Thiết kế hệ thống điều khiển cửa tự động sử dụng công nghệ xử lý giọng nói và công nghệ xử lý ảnh

22 Lê Tiến Dũng, Trịnh Ngọc Văn, Nguyễn Văn Kiên, Nguyễn Đức Tường 
THIẾT KẾ HỆ THỐNG ĐIỀU KHIỂN CỬA TỰ ĐỘNG SỬ DỤNG CÔNG NGHỆ 
XỬ LÝ GIỌNG NÓI VÀ CÔNG NGHỆ XỬ LÝ ẢNH 
DESIGNING AN AUTOMATIC DOOR CONTROL SYSTEM APPLYING SPEECH 
PROCESSING AND IMAGE PROCESSING 
Lê Tiến Dũng1, Trịnh Ngọc Văn2, Nguyễn Văn Kiên2, Nguyễn Đức Tường2 
1Trường Đại học Bách khoa, Đại học Đà Nẵng; ltdung@dut.udn.vn 
2Lớp 12DCLC, Trường Đại học Bách khoa, Đại học Đà Nẵng; 
vantnbk91@gmail.com, vankienemk@yahoo.com, tuongnguyen9494@gmail.com 
Tóm tắt - Ngày nay, với sự phát triển không ngừng của ngành tự
động hóa, con người có xu hướng sử dụng các thiết bị tự động để
nâng cao tính tiện nghi, an toàn cho không gian sống của họ. Trong
bài báo này, chúng tôi đề xuất một giải pháp nhằm nâng cao tính
an ninh và tiện lợi của hệ thống điều khiển cửa tự động. Hệ thống
điều khiển này sử dụng các công nghệ bảo mật như mật khẩu, bảo
mật bằng thẻ RFID, hay bằng các phương pháp sinh trắc học khác
như nhận diện khuôn mặt hay giọng nói của người dùng. Ngoài ra
hệ thống có thêm chức năng truyền hình ảnh từ camera đặt ở cửa
tới các thiết bị trong mạng LAN, cũng như giao tiếp với các thiết bị
trong mạng LAN thông qua giao thức MQTT. Đồng thời chúng tôi
xây dựng một mô hình để kiểm nghiệm hoạt động thực tế các giải
pháp đã đề ra. 
 Abstract - Nowadays, because of the consistent development of 
automation technology, there is a growing tendency among people 
to use automatic devices to improve the convenience and safety of 
their living space. In this paper, we propose a measure to enhance 
the convenience and security of the control system of automatic 
doors. Our control system uses security technology such as 
password, RFID or biometric methods like face recognition or 
speech recognition. Besides, our system have two extra functions: 
transmitting images captured by camera via Local Area Network 
(LAN) to other devices and saving video to review when it is 
necessary. The system adopt MQTT as the main communication 
protocol to exchange messages. Finally, we build up a working 
model to demo and test our solution. 
Từ khóa - xử lý giọng nói; xử lý hình ảnh; hệ thống bảo mật; nhận
dạng khuôn mặt; cửa thông minh.
 Key words - speech processing; image processing; security 
systems; face recognition; intelligent door. 
1. Đặt vấn đề 
Ngày nay, khi đời sống kinh tế - xã hội phát triển, vấn đề 
an ninh được quan tâm nhiều hơn. Ở nước ta, việc bảo vệ an 
ninh đang dẫm chân tại chỗ ở việc người ta vẫn đang sử dụng 
con người cho mục đích an ninh là chính như việc thuê các 
bảo vệ viên, hay lắp đặt các hệ thống camera thông thường mà 
một kẻ gian hiểu biết có thể qua mắt được. 
