Đồ án tốt nghiệp cử nhân xây dựng hệ thống bảo mật ứng dụng nhận diện khuôn mặt cho phòng thí nghiệm

Đồ án tốt nghiệp cử nhân xây dựng hệ thống bảo mật ứng dụng nhận diện khuôn mặt cho phòng thí nghiệm, đảm bảo an ninh và hiệu quả.

• Người hướng dẫn: PGS. Nguyễn Tiến Hòa
• Trường học: Đại học Bách Khoa Hà Nội
• Chuyên ngành: Điện tử - Viễn thông
• Đề tài: Xây dựng hệ thống bảo mật ứng dụng nhận diện khuôn mặt cho phòng thí nghiệm
• Loại tài liệu: Đồ án tốt nghiệp
• Năm xuất bản: 2019
• Địa điểm: Hà Nội

Tóm tắt

I. Tổng quan về hệ thống bảo mật nhận diện khuôn mặt

Hệ thống bảo mật nhận diện khuôn mặt đã trở thành một giải pháp hiện đại trong quản lý và kiểm soát truy cập tại các cơ sở nghiên cứu. Công nghệ này kết hợp xử lý ảnh, thị giác máy tính và học máy để tự động nhận dạng và xác minh danh tính của nhân viên. Đặc biệt, ứng dụng nhận diện khuôn mặt cho phòng thí nghiệm giúp tăng cường an ninh, an toàn và hiệu quả quản lý. Hệ thống này sử dụng camera giám sát kết hợp với cơ sở dữ liệu khuôn mặt để phát hiện người lạ và ghi nhận lịch sử truy cập. Với sự phát triển của trí tuệ nhân tạo và deep learning, các hệ thống bảo mật này ngày càng trở nên chính xác và tin cậy hơn.

1.1. Định nghĩa và ứng dụng của nhận diện khuôn mặt

Nhận diện khuôn mặt là quá trình sử dụng thuật toán học máy để phân tích các đặc trưng sinh học của khuôn mặt. Ứng dụng trong phòng thí nghiệm giúp xác định chính xác người vào ra, cảnh báo khi có người không được phép, và duy trì nhật ký truy cập chi tiết. Công nghệ này áp dụng mô hình YOLOv5 để phát hiện và phân loại khuôn mặt trong thời gian thực.

1.2. Tầm quan trọng của an ninh tại cơ sở nghiên cứu

Bảo mật phòng thí nghiệm là yếu tố crtical để bảo vệ dữ liệu, thiết bị và nhân sự. Hệ thống nhận diện khuôn mặt cung cấp giải pháp tự động, không cần can thiệp thủ công, giảm sai sót và tăng tính minh bạch. Đây là lợi thế vượt trội so với các phương pháp kiểm soát truyền thống.

II. Cơ sở lý thuyết công nghệ nhận diện khuôn mặt

Nền tảng công nghệ nhận diện khuôn mặt dựa trên ba thành phần chính: mạng nơ-ron nhân tạo, học máy có giám sát và xử lý ảnh kỹ thuật số. Mô hình YOLOv5 được sử dụng rộng rãi vì khả năng phát hiện đối tượng nhanh và chính xác. Các thuật toán deep learning cho phép hệ thống học từ hàng triệu ảnh để cải thiện độ chính xác. Bounding box được sử dụng để xác định vị trí khuôn mặt trong ảnh. Cơ sở dữ liệu sinh trắc học lưu trữ các đặc trưng khuôn mặt của mỗi cá nhân, cho phép so khớp và xác định danh tính trong thời gian thực.

2.1. Mạng nơ ron nhân tạo và deep learning

Mạng nơ-ron nhân tạo mô phỏng hoạt động của não bộ con người với hàng triệu nơ-ron được kết nối. Deep learning sử dụng nhiều lớp nơ-ron để trích xuất các đặc trưng phức tạp từ ảnh. Quá trình huấn luyện mô hình với tập dữ liệu lớn giúp hệ thống nhận diện chính xác các biến thể khuôn mặt khác nhau.

