TỔNG QUAN
Sự cần thiết của nhận dạng bằng ảnh sinh trắc
Trong bối cảnh hiện nay, nhu cầu về an ninh và bảo mật ngày càng gia tăng, đặc biệt là trong việc bảo vệ thông tin nội bộ của các tổ chức và công ty Vấn đề an ninh hình sự cũng đòi hỏi các hệ thống nhận dạng cá nhân với độ chính xác cao để phân biệt người này với người khác Mặc dù đã có nhiều phương pháp nhận dạng như thẻ truyền thống và mật khẩu, nhưng những phương pháp này vẫn không đảm bảo tính duy nhất và dễ bị giả mạo Do đó, nhận dạng sinh trắc học đã nổi lên như một giải pháp ưu việt hơn, đáp ứng tốt hơn các yêu cầu bảo mật hiện đại.
Phương pháp nhận dạng sinh trắc học sử dụng các đặc tính hành vi và thể chất như gương mặt, vân tay, chữ ký, võng mạc mắt và tiếng nói để tự động nhận diện một người Những đặc trưng sinh trắc này có tính chất khác biệt, khó bị thay thế, chia sẻ hoặc giả mạo, do đó được coi là đáng tin cậy hơn so với các phương pháp nhận dạng truyền thống.
Nhận dạng sinh trắc đã được ứng dụng rộng rãi trong nhiều lĩnh vực như chứng minh thư, bằng lái xe, khóa cửa vân tay, két sắt vân tay, thẻ thông minh, đăng nhập bằng giọng nói và gương mặt Mỗi loại đặc trưng sinh trắc có ưu điểm và nhược điểm riêng, do đó việc lựa chọn đặc trưng phù hợp phụ thuộc vào yêu cầu cụ thể của từng ứng dụng Các đặc trưng này có thể được so sánh dựa trên tính phổ biến, tính phân biệt, tính ổn định, khả năng thu thập, hiệu quả và mức độ chấp nhận Trong số đó, vân tay nổi bật với tính phân biệt cao và sự ổn định theo thời gian, khiến nó trở thành đặc trưng sinh trắc được sử dụng phổ biến nhất.
Hình 1: Các lĩnh vực ứng dụng nhận dạng sinh trắc
Nhận dạng sinh trắc đang ngày càng trở nên phổ biến trong nhiều lĩnh vực của đời sống nhờ vào các ưu điểm như mức độ an toàn cao, hiệu quả vượt trội và tính thân thiện với người dùng.
Các hệ thống xác thực
Hệ thống sinh trắc cơ bản là công nghệ nhận diện cá nhân thông qua việc xác thực các đặc điểm sinh học hoặc hành vi riêng biệt Trong quá trình thiết kế, việc xác định phương pháp nhận dạng cá nhân là một yếu tố quan trọng Hệ thống sinh trắc có thể hoạt động dưới dạng kiểm tra hoặc nhận dạng, tùy thuộc vào mục đích sử dụng.
Hệ thống kiểm tra sinh trắc là phương pháp xác thực danh tính của một cá nhân bằng cách so sánh các đặc điểm sinh trắc của người đó với mẫu sinh trắc đã được lưu trữ trong hệ thống.
Hệ thống nhận dạng là công nghệ xác thực cá nhân thông qua việc tìm kiếm và so sánh các đặc điểm sinh trắc học của người đó với các mẫu sinh trắc đã được lưu trữ trong cơ sở dữ liệu.
Ngoài ra một hệ thống sinh trắc có thể được phân loại theo một số đặc tính của ứng dụng:
Phối hợp hay không phối hợp trong việc kiểm tra hộ chiếu máy bay là yếu tố quan trọng trong việc phát hiện kẻ giả mạo Hệ thống phối hợp yêu cầu kẻ giả mạo phải đăng nhập để sử dụng tài khoản, trong khi hệ thống không phối hợp có thể giúp phát hiện kẻ khủng bố khi họ sử dụng hộ chiếu.
