Công nghệ sinh trắc học (biometric) là công nghệ sử dụng các thuộc tính vật lý hoặc các mẫu hành vi, các đặc điểm sinh học đặc trưng như mẫu vân tay, mẫu võng mạc mắt, giọng nói, khuôn mặt, dáng đi...để nhận diện ra cá thể người là duy nhất tồn tại trong một cơ sở dữ liệu.
MỤC LỤC CHƯƠNG 1: LÍ THUYẾT VỀ SINH TRẮC 1 Tổng quan sinh trắc học công nghệ sinh trắc học 1.1 Công nghệ sinh trắc học .1 1.2 Cấu trúc hệ thống sinh trắc học 1.3 Ứng dụng hệ thống sinh trắc học CHƯƠNG 2: NỘI DUNG VỀ SINH TRẮC ẢNH KHUÔN MẶT 2.1 Các đặc trưng sinh trắc khuôn mặt .6 2.2 Các phương pháp xác định đặc trưng sinh trắc ảnh khuôn mặt người .7 2.2.1 Phương pháp tiếp cận màu da (Skin Color Approaches Model) 2.2.2 Phương pháp tiếp cận phân tách, phân vùng đặc trưng khuôn mặt (Classification Approaches Model) CHƯƠNG 3: NỘI DUNG BIẾN ĐỔI KL .15 3.1 Cơ sở lí thuyết phép biến đổi KL 15 3.2 Biến đổi KL 15 CHƯƠNG 4: ỨNG DỤNG BIẾN ĐỔI KL TRONG NHẬN DẠNG KHUÔN MẶT 17 4.1 Phương pháp nhận dạng khuôn mặt riêng - Eigenface .17 KẾT LUẬN 19 CHƯƠNG 1: LÍ THUYẾT VỀ SINH TRẮC Tổng quan sinh trắc học công nghệ sinh trắc học 1.1 Công nghệ sinh trắc học Công nghệ sinh trắc học (biometric) công nghệ sử dụng thuộc tính vật lý mẫu hành vi, đặc điểm sinh học đặc trưng mẫu vân tay, mẫu võng mạc mắt, giọng nói, khn mặt, dáng để nhận diện cá thể người tồn sở liệu Công nghệ sinh trắc học áp dụng phổ biến lâu đời công nghệ nhận dạng dấu vân tay (hình thức điểm dấu vân tay) dấu vân tay nhận biết đặc điểm quan trọng để phân biệt người người khác Ngày với phát triển không ngừng công nghệ thông tin, công nghệ sinh trắc học ngày nghiên cứu mở rộng phát triên lên tầm cao đáp ứng yêu cầu ngày cao bảo mật, an toàn liệu mà phương pháp thông thường khác thực Với nhu cầu bảo mật ngày cao ứng dụng kiểm soát truy nhập, kiểm soát vào ra, kiểm soát xuất nhập cảnh… nhận dạng sinh trắc học chứng minh tiềm ứng dụng hệ thống quản lý nhân dạng số lượng lớn Hình – Minh họa cơng nghệ sinh trắc học 1.2 Cấu trúc hệ thống sinh trắc học Dựa vào đặc điểm sinh trắc học người, hệ thống nhận dạng sinh trắc học đời nhằm giải nhiều vấn đề có liên quan tới bảo mật, an ninh, khoa học hay nhu cầu khác sống Cấu tạo hệ thống nhận dạng sinh trắc học bao gồm thành phần sau: Hình - Sơ đồ tổ chức hệ thống sinh trắc học Thiết bị thu nhận đặc trưng (sensor): Đây thiết bị tương tác với người dùng nhằm thu nhận đặc điểm sinh trắc người Một số loại thiết bị thu nhận điển hình gồm camera nhằm chụp ảnh khn mặt, trịng mắt, hình dáng tai; micro dùng thu âm giọng nói; thiết bị thu nhận vân tay; thiết bị thu nhận tĩnh mạch; thiết bị thu nhận ADN… Xử lý: Đây khối nhằm trích chọn đặc trưng riêng biệt người lưu lại thành mẫu Mỗi người có mẫu riêng, đặc trưng sinh trắc người thể mẫu