Luận án nghiên cứu nâng cao các kỹ thuật đối sánh vân tay dựa trên đặc trưng điểm chạc

GIỚI THIỆU CHUNG Động lực nghiên cứu Nhận dạng sinh trắc học hay đơn giản gọi sinh trắc học-biometric) đề cập tới việc s dụng đặc điểm có tính chất phân biệt người để tự động nhận dạng cá nhân Các đặc điểm sinh trắc thường chia làm nhóm: i dựa đặc trưng thể đặc trưng vân tay, bàn tay, võng mạc, khuôn mặt, N ; (ii) dựa đặc trưng hành vi cá nhân chữ ký, giọng nói Nhận dạng sinh trắc học s dụng rộng rãi ứng dụng phủ dân [49] Hiện nay, lĩnh vực sinh trắc học, số đặc điểm sinh trắc N , võng mạc, mống mắt cho độ xác cao, nhiên việc thu thập đặc điểm sinh trắc cịn tương đối phức tạp, chi phí lớn Vân tay có tính bất biến đảm bảo t lệ khác biệt hai người khác nhau, thiết bị thu vân tay ph biến, chi phí mức hợp lý tích hợp vào nhiều thiết bị khác chẳng hạn điện thoại thơng minh, khố c a, … Chính v thế, vân tay đặc điểm sinh trắc học có tính ph dụng Sinh trắc học dựa vân tay s dụng ph biến ứng dụng kiểm soát truy cập, định danh khách hàng thực giao dịch: ví dụ máy TM, định danh người dùng giao dịch trực tuyến, quản lý thời gian có mặt nhân viên t chức Sinh trắc học dựa vân tay s dụng ứng dụng liên quan đến phủ định danh công dân hộ chiếu), quản lý xuất nhập cảnh, định danh pháp y Hệ thống sinh trắc học dựa vân tay thường chia làm hai loại tiến tr nh kiểm tra đối tượng verification tiến tr nh định danh đối tượng (identification) Tiến tr nh kiểm tra nh m mục đích kiểm tra xem vân tay đưa vào kiểm tra có người dùng đăng ký Trong tiến tr nh định danh vân tay nh m mục đích t m người s hữu vân tay đưa vào t m kiếm tập người dùng đăng ký vân tay 13 Hai tiến tr nh kiểm tra định danh thường s dụng chung mô đun chức hệ thống như: (i) mô đun trích xuất đặc trưng từ ảnh vân tay thu nhận từ cảm biến Các hệ thống sinh trắc học dựa vân tay thường không s dụng trực tiếp ảnh vân tay mà thường s dụng đặc trưng có tính chất gọn nhẹ trích xuất từ ảnh vân tay (ii) s dụng đặc trưng giai đoạn đối sánh vân tay (matching) Đầu vào mô đun đối sánh tập đặc trưng vân tay CS L vân tay tập đặc trưng vân tay cần nhận dạng, kết đầu mô đun đối sánh ch độ tương đồng hai vân tay similarity score) Giá trị tương đồng s so sánh với giá trị ngưỡng xác định trước hệ thống để đưa định cuối Nếu giá trị tương đồng lớn ngưỡng, cá nhân nhận dạng Nh n chung, tr nh định danh vân tay thường địi hỏi nhiều tài ngun tính tốn, đặc biệt phải làm việc với tập liệu vân tay người dùng có quy mơ lớn hàng trăm triệu đặc trưng vân tay s liệu, chẳng hạn tập liệu vân tay dự án định danh cá nhân Ấn độ [68] Tại Việt Nam, hệ thống C RIS Bộ Công an phát triển với mục đích quản lý tàng thư cước cơng dân, cước phạm t m kiếm dấu tay trường phục vụ công quản lý điều tra tội phạm cung cấp khả nhận dạng 2.5 triệu vân tay phút, s dụng hệ thống cluster gồm 10 máy tính1 Như tốc độ đối sánh C RIS đạt khoảng 1000 vân tay/giây máy tính Với ứng dụng truy vấn vân tay địi hỏi thời gian thực quy mơ lớn, định danh tức thời từ mẫu vân tay đầu vào cần phải có hệ thống thi hành có khả đối sánh hàng triệu vân tay thời gian đơn vị giây Các thuật toán đối sánh vân tay thực thi mơi trường máy tính với vi x lý (Central Processing Unit – CPU) thường khơng thỏa mãn tính chất thời gian thực với s liệu (CSDL) vân tay lớn Nâng cao chất lượng tr nh trích chọn đặc trưng từ ảnh vân tay nâng cao độ xác tốc độ tr nh đối sánh vân tay lĩnh vực nhận nhiều quan tâm nghiên cứu nhận dạng vân tay Nội dung luận án s hướng tới kỹ thuật đối sánh vân tay 14 Thuật toán đối sánh vân tay thường s dụng liệu đầu vào thuộc tính trích chọn từ ảnh vân tay Đầu tr nh đối sánh s đánh giá xem liệu hai ảnh vân tay có thuộc vân tay hay khơng Một số khó khăn cho q tr nh đối sánh vân tay như, vân tay khác đặt lệnh vị trí, xoay vân tay, lực lấy vân tay khác dẫn đến biến đ i vân tay khác nhiễu tr nh lấy mẫu vân tay với ngun nhân da khơ, da có mơ hồi, chất lượng thiết bị lấy mẫu Thực trạng nghiên cứu đối sánh vân tay Mặc dù nghiên cứu lĩnh vực đối sánh vân tay cho kết tốt, đối sánh vân tay lĩnh vực nhận nhiều quan tâm nghiên cứu [33] Một số lĩnh vực nghiên cứu đối sánh vân tay quan tâm như: tăng tốc tr nh đối sánh, đối sánh vân tay với liệu truy vấn ảnh vân tay chất lượng thấp, không đầy đủ (ảnh vân tay thu thập từ trường), đối sánh vân tay thiết bị thẻ thông minh, đối sánh vân tay kết hợp đặc trưng khác nhau, đối sánh bảo vệ tính bí mật, riêng tư vân tay Các phương pháp đối sánh vân tay thường phân loại dựa cách tiếp cận [49]: - Dựa độ tương quan ảnh (Correlation-based matching): hai ảnh vân tay so sánh mức điểm ảnh thông qua việc s dụng ph p ch nh khác Đối sánh vân tay s dụng điểm ảnh thường gặp khó khăn thay đ i cấu trúc ảnh lấy mẫu khác nhau, thay đ i độ sáng tương phản ảnh điều kiện da lấy mẫu Thêm vào tr nh đối sánh điểm ảnh địi hỏi nhiều tài ngun tính tốn o cách tiếp cận đối sánh vân tay thường dựa đặc trưng trích chọn từ ảnh vân tay thay v dựa đối sánh dựa điểm ảnh vân tay Ví dụ Jain cộng đề xuất biểu diễn ingerCode cho vân tay [32], s dụng biến đ i lọc Gabor theo hướng khác dựa hướng đường vân để trích xuất thơng tin ảnh xung quanh điểm trung tâm vân tay Độ tương đồng vân tay khoảng cách vector FingerCode Phương pháp đối sánh s dụng ingerCode cần biết điểm core vân tay Thuật tốn s khó áp dụng vân tay không tồn 15 điểm core gặp khó tr nh xác định điểm core Gần Zanganeh cộng [76 đề xuất phương pháp chia ảnh vân tay thành vùng nhỏ khác tiến hành đối sánh vùng ảnh Phương pháp giúp nhanh chóng t m vùng ảnh phù hợp, sau tác giả tiến hành t ng hợp kết dựa vùng ảnh phù hợp - Dựa đặc trưng không điểm chạc: việc trích chọn điểm chạc khó khăn ảnh vân tay có chất lượng chất thấp Các đặc trưng khác từ ảnh vân tay mẫu đường vân, thông tin h nh dạng đường vân, tần số đường vân, kết cấu đường vân trích chọn [67], [23], [70], [92], [93] - Dựa điểm chạc: cách tiếp cận ph biến kỹ thuật s dụng rộng rãi Các thuật toán đối sánh vân tay dựa điểm chạc có ưu điểm việc dễ tách điểm chạc từ ảnh vân tay, thuận tiện cho việc lưu trữ mẫu với kích thước gọn nhẹ cho kết đối sánh có độ xác cao tốc độ x lý nhanh [49] Trong thuật toán đối sánh vân tay, thường ph biến dựa thông tin điểm chạc từ ảnh vân tay báo cáo khảo sát [56] Khá nhiều đề xuất liên quan nâng cao độ xác thuật toán đối sánh vân tay dựa thông tin điểm chạc đề xuất [8], [17], [48], [2] Một số khó khăn ảnh hư ng đến độ xác thuật tốn đối sánh vân tay như: việc t m thiếu sai đặc trưng tr nh trích chọn đặc trưng ph biến chất lượng ảnh lấy mẫu, điều dẫn đến thêm khó khăn cho tr nh đối sánh vân tay Chất lượng vân tay đặc biệt thấp ảnh vân tay trường (latent) [31], [54], [83] o số thuật tốn đối sánh vân tay bên cạnh s dụng thông tin điểm chạc, có kết hợp với thơng tin khơng điểm chạc điểm chạc thông tin số đường vân điểm chạc [7], thông tin hướng đường vân bao quanh điểm chạc [47] Ngồi thuật tốn đối sánh vân tay x lý môi trường s dụng máy tính, đối sánh vân tay thiết bị nhúng, smart cards nhận nhiều quan tâm [3] Đặc điểm đối sánh vân tay thiết bị nhúng thường không h trợ ph p tính phức tạp dấu ph y động [1] 16 i sánh v n tay CSDL v n tay lớn Thuật toán đối sánh vân tay tiên tiến dựa biểu diễn mã trụ MCC cho điểm chạc cho hiệu cao tốc độ độ xác cần mili giây để thực đối sánh hai vân tay [56] o thuật toán cần giây để xác định vân tay CS L 1000 vân tay Với CS L lớn hàng triệu vân tay CS L dân tr nh định danh s tốn nhiều thời gian Đối với tr nh định danh vân tay CS L vân tay lớn số phương pháp lọc trước vân tay, đối sánh môi trường tính tốn có hiệu cao thường s dụng Lọc trước vân tay cho ph p lọc nhanh vân tay ứng viên cho tr nh đối sánh Một phương pháp thường s dụng lọc trước vân tay phân ảnh vân tay thành lớp [12], [71], [80], [58] Việc chia vân tay thành lớp giúp t m nhanh tập ứng viên vân tay s dụng cho tr nh đối sánh Đối sánh vân tay s dụng mơi trường tính tốn hiệu cao thường s dụng cụm máy tính thiết kế phần cứng chuyên dụng cho tr nh đối sánh hay s dụng x lý đồ họa GPU Jiang Crookes [30], xây dựng đối sánh vân tay dựa thiết kế phần ứng chuyên dụng FPGA (Field-Programmable Gate Array) đạt 1.2 triệuđối sánh vân tay giây Xu cộng [73 xây dựng FPGA dựa x lý Virtex VII XC7VX485T đạt tốc độ đối sánh 9.6 triệu đối sánh giây Peralta cộng [56], triển khai hệ thống đối sánh vân tay dựa CPU, hệ thống chạy cluster gồm 12 nút M i nút gồm x lý Intel Xeon E5-2620, kết hệ thống đạt 812,700 đối sánh giây Lastra cộng [39 , triển khai hệ thống gồm x lý GPU GTX 680 cho kết 1.5 triệu ph p đối sánh giây, thuật tốn dựa mơ tả biểu diễn điểm chạc Jiang Gutierrez cộng [27], triển khai hệ thống đối sánh vân tay dựa GPU, đạt kết 55.700 đối sánh giây, hệ thống s dụng card đồ họa GeForce GTX 680 GPU, thuật toán đối sánh dựa biểu diễn MCC 17 Cappelli cộng [9 đạt kết cao cơng bố đến nay, thuật tốn đối sánh GPU s dụng biểu diễn MCC cho kết 8.6 triệu đối sánh giây Mục tiêu nội dung Động lực nghiên cứu phân tích cho ph p xác lập luận án với tên “Nghiên cứu n ng cao kỹ thuật đ i sánh v n tay dựa đặc trưng điểm chạc” Luận án đặt mục tiêu nâng cao tốc độ lẫn độ xác thuật toán đối sánh vân tay dựa đặc trưng điểm chạc Để nâng cao độ xác tr nh đối sánh vân tay, bước tr nh so khớp s trọng nghiên cứu để đề xuất cải tiến Đối với mục tiêu cải thiện tốc độ đối sánh, số phương pháp, kỹ thuật song song hoá tr nh đối sánh s chúng tơi nghiên cứu để đề xuất kỹ thuật cải thiện tốc Ngồi ra, việc s dụng thêm đặc trưng điểm chạc, cụ thể điểm đơn nhất, quan tâm nghiên cứu với định hướng góp phần cải thiện hiệu tốc độ lẫn thời gian so khớp vân tay Trong luận án này, ảnh vân tay s dụng CS L vân tay thu nhận từ cảm biến vân tay (chẳng hạn FVC2002 [45],FVC2004 [46] Các ảnh vân tay thu từ trường trường hợp h nh sự, pháp lý không thuộc đối tượng nghiên cứu luận án Luận án quan tâm đến phương pháp, kỹ thuật đối sánh vân tay dựa thông tin lưu trữ cho vân tay s dụng chu n ISO/IEC 19794-2 [28], [85] Chu n lưu trữ ISO/IEC 19794-2 giúp trao đ i liệu hệ thống nhận dạng vân tay khác Với hệ thống nhận dạng vân tay s dụng s dụng định dạng liệu đóng, chuyển sang thuật tốn đối sánh hãng khác s không thực Trong chu n ISO/IEC 19794-2, đặc trưng từ ảnh vân tay lưu trữ bao gồm đặc trưng điểm chạc ảnh vân tay tùy chọn m rộng lưu thông tin điểm đơn số đường vân điểm đơn Dựa đối tượng nghiên cứu thông tin đặc trưng dựa chu n ISO/IEC 19794-2, luận án có mục tiêu nâng độ xác lẫn tốc độ dựa thơng tin điểm chạc 18 Đối với hướng nâng cao tốc độ tr nh đối sánh định danh vân tay tập vân tay lớn, mơi trường tính tốn hiệu cao cụm máy tính s dụng x lý đồ họa GPU hai giải pháp để thực Theo nghiên cứu gần đây, giải pháp tận dụng tốc độ x lý đồ họa GPU quan tâm s dụng nhờ hiệu tính tốn cao chi phí hợp lý [27], [9] Chính v thế, luận án tập trung nghiên cứu nâng cao hiệu đối sánh tốc độ theo cách tiếp cận s dụng x lý đồ họa GPU Từ đó, mục tiêu luận án tiến hành thông qua nội dung nghiên cứu sau: i Khái quát tr nh đối sánh vân tay dựa thông tin điểm chạc ii Nghiên cứu, đề xuất phương thức nâng cao độ xác thuật toán đối sánh vân tay dựa điểm chạc iii Nghiên cứu, cài đặt kỹ thuật cải tiến tốc đối sánh vân tay thông qua việc s dụng khai thác mạnh toán hiệu năng cao x lý đồ hoạ GPU iv Tiến hành thực nghiệm, đánh giá so sánh kết phương thức, kỹ thuật đưa luận án Các đóng góp luận án Với mục tiêu nội dung đặt ra, luận án tiến hành thực hồn thành Những đóng góp thu luận án bao gồm: Đề xuất phương thức nâng cao độ xác thuật toán đối sánh vân tay dựa điểm chạc b ng cách cải tiến giai đoạn gia cố, tiến hành đánh giá chi tiết bước kiểm tra mà không ảnh hư ng đến thời gian thực thi thuật toán Thực nghiệm tiến hành nhiều thuật toán đối sánh vân tay khác K-plet, MCC, m-Triplets cho kết nâng cao độ xác thuật tốn mà không ảnh hư ng đến thời gian thi hành thuật toán gốc Kết nghiên cứu công bố hai công tr nh [LHHai1], [LHHai4] 19 Các điểm đơn thường s dụng làm điểm ch nh giúp tăng tốc thuật tốn đối sánh vân tay, ngồi điểm đơn đặc trưng quan trọng s dụng tr nh phân lớp vân tay Luận án đề xuất kỹ thuật phát điểm đơn dựa phương pháp học máy s dụng mạng nơ ron tích chập (Convolution Neural Networks -CNN Kết th nghiệm phát điểm đơn CS L vân tay VC 2002 s dụng mô h nh mạng CNN thể kết tốt so với số phương pháp truyền thống Đóng góp công bố công tr nh [LHHai5] Đối với tr nh đối sánh vân tay CS L vân tay lớn, luận án đề xuất phương pháp đối sánh x lý đồ hoạ GPU s dụng biểu diễn MCC Thuật toán đối sánh tuỳ biến lại để phù hợp tận dụng mạnh tính tốn hiệu cao kiến trúc x lý song song GPU Kết đánh giá hệ thống tính tốn s dụng x lý đồ họa Nvdia GTX 680 cho thấy thuật tốn có khả đối sánh 8.5 triệu vân tay giây s dụng ph p đối sánh nhanh, tương đồng với kết tốt công bố Khi s dụng tr nh đối sánh chi tiết, tốc độ đối sánh đạt 1.8 triệu ph p đối sánh vân tay giây Các kết nghiên cứu thể qua công bố [LHHai2], [LHHai3], [LHHai6] T chức luận án Dựa vào mục tiêu nội dung đặt ra, thảo luận án t chức sau: - Chương 1: giới thiệu khái quát toán đối sánh vân tay dựa điểm chạc Nội dung chương s đề cập tới tr nh tiền x lý bao gồm tr nh trích chọn đặc trưng điểm chạc Các phương pháp tiếp cận khảo sát số thuật toán tiêu biểu đối sánh dựa đặc trưng điểm chạc - Chương 2: đặc tả đề xuất cải tiến giai đoạn gia cố cho thuật toán đối sánh vân tay dựa điểm chạc, giúp tăng độ xác thuật tốn mà khơng ảnh hư ng đến tốc độ thi hành thuật toán gốc Th nghiệm đánh giá kết đề xuất đề cập chi tiết nội dung chương 20 - Chương 3: mô tả số kỹ thuật phát điểm đơn từ ảnh vân tay thường s dụng Khái quát mạng nơ ron CNN đề xuất kỹ thuật áp dụng mạng CNN vào tr nh nhận dạng điểm đơn từ ảnh vân tay Từ tr nh bày kết th nghiệm kỹ thuật đề xuất so sánh với kết số phương pháp truyền thống - Chương 4: đặc tả kỹ thuật triển khai thuật tốn đối sánh vân tay đề xuất mơi trường tính tốn song song s dụng x lý GPU nh m h trợ tăng tốc tr nh định danh vân tay CS L vân tay lớn Kiến trúc x lý đồ họa GPU tr nh bày để làm tiền đề xây dựng thuật toán đề xuất luận án cho tr nh đối sánh vân tay s dụng x lý GPU - Cuối phần kết luận chung luận án số hướng phát triển Cấu trúc tr nh tự luận án tr nh bày theo h nh Các đường mũi tên ch quan hệ chương, chương phía sau mũi tên có s dụng thơng tin đề cập chương phía trước Chƣơng 1: Chƣơng 3: “Khái quát đối sánh vân tay “Phát điểm đơn từ dựa điểm chạc” ảnh vân tay” Chƣơng 2: Chƣơng 4: “Nâng cao giai đoạn gia cố đối “Cải tiến hiệu đối sánh sánh vân tay dựa điểm chạc” vân tay quy mô lớn s dụng GPU” “Kết luận hướng phát triển” 21 Chƣơng 1: KHÁI QUÁT VỀ ĐỐI SÁNH VÂN TAY DỰA TRÊN ĐIỂM CHẠC Trong nội dung chương, luận án s đặc tả chi tiết toán đối sánh vân tay dựa đặc trưng điểm chạc lớp thuật toán đối sánh vân tay dựa điểm chạc thường s dụng Trước vào đặc tả chi tiết toán đối sánh mục 1.3, mục 1.1 1.2 s nêu bước x lý hệ thống nhận dạng vân tay tự động giai đoạn tiền x lý nh m trích chọn đặc trưng điểm chạc từ ảnh vân tay vân tay 1.1 Hệ thống nhận dạng vân tay tự động Quá