Hệ thống xác thực có thể được chia thành hai loại: công khai và bí mật Hệ thống được coi là công khai khi người sử dụng nhận thức được rằng họ đang bị xác thực, trong khi đó, hệ thống bí mật xảy ra khi người sử dụng không biết rằng họ đang trong quá trình xác thực.
Hệ thống sinh trắc có thể được phân loại thành hai loại: thường xuyên và không thường xuyên Các hệ thống thường xuyên, như ứng dụng đăng nhập máy tính, được sử dụng đều đặn, trong khi các hệ thống không thường xuyên, như việc làm mới bằng lái xe, chỉ được sử dụng sau một khoảng thời gian dài, thường là vài năm.
Dữ liệu sinh trắc có thể được thu thập thông qua hai phương thức: thực hiện bởi con người hoặc tự động Khi thu thập bằng phương pháp thủ công, dữ liệu sẽ được quản lý và hướng dẫn bởi một người để đảm bảo tính chính xác và hiệu quả.
Môi trường điều hành có thể được phân loại thành chuẩn và phi chuẩn Một môi trường điều hành được coi là chuẩn khi hệ thống hoạt động trong một môi trường được kiểm soát, bao gồm các yếu tố như nhiệt độ và độ ẩm.
Ứng dụng sinh trắc có thể được phân loại thành hai loại: ứng dụng công cộng và ứng dụng kín Nếu là ứng dụng kín, người sử dụng hệ thống sinh trắc sẽ là khách hàng hoặc nhân viên của tổ chức triển khai hệ thống.
Ứng dụng mở cho phép chia sẻ mẫu sinh trắc của người dùng với các ứng dụng khác, trong khi ứng dụng đóng yêu cầu sử dụng các mẫu sinh trắc riêng biệt và phù hợp.
PHÂN TÍCH VÀ BIỂU DIỄN VÂN TAY
Phân tích cấu trúc vân tay
Khi ấn ngón tay lên bề mặt trơn, lớp biểu bì da tạo ra một vân tay với các vân lồi và vân lõm Trong ảnh vân tay, vân lồi có màu tối và có độ rộng lên đến 300μm, trong khi độ rộng của một cặp vân lồi và lõm cạnh nhau là 500μm Các chấn thương nhẹ như bỏng hoặc mòn da không làm thay đổi cấu trúc bên dưới của vân tay; khi da hồi phục, cấu trúc này sẽ trở lại nguyên trạng.
Hình 3: Dấu vân tay được lấy bằng kỹ thuật mực in
Vân lồi và vân lõm thường chạy song song, có thể rẽ thành hai nhánh hoặc kết thúc Các mẫu vân tay thể hiện các vùng khác nhau với hình dạng đặc biệt, được gọi là các cùng đơn Những vùng này được phân loại thành ba dạng chính: loop (∩), delta (∆), và whorl (Ω) Đặc biệt, vùng whorl được mô tả bởi hai vùng loop đối diện nhau.
Hình 4: a) Các đường vân lồi và vân lõm; b) vùng vân thưa (hộp trắng) và điểm nhân (những vân tròn).
Các thuật toán đối sánh vân tay thường căn lề ảnh vân tay theo một điểm trung tâm được gọi là điểm nhân Theo Herry (1900), điểm nhân được định nghĩa là “điểm nằm về phía bắc nhất của đường vân nằm trong cùng nhất” Thực tế, điểm nhân là điểm trung tâm của vùng loop ở phía bắc nhất Nếu vân tay không có các vùng loop hay whorl, điểm nhân sẽ là nơi có độ cong của đường vân lớn nhất.
Biểu diễn hình ảnh vân tay
Hầu hết các thuật toán phân loại và nhận dạng vân tay yêu cầu giai đoạn trích chọn đặc trưng để xác định các đặc trưng nổi bật.
