Đang tải... (xem toàn văn)
NHỮNG ĐÓNG GÓP MỚI CỦA LUẬN ÁN 1. Đã đưa ra hai phương pháp tiền xử lý gồm thuật toán SDWTL bù sáng cho ảnh mặt người trong không gian màu RGB và thuật toán Dijkstra đa nguồn cải tiến cho phân vùng ảnh tròng mắt, qua đó nâng cao chất lượng ảnh đầu vào và độ chính xác của toàn hệ thống nhận dạng. 2. Đã đưa ra hai phương pháp kết hợp gồm kết hợp biến đổi nhanh Curvelet, PCA, SVD và kết hợp trộn song song biến đổi Curvelet rời rạc, DTCWT để xác lập các đặc trưng ảnh tròng mắt với kích thước các chi tiết đặc trưng được giảm thiểu, qua đó nâng cao tốc độ và độ chính xác trong nhận dạng.
BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ NGUYỄN NAM PHÚC NGHIÊN CỨU GIẢI PHÁP LỌC SỐ DÙNG BIẾN ĐỔI WAVELET NÂNG CAO CHẤT LƯỢNG XỬ LÝ ẢNH TRONG KỸ THUẬT NHẬN DẠNG KHN MẶT VÀ TRỊNG MẮT NGƯỜI LUẬN ÁN TIẾN SĨ KỸ THUẬT Hà Nội – 2023 BỘ GIÁO DỤC VÀ ĐÀO TẠO BỘ QUỐC PHÒNG VIỆN KHOA HỌC VÀ CÔNG NGHỆ QUÂN SỰ NGUYỄN NAM PHÚC NGHIÊN CỨU GIẢI PHÁP LỌC SỐ DÙNG BIẾN ĐỔI WAVELET NÂNG CAO CHẤT LƯỢNG XỬ LÝ ẢNH TRONG KỸ THUẬT NHẬN DẠNG KHN MẶT VÀ TRỊNG MẮT NGƯỜI Chun ngành: Kỹ thuật điện tử Mã số: 52 02 03 LUẬN ÁN TIẾN SĨ KỸ THUẬT NGƯỜI HƯỚNG DẪN KHOA HỌC: PGS TS Nguyễn Quốc Trung TS Hà Hữu Huy Hà Nội – 2023 i LỜI CAM ĐOAN Tôi cam đoan cơng trình nghiên cứu riêng tơi Các kết nghiên cứu số liệu trình bày luận án trung thực, chưa cơng bố cơng trình khác, liệu tham khảo trích dẫn đầy đủ Tác giả luận án Nguyễn Nam Phúc ii LỜI CẢM ƠN Tơi xin bày tỏ lịng biết ơn đến tập thể thầy hướng dẫn PGS.TS Nguyễn Quốc Trung, Đại học Bách khoa Hà Nội TS Hà Hữu Huy, Viện Khoa học Công nghệ quân trực tiếp hướng dẫn, tận tình đưa định hướng khoa học có giá trị giúp tơi hồn thành luận án Sự động viên, khuyến khích, kiến thức chuyên môn mà thầy chia sẻ năm thực luận án giúp nâng cao lực khoa học, phương pháp nghiên cứu lòng yêu nghề Tôi xin trân trọng cảm ơn Ban Giám đốc Viện Khoa học Công nghệ quân sự, Thủ trưởng Viện Điện tử, Phòng Đào tạo - Viện Khoa học Công nghệ quân tạo điều kiện thuận lợi cho tơi q trình học tập nghiên cứu Viện Xin trân trọng cảm ơn thầy cô giáo, nhà khoa học Viện Điện tử truyền đạt kiến thức, có góp ý quý báu trình học tập thực luận án Xin trân trọng cảm ơn Cục Công nghệ thông tin, Bộ Công an đơn vị nơi công tác, tạo điều kiện để tơi hồn thành nhiệm vụ Cuối cùng, xin gửi lời cảm ơn sâu sắc tới gia đình, bạn bè, đồng nghiệp anh chị em nghiên cứu sinh động viên, giúp đỡ tơi vượt qua khó khăn để đạt kết nghiên cứu ngày hôm Tác giả luận án Nguyễn Nam Phúc iii MỤC LỤC Trang DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT v DANH MỤC CÁC BẢNG ix DANH MỤC CÁC HÌNH VẼ x MỞ ĐẦU CHƯƠNG 1: TỔNG QUAN VỀ NHẬN DẠNG SINH TRẮC HỌC VÀ CÁC KỸ THUẬT BIẾN ĐỔI SỐ TRÊN ẢNH ĐẦU VÀO 1.1 Các hệ thống nhận dạng khn mặt trịng mắt 1.1.1 Hệ thống nhận dạng khuôn mặt 10 1.1.2 Hệ thống nhận dạng tròng mắt 12 1.1.3 Một số CSDL sử dụng sinh trắc học 18 1.2 Các kỹ thuật tiền xử lý ảnh đầu vào 21 1.2.1 Tiền xử lý ảnh khuôn mặt 21 1.2.2 Tiền xử lý ảnh tròng mắt 22 1.3 Các phép biến đổi số xử lý ảnh 25 1.3.1 Các biến đổi khơng thích nghi 26 1.3.2 Các phép biến đổi thích nghi 29 1.3.3 Biến đổi Curvelet 30 1.4 Tình hình nghiên cứu nước 33 1.4.1 Tình hình nghiên cứu ứng dụng nước 33 1.4.2 Tình hình nghiên cứu nước 36 1.5 Kết luận Chương 37 CHƯƠNG 2: CÁC KỸ THUẬT TIỀN XỬ LÝ NHẰM NÂNG CAO HIỆU QUẢ CHO HỆ THỐNG NHẬN DẠNG KHN MẶT VÀ TRỊNG MẮT 39 2.1 Thuật toán SDWTL bù sáng cho ảnh màu mặt người 39 2.1.1 Động lực nghiên cứu 39 2.1.2 Phân loại ảnh màu mặt người theo cường độ sáng 42 2.1.3 Mơ hình thuật tốn SDWTL 45 2.1.4 Kết mô thảo luận 53 2.2 Tối ưu phân vùng ảnh thuật toán Dijkstra đa nguồn cải tiến 65 2.2.1 Động lực nghiên cứu 65 iv 2.2.2 Mơ hình thuật tốn Dijkstra cải tiến 67 2.2.3 Kết mô thảo luận 72 2.3 Phạm vi ứng dụng 78 2.4 Kết luận Chương 79 CHƯƠNG 3: CẢI THIỆN ĐỘ CHÍNH XÁC TRONG NHẬN DẠNG BẰNG CÁC KẾT HỢP BIẾN ĐỔI SỐ RỜI RẠC 81 3.1 Biến đổi nhanh Curvelet rời rạc kết hợp thuật toán PCA SVD 81 3.1.1 Động lực nghiên cứu 81 3.1.2 Mơ hình kết hợp thuật toán FDCT, PCA SVD 83 3.1.3 Kết thực nghiệm thảo luận 85 3.2 Kết hợp biến đổi Curvelet nhanh rời rạc DTCWT 87 3.2.1 Động lực nghiên cứu 87 3.2.2 Mơ hình kết hợp biến đổi Curvelet DTCWT 89 3.2.3 Kết thực nghiệm thảo luận 95 3.3 Phạm vi ứng dụng 97 3.4 Kết luận Chương 98 KẾT LUẬN 100 DANH MỤC CÁC CƠNG TRÌNH KHOA HỌC ĐÃ CƠNG BỐ 103 TÀI LIỆU THAM KHẢO 104 v DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT I ( x, y) Hệ tọa độ ảnh (𝑥, 𝑦) Rp Bán kính Rl Bán kính trịng mắt Gx (t , f ) Hàm cửa sổ Gauss Wx (a, b) Biến đổi Wavelet miền 1D ˆ Hàm Wavelet Gabor miền tần số R2 Miền không gian chiều C j ,l , k ( x ) Hệ số Wavelet C (u, v) Hệ số Cosin rời rạc f LT Ảnh mặt người dùng biến đổi kênh màu sang miền logarit f {R, G, B} Ảnh mặt người không gian màu RGB Rb , Gb , Bb Các màu sau bù sáng R , G , B Các hệ số bù sáng tương ứng với màu Toán tử logic XOR dH Khoảng cách Hamming ảnh tròng mắt dE Khoảng cách Euclid dn Khoảng cách chuẩn hóa nằm khoảng chung [0,1] s final Hệ số kết hợp khoảng cách Hamming từ biến đổi 1D Không gian chiều (1 Direction) 2D Không gian hai chiều (2 Directions) AHE Lược đồ cân tương thích (Adaptive Histogram Equalization) AI Trí tuệ nhân tạo (Artificial Intelligence) ALDS Biến đổi lôgarit, Cosine rời rạc, Phân giải giá trị riêng thích nghi (Adaptive Log Discrete Singular Value Decomposition) ASVD Phân giải giá trị riêng tương thích (Adaptive Singular Value Decomposition) vi ASVDW Phân giải giá trị riêng tương thích miền Wavelet (Adaptive Singular Value Decomposition Wavelet) CFLT Biến đổi Logarit với ảnh mặt màu (Color Face Log Transformation) CMU CSDL CMU Đại học Carnegie Mellon (Carnegie Mellon University) CPU Đơn vị xử lý trung tâm (Central Processing Unit ) CUDA Kiến trúc thiết bị tính tốn hợp (Compute Unified Device Architecture) CWT Biến đổi Wavelet phức (Complex Wavelet Transform) DCT Biến đổi cô-sin rời rạc (Discrete Cosine Transform) DFB Băng lọc trực tiếp (Directional Filter Bank) DTCWT Biến đổi Wavelet phức theo đối ngẫu (Discrete Tree Complex Wavelet Transforms) DWT Biến đổi Wavelet rời rạc (Discrete Wavelet Transform) EER Tỉ lệ bình đẳng lỗi (Equal Error Rate) FAR Tỉ lệ chấp nhận sai (False Acceptance Ratio) FDCT Biến đổi nhanh Curvelet rời rạc (Fast Discrete Cosine Transform) FERET CSDL FERET (Facial Recognition Technology) GPU Đơn vị xử lý đồ họa (Graphics Processing Unit) HDR Tỉ lệ phân bố điểm ảnh cường độ sáng cao HE Lược đồ cân (Histogram Equalization) ICA Phân tích thành phần độc lập (Independent Component Analysis) ICE CSDL ICE (Iris Challenge Evaluation) IEC Hội đồng Kỹ thuật điện tử quốc tế (International Electrotechnical Commission) IoT Internet vạn vật (Internet of Things) ISO Tổ chức Tiêu chuẩn quốc tế (International Organization for Standardization) vii KNN K lân cận gần (K-Nearest Neighbors) LBP Mẫu nhị phân cục (Local Binary Patterns) LDR Tỉ lệ phân bố điểm ảnh cường độ sáng thấp LoG Toán tử Laplac phân bố Gauss (Laplacian of Gauss) LT Biến đổi lôgarit (Log Transformation) MSE Sai số tồn phương trung bình (Mean Squared Error) NDR Tỉ lệ phân bố điểm ảnh cường độ sáng trung bình (Normal Brightness Pixel Distribution Rate) NIR Cận hồng ngoại (Near-Infrared Spectroscopy) NIST Viện Tiêu chuẩn công nghệ quốc gia (National Institute of Standards and Technology) OWA Toán tử trọng số trung bình có thứ tự (Ordered Weighted Averaging) PCA Phân tích thành phần (Principal Component Analysis) PIE CSDL PIE (Vị trí, nguồn sáng biểu cảm) (Pose, Illumination, and Expression Database) QMA Tốn tử lượng tử hóa đa số (Quantified Majority Additive) RAM Bộ nhớ truy cập ngẫu nhiên (Random Access Memory) RCHT Biến đổi tròn giới hạn Hough (Restricted Circular Hough Transform) RFOI Phân vùng chữ nhật cần quan tâm gương mặt (The Rectangular Face of Interest) RGB Màu RGB (Red Geen Blue) ROC Đặc trưng hoạt động thu nhận (Receiver Operating Characteristic) SDWTL Phân giải giá trị riêng, Biến đổi Wavelet rời rạc, Biến đổi lôgarit (Singular Value Decomposition, Discrete Wavelet Transform, Log Transformation) SIFT Biến đổi đặc trưng theo thang (Scale Invariant Feature Transform) SVD Phân giải giá trị riêng (Singular Value Decomposition) viii SVs Các giá trị riêng (Singular Values) TIFF Định dạng tập tin ảnh gắn thẻ (Tagged Image File Format) TSVD Phân giải hai giá trị riêng tách biệt (Two Separated Singular Value Decompositions) VW Bước sóng thấy (Visible Wavelength) 99 tính tốn khác nhằm giảm ảnh hưởng trả giá thời gian thực thi Kết mô cho thấy thời gian thực thi đồng thời hai q trình khơng khác biệt đáng kể so với thời gian thực thi riêng q trình, hay nói cách khác độ xác hệ thống nâng cao mà không làm ảnh hưởng nhiều đến tổng thời gian thực thi hệ thống Các kết nghiên cứu chương đăng cơng trình nghiên cứu [CT1] [CT5] Danh mục cơng trình khoa học cơng bố 100 KẾT LUẬN Các kết nghiên cứu Nội dung luận án “Nghiên cứu tối ưu băng lọc số xử lý ảnh dùng biến đổi wavelet ứng dụng kỹ thuật nhận dạng” giải toán nâng cao hiệu hoạt động hệ thống sinh trắc học mặt người tròng mắt dựa cải thiện bước tiền xử lý ảnh đầu vào kết hợp biến đổi số cho ảnh sau chuẩn hóa Theo hai vấn đề giải luận án là: Vấn đề thứ nhất, luận án đề xuất hai kỹ thuật tiền xử lý ảnh đầu vào, qua tăng cường chất lượng ảnh đầu vào độ xác toàn hệ thống nhận dạng Cụ thể, luận án đề xuất phương pháp SDWTL để nâng cao chất lượng ảnh đầu vào cho hệ thống nhận dạng khuôn mặt thuật toán Dijkstra đa nguồn, đa nhãn để phân tách xác đặc trưng áp dụng cho nhận dạng tròng mắt Hai kỹ thuật xây dựng sau: - Phương pháp SDWTL thực bù sáng cho ảnh mặt người không gian màu RGB nhiều độ sáng khác nhau, đặc biệt ảnh bị che khuất Phương pháp tính tốn hệ số bù qua việc tham chiếu đến ảnh màu có phân bố chuẩn Gauss kết hợp với biến đổi Logarit DWT Các hệ số bù sáng tương ứng với ba kênh màu RGB tính tốn cách tự động, sau sử dụng cho q trình biến đổi ngược để điều chỉnh lược đồ phân bố màu sắc ảnh Các phương pháp bù màu đề xuất làm cho hình ảnh khn mặt màu có phân bố màu sắc cân gần với phân bố chuẩn điều kiện chụp ảnh khơng thuận lợi, đồng thời có khả tái tạo xác chi tiết cấu trúc gương mặt phân vùng ảnh đầu vào có chất lượng Việc cải thiện chất lượng ảnh đầu vào có tác dụng nâng cao độ xác tác vụ sinh trắc học hệ thống nhận dạng khuôn mặt người không gian màu RGB - Thuật toán Dijkstra đa nguồn cải tiến sử dụng phân vùng ảnh đầu vào hệ thống nhận dạng trịng mắt Q trình phân vùng thực điểm ảnh, nhờ phân vùng ảnh chứa mẫu chi tiết nhận dạng phân vùng ảnh chứa chi tiết dư thừa phân tách cách nhanh chóng xác Thuật tốn tính tốn trước thơng tin khoảng cách ngắn dựa cường độ màu sắc cho vùng lân cận điểm ảnh, sau sử dụng thơng tin phép xử lý khác Việc tính tốn theo lân cận điểm ảnh cho phép loại bỏ cách hiệu chi tiết dư thừa ảnh hưởng lông mi, khúc xạ, lông mi giả, mà không làm ảnh 101 hưởng đến phân vùng ảnh có nội dung thông tin quan trọng cần thiết cho hệ thống nhận dạng Đồng thời, q trình tính tốn khoảng cách ngắn thực song song nhằm đảm bảo tính chất thời gian thực cho ứng dụng thực tế Kết cho thấy, kỹ thuật phân vùng đề xuất cho phép tối ưu phân vùng chứa thơng tin có ích, từ góp phần nâng cao tỉ lệ nhận dạng hệ thống Vấn đề thứ hai, đề xuất phương án để cải thiện độ xác bước đánh giá kết quả, đưa định sau so sánh chi tiết đặc trưng Cụ thể, luận án đưa hai hướng kết hợp đối chiếu kết so sánh đặc trưng ảnh tròng mắt cần nhận dạng Hướng thứ sử dụng kết hợp biến đổi nhanh Curvelet với thuật tốn phân tích thành phần PCA phân giải giá trị riêng SVD để xác lập đặc trưng ảnh trịng mắt với kích thước chi tiết đặc trưng giảm thiểu, nhờ đảm bảo hiệu tỉ lệ nhận dạng cao, sai số nhỏ đồng thời tăng tốc độ nhận dạng Hướng thứ hai kết hợp trộn song song biến đổi Curvelet rời rạc biến đổi DTCWT để trích xuất đặc trưng để phân loại cách độc lập với nhau, sau kết hợp so sánh, đề xuất kết phù hợp dựa khoảng cách Hamming Euclid véc-tơ đặc trưng Các nội dung nghiên cứu kết luận án công bố công trình khoa học tạp chí có uy tín Kết khảo sát, đánh giá công bố theo hướng luận án đề xuất, không trùng lặp, dựa nguồn liệu thực nghiệm nhận từ CSDL sở nghiên cứu uy tín, chia sẻ công khai giới nghiên cứu công nhận, sử dụng rộng rãi Các kết mô cho phương pháp đề xuất luận án tính tốn dựa phần mềm lập trình ngơn ngữ bậc cao (C++, Python) hệ điều hành Microsoft Windows Các q trình mơ thực thi thiết bị máy tính có vi xử lý đa luồng GPU đa nhân để minh chứng cho ưu tính tốn đa luồng thuật tốn đề xuất Những đóng góp luận án Luận án giải số vấn đề bước tiền xử lý ảnh đầu vào kết hợp biến đổi số cho ảnh sau chuẩn hóa nhằm nâng cao