2.2. Mô hình YOLOv5 trong phát hiện khuôn mặt

YOLOv5 (You Only Look Once v5) là mô hình xử lý ảnh tiên tiến cho phát hiện đối tượng thời gian thực. Ưu điểm chính là tốc độ xử lý cao, độ chính xác cao và tiêu thụ tài nguyên thấp. Mô hình này đặc biệt phù hợp cho ứng dụng giám sát tại các phòng thí nghiệm, đạt hiệu quả tối ưu.

III. Quá trình xây dựng hệ thống bảo mật

Xây dựng hệ thống bảo mật nhận diện khuôn mặt tuân theo quy trình khoa học gồm 4 giai đoạn chính. Đầu tiên là thu thập và gán nhãn dữ liệu từ camera giám sát và cơ sở dữ liệu sinh viên. Thứ hai, tiền xử lý dữ liệu bao gồm chuẩn hóa ảnh, tăng cường dữ liệu để cải thiện độ mạnh mẽ. Thứ ba, huấn luyện mô hình YOLOv5 với tập dữ liệu được gán nhãn để tối ưu hóa trọng số. Cuối cùng là triển khai ứng dụng với giao diện quản lý, cho phép giám sát thời gian thực và lưu trữ lịch sử truy cập chi tiết.

3.1. Thu thập và chuẩn bị tập dữ liệu

Tập dữ liệu được thu thập từ camera giám sát phòng thí nghiệm trong điều kiện ánh sáng và góc độ khác nhau. Mỗi ảnh được gán nhãn thủ công với tọa độ bounding box xác định vị trí khuôn mặt. Tăng cường dữ liệu thông qua xoay vòng, thay đổi sáng độ, lật ảnh để tạo tập dữ liệu đồng đều và toàn diện.

3.2. Huấn luyện và đánh giá mô hình

Huấn luyện mô hình sử dụng thuật toán tối ưu hóa để giảm thiểu lỗi dự đoán trên tập dữ liệu huấn luyện. Tham số IOU (Intersection over Union) được sử dụng để đánh giá độ chính xác phát hiện. Kiểm tra chéo với tập dữ liệu kiểm tra đảm bảo mô hình không overfitting và có khả năng tổng quát hóa tốt.

IV. Triển khai và đánh giá kết quả thực nghiệm

Triển khai hệ thống bảo mật cho phòng thí nghiệm bao gồm xây dựng giao diện ứng dụng cho quản lý người dùng và giám sát truy cập. Ứng dụng cho phép đăng nhập an toàn cho quản trị viên, xem lịch sử nhận diện khuôn mặt chi tiết, quản lý danh sách nhân viên, và nhận cảnh báo khi có người lạ phát hiện. Giao diện chính hiển thị camera feed thời gian thực với khung xanh/đỏ quanh khuôn mặt đã/chưa nhận diện. Kết quả thực nghiệm cho thấy mô hình đạt độ chính xác cao, giảm 99% sai sót so với kiểm tra thủ công.

4.1. Giao diện ứng dụng quản lý

Giao diện quản lý được thiết kế thân thiện với người dùng, gồm các mục chính: đăng nhập bảo mật, quản lý danh sách sinh viên, xem lịch sử truy cập, nhận diện khuôn mặt trực tiếp. Ứng dụng cho phép thêm/xóa/cập nhật thông tin nhân viên, xuất báo cáo truy cập hàng ngày.

4.2. Kết quả đánh giá hiệu năng hệ thống

Hệ thống đạt tỷ lệ nhận diện chính xác trên 95%, thời gian xử lý dưới 100ms cho mỗi frame. Tham số hiệu suất cho thấy ứng dụng ổn định, xử lý nhanh trong điều kiện ánh sáng normal. Hệ thống sẵn sàng triển khai thực tế tại các phòng thí nghiệm.