Trên thế giới hiện đã có nhiều công trình nghiên cứu và 
áp dụng hệ thống điều khiển cửa thông minh. Trước hết, có 
thể kể đến hệ thống chuông cửa thông minh Chui [4] sử 
dụng kỹ thuật nhận diện khuôn mặt, thẻ từ và mật khẩu để 
nhận diện và quyết định mở khóa. Ngoài ra, hệ thống này 
còn truyền hình ảnh qua mạng LAN để người dùng biết 
được người đang đứng trước cửa là ai. Tuy nhiên, hệ thống 
đó chưa lưu lại video để người dùng dễ dàng xem lại khi 
cần. Một ứng dụng thương mại khác là hệ thống khóa 
HF6618 sử dụng kỹ thuật nhận diện khuôn mặt, thẻ từ, 
khóa cơ và mật khẩu hoặc kết hợp để mở khóa [8]. Nhược 
điểm của hệ thống này là chưa truyền hình ảnh qua mạng 
LAN cũng như lưu lại video để người sử dụng giám sát 
ngôi nhà của họ. Bên cạnh đó, có thể kể đến hệ thống cửa 
thông minh ở các sân bay Australia [2] đối chiếu khuôn mặt 
trong hộ chiếu điện tử và khuôn mặt thu được từ camera để 
mở cửa cho du khách nhập cảnh. Hệ thống này khá cồng 
kềnh và cũng chưa có chức năng lưu video hay truyền qua 
mạng LAN. 
Trong bài báo này, chúng tôi sẽ xây dựng một mô hình 
hệ thống cửa tự động với cấp độ bảo mật cao và khắc phục 
các vấn đề còn tồn tại của các hệ thống cửa thông mình kể 
đến ở trên. Sơ đồ khối cấu trúc của toàn hệ thống được biểu 
diễn ở hình 1. 
Hình 1. Sơ đồ khối của hệ thống 
Hệ thống cửa này sử dụng camera để phân biệt, nhận 
diện các đối tượng được phép mở cửa làm phương thức bảo 
mật chính. Ngoài ra, hệ thống cửa còn chấp nhận các yêu 
cầu khác như việc nhập khẩu từ bàn phím có sẵn hay nhận 
dạng giọng nói người dùng, đồng thời lưu trữ hình ảnh từ 
camera để thuận tiện cho việc truy xuất hình ảnh khi cần. 
ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 3(112).2017-Quyển 1 23 
Khi người dùng yêu cầu mở cửa, một cơ cấu chốt khóa sẽ 
tự động được kéo ra cho phép người dùng có thể mở cửa. 
Cơ cấu này cũng sẽ gài lại khi có yêu cầu từ người dùng. 
Hệ thống còn có một số tính năng bổ sung khác như truyền 
hình ảnh từ camera đến các thiết bị khác như điện thoại, 
máy tính, cũng như chế độ từ chối tiếp khách liên động với 
chuông cửa. Cái cốt lõi nhất mà bài báo này hướng đến đó 
là giải pháp tự động hóa mang tính cải tiến, nâng cao bảo 
mật và ứng dụng thực tế cao. 
Phần còn lại của bài báo được bố cục như sau: Mục 2 
trình bày thuật toán xử lý ảnh và nhận diện khuôn mặt; Mục 
3 trình bày về phương án xử lý giọng nói cho hệ thống điều 
khiển của cửa tự động; Mục 4 trình bày về giải pháp truyền 
thông. Một mô hình thực nghiệm được xây dựng để kiểm 
chứng giải pháp đề xuất, được trình bày trong mục 5. Cuối 
cùng, mục 6 đưa ra những kết luận, đề xuất. 
2. Thuật toán xử lý ảnh và nhận diện khuôn mặt 
2.1. Thuật toán xử lý ảnh 
Hệ thống xác minh khuôn mặt trong bài báo này thực hiện 
xử lý ảnh qua bốn bước như sau: 
‚ Phát hiện khuôn mặt (detection): Tìm ra vị trí và kích 
thước của khuôn mặt trong bức ảnh. 
‚ Căn chỉnh khuôn mặt (alignment): Tìm các điểm 
landmarks rồi dựa vào các điểm này để biến đổi khuôn 
mặt (xoay, tịnh tiến hay thu phóng) sao cho khuôn mặt 
trong bức ảnh ở góc nhìn chính diện nhất có thể. 
‚ Biểu diễn (Representation): Biểu diễn khuôn mặt 
thành các số đo để dựa vào đó xác minh khuôn mặt. 
‚ Xác minh (Verification): Dựa vào các số đo đã được 
tìm ra để xác minh khuôn mặt có phải là người dùng 
hay không. 
Bức ảnh thu được từ camera có kích thước là 
480x640x3, bức ảnh này sẽ được xử lý để phát hiện ra vị 
trí và kích thước của khuôn mặt; khuôn mặt này được cắt 
ra rồi được điều chỉnh về kích thước 96x96x3. Bức ảnh đã 
được điều chỉnh sẽ được xử lý tiếp qua các giai đoạn sau 
để xác minh. 