hiệu hoạt động hệ thống sinh trắc học mặt người tròng mắt Các đóng góp cụ thể luận án sau: - Đề xuất 02 giải pháp nâng cao chất lượng giai đoạn tiền xử lý cho nhận dạng: giải pháp bù sáng ảnh mặt người ảnh màu RGB; giải pháp phân vùng ảnh sử dụng thuật toán Dijkstra cải tiến áp dụng cho ảnh tròng mắt 102 - Đề xuất 02 giải pháp nâng cao chất lượng nhận dạng, xử lý ảnh tròng mắt: giải pháp kết hợp biến đổi nhanh Curvelet, thuật toán PCA, thuật toán SVD; giải pháp sử dụng song song hai trình trích xuất biến đổi Curvelet rời rạc, biến đổi DTCWT Hướng nghiên cứu Dựa kết thu được, luận án phát triển hướng nghiên cứu sau: - Nghiên cứu kỹ thuật tương tự kỹ thuật bù sáng cho mục đích khử nhiễu ảnh đầu vào - Thực phân tích chuyên sâu áp dung thuật toán Dijkstra cải tiến cho CSDL ảnh kích thước số lượng ảnh lớn nhằm mục đích đánh giá đề xuất ứng dụng thực tế có tính thời gian thực - Thực đánh giá chất lượng nhận dạng giải pháp đề xuất cho trường hợp cá biệt, dựa số chất lượng phụ FAR, FRR, hướng tới nhận dạng đối tượng đặc trưng lĩnh vực hẹp - Nghiên cứu khả kết hợp biến đổi Curvelet nhanh rời rạc với kỹ thuật nhận dạng sử dụng AI nhằm mở rộng lĩnh vực nhận dạng cho đối tượng khác đa dạng - Sử dụng kết lý thuyết nhận từ luận án để nghiên cứu thực tế hoá cho hệ thống giám sát đa đối tượng, có khả tương tác cao với người dùng hoạt động theo chế độ thời gian thực, ứng dụng an ninh quốc phòng dạng đề tài nghiên cứu khoa học 103 DANH MỤC CÁC CƠNG TRÌNH KHOA HỌC ĐÃ CÔNG BỐ [CT1] Nguyễn Nam Phúc, Nguyễn Quốc Trung, Trần Hữu Tồn (2018), “Nhận dạng trịng mắt sử dụng biến đổi nhanh Curvelet rời rạc kết hợp thuật tốn PCA SVD”, Tạp chí Khoa học Cơng nghệ, Đại học Công nghiệp, Hà Nội, Việt Nam, số 49, trang 15-18 [CT2] Nguyen Nam Phuc, Le Tien Hung, Nguyen Quoc Trung, Ha Huu Huy (2019), “Improved Dijkstra's algorithm on the image segmentation problem”, Journal of Military Science and Technology, Hanoi, Vietnam, Special Issue No.60A, page 41-51 [CT3] Nguyễn Nam Phúc, Nguyễn Quốc Trung, Hà Hữu Huy (2019), “Nâng cao chất lượng ảnh màu mặt người SVD miền logarit ứng dụng hệ thống nhận dạng mặt người”, Tạp chí Khoa học Cơng nghệ, Đại học Công nghiệp, Hà Nội, Việt Nam, số 54, trang 20-27 [CT4] Nguyễn Nam Phúc, Nguyễn Quốc Trung, Trần Thị Hường, Hà Hữu Huy (2019), “Nâng cao chất lượng ảnh màu mặt người SVD băng tần số thấp miền Wavelet ứng dụng hệ thống nhận dạng mặt người”, Tạp chí Nghiên cứu Khoa học cơng nghê quân sự, Hà Nội, Việt Nam, số 63, trang 32-45 [CT5] Nguyen Nam Phuc, Le Tien Hung, Nguyen Quoc Trung, Ha Huu Huy (2020), “An improved iris recognition system based on the fusion of the Curvelet and DTCWT”, Tạp chí Khoa học cơng nghệ, Đại học Đà Nẵng, Đà Nẵng, Việt Nam, trang 8-12 104 TÀI LIỆU THAM KHẢO Tiếng Việt [1] Phan Anh Cang, Tô Huỳnh Thiên Trường, Trần Hồ Đạt, Phan Thượng Cang (2021), "Một tiếp cận hiệu nhận dạng khuôn mặt sử dụng kỹ thuật học sâu với mạng CGAN SRGAN", Hội nghị khoa học quốc gia "Nghiên cứu ứng dụng Công nghệ thông tin" (Hội nghị FAIR 2021) [2] Nguyễn Lê Mai Duyên Đinh Trung Tứ (2020), "Một phương pháp xác thực sinh trắc học nhận dạng ảnh mống mắt ", Tạp chí Khoa học & Công nghệ, Đại học Duy Tân, số 42(5), trang 26-36 [3] Nguyễn Thị Bích Hạnh, Trần Lê Thăng Đồng, Trương Văn Trương (2019), "Một hướng tiếp cận nâng cao hiệu phát mặt người ảnh", Tạp chí Khoa học & Cơng nghệ, Đại học Duy Tân, số 32(1), trang 54-63 [4] Đậu Trọng Hiến, Ngô Quốc Cường, Trần Tùng Giang (2012), "Thiết kế hệ thống tách nhận dạng khuôn mặt từ video", Tạp chí Khoa học-Giáo dục-Kỹ thuật, Đại học Sư phạm Kỹ thuật TP Hồ Chí Minh, số 22, trang 49-55 [5] Đỗ Huy Khôi, Trịnh Văn Hà, Nguyễn Thành Trung (2012), "Phương pháp nâng cao chất lượng cách triệt nhiễu thành phần xấp xỉ thành phần chi tiết miền wavelet", Tạp chí Khoa học & Cơng nghệ, Đại học Thái Nguyên, số 11 [6] Dương Thăng Long Bùi Thế Hùng (2019), "Một phương pháp nhận dạng khn mặt dựa mạng nơron tích chập", Tạp chí Khoa học, Viện Đại học Mở Hà Nội, số 58, trang 1-20 [7] Phan Thị Thu Trang Mai Thị Hồng Thu (2018), "Một mơ hình deep learning hiệu cho tốn nhận dạng mống mắt", Tạp chí Khoa học & Công nghệ, Đại học Thái Nguyên, số 182(05), trang 67-71 [8] Lê Thanh Trúc