tạo Nếu lần người sử dụng đăng ký với hệ thống, mẫu tạo cập nhật vào sở liệu mẫu Nếu lần đăng nhập sau, mẫu so sánh với mẫu có sẵn để xác định danh tính người có mẫu Cơ sở liệu mẫu: lưu trữ liệu mẫu sinh trắc cá nhân nhằm phục vụ cho việc đối sánh So sánh định: từ mẫu người vừa thu thập được, mẫu so sánh với mẫu có sẵn sở liệu để xác định xem mẫu trùng với mẫu lưu sẵn Nếu việc so sánh cho thấy có mẫu trùng hợp, hệ thống định dựa việc xác thực danh tính mẫu thu nhận Các hệ thống nhận dạng sinh trắc học đem đến giải pháp an toàn cho ứng dụng bảo mật đặc trưng sinh trắc là: Duy nhất: nguyên tắc để xây dựng hệ thống nhận dạng sinh trắc học tính đặc trưng Tùy theo đặc trưng sinh trắc khác mà tính hệ thống khác Ví dụ lý thuyết nay, đặc trưng trịng mắt phân biệt 1078 người khác Không thể chia sẻ: đặc trưng sinh trắc thuộc tính riêng gắn liền với cá nhân, khơng thể chia sẻ việc sử dụng đặc trưng với người khác chia sẻ việc sử dụng mật thẻ Không thể chép: đặc trưng sinh trắc gần bị chép, đặc biệt với công nghệ đảm bảo đặc trưng thu nhận từ người sống, từ chép Không thể mất: ngoại trừ trường hợp tai nạn, đặc trưng sinh trắc bị Qua đặc điểm trên, việc nhận dạng sinh trắc học mặt nâng cao tính bảo mật giảm thiểu gian lận, loại bỏ vấn đề liên quan đến việc quên mật khẩu, thẻ tín dụng, thẻ ATM… Mặt khác, cho phép quản lý, giám sát tự động hành vi người: làm việc đó, đâu Ngồi ra, với khả dễ dàng tích hợp với hệ thống khác, hệ thống nhận dạng sinh trắc học ngày áp dụng nhiều hơn, đầu tư nghiên cứu nhiều nhằm tăng tính bảo mật, ổn định thân thiện với người dùng 1.3 Ứng dụng hệ thống sinh trắc học Với ưu điểm tính an tồn, tiện lợi so với phương pháp xác thực truyền thống, hệ thống sinh trắc ngày trở nên phổ biến ứng dụng cần xác thực danh tính người sử dụng.Các ứng dụng nhận dạng sinh trắc học đa dạng, áp dụng rộng rãi hoạt động phủ công ty, tổ chức thương mại, bao gồm từ việc quản lý nhân công, quản lý khách hàng, quản lý vào ra, tới quản lý xuất nhập cảnh, quản lý tội phạm… Theo International Biometric Group, ứng dụng nhận dạng sinh trắc học liệt kê sau : - Thi hành pháp luật: công nghệ nhận dạng sinh trắc học sử dụng từ lâu phương tiện an toàn để xác thực danh tính tội phạm Một ứng dụng thu thập vân tay trường vụ án, so sánh với mẫu vân tay có sẵn sở liệu để xác định danh tính người cần điều tra Hiện nay, sở liệu vân tay lớn thuộc Cục điều tra liên bang Mỹ FBI với khoảng 70 triệu mẫu vân tay; quản lý công văn, hợp đồng (sử dụng công nghệ nhận dạng vân tay); - Giám sát: hệ thống nhận dạng sinh trắc học sử dụng để tự động định vị, theo dõi định danh người khu vực định Hiện nay, hệ thống bao gồm số camera giám sát kết hợp với đặc trưng sinh trắc để giám sát Khuôn mặt đặc trưng sinh trắc sử dụng