Điều khiển cửa thông minh sử dụng nhận dạng khuôn mặt

Bài viết cũng đề xuất cách thức chống giả mạo thông qua một cơ chế tương tác người dùng trên thông tin hình ảnh khuôn mặt cũng như kết hợp với bảo mật theo tầng để tăng tính an toàn khi sử dụng thông tin hình ảnh.

KHOA HỌC CÔNG NGHỆ P-ISSN 1859-3585 E-ISSN 2615-9619 ĐIỀU KHIỂN CỬA THÔNG MINH SỬ DỤNG NHẬN DẠNG KHUÔN MẶT INTELLIGENT DOOR CONTROL USING FACE RECOGNITION Đồn Thị Hương Giang1,* TĨM TẮT Tự động hóa trí tuệ nhân tạo ngày phát triển toàn giới Ứng dụng thành tựu khoa học công nghệ diễn lĩnh vực đời sống hàng ngày nhằm đem lại tiện lợi, an toàn, bảo mật riêng tư Cửa tự động sử dụng kỹ thuật tự động hóa để giúp người tác động điều khiển thành phần khí cửa cách dễ dàng thông qua thiết bị động cơ, khóa điện từ, cảm biến, bo mạch điện tử,… mà không cần phải dùng lực người để mở cửa Tuy nhiên, vấn đề bảo mật cửa tự động thường thực thông qua hệ thống phím để nhập mã sử dụng thẻ từ Đây cách thức dễ bị đánh cắp thông tin Ngày nay, với phát triển thị giác máy tính trí tuệ nhân tạo phương thức nhằm giúp thơng minh hóa thiết bị điều khiển giúp bảo mật cửa thông qua thơng tin hình ảnh khn mặt Trong báo này, tác giả đề xuất hệ thống điều khiển cửa thơng minh sử dụng nhận dạng khn mặt hồn thiện có thời gian đáp ứng nhanh độ xác ổn định Ngoài ra, báo đề xuất cách thức chống giả mạo thông qua chế tương tác người dùng thơng tin hình ảnh khn mặt kết hợp với bảo mật theo tầng để tăng tính an tồn sử dụng thơng tin hình ảnh Từ khóa: Cửa tự động, học sâu, học máy, phát khuôn mặt, nhận dạng khuôn mặt, tương tác người - máy, cửa thông minh ABSTRACT Automation and Artificial Intelligence have grown over the world The achievements of science and technology has applied in all fields of our daily life in order to bring convenience, safety, security and privacy Automatic door uses the techniques of automation to help end-users automatically control the mechanical components of the door through devices such as motors, electromagnetic locks, sensors, and electronic circuits, without using human force to open doors However, the traditional automatic door is securitized through the key system to enter codes or use special magnetic cards This is one of the most vulnerable ways to get information stolen Nowadays, the development of Computer Vision and Artificial Intelligence that brings a new advantage method to control devices, secure the door through image information of human face In this paper, we propose an intelligent door that could be controlled by facial recognition system with real-time, robust system and stable accuracy In addition, this paper also proposes how to prevent tampering through a user interaction mechanism based on facial image information as well as combining with security cascade to increase safety using face cues Keywords: Automatic door, deep learning, machine learning, face detection, face recognition, human-machine interaction, intelligent door Khoa Điều khiển Tự động hóa, Trường Đại học Điện lực Email: giangdth@epu.edu.vn Ngày nhận bài: 30/8/2021 Ngày nhận sửa sau