Các khung hình được xử lý liên tiếp. Sau khi xử lý xong 
một khung hình, máy tính sẽ lấy tiếp một khung hình nữa 
rồi lặp lại các bước xử lý như trên; quá trình này được lặp 
lại vô hạn. 
Trong ngôn ngữ lập trình Python, các bức ảnh được 
biểu diễn ở dạng numpy array. Ví dụ một mảng numpy 
array như sau: 
I = [[1, 0, 0], [0, 1, 2]] 
Trong mảng này, các số ở giữa mỗi cặp ngoặc vuông bên 
trong là các phần tử của một hàng; dấu phẩy giữa các cặp 
ngoặc vuông phân cách các hàng với nhau. Việc đánh số các 
phần tử trong hàng và cột được bắt đầu bằng số 0, ví dụ I [0, 
0] trả về giá trị 1. Để lấy tất cả các phần tử ở một chiều nào 
đó, ta dùng dấu “:” ở các chiều khác, ví dụ để lấy hàng đầu 
tiên, ta dùng lệnh I [1,:] (lấy tất cả các cột ở hàng 1). 
Các bức ảnh được biểu diễn bằng mảng numpy array 3 
chiều theo thứ tự là chiều dọc, chiều ngang và chiều sâu. 
Sau đây, chi tiết về các bước xử lý ảnh và xác minh sẽ được 
trình bày. 
2.2. Phát hiện khuôn mặt 
Thuật toán được sử dụng để phát hiện khuôn mặt trong 
bài báo này là thuật toán Viola-Jones. Ưu điểm nổi bật của 
thuật toán này là tốc độ xử lý. Thực tế đây là thuật toán 
phát hiện khuôn mặt có tốc độ nhanh nhất và có độ chính 
xác tương đối cao. Bài báo này sử dụng thư viện xử lý ảnh 
mã nguồn mở OpenCV [3] để thực hiện việc phát hiện 
khuôn mặt. 
Sau khi phát hiện khuôn mặt, chương trình trả về vị trí 
và kích thước của hình chữ nhật bao quanh khuôn mặt như 
hình 2. Từ đó, ta có thể tách khuôn mặt ra khỏi bức ảnh để 
thực hiện tiếp các bước nhận dạng. 
Hình 2. Kết quả của đoạn chương trình phát hiện khuôn mặt 
2.3. Căn chỉnh khuôn mặt 
Để căn chỉnh khuôn mặt, trước hết, cần phải tìm các 
điểm landmarks, đây là các điểm đặc biệt có mặt trong mọi 
khuôn mặt, chẳng hạn như góc mắt, đỉnh mũi hay khóe 
miệng. Bài báo này sử dụng thư viện xử lý ảnh mã nguồn 
mở Dlib [6] để tìm 68 điểm landmarks trên khuôn mặt. 
Thuật toán được sử dụng là thuật toán Ensemble of 
Regression Trees; thuật toán này có tốc độ thực thi rất cao, 
nó có thể xử lý 1.000 bức ảnh trong vòng 1s. 
Minh họa các điểm landmarks trên một khuôn mặt như 
hình 3. 
Hình 3. Kết quả tìm điểm landmarks và căn chỉnh khuôn mặt 
Sau khi phát hiện các điểm landmarks, ta sẽ dựa vào các 
điểm này để biến đổi khuôn mặt sao cho góc nhìn được 
chính diện nhất. Ở đây ta sẽ sử dụng phép biến đổi affine. 
Cụ thể là tìm một ma trận H, ma trận này biến đổi các điểm 
có tọa độ ሺݔ௜, ݕ௜ , 1ሻ trong bức ảnh gốc thành các điểm có 
tọa độ ሺݔ௜ᇱ, ݕ௜ᇱሻ[3] trong bức ảnh mới sao cho: 
൤ݔ௜
ᇱ
ݕ௜ᇱ൨ = ܪ ቈ
ݔ௜
ݕ௜
1
቉ (1) 
Để tìm được H, ta cần dựa vào một tính chất của phép 
biến đổi affine như sau: Với hai hình tam giác bất kỳ, ta luôn 
tìm được một phép biến đổi affine để biến đổi tam giác này 
thành tam giác kia [5]. Dựa vào tính chất này, ta sẽ chọn ra 
ba điểm, tìm ma trận H sao cho với ma trận H, ba điểm 
landmarks được chọn trong bức ảnh gốc được biến đổi thành 
ba điểm landmarks chuẩn tương ứng. Hình 4 bên dưới minh 
họa 68 điểm landmarks chuẩn mà bài báo này sử dụng [1]. 
