Thiết kế thiết bị điểm danh tự động ứng dụng công nghệ rfid và nhận dạng khuôn mặt qua camera

Hình 1.2: Hạn chế của hệ thống QLSV sử dụng công nghệ RFID Trước những hạn chế còn tồn tại ở các hệ thống hiện thời, để xây dựng được một hệ thống QLSV đáp ứng được đầy đủ các chức năng

KHUÔN MẶT QUA CAMERA

LUẬN VĂN THẠC SĨ KỸ THUẬT

BỘ GIÁO DỤC VÀ ĐÀO TẠO TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI

-

MẪN ĐỨC THẮNG

THIẾT KẾ THIẾT BỊ ĐIỂM DANH TỰ ĐỘNG

ỨNG DỤNG CÔNG NGHỆ RFID VÀ NHẬN DẠNG

KHUÔN MẶT QUA CAMERA

CHUYÊN NGÀNH KỸ THUẬT ĐIỆN TỬ

LUẬN VĂN THẠC SĨ KỸ THUẬT

KỸ THUẬT ĐIỆN TỬ

NGƯỜI HƯỚNG DẪN KHOA HỌC : PGS.TS NGUYỄN TIẾN DŨNG

Hà Nội – Năm 2013

MỤC LỤC

MỤC LỤC 1

LỜI CAM ĐOAN v

DANH MỤC CÁC KÍ HIỆU, CÁC CHỮ VIẾT TẮT vi

DANH MỤC CÁC BẢNG vii

DANH MỤC CÁC HÌNH VẼ ĐỒ THỊ viii

CHƯƠNG 1: PHẦN MỞ ĐẦU 1

1.1 Lý do chọn đề tài 1

1.2 Lịch sử nghiên cứu 3

1.2 Mục đích nghiên cứu, đối tượng và phạm vi của đề tài 4

1.3 Tóm tắt đồ án 4

1.4 Phương pháp nghiên cứu 5

1.4.1 Sơ đồ khối 6

1.4.2 Các chức năng cơ bản của hệ thống 7

CHƯƠNG 2: MODULE NHẬN DẠNG KHUÔN MẶT 12

2.1 Cơ sở lý thuyết của bài toán nhận dạng khuôn mặt 12

2.2 Đặc trưng Haar 15

2.3 Phương pháp phân loại SVM và các đặc trưng 16

2.3.2 Bộ phân loại SVM phi tuyến 19

2.3.3 Mặt phân loại không lí tưởng 21

2.3.4.Thuật toán SMO 21

2.4 Các thông số đánh giá độ chính xác của phương pháp nhận dạng 25

CHƯƠNG 3: MODULE CHỨNG THỰC KHUÔN MẶT KẾT HỢP VỚI CÔNG

NGHỆ RFID 28

3.1 Giới thiệu về các công nghệ chứng thực sinh trắc học 28

3.2 Tổng quan về bài toán chứng thực khuôn mặt 29

3.2.1 Bài toán chứng thực khuôn mặt và các ứng dụng 29

3.2.2 Ưu điểm của phương pháp chứng thực khuôn mặt 30

3.3 Phương pháp nhận dạng khuôn mặt Client Specific Fisherface 31

3.3.1 Không gian khuôn mặt và số chiều của không gian khuôn mặt 31

3.3.2 Phương pháp Client Specific Fisherface 31

3.4 Phương pháp phân tích các thành phần chủ yếu (PCA) 32

3.5 Xây dựng hệ cơ sở mới sử dụng phương pháp LDA 35

3.5.1 Thuật toán LDA 35

3.5.2 Xây dựng hệ cơ sở mới theo phương pháp LDA 35

3.6 Chứng thực khuôn mặt sử dụng phương pháp Client Specific Fisherface 38

3.6.1 Giả thiết cho bài toán chứng thực 38

3.6.2 Thuật toán Client Specific Fisherface 38

3.6.3 Quá trình chứng thực khuôn mặt sử dụng Client Specific Fisher face 41

3.7 Công nghệ RFID và tích hợp hệ thống 43

3.7.1.Thẻ RFID 43

3.7.2 Phân loại thẻ RFID 44

3.7.3 Đầu đọc( Reader) 46

3.7.4 Cơ chế trao đổi dữ liệu giữa đầu đọc với thẻ 47 CHƯƠNG 4: PHÂN TÍCH VÀ THIẾT KẾ HỆ THỐNG QUẢN LÝ SINH VIÊN 49

4.1 Giới thiệu phần mềm quản lý sinh viên 49

4.1.1 Tìm hiểu yêu cầu 49

4.1.2 Các chỉ tiêu về hệ thống quản lý sinh viên 50

4.2 Phân tích và thiết kế hệ thống 50

4.2.1 Phân tích hệ thống 50

4.2.2 Thiết kế hệ thống 53

CHƯƠNG 5: KẾT QUẢ ĐẠT ĐƯỢC 55

5.1 Lựa chọn công cụ và ngôn ngữ lập trình 55

5.2 Moldule nhận dạng khuôn mặt sử dụng SVM kết hợp với moment BVLC và BDIP 56

5.2.1 Xây dựng tập dữ liệu khuôn mặt và mô hình bộ phân loại 56

5.2.2 Đánh giá hiệu quả bộ phân loại SVM 58

5.3 Module nhận dạng khuôn mặt sử dụng các đặc trưng Haar 59

5.4 Áp dụng các phương pháp nhận dạng vào hệ thống 61

5.5 Module chứng thực khuôn mặt 61

5.5.1 Xây dựng tập dữ liệu khuôn mặt 61

5.5.2 Triển khai thuật toán PCA 62

5.6.Module thu nhận thông tin người dùng 64

5.6.1 Module thu tín hiệu từ thẻ RFID 64

5.6.2 Module thu nhận hình ảnh người sử dụng 67

5.7.Tích hợp module chứng thực khuôn mặt và RFID 67

5.8 Phần mềm quản lý sinh viên 71

CHƯƠNG 6: ĐÁNH GIÁ KẾT QUẢ CỦA HỆ THỐNG VÀ HƯỚNG PHÁT TRIỂN CỦA ĐỀ TÀI 74

6.1 Kết luận và đánh giá chung về hệ thống 74

6.1.1 Kết quả đạt được 74

6.1.2 Đánh giá chung về hệ thống 74

6.2 Hướng phát triển của đề tài 76

6.3 Kết luận 76

TÀI LIỆU THAM KHẢO 78

LỜI CAM ĐOAN

Trước hết, tôi gửi lời cảm ơn chân thành tới tập thể các thầy cô trong Viện Điện tử viễn thông, Trường Đại học Bách Khoa Hà Nội đã tạo ra một môi trường tốt để tôi học tập và nghiên cứu Tôi cũng xin cảm ơn các thầy cô trong Viện Đào tạo sau đại học đã quan tâm đến khóa học này, tạo điều kiện cho các học viên có điều kiện thuận lợi để học tập và nghiên cứu Đặc biệt, tôi xin gửi lời cảm ơn sâu sắc đến PGS.TS Nguyễn Tiến Dũng đã tận tình chỉ bảo, hướng dẫn và sửa chữa cho nội dung của luận văn này

