Nghiên cứu, phát triển giải pháp xác thựcđịnh danh cá nhân hình ảnh tĩnh mạch ngón tay

TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Nghiên cứu, phát triển giải pháp xác thực/định danh cá nhân qua hình ảnh tĩnh mạch ngón tay TRẦN ANH TÚ Ngành Kỹ thuật Y Sinh Giảng viên hướng dẫn: Trường: TS Nguyễn Việt Dũng Điện – Điện Tử HÀ NỘI, 2022 TRƯỜNG ĐẠI HỌC BÁCH KHOA HÀ NỘI LUẬN VĂN THẠC SĨ Nghiên cứu, phát triển giải pháp xác thực/định danh cá nhân qua hình ảnh tĩnh mạch ngón tay TRẦN ANH TÚ Ngành Kỹ thuật Y Sinh Giảng viên hướng dẫn: TS Nguyễn Việt Dũng Chữ ký GVHD Trường: Điện – Điện Tử HÀ NỘI, 2022 CỘNG HÒA XÃ HỘI CHỦ NGHĨA VIỆT NAM Độc lập – Tự – Hạnh phúc BẢN XÁC NHẬN CHỈNH SỬA LUẬN VĂN THẠC SĨ Họ tên tác giả luận văn: Trần Anh Tú Đề tài luận văn: Nghiên cứu, phát triển giải pháp xác thực/định danh cá nhân qua hình ảnh tĩnh mạch ngón tay Chun ngành: Kỹ thuật Y sinh Mã số SV: 20202789M Tác giả, Người hướng dẫn khoa học Hội đồng chấm luận văn xác nhận tác giả sửa chữa, bổ sung luận văn theo biên họp Hội đồng ngày 26/10/2022 với nội dung sau: - Đã chỉnh sửa số lỗi tả luận văn Đã mơ tả rõ đặc trưng trích xuất để đưa vào xác thực phương pháp học máy mục 3.4 Giáo viên hướng dẫn Ngày tháng năm 2022 Tác giả luận văn TS Nguyễn Việt Dũng Trần Anh Tú CHỦ TỊCH HỘI ĐỒNG TS Trần Anh Vũ LỜI CẢM ƠN Tơi xin bày tỏ cảm kích đặc biệt tới giảng viên hướng dẫn Tiến sĩ Nguyễn Việt Dũng – người định hướng, trực tiếp dẫn dắt cố vấn cho tơi suốt q trình (thực đề tài nghiên cứu khoa học) (hoàn thành luận văn thạc sĩ) Tôi xin cảm ơn thầy cô giảng viên Trường Điện – Điện tử – Trường Đại học bách khoa Hà Nội truyền đạt cho kiến thức chuyên sâu chuyên ngành suốt thời gian học tập để tơi có tảng kiến thức hỗ trợ lớn trình làm luận văn thạc sĩ Trong luận hẳn tránh khỏi hạn chế thiếu sót Tơi mong muốn nhận nhiều đóng góp q báu từ q thầy ban cố vấn để đề tài hoàn thiện có ý nghĩa thiết thực áp dụng thực tiễn sống Tôi xin chân thành cảm ơn! Học Viên Trần Anh Tú MỤC LỤC DANH MỤC HÌNH VẼ iii DANH MỤC BẢNG BIỂU v DANH MỤC TỪ VIẾT TẮT vi LỜI NÓI ĐẦU CHƯƠNG TỔNG QUAN VỀ AN TỒN THƠNG TIN VÀ XÁC THỰC ĐỊNH DANH NGƯỜI DÙNG 1.1 Tổng quan an tồn thơng tin 1.1.1 Khái niệm an tồn thơng tin 1.1.2 Các mối đe dọa nguy an tồn thơng tin 1.1.3 Các giải pháp đảm bảo an ninh an tồn thơng tin 1.1.4 Một số khái niệm thường sử dụng an tồn thơng tin 1.2 Các kiến thức xác thực người dùng 1.2.1 Khái niệm xác thực người dùng 1.2.2 Các giải pháp xác thực người dùng phổ biến 1.2.3 Các giao thức xác thực 14 CHƯƠNG GIẢI PHÁP XÁC THỰC ĐỊNH DANH QUA HÌNH ẢNH TĨNH MẠCH NGÓN TAY 16 2.1 Tổng quan giải pháp 16 2.1.1 Sự cấp thiết tầm quan trọng giải pháp xác thực định danh qua hình ảnh tĩnh mạch ngón tay 16 2.1.2 Các đặc điểm giải pháp xác thực định danh qua hình ảnh tĩnh mạch ngón tay 17 2.1.3 Nguyên lý hoạt động giải pháp xác thực định danh