Đồ án tốt nghiệp - Tìm hiểu một số phương pháp phát hiện khuôn mặt trong ảnh

Đồ án tốt nghiệp Tìm hiểu một số phương pháp phát hiện khuôn mặt trong ảnh

LỜI CẢM ƠN

Em xin chân thành cảm ơn các thầy, các cô khoa Công nghệ Thông tinTrường Đại học Dân lập Hải Phòng đã tận tình dạy dỗ, truyền đạt cho chúng emnhiều kiến thức quý báu

Em xin tỏ lòng biết ơn sâu sắc đến thầy Th.s Ngô Trường Giang, người đãtận tình giúp đỡ và truyền đạt nhiều kinh nghiệm để đề tài có thể được thực hiện

MỤC LỤC

LỜI CẢM ƠN 1

CHƯƠNG 1: TỔNG QUAN VỀ PHÁT HIỆN KHUÔN MẶT 3

1.1 Giới thiệu 3

1.2 Một số lĩnh vực ứng dụng phát hiện khuôn mặt 3

1.3 Một số phương pháp xác định khuôn mặt người 4

1.4 Khó khăn và thách thức trong bài toán xác định khuôn mặt 5

CHƯƠNG 2: PHÁT HIỆN KHUÔN MẶT SỬ DỤNG ADABOOST 6

2.1 Giới thiệu 6

2.1.1 Các hướng tiếp cận dò tìm khuôn mặt nhanh 6

2.1.2 Hướng tiếp cận theo AdaBoost 6

2.2 Trích chọn đặc trưng cho AdaBoost 7

2.3 Thuật toán ADABOOST 9

2.4 Bộ dò tìm phân tầng Adaboost 11

2.5 Huấn luyện dò tìm khuôn mặt 13

2.6 Dò tìm khuôn mặt 13

CHƯƠNG 3: PHÁT HIỆN KHUÔN MẶT SỬ DỤNG MẠNG NƠRON 15

3.1 Tổng quan về mạng nơron nhân tạo 15

3.1.1 Khái niệm 15

3.1.2 Các thành phần của nơron nhân tạo 15

3.1.3 Mô hình cơ bản của mạng nơron 17

3.1.4 Xây dựng mạng nơron 18

3.1.5 Huấn luyện mạng nơron 19

3.2 Huấn luyện dò tìm khuôn mặt 23

3.3 Quá trình dò tìm khuôn mặt 25

CHƯƠNG 4: CÀI ĐẶT ỨNG DỤNG 27

4.1 Môi trường TEST 27

4.2 Một số giao diện chính 27

4.3 Kết quả 30

4.4 Nhận xét 31

KẾT LUẬN 32

TÀI LIỆU THAM KHẢO 33

CHƯƠNG 1: TỔNG QUAN VỀ PHÁT HIỆN KHUÔN MẶT 1.1 Giới thiệu

Xác định khuôn mặt người (Face Detection) là một kỹ thuật máy tính đểxác định các vị trí và các kích thước của các khuôn mặt người trong các ảnh bất

kỳ (ảnh kỹ thuật số) Kỹ thuật này nhận biết các đặc trưng của khuôn mặt và bỏqua những thứ khác, như: tòa nhà, cây cối, cơ thể, …

1.2 Một số lĩnh vực ứng dụng phát hiện khuôn mặt

Phát hiện khuôn mặt đã được ứng dụng trong rất nhiều lĩnh vực:

- Hệ thống tương tác giữa người và máy: giúp những người bị tật hoặckhiếm khuyết có thể trao đổi Những người dùng ngôn ngữ tay có thể giaotiếp với những người bình thường Những người bị bại liệt thông qua một

số ký hiệu nháy mắt có thể biểu lộ những gì họ muốn, … Đó là các bàitoán điệu bộ của bàn tay (hand gesture), điệu bộ khuôn mặt, …

- Nhận dạng người A có phải là tội phạm truy nã hay không? Giúp cơ quan

an ninh quản lý tốt con người Công việc nhận dạng có thể ở trong môitrường bình thường cũng như trong bóng tối (sử dụng camera hồng ngoại)

- Hệ thống quan sát, theo dõi và bảo vệ Các hệ thống camera sẽ xác địnhđâu là con người và theo dõi con người đó xem họ có vi phạm gì không, ví

dụ xâm phạm khu vực không được vào, …

- Thẻ căn cước, chứng minh nhân dân (Face dentification)

