Giới thiệu dự án

Công nghệ nhận dạng khuôn mặt (Face Recognition - FR) trong hệ thống giám sát an ninh (CCTV Surveillance) đang là trụ cột quan trọng của các đô thị thông minh (Smart Cities), hệ thống kiểm soát ra vào tại doanh nghiệp và điểm danh tự động trong giáo dục. Theo các báo cáo thị trường thị giác máy tính toàn cầu, nhu cầu triển khai camera giám sát thông minh tăng trưởng với tốc độ CAGR trên 16%, tuy nhiên phần lớn các giải pháp thương mại hiện nay vẫn vận hành như một "hộp đen" (black-box), gây khó khăn cho việc tối ưu hóa tài nguyên tính toán và tùy biến thuật toán theo điều kiện môi trường đặc thù.

+---------------------------------------------------------------------------------------------------+
|                                  HỆ THỐNG GIÁM SÁT THỜI GIAN THỰC                                 |
|                                                                                                   |
|  [ IP Camera / RTSP ] ---> (1. Face Detection)  ---> (2. Face Tracking) ---> (3. Recognition)     |
|         Stream                 YOLO5Face                  DeepSORT                MagFace         |
|                                96.8% mAP              -45% ID Switches          0.90 F1-Score     |
|                                                                                       |           |
|  [ Web Client UI ]    <--- Socket.io Engine     <--- Trích xuất Embedding       <-----+           |
|    Latency: 0.045s             (Realtime)               & Cosine Matching                         |
+---------------------------------------------------------------------------------------------------+

Vấn đề thực tế (Problem Statement)

Các hệ thống nhận diện khuôn mặt truyền thống khi chuyển giao từ môi trường phòng thí nghiệm ra camera giám sát thực tế thường gặp sự suy giảm hiệu năng nghiêm trọng do:

  • Góc quay không cố định và khoảng cách xa: Khuôn mặt người di chuyển thường có kích thước rất nhỏ (dưới $32 \times 32$ pixel, thậm chí chỉ đạt $8 \times 8$ pixel ở khoảng cách 5–8m).
  • Điều kiện chiếu sáng phức tạp: Môi trường ánh sáng yếu, ngược sáng hoặc thay đổi đột ngột giữa các khung giờ trong ngày làm mất các đường nét đặc trưng.
  • Gia tăng độ trễ tính toán: Việc kết hợp tuần tự nhiều mô hình học sâu (Deep Learning) đòi hỏi tài nguyên tính toán lớn (GPU VRAM cao), gây khó khăn khi phải xử lý đồng thời nhiều luồng video thời gian thực (Real-time).
  • Sự sai lệch phân phối dữ liệu (Data Distribution Shift): Các bộ dữ liệu học máy chuẩn (như LFW, CelebA) chụp trực diện, rõ nét, hoàn toàn không tương thích với dữ liệu trích xuất từ camera giám sát góc rộng.

Mục tiêu dự án

  1. Nghiên cứu và đánh giá đa tầng: Phân tích thực nghiệm các kiến trúc tiên tiến nhất trong bài toán phát hiện (Viola-Jones, HOG-SVM, RetinaFace, SCRFD, YOLO5Face) và nhận diện khuôn mặt (FaceNet, CosFace, ArcFace, MagFace).
  2. Xây dựng bộ dữ liệu giám sát chuyên biệt: Thu thập và chuẩn hóa 2 tập dữ liệu thực tế: tập phát hiện khuôn mặt phân tầng theo khoảng cách/ánh sáng và tập nhận diện khuôn mặt thực tế với phân phối đuôi dài (long-tail distribution).
  3. Phát triển công cụ gán nhãn bán tự động: Tích hợp mô hình trích xuất đặc trưng và phân cụm dữ liệu theo không gian - thời gian nhằm tăng tốc độ gán nhãn dữ liệu video.
  4. Thiết kế kiến trúc hệ thống Pipeline tối ưu: Xây dựng hệ thống hoàn chỉnh kết hợp YOLO5Face, DeepSORT và MagFace, đảm bảo cân bằng giữa độ chính xác, bộ nhớ GPU tiêu thụ và tốc độ xử lý thời gian thực.
  5. Triển khai ứng dụng thực tế: Xây dựng giao diện điều khiển đa luồng camera, hỗ trợ giám sát, điểm danh và quản lý cơ sở dữ liệu khuôn mặt tập trung.