qua hình ảnh tĩnh mạch ngón tay 18 2.1.4 Mơ hình tốn tổng thể giải pháp 20 2.2 Các cơng trình nghiên cứu liên quan 21 CHƯƠNG THIẾT KẾ, XÂY DỰNG GIẢI PHÁP XÁC THỰC ĐỊNH DANH QUA HÌNH ẢNH TĨNH MẠCH NGĨN TAY 23 3.1 Phân tích, thiết kế mơ hình cho giải pháp 23 3.2 Khối tách ngón tay 25 3.2.1 Bộ lọc cạnh 25 3.2.2 Bộ dò cạnh 27 3.2.3 Hiệu chỉnh ảnh 28 3.3 Khối tăng cường chất lượng tĩnh mạch 28 3.3.1 Cân mức xám đồ 28 i 3.3.2 Bộ lọc nhiễu 29 3.4 Khối trích xuất đặc trưng 30 3.4.1 Trích xuất đường tĩnh mạch 31 3.4.2 Bộ lọc nhiễu lọc hình thái 35 3.4.3 Thuật tốn trích xuất đặc trưng 36 3.5 Khối thuật toán xác thực 38 3.5.1 Xác thực sử dụng thuật toán đối sánh mẫu 38 3.5.2 Xác thực sử dụng học máy 39 CHƯƠNG THỰC NGHIỆM VÀ ĐÁNH GIÁ KẾT QUẢ 41 4.1 Phương pháp đánh giá 41 4.2 Giới thiệu sở liệu 42 4.3 Các công cụ hỗ trợ xây dựng mơ hình 44 4.4 Các mơ hình thử nghiệm 45 4.5 Kết thực nghiệm 47 4.5.1 Kết thực nghiệm khối tách ngón tay 47 4.5.2 Kết thực nghiệm khối tăng cường chất lượng tĩnh mạch 49 4.5.3 Kết thực nghiệm khối trích xuất đặc trưng 50 4.5.4 Kết thực nghiệm khối xác thực 51 4.5.5 Tổng hợp, đánh giá kết thực nghiệm nghiên cứu nghiên cứu khác 53 KẾT LUẬN VÀ ĐỊNH HƯỚNG PHÁT TRIỂN 57 TÀI LIỆU THAM KHẢO 58 PHỤ LỤC 61 ii DANH MỤC HÌNH VẼ Hình 2.1 Tổng thể tiến trình thu nhận xử lý tĩnh mạch ngón tay 17 Hình 2.2 Mơ tả thiết bị xác thực tĩnh mạch ngón tay 18 Hình 2.3 Cấu tạo thiết bị thu nhận hình ảnh tĩnh mạch ngón tay 18 Hình 2.4 Ngun lý thu ảnh tĩnh mạch ngón tay 19 Hình 2.5 Xu hướng cơng nghệ sinh trắc học khía cạnh toán điện tử 20 Hình 2.6 Mơ hình thực giải pháp xác thực định danh cá nhân tĩnh mạch ngón tay 20 Hình 3.1 Ảnh tĩnh mạch ngón tay thu từ camera 23 Hình 3.2 Độ tương phản khơng đồng ảnh tĩnh mạch ngón tay 23 Hình 3.3 Thơng tin khơng cần thiết từ thiết bị thu 24 Hình 3.4 Mơ hình giải pháp xác thực đề xuất 24 Hình 3.5 Sơ đồ thuật tốn trích xuất vùng quan tâm 25 Hình 3.6 (a) Mặt nạ Sobel theo phương x, (b) Mặt nạ Sobel theo phương y 26 Hình 3.7 (a) Mặt nạ Prewitt theo phương x, (b) Mặt nạ Prewitt theo phương y 26 Hình 3.8 Mặt nạ lọc cạnh 27 Hình 3.9 Sơ đồ thuật tốn tăng cường ảnh tĩnh mạch 28 Hình 3.10 Ý tưởng phân phối đồng thuật toán CLAHE 29 Hình 3.11 (a) Tọa độ mặt nạ Gaussian, (b) Giá trị mặt nạ Gaussian có 𝜎𝜎 1.5 30 Hình 3.12 Sơ đồ thuật tốn khối tách đường tĩnh mạch 30 Hình 3.13 Cấu hình mặt cắt ngang ngón tay 32 Hình 3.14 Mối quan hệ cấu hình mặt cắt, độ cong xác xuất điểm tĩnh mạch 33 Hình 3.15 Hai siêu phẳng phân chia tuyến tính với biên độ khoảng cách lề khác 39 Hình 4.1 Một số hình ảnh sở liệu FV-USM 42 Hình 4.2 Một số hình ảnh sở liệu tĩnh mạch ngón tay Đại học Bách khoa Hồng Kông 43 Hình 4.3 Một số hình ảnh sở liệu UTFVP 43 Hình 4.4 Các mơ hình thử nghiệm với khối tách ngón tay (a) Mơ hình thử nghiệm sử dụng lọc cạnh Sobel, (b) Mơ hình thử nghiệm sử dụng lọc