Phạm Nguyên Khang (2015), "Nhận dạng điểm viết tay bảng điểm với biến đổi Hough đặc trưng GIST", Tạp chí Khoa học (số chuyên đề Công nghệ thông tin), Đại học Cần Thơ, trang 79-87 105 [9] Trương Văn Trương Huỳnh Việt Thắng (2016), "Nhận dạng khuôn mặt máy tính nhúng Raspberry Pi", Tạp chí Khoa học & Công nghệ, Đại học Đà Nẵng, số 98(1), trang 117-121 [10] Lê Tiến Trường, Nguyễn Duy Phú, Lê Bác Lộc, Phan Xuân Hạnh (2019), "Nhận dạng mống mắt dùng phương pháp mạng neuron nhân tạo phân tích thành phần độc lập", Tạp chí Khoa học, Đại học Sài Gòn, số 61, trang 3-10 [11] Bùi Thị Minh Tú Bạch Ngọc Vinh (2014), "Nghiên cứu hệ thống nhận dạng màng mống mắt dùng biển đổi Haar Wavelet", Tạp chí Khoa học & Cơng nghệ, Đại học Đà Nẵng, số 82(9), trang 25-27 [12] Bùi Ngọc Tuấn, Phùng Trung Nghĩa, Đỗ Huy Khôi (2007), "Hệ thống nhận dạng ảnh mặt người dùng mạng neural biến đổi Gabor Wavelet", Tạp chí Khoa học Cơng nghệ, Đại học Thái Nguyên, số 44(2), trang 33-37 [13] Huỳnh Cao Tuấn, Đỗ Năng Tồn, Nguyễn Thanh Bình, Lâm Thành Hiền (2018), "Một kỹ thuật nhận dạng biểu cảm khuôn mặt dựa mơ hình chất liệu", Journal of Science and Technology on Information and Communications số 1(4), trang 23-29 Tiếng Anh [14] Ahamed A and Bhuiyan M I H (2012), "Low complexity iris recognition using curvelet transform", International Conference on Informatics, Electronics & Vision (ICIEV), pp 548-553 [15] Ahonen T., Hadid A., and Pietikainen M (2006), "Face description with local binary patterns: Application to face recognition", IEEE Transactions on Pattern analysis and Machine intelligence, vol 28, pp 2037-2041 [16] Andrew Y N and Michael I J (2002), "On discriminative vs generative classifiers: a comparison of logistic regression and naive Bayes", 14th International Conference on Neural Information Processing Systems: Natural and Synthetic, Vancouver, British Columbia, Canada, MIT Press, vol 14, pp 841–848 106 [17] Belhumeur P N., Hespanha J P., and Kriegman D J (1997), "Eigenfaces vs fisherfaces: Recognition using class specific linear projection", IEEE Transactions on pattern analysis and machine intelligence, vol 19, pp 711720 [18] Bolle R., Connell J., Pankanti S., Ratha N., and Senior A (2005), "The Relationship Between the ROC Curve and the CMC", 4th IEEE Workshop on Automatic Identification Advanced Technologies (AutoID), Buffalo, USA, pp 15–20.` [19] Bowyer K W., Hollingsworth K., and Flynn P J (2008), "Image understanding for iris biometrics: A survey", Computer vision and image understanding, vol 110(2), pp 281-307 [20] Boyce C., Ross A., Monaco M., Hornak L., and Li X (2006), "Multispectral iris analysis: A preliminary study", Conference on Computer Vision and Pattern Recognition Workshop (CVPRW'06), IEEE, pp 51-51 [21] Boykov Y Y and Jolly M P (2001), "Interactive graph cuts for optimal boundary & region segmentation of objects in ND images", 8th IEEE International conference on computer vision ICCV 2001, vol 1, pp 105-112 [22] Candes E and Donoho D (2003), "New tight frames of curvelets and optimal representations of objects with piecewise C2 singularities", Communications on pure and applied mathematics, vol 57(2), pp 219-266 [23] Candes E., Demanet L., Donoho D., and Ying L (2006), "Fast discrete curvelet Transforms", Mulltiscale modeling & Simulation, vol 5, pp 861-899 [24] Celebi M E., Kingravi H A., and Vela P A (2013), "A comparative study of efficient initialization methods for the k-means clustering algorithm", Expert systems with applications, vol 40(1), pp 200-210 [25] Chang C L and Girod B (2007), "Direction-adaptive discrete wavelet transform for image compression", IEEE Transactions on Image Processing, vol 16, pp 1289-1302 [26] Chen Y., Dass S C., and Jain A K (2006), "Localized iris image quality using 2D wavelets", International conference on biometrics, Springer, pp 73-381 107 [27] Choi S.-I and Jeong G.