tr nh x lý hệ thống nhận dạng vân tay tự động thường trải qua bước sau [MMJ09]: - Lấy mẫu: tr nh lấy mẫu vân tay thường s ụng thiết bị điện t có cảm ứng để lấy mẫu vân tay, có đa dạng thiết bị cảm ứng - Trích chọn thuộc tính: nh m mục đích đối sánh vân tay, ảnh vân tay gốc thường x lý b i phận trích chọn thuộc tính để tạo thể gọn nhẹ có tính thể hiện, đại diện cao gọi tập đặc trưng - Tạo mẫu: tr nh t chức nhiều tập đặc trưng vào mẫu lưu trữ thiết bị lưu trữ - Lọc vân tay trước đối sánh: giai đoạn s dụng hệ thống định danh số lượng mẫu lưu trữ lớn Vai trò bước giảm số lượng mẫu cần đối sánh - Giai đoạn đối sánh matching : đầu vào tập đặc trưng vân tay cần so sánh mẫu lưu trữ, bước đối sánh s tính tốn độ tương đồng vân tay matching score hay similarity score Kết đối sánh s so sánh với ngưỡng hệ thống để đưa kết cuối Nếu kết đối sánh cao ngưỡng th coi hai vân tay phù hợp, nhỏ s coi hai vân tay hai vân tay khác 22 thuật toán đối sánh vân tay dựa điểm chạc như: K-plet giảm sai số thuật toán từ 1.52 R xuống 1.28 , th nghiệm thuật toán m-Triplets giảm sai số thuật tốn từ 1.71 xuống cịn 1.52 Thời gian thực thi thuật toán sau cải tiến giai đoạn gia cố so với thuật toán gốc không bị ảnh hư ng Luận án đề xuất kỹ thuật phát điểm đơn từ ảnh vân tay dựa phương pháp học máy s dụng mạng nơ rơn tích chập Covolution Neural NetworkCNN Điểm đơn thường chọn làm tr nh ch nh giúp tăng tốc độ thực thi thuật toán đối sánh vân tay dựa điểm chạc tác vụ phân lớp ảnh vân tay Các phương pháp phát điểm đơn core delta thường s dụng phương pháp Pointcare index ảnh hướng đường vân orientation map , phương pháp dễ bị ảnh hư ng ảnh nhiễu dẫn tới hướng đường vân bị phát sai Các giải pháp lọc lại s dụng lọc phức tạp thường s dụng để loại bỏ điểm phát sai Luận án đề xuất phương pháp phát điểm đơn dựa phương pháp học máy s dụng mạng nơ ron tích chập sâu Convolution Neural Network-CNN Các cấu trúc mạng CNN áp dụng thành cơng nhiều tốn lĩnh vực thị giác máy Kết th nghiệm phát điểm đơn CS L vân tay VC 2002 s dụng mô h nh mạng CNN đa đặc trưng đề xuất b i Semenet cộng cho kết tốt so với phương pháp phát điểm đơn theo phương pháp truyền thống Th nghiệm CS L VC2002, luận án đạt kết xác l i 96 , 7.5 điểm core 90 , cho tr nh phát cho tr nh phát điểm delta Đối với tr nh định danh vân tay CS L vân tay lớn luận án đề xuất phương pháp song song hóa tr nh định danh vân tay x lý GPU s dụng biểu diễn điểm chạc MCC Thuật toán đối sánh dựa biểu diễn MCC tùy biến lại để phù hợp tận dụng mạnh tính tốn hiệu cao kiến trúc x lý song song SIM GPU Luận án đề xuất s dụng 32 điểm chạc cho m i vân tay tr nh đối sánh Việc s dụng 32 điểm chạc khơng ảnh hư ng đến độ xác thuật toán, trung b nh vân tay thường có khoảng 30 điểm chạc, đồng thời tất cá điểm chạc s dụng để tính tốn biểu diễn MCC, chất lượng biểu diễn MCC cho điểm chạc s dụng tr nh đối sánh không bị 107 ảnh hư ng M i khối x lý GPU s dụng để đối sánh vân tay CSDL với vân tay cần truy vấn M i khối gồm 32 lõi, m i lõi s dụng để tính tốn kết cột ma trận tương đồng kích thước 32x32 Kết đánh giá card đồ họa Nvdia GTX 680 cho thấy thuật tốn có khả đối sánh 8.5 triệu vân tay giây không s dụng tr nh gia cố Kết phù hợp với kết tốt công bố Khi kết hợp s dụng tr nh gia cố cho thuật toán GPU, thuật toán cho kết 1.8 triệu đối sánh vân tay giây Tính tốn GPU giúp triển khai hệ thống truy vấn vân tay CS L hàng triệu vân tay tr nên khả thi, với chi phí phần cứng hợp lý Các kết luận án công bố 04 công tr nh đăng k yếu hội nghị quốc tế 01 đăng k yếu hội thảo quốc gia, 01 công tr nh tạp chí quốc tế Hạn chế luận án Do thời gian, nguồn lực hạn chế, luận án ch tập trung chủ yếu vào giai đoạn đối sánh vân tay Các bước tách đặc trưng điểm chạc nh m tạo đầu vào tốt cho tr nh đối sánh chưa thực Đây lý dẫn đến việc chưa gắn kết kết phát điểm đơn vào thuật tốn đối sánh/phân lớp vân tay Ngồi ra, hệ thống đối sánh vân tay quy mô lớn dừng bước đề xuất đề xuất kết hợp nhiều máy tính s dụng x lý đồ họa GPU chưa thể triển khai thành hệ thống định danh vân tay hoàn ch nh Hƣớng phát triển Các điểm hạn chế nêu động lực dẫn đến hướng nghiên cứu luận án Hướng nâng cao chất lượng ảnh vân tay trích chọn điểm chạc từ ảnh vân tay nh m nâng cao kết tr nh đối sánh, luận án s dụng cách tiếp cận học máy cho kết tốt gần cách tiếp cận Sahasrabudhe cộng [65 , Jiang cộng [86] 108 Tích hợp điểm đơn vào thuật tốn đối sánh vân tay dựa điểm chạc nh m nâng cao tốc độ độ xác thuật tốn Tích hợp thơng tin chất lượng điểm chạc vào thuật toán đối sánh giúp loại bỏ cặp điểm chạc cần xem x t [88 Phân lớp ảnh vân tay dựa kỹ thuật học máy sâu nh m t m nhanh ứng viên vân tay s dụng cách tiếp cận Peralta cộng [58] Nghiên cứu miền đối tượng khác đối sánh vân tay trường, đối sánh vân tay bảo vệ tính riêng tư vân tay [84 Cũng hoàn thiện, triển khai hệ thống đối sánh quy mô lớn dịch vụ web, kết nối nhiều máy tính s dụng x lý đồ họa GPU 109 DANH MỤC CÁC CƠNG TRÌNH KHOA HỌC CỦA TÁC GIẢ IÊN QUAN ĐẾN UẬN ÁN [LHHai1] Hong