Tôi cam đoan rằng nội dung của luận văn này là hoàn toàn do tôi tìm hiểu, nghiên cứu và viết ra Tất cả đều được tôi thực hiện cẩn thận và có sự định hướng của giáo viên hướng dẫn

Tôi xin chịu trách nhiệm với những nội dung trong luận văn này

Tác giả

Mẫn Đức Thắng

DANH MỤC CÁC KÍ HIỆU, CÁC CHỮ VIẾT TẮT

THUẬT NGỮ TIẾNG VIỆT

1 BDIP Block Difference of Inverse

3 PCA Principal Component

Analysis Phân tích thành phần chủ yếu

4 RFID Radio Frequency

Identification Nhận dạng bằng sóng vô tuyến

5 ROC Receiver Operating

Characteristic Đặc tính hoạt động của đầu vào

6 SVM Support Vector Machine Vecto trợ giúp

7 AUC Area Under Cuver Diện tích dưới đường cong

8 SMO Sequential Minimal

Optimization Tối ưu hóa tối thiểu tuần tự

9 AIDC Automatic Identification

Data Collection

Nhận dạng tự động thu thập dữ liệu

DANH MỤC CÁC BẢNG

Bảng 5.1: Bảng so sánh các wrapper kết nối OpenCV với NET 55Bảng 5.2: Kết quả kiểm tra với tập ảnh đầu vào 58

DANH MỤC CÁC HÌNH VẼ ĐỒ THỊ

Hình 1.1: Ưu điểm của hệ thống QLSV bằng phần mềm 2

Hình 1.2: Hạn chế của hệ thống QLSV sử dụng công nghệ RFID 3

Hình 1.3: Sơ đồ khối hệ thống QLSV ứng dụng nhận dạng khuôn mặt và RFID 6

Hình 1.4:Mô hình hệ thống RFID cơ bản 10

Hình 2.1: Phân loại dựa trên đặc tính Haar 15

Hình 2.2: Đặc trưng Haar cơ bản 16

Hình 2.3: Các đặc trưng Haar mở rộng 16

Hình 2.4: Phân loại mẫu sử dụng SVM thông qua mặt phẳng tối ưu 17

Hình 2.5:Toán tử ánh xạ φ biến đổi mặt phân cách phi tuyến thành mặt phẳng tuyến tính trong miền không gian đặc tính F 19

Hình 2.6 : Hiệu ứng khi sử dụng ξ(1,2, , N) 21

Hình 2.7: Điều kiện giới hạn cho sự tối ưu hóa 22

Hình 2.8: Các đường cong phân bố và sự phụ thuộc của TP,TN,FP,FN vào giá trị ngưỡng 26

Hình 2.9: Ví dụ về đường cong ROC trong đó đường chéo tương ứng với đường cong ROC của bộ phân loại ngẫu nhiên 27

Hình3.1: Quy trình hoạt động của hệ thống chứng thực sinh trắc học 29

Hình3.2: Sơ đồ khối phương pháp Client Specific Fisherface 32

Hình 3.3: Minh họa phương pháp PCA 33

Hình 3.7: Các thành phần của Tad RFID 44

Hình 3.8: Thủ tục master –slave giữa application software ,reader và tag 47

Hình 3.9: Các cơ chế truyền dữ liệu FDH, HDX và SEQ 48

Hình 4.1: Sơ đồ phân cấp chức năng 51

Hình 4.2: Biểu đồ mức ngữ cảnh 52

Hình 4.3: Biểu đồ mức đỉnh 52

Hình 4.4: Sơ đồ thực thể liên kết ERD 54

Hình 5.1: Minh họa một số ảnh trong tập positive S+ (hàng trên) và tập negative S -(hàng dưới) 56

Hình 5.2: Ảnh đầu vào có độ tương phản thấp và sau khi cân bằng mức xám 57

Hình 5.3: Kiểm tra và quyết định ảnh đầu vào là face hay non-face 58

Hình 5.4: Đường cong ROC với các đặc trưng khác nhau 59

Hình 5.5: Ảnh đầu vào và ảnh đã khoanh vùng các khuôn mặt phát hiện được 60

Hình 5.6: Ảnh khuôn mặt được tách ra 61

Hình 5.7: Kết hợp đặc trưng Haar và bộ phân loại SVM để nhận dạng khuôn mặt 61 Hình 5.8: Ảnh khuôn mặt của 1 người trong tập dữ liệu khuôn mặt 61

Hình 5.9: 10 Eigenface đầu tiên trong hệ cơ sở PCA 63

Hình 5.10: Minh họa xây dựng 1 ảnh từ các vector riêng eigenface 64

Hình 5.12: Khối đọc thẻ RFID 65

Hình 5.13: Khối giao tiếp máy tính 65

Hình 5.14: Khối vi điều khiển 66

Hình 5.15: Khối nguồn 66

Hình 5.16: Mô hình kết hợp RFID và chứng thực khuôn mặt 68

Hình 5.17: Module thu nhận thông tin RFID 69

Hình 5.18: Giao diện phần mềm xử lí đăng nhập: Thông tin môn học hiện tại 70

Hình 5.19: Giao diện phần xử lí đăng nhập: đăng nhập thành công 70

Hình 5.20: Giao diện phần xử lí đăng nhập: đăng nhập thất bại 71

Hình 5.21: Giao diện chính của phần mềm 71

Hình 5.22: Giao diện quản lý sinh viên 72

Hình 5.23: Giao diện quản lý lịch học 72

Hình 5.24: Giao diện quản lý môn học 73

Hình 5.25: Giao diện quản lý chứng thực vào ra cho sinh viên 73

Hình 6.1: Các kết quả nghiên cứu đạt được 75

CHƯƠNG 1: PHẦN MỞ ĐẦU

1.1 Lý do chọn đề tài

Các hệ thống QLSV hiện nay được sử dụng rất phổ biến và rộng rãi trên tất

cả các trường đại học, cao đẳng, v.v Với những đòi hỏi mới phát sinh trong quá trình sử dụng mà các hệ thống QLSV ngày càng được tăng cường thêm nhiều chức năng mới, giảm lao động trực tiếp của con người, tăng hiệu quả quản lý Từ những chức năng đơn giản ban đầu như lưu trữ thông tin, tìm kiếm, bổ sung và xóa thông tin khỏi hệ thống cho đến các chức năng về quản lý điểm, học phí