-M (2011), "Shadow Compensation Using Fourier Analysis With Application to Face Recognition", IEEE Signal Processing Letters, vol 18(1), pp 23-26 [28] Coifman R R and Wickerhauser M V (1992), "Entropy-based algorithms for best basis selection", IEEE Transactions on Information Theory, vol 38(2), pp 713-718 [29] Daugman J (2007), "New methods in iris recognition", IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), vol 37(5), pp 11671175 [30] Daugman J (2009), How iris recognition works Elsevier [31] Demirel H and Anbarjafari G (2008), "Pose invariant face recognition using probability distribution functions in different color channels", IEEE Signal Processing Letters, vol 15, pp 537-540 [32] El Aroussi M., Ghouzali S., El Hassouni M., Rziza M., and Aboutajdine D (2009), "Curvelet-based feature extraction with B-LDA for face recognition", IEEE/ACS International Conference on Computer Systems and Applications, pp 444-448 [33] Felzenszwalb P F and Huttenlocher D P (2004), "Efficient graph-based image segmentation", International journal of computer vision, vol 59(2), pp 167-181 [34] Gonzalez R C and Woods R E (2007), "Image processing", Digital image processing, vol [35] Grady L (2006), "Random walks for image segmentation", IEEE Transactions on Pattern analysis and Machine intelligence, vol 28(11), pp 1768-1783 [36] Guo K and Labate D (2007), "Optimally sparse multidimensional representation using shearlets", SIAM journal on mathematical analysis, vol 39(1), pp 298-318 [37] Hsieh S.-H., Li Y.-H., Tien C.-H., and Chang C.-C (2016), "Extending the Capture Volume of an Iris Recognition System Using Wavefront Coding and 108 Super-Resolution", IEEE Transactions on Cybernetics, vol 46(12), pp 33423350 [38] Hu Y., Sirlantzis K., and Howells G (2017), "Optimal Generation of Iris Codes for Iris Recognition", IEEE Transactions on Information Forensics and Security, vol 12(1), pp 157-171 [39] Huang J., Wang Y., Tan T., and Cui J (2004), "A new iris segmentation method for recognition", 17th International Conference on Pattern Recognition, IEEE, vol 3, pp 554-557 [40] Institute of Automation-Chinese Academy of Science CASIA v3.0 Iris Image Database Available: http://www.cbsr.ia.ac.cn/english/IrisDatabase.asp [41] International Organization for Standardization, "ISO/IEC 29794-6:2015 Information technology & biometric sample quality," 2015 [42] Jain A., Nandakumar K., Lu X., and Park U (2004), "Integrating Faces, Fingerprints, and Soft Biometric Traits for User Recognition", ECCV International Workshop on Biometric Authentication (BioAW), Prague, Czech Republic [43] Jain A K., Pankanti S., Prabhakar S., Hong L., and Ross A (2004), "Biometrics: A Grand Challenge", International Conference on Pattern Recognition (ICPR), Cambridge, UK, vol 2, pp 935–942 [44] Jan F (2017), "Segmentation and localization schemes for non-ideal iris biometric systems", Signal Processing Magazine, vol 133, pp 192-212 [45] Jeong D S., Park H A., and Kim J (2006), "Iris recognition in mobile phone based on adaptive Gabor filter", International Conference on Biometrics, Springer, pp 457-463 [46] Jia H., Ma J., and Song W (2019), "Multilevel Thresholding Segmentation for Color Image Using Modified Moth-Flame Optimization", IEEE Access, vol 7, pp 44097-44134 [47] Krommweh J (2010), "Tetrolet transform: A new adaptive haar wavelet algorithm for sparse image representation", Journal of Visual Communication and Image Representation, vol 21, pp 364-374 109 [48] Lema-Condo E L., Bueno-Palomeque F L., Castro-Villalobos S E., Ordoñez-Morales E F., and Serpa-Andrade L J (2017), "Comparison of wavelet transform symlets (2-10) and daubechies (2-10) for an electroencephalographic signal analysis", 24th IEEE International Conference on Electronics, Electrical Engineering and Computing (INTERCON) [49] Liu Y., He Y., Gan C., Zhu J., and Li L (2012), "A review of advances in iris image acquisition system", Springer, pp 210-218 [50] López F R J., Beainy C E P., and Mendez O E U (2013), "Biometric iris recognition using Hough Transform", Symposium of Signals, Images and Artificial Vision - 2013: STSIVA - 2013 [51] Mallat S and Peyre G (2007), "A review of bandlet methods for geometrical image representation", Numerical Algorithms, vol 44, pp 205-234 [52] Mallat S (2009), A wavelet tour of signal processing, 3rd ed Elsevier [53] Mandal T and Wu Q M J (2008), "Face recognition using curvelet based PCA", 19th International Conference on Pattern