phản biện: 30/9/2021 Ngày chấp nhận đăng: 25/10/2021 * GIỚI THIỆU Ngày nay, tốn nhận dạng khn mặt tập trung quan tâm nhiều nhà khoa học [6-11] thông tin đặc thù riêng biệt người khai thác vào nhiều ứng dụng khác tương tác người máy (Human Machine-Interaction: HCI) [6], định danh [7], định danh lại [8], điều khiển tự động hóa [9], bảo mật [10], giám sát [11]… Tuy nhiên, tốn cịn phải đối mặt với số thách thức triển khai hệ thống thực, tính bảo mật hệ thống, độ xác tùy ứng dụng,… Bài tốn nhận dạng khn mặt chia thành bước như: Phát khuôn mặt, biểu diễn khuôn nhận dạng Ở bước phát khn mặt có nhiều phương pháp đề xuất Haarlike Cascade [12], Dlib [1] hay phương pháp sử dụng mạng học sâu YoloV3 [4], MTCNN [17, 18] Trong báo [6], tác giả có thử nghiệm định tính ba phương pháp Tuy nhiên, tác giả thử nghiệm sở liệu (CSDL) tự thu thập mà chưa đánh giá CSDL cộng đồng dùng chung Do đó, nghiên cứu nhóm tác giả sử dụng thêm YoloV4 [5] đánh giá phương pháp CSDL tự thu thập mà đánh giá CSDL khác để có nhìn tổng quan Trong khâu biểu diễn khuôn mặt, tác giả sử dụng giải pháp biểu diễn điểm đặc trưng có đề xuất kết hợp giải pháp chống giả mạo dựa số khung hình liên tiếp Khâu nhận dạng khn mặt tác giả sử dụng phân lớp SVM [3] để nhận dạng đánh giá hiệu phương pháp biểu diễn Tuy nhiên, với phương pháp sử dụng phân lớp điều khiển học gặp phải số vấn đề bảo mật, với khn mặt đưa vào mơ hình huấn luyện, phân lớp phân chúng vào số mơ hình lớp huấn luyện trước Hoặc để khơng bị nhận nhầm phải đảm bảo ln có lớp chứa nhiều mẫu khơng Điều khó khăn tốn thực tế Do đó, nghiên cứu này, tác giả sau đánh giá hiệu đặc trưng biểu diễn xem xét đánh giá lại sai khác mẫu với mơ hình kết hợp với thang đo RMSE[15] Mơ hình hệ thống sau triển khai đánh giá hệ thống điều khiển thực tế độ xác thời gian đáp ứng hệ thống Phần báo gồm phần sau đây: Phần mô tả chi tiết giải pháp đề xuất Kết thử nghiệm 28 Tạp chí KHOA HỌC VÀ CƠNG NGHỆ ● Tập 57 - Số (10/2021) Website: https://tapchikhcn.haui.edu.vn SCIENCE - TECHNOLOGY P-ISSN 1859-3585 E-ISSN 2615-9619 trình bày phần Phần mục cuối trình bày kết luận hướng phát triển thời gian cửa Sơ đồ dây đấu nối phần cứng mạch điều khiển minh họa hình GIẢI PHÁP ĐỀ XUẤT Hệ thống cửa thơng minh đề xuất gồm ba phần chính: (1) Thiết kế phần cứng điều khiển cửa Trong đó, phần cứng sử dụng vi điều khiển Adruino bo mạch trung tâm chi tiết trình bày mục 2.1; (2) Phần mềm điều khiển cửa; (3) Phần mềm nhận dạng thơng tin hình ảnh khn mặt qua camera RGB thường sử dụng máy tính PC cá nhân trình bày mục 2.3 Trong đó, phần mềm nhận dạng khn mặt mơ tả hình với hai bước là: Thu thập sở liệu huấn luyện hệ thống Sau đó, khâu phát nhận dạng khn mặt có tích hợp chức chống giả mạo thực trực tuyến Các nội dung trình bày chi tiết mục báo Hình Sơ đồ ghép nối phần cứng mạch điều khiển Arduino Uno R3; Arduino Mega2560; Arduino Nano; Cảm biến HCSR04; Module RFID; LCD I2C; Động servo; Cảm biến hồng ngoại MH-IR01; Ma trận phím 4x4 Hình Sơ đồ khối hệ thống nhận dạng khuôn mặt 2.2 Xây dựng hệ thống điều khiển chế độ bảo mật cao 2.1 Ghép nối phần cứng Hình Cấu trúc ghép