- Điều khiển vào ra: văn phòng, công ty, trụ sở, máy tính,… Kết hợp thêmvân tay và hốc mắt Cho phép nhân viên được ra vào nơi cần thiết, hay mỗingười sẽ đăng nhập máy tính cá nhân của mình mà không cần nhớ tênđăng nhập cũng như mật khẩu mà chỉ cần xác định thông qua khuôn mặt

- An ninh sân bay, xuất nhập cảnh (hiện nay cơ quan xuất nhập cảnh Mỹ đã

áp dụng) Dùng để xác thực người xuất nhập cảnh và kiểm tra có phải lànhân vật khủng bố không

- Tương lai sẽ phát triển các loại thẻ thông minh có tích hợp sẵn đặc trưngcủa người dùng trên đó, khi bất cứ người dùng khác dùng để truy cập hay

xử lý tại các hệ thống sẽ được yêu cầu kiểm tra các đặc trưng khuôn mặt

so với thẻ để biết nay có phải là chủ thẻ hay không

- Tìm kiếm và tổ chức dữ liệu liên quan đến con người thông qua khuôn mặtngười trên nhiều hệ cơ sở dữ liệu lưu trữ thật lớn, như internet, các hãngtruyền hình, … Ví dụ: tìm các đoạn video có tổng thống Bush phát biểu,tìm các phim có diễn viên Thành Long đóng, tìm các trận đá banh cóRonaldinho đá

- Một số hãng sản xuất máy chụp ảnh đã ứng dụng bài toán xác định khuônmặt người vào máy chụp ảnh thế hệ mới để cho kết quả hình ảnh đẹp hơn

1.3 Một số phương pháp xác định khuôn mặt người

Có nhiều nghiên cứu tìm phương pháp xác định khuôn mặt người, từ ảnhxám đến ngày nay là ảnh màu Dựa vào tính chất của các phương pháp xác địnhkhuôn mặt người trên ảnh, chúng ta có thể phân chia các phương pháp này thànhbốn hướng tiếp cận chính:

- Hướng tiếp cận dựa trên tri thức: Mã hóa các hiểu biết của con người về

các loại khuôn mặt người thành các luật Thông thường các luật mô tảquan hệ của các đặc trưng

- Hướng tiếp cận dựa trên đặc trưng không thay đổi: Mục tiêu các thuật

toán đi tìm các đặc trưng mô tả cấu trúc khuôn mặt người mà các đặc trưngnày sẽ không thay đổi khi tư thế khuôn mặt, vị trí đặt thiết bị thu hình hoặcđiều kiện ánh sáng thay đổi

- Hướng tiếp cận dựa trên so khớp mẫu: Dùng các mẫu chuẩn của khuôn

mặt người (các mẫu này được chọn lựa và lưu trữ) để mô tả cho khuôn mặtngười hay các đặc trưng khuôn mặt (các mẫu này phải chọn làm sao chotách biệt nhau theo tiêu chuẩn mà các tác giả định ra để so sánh)

- Hướng tiếp cận dựa trên diện mạo: Trái ngược hẳn với so khớp mẫu,

các mô hình học ở đây được học từ một tập ảnh huấn luyện cho trước Sau

đó hệ thống sẽ xác định khuôn mặt người Một số tác giả còn gọi hướngtiếp cận này là hướng tiếp cận theo phương pháp học.

1.4 Khó khăn và thách thức trong bài toán xác định khuôn mặt

Việc xác định khuôn mặt người có những khó khăn nhất định:

- Hướng (pose) của khuôn mặt đối với máy ảnh, như: nhìn thẳng, nhìn

nghiêng hay nhìn từ trên xuống Cùng trong một ảnh có thể có nhiềukhuôn mặt ở những tư thế khác nhau

- Sự có mặt của các chi tiết không phải là đặc trưng riêng của khuôn mặtngười, như: râu quai nón, mắt kính, …

- Các nét mặt (facial expression) khác nhau trên khuôn mặt, như: vui, buồn,ngạc nhiên, …

- Mặt người bị che khuất bởi các đối tượng khác có trong ảnh

- Điều kiện ảnh, đặc biệt là về độ sáng và chất lượng ảnh, chất lượng thiết bịthu hình