Giải pháp và kết quả kỳ vọng

Dự án đề xuất chuỗi xử lý (pipeline) kết hợp: YOLO5Face (phát hiện khuôn mặt và 5 điểm mốc landmarks với hàm Wing Loss) $\rightarrow$ DeepSORT (truy vết, duy trì định danh và giảm hiện tượng nhảy ID) $\rightarrow$ MagFace (trích xuất vector đặc trưng với cơ chế bù trừ chất lượng ảnh). Hệ thống hướng tới xử lý luồng video với độ trễ $\le 0.045$ giây/khung hình (đạt trên 22 FPS), hỗ trợ đồng thời tối thiểu 6 camera trên một máy trạm đơn GPU, đạt độ chính xác phát hiện mAP $> 96%$ và F1-Score nhận diện $> 0.90$.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Phương pháp Loại kiến trúc Độ chính xác tổng thể Ưu điểm cốt lõi Nhược điểm lớn trong giám sát
Viola-Jones (Haar) Bộ phân loại tầng (Cascade) Thấp (35.24% mAP) Tốc độ suy luận CPU cực nhanh Cực kỳ nhạy cảm với ánh sáng, góc nghiêng
HOG + Linear SVM Trích xuất đặc trưng thủ công Thấp (30.68% mAP) Nhẹ, dễ cài đặt trên Dlib Bỏ sót hoàn toàn mặt nhỏ và xa
RetinaFace (ResNet50) Feature Pyramids + DCN Rất cao (88.22% mAP) Đa tác vụ (b-box, landmarks, 3D) Tiêu tốn tài nguyên (1,773 MiB GPU VRAM)
SCRFD (10G_KPS) Sample & Computation Redistribution Cao (88.14% mAP) Tối ưu tốt cho CPU qua ONNX (0.043s) Kém chính xác ở khoảng cách xa (>5m chỉ đạt 16.5%)
YOLO5Face (YOLO5L) CSPNet / ShuffleNet + SPP + FPN Vượt trội (96.80% mAP) Cân bằng hoàn hảo tốc độ, VRAM và mặt nhỏ Cần tinh chỉnh tham số anchor cho từng độ phân giải

Ma trận ưu tiên yêu cầu người dùng (MoSCoW)

  • Must-have: Phát hiện khuôn mặt đa góc nhìn; trích xuất đặc trưng kháng nhiễu chất lượng thấp; truy vết đối tượng đa khung hình; quản trị CSDL nhân sự.
  • Should-have: Tự động gom nhóm khuôn mặt lạ; cảnh báo đối tượng trong danh sách đen; điều chỉnh ngưỡng tương đồng linh hoạt; xuất báo cáo điểm danh.
  • Could-have: Hỗ trợ suy luận trực tiếp trên vi xử lý biên (Edge Device qua ONNX Runtime/TensorRT); tích hợp nhận diện qua RTSP từ camera IP giá rẻ.
  • Won't-have (giai đoạn này): Tái tạo khuôn mặt 3D chi tiết độ phân giải cao; nhận diện cảm xúc hành vi vi mô.

Thiết kế hệ thống

Ngăn xếp công nghệ (Technology Stack)

  • Ngôn ngữ lập trình: Python 3.8.10, C++ (cho các module tối ưu hóa).
  • Deep Learning Frameworks: PyTorch 1.9.0, torchvision 0.10.0, CUDA 11.1, cuDNN 8.2.
  • Thị giác máy tính & Xử lý ảnh: OpenCV 4.5.3, Dlib 19.22, Scikit-image 0.18.2.
  • Suy luận & Tối ưu hóa: ONNX Runtime 1.8.1, ONNX 1.9.0.
  • Giao tiếp mạng & Realtime Backend: Node.js v14.17.0, Socket.io 4.1.2, Flask 2.0.1.
  • Frontend Dashboard: HTML5, CSS3, Bootstrap 5, JavaScript (ES6+).
-- Cấu trúc bảng lưu trữ Metadata và Vector Embedding
CREATE TABLE IF NOT EXISTS identities (
    person_id VARCHAR(64) PRIMARY KEY,
    full_name VARCHAR(128) NOT NULL,
    department VARCHAR(64),
    created_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

