áp dụng vào quá trình đăng nhập phần mềm.1 Khái niệm và tổng quan liên quan đến sinh trắc học 1.1 Khái niệm Sinh trắc học là những nghiên cứu và ứng dụng các phương pháp khoa học từ việc mô hình hóa lại các đặc điểm nhận diện trên cơ thể con người bằng các dữ liệu được số hóa bởi máy vi tính.

Bản thân cá thể con người chính là những phương tiện nhận diện xác thực hữu hiệu nhất, thay vì phải sử dụng mật khẩu truyền thống.2 Các loại sinh trắc học phổ biến Nhận diện bằng vân tay: Đây là loại xác thực sinh trắc học phổ biến nhất hiện nay. Ta có thể sử dụng vân tay để mở khóa điện thoại, mở khóa cửa, mở khóa xe… Cảm biến vân tay được tích hợp lên thiết bị sẽ quét hình ảnh ngón tay và nhập liệu vào hệ thống xử lý. Hệ thống này chuyển đổi dữ liệu nhận được thành dạng kỹ thuật số và sau đó so sánh các đặc điểm của dấu vân tay đó với dữ liệu được lưu trữ trong hệ thống. Nếu trùng khớp, khóa hoặc lớp bảo mật sẽ được mở khóa.

Nhận diện bằng khuôn mặt: là một ứng dụng máy tính tự động xác định hoặc nhận diện một người từ hình ảnh kỹ thuật số. Để làm được như vậy, ta thực hiện so sánh các đặc điểm khuôn mặt được chọn trước từ dữ liệu đã được lưu trữ. Nhận diện bằng võng mạc hoặc mống mắt: Cơ chế nhận diện mống mắt được thực hiện nhờ thiết bị đặc trưng bằng cách chiếu các tia có bước sóng khả kiến hoặc tia hồng ngoại gần vào mắt người. Mục đích của chùm tia đặc biệt này là giúp xác định chính xác vị trí từng bộ phận của mắt (lông mi, mí mắt, đồng tử, …) và cấu tạo chi tiết của cấu trúc mống mắt.

Nếu các đặc điểm này trùng khớp với dữ liệu đã lưu trữ trong hệ thống thì khóa sẽ được mở. 4 Tại luận văn này, tôi xin trình bày sâu về sinh trắc học sử dụng phương pháp nhận diện khuôn mặt. Bằng cách áp dụng các dữ liệu đã được thu thập và đào tạo trước, tiến hành thực hiện tính toán. Sau đó, toàn bộ dữ liệu thu thập được sẽ được chuyển đến thiết bị lưu trữ để kiểm tra các thông số phù hợp.

Các thông tin này sẽ được mã hóa bằng thuật toán máy học và cho phép đưa ra kết quả nhận dạng chính xác. Nếu đúng, khóa sẽ được mở.2 Tổng quan các công trình liên quan trong và ngoài nước 1.1 Đề tài trong nước Kể từ khi Thủ tướng ban hành Quyết định số 749/QĐ-TTg về việc phê duyệt “Chương trình chuyển đổi số quốc gia đến năm 2025, tầm nhìn đến năm 2030. Với mục tiêu biến nước ta trở thành quốc gia số, ổn định và thịnh vượng. Quyết định này cũng đặt ra thách thức cho tất cả các cá nhân, tổ chức trên toàn quốc luôn luôn phải thay đổi, cải cách, ứng dụng các nghiệp vụ chuyển đổi số công nghệ thông tin, luôn tiên phong trong việc thử nghiệm công nghệ và mô hình mới với mục tiêu phát triển môi trường số an toàn, nhân văn trải rộng trên toàn quốc.

Tiếp theo sự khuyến khích của quốc gia đó, các doanh nghiệp, các tổ chức đã đẩy mạnh phong trào Công nghệ thông tin, từ những phần mềm giải quyết các nghiệp vụ cơ bản theo yêu cầu của người dùng cho đến những đề tài mang tính phức tạp cao, ứng dụng công nghệ AI, Bigdata, blockchain… vào hệ thống, nhằm đẩy mạnh công cuộc đổi mới đất nước. Trong việc nghiên cứu và ứng dụng công nghệ thông tin vào công cuộc chuyển đổi số, hiện có một số chương trình, một số đề tài sau: Trong công trình [1], tác giả trình bày một phương pháp phát hiện và nhận diện khuôn mặt người cho sinh viên có đầu vào là hình ảnh thu thập từ camera. Để giải quyết vấn đề này cần giải quyết 2 bài toán chính là nhận diện khuôn mặt và điểm danh thông qua nhận diện khuôn mặt, đồng thời kết nối với hệ thống 5 thông tin để cập nhật dữ liệu chấm công, xuất báo cáo thống kê. Tác giả sử dụng đặc trưng Haarlike kết hợp với các mô hình máy học, ngoài ra tác giả cũng sử dụng thêm công cụ Integral Image để giúp cho việc rút trích các đặc trưng nhanh hơn.