- Trục tọa độ của máy ảnh so với ảnh

- Nhiều khuôn mặt có vùng da dính lẫn nhau

Các khó khăn trên chứng tỏ rằng bất cứ thuật toán nào dùng để xác địnhkhuôn mặt người cũng sẽ không thể tránh khỏi một số khiếm khuyết nhất định

Để đánh giá và so sánh các phương pháp xác định mặt người, người ta thườngdựa trên các tiêu chí sau:

- Tỷ lệ xác định chính xác là tỷ lệ số lượng các khuôn mặt người được xácđịnh đúng từ hệ thống khi sử dụng một phương pháp để xây dựng so với

số lượng khuôn mặt người thật sự có trong các ảnh (detection rate)

- Số lượng xác định nhầm là số lượng vùng trong ảnh không phải là khuônmặt người mà hệ thống xác định nhầm là khuôn mặt người (falsepositives)

- Thời gian thực hiện là thời gian để máy tính xác định khuôn mặt ngườitrong ảnh (running time)

CHƯƠNG 2: PHÁT HIỆN KHUÔN MẶT SỬ DỤNG

ADABOOST 2.1 Giới thiệu

Bài toán dò tìm khuôn mặt nhanh trên ảnh là bài toán quan trọng vì quátrình nhận dạng đối tượng sẽ thiếu chính xác nếu như thiếu bước dò tìm và định

vị được đối tượng Bài toán dò tìm khuôn mặt nhanh có ý nghĩa rất quan trọngtrong việc nhận dạng, theo vết các đối tượng chuyển động trong các đoạn videohay camera

2.1.1 Các hướng tiếp cận dò tìm khuôn mặt nhanh

- Hướng dò tìm khuôn mặt trên ảnh màu dựa trên sự phân tích màu sắc củavùng da Mặc dù việc xử lý khá nhanh nhưng hướng này có giới hạn chỉ

xử lý trên ảnh màu và thường nhạy cảm với ánh sáng, thường chỉ sử dụnglàm các bước tiền xử lý cho các hướng khác

- Hướng dò tìm khuôn mặt dựa trên đặc trưng bất biến của khuôn mặtngười Thành công nhất trong dò tìm khuôn mặt người trong thời gian thực

là phương pháp ASM (Active shape Models)

- Hướng dò tìm khuôn mặt dựa trên thông tin hình ảnh gồm mạng nơ-ron,các hướng thống kê (SVM, AdaBoost…) Phương pháp SVM và mạng nơ-ron cũng đạt được kết quả cao trong thời gian khá nhanh song cũng chỉvài ảnh trong một giây nên khó có thể áp dụng trong việc nhận dạng thờigian thực Riêng phương pháp AdaBoost cho kết quả khả quan vì có thể

xử lý đến khoảng 15-20 khung hình trong một giây

2.1.2 Hướng tiếp cận theo AdaBoost

- Phương pháp dò tìm AdaBoost dựa trên ý tưởng xây dựng các bộ dò tìmyếu mặc dù độ chính xác không cao nhưng có thời gian xử lý rất nhanh.Tuy nhiên khi kết hợp các bộ dò tìm lại có thể đạt độ chính xác cao

- Phương pháp AdaBoost sử dụng kết hợp các đặc trưng vốn dĩ tính toán rấtnhanh, thích hợp cho việc dò tìm trong thời gian thực

- Các bộ phân loại AdaBoost có thể xây dựng phân tầng với độ phức tạp xử

lý từ thấp đến cao, nhằm loại nhanh các ứng viên xấu (không phải mặtngười) vốn dĩ nhiều hơn nhiều các ứng viên là mặt nguời để cho bộ phânloại phức tạp hơn chỉ còn lại ít ứng viên chưa bị loại

2.2 Trích chọn đặc trưng cho AdaBoost

Một phương pháp chọn đặc trưng thích hợp cho AdaBoost là phép biến đổiHaar-like Phép biến đổi Haar-like dựa trên ý tưởng rất đơn giản, đặc trưng đượctính bằng độ chênh lệch giữa tổng các miền hình học Có 3 tập hợp miền hìnhhọc chính như sau:

Hình 2-1: Các miền hình học đặc trưng Haar-like

Giả sử miền đen là dương và miền trắng là âm thì đặc trưng Haar-let tínhbằng tổng giá trị pixel các ô đen trừ cho tổng giá trị các pixel các ô trắng Cáchtính nhanh phương pháp Haar-like dựa trên đạo hàm ảnh bậc nhất ii(x,y) của ảnhi(x,y) Đạo hàm ii(x,y) của ảnh i(x,y) chính là tổng giá trị các pixel tính từ gốctrái trên đến (x,y) :

x ii

' '

) ' , ' ( )

,

Hình 2-2: Ý nghĩa hình học của đạo hàm ảnh

Việc tính toán đạo hàm ảnh được thực hiện rất nhanh bằng việc cộng lũy tíchnhư sau:

(2.3)

trong đó s(x,y) là tổng của cột x tính từ đầu dòng đến vị trí (x,y) Sau khi cóđược đạo hàm ảnh, ta chỉ việc tính giá trị một ô chữ nhật bằng cách như sau:chẳng hạn ô chữ nhật D ta có val(D) = val(ABCD) – val(AC) – val(AB) +val(A) , do đó nếu tính theo tọa độ (x,y) ta có phương trình sau:

sr = (ii(x,y) + ii(x-W,y-L)) – (ii(x-W,y) + ii(x,y-L)) (2.4)

Hình 2-3: Cách tính giá trị một ô đặc trưng

Cuối cùng, việc tính các đặc trưng Haar-like chỉ còn là trừ giá trị tổng các ôchữ nhật được tính như trên

2.3 Thuật toán ADABOOST

Xét bài toán hai lớp, mẫu huấn luyện bao gồm M bộ (x i ,y i ) đã được gán

nhãn, với i {1,2, ,M} trong đó y i  {+1,-1} là nhãn và x i R n là các mẫu huấn

luyện Trong AdaBoost, một bộ phân loại mạnh hơn được xây dựng dựa trên sựkết hợp tuyến tính giữa M bộ phân loại yếu hơn:

trình này có thể được thay thế bằng một hàm tối ưu hóa Lỗi xảy ra khi H (x) ≠ y hay yH M (x) < 0 Lề của mẫu (x, y) qua hàm h(x) R trên tập các mẫu huấn luyện

được định nghĩa là yh(x) Lề có thể được xem là số đo độ tin cậy của giá trị đoán trước của h Lỗi phân lớp của H M có biên trên là:

( ) y i H M(x i)

H

J (2.6)

Thuật toán AdaBoost xây dựng hàm h(x) bằng cách giảm tối đa (2.6)

) 1 (

x y

P

x y

P x

h





(2.9)

với ω(M-1) là trọng số tại thời điểm M

Dùng công thức P(y| x,ω) = P(x| y,ω) P(y) và cho

log (( || 11,, ))

2

1 ) (

y x P x

) 1 (

log 2

1

y P

y P

T (2.11)

chúng ta có được h M (x) = L M (x) – T LM được học ra từ các mẫu của cả haiphân lớp Ngưỡng T được xác định bằng tỉ lệ log của các xác suất trước đó

Ta có một phương pháp để tính phương trình (2.11), ứng dụng khi học các

bộ phân lớp tối ưu Vì rút ra một bộ phân loại yếu trong một miền không giannhiều chiều là công việc quan trọng, sau đây một mô hình thống kê học theo

từng giai đoạn dựa trên vài đặc điểm vô hướng Một đặc điểm vô hướng j của x được tính bằng một phép biến đổi từ không gian dữ liệu n chiều thành đường thẳng thực z j (x)  Z Một đặc điểm có thể là hệ số, hay nói trong xử lý ảnh là

phép biến đổi vi ba tín hiệu Nếu phương pháp tìm kiếm ước lượng được sử

dụng như phép biến đổi z j (x) đơn giản được xem là toạ độ thứ j của x Một danh

sách K đặc điểm ứng cử viên có thể được tạo: Z ={ z j (x), …, z K (x)}.