Tuy nhiên, các hệ thống QLSV đang được áp dụng hiện nay vẫn tồn tại một

số hạn chế:

Thứ nhất, với các hệ thống quản lý thuần túy xây dựng trên các kỹ thuật lập

trình phần mềm thì việc điểm danh, giám sát thời gian đi học của sinh viên phải thực hiện thủ công bằng tay, phát phiếu điểm danh, gây tốn thời gian hơn nữa chưa kiểm soát được thời điểm trên lớp học của sinh viên Để giám sát được thời gian học của sinh viên thì phần mềm quản lý cần có khả năng ghi lại thời gian đến, thời gian ra về, thời gian đó sẽ được lưu lại trong hệ thống để từ đó tính ra thời gian trên lớp của sinh viên Do đó nhu cầu đặt ra là cần tự động hóa quá trình điểm danh cũng như lưu trữ thời gian đối với các hệ thống quản lý giám sát Điều này có thể được giải quyết bằng cách áp dụng một công nghệ nhận dạng tự động đó là công nghệ nhận dạng bằng sóng điện từ RFID Mỗi người dùng mà ở đây là mỗi nhân viên sẽ được phát một thẻ RFID với một mã số duy nhất, mỗi khi ra vào lớp học, người sử dụng chỉ cần quẹt thẻ qua một đầu đọc RFID, thông tin về mã số thẻ sẽ xác định sinh viên đó và thời gian quẹt thẻ sẽ được lưu vào trong hệ thống để từ đó biết được thời điểm vào ra của các sinh viên và giải quyết được việc điểm danh một cách tự động RFID là một công nghệ nhận dạng điện tử thông qua sóng vô tuyến được áp dụng rộng rãi trong nhiều hệ thống quản lý hiện nay ở Việt Nam

Hình 1.1: Ưu điểm của hệ thống QLSV bằng phần mềm Thứ hai,việc áp dụng công nghệ RFID vào hệ thống QLSV tuy có thể giải

quyết được bài toán điểm danh sinh viên nhưng vẫn tồn tại một nhược điểm có thể làm ảnh hưởng đến kết quả xử lý Đó là trong trường hợp các sinh viên có thể mượn thẻ của nhau để ra vào lớp học hoặc chỉ đơn giản là cầm nhầm thẻ của nhau, cả hai điều đó đều làm mất đi độ chính xác của việc giám sát để xác định thời gian đi học của sinh viên Điều này đặt ra một bài toán kỹ thuật đòi hỏi tăng cường độ chính xác của thông tin đầu vào cho hệ thống quản lý, khắc phục các thiếu sót và nhầm lẫn trong quá trình giám sát truy nhập hệ thống của các sinh viên

Hình 1.2: Hạn chế của hệ thống QLSV sử dụng công nghệ RFID

Trước những hạn chế còn tồn tại ở các hệ thống hiện thời, để xây dựng được một hệ thống QLSV đáp ứng được đầy đủ các chức năng cơ bản và đảm bảo được cho bài toán điểm danh một cách chính xác nhất, nâng cao tính bảo mật và an

toàn cho hệ thống, em đã lựa chọn đề tài “Thiết kế thiết bị điểm danh tự động ứng dụng công nghệ RFID và nhận dạng khuôn mặt qua camera”

Hệ thống nhận diện bằng sóng vô tuyến- RFID từ lâu được biết đến như một cuộc cách mạng trong các hệ thống nhúng và trong môi trường tương tác hiện nay

Ra đời từ những năm 40 của thế kỷ trước, sau nhiều thập kỷ được nghiên cứu và ứng dụng, công nghệ RFID đã thể hiện được tính ưu việt của công nghệ xác thực không dây được sử dụng trong y tế, công nghiệp, quân sự,v.v Ở Việt Nam nhiều năm gần đây, công nghệ RFID cũng được sử dụng phổ biến trong các hệ thống quản

lý nhận sự, giám sát điện tử, được triển khai ở nhiều cơ quan đơn vị như đài truyền hình Việt Nam, các thư viện điện tử, tháp đôi Vincom,v.v

1.2 Mục đích nghiên cứu, đối tượng và phạm vi của đề tài

Như đã đề cập ở trên, mục đích của em khi chọn đề tài đó là muốn xây dựng hoàn thiện một hệ thống QLSV khắc phục được những tồn tại thiếu sót của các hệ thống trước đó, sử dụng các công nghệ hiện đang rất phát triển vào một lĩnh vực có tính áp dụng cao trong thực tế Mục đích của hệ thống gồm những vấn đề như sau:

- Nghiên cứu thiết bị đọc thẻ từ và RFID

- Thiết kế hệ thống đọc dữ liệu thẻ

- Xây dựng cơ sở dữ liệu quản lí

- Xây dựng module nhận diện và xác thực khuôn mặt chính xác

- Xây dựng thuật toán nhận diện khuôn mặt mới

1.3 Tóm tắt đồ án

Thiết bị điểm danh tự động ứng dụng công nghệ RFID và nhận dạng khuôn mặt được xây dựng dựa trên việc tích hợp công nghệ nhận dạng khuôn mặt và công nghệ RFID và được kết hợp với hệ thống xử lý thông tin, quản lý dữ liệu Dựa trên các thông tin đầu vào thu thập được qua module nhận dạng khuôn mặt và module RFID, phần mềm quản lý sinh viên sẽ thực hiện các tác vụ quản lý như điểm danh, quản lý thông tin sinh viên tham gia các học phần, lưu trữ thông tin về sinh viên v.v

Sau khi đề xuất ý tưởng và nhận được đề tài đồ án tốt nghiệp, em đã nghiên cứu và xây dựng thành công thiết bị điểm danh tự động ứng dụng công nghệ RFID

và nhận dạng khuôn mặt đáp ứng được những tiêu chí đề ra ban đầu khi xây dựng ý tưởng cho đề tài