24 Lê Tiến Dũng, Trịnh Ngọc Văn, Nguyễn Văn Kiên, Nguyễn Đức Tường 
Gọi A, B, C là ba điểm landmarks được chọn trong bức 
ảnh gốc và A’, B’, C’ là ba điểm tương ứng của landmarks 
chuẩn, từ phương trình (1) ta có: 
ቂݔ஺ᇱݕ஺ᇱቃ = ൤
ܪଵଵ ܪଵଶ ܪଵଷ
ܪଶଵ ܪଶଶ ܪଶଷ൨ ቈ
ݔ஺
ݕ஺
1
቉ (2) 
Hình 4. Các điểm landmarks chuẩn được sử dụng 
ቂݔ஻ᇱݕ஻ᇱቃ = ൤
ܪଵଵ ܪଵଶ ܪଵଷ
ܪଶଵ ܪଶଶ ܪଶଷ൨ ቈ
ݔ஻
ݕ஻
1
቉ (3) 
ቂݔ஼ᇱݕ஼ᇱቃ = ൤
ܪଵଵ ܪଵଶ ܪଵଷ
ܪଶଵ ܪଶଶ ܪଶଷ൨ ቈ
ݔ஺
ݕ஺
1
቉ (4) 
Giải hệ phương trình trên ta tìm ra H: 
ۏ
ێ
ێ
ێ
ێ
ۍܪଵଵܪଵଶ
ܪଵଷ
ܪଶଵ
ܪଶଶ
ܪଶଷے
ۑ
ۑ
ۑ
ۑ
ې
=
ۏ
ێ
ێ
ێ
ێ
ۍݔ஺ ݕ஺ 1 0 0 00 0 0 ݔ஺ ݕ஺ 1
ݔ஻ ݕ஻ 1 0 0 0
0 0 0 ݔ஻ ݕ஻ 1
ݔ஼ ݕ஼ 1 0 0 0
0 0 0 ݔ஼ ݕ஼ 1ے
ۑ
ۑ
ۑ
ۑ
ې
ିଵ
ۏ
ێ
ێ
ێ
ێ
ۍݔ஺ᇱݕ஺ᇱ
ݔ஻ᇱ
ݕ஻ᇱ
ݔ஼ᇱ
ݕ஼ᇱے
ۑ
ۑ
ۑ
ۑ
ې
 (5) 
Ma trận biến đổi cuối cùng là: 
ܪ = ൤ܪଵଵ ܪଵଶ ܪଵଷܪଶଵ ܪଶଶ ܪଶଷ൨ (6) 
Trong bài báo này, các điểm landmarks số 39, 42 và 33 
được sử dụng để biến đổi. 
2.4. Biểu diễn khuôn mặt 
Để so sánh hai khuôn mặt, điều cần thiết là phải biểu 
diễn bức ảnh thành các tính chất để làm giảm sự biến thiên 
đối với các bức ảnh của cùng một người, trong khi đó phải 
làm tăng sự biến thiên đối với các bức ảnh của hai người 
khác nhau. Đây là phần quan trọng nhất trong quá trình xác 
minh khuôn mặt vì quá trình xác minh hoàn toàn dựa vào 
các tính chất này. 
Hệ thống của bài báo này sử dụng mạng neuron đã được 
luyện sẵn của thư viện mã nguồn mở OpenFace [1]. Mạng 
neuron có input là một bức ảnh màu RGB với kích thước 
96x96x3 và output là một vector chứa 128 số đo, được gọi 
là embeddings. Khoảng cách Euclide giữa hai embeddings 
của hai bức ảnh sẽ lớn nếu chúng thuộc về hai người khác 
nhau và sẽ nhỏ nếu chúng thuộc về hai người khác nhau. 