nối hệ thống Cấu trúc phần cứng hệ thống cửa mô tả hình Trong đó, cửa loại mở cánh, có khóa chốt điện từ loại LY- 01 giúp khóa cửa, cảm biến tiệm cận tác động theo mức để xác định trạng thái cửa đóng hay mở cửa, động mở cửa sử dụng loại động servo cho phép điều chỉnh xác vị trí góc mong muốn dùng để mở đóng cửa sau chốt mở khóa Cảm biến hồng ngoại để xác định có người cửa hay không Mạch đọc thẻ từ hệ thống phím hai phương thức hoạt động độc lập tham gia vào làm khâu chế độ đa thể thức Đèn chiếu sáng nhằm hỗ trợ cho hệ thống camera có hình ảnh rõ nét Mạch điều khiển nhóm tác giả sử dụng Arduino mega 2560 [13] để nhận lệnh điều khiển từ Internet máy tính thơng qua kết nối với mạch Arduiro Ethernet Shield W5100 [14] - mạch giúp kết nối mạng với máy tính Trong đó, mạch Arduino mega 2560 có tác dụng điều khiển cấu chấp hành động chốt cửa động mở Website: https://tapchikhcn.haui.edu.vn Hình Lưu đồ thuật tốn chế độ điều khiển cửa thông minh Hệ thống cửa tác giả thiết kế với bốn chế độ Trong có ba chế độ điều khiển đơn phương thức (chế độ Vol 57 - No (Oct 2021) ● Journal of SCIENCE & TECHNOLOGY 29 KHOA HỌC CƠNG NGHỆ 1,2,3) gồm: mật mã thơng qua hệ thống khóa số, thẻ từ webserver Đây giải pháp thực nhằm nội địa hóa sản phẩm cửa thông minh Tuy nhiên, nghiên cứu tác giả nghiên cứu đề xuất giải pháp kết hợp đa thể thức (chế độ 4) nhằm kết hợp ba loại phương thức khiển với thông tin nhận dạng khn mặt Đây giải pháp có khả bảo mật cao hẳn chế độ sử dụng phương thức khác người có đặc điểm khn mặt hồn tồn khác Tuy nhiên, với thơng tin khn mặt bị giả mạo kẻ gian cần ảnh gia chủ Do đó, tác giả đề xuất giải pháp nhận dạng khn mặt có sử dụng chống giả mạo thơng tin hình ảnh Giải pháp kết hợp đa thể thức xem chế độ mật cao sử dụng giải pháp nối tầng bốn loại phương thức Quá trình hoạt động chế độ thể lưu đồ thuật tốn hình Chế độ giải pháp điều khiển cửa đảm bảo tính bảo mật cao bốn chế độ Trong đó, chế độ bảo mật thông qua nối tầng liên tiếp nhiều phương thức Cửa mở qua ba bước liên tiếp gồm: Kiểm tra thơng tin khn mặt có chống giả mạo; Kiểm tra thơng tin thẻ; Kiểm tra mã khóa số Điều khiển qua mạng LAN Bước hệ thống thu nhận hình ảnh khn mặt đối tượng camera giám sát lắp đặt cửa hộ Hệ thống tiến hành phân tích khối xử lý trung tâm vừa để nhận dạng đồng thời có kiểm tra giả mạo thơng tin khn mặt Sau đó, tín hiệu truyền tín hiệu xuống Arduino thơng qua mạng LAN Bước tiếp theo, hệ thống yêu cầu quẹt thẻ từ thông qua module RFID RC522 nhập mật bàn phím thơng qua chuỗi mã hóa thiết lập trước người sử dụng Với trường hợp nhập mật thành công, hệ thống điều khiển Arduino đưa tín hiệu mở rơ le cấp nguồn cho khóa điện từ thực mở chốt cửa Sau thời gian đặt trước, để đảm bảo chốt điện từ mở động mở cửa hoạt động Ngược lại, nhập mật giải mã thẻ từ thất bại nhiều số lần hệ thống yêu cầu hệ thống gửi tin nhắn gọi điện cảnh báo số điện thoại lưu trước hệ thống Trong trường hợp nhận diện khn mặt không thành công bước thứ nhất, hệ thống hủy bỏ lệnh nhập mật hay giải mã thẻ từ RFID RC 522 Trong nghiên cứu này, hệ thống điều khiển cửa trang bị thêm nút bấm ưu