Với mục đích nghiên cứu và đề xuất một phương pháp nhận dạng khuôn mặt mới, dựa trên việc sử dụng các đặc trưng về kết cấu của khuôn mặt, em đã tìm hiểu

về bộ phân loại SVM kết hợp với đặc trưng BVLC và BDIP được sử dụng trong module nhận dạng khuôn mặt Tiếp theo, em đã nghiên cứu cơ sở lý thuyết của phương pháp PCA để xây dựng hệ cơ sở mới trong module chứng thực khuôn mặt Đồng thời tìm hiểu về công nghệ RFID áp dụng vào hệ thống để tăng tính bảo mật Nội dung cơ bản của đồ án tốt nghiệp của em tập trung vào những phần chính sau đây:

- Nghiên cứu và xây dựng mô hình nhận dạng khuôn mặt kết hợp công nghệ RFID ứng dụng trong hệ thống quản lý sinh viên

- Tìm hiểu tổng quan về phương pháp nghiên cứu đề xuất và các công nghệ được sử dụng trong hệ thống

- Nghiên cứu về bộ phân loại SVM kết hợp với đặc trưng BVLC và BDIP được sử dụng trong module nhận dạng khuôn mặt

- Nghiên cứu phương pháp xây dựng hệ cơ sở mới sử dụng phương pháp PCA và xây dựng quá trình chứng thực khuôn mặt bằng phương pháp Client Specific Fisherface

- Tìm hiểu yêu cầu, phân tích bài toán quản lý sinh viên và thiết kế phần mềm quản lý sinh viên ứng dụng công nghệ nhận dạng khuôn mặt

- Xây dựng cơ sở dữ liệu cho hệ thống và nghiên cứu áp dụng công nghệ RFID vào hệ thống

- Tích hợp toàn bộ hệ thống

- Đánh giá kết quả đạt được và đề ra hướng phát triển tiếp theo

1.4 Phương pháp nghiên cứu

Hệ thống được xây dựng sẽ bao gồm các module chính được thể hiện qua sơ

đồ khối tổng quan dưới đây, tiếp theo dó sẽ là phần chú thích cụ thể về các module

và chức năng của từng module trong hệ thống

1.4.1 Sơ đồ khối

Hình 1.3: Sơ đồ khối hệ thống QLSV ứng dụng nhận dạng khuôn mặt và

RFID

Hệ thống bao gồm hai phần chính là xác thực thông tin đầu vào và phần mềm QLSV Module xác thực thông tin đầu vào gồm có webcam để chụp ảnh người sử dụng, đầu đọc thẻ RFID đọc thông tin về mã thẻ đã được nạp trong thẻ, cơ sở dữ liệu chứa mã thẻ RFID của các sinh viên và cơ sở dữ liệu khuôn mặt Đầu vào sẽ là khuôn mặt người sử dụng và thẻ RFID được xử lý cùng một thời điểm Phần mềm QLSV sẽ dựa trên thông tin đầu vào là khuôn mặt người sử dụng và mã thẻ RFID

để thực hiện các chức năng tiếp theo

1.4.2 Các chức năng cơ bản của hệ thống

a Hoạt động của hệ thống

Hệ thống sẽ hoạt động cơ bản theo chu trình sau:

1 Thu nhận thông tin User image và RFID serial

2 RFID serial được đưa vao RFID Database để kiểm tra sự tồn tại và tính hợp

5 Sau các bước trên, hệ thống đã có được User image và FaceID image tương ứng với RFID serial

6 2 dữ kiện này được đưa vào module chứng thực khuôn mặt để thực hiện chứng thực

6.1 Nếu 2 dữ kiện này so khớp (matched), quá trình đăng nhập thành công, thông tin đăng nhập sẽ được cập nhật vào phần mềm QLSV (thông tin đăng nhập bao gồm ảnh khuôn mặt, thông tin thẻ RFID đã sử dụng, thời gian đăng nhập)

6.2 Nếu 2 dữ kiện này không so khớp, hệ thống đưa ra cảnh báo và cho phép đăng nhập lại

7 Phần mềm QLSV sẽ có Students Database, với thông tin được trả về sau quá trình đăng nhập thành công (ảnh khuôn mặt, thông tin thẻ RFID đã sử dụng, thời gian đăng nhập) sẽ được xử lý để thực hiện các chức năng: Quản lý sinh viên, điểm danh và kết xuất các báo cáo định kỳ

b Phương pháp nhận dạng và xác thực khuôn mặt sử dụng trong hệ thống

Để nhận dạng khuôn mặt, hiện nay có 2 phương pháp chủ yếu [14]:

- Nhận dạng dựa trên các đặc trưng của các phần tử trên khuôn mặt (Feature based face recognition) Phương pháp này nhận dạng khuôn mặt dựa trên các đặc trưng hình học của các chi tiết trên một khuôn mặt( như vị trí, diện tích, hình dạng của mắt, mũi, miệng, v.v) và mối quan hệ giữa chúng (như khoảng cách của hai mắt, khoảng cách của hai lông mày, v.v)

- Nhận dạng dựa trên xét tổng thể khuôn mặt (Appearance based face recognition) Phương pháp này sẽ xem mỗi bức ảnh khuôn mặt có kích thước RxC

là một vector trong không gian RxC chiều Ta sẽ xây dựng một không gian mới có chiều nhỏ hơn sao cho khi biểu diễn trong không gian đó, các đặc điểm chính của một khuôn mặt không bị mất đi Trong không gian đó, các ảnh của cùng một người

sẽ được tập trung lại thành một nhóm gần nhau và cách xa các nhóm khác

Ngoài ra còn có một số phương pháp khác như :

- Nhận dạng 2D: Elastic Bunch Graph, Active Appearance Model

- Nhận dạng 3D: 3D Morphable Model

Trong hệ thống này, phương pháp nhận dạng khuôn mặt được tiến hành qua hai giai đoạn:

Thứ nhất là quá trình nhận dạng khuôn mặt (Face detection) cho phép tìm ra

vị trí và kích thước của khuôn mặt trong một bức ảnh số hoặc trong các hình ảnh được được ghi lại bởi camera Quá trình này cần đảm bảo nhận dạng đúng khuôn mặt, phân biệt tốt yếu tố khuôn mặt với các yếu tố không phải khuôn mặt như nhà

2 đặc trưng về kết cấu BDIP và BVLC được tính toán từ ảnh dữ liệu đầu vào, sau đó

sẽ phân loại chúng vào các mômen đặc trưng rồi sử dụng bộ phân loại SVM để xác định khuôn mặt Phương pháp này đã được thử nghiệm trên nhiều tập hình ảnh với các điều kiện khác nhau về hướng, độ sáng v.v và cho tỷ lệ nhận dạng chính xác luôn cao hơn 95%