Hai Le, Ngoc Hoa Nguyen, Toward an approach to improving the consolidation stage of fingerprint matching RIVF Addendum 2013, pp 27-30 [LHHai2] Hong Hai Le, Ngoc Hoa Nguyen, and Tri Thanh Nguyen, Exploiting GPU for Large Scale Fingerprint Identification, Intelligent Information and Database Systems (ACIIDS 2016), Volume 9621 of the series Lecture Notes in Computer Science, pp 688-697, 10.1007/978-3-662-49381-6_66, 2016 (ISI Web of Science, Scopus) [LHHai3] Hong Hai Le, Ngoc Hoa Nguyen, and Tri Thanh Nguyen: A Complete Fingerprint Matching Algorithm on GPU for a Large Scale Identification System”, Information Science and Applications (ICISA), Volume 376 of the series Lecture Notes in Electrical Engineering, pp 679-688, 2016 (ISI Web of Science, Scopus) [LHHai4] Hong Hai Le, Ngoc Hoa Nguyen, N ng cao thuật toán đ i sánh mã tr MCC, Hội thảo SOIS, pp 54-57, 2016 [LHHai5] Hong-Hai Le, Ngoc-Hoa Nguyen and Tri Thanh Nguyen, Automatic Detection of Singular Points in Fingerprint Images Using Convolution Neural Networks, Intelligent Information and Database Systems, ACIIDS 2017, Volume 10192 of the series Lecture Notes in Computer Science, pp.207-216 2017, 10.1007/978-3-319-54430-4, 2017 (ISI Web of Science, Scopus) [LHHai6] Hong Hai Le, Ngoc-Hoa Nguyen, Tri-Thanh Nguyen: Speeding up and enhancing a large-scale fingerprint identification system on GPU J Information Telecommunication 2(2): 147-162 (2018) (DBLP) 110 TÀI IỆU THAM KHẢO Tiếng Anh [1] R.N Akram, K.Markantonakis, K.Mayes: An Introduction to Java Card Programming, Secure Smart Embedded Devices, Platforms and Applications 2014: 497-513 (2014) [2] A Bengueddoudj, S Akrouf, F Belhadj, D Nada, Improving fingerprint minutiae matching using local and global structures, in: 8th International Workshop on Systems, Signal Processing and Their Applications, WoSSPA 2013, 2013, pp 279– 282 (2013) [3] F Benhammadi, K.B Bey, Embedded fingerprint matching on smart card, Int J Pattern Recogn Artif.Intell.27 (2013) [4] Bazen A.M.and Gerez S.H., Fingerprint matching by thin-plate spline modelling of elastic deformations, Pattern Recognition, vol 36, no 8, pp 1859–1867, (2003) [5] Zhou W., Hu J., Wang S., Petersen I., Bennamoun M (2014),Fingerprint Indexing Based on Combination of Novel Minutiae Triplet Features In: Au M.H., Carminati B., Kuo CC.J (eds) Network and System Security.NSS 2014 Lecture Notes in Computer Science, vol 8792 Springer (2014) [6] Chikkerur, S., Cartwright, A.N., Govindaraju, V.: K-plet and cbfs: A graph based fingerprint representation and matching algorithm International Conference on Biometricspp 309-315, (2006) [7] H Choi, K Choi, J Kim: Fingerprint Matching Incorporating Ridge Features With Minutiae IEEE Trans Information Forensics and Security 6(2): 338-345 (2011) 111 [8] Cappelli, R.; Ferrara, M.; Maltoni, D Minutia cylinder-code: A new representation and matching technique for fingerprint recognition IEEE Trans Pattern Anal Mach Intell 2010, 32, 2128–2141 (2010) [9] Raffaele Cappelli, Matteo Ferrara, Davide Maltoni: Large-scale fingerprint identification on GPU Inf Sci 306: 1-20 (2015) [10] Chikkerur S., Govindaraju V., Cartwright A.N: Fingerprint Image Enhancement Using STFT Analysis ICAPR (2) 2005: 20-29 (2005) [11] Kai Cao, Anil K Jain: Latent orientation field estimation via convolutional neural network ICB 2015: 349-356 (2015) [12] Cappelli R and Maio D., State-of-the-art in fingerprint classification, in Automatic Fingerprint Recognition Systems, N Ratha and R Bolle (Eds.), Springer, New York, pp 183–205, (2004) [13] Cappelli, R., Maio, D., Maltoni, D., Wayman, J.L., Jain, A.K.: Performance evaluation of fingerprint verification systems IEEE Trans Pattern Anal Mach Intell 28, 3–18, (2006) [14] Chen J and Moon Y.S., A Minutiae-Based Fingerprint Individuality Model, in Proc Conf Computer Vision and Pattern Recognition, (2007) [15] S Chikkerur and N.K Ratha: Impact of Singular Point Detection on Fingerprint Matching Performance, Proc Fourth IEEE Workshop Automatic Identification Advanced Technologies, pp 207-212, (2005) [16] A.C Chau, C.P Soto, Hybrid algorithm for fingerprint matching using delaunay triangulation and local binary patterns, in: 16th Iberoamerican Congress on Progress in Pattern Recognition, Image Analysis, Computer Vision, and Applications (CIARP), Lecture Notes in Computer Science, vol 630 7042, 2011, pp 692–700 (2011) [17] K Cao, X Yang, X Chen, X Tao, Y Zang, J Liang, J Tian, Minutia handedness: a novel global feature for minutiae-based fingerprint matching, Pattern Recogn.Lett.33 1411–1421 (2012) 112 [18] H Deng, Q Huo, Minutiae matching based fingerprint verification using delaunay triangulation and aligned-edge-guided triangle matching, in: Proceedings of the 5th International Conference on Audio- and Video-Based Biometric Person Authentication, AVBPA, 2005, pp 270–278 (2005) [19] Deep Learning in a Nutshell: Core