tiên giúp cho việc mở cửa thuận tiện trường hợp đặc biệt chủ nhà không yêu cầu tiến hành kiểm tra bảo mật P-ISSN 1859-3585 E-ISSN 2615-9619 để loại bớt thông tin dư thừa gây nhiễu làm giảm độ xác làm tăng thời gian q trình nhận dạng khn mặt Trong khuôn khổ nghiên cứu này, tác giả sử dụng phương pháp phát khuôn mặt Dlib Đây phương pháp đề xuất tác giả báo [1] cung cấp mã nguồn mơ hình huấn luyện định dạng file.xml cho cộng đồng nghiên cứu [2] Dlib phương pháp giúp phát khn mặt xác Haar like Cascade thời gian đáp ứng nhanh Chi tiết đánh giá độ xác thời gian đáp ứng mơ hình triển khai hệ thống thể chi tiết mục Với khung hình thu thập từ camera (I ), sau qua Dlib lấy thông tin vùng chữ nhật bao quanh khuôn mặt công thức (1) sau đây: REC face ( x , y , w, h)  FDlib (IRGB ) (1) Trong đó, x y tọa độ theo trục x (trục ngang ảnh) y (trục dọc ảnh) đỉnh bên trái vùng khuôn mặt phát được, w độ rộng vùng khuôn mặt, h chiều cao vùng khn mặt Sau đó, vùng khn mặt cắt dựa tham số ảnh màu (RGB) công thức (2) sau đây: Iface  FCropt (IRGB , RECface ) (2) 2.3.2 Biểu diễn khuôn mặt Hình ảnh khn mặt (I ) sau phát cắt loại bỏ thông tin dư thừa trình bày mục trước trích chọn đặc trưng để nhận dạng Mặc dù có nhiều giải pháp trích chọn đặc trưng đề xuất [1, 6] Tuy nhiên, khuôn khổ nghiên cứu này, với Dlib [1, 2], ngồi việc phát xác vùng khn mặt ảnh phương pháp cịn giúp phát 68 điểm đặc trưng khn mặt (Pi(i = ÷ 67)) với thời gian đáp ứng nhanh xác Trong đó, điểm bao quanh hàm từ P đến P ; lông mày trái từ điểm P đến P ; lông mày phải từ điểm P đến P ; mũi từ điểm P đến P ; mắt trái từ điểm P đến P ; mắt phải từ điểm P đến P miệng từ điểm P đến P Trong khuôn khổ nghiên cứu này, tác giả đề xuất giải pháp biểu diễn khuôn mặt sử dụng điểm đặc trưng biểu diễn hình Việc đánh giá hoạt động trình bảo mật tác giả thực thử nghiệm mục 2.3 sau Ở bước chế độ bảo mật cao thực sử dụng kết q trình nhận dạng khn mặt Chi tiết hệ thống nhận dạng khn mặt trình bày mục 2.3 sau 2.3 Nhận dạng khuôn mặt 2.3.1 Phát khuôn mặt Do ảnh thu thập thường không chứa khn mặt có thêm thơng tin người Do đó, 30 Tạp chí KHOA HỌC VÀ CƠNG NGHỆ ● Tập 57 - Số (10/2021) Hình Biểu diễn đề xuất đoạn thẳng góc khn mặt Website: https://tapchikhcn.haui.edu.vn SCIENCE - TECHNOLOGY P-ISSN 1859-3585 E-ISSN 2615-9619 Mỗi đoạn thẳng màu xanh hình vẽ định nghĩa sau: d (x = − x ) + (y − y ) (i = [0 ÷ 66]) (3) Trong đó: x , y tọa độ điểm x , y tọa độ điểm từ điểm đến điểm 67 Véc tơ đặc trưng biểu diễn cho khuôn mặt sử dụng đoạn thẳng nối điểm tiêu biểu khuôn mặt biểu diễn công thức (4): = [d ; d ; … ; d ] F (4) Ngoài ra, khn mặt có thơng tin số điểm cố định khác biệt người với người Tác giả nhận thấy góc biểu diễn cặp đoạn thẳng màu cam hình thay đổi ngữ cảnh toán điều khiển cửa mà tác giả đề xuất Do đó, góc tính tốn sử dụng để biểu diễn thông tin khuôn mặt công thức (5): cos(θ ) = ⃗ ⃗ ∗ ∗ 2.3.2 sử dụng để so khớp hay để đánh giá sai khác ảnh đưa vào ảnh sử dụng làm tập mẫu Tác giả sử dụng thang đo RMSE để tính tốn sai khác véc tơ đặc trưng liệu với véc tơ đặc trưng tập mẫu Cụ thể, có véc tơ đặc trưng