Báo cáo xử lý ảnh vân tay

BỘ THÔNG TIN VÀ TRUYỀN THÔNG HỌC VIỆN CÔNG NGHỆ BƯU CHÍNH VIỄN THƠNG TP.HCM KHOA: CƠNG NGHỆ THƠNG TIN TIỂU LUẬN MÔN XỬ LÝ ẢNH CHỦ ĐỀ NHẬN DẠNG DÁNG ĐI GIẢNG VIÊN HƯỚNG DẪN: Lê Hoàng Thái SINH VIÊN THỰC HIỆN: Hồ Mai Quế MÃ SỐ SINH VIÊN: N18DCCN163 LỚP: D18CQCN01-N - - I Giới thiệu toán sinh trắc học Hệ thống nhận dạng sinh trắc học người sử dụng nhiều lĩnh vực ngân hàng, sân bay, vụ án hình sự, mục đích an ninh, v.v Sinh trắc học chia thành hai phần đặc điểm sinh lý hành vi Sinh trắc học sử dụng để nhận xác thực cá nhân dựa đặc điểm sinh lý hành vi Đặc điểm sinh lý vùng liên quan đến cấu tạo thể Chúng có số ví dụ dấu vân tay, quét mống mắt, dấu chân, v.v Các đặc điểm hành vi có liên quan đến kiểu hành vi người Chúng có vài ví dụ dáng đi, kiểu nói, chữ ký, v.v Trong báo cáo này, sẻ sử dụng đặc điểm hành vi dáng để nhận dạng sinh trắc học người Nhận dạng dáng kỹ thuật bổ sung để nhận người khoảng cách xa theo cách họ Nhận dạng dáng có số ưu điểm so với phương pháp sinh trắc học khác Nó khơng u cầu chủ thể người liên hệ Phương pháp nhận dạng dáng chia thành hai loại cụ thể phương pháp dựa mơ hình phương pháp dựa mơ hình miễn phí dựa ngoại hình Phương pháp dựa mơ hình nhằm mục đích mơ hình hóa cấu trúc thể người để nhận dạng Chi phí tính tốn phương pháp dựa mơ hình tương đối cao Chúng thường có hiệu suất thấp Trong mơ hình miễn phí phương pháp dựa ngoại hình thực phân loại cấu trúc thể Nó có hiệu suất cao Chủ yếu sử dụng thơng tin hình bóng thể người Ở đây, sử dụng phương pháp mơ hình miễn phí để nhận dạng dáng Chúng đề xuất nhận dạng dáng người cho góc nhìn khác (45, 90 độ) cách sử dụng Phân tích thành phần (PCA) K gần hàng xóm (KNN) II Các bước áp dụng Thiết kế hệ thống Kiến trúc bao gồm năm mô-đun khác sau: - Đầu vào người dùng Trích xuất đặc điểm Tập liệu đào tạo Bộ phân loại Mô-đun định 1.1 Mô-dun đầu vào người dùng Mơ-đun nhập liệu người dùng chứa hình ảnh dáng Hình ảnh dáng Hình ảnh Năng lượng Gait (GEI) Hình ảnh Năng lượng Gait (GEI) tổng số hình ảnh bóng chia cho số lượng hình ảnh GEI cách hiệu hiệu để biểu diễn dáng Nó có ưu điểm tiết kiệm dung lượng khơng gian nhạy cảm với tiếng ồn Khi người bước vào trước máy ảnh thời điểm máy ảnh chụp người hình ảnh phong cách Sử dụng hình ảnh này, nhận GEI hình ảnh dáng người Chúng tơi sử dụng hình ảnh GEI làm đầu vào hệ thống Phương trình sau trình bày xử lý trước hình ảnh bóng dáng nhị phân Bt (x, y) thời điểm t chuỗi GEI tính : Trong N số khung hình (các) chu kỳ dáng hồn chỉnh chuổi hình bóng, x y tọa độ pixel tương ứng trongkhung ảnh Bt chuỗi dáng đi, t số khung 1.2 Mơ-đun trích xuất đặc điểm PCA sử dụng để trích xuất đặc điểm dáng đi.PCA kỹ thuật tuyến tính sử dụng để trích xuất nhận dạng đặc điểm.PCA sử dụng để giảm kích thước Giảm thứ ngun q trình giảm số lượng biến ngẫu nhiên xem xét thông qua việc thu tập hợp biến Nó chia thành lựa chọn tính trích xuất tính Nó tạo mã hóa chiều thấp nhỏ gọn tập liệu chiều cao định.PCA tính tốn giá trị eigen eigen hình ảnh Các đặc điểm chiều cao trọng lượng hình bóng tập trung