Trong công trình [2], tác giả trình bày tổng quan về bài toán quản lý và điểm danh học viên. Bài toán nêu rõ input và output cũng như ứng dụng trong thực tế bằng việc nghiên cứu và tìm hiểu về các thuật toán phát hiện và nhận dạng khuôn mặt sau đó trình bày thực nghiệm và ứng dụng chương trình điểm danh dựa trên nhận dạng khuôn mặt. Trong công trình [3], tác giả trình bày về nhận dạng khuôn mặt dựa trên phương pháp Viola Jones Face Detection, trích chọn đặc trưng bằng bộ mô tả cục bộ Weber, phân tích thành phần chính bằng phân loại PCA và SVM và xây dựng chương trình thử nghiệm để đánh giá kết quả sử dụng các phương pháp trên để nhận dạng. Trong công trình [4], tác giả tổng quan về xử lý ảnh.

Trong đó tác giả đã tìm hiểu chi tiết mô hình CNN và cho bài toán nhận dạng khuôn mặt. Vận dụng các thuật toán để xây dựng tập dữ liệu huấn luyện và kiểm tra. Cuối cùng là xây dựng hệ thống nhận dạng khuôn mặt trên mô hình trên thiết bị phần cứng và nền tảng lưu trữ đám mây.2 Đề tài ngoài nước Trên thế giới có rất nhiều công trình nghiên cứu về nhận diện khuôn mặt, các công trình nổi bật được tóm tắt như sau: - Trong công trình [5] tác giả chỉ ra thách thức chính của nhận diện khuôn mặt là phát triển các tính năng hiệu quả để giảm các biến thể nội bộ trong khi mở rộng sự khác biệt giữa các biến thể khác. Trong bài báo này, chỉ ra rằng nó có thể được giải quyết tốt với học sâu và sử dụng cả tín hiệu xác minh và nhận diện khuôn mặt làm giám sát.

Các tính năng xác minh nhận diện sâu (DeepID2) được 6 học với các mạng phức hợp sâu được thiết kế cẩn thận. Nhiệm vụ nhận diện khuôn mặt làm tăng các biến thể giữa các cá nhân bằng cách rút DeepID2 được trích xuất từ các danh tính khác nhau, trong khi nhiệm vụ xác minh khuôn mặt làm giảm các biến thể nội bộ cá nhân bằng cách kéo DeepID2 được trích xuất từ cùng một danh tính lại với nhau, cả hai đều cần thiết để nhận diện khuôn mặt. Các tính năng DeepID2 đã học có thể được tổng quát hóa thành các đặc điểm nhận diện mới chưa thấy trong dữ liệu đào tạo. Trên tập dữ liệu LFW, độ chính xác xác minh khuôn mặt đạt được là 99,15%.

So với kết quả học sâu tốt nhất trên LFW, tỷ lệ lỗi đã giảm đáng kể 67%. - Trong công trình [6], tác giả trình bày một hệ thống, được gọi là FaceNet, trực tiếp học cách ánh xạ từ hình ảnh khuôn mặt đến một không gian Euclid nhỏ gọn trong đó các khoảng cách tương ứng trực tiếp với độ tương đồng về độ lệch đo. Khi không gian này đã được tạo ra, các tác vụ như nhận diện khuôn mặt, xác minh và phân cụm có thể dễ dàng thực hiện bằng cách sử dụng các kỹ thuật tiêu chuẩn với các vector tiêu chuẩn nhúng FaceNet. Phương pháp này sử dụng một mạng tích hợp sâu được đào tạo để trực tiếp tối ưu hóa chính việc nhúng, thay vì một lớp nút cổ chai trung gian như trong các phương pháp học sâu trước đây.