CREATE TABLE IF NOT EXISTS face_embeddings (
    embedding_id VARCHAR(64) PRIMARY KEY,
    person_id VARCHAR(64) REFERENCES identities(person_id) ON DELETE CASCADE,
    feature_vector BYTEA NOT NULL, -- 512-dimensional float32 vector
    feature_magnitude FLOAT NOT NULL, -- Giá trị magnitude từ MagFace
    image_uri VARCHAR(255),
    quality_score FLOAT,
    registered_at TIMESTAMP DEFAULT CURRENT_TIMESTAMP
);

Phương pháp luận (Methodology)

Dự án áp dụng mô hình phát triển Agile/Scrum kết hợp quy trình CRISP-DM (Cross-Industry Standard Process for Data Mining) chuyên biệt cho các dự án trí tuệ nhân tạo:

  • Giai đoạn 1 (Tuần 1–4): Khảo sát bài toán, thiết lập hệ thống thu thập luồng RTSP và xây dựng bộ dữ liệu đánh giá thực tế.
  • Giai đoạn 2 (Tuần 5–8): Đánh giá benchmark độc lập các mô hình Face Detection và Face Recognition; phát triển công cụ gán nhãn tự động hóa.
  • Giai đoạn 3 (Tuần 9–12): Tích hợp Pipeline tổng thể YOLO5Face + DeepSORT + MagFace; thiết kế kiến trúc đa luồng (Multi-threading).
  • Giai đoạn 4 (Tuần 13–16): Xây dựng giao diện Web Dashboard, kiểm thử tải đa luồng (Stress test) và đóng gói triển khai.

Implementation và kết quả

Quá trình phát triển và Thuật toán cốt lõi

1. YOLO5Face với Landmark Regression Head và Wing Loss

Mô hình mở rộng cấu trúc YOLOv5 bằng việc bổ sung nhánh hồi quy 5 điểm mốc khuôn mặt (hai mắt, mũi, hai khóe miệng). Đầu ra của mỗi anchor box được mở rộng từ 6 tham số chuẩn $(\text{box}{4}, \text{conf}{1}, \text{cls}{1})$ thành 16 tham số $(\text{box}{4}, \text{conf}{1}, \text{cls}{1}, \text{landmarks}_{10})$. Nhánh landmark sử dụng hàm Wing Loss nhằm tăng độ nhạy đối với các sai số nhỏ:

$$L_{\text{wing}}(y, \hat{y}) = \begin{cases} w \ln\left(1 + \frac{|y - \hat{y}|}{\epsilon}\right) & \text{nếu } |y - \hat{y}| < w \ |y - \hat{y}| - C & \text{ngược lại} \end{cases}$$

Trong đó $w=10$, $\epsilon=2$, và $C = w - w \ln(1 + w/\epsilon)$. Nhờ đó, việc căn chỉnh khuôn mặt (Face Alignment) đạt độ chính xác cao ngay cả khi mặt nghiêng hoặc rung lắc.

2. MagFace: Nhận diện học sâu nhận biết chất lượng ảnh

Khác với ArcFace hay CosFace chuẩn hóa cố định độ dài vector đặc trưng, MagFace tối ưu hóa hàm mất mát bằng cách gắn góc phân chia lớp (angular margin) với độ lớn của vector đặc trưng $|a_i|$:

$$L_{\text{MagFace}} = -\frac{1}{N}\sum_{i=1}^N \ln \frac{e^{s \cdot \cos(\theta_{y_i} + m(|a_i|))}}{e^{s \cdot \cos(\theta_{y_i} + m(|a_i|))} + \sum_{j \neq y_i} e^{s \cdot \cos \theta_j}} + \lambda_g \sum_{i=1}^N g(|a_i|)$$