nhiều loại Những hệ thống giám sát gần xác định danh tính người từ khoảng cách 200m sử dụng khn mặt Trịng mắt ứng dụng để xác định danh tính từ khoảng cách xa So với khn mặt, trịng mắt cho độ xác cao kích thước nhỏ nên việc thu nhận trịng mắt yêu cầu khoảng cách gần Những hệ thống gần cho phép nhận dạng người sử dụng tròng mắt từ khoảng cách 15m - Xuất nhập cảnh: việc tự động hóa tăng cường an ninh việc xác thực danh tính người xuất nhập cảnh ngày quan tâm số lượng người xuất nhập cảnh tăng lên nhanh chóng Hiện nay, hộ chiếu điện tử trở thành tiêu chuẩn quốc tế ICAO áp dụng rộng rãi 70 nước bao gồm Mỹ, Liên minh Châu Âu (Anh, Pháp, Đức, Italia, Hà Lan…), Úc, Hàn Quốc, Singapore… Hộ chiếu điện tử (e-Passport - sử dụng công nghệ nhận dạng vân tay, nhận dạng mặt người) loại thẻ thơng minh có nhớ lưu trữ thông tin đặc trưng sinh trắc cá nhân bao gồm vân tay, khn mặt, trịng mắt - Chống gian lận: công nghệ nhận dạng sinh trắc học sử dụng ứng dụng cơng cộng nhằm kiểm sốt việc cá nhân hưởng lợi từ việc đăng ký nhiều danh tính khác Hiện nay, liên hiệp quốc sử dụng vân tay để kiểm soát việc trợ cấp lương thực tránh trường hợp người gian lận việc nhận trợ cấp nhiều lần khai báo nhiều danh tính khác - Khách du lịch tin cậy: ứng dụng cho phép khách du lịch đăng ký đặc trưng sinh trắc vân tay, tròng mắt với chương trình giúp cho lần du lịch đơn giản, nhanh chóng nhiều phải kiểm tra nhân dạng kios, điển chi nhánh Disneyland Florida Hồng Kông thực đưa nhận dạng vân tay vào việc bán vé - Quản lý vào ra: công nghệ nhận dạng sinh trắc học sử dụng nhằm xác định xác thực nhân dạng người quyền vào khu vực cụ thể; hệ thống điều khiển truy cập: hệ thống xác thực cho phép truy cập tới khu vực nguồn tài nguyên (tài khoản ngân hàng, máy tính mạng máy tính, website, cửa vào ); AFIS (Automated Fingerprint Identification System - Hệ thống nhận dạng vân tay tự động) - Quản lý nhân công: vân tay sử dụng phổ biến việc quản lý thời gian đi, thời gian đến, giám sát có mặt nhân cơng; chấm cơng tính lương (trong nhà máy xí nghiệp - sử dụng cơng nghệ nhận dạng vân tay) - Quản lý khách hàng: ứng dụng loại cần xác thực danh tính khách hàng trước thực giao dịch Thay cho phương thức truyền thống mật khẩu, số PIN, thẻ, chữ ký, khách hàng sử dụng đặc trưng sinh trắc để xác thực danh tính cách nhanh chóng, thuận tiện an tồn Rất nhiều ngân hàng giới đưa nhận dạng vân tay, khn mặt, trịng mắt tĩnh mạch lòng bàn tay vào việc thực giao dịch với khách hàng; toán ngân hàng; trả tiền tự động ATM - Bảo vệ tài sản: ứng dụng cho phép người dùng bảo vệ thông tin, tài sản trước người sử dụng khác Ví dụ bao gồm dùng vân tay để truy cập vào máy tính xách tay, dùng vân tay thay cho khóa tủ, dùng giọng nói để khởi động xe ôtô; an ninh giám sát siêu thị, cửa hàng, tiệm vàng, tòa nhà cao tầng (hệ thống camera giám sát mặt người) Các ứng dụng cho thấy công nghệ nhận dạng sinh trắc học thường sử dụng yêu cầu tính bảo mật, hiệu tiện lợi Với đa dạng ứng dụng, hệ thống nhận dạng sinh trắc học phát triển nhanh chóng Theo số liệu từ tổ chức International Biometric Group, doanh thu hệ thống nhận dạng sinh trắc năm 2009 tỷ USD tăng gấp vào năm 2014 lên tỷ USD CHƯƠNG 2: NỘI DUNG VỀ SINH TRẮC ẢNH KHUÔN MẶT 2.1 Các đặc trưng sinh trắc khuôn mặt Các đặc trưng sinh trắc khuôn mặt đặc điểm riêng khuôn mặt người gần không thay đổi theo thời gian (trừ số cố, tai nạn, phẫu thuật chỉnh hình ), đặc điểm phân biệt người người kia, khó xảy trùng lặp Dựa nhận xét thực tế, người dễ dàng nhận biết khuôn mặt đối tượng tư khác điều kiện ánh sáng khác nhau, phải tồn thuộc tính hay đặc trưng khơng thay đổi Chính thế, việc xác định định danh, nhận dạng khuôn mặt người thông qua đặc trưng sinh trắc học đảm bảo độ xác, tin cậy cao Một số đặc điểm đặc trưng sinh học khuôn mặt người như: Màu da mặt người Trán Xương gò má Mắt Mũi Miệng Tai Khuôn mặt Lông mày Hiện nay, hệ thống sinh trắc học có khả nhận dạng khn mặt người (Face recognition) thơng qua việc phân tích, xử lí đặc trực sinh trắc học khn mặt Hình – Minh họa nhận diện khuôn mặt 2.2 Các phương pháp xác định đặc trưng sinh trắc ảnh khuôn mặt người 2.2.1 Phương pháp tiếp cận màu da (Skin Color Approaches Model) Phương pháp cho phép phát xem ảnh có chứa (nội dung) khn mặt người hay khơng, từ xác định xem đâu khn mặt, vị trí khn mặt Ý tưởng thực phương pháp phân vùng rõ ràng vùng có xuất da vùng khơng xuất da Ngày nay, có nhiều kĩ thuật phát triển triển khai để phân vùng da người ảnh Các điểm ảnh ảnh biểu diễn miền khơng gian màu thích hợp bước để thực phân vùng ảnh theo da màu (dựa màu sắc ảnh) Một số phương pháp thực để xác định khuôn mặt qua việc phát vùng màu da người xuất ảnh: a Phân cụm theo màu da người phát khuôn mặt (Human Skin Color Clustering for Face Detection) Kovac Hình – Các bước q trình tách chọn vùng có chứa khn mặt dựa vào xác định màu da người Bước 1: với ảnh số 1, ta có khung ảnh với độ phân giải 2048x1536 pixels, ta tiến hành giảm độ phân giải ảnh xuống 160x120 pixels Bước 2: loại bỏ tất pixels xác định phần khuôn mặt Bước 3: khoanh vùng vùng điểm ảnh thể phần khuôn mặt Bước 4: loại bỏ vùng dự đoán khuôn mặt (trong số vùng trên) dựa luật đánh giá b Các phương thức phát vùng màu da dựa xác suất Kakumanu Vấn đề đặt việc xác định đâu vùng màu da đâu vùng không chứa màu da người Kakumanu đề xuất phương pháp phân tích histogram ảnh để phân chia dựa lí thuyết xác suất Bayes Khơng gian màu lượng tử hóa thành mức màu cụ thể (có thể 256 mức màu ) Mỗi giá trị mức màu bao gồm số