Recognition, pp 1-4 [54] Matey J R et al (2006), "Iris on the move: Acquisition of images for iris recognition in less constrained environments", vol 94(11), pp 1936-1947 [55] Monro D M., Rakshit S., and Zhang D (2007), "DCT-based iris recognition", IEEE Transactions on pattern analysis and machine intelligence, vol 29, pp 586-595 [56] Najafi M and Ghofrani S (2011), "Iris recognition based on using ridgelet and curvelet transform", International Journal of Signal Processing, Image Processing and Pattern Recognition, vol 4(2), pp 7-18 [57] Nsaef A K., Jaafar A., and Jassim K N (2012), "Enhancement segmentation technique for iris recognition system based on Daugman's Integro-differential operator", International Symposium on Instrumentation & Measurement, Sensor Network and Automation (IMSNA) [58] Phillips P J., Moon H., Rizvi S A., and Rauss P J (2000), "The FERET evaluation methodology for face-recognition algorithms", IEEE Transactions on Pattern Analysis and Machine Intelligence, vol 22(10), pp 1090-1104 110 [59] Pizer S M et al (1987), "Adaptive histogram equalization and its variations", Computer vision, graphics, and image processing, vol 39, pp 355-368 [60] Popescu T (1997), "Time-frequency analysis", Control Engineering Practice, vol 5, pp 292–294 [61] Proena H., Filipe S., Santos R., Oliveira J., and Alexandre L A (2009), "The UBIRIS v2: A database of visible wavelength iris images captured on-themove and at-a-distance", IEEE Transactions on Pattern Analysis and Machine Intelligence, vol 32(8), pp 1529-1535 [62] Proenca H and Alexandre L A (2007), "Toward noncooperative iris recognition: A classification approach using multiple signatures", IEEE Transactions on pattern analysis and machine intelligence, vol 29(4), pp 607-612 [63] Proenca H (2010), "Quality assessment of degraded iris images acquired in the visible wavelength", IEEE Transactions on Information Forensics and Security, vol 6(1), pp 82-95 [64] Rahulkar A D., Jadhav D V., and Holambe R S (2012), "Fast discrete curvelet transform based anisotropic iris coding and recognition using k-outof-n: A fused post-classifier", Machine Vision and Applications, vol 23(6), pp 1115-1127 [65] Rao K R and Yip P (2014), "Discrete cosine transform: algorithms, advantages, applications" [66] Ritter N., Owens R., Cooper J., and Saarloos P P V (1999), "Location of the pupil-iris border in slit-lamp images of the cornea", 10th International Conference on Image Analysis and Processing, IEEE, pp 740-745 [67] Roy K., Bhattacharya P., Suen C Y., and You J (2010), "Recognition of unideal iris images using region-based active contour model and game theory", IEEE International Conference on Image Processing, pp 1705-1708 [68] Savvides M and Kumar B V (2003), "Illumination normalization using logarithm transforms for face authentication", International Conference on 111 Audio-and Video-Based Biometric Person Authentication, Springer, pp 549556 [69] Schiphol P A P., Pura I., and Goup S (2007), "Iris recognition: Part one", Biometric Technology Today, p 11 [70] Schroff F., Kalenichenko D., and Philbin J (2015), "FaceNet: A unified embedding for face recognition and clustering", IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Boston, MA, USA [71] Selesnick I W., Baraniuk R G., and Kingsbury N C (2005), "The dual-tree complex wavelet transform", Signal Processing Magazine, vol 22(6), pp 23151 [72] Seyeddain O., Kraker H., Redlberger A., Dexl A K., Grabner G., and Emesz M (2014), "Reliability of automatic biometric iris recognition after phacoemulsification or drug-induced pupil dilation", European journal of ophthalmology, vol 24(1), pp 58-62 [73] Shah S and Ross A (2009), "Iris segmentation using geodesic active contours", IEEE Transactions on Information Forensics and Security, vol 4(4), pp 824-836 [74] Shan S., Gao W., Cao B., and Zhao D (2003), "Illumination normalization for robust face recognition against varying lighting conditions", IEEE International SOI Conference, pp 157-164 [75] Shylaja S S., Murthy K N B., Natarajan S., Abhijit K G., Jayashree D., and Saifulla S M (2010), "Efficient retrieval of face images based on curvelets and