Hình ảnh vân tay được thể hiện dưới dạng bề mặt hai chiều, với I là ảnh vân tay cấp xám và I [x,y] đại diện cho cấp xám của điểm ảnh [x,y] Ký hiệu z = S (x,y) biểu thị bề mặt rời rạc tương ứng với ảnh I, trong đó S (x,y) = I [x,y] Bằng cách chọn các điểm ảnh sáng có cấp xám là 0 và các điểm ảnh tối có cấp xám là g-1, các đường vân tối trong I sẽ tương ứng với bề mặt vân lồi, trong khi khoảng không gian giữa các vân lồi có màu sáng sẽ tạo thành bề mặt vân lõm.
Hình 5: Bề mặt S của một vùng vân tay
Ước lượng hướng vân cục bộ
Một đặc điểm quan trọng của vân tay là hướng vân cục bộ tại các vị trí trong ảnh vân tay Hướng vân cục bộ tại tọa độ [x,y] được xác định bởi góc giữa trục ngang và đường thẳng nối qua các điểm lân cận của [x,y] Vì các đường vân không có định hướng rõ ràng, giá trị góc xy nằm trong khoảng từ 0 đến 180 độ.
Thay vì tính toán hướng vân cục bộ cho từng điểm ảnh, nhiều phương pháp trích chọn đặc trưng và xử lý vân tay ước lượng hướng tại các vị trí rời rạc để giảm gánh nặng tính toán và thực hiện các ước lượng qua nội suy Ảnh hướng vân tay là một ma trận D, trong đó mỗi phần tử chứa thông tin về hướng vân cục bộ của các đường vân Mỗi phần tử ij tương ứng với nốt [i,j] trong lưới ô vuông chứa điểm ảnh [xi,yj], thể hiện hướng trung bình của đường vân trong khu vực lân cận Thêm vào đó, giá trị r ij được sử dụng để biểu diễn tính tin cậy của hướng, với giá trị nhỏ ở các vùng bị nhiễu và hư hại, và lớn ở những vùng có chất lượng tốt.
Hình 6 minh họa một ảnh vân tay được phân tích trên lưới 16x16, trong đó mỗi phần tử thể hiện hướng cục bộ của đường vân, với chiều dài tương ứng phản ánh mức độ tin cậy Để xác định hướng vân cục bộ, phương pháp đơn giản nhất là tính toán gradient của ảnh vân tay, với gradient (xi,yj) tại điểm [xi,yj] của I được biểu diễn dưới dạng một vector hai chiều.
Trong bài viết này, chúng ta xem xét các thành phần đạo hàm theo x và y của I tại điểm [xi,yj], ký hiệu là [x(xi,yj), y(xi,yj)] Góc pha gradient cho thấy hướng thay đổi mật độ điểm ảnh lớn nhất Do đó, hướng ij của một góc giả định qua vùng trung tâm tại [xi,yj] sẽ trực giao với góc pha gradient tại điểm này.
Trong đó xvà y là các thành phần gradient theo hướng x, và y được tính qua mặt nạ Sobel.
Ước lượng tần suất vân cục bộ
Tần suất vân cục bộ (mật độ) fxy tại điểm [x, y] được định nghĩa là nghịch đảo của số vân trong một đơn vị chiều dài dọc theo các đoạn có tâm tại [x, y] và vuông góc với hướng vân cục bộ xy Để xác định ảnh tần suất F, tương tự như ảnh hướng D, tần suất cần được ước lượng tại các vị trí rời rạc và sắp xếp vào một ma trận.
Tần suất vân cục nộ thay đổi trên các ngón tay khác nhau, và thay đổi trên các vùng khác nhau của cùng một vân tay.
Phương pháp do Maia và Maltoni (1998) đề xuất mô hình hóa mẫu vân cục bộ như một bề mặt hình sin, sử dụng định lý thay đổi để ước lượng tần số không xác định Sự thay đổi V của hàm trong khoảng [x1,x2] được tính bằng tổng của sự thay đổi theo chiều dọc.
Nếu hàm tuần hoàn trong khoảng [x1, x2] là nhỏ hoặc có sự thay đổi trong khoảng này, sự biến thiên có thể được mô tả bằng hàm của biên độ trung bình αm và tần số trung bình f.