Concepts, https://devblogs.nvidia.com/parallelforall/deep-learning-nutshell-core-concepts/ [20] M Friedrichs, P Eastman, V Vaidyanathan, M Houston, S Legrand, A Beberg, Accelerating molecular dynamic simulation on graphics processing units, J Comput Chem, vol 30, no 6, pp 864–872, (2009) [21] Feng, J.: Combining minutiae descriptors for fingerprint matching Pattern Recognition.41, 342–352, (2008) [22] Fukushima, Kunihiko: Neocognitron: A Self-organizing Neural Network Model for a Mechanism of Pattern Recognition, Biological Cybernetics 36 (4): 193– 202 (1980) [23] Feng, J., Ouyang, Z., Cai, A.: Fingerprint matching using ridges Pattern Recognition.39, 2131–2140, (2006) [24] Shlomo Greenberg, Mayer Aladjem, Daniel Kogan:Fingerprint Image Enhancement using Filtering Techniques Real-Time Imaging 8(3): 227-236 (2002) [25] State of lfredo Muñoz- riseño, ndr s Gago the Art of Fingerprint lonso, Jos Hernández Palancar: Indexing Algorithms Computación y Sistemas 15(1) (2011) [26] Mikel Galar, Joaquín errac, Daniel Peralta, Isaac Triguero, Daniel Paternain, Carlos Lopez-Molina, Salvador García, Jos Manuel enítez, Miguel Pagola, Edurne Barrenechea Tartas, Humberto Bustince Sola, Francisco Herrera: A survey of fingerprint classification Part I: Taxonomies on feature extraction methods and learning models Knowl.-Based Syst 81: 76-97 (2015) 113 [27] P.D Gutierrez, M Lastra, F Herrera, J.M Benitez, A high performance fingerprint matching system for large databases based on GPU, IEEE Trans Inf Forensics Secur (1) 62–71 (2014) [28] Grother P., McCabe M., Watson C., IndovinaM., Salamon W., Flanagan P., Tabassi E., Newton E and Wilson C., Performance and Interoperability of the INCITS 378 Fingerprint Template, NIST Research Report: NISTIR 7296, Mar (2006) [29] L Hong, A.K Jain, Classification of fingerprint images, in: Proceedings of the 11th Scandinavian Conference on Image Analysis, Kangerlussuaq, Greenland, 1743 June 7–11, (1999) [30] Richard M Jiang, Danny Crookes: FPGA-based minutia matching for biometric fingerprint image database retrieval J Real-Time Image Processing 3(3): 177-182 (2008) [31] A.K Jain, J Feng, Latent fingerprint matching, IEEE Trans Pattern Anal Mach Intell 33 88–100 (2011) [32] Jain A., Prabhakar A., Hong L., Pankanti S.: FingerCode: A Filterbank for Fingerprint Representation and Matching CVPR (1999) [33] Anil K Jain, Karthik Nandakumar, Arun Ross: 50 years of biometric research: Accomplishments, challenges, and opportunities Pattern Recognition Letters79: 80-105 (2016) [34] Jiang X and Yau W.Y., Fingerprint Minutiae Matching Based on the Local and Global Structures, in Proc Int Conf on Pattern Recognition (15th), vol 2, pp 1042–1045, (2000) [35] Kwon D., Yun I.D and Lee S.U., A Robust Warping Method for Fingerprint Matching, in Proc Conf Computer Vision and Pattern Recognition, (2007) [36] M Khalil, D Muhammad, M Khan, K Alghathbar, Singular points detection using fingerprint orientation field reliability, Int J Phys Sci 352–357 (2010) 114 [37] Alex Krizhevsky, Ilya Sutskever, Geoffrey E Hinton, ImageNet Classification with Deep Convolutional Neural Networks NIPS 2012: 1106-1114 (2012) [38] Liang X., Bishnu A.and Asano T., A robust fingerprint indexing scheme using minutia neighborhood structure and low-order delaunay triangles, IEEE Transactions on Information Forensics and Security, vol 2, no 4, pp 721–733, (2007) [39] Miguel Lastra, Jesús Carabo, Pablo enítez, Francisco Herrera:Fast fingerprint avid Guti rrez, Jos identification using Manuel GPUs Inf Sci 301: 195-214 (2015) [40] D Luebke., GPGPU: general-purpose computation on graphics hardware, in: SC „06 Proceedings of the 2006 CM/I Conference on Supercomputing, (2006) [41] L.-M Liu, C.-Y.Huang, D.C.D Hung, A directional approach to fingerprint classification, Int J Pattern Recogn.Artif.Intell.22 (2) 347–365, (2008) [42] M Liu, Fingerprint classification based on adaboost learning from singularity features, Pattern Recogn 43 1062–1070, (2010) [43] Han-Ul Jang, Dongkyu Kim, Seung-Min Mun, Sunghee Choi, Heung-Kyu Lee: DeepPore: Fingerprint Pore Extraction Using Deep Convolutional Neural Networks IEEE Signal Process Lett.24(12): 1808-1812 (2017) [44] Liu C., Xia T and Li H., A Hierarchical Hough Transform for Fingerprint Matching, in Proc Int Conf on Biometric Authentication (1st), LNCS 3072, pp 373– 379, (2004) [45] D Maio, D Maltoni, R Cappelli, J.L Wayman, A.K Jain, FVC2002: second fingerprint verification competition, in: Proceedings 16th International Conference on Pattern Recognition, 2002, vol 3, 2002b, pp 811–814 (2002) [46] D Maio, D Maltoni, R Cappelli, J.Wayman, A Jain, FVC2004: third fingerprint verification competition, Lecture Notes in Computer Science (including 115 subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), vol 3072, 2004, pp 1–7 (2004) [47] Medina-P rez , Guti rrez-Rodríguez , and García-Borroto M.: Improving fingerprint matching using an orientation-based minutia descriptor, in 