suốt q trình trích xuất đối tượng địa lý PCA 1.3 Tập liệu đào tạo Cơ sở liệu đào tạo có chứa hình ảnh dáng Chúng ta có sử dụng tập liệu CASIA-A, chứa hình bóng nhị phân bước tiền xử lý tránh Ngồi ra, chúng tơi tạo tập liệu riêng để thử nghiệm sử dụng máy ảnh canon S25 Nó có 13 tính camera megapixel cảm biến Chúng chụp hình ảnh 45 90 độ xem máy ảnh Chúng sử dụng phần mềm gimp2 để tạo hình bóng hình ảnh 1.4 Mơ-đun phân loại Mơ-đun phân loại chứa K phân loại láng giềng gần Nó sử dụng để so sánh giống mẫu cho 1.5 Mô-đun định Mơ-đun định đưa định, hình ảnh cho hợp lệ không hợp lệ Nếu hợp lệ, hiển thị id người Trích xuất đối tượng sử dụng PCA Phân tích thành phần kỹ thuật tuyến tính sử dụng để trích xuất đối tượng để nhận dạng.PCA thực ánh xạ tuyến tính khơng gian chiều cao sang không gian chiều thấp theo cách trước tiên tập trung liệu cách trừ giá trị trung bình Đó cách xác định mẫu liệu thể liệu theo cách làm bật điểm tương đồng khác biệt chúng Vì khó tìm thấy mẫu liệu liệu có kích thước cao, nơi khơng có sang trọng biểu diễn đồ họa, PCA công cụ mạnh mẽ để phân tích liệu Ưu điểm khác PCA bạn tìm thấy mẫu liệu bạn nén liệu, tức cách giảm số lượng thứ nguyên mà không làm nhiều thông tin Kỹ thuật sử dụng nén hình ảnh Phương pháp vật liệu Nhận dạng dáng đi: Dáng lĩnh vực sinh trắc học để xác định người Dáng khơng có khác ngồi cách cách di chuyển cụ thể bàn chân Bộ liệu nhận dạng dáng hầu hết cung cấp hình ảnh lượng dáng Đó bóng trung bình dọc theo chiều thời gian Ví dụ: số GEI đối tượng tập liệu dáng CASIA hiển thị hình Đối với thử nghiệm chúng tôi, sử dụng tập liệu CASIAA tập liệu tạo Bộ thư viện chứa N = 21 chủ đề Tập gồm m ảnh có kích thước N * N biểu diễn vectơ có kích thước N2 Γ1,Γ2,Γ3,…,ΓM Ma trận hiệp phương sai xây dựng sau: C = AAT, A = [Φ1,…, ΦM] có kích thước N2 * N2 Ma trận hiệp phương sai tổng quát hóa khái niệm hiệp phương sai cho nhiều chiều Ví dụ GEI hai đối tượng (s1-s2) tập liệu dáng CASIA-A Cột(a): GEI 45 độ Cột (b): GEI 90 độ a) b) Tìm đặc trưng N x N ma trận khó Do đó, sử dụng ma trận A A có kích thước M x M tìm ký tự riêng ma trận nhỏ theo công thức sau (sử dụng phương trình (1)) Nếu v vectơ khác khơng λ số cho 2 T Av = λv, …… …… (1) Thì v cho ký tự riêng A với giá trị riêng λ  Cuối nhận giá trị eigen xếp ma trận hiệp phương sai vector eigen K - Láng giềng gần : Ý tưởng đằng sau thuật toán k-Láng giềng gần xây dựng phương pháp phân loại không sử dụng giả thiết dạng hàm, y = f (x1, x2, xp) liên quan đến phụ thuộc (hoặc đáp ứng) biến, y, cho biến độc lập (hoặc dự đoán) x1, x2, xp Giả định mà chúng tơi đưa hàm trơn tru Đây phương pháp phi tham số khơng liên quan đến việc ước lượng tham số dạng hàm giả định dạng tuyến tính mà gặp hồi quy tuyến tính KNN tính k hàng xóm xung quanh mẫu chưa biết, phân loại mẫu không xác định thành danh mục thuộc hàng xóm đa số Xem xét vấn đề phân loại N thực thể thành M lớp, cơng thức là: n = {WI 'W "'" W M}, Wi biểu thị hạng thứ i Thơng tin có sẵn giả định chứa tập liệu huấn luyện T = {(XI, CI), , (XN, CN)} N mẫuX; (i = 1,2, , N) nhãn lớp ci (i = 1,2, , n) nhận giá trị n Quy tắc K-láng giềng gần (KNN) biết đến nhiều tài liệu nhận dạng mẫu Theo quy tắc này, mẫu X chưa phân loại gán cho lớp đại diện đa số K láng giềng gần T Quy tắc thường gọi "quy tắc KNN bỏ phiếu" KNN phổ biến cộng đồng nhận dạng mẫu chủ yếu hiệu suất tốt tính sử dụng đơn giản Thuật tốn KNN đơn giản: - Xác định tham số k = no lân cận gần - Tính tốn khoảng cách phiên truy vấn tất mẫu đào tạo - - III - - - - Sắp xếp khoảng cách xác định hàng xóm gần dựa khoảng cách nhỏ thứ k Thu thập danh mục Y người hàng xóm gần Sử dụng phần lớn danh mục đơn giản hàng xóm gần làm giá trị dự đoán trường hợp truy vấn Các ứng dụng toán Gait Scan: Gait Scan nơi áp suất máy tính hóa mà gắn vào máy tính Cơng nghệ hỗ trợ chúng tơi phân tích dáng bạn phát chức bàn chân bất thường ảnh hưởng đến phần lại thể bạn Sản phẩm phát triển Dr.Ken Fujinaka (Nhật Bản) Gaitometer: Máy đo Gaitometer Ứng dụng cảm ứng iPhone iPod cấp sáng chế, sử dụng để đo bất đối xứng dáng bạn cung cấp cho bạn phản hồi dáng bạn Bằng cách đó, bạn cải thiện khả RunwayScan: RunwayScan thành phần Neurode genScan Suite chúng tơi Hệ thống RunwayScan đáp ứng nhu cầu phân tích dáng động vật Phân tích kiểu dáng cho phép phát đánh giá độ nhạy cao, không xâm lấn đánh giá nhiều tình trạng bệnh lý sinh lý, chẳng hạn bệnh xảy tổn thương tủy sống, bệnh Parkinson, bệnh Alzheimer, ALS, viêm khớp, đau, bệnh thần kinh xương Tekscan: Tekscan cung cấp hai giải pháp đặc biệt để thực phân tích dáng có ý nghĩa: Lối dựa tảng hệ thống dựa giày Cả hai hệ thống cung cấp liệu khách quan, định lượng từ tiếp xúc gót chân đến ngón chân có đầy đủ thơng tin chi tiết độc đáo từ hệ thống giúp bạn xác định bất đối xứng bất thường mà khơng bị phát Đây hệ thống phân tích dáng cung cấp liệu thời gian không gian từ nhiều bước chân liên tiếp chu kỳ dáng Hệ thống Lối có sẵn với nhiều độ phân giải cảm biến nhiều độ dài tiêu chuẩn chắn đáp ứng nhu cầu bạn IV Kết thử nghiệm phân tích a) b) Sau tính tốn khác biệt giống mẫu thử nghiệm liệu huấn luyện, KNN sau áp dụng để phân loại Hình cho thấy điểm số tích lũy 20 người, Hình a hiển thị kết nhận dạng PCA cộng với KNN hình b hiển thị kết nhận dạng PCA Chúng ta rút kết luận sau: - - Hiệu suất nhận dạng PCA cộng với KNN tốt so với sử dụng PCA PCA cộng với KNN nắm bắt tốt đặc điểm không gian chuyển động dáng so với PCA, mong đợi có độ xác nhận dạng tốt Độ xác nhận dạng PCA cộng với KNN 95% điều kiện góc nhìn Nhưng độ xác nhận dạng PCA 90% ... máy ảnh thời điểm máy ảnh chụp người hình ảnh phong cách Sử dụng hình ảnh này, nhận GEI hình ảnh dáng người Chúng sử dụng hình ảnh GEI làm đầu vào hệ thống Phương trình sau trình bày xử lý trước... nhập liệu người dùng chứa hình ảnh dáng Hình ảnh dáng Hình ảnh Năng lượng Gait (GEI) Hình ảnh Năng lượng Gait (GEI) tổng số hình ảnh bóng chia cho số lượng hình ảnh GEI cách hiệu hiệu để biểu... phần đặc điểm sinh lý hành vi Sinh trắc học sử dụng để nhận xác thực cá nhân dựa đặc điểm sinh lý hành vi Đặc điểm sinh lý vùng liên quan đến cấu tạo thể Chúng có số ví dụ dấu vân tay, quét mống