Do vậy, tần số không biết được ước lượng như sau : ƒ = 2 � � ℎ
Maio và Maltoni (1998) đã đề xuất một phương pháp thực hành dựa trên định lý liên quan Phương pháp này ước lượng sự biến thiên và biên độ trung bình của mẫu vân hai chiều thông qua các phần dẫn xuất đầu tiên và thứ hai, đồng thời tính toán tần suất vân cục bộ dựa trên biểu thức (3).
Tăng cường ảnh
Hiệu quả của các thuật toán trích chọn đặc tính và nhận dạng vân tay phụ thuộc vào chất lượng ảnh vân tay đầu vào Vân lồi và vân lõm trong ảnh vân tay thường thay thế nhau và có hướng cố định, giúp dễ dàng phát hiện và xác định chi tiết Hình 9a minh họa một ảnh vân tay chất lượng tốt Tuy nhiên, do các yếu tố như điều kiện da (khô, ướt, bị cắt), nhiễu cảm biến, ấn vân tay không chính xác và ngón tay chất lượng thấp, khoảng 10% ảnh vân tay có chất lượng kém như thể hiện trong hình 9b và 9c.
Hình 7: a) Ảnh vân tay chất lượng tốt, b) Vân tay với các nếp đứt, gãy, c) Vân tay có nhiều nhiễu
Trong nhiều trường hợp, một ảnh vân tay có thể bao gồm các vùng với chất lượng khác nhau, từ tốt đến trung bình và xấu Thực tế, có một số dạng mất giá trị liên quan đến các ảnh vân tay.
• Các vân không liên tục, có vài nếp đứt.
• Các vân song song không tách biệt rõ ràng do tồn tại của nhiễu liên kết các vân song song, khiến chúng tách biệt kém.
• Bị cắt, có nếp gấp, hay thâm sẹo.
Ba dạng vân tay bị mất giá trị gây khó khăn trong việc trích chọn đặc tính, dẫn đến một số vấn đề nghiêm trọng trong quá trình này.
• Trích chọn các chi tiết sai lệch.
• Bỏ qua các chi tiết đúng.
Để cải thiện hiệu quả của các thuật toán trích chọn chi tiết trên ảnh vân tay chất lượng kém, cần thực hiện các biện pháp tăng cường nhằm nâng cao độ rõ ràng của cấu trúc vân Việc này giúp khắc phục lỗi về hướng và vị trí chi tiết, từ đó tối ưu hóa quá trình nhận diện.
Chuyên gia vân tay có khả năng nhận diện chính xác thông qua nhiều manh mối như hướng vân tay, tính liên tục và xu hướng vân Lý thuyết cho thấy có thể phát triển thuật toán tăng cường dựa trên các manh mối này để cải thiện chất lượng hình ảnh Thông thường, một ảnh vân tay có thể được phân đoạn thành ba hạng mục khác nhau.
• Vùng được định nghĩa tốt : các vân được phân biệt rõ ràng với các vân khác.
Vùng có khả năng phục hồi là những khu vực có các vân bị hư hỏng do các đường đứt gãy nhỏ hoặc thâm sẹo, nhưng vẫn còn khả năng nhìn thấy Những vùng xung quanh cung cấp thông tin cần thiết để khôi phục cấu trúc ban đầu của chúng.
Vùng không thể khôi phục là nơi các vân bị hư hại nghiêm trọng, không còn vân nhìn thấy và các khu vực xung quanh cũng không cho phép tái xây dựng.
Các vùng chất lượng tốt, có thể phục hồi và không thể phục hồi được xác định qua các tiêu chuẩn như độ tương phản, tính đầy đủ của hướng, tần suất vân và các đặc tính cục bộ khác Thuật toán tăng cường nhằm cải thiện tính rõ ràng của các cấu trúc vân trong các vùng có khả năng khôi phục, đồng thời đánh dấu các vùng không thể khôi phục do nhiễu quá nhiều cho các xử lý tiếp theo.