Gọi ݔ là một bức ảnh đầu vào và ݂ሺݔሻ là vector chứa các 
embeddings của ݔ	[7]. Mạng này được huấn luyện sao cho: 
||݂ሺݔ௜௔ሻ െ ݂ሺݔ௜௣ሻ||ଶଶ ൅ ߙ ൏ ||݂ሺݔ௜௔ሻ െ ݂ሺݔ௜௡ሻ||ଶଶ	ሺ7ሻ 
Trong đó ݔ௜௔ là bức ảnh của một người để đối chiếu; ݔ௜௣ 
là một bức ảnh khác của cùng một người với ݔ௜௔ và ݔ௜௡ là 
ảnh của một người khác với ݔ௜௔ và ݔ௜௣. Từ bất đẳng thức (7) 
ta thấy rằng khoảng cách của các embeddings hai khuôn 
mặt của hai người khác nhau luôn lớn hơn khoảng cách của 
các embeddings của hai khuôn mặt cùng một người ít nhất 
là ߙ (với mạng neuron của OpenFace, ߙ = 0.2) [1]. 
2.5. Xác minh khuôn mặt 
Sau khi biểu diễn khuôn mặt, việc xác minh là rất dễ 
dàng. Từ công thức (7) ta rút ra: 
||݂ሺݔ௜௔ሻ െ ݂ሺݔ௜௣ሻ||ଶଶ ൏ ||݂ሺݔ௜௔ሻ െ ݂ሺݔ௜௣ሻ||ଶଶ െ ߙ	ሺ8ሻ 
Từ công thức (8) suy ra: 
0 ൏ ||݂ሺݔ௜௔ሻ െ ݂ሺݔ௜௣ሻ||ଶଶ െ ߙ	ሺ9ሻ 
Như vậy, khoảng cách Euclide của hai khuôn mặt của 
hai người khác nhau luôn lớn hơn ߙ, trong bài báo này là 
0,2. Như vậy, khi lập trình, chỉ cần tính khoảng cách giữa 
khuôn mặt đã được lưu trong máy tính với khuôn mặt thu 
được từ camera, nếu khoảng cách này nhỏ hơn 0,2 thì kết 
luận là hai khuôn mặt là của cùng một người. Ngược lại, 
nếu lớn hơn 0,2 thì kết luận là hai khuôn mặt khác nhau. 
Tuy nhiên, để đảm bảo an toàn, ta chọn ngưỡng thấp hơn, 
trong bài báo này chúng tôi chọn 0,18. 
2.6. Đọc ảnh từ sever 
Để đọc ảnh từ server trả về, trước hết, cần phải kết nối 
với server. Server trong bài báo này trả về ảnh dạng JPEG; 
đây là chuẩn nén ảnh phổ biến trên internet. Nếu server 
chỉ trả về một bức ảnh thì ta chỉ cần giải mã chuỗi dữ liệu 
nhận được trong biến stream là đã được một bức ảnh. Tuy 
nhiên, trong bài báo này, server liên tục trả ảnh về nên cần 
phải có cách để đọc từng chuỗi mã hóa ảnh trong stream 
ra. Để tìm được chuỗi mã hóa ảnh, ta cần tìm các chuỗi 
‘\xff\xd8’ và ‘xff\xd9’; đây là các chuỗi mở đầu và kết 
thúc được quy ước trong định dạng ảnh JPEG. Sau khi 
đọc được chuỗi mã hóa, ta sẽ xóa các giá trị từ ‘\xd9’ trở 
về trước. Quá trình đọc ảnh tiếp tục được lặp lại để đọc 
các ảnh tiếp theo. 
2.7. Lưu ảnh thành video 
Để lưu ảnh thành video, ta dùng hàm cv2.imwrite() của 
thư viện opencv. Ta có ba thông số cần phải khai báo. 
Thông số đầu tiên là tên của video (ví dụ ‘out.avi’), sau đó 
cần phải khai báo mã Fourcc và số khung hình trên một 
giây (frames per second). Cuối cùng là cờ isColor; nếu cờ 
này được set bằng True thì chương trình sẽ lưu thành video 
với các khung hình màu, nếu bằng False thì chương trình 
lưu lại thành video đen trắng. 