14th Iberoamerican Congress on Pattern Recognition, CIARP 2009, Guadalajara, M xico, 2009, pp 121-128 (2009) [48] M.A Medina-P rez, M García-Borroto, A.E Gutierrez-Rodríguez, L Altamirano-Robles, Improving fingerprint verification using minutiae triplets, Sensors 12 3418–3437 (2012) [49] Maltoni, D., Maio, D., Jain, A.K., Prabhakar, S.: Handbook of Fingerprint Recognition Springer, London, (2009) [50] Maio D and Maltoni D., Direct gray-scale minutiae detection in fingerprints, IEEE Transactions on Pattern Analysis Machine Intelligence, vol 19, no 1, (1997) [51] K Nilsson and J Bigun: Localization of corresponding points in fingerprints by complex filtering Pattern Recognition Letters, 24, (2003) [52] Nilsson K.and Bigun J., Prominent Symmetry Points as Landmarks in Fingerprint Images for Alignment, in Proc Int Conf on Pattern Recognition (16th), vol 3, pp 395–398, (2002) [53] Yuval Netzer, Tao Wang, Adam Coates, Alessandro Bissacco, Bo Wu, Andrew Y Ng Reading Digits in Natural Images with Unsupervised Feature Learning, NIPS Workshop on Deep Learning and Unsupervised Feature Learning (2011) [54] Alessandra A Paulino, Jianjiang Feng, Anil K Jain: Latent Fingerprint Matching Using Descriptor-Based Hough Transform IEEE Trans Information Forensics and Security 8(1): 31-45 (2013) 116 [55] Parziale G and Niel A., A Fingerprint Matching Using Minutiae Triangulation, in Proc Int Conf on Biometric Authentication (1st), LNCS 3072, pp 241–248, (2004) [56] Daniel Peralta, Mikel Galar, Isaac Triguero, Daniel Paternain, Salvador García, Edurne Barrenechea, Jos Manuel enítez, Humberto Bustince, Francisco Herrera: A survey on fingerprint minutiae-based local matching for verification and identification: Taxonomy and experimental evaluation Inf Sci 315: 67-87 (2015) [57] M A Medina-P rez, O Loyola-González, Gutierrez-Rodríguez, M García-Borroto, and L Altamirano-Robles, Introducing an experimental framework in C # for fingerprint recognition, Lecture Notes in Computer Science, vol 8495, pp (2014) [58] D Peralta, I Triguero, S García, Y Saeys, JM enitez, Herrera:Robust classification of different fingerprint copies with deep neural networks for database penetration rate reduction, arXiv preprint arXiv:1703.07270 (2017) [59] D Peralta, I Triguero, R Sanchez-Reillo, F Herrera, J.M Benitez, Fast fingerprint identification for large databases, Pattern Recogn 47 (2) 588–602 (2014) [60] Ratha N.K., KaruK., Chen S and Jain A.K., A real-time matching system for large fingerprint databases, IEEE Transactions on Pattern Analysis Machine Intelligence, vol 18, no 8, pp 799–813, 1996 [61] Pierre Sermanet, Soumith Chintala and Yann LeCun: Convolutional Neural Networks Applied to House Numbers Digit Classification, ArXiv (2012) [62] P Sermanet and Y LeCun: Traffic sign recognition with multi-scale convolutional networks In Proceedings of International Joint Conference on Neural Networks, (2011) [63] Szegedy, Christian; Liu, Wei; Jia, Yangqing; Sermanet, Pierre; Reed, Scott; Anguelov, Dragomir; Erhan, Dumitru; Vanhoucke, Vincent; Rabinovich, Andrew: Going Deeper with Convolutions Computing Research Repository, (2014) 117 [64] Bai, Scott, Joseph P Marques, Matthew T McMahon, and Steven H Barry GPU-Accelerated Fingerprint Matching (2011) [65] Mihir Sahasrabudhe, Anoop M Namboodiri: Fingerprint Enhancement Using Unsupervised Hierarchical Feature Learning ICVGIP 2014: 2:1-2:8 (2014) [66] M Schatz, C Trapnell, A Delcher, and A Varshney, High-throughput sequence alignment using graphics processing units, BMC Bioinformat., vol 8, p 474, Dec (2007) [67] Tico, M., Kuosmanen, P.: Fingerprint matching using an orientation-based minutia descriptor IEEE Trans Pattern Anal Mach Intell 25, 1009–1014, (2003) [68] Unique Identification Authority of India, Role of Biometric Technology in Aadhaar Enrollment, (2012) [69] Wang X., LiJ and Niu Y., Definition and extraction of stable points from fingerprint images, Pattern Recognition, vol 40, no 6, pp 1804–1815, (2007) [70] Wang, X., Li, J., Niu, Y.: Fingerprint matching using Orientation Codes and PolyLines Pattern Recognition.40, 3164–3177, (2007) [71] X Wang, M Xie, Fingerprint classification: an approach based on singularities and analysis of fingerprint structure, in: Proceedings of the First International Conference on iometric uthentication IC ‟04 , Hong 1933 Kong, China, July 15–17, (2004) [72] Xu, Chen and Feng (2007) Xu W., Chen X and Feng J., A Robust Fingerprint Matching Approach: Growing and Fusing of Local Structures, in Proc Int Conf on Biometrics, LNCS 4642, pp 134–143, 2007 [73] Jinwei Xu, Jingfei Jiang, Yong Dou, Xiaolong Shen, Zhiqiang Liu: CoarseGrained Architecture for Fingerprint Matching TRETS 9(2): 12:1-12:15 (2016) [74] Y Ying, H Zhang, X Yang, A method based on delaunay triangulation for fingerprint matching, in: SPIE Conference on Biometric Technology for Human Identification II, (2005) 118 [75] VeriFinger