Thuật toán tăng cường thường sử dụng ảnh cấp xám làm đầu vào, với đầu ra có thể là ảnh cấp xám hoặc ảnh đen trắng tùy thuộc vào phương pháp áp dụng Các nghiên cứu trước đây, như của Hong, Wan và Jain (1998) cùng với Greenberg et al (2000), đã chỉ ra rằng các kỹ thuật như tương phản dài trải, thực thi biểu đồ, chuẩn hóa và lọc Winer rất hiệu quả khi được sử dụng như bước xử lý đầu tiên trong các thuật toán tăng cường ảnh vân tay phức tạp.
Phương pháp chuẩn hóa sử dụng bởi Hong, Wan, và Jain (1998) quyết định giá trị cường độ của mỗi điểm ảnh như :
Trong quá trình chuẩn hóa ảnh, kì vọng và phương sai của ảnh gốc được ký hiệu là m và v, trong khi kì vọng và phương sai mong muốn sau khi chuẩn hóa được ký hiệu là m0 và v0 Quá trình này được thực hiện cho từng điểm ảnh, với giá trị của mỗi điểm ảnh phụ thuộc vào các giá trị trước đó và một số tham số toàn cục, mà không làm thay đổi cấu trúc vân của ảnh.
Chuẩn hóa không làm che lấp các đứt gãy nhỏ, lỗ hổng, hay các vân song song bị chạm vào nhau Ví dụ minh họa được thể hiện trong Hình 10.
Hình 8 : Một ví dụ về chuẩn hóa với m 0 P và v 0 0
Hong, Wan và Jain (1998) đã phát triển một phương pháp hiệu quả dựa trên bộ lọc Gabor Bộ lọc Gabor nổi bật với khả năng chọn tần suất và hướng, đồng thời cung cấp độ phân giải tùy chọn trong cả miền không gian và miền số (Daugman, 1995).
Bộ lọc Gabor, như được mô tả trong Farrokhnia (1991), được định nghĩa bởi một sóng phẳng hình sin kết hợp với một hàm Gauss để tạo thành một bộ lọc đối xứng hai chiều Cấu trúc của bộ lọc này cho phép nó xử lý thông tin tần số và không gian một cách hiệu quả.
Trong đó là hướng của bộ lọc, và [x0, y0] là ảnh của [x,y] sau khi quay quanh trục Cartesian một góc (90 0 - ) :
Trong biểu thức ở trên, f là tần suất của song phẳng hình sin, � � , y, là độ lệch chuẩn Gauss tương ứng dọc theo trục x và trục y.
Để áp dụng bộ lọc Gabor vào ảnh, cần xác định bốn tham số: θ, f, x, y Tần suất của bộ lọc phụ thuộc vào tần suất vân, với các giá trị x và y có thể hoán đổi cho nhau Việc chọn giá trị lớn cho x và y có thể gây nhầm lẫn giữa vân lồi và vân lõm, làm giảm hiệu quả loại bỏ nhiễu Từ hàm Modulation Transfer Function (MFT) của bộ lọc Gabor, ta thấy rằng tăng x, y sẽ làm giảm dải thông của bộ lọc và ngược lại Dựa trên kinh nghiệm, Hong, Wan và Jain đã chọn x = y = 4 để cải thiện hiệu suất.
Trong quá trình xử lý ảnh, tập hợp các bộ lọc "on the fly" được tạo ra và lưu trữ từ trước, bao gồm { gij(x,y) | I = 1…n0, j = 1…nf}, với n0 là số hướng rời rạc và nf là số tần suất rời rạc Mỗi điểm ảnh [x,y] sẽ được quấn lại trong không gian bằng bộ lọc gij(x,y), trong đó I là hướng gần nhất với tọa độ xy và fj là tần số gần nhất với giá trị fxy Hình minh họa một ví dụ về tập bộ lọc với n0= 8 và nf = 3, đồng thời trình bày ứng dụng Gabor dựa trên lọc ngữ cảnh cho các ảnh có chất lượng trung bình và thấp.