tập mẫu = [ ( , ) … ( , )] véc tơ đặc trưng ∗ ( , ) … ( , ) tập thử nghiệm = Khoảng cách RMSE tính theo cơng thức (10): RMSE(T, T ∗ ) = ( , ) ∑ ( , ) (10) 2.3.4 Chống giả mạo khuôn mặt ⃗ ⃗ (5) Véc tơ đặc trưng cho góc biểu diễn cơng thức Hình Quá trình chống giả mạo sử dụng thơng tin hình ảnh (6): F = [cosθ , cosθ , … , cosθ ] (6) Để tọa độ bất biến với vị trí xa hay gần đối tượng với camera, báo sử dụng tỉ lệ đoạn thẳng so với tọa độ điểm biểu diễn cơng thức (7): r = (7) Trong đó: d khoảng cách từ điểm đến điểm 1; d khoảng cách từ điểm đến điểm i, i = [1 ÷ 67] Véc tơ đặc trưng biểu diễn cho tỉ lệ đoạn thẳng biểu diễn công thức (8): F = [r ; r ; … ; r ] (8) Véc tơ đặc trưng tổng hợp biểu diễn cho khuôn mặt sử dụng kết hợp đặc trưng cạnh đặc trưng góc biểu diễn công thức (9): F = F ; ‖F‖ (9) 2.3.3 Nhận dạng - Sử dụng phân lớp SVM: Trong báo này, véc tơ đặc trưng công thức (4), (6) (7) lần coi đầu vào cho phân lớp SVM [3] để nhận dạng Đầu phân lớp mã người được gán nhãn trước Với việc sử dụng phân lớp SVM đạt độ xác tốt thể nhiều nghiên cứu phân loại đối tượng Tuy nhiên, phương pháp gặp phải vấn đề phân lớp nhầm vào lớp có mẫu gần nhất, tức khn mặt gần tập liệu huấn luyện Do đó, khn khổ báo này, tác giả kết hợp đầu SVM với độ đo khoảng cách RMSE để loại trừ lỗi nhận nhầm gần phương pháp SVM - Sử dụng độ đo khoảng cách RMSE: Các véc tơ đặc trưng khuôn mặt trình bày mục 2.3.1 Website: https://tapchikhcn.haui.edu.vn Hình Các điểm đặc trưng khn mặt điểm đặc trưng mắt Hình thể trình chống giả mạo với câu truy vấn gia chủ cài đặt Nếu với câu truy vấn mà biểu cảm khn mặt khớp việc so khớp trả kết thực gửi lệnh điều khiển từ máy tính xuống thiết bị điều khiển Quá trình kiểm tra mã truy vấn thực thông qua khả chớp mắt người Trong đó, mắt biểu thị sáu tọa độ p , p , p , p , p , p minh họa hình Công thức phản ánh mối quan hệ điểm mắt gọi tỷ lệ khung hình mắt (EAR) biểu diễn công thức (11): = || || || ∗|| || || (11) Trong đó, , , , , , vị trí mốc mắt khn mặt 2D Tử số phương trình tính khoảng cách mốc mắt dọc ( , , , ), mẫu số tính khoảng cách mốc mắt ngang ( , ) Tác giả nhận thấy, cần nhân đôi mẫu số có tập hợp điểm nằm ngang có hai tập hợp điểm thẳng đứng Tỷ lệ khung hình mắt gần khơng đổi mắt mở, nhanh chóng giảm xuống diễn trình chớp mắt Từ đó, ta dựa vào tỷ lệ khoảng cách để xác định xem người có chớp mắt hay khơng Qua đó, kiểm chứng đối tượng có Vol 57 - No (Oct 2021) ● Journal of SCIENCE & TECHNOLOGY 31 KHOA HỌC CÔNG NGHỆ phải người thật hay không Bằng cách phát đối tượng bắt đầu kiểm tra nháy máy Nếu nháy mắt ba lần thời gian quy định người thật Ngược lại, kết luận ảnh tĩnh đưa vào nhận dạng KẾT QUẢ THỬ NGHIỆM Trong mục này, tác giả trình bày số kết thử nghiệm giải pháp đề xuất Các thử nghiệm thực máy tính PC Core i5 3.l GHz CPU, 4GB Ngơn ngữ lập trình để thực q trình thu thập, nhận dạng khn mặt kết nối mạng Python Ngơn ngữ lập trình để viết chương trình cho Adruino C++ Các thử nghiệm khuôn mặt thực gồm hai pha gồm: pha trực tuyến pha không trực tuyến Ở pha không trực tuyến tác giả sử dụng CSDL tự thu thập EPUFace[6] sở liệu