Fourcc là một đoạn mã dùng để nhận biết mã ảnh động 
(video codec), định dạng nén và định dạng pixel hoặc màu 
được sử dụng trong video. Mỗi mã Fourcc được ký hiệu 
bằng bốn chữ cái trong bảng mã ASCII. Mã Fourcc phụ 
thuộc vào hệ điều hành đang được sử dụng cũng như định 
dạng video; nếu khai báo sai mã Fourcc thì việc lưu video 
sẽ thất bại. Mã Fourcc được sử dụng trong bài báo này là 
‘MJPG’ với định dạng video là .avi. Nếu việc lưu video 
thất bại thì cần phải thử với các mã Fourcc khác trên trang 
web https://www.fourcc.org/codecs.php. 
ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 3(112).2017-Quyển 1 25 
3. Phương pháp xử lý giọng nói 
3.1. Thư viện âm thanh MARF 
Trong phạm vi bài báo này, chúng tôi nhận thấy việc 
xác minh người nói (speaker identifier) có ý nghĩa quan 
trọng hơn trong việc bảo mật của hệ thống thay vì nhận 
diện giọng nói, vì thế chúng tôi quyết định chọn những 
phần mềm, thiết bị liên quan tới công việc này. 
Hình 5. Giới thiệu về MARF 
Giải pháp phần mềm được đưa ra trong bài báo này là 
thư viện MARF (Modular Audio Recognition Framework) 
đã được chỉnh sửa lại để có thể sử dụng với ngôn ngữ lập 
trình python và hoạt động được trên máy tính Raspberry Pi. 
MARF là một nền tảng nghiên cứu mã nguồn mở và là 
một tập hợp của các thuật toán về xử lý giọng nói/ âm 
thanh/ ngôn ngữ được viết trên nền tảng java, được sắp xếp 
vào trong một mô-đun và một cái sườn có thể mở rộng 
được bằng việc thêm vào các thuật toán mới. MARF có thể 
chạy trên mạng (network) hoặc có thể hoạt động như một 
thư viện thêm vào các ứng dụng, hoặc có thể dùng như một 
nguồn để nghiên cứu và phát triển. 
3.2. Cài đặt thư viện 
Thư viện MARF được tùy biến thành thư viện piwho 
sử dụng cho ngôn ngữ lập trình python. Về bản chất, thư 
viện MARF được viết trên nền tảng java, vì vậy để sử dụng 
được thư viện chúng ta cần nền java tối thiểu là phiên bản 
1.7. Đối với máy tính Raspberry pi cũng như nhiều dạng 
máy tính linux khác, trong nhân máy đã được cài sẵn java. 
Để kiểm tra phiên bản của nền tảng java, chúng ta sử dụng 
câu lệnh: 
$ java –version 
Để ghi âm phục vụ cho nhận diện người nói, chúng ta 
cần một thư viện âm thanh dành cho python là pyaudio: 
$ pip install pyaudio 
Cuối cùng là câu lệnh cài đặt thư viện: 
$ pip install piwho 
3.3. Huấn luyện máy nhận diện 
Việc huấn luyện máy nhận diện không quá khó khăn, 
người dùng chỉ việc lặp lại việc nói một câu nào đó nhiều 
lần với các âm điệu khác nhau, thường là từ năm đến mười 
lần. Sau khi các đoạn âm thanh được ghi âm xong, máy tính 
sẽ bắt đầu huấn luyện trên cả thư mục chứa các đoạn âm 
thanh đã được ghi âm và lưu tập huấn luyện được vào một 
tệp tin. 
Yêu cầu của việc huấn luyện: 
‚ Số lượng huấn luyện: Tối thiểu hai người. 
‚ Định dạng tệp âm thanh huấn luyện: PCM signed 
(wav). 
‚ Tốc độ mẫu âm thanh: 8.000Hz (8Khz). 
‚ Độ phân giải mẫu: 16bit. 
‚ Kênh thu âm: 1 (mono). 
Nếu tập âm thanh không đúng định dạng trên thì nó sẽ 
được chuyển về đúng định dạng và ghi đè lên tập tin gốc. 
Sau khi huấn luyện lần đầu tiên thì một mô-đun có đuôi mở 
rộng là “.gzbin” và một tập tin “speaker.txt “ được tạo ra 
tại thư mục làm việc hiện tại. Tập tin “speaker.txt” chứa 
thông tin tên người nói và số ID của người nói. Tập tin 
“*.gzbin” chứa các đặc tính được phân tích ra từ tập âm 
thanh huấn luyện. Mỗi lần huấn luyện, tập tin “*.gzbin” sẽ 
được cập nhật lại. 