lượng định số điểm ảnh mang giá trị mức màu nằm tập liệu ảnh mã hóa Từ ý tưởng đó, Kakumanu chuyển đổi số lượng ngẫu nhiên điểm ảnh mang giá trị mức màu cụ thể sang giá trị phân bố xác suất P(c): P(c) = count (c) T Trong đó: Count(c) : số lượng điểm ảnh mang giá trị mức màu c T: tổng số mức màu lượng tử hóa trình mã hóa Các giá trị xác suất so sánh với mức giá trị tương ứng với màu da màu da xác định từ trước, từ đưa kết luận c Dai Nakano sử dụng phân bố thành phần màu I không gian màu YIQ để phát pixels ảnh có chứa phần màu da người (màu da vàng) Thành phần I bao gồm màu nằm dải màu từ màu orange đến cyan Tất điểm ảnh có giá trị khoảng R I =[0, 50] dùng để miêu tả cho điểm ảnh có chứa vùng da màu người miêu tả [4] d Sobottka Pitas sử dụng khoảng giá trị không gian màu HS Các giá trị pixels nằm khoảng R H =[0 , 50] R S=[0.23 , 0.68] coi điểm ảnh chứa màu da e Wang Yuan sử dụng ngưỡng giá trị không gian rg HSV để xác định khoảng pixels da người Ngưỡng giá trị nằm khoảng sau: Rr = [0.36, 0.465], Rg = [0.28, 0.363], R H =[0 , 50], R S=[0.23 , 0.68], R S =[0.35, 1.0] 2.2.2 Phương pháp tiếp cận phân tách, phân vùng đặc trưng khuôn mặt (Classification Approaches Model) Ý tưởng phương pháp việc xác định trích chọn đặc trưng sinh trắc theo cấu trúc khuôn mặt, xây dựng thành mẫu khuôn mặt, từ so sánh mẫu với tập mẫu sở liệu đưa kết luận Các đặc trưng sinh trắc khuôn mặt cụ thể bao gồm: khoảng cách hai mắt, độ rộng trán, mũi, miệng, cạnh hàm, đường viền phía hốc mắt, độ rộng lơng mày, khu vực mũi mắt, khu vực xung quanh xương gò má, đường viên khn mặt Các hình ảnh mơ việc nhận dạng khn mặt phương pháp trích chọn đặc trưng sinh trắc khn mặt: Hình – Đánh dấu tách chọn đặc trưng sinh trắc khn mặt (theo IBM) Hình – Sau thực trích chọn tách đặc trưng sinh trắc học khuôn mặt, tiến hành xây dựng mẫu khn mặt để tìm kiếm đối sánh tập mẫu sở liệu Một số phương pháp điển hình việc xác định, trích chọn đặc trưng sinh trắc học khuôn mặt trên: Mơ hình mạng Neural H.Rowley đề xuất Hình – Sơ đồ q trình thực mơ hình mạng Neural việc trích chọn vùng đặc trưng khn mặt P.Viola M.Jones đề xuất mơ hình nhận dạng khuôn mặt thời gian thực mạnh mẽ (Robust Real-time Face Detection) Ở đây, hai tác giả xây dựng đặc trưng Haar-like, kết hợp hai hay ba hình chữ nhật “trắng” – “đen” hình: Hình – Các đặc trưng Haar-like Dùng đặc trưng trên, ta tính giá trị đặc trưng Haarlike chênh lệch tổng pixel vùng đen vùng trắng công thức sau: f(x) = Tổngvùng đen(các mức xám pixel) - Tổngvùng trắng(các mức xám pixel) Sử dụng giá trị này, so sánh với giá trị giá trị pixel thô, đặc trưng Haar-like tăng/giảm thay đổi in-class/out-of-class (bên hay bên ngồi lớp khn mặt người), làm cho phân loại dễ Như vậy, dựa ý tưởng đó, ta phân loại