cộng đồng dùng chung NLPRFace[16] Ở pha trực tuyến tác giả sử dụng hình ảnh khn mặt sinh viên trường Đại học Điện lực thử nghiệm camera máy tính xách tay Các thử nghiệm tiến hành nghiên cứu gồm: (1) Đánh giá trình phát khuôn mặt giải pháp khác nhau; (2) Đánh giá kết nhận dạng khuôn mặt; (3) Đánh giá độ xác thời gian đáp ứng toàn hệ thống; (4) Đánh giá hiệu hệ thống chống giả mạo khuôn mặt 3.1 Kết phát khn mặt Hình Kết phát khn mặt Hình kết độ xác q trình phát khn mặt bảng thể thời gian tương ứng để nhận dạng Đánh giá thực hai CSDL Ba phương pháp triển khai nhận dạng gồm Dlib[2], YoloV3 [4] YoloV4 [5] Hai tham số sử dụng gồm độ xác phát thời gian đáp ứng trình phát Thử nghiệm thực hai CSDL gồm: (1) CSDL EPUFace [6, 19] gồm 10 người, người 200 ảnh với độ phân giải 640x480 điểm ảnh; (2) Bộ CSDL NLPRFace [16] gồm 450 ảnh 27 đối tượng với độ phân giải 896x592 điểm ảnh Kết cho thấy rằng, phương pháp Dlib có kết nhận dạng thấp (đạt 96,68% 98,87% hai CSDL), so với hai phương pháp sử dụng mạng học sâu cịn lại phương pháp YoloV3 [4] đạt kết cao lên tới 99,95% 99,58% Tuy nhiên, thời gian đáp ứng phương pháp Dlib lại thấp thấp nhiều so với hai phiên Yolo với 66ms cho P-ISSN 1859-3585 E-ISSN 2615-9619 CSDL EPUFace 71ms cho CSDL NLPRFace Để triển khai ứng dụng thực yếu tố thời gian thơng số đáng qua tâm Do đó, nghiên cứu này, tác giả sử dụng phương pháp Dlib để triển khai ứng dụng thực tế Bảng Thời gian phát khuôn mặt EPUFace NLPRFace Dlib [2] 0,066ms 0,071ms YoloV3 [4] 0,7ms 0,67ms YoloV4 [5] 2,9ms 3,1ms 3.2 Kết nhận dạng khuôn mặt Trong bảng 2, tác giả sử dụng kết phát khuôn mặt sử dụng phương pháp Dlib [2] Kết nhận dạng khuôn mặt sử dụng phân lớp SVM [3] CSDL EPUFace [6, 19] NLPRFace [16] thể bảng 2, tác giả tiến hành thử nghiệm với bốn hàm nhân đưa kết với hàm nhân tương ứng Trong đó, nhận dạng khuôn mặt đạt kết cao 97,14% (tương đương với phương pháp tác giả đề xuất [6]) 99,72% cho hai CSDL tương ứng Ngoài ra, kết cho thấy hàm nhân RBF đạt kết cao so với ba hàm nhân lại Linear, Sigmoid Poly với kết đạt 92,13%, 15,75%, 90,94% cho CSDL EPUFace 96,67%, 13,45% 86,56% CSDL NLPRFace Kết thêm lần khẳng định phương pháp biểu diễn khuôn mặt đề xuất hiệu đối phân lớp RBF SVM Bảng Kết nhận dạng khuôn mặt sử dụng SVM EPUFace NLPRFace Độ Thời gian Độ Thời gian Hàm nhân SVM đáp ứng đáp ứng xác (%) (ms) xác (%) (ms) Linear 92,13 71 96,67 69 Sigmoid 15,75 66 13,45 64 Rbf 97,14 71 99,72 70 Poly 90,94 67 86,56 66 Trong bảng 3, tác giả thực đánh giá sử dụng thang đo RMSE để nhận dạng khuôn mặt kết hợp với phương pháp SVM Trong đó, có kết phân lớp SVM đưa vào để kiểm tra thang đo RMSE để loại trừ trường hợp nhận nhầm Kết cho thấy độ xác hai CSDL đạt kết thấp không đáng kể so sánh với kết sử dụng phân lớp RBF SVM bảng (phương pháp tốt khảo sát phân lớp SVM) Thời gian đáp ứng lâu nhiều so với sử dụng SVM trình so khớp mẫu thực toàn tập mẫu Tuy nhiên, tác giả thực so khớp khâu trực tuyến cải tiến trình bày phần cuối mục 3.2 Trong đó, thời gian nhận dạng hàm nhân RBF đạt ngang với hàm nhân Linear với 71ms CSDL EPUFace NLPRFace 69ms 70ms Tuy nhiên, sử dụng