cạnh Prewitt, (c) Mơ hình thử nghiệm sử dụng lọc cạnh Eui Chul Lee 45 Hình 4.5 Các mơ hình thử nghiệm với khối tăng cường chất lượng tĩnh mạch (a) Mơ hình thử nghiệm sử dụng cân mức xám đồ toàn cục, (b) Mơ hình thử nghiệm sử dụng cân mức xám đồ thích ứng giới hạn độ tương phản 46 iii Hình 4.6 Mơ hình thử nghiệm với khối trích xuất đặc trưng khối xác thực theo phương pháp học máy (a) Mơ hình thử nghiệm sử dụng lọc Trung vị Frangi, (b) Mơ hình thử nghiệm sử dụng lọc Trung vị 46 Hình 4.7 Mơ hình thử nghiệm với khối trích xuất đặc trưng khối xác thực theo phương pháp đối sánh mẫu (a) Mơ hình thử nghiệm sử dụng lọc Trung vị lọc Frangi, (b) Mơ hình thử nghiệm sử dụng lọc Trung vị 47 Hình 4.8 Kết thử nghiệm với khối tách ngón tay (a) Kết với lọc Sobel, (b) Kết với lọc Prewitt, (c) Kết với lọc Eui Chul Lee 47 Hình 4.9 (a) Ảnh tĩnh mạch trước lọc, (b) Ảnh tĩnh mạch sau qua lọc cạnh Eui Chul Lee 48 Hình 4.10 (a) Ảnh cạnh ngón tay trích xuất đầy đủ qua dò cạnh, (b) Ảnh mặt nạ để tách ngón tay 48 Hình 4.11 (a) Ảnh ngón tay thu nhận bị lệch chuẩn bị xoay, (b) Ảnh ngón tay sau hiệu chỉnh 48 Hình 4.12 Ảnh tăng cường sử dụng cân mức xám đồ toàn cục 49 Hình 4.13 Kết sau CLAHE (a) Lưới chia ảnh 3x3, (b) Lưới chia ảnh 6x6, (c) Lưới chia ảnh 8x8 49 Hình 4.14 (a) Ảnh tăng cường mức xám sử dụng CLAHE, (b) Ảnh loại bỏ nhiễu sử dụng lọc mờ Gaussian 50 Hình 4.15 Kết thử nghiệm thuật tốn trích xuất đường tĩnh mạch (a) Kết sử dụng phương pháp RLT, (b) Kết sử dụng phương pháp MCM, (c) Kết sử dụng phương pháp EMC 50 Hình 4.16 (a) Ảnh tĩnh mạch sau qua lọc trung vị, (b) Ảnh tĩnh mạch sau qua lọc Frangi 51 Hình 4.17 Ảnh tĩnh mạch áp dụng HOG 51 Hình 4.18 Đồ thị EER kết thực nghiệm xác thực với phương pháp đối sánh mẫu (a) Đồ thị EER có lọc Frangi, (b) Đồ thị EER khơng có lọc Frangi 52 Hình 4.19 Đồ thị EER kết thực nghiệm xác thực với phương pháp học máy SVM (a) Đồ thị EER có lọc Frangi, (b) Đồ thị EER khơng có lọc Frangi 53 Hình 4.20 (a) Ảnh tĩnh mạch ngón tay nhãn 0001_1, (b) Ảnh tĩnh mạch nhãn 0001_1 trước xác thực theo mơ hình đề xuất đối sánh mẫu 1, (c) Ảnh tĩnh mạch nhãn 0001_1 trước xác thực theo mơ hình đề xuất đối sánh mẫu 54 Hình 4.21 (a) Ảnh tĩnh mạch ngón tay mẫu 0044_6, (b) Ảnh tĩnh mạch ngón tay mẫu 0044_6 trích xuất theo mơ hình đề xuất đối sánh mẫu 2, (c) Ảnh tĩnh mạch ngón tay mẫu 0044_6 trích xuất theo mơ hình đề xuất đối sánh mẫu 1, (d) Ảnh tĩnh mạch xác thực mẫu 0001_1 trích xuất theo mơ hình đề xuất đối sánh mẫu 55 Hình 4.22 Đồ thị ROC mơ hình EMC, Trung vị, Frangi Đối sánh mẫu 56 iv DANH MỤC BẢNG BIỂU Bảng 2.1 Bảng so sánh phương pháp phương diện tính bảo mật tính thực tế 19 Bảng 4.1 Các tham số giá trị phục vụ tối ưu thuật toán SVM 52 Bảng 4.2 Bảng tổng hợp kết kiểm thử nghiên cứu khác 54 v DANH MỤC TỪ VIẾT TẮT AHE Adaptive Histogram Equalization CLAHE Contrast Limit Adaptive Histogram