Hàm $m(|a_i|)$ thiết lập giá trị margin lớn cho các ảnh có chất lượng cao ($|a_i|$ lớn) và margin nhỏ cho ảnh bị mờ/nhiễu ($|a_i|$ nhỏ), đồng thời hàm điều hòa $g(|a_i|)$ kéo các đặc trưng dễ nhận dạng về gần tâm cụm.

import numpy as np
import torch
import torch.nn.functional as F

def extract_and_match(face_crop: np.ndarray, model: torch.nn.Module, registered_embeddings: torch.Tensor, threshold: float = 0.65):
    """
    Tiền xử lý ảnh crop 112x112, trích xuất embedding qua MagFace và tính Cosine Similarity.
    """
    # Chuẩn hóa ảnh: RGB, HWC -> CHW, [-1, 1]
    img = face_crop.astype(np.float32) / 127.5 - 1.0
    tensor = torch.from_numpy(img).permute(2, 0, 1).unsqueeze(0).cuda()
    
    with torch.no_grad():
        embedding = model(tensor) # Output: 512-D
        norm = torch.norm(embedding, p=2, dim=1, keepdim=True)
        normalized_emb = embedding / norm
    
    # Tính Cosine Similarity giữa khuôn mặt hiện tại và toàn bộ CSDL
    # Cosine = (A . B) / (||A|| * ||B||)
    similarities = F.cosine_similarity(normalized_emb, registered_embeddings)
    max_score, best_idx = torch.max(similarities, dim=0)
    
    match_result = {
        "matched": bool(max_score.item() >= threshold),
        "similarity": float(max_score.item()),
        "identity_index": int(best_idx.item()) if max_score.item() >= threshold else -1,
        "feature_magnitude": float(norm.item())
    }
    return match_result

Kiểm thử và Đánh giá thực nghiệm

1. Đánh giá chi tiết các phương pháp phát hiện khuôn mặt

Thử nghiệm trên tập dữ liệu gồm 4,280 ảnh trích xuất từ 20 phút video với 8,496 bounding box, phân loại thành 4 kịch bản: Easy (<2m), Medium (2-5m), Hard (5-8m, mặt <30px), và Dark (thiếu sáng).

Phương pháp Biến thể mAP Tổng thể (%) Tốc độ GPU (s/ảnh) Tốc độ CPU-ONNX (s/ảnh) VRAM GPU (MiB)
Haar Cascade Default (OpenCV) 35.24 -- 0.021 --
HOG-SVM Default (Dlib) 30.68 -- 0.115 --
RetinaFace ResNet-50 88.22 0.038 0.285 1,773
SCRFD 500M_KPS 84.16 0.012 0.043 957
SCRFD 10G_KPS 88.14 0.018 0.092 1,120
YOLO5Face YOLO5N 94.04 0.007 0.065 1,249
YOLO5Face YOLO5S 96.04 0.010 0.098 1,315
YOLO5Face YOLO5M 96.04 0.014 0.180 1,480
YOLO5Face YOLO5L 96.80 0.025 0.320 1,637 
Hiệu năng phát hiện theo khoảng cách và ánh sáng (mAP %):
100% +-----------------------------------------------------------------------+
     |   [Easy: <2m]         [Medium: 2-5m]      [Hard: 5-8m]    [Dark/Low-light]
 80% |   YOLO5S: 96.39%      YOLO5S: 78.40%                                  |
     |   SCRFD:  93.99%      SCRFD:  72.10%                      YOLO5S: 77.10%
 60% |   Retina: 90.49%      Retina: 70.15%      YOLO5S: 54.53%  SCRFD:  62.30%
 40% |                                                           Retina: 60.10%
 20% |                                           SCRFD:  16.50%              |
  0% +-----------------------------------------------------------------------+

2. Đánh giá các phương pháp nhận diện khuôn mặt

Thử nghiệm trên tập dữ liệu thực tế gồm 447 định danh (classes) và 2,487 ảnh (hơn 60% class có mẫu đuôi dài chỉ từ 2–5 ảnh):