Thứ hai là quá trình xác thực khuôn mặt Quá trình này cho phép đối chiếu

hình ảnh thu được sau bước nhận dạng khuôn mặt và các hình ảnh lấy ra từ cơ sở dữ liệu rồi đưa ra quyết định chấp nhận hay từ chối việc đăng nhập vào hệ thống Đối với hệ thống kết hợp nhận dạng khuôn mặt với thẻ RFID thì module này sẽ chỉ cần

so sánh hình ảnh sau bước thu nhận với ảnh trong cơ sở dữ liệu của người mang thẻ RFID đó Có hiều thuật toán có thể áp dụng cho bài toán này như Eigenface sử dụng PCA, Fisherface sử dụng LDA

c Công nghệ thẻ RFID ứng dụng trong thu nhận thông tin

Công nghệ nhận dạng bằng sóng vô tuyến RFID là một công nghệ phát triển rất mạnh mẽ trong lĩnh vực nhận dạng tự động thu thập dữ liệu AIDC Nhận dạng tự

động (Automatic Identification) là một thuật ngữ chỉ các công nghệ tự động dùng để

giúp các máy nhận dạng các đối tượng Nhận dạng tự động thường được thực hiện bằng cách tự động bắt dữ liệu Đó là cách mà người quản lý muốn nhận dạng các đối tượng, bắt thông tin về chings và bằng cách nào đó thu nhận dữ liệu đưa vào máy tính thay vì nhập dữ liệu bằng tay Mục tiêu của Auto-ID là tăng tính hiệu quả, giảm lỗi dữ liệu đầu vào và giảm sức lao động trong việc nhận dạng Các công nghệ

Auto-ID bao gồm: mã vạch (Bar codes), nhận dạng tiếng nói, nhận dạng khuôn mặt, một số công nghệ sinh trắc học (Biometric), nhận dạng đặc trưng quang học OCR

và nhận dạng nhãn vô tuyến RFID

Trong hệ thống QLSV này,em đã tích hợp công nghệ nhận dạng bằng sóng

vô tuyến RFID để tăng độ chính xác, đảm bảo yêu cầu an ninh đồng thời tạo sự linh hoạt cho hệ thống

Hệ thống RFID gồm ba bộ phận cấu thành [18]:

 Thẻ RFID (RFID tag) được tạo nên bởi vi chip (IC) và anten, được gắn vào đối tượng cần nhận dạng, trong hệ thống này thẻ RFID sẽ được cấp phát cho các nhân viên

 Đầu đọc RFID (RFID reader)

 Module xử lý RFID database trong phần mềm QLSV

Hình 1.4:Mô hình hệ thống RFID cơ bản

Nội dung về cơ chế hoạt động của RFID trong hệ thống sẽ được trình bày cụ thể trong những phần sau

d Phần mềm quản lý sinh viên

Ngày nay phần mềm được ứng dụng trong hầu hết các lĩnh vực của cuộc sống hiện đại Trong cuộc sống hàng ngày, chúng ta đều tiếp xúc một cách trực tiếp hoặc gián tiếp đến các hệ thống phần mềm với quy mô từ nhỏ đến lớn Từ các thiết

bị dân dụng trong gia đình như tivi, máy giặt, lò vi sóng, v.v đều được ứng dụng các phần mềm nhúng để điều khiển hoạt động đến các hệ thống lớn như trong các ngân hàng, các công ty, trường học,v.v Tất cả đều được ứng dụng phần mềm trong một phần hay toàn bộ công việc Đóng góp một phần quan trọng trong thế giới phần

hàng, quản lý sách, quản lý sinh viên, quản lý nhân sự công ty,v.v đều là những ví

dụ rất điển hình về dữ liệu

Phần mềm QLSV được xây dựng với mục đích ứng dụng công nghệ RFID và nhận dạng khuôn mặt gồm 2 phần chính:

 Giao diện dành cho người dùng (user) để người dùng có thể đăng nhập vào

hệ thống bằng việc quét thẻ RFID vào đầu đọc và nhận dạng khuôn mặt bằng camera

 Giao diện dành cho người quản trị (Adminstrator)

Cả hai phần trên đều được xây dựng bằng ngôn ngữ C# với hệ cơ sở dữ liệu chung là SQL Server2005 Phần mềm có nhiệm vụ quản lý thông tin sinh viên, quản

lý vào ra Sau đó tổng hợp số liệu cho việc điểm danh, kỷ luật, xét điều kiện dự thi môn học một cách tiện lợi, nhanh chóng và chính xác

CHƯƠNG 2: MODULE NHẬN DẠNG KHUÔN MẶT

Nội dung của chính trong chương này nhằm giới thiệu tổng quan về bài toán nhận dạng khuôn mặt, các phương pháp tiếp cận để giải quyết bài toán nhận dạng khuôn mặt, các ứng dụng của hệ thống nhận dạng khuôn mặt và cơ sở lý thuyết các

kỹ thuật được lựa chọn áp dụng trong đồ án để xây dựng nên hệ thống nhận dang khuôn mặt mà nhóm em đã nghiên cứu và tìm hiểu

2.1 Cơ sở lý thuyết của bài toán nhận dạng khuôn mặt

Nhận dạng khuôn mặt (Face detetion) là bước đầu tiên trong hai bước của quá trình nhận dạng khuôn mặt người (Face recognition) Nhận dạng khuôn mặt là

một công nghệ được phát triển rất mạnh đã có nhiều ứng dụng thực tế trong các lĩnh vực từ công nghiệp, dịch vụ, y tế cho đến quân sự Nhận dạng khuôn mặt cũng giống như nhận dạng bằng sóng vô tuyến, là một công nghệ nhận dạng tự động

AIDC (Auto Identification Data Collection) và nằm trong hệ thống các phương pháp nhận dạng dựa trên các đặc điểm sinh trắc học (biometric) bao gồm một số phương pháp như nhận dạng khuôn mặt, nhận dạng vân tay (fingerprint), nhận dạng

đồng tử mắt (iris recognition) hay nhận dạng tiếng nói (Voice recognition),…[9,19,20]