singular value decomposition", 2nd International conference on Computing, Communication and Networking Technologies, pp 1-5 [76] Sim T., Baker S., and Bsat M (2003), "The CMU pose illumination and expression database", IEEE Trans Pattern Analysis and Machine Intelligence [77] Sino H W., Indrabayu, and Areni I S (2019), "Face Recognition of LowResolution Video Using Gabor Filter & Adaptive Histogram Equalization", International Conference of Artificial Intelligence and Information Technology (ICAIIT) 112 [78] Starck J L., Cands E J., and Donoho D L (2002), "The curvelet transform for image denoising", IEEE Transactions on Image processing, vol 11(6), pp 670-684 [79] Sun J., Lu Z M., and Zhou L (2014), "Iris Recognition Using Curvelet Transform Based on Principal Component Analysis and Linear Discriminant Analysis", J Inf Hiding Multim Signal Process., vol 5(3), pp 567-573 [80] Wang B., Li W., Yang W., and Liao Q (2011), "Illumination normalization based on weber's law with application to face recognition", IEEE Signal Processing Letters, vol 18, pp 462-465 [81] Wang J W., Lee J S., and Chen W Y (2011), "Face recognition based on projected color space with lighting compensation", IEEE Signal Processing Letters, vol 18(10), pp 567-570 [82] Wei X., Lu W., and Xing W (2017), "A rapid multi-source shortest path algorithm for interactive image segmentation", Multimedia Tools and Applications, vol 76(20), pp 547-563 [83] Wilson C et al (2004), "Fingerprint Vendor Technology Evaluation 2003: Summary of Results and Analysis Report", NISTIR7123 [84] Wu Y., Jiang Y., Zhou Y., Li W., Lu Z., and Liao Q (2014), "Generalized Weber-face for illumination-robust face recognition", Neurocomputing, vol 136, pp 262-267 [85] Wu Y., Jiang Y., Zhou Y., Li W., Lu Z., and Liao Q (2014), "Recognition, generalized weber-face for illumination-robust face", Neurocomputing, vol 136, pp 262-267 [86] Yang H and Han X (2020), "Face Recognition Attendance System Based on Real-Time Video Processing", IEEE Access, vol 8, pp 159143-159150 [87] Yang H., Gong C., Huang K., Song K., and Yin Z (2021), "Weighted Feature Histogram of Multi-Scale Local Patch Using Multi-Bit Binary Descriptor for Face Recognition", IEEE Transactions on Image Processing, vol 30, pp 3858-3871 113 [88] Yershov D S and LaValle S M (2013), "Simplicial Label Correcting Algorithms for continuous stochastic shortest path problems", IEEE International Conference on Robotics and Automation [89] Ying Xiang, Xiaoning Wang, and Ying He Saddle Vertex Graph (SVG): A Novel Solution to the Discrete Geodesic Problem, ACM Transactions on Graphics (Proceedings of ACM SIGGRAPH Asia 2013), Vol 32, No 6, Article No 170, 2013 [90] Zia Md Uddin, Hassan Mohammad, Almogren Ahmad, Zuair Mansour, Fortino Giancarlo, Torresen Jim, “A facial expression recognition system using robust face features from depth videos and deep learning”, Computers & Electrical Engineering, vol 63, 2017 [91] Zhang C and Zhang Z (2010), "A Survey of Recent Advances in Face Detection", Microsoft Research [92] Zhang T., Tang Y Y., Fang B., Shang Z., and Liu X (2009), "Face recognition under varying illumination using gradientfaces", IEEE Transactions on Image processing, vol 18(11), pp 2599-2606 [93] Zhouyan He, Mei Yu,* Fen Chen, Zongju Peng, Haiyong Xu, and Yang Song Blind Tone-Mapped Image Quality Assessment Based on Regional Sparse Response and Aesthetics Entropy (Basel) 2020;22(8):850 Published 2020 Jul 31 DOI:10.3390/e22080850 [94] Zou C., Kou K I., Dong L., Zheng X., and Tang Y Y (2019), "From Grayscale to Color: Quaternion Linear Regression for Color Face Recognition", IEEE Access, vol 7, pp 154131-154140 [95] Zou Z., Wang R., Pan K., Li S., and Zhang P., “Fusion of face and iris features for multimodal biometrics”, in Advances in Biometrics, ser Lecture Notes in Computer Science, Springer, 2007, vol 4642, pp 172–180 [96] Zuncheva L I., Whitaker C J., Shipp C A., and Duin R P W., “Limits on the majority vote accuracy in classifier fusion”, Pattern Analysis and Applications, vol 6, no 1, pp 22–31, 2003 [97] Zuncheva L I., “Combining pattern classifiers: Methods and algorithms”, Wiley Interscience, 2004