Equalization EMC Enhance Maximum Curvature GHE Global Histogram Equalization HOG Histogram of oriented gradients MCM Maximum Curvature Method NIR Near Infrared Light RLT Repeated Line Tracking SVM Support Vector Machine WLD Wide Line Detector vi Đối với mơ hình kiểm thử khơng sử dụng lọc Frangi, thuật toán SVM đạt tối ưu tham số có giá trị sau: C = 10, Gamma = 0.001 Kernel Sigmoid Khi đó, giá trị ngưỡng phù hợp cho FRR gần FAR 0.0077 Tại độ xác mơ hình đạt 92.78% Các tỷ lệ FAR 3.35% FRR 3.05% (a) (b) Hình 4.19 Đồ thị EER kết thực nghiệm xác thực với phương pháp học máy SVM (a) Đồ thị EER có lọc Frangi, (b) Đồ thị EER khơng có lọc Frangi Quan sát Hình 4.19a, EER điểm giao FAR FRR đạt khoảng 2.5% cho phương pháp xác thực SVM có lọc Frangi EER đạt khoảng 3.2% Hình 4.19b cho phương pháp xác thực SVM khơng có lọc Frangi Ngồi ra, vào kết trên, thấy có sử dụng lọc Frangi để tăng cường tính hình thái bỏ nhiễu khối trích xuất đặc trưng kết xác thực theo SVM có lọc có độ xác cao FAR, FRR nhỏ 4.5.5 Tổng hợp, đánh giá kết thực nghiệm nghiên cứu nghiên cứu khác Sau tiến hành thử nghiệm mô hình đề xuất, kết tổng hợp tơi trình bày Bảng 4.2 Các kết bao gồm kết thử nghiệm mơ hình đề xuất số mơ hình từ nghiên cứu khác Trong Bảng 4.2 cho thấy, phương pháp xác thực SVM cho kết không tốt so với phương pháp xác thực đối sánh mẫu Điều không phương pháp xác thực SVM đối sánh mẫu mà cịn phụ thuộc vào số yếu tố khác như: SVM phụ thuộc vào kết đặc trưng HOG, số lượng mẫu dùng cho huấn luyện SVM chưa đáp ứng đủ nên gây hiệu suất cho phương pháp Ngoài ra, qua Bảng 4.2 ta đánh giá sử dụng thêm lọc Frangi để tiến hành lọc hình thái cho ảnh trích xuất đường tĩnh mạch đạt kết tốt khơng có lọc Frangi Ngoại trừ trường hợp dùng đối sánh mẫu với EMC lọc Trung vị Trường hợp độ xác khơng có lọc Frangi cao hơn, tỷ lệ EER lại Với hệ thống xác thực đinh danh tỷ lệ EER quan trọng so với độ xác Hơn nữa, sử dụng phương pháp EMC mơ hình đề xuất để trích xuất đường tĩnh mạch cho kết xác thực tốt sử dụng phương 53 pháp khác để trích xuất đường tĩnh mạch như: phương pháp Gabor [23], phương pháp MCM [24] Bảng 4.2 Bảng tổng hợp kết kiểm thử nghiên cứu khác Mơ hình Xác thực Chính xác EER Phương pháp đề xuất (EMC + Trung vị + Frangi) Đối sánh mẫu 98.61 1.26 Phương pháp đề xuất (EMC + Trung vị) Đối sánh mẫu 98.88 1.36 Phương pháp đề xuất (EMC + Trung vị + Frangi + HOG) SVM 97.22 2.5 Phương pháp đề xuất (EMC + Trung vị + HOG) SVM 92.78 3.2 Gabor + Frangi [23] Đối sánh mẫu N/A 1.66 Gabor [23] Đối sánh mẫu N/A 3.18 MCM [24] Euclidean N/A 8.93 Phương pháp đề xuất EMC + Trung vị + Frangi + Đối sánh mẫu, gọi tắt phương pháp đề xuất đối sánh mẫu phương pháp đề xuất EMC + Trung vị + Đối sánh mẫu, gọi tắt phương pháp đề xuất đối sánh mẫu Hai phương pháp có độ xác EER cao Bảng 4.2 Sở dĩ phương pháp đề xuất đối sánh mẫu phương pháp đề