Xác định khuôn mặt người là một kỹ thuật máy tính dùng để xác định vị trí

và kích thước của khuôn mặt người từ hình ảnh thu được từ thiết bị thu nhận ảnh [14] Công nghệ nhận dạng khuôn mặt cho phép phân biệt được khuôn mặt người (face) với các chi tiết không phải khuôn mặt người (non-face) trong ảnh như nhà cửa, cây cối,… Lịch sử phát triển của công nghệ nhận dạng khuôn mặt đã trải qua nhiều thập kỷ với sự tiến bộ từ những công nghệ xử lý đơn giản đối với ảnh đen trắng, xám, cho đến ảnh màu và thậm chí là công nghệ nhận dạng 3D như ngày nay Các yêu cầu đặt ra với bài toán nhận dạng khuôn mặt cũng không ngừng được nâng cao từ lúc ban đầu khi mỗi bức hình đen trắng chỉ có một khuôn mặt, đầu luôn ở tư thế nhìn thẳng cho đến những bức ảnh màu, trong hình gồm nhiều khuôn mặt khác

nhau và có thể ở nhiều tư thế cũng như ở những điều kiện ánh sáng khác nhau Hiện nay, công nghệ nhận dạng khuôn mặt đã được phát triển giải quyết được những bài toán phức tạp như nhận dạng 3D, nhận dạng thời gian thực khi camera số ghi lại hình ảnh và phần mềm nhận dạng khuôn mặt có thể phát hiện và bám sát mục tiêu được nhận dạng là khuôn mặt Đây chính là sự tiến bộ vượt bậc khiến công nghệ nhận dạng khuôn mặt đã được áp dụng rộng rãi trong lĩnh vực công nghiệp như áp

dụng trong máy ảnh kỹ thuật số (digital camera), trong giao tiếp người và máy tính (human computer interaction), công nghệ nhận dạng khuôn mặt cùng với xác thực khuôn mặt (face authentication) được áp dụng phổ biến trong các hệ thống an ninh (security system) như chứng thực hộ chiếu (passport verification), nhận dạng tội phạm (criminal verification)

Có rất nhiều phương pháp nhận dạng khuôn mặt người, tuy nhiên, tổng kết lại có thể chia làm 4 hướng tiếp cận chính [14]:

 Hướng tiếp cận dựa trên tri thức (knowledge-based)

 Hướng tiếp cận dựa trên các đặc trưng không thay đổi (feature invariant)

 Hướng tiếp cận dựa trên so khớp mẫu (template matching)

 Hướng tiếp cận dựa trên diện mạo (appearance-based)

a) Hướng tiếp cận dựa trên tri thức

Hướng tiếp cận này chủ yếu dựa trên các luật định nghĩa về khuôn mặt người Các luật này thường mô tả về các mối quan hệ giữa các thành phần trên khuôn mặt người Các quan hệ đặc trưng có thể được mô tả như quan hệ về khoảng cách và vị trí Theo phương pháp này, những người thực hiện sẽ trích chọn đặc trưng của khuôn mặt trước tiên để có được các ứng viên, sau đó các ứng viên này sẽ được xác định thông qua các luật để biết ứng viên nào là khuôn mặt và ứng viên nào không phải là mặt Khó khăn với phương pháp này là làm sao chuyển từ tri thức của con người về khuôn mặt sang các luật một cách có hiệu quả vì nếu các luật chặt chẽ quá thì có thể xác định thiếu các khuôn mặt vì không phải khuôn mặt nào cũng đáp ứng được

tất cả các luật Một số phương pháp nghiên cứu theo hướng này như Kanade, G.Yang, Kotropoulos, Sahbi và Boujemaa, Farhad và Abdolhorsein,…

b) Hướng tiếp cận dựa trên các đặc trưng không thay đổi

Hướng tiếp cận này tập trung vào việc tìm kiếm những đặc trưng độc lập của khuôn mặt – những đặc trưng không phụ thuộc vào tư thế khuôn mặt nghiêng hay thẳng, điều kiện chiếu sáng, chất lượng hình ảnh,… Các đặc trưng thỏa mãn những điều đó gọi là các đặc trưng bất biến và được sử dụng

để phát hiện khuôn mặt Các nghiên cứu đầu tiên sẽ chỉ ra các đặc trưng của khuôn mặt sau đó quyết định xem khuôn mặt có nằm trong ảnh hay không Các đặc trưng như lông mày, mắt, mũi, miệng và đường viền của tóc được trích chọn bằng phương pháp xác định cạnh Trên cơ sở các đặc trưng này, xây dựng mô hình thống kê để mô tả quan hệ của các đặc trưng này và xác định sự tồn tại của khuôn mặt trong ảnh Phương pháp này có thể xác định dựa trên các đặc trưng cạnh của khuôn mặt, phân bố của màu da,…Với các nghiên cứu của Sirohey, Chetverikov và Lerch, Yow và Cipolla, Augusteijin

và Skufca, Sobottka và Pitas,…

c) Hướng tiếp cận dựa trên so khớp mẫu

Trong hướng tiếp cận này, một mẫu khuôn mặt được định nghĩa bằng tay trước hoặc được tham số hóa bằng một hàm số Mẫu này được sử dụng

để phát hiện khuôn mặt người bằng cách quét nó qua ảnh và tính toán giá trị tương đồng cho mỗi vị trí ví dụ về đường viền khuôn mặt, mắt, mũi và miệng Việc xuất hiện một khuôn mặt tại một vị trí nào đó trong ảnh phụ thuộc và giá trị tương đồng của điểm đó so với mẫu chuẩn Hướng tiếp cận này có lợi thế là dễ sử dụng, nhưng không có hiệu quả khi tỷ lệ, tư thế và hình dáng thay đổi Nhiều độ phân giải, đa tỷ lệ, các mẫu con và các mẫu biến dạng được xem xét thành bất biến về tỷ lệ và hình dạng

Phương pháp tiêu biểu trong hướng tiếp cận này là PCA (Principal Component Analysis) để xác định hình chiếu của khuôn mặt được sử dụng

như các mẫu để xác định khuôn mặt người, hình chiếu được mô tả như một mảng các bit

d) Hướng tiếp cận dựa trên diện mạo

Phương pháp này thường dùng một mô hình máy học nên còn được

gọi là phương pháp máy học (machine learning-based) Ngược với phương

pháp so sánh mẫu sử dụng các mẫu được định nghĩa trước, phương pháp này

sử dụng những mẫu được rút trích qua một quá trình học Nói cách khác, các thuật toán dựa trên máy học dùng các kỹ thuật phân tích thống kê và máy học xấp xỉ một hàm phân lớp tuyến tính Có nhiều mô hình máy học được áp

dụng trong hướng tiếp cận này như : Eigenface (M.Turk và A Pentland), Mô hình dựa trên phân phối (K.Sung và T.Poggion), Mạng nơron (H.Rowley), Support Vector Machine (E.Osuna), Phân lớp Bayes (H.Schneiderman và T.Kanade), Mô hình Markov ẩn (A.Rajagopalan) và các mô hình tăng cường như AdaBoost (P.Viola và M.Jones), FloatBoost (Stan Z.Li và Zhen Qiu Zhang)…

