Điều khiển cửa thông minh sử dụng nhận dạng khuôn mặt

- SỬ DỤNG NHẬN DẠNG KHUÔN MẶT.
- Tuy nhiên, vấn đề bảo mật của cửa tự động thường thực hiện thông qua hệ thống phím để nhập mã hoặc sử dụng thẻ từ.
- Ngày nay, cùng với sự phát triển của thị giác máy tính và trí tuệ nhân tạo thì một phương thức mới nhằm giúp thông minh hóa thiết bị điều khiển giúp bảo mật cửa thông qua thông tin hình ảnh của khuôn mặt..
- Trong bài báo này, tác giả đề xuất một hệ thống điều khiển cửa thông minh sử dụng nhận dạng khuôn mặt hoàn thiện có thời gian đáp ứng nhanh và độ chính xác ổn định.
- Ngoài ra, bài báo 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..
- Ngày nay, bài toán nhận dạng khuôn mặt tập trung sự quan tâm của nhiều nhà khoa học [6-11] bởi đây là một trong những thông tin đặc thù và riêng biệt của con người và có thể khai thác vào nhiều ứng dụng khác nhau như tương tác người máy (Human Machine-Interaction: HCI) [6], định danh [7], định danh lại [8], điều khiển và tự động hóa [9], bảo mật [10], giám sát [11.
- Tuy nhiên, bài toán này cũng còn đang phải đối mặt với một số thách thức khi triển khai hệ thống thực, tính bảo mật hệ thống, độ chính xác tùy ứng dụng,… Bài toán nhận dạng khuôn mặt có thể chia thành các bước như: Phát hiện khuôn mặt, biểu diễn khuôn và nhận dạng.
- Ở bước đầu tiên là phát hiện khuôn mặt đã có nhiều phương pháp được đề xuất như Haarlike Cascade [12], Dlib [1] hay phương pháp sử dụng các mạng học sâu YoloV3 [4], MTCNN [17, 18].
- Do đó, trong nghiên cứu này nhóm tác giả sử dụng thêm YoloV4 [5] và không những chỉ đánh giá các phương pháp này trên bộ CSDL tự thu thập mà còn đánh giá trên bộ CSDL khác nữa để có cái nhìn tổng quan hơn.
- Trong khâu biểu diễn khuôn mặt, tác giả sẽ sử dụng các giải pháp biểu diễn điểm đặc trưng có đề xuất kết hợp giải pháp chống giả mạo dựa trên một số khung hình liên tiếp nhau.
- Khâu nhận dạng khuôn mặt tác giả sẽ sử dụng bộ phân lớp SVM [3] để nhận dạng và đánh giá sự hiệu quả của phương pháp biểu diễn.
- Tuy nhiên, với phương pháp sử dụng bộ phân lớp trong điều khiển học sẽ gặp phải một số vấn đề về bảo mật, do với mỗi khuôn mặt đưa vào mô hình đã huấn luyện, bộ phân lớp luôn phân chúng vào một trong số các mô hình lớp đã được huấn luyện trước đó.
- Mô hình hệ thống sau đó sẽ được triển khai và đánh giá hệ thống điều khiển thực tế cả về độ chính xác và thời gian đáp ứng hệ thống..
- Hệ thống cửa thông minh đề xuất gồm ba phần chính:.
- Trong đó, phần cứng sử dụng vi điều khiển Adruino là bo mạch trung tâm chi tiết được trình bày trong mục 2.1.
- (3) Phần mềm nhận dạng thông tin hình ảnh khuôn mặt qua camera RGB thường và sử dụng máy tính PC cá nhân được trình bày trong mục 2.3.
- Trong đó, phần mềm nhận dạng khuôn mặt được mô tả như trong hình 1 với hai bước chính là: Thu thập cơ sở dữ liệu và huấn luyện hệ thống.
- Sau đó, khâu phát hiện và nhận dạng khuôn mặt có tích hợp chức năng chống giả mạo được thực hiện trực tuyến.
- Sơ đồ khối hệ thống nhận dạng khuôn mặt 2.1.
- Cấu trúc ghép nối hệ thống.