SDK, www.neurotechnology.com/verifinger.html [76] Fingerprint Omid Zanganeh, Nandita Alignment and Bhattacharjee, Bala Matching Srinivasan: Through Partial Region-Based Approach MoMM 2015: 275-284 (2015) [77] Jie Zhou, Fanglin Chen, Jinwei Gu: A Novel Algorithm for Detecting Singular Points from Fingerprint Images IEEE Trans Pattern Anal Mach Intell 31(7): 1239-1250 (2009) [78] Matthew D Zeiler, Rob Fergus: Visualizing and Understanding Convolutional Networks CoRR abs/1311.2901 (2013) [79] Yin Zhang, Deng Yi, Baogang Wei, Yueting Zhuang, A GPU-accelerated non-negative sparse latent semantic analysis algorithm for social tagging data, Inform Sci (May) (2014) [80] Q Zhang, H Yan, Fingerprint classification based on extraction and analysis of singularities and pseudo ridges, Pattern Recogn 37 (11) 2233–2243.1975 (2004) [81] E Zhu, J Yin, G Zhang, Fingerprint matching based on global alignment of multiple reference minutiae, Pattern Recogn 38 1685–1694 (2005) [82] Nguyen Thi Huong Thuy; Hoang Xuan Huan; Nguyen Ngoc Ky, An efficient method for fingerprint matching based on local point model, 2013 International Conference on Computing, Management and Telecommunications (2013) [83] A.A Paulino, Contributions to biometric recognition: matching identical twins and latent fingerprint (Doctoral thesis, Michigan State University) (2013) [84] Stan Z Li, Anil K Jain Encyclopedia of Biometrics (2nd edition).Springer US (2015) [85] ISO/IEC 197942:2011, https://www.iso.org/standard/50864.html.(2011) 119 [86] Lu Jiang, Tong Zhao, Chaochao Bai, A Yong, Min Wu: A direct fingerprint minutiae extraction approach based on convolutional neural networks IJCNN2016: 571-578 (2016) [87] Y Prashanth Reddy, Kamlesh Tiwari, Vandana Dixit Kaushik, Phalguni Gupta: An Efficient Fingerprint Minutiae Detection Algorithm SSCC 2015: 186-194 (2015) [88] M Hamed Izadi, Andrzej Drygajlo: Discarding low quality Minutia Cylinder-Code pairs for improved fingerprint comparison BIOSIG 2015: 319-3 (2015) [89] X Zhao, X Zhang, G Zhao, X Li, K Zhang, R Qian, Triangle matching combined with singular features in fingerprints, in: Proceedings 2011 International Conference on Mechatronic Science, Electric Engineering and Computer, MEC 2011, pp 2069–2072 (2011) [90] V Conti, G Vitello, F Sorbello, S Vitabile, An advanced technique for user identification using partial fingerprint, in: Proceedings of the 7th 652 International Conference on Complex, Intelligent, and Software Intensive Systems, CISIS 2013, 2013, pp 236–242 653 (2013) [91] K Cao, X Yang, X Chen, Y Zang, J Liang, J Tian, A novel ant colony optimization algorithm for large-distorted fingerprint matching, Pattern Recogn 605 45 151–161 (2012) [92] K Chen, A Hu, Fingerprint matching using texture feature extracted from minutiae neighborhood, in: Proceedings – 4th International Conference on Computational Intelligence and Communication Networks, CICN 2012, pp 322–326 (2012) [93] R Garg, S Rane, A keypoint descriptor for alignment-free fingerprint matching, in: ICASSP, IEEE International Conference on Acoustics, Speech and Signal Processing – Proceedings, pp 2994–2998 (2013) 120 [94] D Peralta, M Galar, I Triguero, O Miguel-Hurtado, J.M Benitez, F Herrera, Minutiae filtering to improve both efficacy and efficiency of fingerprint matching algorithms, Eng Appl Artif Intell.32 37–53 (2014) [95] W Yang, J Hu, M Stojmenovic, Ndtc: a novel topology-based fingerprint matching algorithm using n-layer delaunay triangulation net check, in: Proceedings of the 2012 7th IEEE Conference on Industrial Electronics and Applications, ICIEA 2012, pp 866–870 (2012) [96] Daniel Peralta, Isaac Triguero, Salvador García, Yvan Saeys, Jos Manuel enítez, Francisco Herrera: On the use of convolutional neural networks for robust classification of multiple fingerprint captures Int J Intell Syst 33(1): 213230 (2018) [97] Jian Li, Jianjiang Feng, C.-C Jay Kuo: Deep convolutional neural network for latent fingerprint enhancement Sig Proc.: Image Comm 60: 52-63(2018) [98] Yao Tang, Fei Gao, Jufu Feng, Yuhang Liu: FingerNet: An unified deep network for fingerprint minutiae extraction IJCB 2017: 108-116 (2017) [99] Shaoqing Ren, Kaiming He, Ross B Girshick, Jian Sun: Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks IEEE Trans Pattern Anal Mach Intell 39(6): 1137-1149 (2017) 121 ... KHÁI QUÁT VỀ ĐỐI SÁNH VÂN TAY DỰA TRÊN ĐIỂM CHẠC Trong nội dung chương, luận án s đặc tả chi tiết toán đối sánh vân tay dựa đặc trưng điểm chạc lớp thuật toán đối sánh vân tay dựa điểm chạc thường... kỹ thuật đ i sánh v n tay dựa đặc trưng điểm chạc” Luận án đặt mục tiêu nâng cao tốc độ lẫn độ xác thuật tốn đối sánh vân tay dựa đặc trưng điểm chạc Để nâng cao độ xác tr nh đối sánh vân tay, ... trạng nghiên cứu đối sánh vân tay Mặc dù nghiên cứu lĩnh vực đối sánh vân tay cho kết tốt, đối sánh vân tay lĩnh vực nhận nhiều quan tâm nghiên cứu [33] Một số lĩnh vực nghiên cứu đối sánh vân tay