2.2 Đặc trưng Haar

Phân loại dựa trên đặc tính Haar [22] dựa trên sự so sánh tổng cường độ của các vùng lân cận bên trong cửa sổ phát hiện Đặc tính Haar dựa trên cơ sở thực tế là các đối tượng cần phân loại thường có một số đặc tính chung,ví dụ khuôn mặt thì khu vực mắt sẽ tối hơn so với khu vực trán (Hình 2.1 )

Hình 2.1: Phân loại dựa trên đặc tính Haar

Đặc trưng Haar được xây dựng từ các hình chữ nhật có kích thước bằng nhau dùng để tính độ chênh lệch giữa các giá trị điểm ảnh trong các vùng kề nhau Mỗi đặc trưng Haar là sự kết hợp của các hình chữ nhật “trắng” hay “ đen” và có 4 đặc trưng cơ bản như sau:

Hình 2.2: Đặc trưng Haar cơ bản

Để sử dụng các đặc trưng này vào việc xác định khuôn mặt người, 4 đặc trưng Haar cơ bản được mở rộng vào chia làm 3 tập đặc trưng:

1 Đặc trưng cạnh( edge features):

2 Đặc trưng đường( line features):

3 Đặc trưng xung quanh tâm( center-surround features):

Hình 2.3: Các đặc trưng Haar mở rộng

2.3 Phương pháp phân loại SVM và các đặc trưng

Trong những năm gần đây, kỹ thuật SVM được sử dụng rất rộng rãi trong các ứng dụng thực tế như nhận dạng đối tượng, phát hiện khuôn mặt, phân loại văn bản, kỹ thuật y sinh [6,12] và được đánh giá là một trong những phương pháp có độ

chính xác rất cao Vấn đề đặt ra là trích chọn đặc tính phù hợp cho bộ phân loại SVM trong quá trình phân loại Sau đây, vấn đề phân lọai sừ dụng SVM và các đặc tính được trích chọn sẽ được tìm hiểu chi tiết hơn

Với một tập các mẫu huấn luyện từ 2 nhóm khác nhau, SVM có thể tìm được một mặt phẳng tối ưu phân tách hai nhóm của các mẫu này, sao cho phần lề cho trước ở hai bên mặt phẳng tối ưu này là lớn nhất, có nghĩa là khoảng cách từ mặt phẳng này tới mẫu gần nhất là lớn nhất Các mẫu huấn luyện nằm song song với mặt phẳng tối ưu được sử dụng để xác định phần lề được gọi là vector trợ giúp như

mô tả trong hình 2.4

Hình 2.4: Phân loại mẫu sử dụng SVM thông qua mặt phẳng tối ưu

2.3.1 Bộ phân loại SVM tuyến tính

Dựa trên ý tưởng về mặt phẳng tối ưu để phân loại các mẫu Giả sử ta có tập mẫu huấn luyện S:{(xi,y i),i1, ,N} có thể phân tách tuyến tính , trong đó ∈Rn

và y i { } Mục đích của SVM là xây dựng mặt phẳng tối ưu để chia các mẫu trong tập S thành hai phần và được gắn nhãn tương ứng Điều đó tương đương với việc tìm mặt phẳng tối ưu H:wxb 0 và hai mặt phẳng khác H1:wxb1

vàH2:wxb1 song song và có cùng khoảng cách tới mặt phẳng tối ưu, với điều kiện là khoảng cách giữa H và 1 H là lớn nhất và không có mẫu nào nằm giữa 2

chúng Có nghĩa là có thể tìm được cặp (w,b) thỏa mãn điều kiện:

N i

Về mặt toán học, mặt phẳng tối ưu OSH

(optimal separating hyperplane) có thể xác định được bằng cách tối thiểu hóa hàm giá trị:

2

2

12

1

w w

w 

(2.2)

với điều kiện ràng buộc trong công thức (2.1)

Nếu chúng ta ký hiệu α(1,2, , N) là N hệ số Lagrange với giá trị không âm gắn với điều kiện ràng buộc trong công thức (2.4), bài toán tìm OSH sẽ tương đương với tối thiểu hóa hàm số sau đây:

i

i i

b L

1 1

)(

2

1),,

(2.3)

trong đó α 0

Bài toán này có thể đưa về việc giải bài toán hai chiều của Wolfe, tức là thay

vì tìm giá trị tối thiểu của hàm, chúng ta sẽ tìm giá trị tối đa của hàm (w b, ,α)

theo α và thỏa mãn điều kiện ràng buộc:

i i

L

1 ,

1

x x

)(

2.3.2 Bộ phân loại SVM phi tuyến

Trên thực tế, với các dữ liệu không thể phân loại sử dụng phương pháp phi tuyến, ta thường phân tích và sử dụng các toán tử phân loại phi tuyến φ( ) để ánh xạ các mẫu dữ liệu ban đầu trong không gian đầu vào vào không gian nhiều chiều F, còn gọi là không gian đăc tính [8], như mô tả trên hình 2.5 Trong không gian F, chúng ta có thể áp dụng phương pháp phân loại SVM tuyến tính như đã xét

Hình 2.5:Toán tử ánh xạ φ biến đổi mặt phân cách phi tuyến thành mặt

phẳng tuyến tính trong miền không gian đặc tính F



F

Sử dụng kỹ thuật Lagrange, điều kiện cân thiết để tối thiểu hóa trong biểu

thức 2.3 là vector w được biểu diễn từ tổ hợp tuyến tính các vector ánh xạ φ( ), có nghĩa là:

)(

1

i

x φ

1)

(

1 1 1

j N

i N

j

i j i j i N

) (

(2.11)

Trong đó K(xi,xj)φ(xj)φ(xj) ký hiệu là hàm lõi của không gian đầu vào

và thỏa mãn định lý Mercer’s [23], có nghĩa là hàm lõi trong không gian đầu vào có thể biểu diễn ở dạng tích vô hướng trong không gian đa chiều F Một số hàm lõi thường sử dụng được liệt kê dưới đây:

1 Lõi đa thức (Polynomial kernel)

d

2 Lõi Gaussian cơ sở (Gaussian radial basic function kernel)

j i j

i

(2.13)

2.3.3 Mặt phân loại không lí tưởng

Trên thực tế , rất khó để tìm được mặt phẳng tối ưu H mà không có dữ liệu mẫu nào ở giữa mặt phẳng H1 và H2 Vì vậy chúng ta cần sử dụng thêm các biến

) ,

Hình 2.6 : Hiệu ứng khi sử dụng ξ(1,2, , N)