Giả sử Z là một tập rất hoàn chỉnh, tập các phân lớp yếu có thể có cho bài

toán phân lớp yếu tối ưu có thể được lập như sau: Trước tiên, tại giai đoạn M, khi M-1 đặc điểm của z (1) , z (2) , …, z (M-1) đã được chọn và trọng số cho là ω M-1,

chúng ta có xấp xỉ p(x|y, ω M-1) ) bằng cách dùng phân bố của M đặc điểm:

p(x|y, ω M-1 ) ≈ p(z (1) , z (2) , …, z (M-1) , z k , |y, ω M-1 )

(2.12)

= p(z(1)|y, ωM-1) p(z(2) |y, z(1), ωM-1)…

p(z (M-1) |y, z (1) , z (2) , …, z (M-2) , ω M-1 ) p(z k , |y, z (1) , z (2) , …, z (M-1) , ω M-1 ) (2.13)

Bởi vì Z là tập rất hoàn chỉnh, phép xấp xỉ vẫn tốt đối với tập M đủ lớn khi

M đặc điểm được chọn thích hợp.

Ghi chú: p(z m |y, z (1) , z (2) , …, z (m-1) ) thực ra là p(z m |y, ω (m-1) ) bởi vì ω (m) chứa

thông tin về toàn bộ quá trình tạo ω và bao gồm các thành phần lệ thuộc trên

z (1) , z (2) , …, z (m-1) Vì vậy, chúng ra có:

p(x|y, ω M-1 ) ≈ p(z (1) | y, ω (0) ) p(z (2) | y, ω (1) )…

p(z (M-1) | y, ω (M-2) ) p(z k | y, ω (M-1) ) (2.14)

Mật độ xác suất p(z k | y, ω (M-1) ) cho phân lớp dương y = +1 và phân lớp âm

y = -1 có thể phỏng đoán được từ histogram tính được qua đánh giá công nhận

trọng số của các ví dụ huấn luyện sử dụng các trọng số ω (M-1)

Cho :

) ,

1

| (

) ,

1

| ( )

) 1 ( )

M

k

y z P

y z P x





2.4 Bộ dò tìm phân tầng Adaboost

Với một bộ dò tìm c do phương pháp AdaBoost huấn luyện được, ta có thể

dò tìm với một độ chính xác nhất định và một tốc độ nhất định Nếu như cầnphải chính xác cao thì bộ dò tìm phải bao gồm nhiều đặc trưng, điều đó kéo theotốc độ dò tìm sẽ giảm

Nếu sử dụng bộ dò tìm kết hợp F={ci} với nhiều bộ dò tìm cơ bản fi khácnhau cũng rơi vào tình trạng tương tự Để có được độ chính xác cao, hoặc cầnphải có số lượng lớn các bộ dò tìm, hoặc mỗi bộ dò tìm cần phải có nhiều đặctrưng, hoặc cả hai, thì đồng thời cũng sẽ làm cho tốc độ giảm đi Một hướngkhắc phục nhược điểm này là sử dụng bộ dò tìm phân tầng T={ti} Bộ dò tìmphân tầng bao gồm nhiều tầng, mỗi tầng ti = {cj} là một bộ dò tìm kết hợp với sốlượng các bộ dò tìm khác nhau nên có tốc độ và độ chính xác khác nhau Khi dò

tìm tất cả các khuôn mặt trong ảnh, tất cả các cửa sổ con W0={wi,j,s} với các kíchthước s khác nhau tại các tọa độ (i,j) sẽ được kiểm tra xem có phải là mặt ngườihay không Qua mỗi tầng ti, Wi = ti(Wi-1) trong đó |Wi|<<|Wi-1| do qua mỗi tầng,các cửa sổ không phải ứng viên sẽ bị loại sớm Điều này cho phép chúng ta xâydựng các tầng sao cho: càng về sau độ phức tạp của các tầng càng lớn trong khicác tầng càng thấp thì độ phức tạp càng đơn giản và phải loại được nhiều ứngviên, nhưng tỷ lệ loại sai phải thấp.

Hình 2-4: Minh hoạ bộ dò tìm phân tầngXét mỗi tầng tk = {ci} ta có tỷ lệ loại sai của tk được tính như sau:

f F

1

(2.17)Trong đó fi chính là tỷ lệ loại sai ứng với bộ dò tìm ci và K chính là số bộ

dò tìm của tầng tk Tương tự, độ chính xác của tầng tk được tính như sau :

|

1

|

| 1

i i

i

c D

Vậy khi cho trước một tỷ lệ loại sai D và độ chính xác là F, ta có thể huấnluyện tầng bộ phân loại t sao cho t có tỷ lệ loại sai là D và đô chính xác là F Vàlặp lại quá trình huấn luyện tầng ta được bộ huấn luyện gồm nhiều tầng với độchính xác G hoặc số tầng n như mong muốn.