- Cấu trúc phần cứng của hệ thống cửa được mô tả như trong hình 2.
- Mạch điều khiển nhóm tác giả sử dụng là Arduino mega 2560 [13] để nhận lệnh điều khiển từ Internet và máy tính thông qua kết nối với mạch Arduiro Ethernet Shield W5100 [14.
- Xây dựng hệ thống điều khiển ở chế độ bảo mật cao.
- Lưu đồ thuật toán các chế độ điều khiển của cửa thông minh Hệ thống cửa được tác giả thiết kế với bốn chế độ..
- 1,2,3) gồm: mật mã thông qua hệ thống khóa số, thẻ từ và webserver.
- Tuy nhiên, trong nghiên cứu này tác giả sẽ nghiên cứu và đề xuất giải pháp kết hợp đa thể thức (chế độ 4) nhằm kết hợp cả ba loại phương thức đều khiển ở trên với thông tin nhận dạng khuôn mặt..
- Đây là giải pháp có khả năng bảo mật cao hơn hẳn các chế độ sử dụng các phương thức khác do mỗi người sẽ có một đặc điểm khuôn mặt hoàn toàn khác nhau.
- Tuy nhiên, ngay cả với thông tin khuôn mặt thì vẫn có thể bị giả mạo khi kẻ gian chỉ cần một tấm ảnh của gia chủ.
- Do đó, tác giả đề xuất giải pháp nhận dạng khuôn mặt có sử dụng chống giả mạo trên thông tin hình ảnh.
- Cửa được mở qua ba bước liên tiếp gồm: Kiểm tra thông tin khuôn mặt có chống giả mạo.
- Bước đầu tiên của hệ thống là thu nhận hình ảnh khuôn mặt của đối tượng bằng camera giám sát được lắp đặt tại cửa mỗi căn hộ.
- Hệ thống tiến hành phân tích tại khối xử lý trung tâm vừa để nhận dạng và đồng thời có kiểm tra giả mạo thông tin khuôn mặt.
- Trong trường hợp nhận diện khuôn mặt không thành công tại bước thứ nhất, hệ thống hủy bỏ lệnh nhập mật khẩu hay giải mã thẻ từ RFID RC 522.
- Ở bước đầu tiên của chế độ bảo mật cao được thực hiện sử dụng kết quả của quá trình nhận dạng khuôn mặt.
- Chi tiết của hệ thống nhận dạng khuôn mặt được trình bày trong mục 2.3 sau đây..
- Nhận dạng khuôn mặt 2.3.1.
- Phát hiện khuôn mặt.
- Do ảnh thu thập thường không chỉ chứa mỗi khuôn mặt và có thể có thêm thông tin về cả người hoặc nền.
- để loại bớt thông tin dư thừa gây nhiễu và làm giảm độ chính xác cũng như làm tăng thời gian của quá trình nhận dạng khuôn mặt.
- Trong khuôn khổ của nghiên cứu này, tác giả sử dụng phương pháp phát hiện khuôn mặt bằng Dlib..
- Dlib là một phương pháp giúp phát hiện khuôn mặt chính xác hơn Haar like Cascade và thời gian đáp ứng khá nhanh.
- Chi tiết đánh giá độ chính xác và thời gian đáp ứng của mô hình khi triển khai hệ thống được thể hiện chi tiết trong mục 3.
- sau khi qua Dlib sẽ lấy được các thông tin của vùng chữ nhật bao quanh khuôn mặt như công thức (1) sau đây:.
- REC x y h  F I (1) Trong đó, x và y là tọa độ theo trục x (trục ngang ảnh) và y (trục dọc ảnh) của đỉnh trên cùng bên trái của vùng khuôn mặt phát hiện được, w là độ rộng của vùng khuôn mặt, h là chiều cao của vùng khuôn mặt.
- Sau đó, vùng khuôn mặt được cắt dựa trên các tham số trên của ảnh màu (RGB) như công thức (2) sau đây:.
- Biểu diễn khuôn mặt.
- Hình ảnh khuôn mặt (I ) sau khi đã được phát hiện và cắt loại bỏ thông tin dư thừa như trình bày trong mục trước sẽ được trích chọn đặc trưng để nhận dạng.