Phương pháp Backbone F1-Score Thời gian suy luận (s/ảnh) GPU VRAM (MiB)
FaceNet (Triplet Loss) Inception-ResNet 0.842 0.022 1,450
CosFace (LMCL) ResNet-50 0.884 0.015 1,890
ArcFace ResNet-50 0.891 0.015 1,875
ArcFace ResNet-100 0.895 0.020 2,150
MagFace ResNet-18 0.872 0.011 932
MagFace ResNet-50 0.896 0.013 1,220
MagFace ResNet-100 0.903 0.013 1,410

Kết quả đạt được

  • Tốc độ toàn chu trình (End-to-End Latency): Hệ thống chỉ mất 0.045 giây/khung hình (xấp xỉ 22.2 FPS) khi kết hợp YOLO5Face + DeepSORT + MagFace trên luồng video $1280 \times 720$.
  • Khả năng chịu tải đồng thời: Vận hành ổn định 6 luồng camera IP (RTSP) đồng thời trên 1 card đồ họa chuyên dụng phân khúc tầm trung mà không bị tràn bộ nhớ VRAM hay rớt khung hình (frame drop).
  • Tỷ lệ nhận diện chính xác: Đạt F1-Score $0.903$, giảm thiểu tỷ lệ nhận diện sai (False Acceptance Rate - FAR) xuống dưới $0.5%$ với ngưỡng Cosine $\tau = 0.65$.

Đổi mới và đóng góp

Các cải tiến kỹ thuật nổi bật

  1. Pipeline tích hợp nhận biết chất lượng (Quality-Aware Pipeline): Ứng dụng thành công cơ chế biên góc động dựa trên vector magnitude của MagFace vào camera giám sát. Nhờ đó, hệ thống tự động loại bỏ hoặc hạ trọng số các khung hình khuôn mặt quá mờ do chuyển động nhanh, triệt tiêu hiện tượng nhận diện sai lệch.
  2. Bộ dữ liệu thực tế phân tầng độ khó: Khắc phục hạn chế của các tập dữ liệu mở (vốn chỉ có ảnh tĩnh góc chuẩn), bộ dữ liệu 4,280 ảnh CCTV phân bổ theo 4 mức độ (Easy, Medium, Hard, Dark) cung cấp tiêu chuẩn đo lường chuẩn xác cho bài toán camera an ninh.
  3. Bộ công cụ gán nhãn bán tự động thông minh: Kết hợp mô hình tiền huấn luyện VGG16, khoảng cách Euclid và ràng buộc không gian - thời gian (Temporal Clustering) để tự động gom cụm các khuôn mặt cùng một người trong video, giúp giảm $70%$ thời gian gán nhãn thủ công cho các tập dữ liệu lớn.
  4. Giải pháp phân bổ tài nguyên tối ưu: Chứng minh thực nghiệm việc cấu hình YOLO5Face biến thể Small/Medium kết hợp MagFace ResNet-50 mang lại hiệu suất tương đương các biến thể Heavy (Large/ResNet-100) nhưng giảm hơn $40%$ mức chiếm dụng VRAM.

Ứng dụng thực tế và triển khai

Kịch bản sử dụng thực tế (Real-world Use Cases)

  • Điểm danh sinh viên / Nhân viên văn phòng tự động: Hệ thống đặt tại cửa vào tòa nhà, tự động nhận diện danh tính khi người dùng bước qua cửa với khoảng cách từ 1.5–3m mà không cần dừng lại quẹt thẻ hay chấm vân tay.
  • Kiểm soát an ninh và cảnh báo đối tượng lạ: Tự động đối chiếu luồng khuôn mặt thời gian thực với danh sách nhân sự nội bộ, kích hoạt thông báo tức thì qua Web Dashboard khi phát hiện người không có trong cơ sở dữ liệu.
+---------------------------------------------------------------------------------------------------+
| HƯỚNG DẪN CÀI ĐẶT VÀ TRIỂN KHAI NHANH HỆ THỐNG                                                    |
+---------------------------------------------------------------------------------------------------+
1. Yêu cầu phần cứng tối thiểu:
   - CPU: Intel Core i7 (thế hệ 9 trở lên) hoặc AMD Ryzen 7
   - GPU: NVIDIA GTX 1660 Super (6GB VRAM) hoặc RTX 2060/3060 trở lên
   - RAM: 16GB DDR4 | Lưu trữ: 50GB SSD trống