2.3.4.Thuật toán SMO

Thuật toán SMO [10] tìm kiếm các giá trị cho phép thỏa mãn điều kiện kép (dual proplem) và tối đa hóa hàm tổng quan:

= ∑ − ∑, (2.16)

Thuật toán sẽ tối ưu 2 hệ số cùng lúc( với các hệ số còn lại được giữ cố định Không mất tính tổng quát, giả sử ra tối ưu , từ tập cũ: , , , … , ( có thể khởi tạo = 0)

Do ∑ = 0 ta có :

Điều kiện giới hạn cho sự tối ưu hóa thể hiện như hình vẽ :

Hình 2.7: Điều kiện giới hạn cho sự tối ưu hóa

- Nếu γ>C thì max α2 =C, min α2= γ-C

- Nếu γ<C thì min α2 =0, max α2 = γ

+Nếu s=1 , α1- α2=γ

- Nếu γ>0 thì min α2=0 , max α2= C- γ

- Nếu γ<0 thì min α2= - γ, max α2=C

Gọi giá trị nhỏ nhất và lớn nhất trong dải giá trị cho phép của α2 là L và H

Khi , được thay đổi bởi ∆ , ∆ , ta phải tính toán lại các thành phần

Ei, w ( với bộ phân loại tuyến tính) và b

a) Định nghĩa về đặc trưng BVLC

BVLC [3,29] được định nghĩa là sự thay đổi của các hệ số tương quan cục bộ

trong một block kích thước WxW tương ứng với 4 hướng xác định Đặc trưng

BVLC phản ánh cấp độ không đồng đều của mỗi block với các block lân cận tương

ứng với các hướng, nó thể hiện được sự lồi lõm (smoothness) của bề mặt, đặc biệt

trong việc nhận dạng, việc xác định được độ lồi lõm ở các vị trí đặc biệt của khuôn

mặt như mũi, miệng sẽ tăng độ chính xác cho việc xác định được bề mặt đó có phải

là khuôn mặt hay không

b) Định nghĩa về đặc trưng BDIP

BDIP [3,29] đặc trưng cho sự thay đổi cường độ mức xám trong block ảnh

Trong một ảnh, “edges” là các vùng liên quan đến sự thay đổi đột ngột của cường

độ sáng và các “valey” biểu thị các vùng chứa số lượng tối thiểu các cường độ sáng

cục bộ Đây là các đặc tính rất quan trọng trong thị giác của con người và đặc biệt

các “valey” là cơ sở trong nhận thức thị giác về hình dạng của một vật thể Đặc

trưng BDIP là đặc trưng được sử dụng rất hiệu quả để tách “edges” và “valeys”

2.4 Các thông số đánh giá độ chính xác của phương pháp nhận dạng

Để đánh giá hiệu suất của SVM ta dựa vào một số thông số thông kê[16] như

độ chính xác, độ nhậy, độ đặc trưng, giá trị phán đoán dương tính ( positive

predictive value – PPV ), và giá trị tiên đoán âm tính ( negative predictive value –

NPV)

-Độ chính xác: Tỷ lệ các mẫu dương và âm được phân loại chính xác:

+ + + (2.24)

Trong đó TP (true positive) là số mẫu dương được phân loại chính xác, TN

(true negative) là số mẫu giá trị âm được phân loại chính xác, FP (false positive) là

số mẫu giá trị âm được phân loai không chính xác thành các mẫu giá trị dương, và

FN (false negative) là số mẫu giá trị dương được phân loại không chính xác thành các mẫu giá trị âm

-Độ nhậy: Tỷ lệ các mẫu giá trị dương được phân loại chính xác:

=+ (2.25)

-Độ đặc trưng: Tỷ lệ các mẫu giá trị âm được phân loại chính xác:

=+ (2.26)

-PPV và NPV được định nghĩa:

=+ (2.27)

=+ (2.28)

Hình 2.8 trình bày các đường cong phân bố của tập các mẫu được phân chia thành hai loại theo giá trị ngưỡng , theo đó xác định được các giá trị TP, TN, FP,

của một bô phân loại SVM Đường chéo tương ứng với ROC của một bộ phân loại ngẫu nhiên Hiệu suất của bô phân loại SVM càng tốt thì giá trị đỉnh của đường cong càng tiến gần tới góc bên trái của hình chữ nhật trong hình vẽ

Hình 2.9: Ví dụ về đường cong ROC trong đó đường chéo tương ứng với

đường cong ROC của bộ phân loại ngẫu nhiên

Một trong những đại lượng quan trọng và hay sử dụng để đánh giá hiệu suất

bô phân loại SVM là diện thích dưới đường cong (area under the curve –AUC) AUC được tính toán như sau:

=∑ ∑ 1 ớ = ( ) − ( ) (2.29)

Trong đó f(.) ký hiệu hàm quyết định của một bộ phân loại, x+ và x- ký hiệu

là mẫu dương và mẫu âm, còn n+ và n- là số lượng các mẫu dương và âm tương ứng

CHƯƠNG 3: MODULE CHỨNG THỰC KHUÔN MẶT KẾT

HỢP VỚI CÔNG NGHỆ RFID

3.1 Giới thiệu về các công nghệ chứng thực sinh trắc học

Công nghệ chứng thực sinh trắc học (Biometric Authentication Technology) [18] là một phương pháp chứng thực tự động dựa trên những đặc điểm sinh học hay hành vi của con người

Các phương pháp nhận dạng dựa trên các đặc điểm sinh lý học ( dựa trên giá trị đo và dữ liệu thu nhận được từ những phép đo áp dụng trên cơ thể con người) bao gồm:

- Nhận dạng vân tay (Fingerprint Scan)

- Nhận dạng khuôn mặt (Face Recognition)

- Nhận dạng đồng tử (Iris Recognition)

- Nhận dạng võng mạc (Retina Recognition)

- Nhận dạng bàn tay (Hand Recognition)

Các phương pháp nhận dạng dựa trên hành vi ( dựa trên các giá trị đo và dữ liệu nhận được từ hành động của con người) bao gồm:

- Nhận dạng giọng nói (Voice Recognition)

- Nhận dạng chữ kí (Signature Recognition)

- Nhận dạng chữ viết tay (Handwriting Recogniton)

Như minh họa trong Hình 3.1, quá trình chứng thực sinh trắc học yêu cầu cần phải so sánh những mẫu sinh trắc mà hệ thống đã được “học” (gọi là mẫu đã được đăng kí) với mẫu sinh trắc mới được hệ thống thu nhận và yêu cầu chứng thực (ví

dụ như ảnh người sử dụng khi đăng nhập) [4]