xuất đối sánh mẫu tỉ lệ FAR phương pháp cao Dưới kiểm tra cho góc nhìn trực quan: Tiến hành xác thực hình ảnh tĩnh mạch ngón tay có nhãn 0001_1 với hình ảnh tĩnh mạch ngón tay có nhãn từ 0001_1, 0001_2, 0001_3, 0001_4, 0001_5, 0001_6, 0002_1, …, 0060_6 (tổng cộng có 360 mẫu để 0001_1 đối sánh) hai phương pháp đề xuất (a) (b) (c) Hình 4.20 (a) Ảnh tĩnh mạch ngón tay nhãn 0001_1, (b) Ảnh tĩnh mạch nhãn 0001_1 trước xác thực theo mơ hình đề xuất đối sánh mẫu 1, (c) Ảnh tĩnh mạch nhãn 0001_1 trước xác thực theo mơ hình đề xuất đối sánh mẫu Tiến hành xác thực ảnh tĩnh mạch ngón tay nhãn 0001_1 với 360 mẫu từ 0001_1 đến 0060_6 theo mô hình đề xuất đối sánh mẫu 1, mơ hình có ngưỡng phân loại tốt 0.33 mục 4.5.4.1 Độ không tương đồng thấp 0.0528 thuộc nhãn 0001_1, tất nhãn cịn lại có độ khơng tương đồng lớn 0.33 Như vậy, hình ảnh tĩnh mạch xác thực nhãn 0001_1 xác thực với mẫu nhãn 0001_1 độ khơng tương đồng 0.0528 nhỏ ngưỡng 0.33 (độ 54 không tương đồng nhỏ khớp) Các mẫu với nhãn cịn lại cho kết xác thực khơng thành cơng độ khơng tương đồng lớn 0.33 Kết xác thực mơ hình đề xuất đối sánh mẫu 2, mơ hình có ngưỡng phân loại tốt 0.31 mục 4.5.4.1 Độ không tương đồng thấp 0.034 thuộc nhãn 0001_1 Ngoài mẫu 0001_1 có độ khơng tương đồng thấp nhỏ 0.31 cịn có mẫu 0044_6 có độ khơng tương đồng 0.30 Tất mẫu với nhãn lại cho độ không tương đồng lớn 0.31 Như vậy, hình ảnh xác thực tĩnh mạch nhãn 0001_1 khớp với mẫu 0001_1, mẫu 0044_6 cho kết xác thực thành công Việc đối tượng sai lại chấp nhận trường hợp nguy hiểm cho hệ thống xác thực định danh (a) (b) (c) (d) Hình 4.21 (a) Ảnh tĩnh mạch ngón tay mẫu 0044_6, (b) Ảnh tĩnh mạch ngón tay mẫu 0044_6 trích xuất theo mơ hình đề xuất đối sánh mẫu 2, (c) Ảnh tĩnh mạch ngón tay mẫu 0044_6 trích xuất theo mơ hình đề xuất đối sánh mẫu 1, (d) Ảnh tĩnh mạch xác thực mẫu 0001_1 trích xuất theo mơ hình đề xuất đối sánh mẫu Việc ảnh xác thực nhãn 0001_1 xác thực thành công mẫu 0044_6 theo mơ hình đề xuất đối sánh mẫu 2, vì: mơ hình đối sánh mẫu khơng có lọc Frangi nên hình ảnh đường tĩnh mạch to lem nhiều, không sắc nét Hình 4.20b Hình 4.21c Việc đường tĩnh mạch to tăng hội điểm ảnh hai ảnh đối sánh khớp với để qua làm giảm độ không tương đồng Việc áp dụng thêm lọc Frangi phần hạn chế lỗi với phương pháp đối sánh mẫu 55 Hình 4.22 Đồ thị ROC mơ hình EMC, Trung vị, Frangi Đối sánh mẫu Đồ thị ROC thể mối quan hệ độ nhạy tỉ lệ sai chấp nhận hệ thống, hệ thống có độ nhạy cao ứng với tỉ lệ tĩnh mạch giả lại xác thực khớp cao Quan sát đồ thị ROC Hình 4.22, ta thấy tỉ lệ sai khớp FAR 0.01% độ nhạy mơ hình tốt qua thực nghiệm (sử dụng EMC + Trung vị + Frangi + Đối sánh mẫu) khoảng 94% Tóm lại, qua q trình thử nghiệm cho thấy rằng: mơ hình thử nghiệm sử dụng EMC + Trung vị + Frangi + Đối sánh mẫu mơ hình có kết tốt dựa EER tỉ lệ sai chấp nhận FAR thấp đạt 1.14% Mơ hình có độ xác 98.61%, tỉ lệ EER 1.26% Đây kết cao nghiên cứu Tuy nhiên, để áp dụng thực tế cần phải tối ưu kết hợp thêm phương pháp khác để độ xác cải thiện tỉ lệ lỗi sai giảm Trong tương lai, tiếp tục áp dụng thuật toán mới, cải tiến thuật tốn có sẵn thử nghiệm chúng mơ hình, tập liệu có sẵn khác để hoàn thiện giải pháp xác thực định danh cá nhân qua hình ảnh tĩnh mạch ngón tay 56 KẾT LUẬN VÀ ĐỊNH HƯỚNG PHÁT TRIỂN Nghiên cứu lý thuyết phương pháp định danh cá nhân qua hình ảnh tĩnh mạch ngón tay cho thấy phương pháp tối ưu, phù hợp cho trình định danh mà xác thực đóng vai trị tối quan trọng công chuyển đổi số Phương pháp quan trọng kỉ nguyên không mật khẩu, nơi mà kẻ cơng tìm cách để phá vỡ lớp bảo mật cơng nghệ sinh trắc học Phân tích quy trình định danh cá nhân qua hình ảnh tĩnh mạch ngón tay cho thấy cần phải tập trung nghiên cứu cấu tạo thiết bị thu ảnh để thu ảnh tĩnh mạch tốt phục vụ cho bước xử lý ảnh Song song với đó, ta phải nâng cao chất lượng bước xử lý ảnh để trích xuất đặc trưng định danh xác Đề tài nghiên cứu thành cơng việc xây dựng, phát triển mơ hình xử lý ảnh nhằm tăng cường chất lượng ảnh tĩnh mạch, trích xuất đặc trưng xác thực định danh cá nhân dựa sở liệu ảnh tĩnh mạch có sẵn Các thuật tốn xử lý ảnh tơi kết hợp lại từ nhiều cơng trình nghiên cứu liên quan Sự đóng góp tơi đề tài phát mơ hình đạt kết cao kết hợp lọc Frangi vào trích xuất đặc trưng Tại thời điểm viết luận, kết tốt nghiên cứu tơi mơ hình có độ xác 98.61% tỉ lệ cân lỗi sai EER 1.26% Trong tương lai, tiếp tục áp dụng thuật toán mới, cải tiến thuật toán có sẵn thử nghiệm chúng mơ hình khác tập liệu có sẵn khác Bên cạnh đó, việc thiết kế phát triển sản phẩm phần cứng phục vụ xác thực định danh cá nhân tĩnh mạch ngón tay tơi tính đến Trước tiên, tơi thiết kế mẫu phần cứng để phục vụ việc thu thập liệu tĩnh mạch ngón tay phục vụ phân tích Q trình phân tích khả đáp ứng phần cứng phần mềm để từ tiếp tục chỉnh sửa phát triển thêm 57 TÀI LIỆU THAM KHẢO [1] Veasna Soum et al, “Inkjet-Printed Carbon Nanotubes for Fabricating a Spoof Fingerprint on Paper,” ACS Omega 2019, vol 4(5), pp 8626–8631, 2019, doi: 10.1021/acsomega.9b00936 [2] K.Syazana-Itqan, A.R.Syafeeza, N.M.Saad, N A Hamid and W H B M Saad, “A Review of Finger-Vein Biometrics Identification Approaches,” Indian Journal of Science and Technology, vol 9(32), pp 1–8, 2016, doi: 10.17485/ijst/2016/v9i32/99276 [3] Q Huang, K Hu, P Zhou, Y Luo, L Wu, “Design of Finger Vein Capturing Device Based on ARM and CMOS Array,” presented at the 2018 2nd IEEE Advanced Information Management, Communicates, Electronic and Automation Control Conference (IMCEC), 2018, pp 193–196 doi: 10.1109/IMCEC.2018.8469403 [4] X Zhang and W Wang, “Finger vein recognition method based on GLCMHOG and SVM,” presented at the 2020 IEEE 3rd International Conference on Information Systems