Trích đoạn nội dung tài liệu

Chương 1: Tổng quan về đề tài. Trong chương này, em sẽ đưa ra tổng quát về lý do, mục tiêu, đối tượng, phương pháp nghiên cứu của đề tài này, thông quá đó, em sẽ nắm được các nội dung cần phải triển khai trong bài Chương 2: Cơ sở lý thuyết Nội dung chương sẽ nói về các lý thuyết liên quan đến học máy, học sâu, cách tiếp cận và ứng dụng của học máy trong việc nhận diện khuôn mặt. Qua đó em sẽ có được đầy đủ nội dung để đi đến trình bày các chương tiếp theo. Chương 3: Triển khai và thực nghiệm Trong chương này sẽ nói rõ về các bước triển khai xây dựng ứng dụng giám sát phát hiện người ra vào trong phòng thí nghiệm, ứng dụng nhận diện khuôn mặt như nào, các công cụ cần thiết.

Chương 4: Kết quả và đánh giá Phần này triển khai đầy đủ các thang đo đánh giá về chất lượng xây dựng và hoàn thiện của đề tài. Thông qua đó nắm được kết quả đã có trong bài, đồng thời làm nổi bật lên các ý tưởng và nội dung đã có trong bài. 5 CHƯƠNG 2: CƠ SỞ LÝ THUYẾT 2.1 Tổng quan về học máy Hiện nay, học máy (Machine Learning) đã trở thành một xu hướng nổi bật và được ứng dụng rộng rãi trong nhiều lĩnh vực của đời sống và xã hội [7], điển hình như công nghệ nhận diện khuôn mặt, xe tự lái, hệ thống gợi ý mua sắm trên các nền tảng thương mại điện tử như Lazada, Tiki, Amazon, cùng nhiều ứng dụng tiên tiến khác thuộc lĩnh vực Trí tuệ nhân tạo. Học máy hướng đến việc xây dựng các hệ thống hoặc thiết bị có khả năng tự học hỏi mà không cần được lập trình cụ thể cho từng tình huống.

Các hệ thống này sẽ tích lũy kinh nghiệm qua quá trình hoạt động và sử dụng chính những kinh nghiệm đó để cải thiện hiệu quả, mô phỏng cách học tập của con người. Về mặt khái niệm, học máy là một ngành thuộc Khoa học máy tính, đồng thời là một nhánh của Trí tuệ nhân tạo (AI). Mối liên hệ giữa AI, học máy và học sâu được thể hiện trong Hình 2.3: Tổng quan về học máy Arthur Samuel từng định nghĩa vào năm 1959 rằng “Học máy là một lĩnh vực nghiên cứu nhằm cung cấp cho máy tính khả năng học mà không cần được lập trình rõ ràng” [8]. Định nghĩa cụ thể hơn của Tom Mitchell năm 1997 cho rằng: “Một chương trình máy tính được coi là học hỏi từ kinh nghiệm E liên quan đến một 6 nhiệm vụ T và hiệu suất đo lường P, nếu hiệu suất trên T, được đo bằng P, được cải thiện nhờ vào kinh nghiệm E” [9].

Ví dụ, với một hệ thống nhận diện khuôn mặt trong phòng Lab: - E (Experience): Hệ thống được “học” từ các hình ảnh khuôn mặt đã thu thập và gán nhãn sẵn của các thành viên trong Lab. - T (Task): Nhiệm vụ của hệ thống là xác định danh tính của người xuất hiện trong ảnh hoặc qua camera giám sát. - P (Performance): Hiệu suất nhận diện chính xác thành viên Lab, ví dụ đo bằng tỷ lệ nhận diện đúng khuôn mặt trên tập dữ liệu kiểm thử.2 Phân loại máy học Hình 2.4: Phân loại học máy Máy học (Machine Learning – ML) là một khái niệm rộng, trong đó được phân chia thành nhiều nhánh nhỏ, mỗi nhánh đại diện cho một lĩnh vực nghiên cứu riêng biệt. Việc huấn luyện các mô hình học máy để giải quyết các bài toán thực tế thường rất phức tạp, bởi mỗi loại nhiệm vụ sẽ đòi hỏi phương pháp tiếp cận khác nhau.