thang đo RMSE, tác giả khảo sát lấy độ đo khoảng cách để đảm bảo tương đồng 0,08 với hai tập liệu Kết phân loại đạt 96,75% CSDL EPUFace lên tới 98,34% CSDL NLPRFace Mặc dù CSDL NLPRFace có nhiều lớp kết nhận dạng 32 Tạp chí KHOA HỌC VÀ CƠNG NGHỆ ● Tập 57 - Số (10/2021) Website: https://tapchikhcn.haui.edu.vn SCIENCE - TECHNOLOGY P-ISSN 1859-3585 E-ISSN 2615-9619 lại cao CSDL EPUFace độ phức tạp mẫu CSDL Trong đó, CSDL NLPRFace thu thập khn mặt đơn giản, góc diện CSDL EPUFace thu thập nhiều vị trí góc nhìn khác Với phương pháp kết hợp đề xuất mẫu coi khơng nhận có số RMSE cao 0,08 phân vào tổ hợp mẫu sai Trong đó, với kết phân lớp SVM kiểm tra lại thang đo RMSE để kiểm tra trường hợp nhận nhầm Điều dẫn đến điều khiển hệ thống giảm tượng điều khiển sai Do đó, khn khổ ứng dụng tác giả sử dụng thang đo RMSE kết hợp với VSM để nhận mẫu đối tượng Bảng Kết nhận dạng khuôn mặt sử dụng thang đo RMSE CSDL EPUFace NLPRFace Độ xác (%) 96,76 98,34 Thời gian đáp ứng (ms) 240 258 Tuy nhiên, lưu ý bước kiểm tra RMSE hệ thống trực tuyến, tác giả lấy lớp 09 ảnh mẫu ba góc nhìn -450, 00 450 với góc nhìn tập huấn luyện lấy ba ảnh ba vị trí khoảng cách khác để kiểm tra độ sai khác RMSE nhằm giảm thiểu thời gian nhận dạng toàn hệ thống Do vậy, tốc độ khâu nhận dạng trực tuyến giảm khoảng 5fps Đây xem tốc độ chấp nhận triển khai ứng dụng thực tế Trong đó, hệ thống thử nghiệm với 05 người người thực 10 lần độ xác đạt 97% 3.3 Kết trình chống giả mạo Quá trình chống giả mạo pha hệ thống điều khiển cửa thơng minh Trong thử nghiệm, nhóm tác giả thực khảo sát người gồm nam nữ Mỗi người hướng dẫn thực 10 lần Trong đó, hệ thống đánh giá hai tiêu chí tính số lần thực xác thời gian đáp ứng tương ứng với lần thực thi Phương pháp triển khai đạt độ xác trung bình người đạt 95,4% thời gian trung bình cho lần thực người dùng 15(s) Với độ xác cao thời gian phát xem nhanh Phương pháp chống giả mạo đề xuất giúp tăng tính an tồn bảo mật cho hệ thống tầng hệ thống mở cửa sử dụng thơng tin hình ảnh KẾT LUẬN Trong báo này, tác giả thiết kế hệ thống điều khiển cửa thơng minh kết hợp cửa tự động với công nghệ xử lý ảnh, công nghệ học sâu để phát khuôn mặt Giải pháp hệ thống đề xuất cịn có khả chống giả mạo khn mặt Ngồi ra, hệ thống cài đặt thử nghiệm hệ thống để kiểm tra độ xác đánh giá thời gian đáp ứng điều khiển hệ thống mức tương tác đóng mở mạch điện tử Tuy nhiên, hệ thống chưa đánh giá với hệ thống cửa thực tế Trong thời gian tới, tác giả kết hợp so sánh với kỹ thuật học sâu tiên tiến (deep learning) khâu nhận dạng để nâng cao độ xác q trình nhận dạng khn mặt Ngồi ra, tác giả đánh giá Website: https://tapchikhcn.haui.edu.vn thử nghiệm hệ thống thực tế tăng số lượng thử nghiệm người dùng LỜI CẢM ƠN Nghiên cứu tài trợ Đề tài NCKH cấp trường Đại học Điện lực: "Điều khiển thiết bị điện tử gia dụng thông minh sử dụng kết hợp cơng nghệ xử lý ảnh trí tuệ nhân tạo" TÀI LIỆU THAM KHẢO [1] D E King, 2009 Dlib-ml: A machine learning toolkit J Mach Learn Res, pp 1755–1758 [2] http://dlib.net/, 2020 [3] C Burges, 1997 A Tutorial on Support Vector Machines for Pattern