- Tuy nhiên, trong khuôn khổ của nghiên cứu này, với Dlib [1, 2], ngoài việc có thể phát hiện chính xác vùng khuôn mặt trên ảnh thì phương pháp này còn giúp phát hiện ra 68 điểm đặc trưng trên khuôn mặt (Pi(i với thời gian đáp ứng nhanh và chính xác.
- Trong khuôn khổ nghiên cứu này, tác giả đề xuất giải pháp biểu diễn khuôn mặt sử dụng các điểm đặc trưng như biểu diễn trong hình 5..
- Biểu diễn đề xuất các đoạn thẳng và góc trên khuôn mặt.
- Véc tơ đặc trưng biểu diễn cho khuôn mặt sử dụng các đoạn thẳng nối bởi các điểm tiêu biểu trên mỗi khuôn mặt được biểu diễn như công thức (4):.
- d ] (4) Ngoài ra, trên khuôn mặt có các thông tin của một số điểm là cố định và khác biệt giữa người này với người kia..
- Do đó, các góc được tính toán và sử dụng để biểu diễn thông tin của khuôn mặt như trong công thức (5):.
- Nhận dạng.
- Sử dụng bộ phân lớp SVM: Trong bài báo này, các véc tơ đặc trưng trong các công thức (4), (6) và (7) sẽ lần được coi là đầu vào cho bộ phân lớp SVM [3] để nhận dạng.
- Với việc sử dụng bộ phân lớp SVM đạt độ chính xác tốt và được thể hiện trong rất nhiều nghiên cứu về phân loại đối tượng.
- Tuy nhiên, phương pháp này gặp phải vấn đề về phân lớp nhầm vào lớp có mẫu gần đúng nhất, tức là khuôn mặt gần đúng nhất trong tập dữ liệu huấn luyện.
- Sử dụng độ đo khoảng cách RMSE: Các véc tơ đặc trưng của khuôn mặt như đã trình bày trong mục 2.3.1 và.
- Tác giả sử dụng thang đo RMSE để tính toán sự sai khác giữa các véc tơ đặc trưng của dữ liệu với véc tơ đặc trưng của tập mẫu.
- Chống giả mạo khuôn mặt.
- Quá trình chống giả mạo sử dụng thông tin hình ảnh.
- Các điểm đặc trưng trên khuôn mặt và 6 điểm đặc trưng trên mắt Hình 6 thể hiện quá trình chống giả mạo với các câu truy vấn được gia chủ cài đặt.
- Nếu với mỗi câu truy vấn mà biểu cảm khuôn mặt khớp nhau thì việc so khớp được trả về kết quả đúng và thực hiện gửi lệnh điều khiển từ máy tính xuống thiết bị điều khiển.
- là các vị trí mốc mắt trên khuôn mặt 2D.
- Ngôn ngữ lập trình để thực hiện quá trình thu thập, nhận dạng khuôn mặt và kết nối mạng là Python.
- Các thử nghiệm trên khuôn mặt được thực hiện gồm hai pha gồm: pha trực tuyến và pha không trực tuyến.
- Ở pha không trực tuyến tác giả sử dụng CSDL tự thu thập EPUFace[6] và cơ sở dữ liệu của cộng đồng dùng chung NLPRFace[16].
- Ở pha trực tuyến tác giả sử dụng hình ảnh khuôn mặt sinh viên của trường Đại học Điện lực và thử nghiệm bằng camera của máy tính xách tay..
- Các thử nghiệm được tiến hành trong nghiên cứu này gồm: (1) Đánh giá quá trình phát hiện khuôn mặt trên các giải pháp khác nhau.
- (2) Đánh giá kết quả nhận dạng khuôn mặt.
- (3) Đánh giá độ chính xác và thời gian đáp ứng toàn hệ thống.
- (4) Đánh giá hiệu quả của hệ thống chống giả mạo khuôn mặt..
- Kết quả phát hiện khuôn mặt.
- Hình 8 là kết quả độ chính xác của quá trình phát hiện khuôn mặt và bảng 1 thể hiện thời gian tương ứng để nhận dạng.