Để đáp ứng những thách thức đa dạng này, lĩnh vực máy học đã phát triển nhiều phương pháp học khác nhau.2 minh họa cấu trúc tổng thể của ML cùng các phân nhánh chính [32]. Với học có giám sát, các bài toán chủ yếu tập trung vào hồi quy và phân loại. Hồi quy thường dùng để dự đoán các giá trị liên tục như giá cả hoặc số lượng, trong khi phân loại đóng vai trò xác định nhãn cho dữ liệu đầu vào, điển hình là các bài 7 toán nhận diện khuôn mặt hoặc phát hiện thư rác. Đối lập với đó, học không giám sát lại hướng đến việc khám phá cấu trúc tiềm ẩn trong tập dữ liệu không gắn nhãn.

Những ứng dụng nổi bật của nhánh này là phân cụm – giúp nhóm các đối tượng có đặc điểm tương đồng, và giảm chiều – tối ưu hóa hoặc trực quan hóa dữ liệu thông qua việc loại bỏ các đặc trưng không cần thiết. Trong khi đó, học tăng cường đóng vai trò thiết yếu trong các hệ thống tự động ra quyết định, nơi mà mô hình học hỏi dựa trên phản hồi nhận được sau mỗi hành động thông qua quá trình thử và sai. Các phương pháp như lập kế hoạch động, Monte Carlo hay heuristic đều được áp dụng để tối ưu hóa chuỗi hành động trong môi trường phức tạp, điển hình như trong lĩnh vực robot hoặc trò chơi. Đặc biệt, học sâu (Deep Learning) nổi lên như một nhánh mạnh mẽ của Machine Learning, tập trung vào các mô hình mạng nơ-ron sâu với khả năng xử lý các bài toán phức tạp và dữ liệu lớn.

Hai kiến trúc phổ biến là mạng nơ-ron tích chập (CNN), thường được dùng cho xử lý ảnh và nhận diện khuôn mặt, và mạng nơ-ron hồi tiếp (RNN), phù hợp với xử lý chuỗi dữ liệu như văn bản, âm thanh hoặc tín hiệu thời gian.3 giúp làm rõ các hướng tiếp cận chủ đạo trong Machine Learning và mối liên hệ giữa các phương pháp với bài toán thực tế. Đối với bài toán nhận diện khuôn mặt, các mô hình học sâu như CNN thuộc nhóm học có giám sát là sự lựa chọn tối ưu, mang lại hiệu quả nhận diện cao trên dữ liệu ảnh.1 Hồi quy a) Hồi quy tuyến tính Hồi quy (Regression) là một phương pháp thuộc lĩnh vực Học máy, tập trung vào việc xây dựng các mô hình dự đoán giá trị đầu ra liên tục, chẳng hạn như giá thành, số lượng, khối lượng hoặc các đại lượng vô hướng khác. Điểm đặc biệt của hồi quy là giúp xác định mối quan hệ giữa các biến đặc trưng trong dữ liệu và biến mục tiêu mà ta muốn dự đoán. Trong quá trình xây dựng mô hình hồi quy, bộ dữ liệu ban đầu cần phải được gắn nhãn đầy đủ.

Sau đó, dữ liệu này thường được chia thành hai phần: một phần dùng cho quá trình huấn luyện mô hình, phần còn lại sử dụng để kiểm tra, đánh giá chất lượng dự đoán của mô hình. 8 Cụ thể, tập dữ liệu huấn luyện được dùng để xác định hàm số thể hiện mối quan hệ giữa các đặc trưng đầu vào và biến đầu ra mong muốn. Sau khi mô hình được huấn luyện, tập dữ liệu kiểm tra hoặc thẩm định sẽ được sử dụng để đánh giá độ chính xác của mô hình, bằng cách so sánh giá trị dự đoán với giá trị thực tế. Một ví dụ điển hình về bài toán hồi quy là dự đoán giá bán nhà.