and Computer Aided Education (ICISCAE), 2020, pp 698– 701 doi: 10.1109/ICISCAE51034.2020.9236798 [5] Naoto Miura, Akio Nagasaka and Takafumi Miyatake, “Feature extraction of finger-vein patterns based on repeated line tracking and its application to personal identification,” Machine Vision and Applications, vol 15, pp 194–203, 2004, doi: 10.1007/s00138-004-0149-2 [6] N Miura, A Nagasaka and T Miyatake, “Extraction of Finger-Vein Patterns Using Maximum Curvature Points in Image Profiles,” in IAPR Conference on Machine Vision Applications, Tsukuba Science City, Japan, 2005, pp 347–350 doi: 10.1093/ietisy/e90-d.8.1185 [7] Jinfeng Yang, Yihua Shi and Renbiao Wu, “Finger-Vein Recognition Based on Gabor Features,” in Biometric Systems, Design and Applications, Zahid Riaz., London, United Kingdom: IntechOpen, 2011, pp 17–32 [8] Jinfeng Yang, Jinli Yang and Yihua Shi, “Combination of Gabor Wavelets and Circular Gabor Filter for Finger-Vein Extraction,” presented at the Emerging Intelligent Computing Technology and Applications, 2009, vol 5754, pp 346– 354 doi: 10.1007/978-3-642-04070-2_39 [9] Eui Chul Lee, Hyeonchang Lee and Kang Ryoung Park, “Finger Vein Recognition Using Minutia-Based Alignment and Local Binary Pattern-Based Feature Extraction,” International Journal of Imaging Systems and Technology, vol 19(3), pp 179–186, 2009, doi: 10.1002/ima.20193 [10] C Kauba, E Piciucco, E Maiorana, P Campisi and A Uhl, “Advanced Variants of Feature Level Fusion for Finger Vein Recognition,” presented at the 2016 International Conference of the Biometrics Special Interest Group (BIOSIG), Darmstadt, Germany, 2016, pp 1–7 doi: 10.1109/BIOSIG.2016.7736908 58 [11] X Yang, L Yang and K Lu, “Finger vein recognition based on DSST decomposition,” presented at the 2020 19th International Symposium on Distributed Computing and Applications for Business Engineering and Science (DCABES), 2020, pp 108–111 doi: 10.1109/DCABES50732.2020.00036 [12] Huimin Lu, Yifan Wang, Ruoran Gao, Chengcheng Zhao and Yang Li, “A Novel ROI Extraction Method Based on the Characteristics of the Original Finger Vein Image,” Sensors 2021, vol 21, no 13, pp 1–18, 2021, doi: 10.3390/s21134402 [13] B Huang, Y Dai, R Li, D Tang and W Li, “Finger-Vein Authentication Based on Wide Line Detector and Pattern Normalization,” presented at the 2010 20th International Conference on Pattern Recognition, 2010, pp 1269–1272 doi: 10.1109/ICPR.2010.316 [14] B Ton, “Vascular pattern of the finger: Biometric of the future? sensor design, data collection and perfomance verification,” M.S thesis, University of Twente, Enschede, Netherlands, 2012 [15] Karel Zuiderveld, “Contrast limited adaptive histogram equalization,” in Graphics gems IV, Paul S Heckbert., San Diego, CAUnited States: Academic Press Professional, Inc, 1994, pp 474–485 [16] Jinfeng