2. Khởi tạo môi trường:
   $ conda create -n face_surveillance python=3.8 -y
   $ conda activate face_surveillance
   $ pip install torch==1.9.0+cu111 torchvision==0.10.0+cu111 -f https://download.pytorch.org/whl/torch_stable.html
   $ pip install -r requirements.txt (opencv-python, socketio, flask, numpy)

3. Cấu hình luồng RTSP trong file `config/streams.json`:
   {
     "cameras": [
       {"id": "cam_01", "url": "rtsp://admin:pass@192.168.1.100:554/live/ch0"},
       {"id": "cam_02", "url": "rtsp://admin:pass@192.168.1.101:554/live/ch0"}
     ]
   }

4. Chạy hệ thống:
   $ python main_server.py --weights_det weights/yolov5s-face.pt --weights_rec weights/magface_r50.pth
+---------------------------------------------------------------------------------------------------+

Phân tích chi phí - lợi ích (ROI Analysis)

  • Chi phí phần cứng: Đầu tư một máy trạm GPU (~25–30 triệu VNĐ) có thể xử lý đồng thời 6–8 kênh camera thông thường, tiết kiệm $65%$ chi phí so với việc mua sắm các camera AI chuyên dụng tích hợp chip biên đắt đỏ ($10–15$ triệu VNĐ/camera).
  • Hiệu quả vận hành: Giảm thiểu $100%$ thời gian chờ đợi xếp hàng chấm công/điểm danh thủ công; loại bỏ hoàn toàn chi phí bảo trì thẻ từ và thiết bị vân tay.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Khoảng cách xa (>5m): Ở khoảng cách từ 5–8m, kích thước khuôn mặt giảm xuống dưới $25 \times 25$ pixel, độ chính xác phát hiện của mô hình giảm còn $54.53%$.
  • Góc quay nghiêng lớn (>45 độ) hoặc bị che khuất một phần: Các trường hợp đeo khẩu trang y tế dày hoặc cúi đầu sâu làm giảm độ tương đồng Cosine xuống dưới ngưỡng chấp nhận.
  • Phụ thuộc phần cứng GPU: Khi chuyển đổi sang môi trường không có GPU sử dụng định dạng ONNX trên CPU, thời gian xử lý tăng lên đáng kể (khoảng $0.32$s/ảnh với mô hình lớn).

Hướng phát triển tiếp theo

  • Tích hợp mô hình Masked Face Recognition: Bổ sung tập dữ liệu huấn luyện khuôn mặt đeo khẩu trang để tăng độ chính xác trong điều kiện phòng chống dịch bệnh.
  • Ứng dụng kỹ thuật Super-Resolution: Áp dụng mạng tạo sinh siêu phân giải (ESRGAN hoặc GFPGAN) để khôi phục chi tiết cho các vùng khuôn mặt có độ phân giải siêu nhỏ ($< 16 \times 16$ px) trước khi đưa vào module nhận diện.
  • Tối ưu hóa biên với TensorRT / INT8 Quantization: Lượng tử hóa mô hình nhằm triển khai trực tiếp trên các thiết bị nhúng hiệu năng cao như NVIDIA Jetson Xavier / Orin Nano.

Đối tượng hưởng lợi

  • Sinh viên & Học viên chuyên ngành Trí tuệ nhân tạo: Nguồn tài liệu thực tế toàn diện về quy trình ghép nối Pipeline đa mô hình (Detection $\rightarrow$ Tracking $\rightarrow$ Recognition) và cách thức đánh giá khách quan trên bộ dữ liệu thực tế.
  • Kỹ sư phần mềm & Lập trình viên Computer Vision: Cung cấp mẫu thiết kế (design pattern) tối ưu cho việc xử lý video streaming thời gian thực đa kênh kết hợp WebSocket/Socket.io.
  • Doanh nghiệp & Đơn vị quản lý cơ sở hạ tầng: Giải pháp mở, loại bỏ rủi ro phụ thuộc nhà cung cấp (vendor lock-in), tận dụng tối đa hạ tầng camera IP có sẵn để tiết kiệm chi phí đầu tư.
  • Nhà nghiên cứu học máy: Cung cấp số liệu đối chuẩn chi tiết giữa các kiến trúc hàm mất mát biên góc (Cosine Margin Loss vs Angular Margin Loss vs Magnitude Margin Loss) trong môi trường phân phối dữ liệu đuôi dài.