Giả sử, với dữ liệu thu thập được từ hơn 20.000 căn nhà tại thành phố Portland, bang Oregon, Mỹ, mỗi căn nhà đều có các thông tin như: diện tích nhà, diện tích đất, số phòng ngủ, số tầng, số nhà vệ sinh, tuổi căn nhà và giá bán (tất cả đã được chuyển đổi về cùng đơn vị đo). Khi đó, nhiệm vụ đặt ra là xây dựng một mô hình hồi quy có thể dự đoán giá bán của một căn nhà bất kỳ dựa trên các đặc trưng còn lại. Đây là một ví dụ thực tiễn cho thấy khả năng ứng dụng của hồi quy trong giải quyết các bài toán dự báo giá trị liên tục trong thực tế. Bảng 2-1: Dữ liệu về thông số và giá nhà trong ví dụ Diện tích Số nhà vệ Diện tích Số phòng Tuổi căn Giá bán (triệu căn nhà sinh/nhà đất(m2) ngủ Số tầng nhà đồng) (m2) tắm 110 525 3 1 1 5 5103 239 673 3 2 3 5 12374 72 929 2 1 1 5 4140 183 465 4 1 3 5 13892 157 751 3 1 2 5 11730 … … … … … … … 9 Hình 2.5: Biểu đồ phân tán hồi quy tuyến tính Tập dữ liệu thu thập được trong bài toán nhận diện khuôn mặt được ký hiệu là {( x( i) , y (i) ) , ∀ i=1, 2 , … , m }.

Trong đó x (i ) là véc-tơ đặc trưng khuôn mặt (face embedding vector) ứng với dữ liệu đầu vào là ảnh khuôn mặt của người thứ i, x ∈ Rn (n là số chiều của véc-tơ đặc trưng), y (i ) là nhãn cho biết ảnh này thuộc người thành cơ sở dữ liệu hay không (có thể là 1 nếu là thành viên có trong cơ sở dữ liệu, 0 nếu không phải), m là số lượng ảnh khuôn mặt thu thập được. Với mỗi đặc trưng. Với mỗi đặc trưng j của x (i ), ta ký hiệu là x (ji ) , ∀ j=1 , 2 , … ,n. Giá trị y là một số nhị phân thuộc tập 0 , 1, véc-tơ đặc trưng khuôn mặt được biểu diễn dưới dạng x (i )={ x (1i ) , x (2i ) , … , x (ni) }.

Nói cách khác, mục đích của mô hình là tìm ra một hàm số f sao cho y=f ( x ), nghĩa là dựa vào đặc trưng khuôn mặt để xác định đúng các thành viên.3, ta thấy rằng mỗi dấu “x” đỏ trên biểu đồ thể hiện một cặp giá trị ( x , y ( i) )ủa 20 căn nhà đầu tiên, cùng với một đường thẳng thể hiện mối quan hệ ( i) 1 tuyến tính giữa x (i) và y (i) – chính là biểu diễn đồ thị của hàm số y (i )=f ( x (1i) ). Mô hình này gọi là hồi quy tuyến tính, trong đó mục tiêu là tìm ra đường thẳng sao cho các điểm dữ liệu thực tế nằm gần nhất với nó, giảm sai số dự đoán đến mức thấp nhất. Tuy nhiên, không phải lúc nào đường thẳng này cũng mô tả được hoàn toàn mối quan hệ giữa các biến, dẫn tới sự xuất hiện của các điểm nằm ngoài đường thẳng, gây ra sai số hoặc phương sai. Thuật toán hồi quy tuyến tính sẽ cố gắng tìm ra hàm số với phương sai nhỏ nhất có thể, trong đó giá trị dự đoán là ^y , và giá trị thực tế y ≈ f ( x )=^y.

Với trường hợp chỉ có một đặc trưng, mô hình này được biểu diễn là 10 f ( x )=θ 0 +θ1 x 1.