- Hai tham số được sử dụng gồm độ chính xác phát hiện và thời gian đáp ứng của quá trình phát hiện.
- Do đó, trong nghiên cứu này, tác giả sẽ sử dụng phương pháp Dlib để triển khai ứng dụng thực tế..
- Thời gian phát hiện khuôn mặt.
- Kết quả nhận dạng khuôn mặt.
- Trong bảng 2, tác giả sử dụng kết quả phát hiện khuôn mặt sử dụng phương pháp Dlib [2].
- Kết quả nhận dạng khuôn mặt sử dụng bộ phân lớp SVM [3] trên bộ CSDL EPUFace [6, 19] và NLPRFace [16] được thể hiện trong bảng 2, tác giả đã tiến hành thử nghiệm với bốn hàm nhân và đưa ra kết quả với từng hàm nhân tương ứng.
- Trong đó, nhận dạng khuôn mặt đạt kết quả cao nhất là 97,14%.
- Kết quả này thêm một lần nữa khẳng định phương pháp biểu diễn khuôn mặt đề xuất hiệu quả đối bộ phân lớp RBF SVM..
- Kết quả nhận dạng khuôn mặt sử dụng SVM.
- Trong bảng 3, tác giả thực hiện đánh giá khi sử dụng thang đo RMSE để nhận dạng khuôn mặt kết hợp với phương pháp SVM.
- Kết quả cho thấy độ chính xác của hai bộ CSDL đạt kết quả thấp hơn không đáng kể khi so sánh với kết quả sử dụng bộ phân lớp RBF SVM như ở bảng 2 (phương pháp tốt nhất được khảo sát đối với bộ phân lớp SVM).
- Thời gian đáp ứng lâu hơn rất nhiều so với sử dụng SVM do quá trình so khớp mẫu được thực hiện trên toàn bộ tập mẫu.
- Trong đó, bộ CSDL NLPRFace chỉ thu thập các khuôn mặt đơn giản, góc chính diện trong khi bộ CSDL EPUFace thu thập tại nhiều vị trí và góc nhìn khác nhau.
- Điều này dẫn đến khi điều khiển hệ thống sẽ giảm hiện tượng điều khiển sai.
- Do đó, trong khuôn khổ ứng dụng này tác giả sẽ sử dụng thang đo RMSE kết hợp với VSM để nhận mẫu đối tượng..
- Kết quả nhận dạng khuôn mặt sử dụng thang đo RMSE CSDL Độ chính xác.
- Trong khi đó, hệ thống được thử nghiệm với 05 người và mỗi người thực hiện 10 lần thì độ chính xác đạt 97%..
- Quá trình chống giả mạo là pha đầu tiên của hệ thống điều khiển cửa thông minh.
- Trong đó, hệ thống sẽ đánh giá trên hai tiêu chí là tính số lần thực hiện chính xác và thời gian đáp ứng tương ứng với mỗi lần thực thi.
- Phương pháp chống giả mạo đề xuất giúp tăng tính an toàn và bảo mật cho hệ thống ở tầng đầu tiên của hệ thống mở cửa sử dụng thông tin hình ảnh..
- Trong bài báo này, tác giả đã thiết kế một hệ thống điều khiển cửa thông minh trong đó kết hợp giữa cửa tự động với công nghệ xử lý ảnh, công nghệ học sâu để phát hiện khuôn mặt.
- Giải pháp của hệ thống đề xuất còn có khả năng chống giả mạo khuôn mặt.
- Ngoài ra, hệ thống cũng được cài đặt và thử nghiệm hệ thống để kiểm tra độ chính xác cũng như đánh giá thời gian đáp ứng trong điều khiển hệ thống ở 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 sẽ kết hợp và so sánh với kỹ thuật học sâu tiên tiến hiện nay (deep learning) trong khâu nhận dạng để nâng cao hơn nữa độ chính xác của quá trình nhận dạng khuôn mặt.
- thử nghiệm trên hệ thống thực tế và tăng số lượng thử nghiệm người dùng.

Xem thử không khả dụng, vui lòng xem tại trang nguồn
hoặc xem Tóm tắt