Để sử dụng thư viện piwho trong chương trình python 
chúng ta phải nhập thư viện: 
from piwho import recognition 
recog = recognition.SpeakerRecognizer() 
Nếu tập âm thanh dùng để huấn luyện và nhận diện nằm 
ở một thư mục khác thì chúng ta phải chỉ rõ ra địa chỉ của 
chúng. Ví dụ các tập tin nằm ở địa chỉ 
‘/home/pi/recordings’: 
recognition.SpeakerRecognizer(‘/home/pi/recordings/’) 
Để huấn luyện một tập dữ liệu âm thanh mới sử dụng 
câu lệnh: 
recog.train_new_data() 
3.4. Nhận diện người nói 
Sau khi thực hiện xong việc huấn luyện thì bước tiếp 
theo là thử nghiệm bằng việc chạy trình nhận diện người 
nói. Để thực hiện được điều này có một số yêu cầu như sau: 
‚ Phải đảm bảo tập tin “*.gzbin” và “speaker.txt” nằm 
trong cùng thư mục, nơi chứa đoạn code python 
được thực thi. 
‚ Kiểm tra “speaker.txt” không phải là file trống. 
Thực hiện việc nhận diện bằng hàm identify_speakers() 
và kết quả trả về ‘name’ dưới đây là danh sách của hai 
người nói có điểm số tốt nhất trong tập huấn luyện. Người 
đầu tiên là người nói gần giống nhất, tức là có điểm số thấp 
nhất: 
name = recog.identify_speaker() 
4. Giải pháp truyền thông 
4.1. Truyền hình ảnh qua mạng LAN 
Mạng LAN (Local Area Network) là tên của một loại 
mạng cục bộ. Các thiết bị kết nối trong mạng này có thể 
chia sẻ thông tin, dữ liệu với nhau mà không bị can thiệp, 
tấn công từ các thiết bị ngoài mạng. Việc truyền hình ảnh 
qua mạng LAN giúp các thiết bị trong mạng có thể xem 
được hình ảnh từ camera ở cửa gửi về. Để truyền được hình 
ảnh qua mạng LAN trên máy tính Raspberry Pi (sử dụng 
hệ điều hành Debian) chúng tôi sử dụng một dịch vụ 
(service) đi kèm, đó là motion. 
Để cài đặt dịch vụ, chúng ta nhập vào terminal câu lệnh: 
sudo apt-get install motion. 
Để bắt đầu sử dụng dịch vụ chúng ta gõ vào terminal 
câu lệnh: sudo service motion start. Để dừng dịch vụ sử 
dụng câu lệnh: sudo service motion stop. Nếu việc truyền 
26 Lê Tiến Dũng, Trịnh Ngọc Văn, Nguyễn Văn Kiên, Nguyễn Đức Tường 
hình ảnh không như ý muốn, chúng ta có thể thay đổi các 
thông số trong tập tin cấu hình của dịch vụ bằng câu lệnh: 
sudo nano/etc/motion/motion.conf, lúc đó tập cấu hình 
được mở ra và chúng ta chỉnh sửa lại dựa trên chú thích 
trước mỗi thông số, hoặc tìm hiểu để biết thêm cách chỉnh 
sửa các thông số cho phù hợp. 
4.2. Giao tiếp với thiết bị khác qua giao thức MQTT 
MQTT là một giao thức truyền tin hiệu quả, đáng tin 
cậy dựa trên nền tảng giao thức TCP/IP được sử dụng phổ 
biến hiện nay. MQTT thích hợp với việc truyền tải những 
dữ liệu nhỏ, yêu cầu tốc độ nhanh và sự đồng bộ dựa trên 
phương pháp đăng ký/xuất bản (subscribe/publish) lên một 
kênh bất kỳ. 
MQTT có hỗ trợ ngôn ngữ python. Để cài đặt gói giao 
thức MQTT cho python, sử dụng câu lệnh pip install paho-
mqtt. Để thêm thư viện MQTT vào chương trình python, 
sử dụng import paho.mqtt.client as mqtt. Để đăng nội dung 
lên một kênh (topic), sử dụngclient.publish(“topic”, data, 
qos=0, retain=False). Để đăng ký nội dung từ một kênh bất 
kỳ, sử dụng câu lệnh client.subscribe(“topic”, qos = 0). 