Hình 10: Một biểu diễn đồ họa trong một nhóm 24 bộ lọc Gabor (n 0 = 8 và n f = 5) với x = y = 4
Greenberg và cộng sự (2000) đã lưu ý rằng : bằng cách giảm giá trị của xtương ứng với y, quá trình lọc tạo ra vài vân sai và dễ bị nhiễu.
Phát hiện chi tiết
Hệ thống tự động so sánh vân tay chủ yếu dựa trên việc đối sánh chi tiết, do đó việc trích chọn chi tiết đáng tin cậy là rất quan trọng Nhiều nghiên cứu đã tập trung vào quy trình này, và mặc dù các phương pháp có sự khác biệt, hầu hết đều yêu cầu chuyển đổi ảnh cấp xám vân tay sang ảnh nhị phân Trong quá trình chuẩn hóa, có nhiều giai đoạn nhằm hỗ trợ cho việc nhị phân hóa sau này Một số thuật toán chuẩn hóa trực tiếp cung cấp đầu ra là ảnh nhị phân, dẫn đến sự nhầm lẫn giữa chuẩn hóa và nhị phân hóa Ảnh nhị phân thu được thường trải qua hai giai đoạn làm mảng, giúp giảm độ dày của đường vân xuống còn một điểm ảnh, từ đó cho phép phát hiện các điểm ảnh tương ứng với các chi tiết.
Hình 12: a)ảnh cấp xám của một vân tay, b) ảnh nhận được khi nhị phân hóa ảnh a), c) ảnh nhận được khi làm mảnh ảnh b).
Một số tác giả đã đề xuất các phương pháp trích chọn chi tiết trực tiếp từ ảnh cấp xám mà không cần phải thực hiện quá trình nhị phân hóa và làm mảnh Sự lựa chọn này được đưa ra dựa trên các điều kiện nhất định.
• Tập các thông tin quan trọng có thể bị mất trong quá trình nhị phân
• hóa.Nhị phân hóa và làm mảnh mất thời gian; Làm mảnh có thể đưa ra một lượng lớn các chi tiết sai lệch.
• Nếu thiếu bước chuẩn hóa, hầu hết các kĩ thuật nhị phân hóa không cung cấp các kết quả tốt khi áp dụng với các ảnh chất lượng thấp.
Phương pháp dựa nhị phân hóa
Vấn đề nhị phân hóa trong xử lý ảnh và nhận dạng mẫu thường sử dụng phương pháp ngưỡng toàn cục t, trong đó các điểm ảnh có cấp xám lớn hơn t được gán giá trị 0 và các điểm ảnh còn lại được gán giá trị 1 Tuy nhiên, do sự khác biệt về độ tương phản và cường độ giữa các phần của ảnh, ngưỡng đơn không đủ để phân hóa chính xác Do đó, kỹ thuật ngưỡng cục bộ được áp dụng, điều chỉnh giá trị ngưỡng theo cường độ cục bộ trung bình Đặc biệt, trong trường hợp ảnh vân tay chất lượng, phương pháp ngưỡng cục bộ không luôn đảm bảo kết quả chấp nhận được, dẫn đến nhu cầu sử dụng các phương pháp đặc biệt.
Để nâng cao chất lượng ảnh nhị phân, một số nhà nghiên cứu đã giới thiệu các kỹ thuật chính quy nhằm lấp đầy các lỗ, loại bỏ đứt gãy nhỏ và cầu nối giữa các vân Coetzee và Botha (1993) đã phát hiện các lỗ và khe hở bằng cách theo dõi các đường vân từ các cửa sổ điều hợp và sử dụng thuật toán màu – blob để loại bỏ chúng Trong khi đó, Hung (1993) áp dụng kỹ thuật lọc điều hợp để cân bằng độ rộng của các vân.
Khi nhận được ảnh xương, việc quét ảnh đơn giản giúp phát hiện các điểm tương ứng với chi tiết Các điểm ảnh này được đặc trưng bởi số điểm đi qua Số điểm đi qua cn(p) của một điểm ảnh p trong ảnh nhị phân được tính bằng một nửa tổng sai khác giữa các cặp điểm ảnh trong 8 lân cận.