Yang, Yihua Shi and Jinli Yang, “Finger-Vein recognition based on a bank of gabor filters,” presented at the Proceedings of Acian Conference on Computer Vision, Xi’an, China, 2009, pp 374–383 doi: 10.1007/978-3-64212307-8_35 [17] Munalih Ahmad Syarif, Thian Song Ong, Andrew B J Teoh, Connie Tee, “Enhanced maximum curvature descriptors for finger vein verification,” Multimedia Tools and Applications, pp 6859–6887, 2017, doi: 10.1007/s11042016-3315-4 [18] Alejandro F Frangi, Wiro J Niessen, Koen L Vincken and Max A Viergever, “Multiscale vessel enhancement filtering,” presented at the Medical Image Computing and Computer-Assisted Intervention — MICCAI’98, 1998, vol 1496, pp 130–137 [19] Jiaoying Jin, Linjun Yang, Xuming Zhang and Mingyue Ding, “Vascular Tree Segmentation in Medical Images Using Hessian-Based Multiscale Filtering and Level Set Method,” Computational and Mathematical Methods in Medicine, vol 2013, pp 1–9, doi: 10.1155/2013/502013 [20] Jen-Mei Chang, Nen Huynh, and Marilyn Vazquez, “Multi-Scale vessel extraction using curvilinear filter-matching applied to digital photographs of human placentas,” Ph.D thesis, California State University, Long Beach, CA, 2001 [21] N Dalal and B Triggs, “Histograms of oriented gradients for human detection,” presented at the 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR’05), 2005, vol 1, pp 886–893 doi: 10.1109/CVPR.2005.177 59 [22] S Ghosh, A Dasgupta and A Swetapadma, “A Study on Support Vector Machine based Linear and Non-Linear Pattern Classification,” presented at the 2019 International Conference on Intelligent Sustainable Systems (ICISS), 2019, pp 24–28 doi: 10.1109/ISS1.2019.8908018 [23] Viet Dung Nguyen and Tien Dat Phung, “An improved finger vein recognition using Gabor filter and Frangi filter,” presented at the RSU International Research Conference 2018, 2018 [24] X Qian, S Guo, X Li, F Zhong and X Shao, “Finger-Vein Recognition Based on the Score Level Moment Invariants Fusion,” presented at the 2009 International Conference on Computational Intelligence and Software Engineering, 2009, pp 1–4 doi: 10.1109/CISE.2009.5366021 60 PHỤ LỤC Bài báo công bố hội nghị ICTC 2022 61 Minh chứng báo chấp thuận hội nghị ICTC2022 62 Nội dung báo 63 64 65 66 67 ... 2.1.4 Mơ hình tốn tổng thể giải pháp Để thực giải pháp xác thực định danh cá nhân qua hình ảnh tĩnh mạch ngón tay, mơ hình toán tổng thể giải pháp đưa Hình 2.6 Hình 2.6 Mơ hình thực giải pháp xác. .. định danh cá nhân tĩnh mạch ngón tay Trong Hình 2.6, mơ hình thực giải pháp xác thực định danh cá nhân qua hình ảnh tĩnh mạch ngón tay chia làm phần: • Phần 1: Là q trình đăng ký mẫu tĩnh mạch ngón. .. pháp xác thực định danh cá nhân tĩnh mạch ngón tay 20 Hình 3.1 Ảnh tĩnh mạch ngón tay thu từ camera 23 Hình 3.2 Độ tương phản khơng đồng ảnh tĩnh mạch ngón tay 23 Hình 3.3