Chú ý, yêu cầu kênh đó phải tồn tại, có nghĩa là chúng ta 
phải chỉ rõ địa chỉ máy chủ nơi mà kênh được thiết lập và 
tồn tại, sử dụng client.connect (địa chỉ máy chủ, cổng, thời 
gian giữ tin). Ví dụ: ”client.connect("iot.eclipse.org", 
1883, 60)”. 
5. Mô hình thực nghiệm 
Để kiểm nghiệm những đề xuất, giải pháp của bài báo, 
chúng tôi đã xây dựng một mô hình thực tế và đã thử 
nghiệm các phương án nhiều lần. Chương trình xác minh 
khuôn mặt đã xác minh đúng 98,55% số lần thử. Với chế 
độ bảo mật bằng bàn phím, tỷ lệ thành công là 100%, chế 
độ bảo mật bằng giọng nói có xác suất thành công là 91%, 
và chế độ bảo mật bằng thẻ RFID đạt tỷ lệ thành công 
100%. Với các chế độ kết hợp, RFID kết hợp xác minh 
khuôn mặt đạt tỷ lệ thành công là 96%; RFID kết hợp giọng 
nói đạt 89%, xác minh khuôn mặt kết hợp xác minh giọng 
nói đạt 88%. Như vậy, các chương trình cho kết quả với độ 
chính xác cao, chế độ RFID kết hợp với xác minh khuôn 
mặt là chế độ tốt nhất và nên được sử dụng. 
Hình 6. Hình ảnh thiết kế mô hình và các thiết bị mặt trước 
Hình 7. Mặt trước mô hình thực nghiệm thực tế 
Hình 8. Mặt sau mô hình thực nghiệm thực tế 
6. Kết luận 
Bài báo đã trình bày phương án thiết kế hệ thống điều 
khiển cửa tự động sử dụng công nghệ xử lý giọng nói và 
công nghệ xử lý ảnh và các phương thức bảo mật kết hợp. 
Các thuật toán xử lý hình ảnh, nhận dạng giọng nói đã được 
trình bày chi tiết. Các thiết kế trình bày trong bài báo giúp 
làm chủ công nghệ, đưa ra giải pháp để chế tạo hệ thống 
điều khiển cửa thông minh có chất lượng tốt, nhiều ưu điểm 
so với các hệ thống đã được ứng dụng trong thực tiễn. Đồng 
thời, một mô hình thực tế đã được xây dựng để kiểm 
nghiệm các đề xuất của bài báo. Qua quá trình thử nghiệm 
thực tế, chúng tôi nhận thấy rằng mô hình hoạt động có 
hiệu quả, đáp ứng được yêu cầu đặt ra và có thể áp dụng 
được trong thực tiễn. 
ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ ĐẠI HỌC ĐÀ NẴNG, SỐ 3(112).2017-Quyển 1 27 
TÀI LIỆU THAM KHẢO 
[1] Amos, B., Ludwiczuk, B. & Satyanarayanan, M., 2016, OpenFace: 
A general-purpose face recognition library with mobile application, 
CMU-CS-16-118, CMU School of Computer Science. 
[2] Australian Border Force, n.d. The Department of Immigration and 
Border Protection, [Online] Available at: https://www.border.gov.au 
[Accessed 20 August 2016] 
[3] Bradski, G., 2000, “The OpenCV Library”, Dr. Dobb's Journal of 
Software Tools. 
[4] Chui, n.d. CHUI, [Online] Available at: 
https://www.getchui.com/[Accessed 20 August 2016] 
[5] Gonzalez, R.C. & E., W.R., 2007, Digital Image Processcing. 3rd 
ed. Pearson. 
[6] King, D.E., 2009, “Dlib-ml: A Machine Learning Toolkit”, Journal 
of Machine Learning Research, 10, page 1755-58. 
[7] Schroff, F., Kalenichenko, D. & Philbin, J., 2015, “FaceNet: A 
Unified Embedding For Face Recognition And Clustering”, In IEEE 
Computer Society Conference on Computer Vision and Pattern 
Recognition 2015., 2015. 
[8] Xiamen Surmount Industry Co., Ltd., n.d, Xiamen Surmount 
Industry Co., Ltd, [Online] Available at: 
 [Accessed 20 August 2016] 
(BBT nhận bài: 17/12/2016, hoàn tất thủ tục phản biện: 03/02/2017)