thành vùng riêng biệt khuôn mặt AdaBoost AdaBoost phân loại mạnh phi tuyến phức dựa hướng tiếp cận boosting Freund Schapire đưa vào năm 1995 Adaboost hoạt động nguyên tắc kết hợp tuyến tính weak classifiers để hình thành strong classifier Là cải tiến tiếp cận boosting, AdaBoost sử dụng thêm khái niệm trọng số (weight) để đánh dấu mẫu khó nhận dạng Trong trình huấn luyện, weak classifiers xây dựng, thuật toán tiến hành cập nhật lại trọng số để chuẩn bị cho việc xây dựng weak classifier kế tiếp: tăng trọng số mẫu bị nhận dạng sai giảm trọng số mẫu nhận dạng weak classifier vừa xây dựng Bằng cách weak classifer sau tập trung vào mẫu mà weak classifiers trước làm chưa tốt Sau cùng, weak classifers kết hợp tùy theo mức độ tốt chúng để tạo nên strong classifier Viola Jones dùng AdaBoost kết hợp phân loại yếu sử dụng đặc trưng Haar-like theo mơ hình phân tầng (cascade) sau: Hình 10 – Sơ đồ thuật toán phân vùng xét duyệt vùng đặc trưng khn mặt Trong đó, hk phân loại yếu xác định sau: Phân tích thành phần (PCA – Principal Components Analysis) PCA phương pháp để trích chọn đặc điểm Thuật tốn PCA cung cấp mơ hình thực mẫu đặc trưng lớp, sử dụng để chia lớp từ mẫu chưa phân lớp Thuật tốn PCA có nhiều điểm tương đồng với thuật toán KL (Karhuen Loeve Transform) Hình 11 – minh họa PCA trích chọn đặc điểm khuôn mặt 2.2.3 Phương pháp tiếp cận theo mơ hình đường viền linh hoạt (Active Shape Model) Ý tưởng thực thuật toán dựng đường viền khung khuôn mặt, bao gồm đường viền bao quanh khuôn mặt, đường viền bao quanh phận đặc trưng khuôn mặt mắt, mũi, miệng Từ đó, với ảnh đầu vào, người ta đem so khớp ảnh khuôn mặt với mẫu đường viền Dựa vào thuật tốn phù hợp, tỉ lệ đối sánh trùng khớp đủ lớn kết luận kết việc phát hiện, nhận dạng khn mặt Hình 12 – Mơ hình sử dụng đường viền linh hoạt 2.2.4 Phương pháp tiếp cận theo mơ hình xuất linh hoạt (Active Appearance Model) Đây mơ hình cải tiến từ mơ hình ASM trình bày Đối với mơ hình ASM, tập trung vào điểm mốc cấu trúc thành phần ảnh khuôn mặt, thơng số tính tốn dựa theo ước lượng Chính thế, AAM tập trung vào cấu trúc ảnh đặc biệt vào hình dạng vùng khuôn mặt xác định điểm mốc dựa thuật toán PCA với: Tập học PCA bao gồm vector c = (v, g) v – tham số cho đường viền g – tham số cho cấu trúc Đánh giá: tốc độ tìm kiếm vùng/viền đánh dấu nhanh Hình 13 – Cấu trúc vùng khuôn mặt xác định 52 điểm mốc đánh dấu CHƯƠNG 3: NỘI DUNG BIẾN ĐỔI KL 3.1 Cơ sở lí thuyết phép biến đổi KL Biến đổi KL có nguồn gốc từ khai triển chuỗi các trình ngẫu nhiên liên tục Biến đổi KL gọi biến đổi Hoteling hay phương pháp thành phần Để tiện theo dõi ta cần nhắc lại số khái niệm định nghĩa xử lý thống kê Cơ sở lí thuyết Đây phép biến đổi khơng gian n chiều thành không gian m chiều, với m