Recognition Journal of Data Mining and Knowledge Discovery, Vol 43, pp 1-43 [4] J Redmon, A Farhadi, 2018 Yolov3: An incremental improvement CoRR journal, Vol abs/1804.02767, pp 1-6 [5] A Bochkovskiy, C Y Wang, H Y M Liao, 2020 Yolov4: Optimal speed and accuracy of object detection ArXiv journal, Vol abs/2004.10934, pp 1-17 [6] Huong-Giang Doan, Ngoc-Trung Nguyen, 2020 Realtime Face Recognition for Intelligent Door System International Journal of Emerging Trends in Engineering Research, Vol 8, No 9, pp 5226-5232 [7] N R Borkar, S Kuwelkar, 2017 Real-time implementation of face recognition system International Conference on Computing Methodologies and Communication (ICCMC), pp 249-255 [8] K Koide, E Menegatti, M Carraro, M Munaro, J Miura, 2017 People tracking and re-identification by face recognition for RGB-D camera networks European Conference on Mobile Robots (ECMR), pp 1-7 [9] X Tian, 2009 Face Recognition System and It's Application First International Conference on Information Science and Engineering, Nanjing, pp 1244-1245 [10] D A Chowdhry, A Hussain, M Z Ur Rehman, F Ahmad, A Ahmad, M Pervaiz, 2013 Smart security system for sensitive area using face recognition CSUDET, Selangor, pp 11-14 [11] Z Jian, S Wan-juan, 2010 Face detection for security surveillance system 5th International Conference on Computer Science & Education, pp 1735-1738 [12] P A Viola, M J Jones, 2001 Rapid object detection using a boosted cascade of simple features Proceedings of the IEEE Computer Society Conference on Computer Vision and Pattern Recognition, I–I [13] https://store.arduino.cc/usa/mega-2560-r3 [14] https://www.arduino.cc/en/Guide/ArduinoEthernetShield/ [15] W Cort, M Kenji, 2007 On the use of dimensioned measures of error to evaluate the performance of spatial interpolators International Journal of Geographical Information Science Vol.20, pp 89–102 [16] http://nlprweb.ia.ac.cn/english/irds/facedatabase.htm [17] Florian Schroff, Dmitry Kalenichenko, James Philbin, 2015 FaceNet: A Unified Embedding for Face Recognition and Clustering CoRR, Vol abs/1503.03832, pp 1-10 [18] Chunming Wu, Ying Zhang, 2021 MTCNN and FACENET Based Access Control System for Face Detection and Recognition Aut Control Comp Sci 55, pp 102–112 [19] https://drive.google.com/drive/folders/1_ssN2plDuEFG2ydbnYkJ13X7MsPjq_cm AUTHOR INFORMATION Doan Thi Huong Giang Faculty of Control and Automation, Electric Power University Vol 57 - No (Oct 2021) ● Journal of SCIENCE & TECHNOLOGY 33 ... 0,67ms YoloV4 [5] 2,9ms 3,1ms 3.2 Kết nhận dạng khuôn mặt Trong bảng 2, tác giả sử dụng kết phát khuôn mặt sử dụng phương pháp Dlib [2] Kết nhận dạng khuôn mặt sử dụng phân lớp SVM [3] CSDL EPUFace... cao thực sử dụng kết q trình nhận dạng khn mặt Chi tiết hệ thống nhận dạng khn mặt trình bày mục 2.3 sau 2.3 Nhận dạng khuôn mặt 2.3.1 Phát khuôn mặt Do ảnh thu thập thường khơng chứa khn mặt có... nhận nhầm Điều dẫn đến điều khiển hệ thống giảm tượng điều khiển sai Do đó, khn khổ ứng dụng tác giả sử dụng thang đo RMSE kết hợp với VSM để nhận mẫu đối tượng Bảng Kết nhận dạng khuôn mặt sử