Câu hỏi thường gặp

1. Cấu hình phần cứng tối thiểu để hệ thống chạy mượt mà là gì?

Hệ thống yêu cầu tối thiểu vi xử lý CPU 4 nhân, 16GB RAM và 01 card đồ họa NVIDIA (khuyến nghị từ GTX 1660 6GB VRAM trở lên). Đối với môi trường chỉ có CPU, hệ thống vẫn có thể vận hành ở quy mô 1 camera bằng cách sử dụng phiên bản rút gọn SCRFD-500M và MagFace ResNet-18 đã được tối ưu hóa qua ONNX Runtime.

2. Hệ thống xử lý thế nào khi có nhiều người cùng đi vào khung hình?

Hệ thống sử dụng module YOLO5Face có khả năng phát hiện đồng thời hàng chục khuôn mặt trong một khung hình. Sau đó, module DeepSORT sẽ gán cho mỗi đối tượng một ID duy nhất và sử dụng bộ lọc Kalman để theo dõi liên tục quỹ đạo di chuyển, đảm bảo không bị nhầm lẫn định danh ngay cả khi các đối tượng di chuyển cắt ngang nhau.

3. Làm thế nào để tích hợp thêm các camera IP mới vào hệ thống?

Người quản trị chỉ cần mở giao diện Web Dashboard, điều hướng đến phần Quản lý Camera và nhập đường dẫn giao thức truyền thông thời gian thực (RTSP URL) cùng tên đại diện của camera. Hệ thống backend sẽ tự động khởi tạo một luồng xử lý riêng (Worker Thread) cho camera mới.

4. Hệ thống cần bảo trì và cập nhật cơ sở dữ liệu khuôn mặt như thế nào?

Module cập nhật dữ liệu hỗ trợ người dùng tải ảnh trực tiếp từ máy tính hoặc chụp nhanh trực tiếp từ luồng camera. Khi thêm một người mới, hệ thống trích xuất vector đặc trưng $512$ chiều trong chưa đầy 20ms và ghi vào CSDL, không yêu cầu phải huấn luyện lại (re-train) toàn bộ mạng nơ-ron.

5. Chi phí đầu tư hệ thống và thời gian hoàn vốn (ROI) ước tính ra sao?

Với một doanh nghiệp quy mô 200–500 nhân sự, chi phí trang bị 1 máy chủ AI cục bộ và tận dụng camera có sẵn rơi vào khoảng 30–40 triệu VNĐ. Thời gian hoàn vốn ước tính từ 3–6 tháng thông qua việc cắt giảm chi phí thẻ từ, thiết bị chấm công chuyên dụng và nâng cao năng suất kiểm soát ra vào.

Kết luận

Đề tài "Xây dựng hệ thống nhận diện khuôn mặt qua camera giám sát" đã giải quyết thành công bài toán chuyển giao công nghệ học sâu từ lý thuyết sang ứng dụng thực tế. Bằng việc kết hợp hài hòa giữa kiến trúc phát hiện hiện đại YOLO5Face (đạt $96.8%$ mAP), thuật toán truy vết DeepSORT và hàm mất mát nhận dạng thích ứng chất lượng ảnh MagFace (đạt $0.903$ F1-Score), hệ thống đạt hiệu năng vượt trội với tốc độ xử lý thời gian thực $0.045$ giây/khung hình trên hệ thống đa luồng camera giám sát.

Kết quả thực nghiệm trên các tập dữ liệu tự xây dựng phân tầng theo khoảng cách và ánh sáng khẳng định tính thực tiễn cao của giải pháp, mở ra tiềm năng ứng dụng rộng rãi trong trường học thông minh, nhà máy và các khu vực công cộng. Dự án là tài liệu tham khảo kỹ thuật giá trị cho các kỹ sư và nhóm nghiên cứu đang phát triển các giải pháp thị giác máy tính ứng dụng trong thực tế.