Trong đó p0,p1,p2, ,p7là các điểm ảnh láng giềng lân cận của điểm ảnh p và val(p) thuộc {0,1} là giá trị của điểm ảnh Điểm p là :
• Là điểm vân trung gian nếu cn(p)= 2
• Là điểm kết thúc nếu cn (p) = 1
• Là các chi tiết phức tạp hơn (điểm rẽ nhánh, điểm giao cắt…) nếu
Hình 13: Hai ví dụ của quá trình trích chọn đặc tính từ ảnh nhị phân.
Lọc chi tiết
Để phát hiện các chi tiết sai ảnh hưởng đến ảnh vân tay nhị phân, có thể áp dụng một số luật cấu trúc đơn giản Xiao (1991) đã xác định hầu hết các cấu trúc chi tiết sai và đề xuất phương pháp loại bỏ chúng Thuật toán này dựa trên các luật và yêu cầu các đặc tính số học liên quan đến các chi tiết, bao gồm chiều dài các vân liên quan, góc chi tiết, và số lượng các chi tiết đối diện gần kề trong lân cận.
Hình 14: Các cấu trúc sai cơ bản (hàng đầu tiên) và cấu trúc sau khi sửa lỗi
Farina, Kovacs-Vajina và Leone (1999) đã đưa ra vài luật và thuật toán tiền xử lý chi tiết.
Khi đánh giá các cầu trong một điểm chr hai sai, chỉ hai nhánh được căn chỉnh đúng, trong khi nhánh thứ ba thường tạo thành một góc vuông với hai nhánh còn lại.
• Các vân quá ngắn được loại bỏ dựa vào khi so sánh chiều dài vân với khoảng cách trung bình giữa các vân.
• Các điểm kết thúc và rẽ hai được kiểm tra: chúng được loại bỏ nếu không thỏa mãn tính hình học topo.
Hình 15 minh họa quá trình tiền xử lý chi tiết theo phương pháp của Farina, Kovacs-vajina và Leone (1999) Trong ảnh bên phải, nhiều chi tiết không cần thiết đã được loại bỏ từ ảnh vân bên trái, giúp cải thiện chất lượng hình ảnh.
THUẬT TOÁN TRÍCH CHỌN ĐẶC TRƯNG
Thuật toán dò cạnh mức xám
Thuật toán này sử dụng phương pháp dò theo cạnh các đường vân mức xám của ảnh vân tay, kết hợp bộ lọc thích nghi có định hướng để làm trơn ảnh tại những khu vực cần thiết Điểm mạnh của phương pháp này là khả năng phát hiện các đường vân tay thông qua các đoạn thẳng tuyến tính, cho phép việc dò không còn phụ thuộc vào từng điểm ảnh mà theo từng đoạn Đặc biệt, thuật toán có khả năng thích nghi với độ cong của các đường vân, giúp tăng tốc độ dò cạnh mà vẫn duy trì độ chính xác cao Một điểm mới trong thuật toán là các thao tác kiểm tra hậu xử lý, không chỉ dựa vào mối quan hệ vị trí giữa các điểm chi tiết mà còn vào mối quan hệ kết nối của các đường vân và độ tin cậy của các điểm chi tiết Điều này rất quan trọng trong việc xử lý ảnh vân tay bị nhiễu, giúp phân biệt giữa các điểm chi tiết thật và giả, từ đó nâng cao độ chính xác trong nhận dạng vân tay.
Thuật toán
Một ảnh vân tay mức xám có kích thước HxH được coi là một bố cục có định hướng, với các đường vân được phân cách bởi những đường rãnh Giá trị xám của ảnh tại vị trí điểm ảnh (i,j) được ký hiệu là g(i,j), trong khi φ(i,j) đại diện cho hướng của điểm ảnh đó Giá trị xám nằm trong khoảng 0 < g(i,j) 1 Mỗi chi tiết đặc trưng được lưu trữ với các tham số [ik, jk, φdk, c(ik,jk), mk, lk] Tất cả các chi tiết đặc trưng k, với 1