2.5 Huấn luyện dò tìm khuôn mặt

- Dữ liệu huấn luyện: Tập A gồm các ảnh là khuôn mặt, tập B gồm các ảnhkhông là khuôn mặt (B>>A)

 Lặp trong khi kích thước (w x h) còn lớn hơn cửa sổ ảnh mặt người huấnluyện (w0 x h0):

- Duyệt toàn bộ các vị trí (x,y) cửa sổ với kích thước (w0 x h0) , với mỗi vịtrí tiến hành:

 Áp dụng bộ dò tìm phân tầng để xác định có phải mặt người haykhông

 Nếu là mặt người tại vị trí (x,y) thì thực tế mặt người tại vị trí(x*scalestep, y*scalestep) và kích thước cửa sổ là (w0*scalestep,

- Bước 1 : kích thước từ (w0, h0) đến (w0*scale,h0*scale)

- Bước 2 : kích thước từ (w0*scale,h0*scale) đến (w0*scale2,h0*scale2)

- …………

- Bước n : kích thước từ (w0*scalen-1,h0*scalen-1) đến (w0*scale,h0*scale)

CHƯƠNG 3: PHÁT HIỆN KHUÔN MẶT

SỬ DỤNG MẠNG NƠRON 3.1 Tổng quan về mạng nơron nhân tạo

3.1.1 Khái niệm

Là một đơn vị tính toán có nhiều đầu vào và một đầu ra, mỗi đầu vào đến

từ một synapse Đặc trưng của nơ-ron là một hàm kích hoạt phi tuyến chuyểnđổi tổ hợp tuyến tính của tất cả các tín hiệu đầu vào thành tín hiệu đầu ra Hàmkích hoạt này đảm bảo tính chất phi tuyến cho tính toán của mạng nơ-ron

Hình 3-1: Mô hình một nơ-ron nhân tạo

3.1.2 Các thành phần của nơron nhân tạo

3.1.2.1 Synapse

Là một thành phần liên kết giữa các nơ-ron, nó nối đầu ra của nơ-ron lớpnày với đầu vào của một nơ-ron trong lớp khác Đặc trưng của synapse là mộttrọng số mà mỗi tín hiệu đi qua đều được nhân với trọng số này Các trọng số

synapse chính là các tham số tự do cơ bản của mạng nơ-ron, có thể thay đổi

nhằm thích nghi với môi trường xung quanh

3.1.2.2 Bộ cộng

Bộ cộng để tính tổng các tín hiệu đầu vào của nơ-ron, đã được nhân với cáctrọng số synapse tương ứng, phép toán được mô tả ở đây tạo nên một bộ hợptuyến tính

3.1.2.3 Hàm truyền

Hàm kích hoạt hay còn gọi hàm kích hoạt phi tuyến, chuyển đổi một tổhợp tuyến tính của tất cả các tín hiệu đầu vào thành tín hiệu đầu ra Hàm kíchhoạt này đảm bảo tính chất phi tuyến cho tính toán mạng nơ-ron Nó được xemnhư là một hàm giới hạn, nó giới hạn phạm vi biên độ cho phép tín hiệu đầu ratrong một khoảng giá trị hữu hạn Một số hàm truyền (kích hoạt ) cơ bản trongmạng nơ-ron được trình bày ở bảng 3.1

 Mạng nơ-ron nhân tạo :

Là một hệ thống bao gồm nhiều phần tử xử lý đơn giản (hay còn gọi là nơ-ron) tựa như nơ-ron thần kinh của não người, hoạt động song song và đượcnối với nhau bởi các liên kết nơ-ron Mỗi liên kết kèm theo một trọng số nào đó,đặc trưng cho tính kích hoạt hoặc ức chế giữa các nơ-ron

Có thể xem các trọng số là phương tiện để lưu trữ thông tin dài hạn trongmạng nơ-ron và nhiệm vụ của quá trình huấn luyện (học) của mạng là cập nhậtcác trọng số khi có thêm thông tin về mẫu học, hay nói một cách khác, các trọng

số đều được điều chỉnh sao cho dáng điệu vào ra của mạng sẽ mô phỏng hoàntoàn phù hợp với môi trường đang xem xét