Báo cáo nghiên cứu khoa học nhận dạng vân lòng bàn tay sử dụng đặc trưng mã hướng phân biệt

KHOA CÔNG NGHỆ THÔNG TIN n go i Sa BÁO CÁO NGHIÊN CỨU KHOA HỌC at rn te In io NHẬN DẠNG VÂN LÒNG BÀN TAY SỬ DỤNG i rs ve ni lU na ĐẶC TRƯNG MÃ HƯỚNG PHÂN BIỆT ty Giảng viên hướng dẫn: TS Văn Thiên Hoàng Sinh viên thực hiện:  Phạm Thị Quỳnh – 91011801415  Phạm Nguyễn Hữu Phương – 81011801420 TP Hồ Chí Minh, 2020 MỤC LỤC MỤC LỤC i DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT iii DANH MỤC CÁC BẢNG v DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ vi MỞ ĐẦU Tính cấp thiết đề tài i Sa Mục đích nghiên cứu Đối tượng nghiên cứu go Phạm vi nghiên cứu n Phương pháp nghiên cứu In te Ý nghĩa khoa học thực tiễn đề tài rn Cấu trúc đề tài io at CHƯƠNG TỔNG QUAN Giới thiệu 1.2 Những khó khăn tốn nhận dạng vân lịng bàn tay 1.3 Mơ hình nhận dạng vân lòng bàn tay ni lU na 1.1 Thu nhận ảnh .8 1.3.2 Tiền xử lý 1.3.3 Rút trích đặt trưng .20 1.3.4 So khớp 23 1.3.5 Kết .24 ity rs ve 1.3.1 CHƯƠNG CÁC NGHIÊN CỨU LIÊN QUAN 25 2.1 Giới thiệu GridLDA 26 2.2 Phương pháp RDORIC 29 2.3 Mã hướng đặc trưng phân biệt (RDORIC) 31 2.4 Đặc trưng mẫu hướng cục (LLDP) .31 2.5 Mẫu đa hướng cục (LMDP) 36 i 2.6 Kết luận 43 CHƯƠNG PHƯƠNG PHÁP ĐỀ XUẤT 44 3.1 Giới thiệu mô hình đề xuất .44 3.2 Phương pháp LLDP 44 3.3 Phương pháp (2D)2LDA 46 3.4 Đặc trưng mã hướng cục (DLLDR) 47 3.5 Ví dụ minh họa áp dụng thuật toán DLLDR 48 3.6 Kết luận 50 CHƯƠNG KẾT QUẢ THỰC NGHIỆM 51 Môi trường sở liệu .51 4.2 Kết thực nghiệm sở liệu PolyU 54 4.3 Nhận xét 58 n go i Sa 4.1 CHƯƠNG KẾT LUẬN VÀ KIẾN NGHỊ 59 In Kết luận 59 5.2 Hướng phát triển 59 rn te 5.1 ity rs ve ni lU na io at TÀI LIỆU THAM KHẢO 61 ii DANH MỤC CÁC KÝ HIỆU VÀ CHỮ VIẾT TẮT STT Từ viết Ý nghĩa tiếng Việt Tiếng Anh tắt MFRAT Modified Finite Radon Transform Biến đổi radon hữu hạn GridLDA Grid Linear Discriminant Analysis Phân tích phân biệt tuyến tính RDORIC Robust Discriminant Orientation Code LLDP Local line directional pattern LMDP (2D)2LDA EER Equal Error Rate SIFT Scale Invariant Feature Transform KPBG KeyPoint based Block Growing 10 LBP Local Binary Pattern 11 SMCC Sparse Multiscale Competitive Code Mã cạnh tranh thưa thớt 12 PCNN Pulse coupled neural network Mạng lưới thần kinh kết hợp 13 HEBD Horizontally Expanded Blanket Dimension Kích thước mở rộng 14 GDDM Gaussian defocus degradation model 15 FAR False Accepted Rate Mã định hướng phân biệt mạnh mẽ i Sa Mẫu định hướng đường cục go Mô hình đa hướng cục Local multiple directional pattern n phân tích phân biệt tuyến tính hai discriminant analysis chiều rn te In two-directional two-dimensional linear io at Tỷ lệ lỗi Phát triển khối dựa Keypoint ni lU na Quy mơ biến đổi tính ity rs ve Mơ hình nhị phân cục Mơ hình suy giảm tiêu cự Gaussian Tỷ lệ lỗi chấp nhận iii STT Từ viết Ý nghĩa tiếng Việt Tiếng Anh tắt 16 2DLDA Two-dimensional linear discriminant analysis 17 LDP Local Directional Patterns 18 ELDP Enhanced local directional pattern 19 LDN Local directional number phân tích phân biệt tuyến tính hai chiều Mơ hình định hướng cục Mơ hình định hướng cục nâng cao n go i Sa Số hướng địa phương ity rs ve ni lU na io at rn te In iv DANH MỤC CÁC BẢNG Bảng 4.1 Các thông số sở liệu thí nghiệm 54 Bảng 4.2 DLLDR chiến lược thực nghiệm hai sở liệu PolyU 54 Bảng 4.3 DLLDR chiến lược thực nghiệm hai sở liệu PolyU 55 Bảng 4.4 DLLDR chiến lược thực nghiệm hai sở liệu PolyU 55 Bảng 4.5 DLLDR chiến lược thực nghiệm hai sở liệu PolyU 56 Bảng 4.6 DLLDR chiến lược thực nghiệm hai sở liệu PolyU 56 Bảng 4.7 DLLDR chiến lược thực nghiệm hai sở liệu PolyU 57 i Sa Bảng 4.8 Xếp hạng phương pháp nhận dạng liên quan so với phương pháp đề xuất 57 n go ity rs ve ni lU na io at rn te In v DANH MỤC CÁC HÌNH VẼ, ĐỒ THỊ Hình 1.1 Các đặc trưng vân lịng bàn tay với độ phân giải cao độ phân giải thấp [2] Hình 1.2 Mơ hình hệ thống nhận dạng vân lòng bàn tay Hình 1.3 Hệ thống tọa độ 10 Hình 1.4 Ảnh mơ tả điểm tham chiếu cắt 10 Hình 1.5 Ảnh sau xoay 90 độ nhận diện cạnh bàn tay 11 Hình 1.6 Thay đổi khoảng cách ngang dọc 12 Hình 1.7 Sau lọc x '(p) cửa sổ hình chữ nhật 13 i Sa Hình 1.8 Giá trị thô điểm tham chiếu (màu đỏ) điểm tham chiếu sửa (màu xanh) go 14 n Hình 1.9 Điểm tham chiếu hình ảnh vân lịng bàn tay cắt trước xoay 15 In te Hình 1.10 Điểm tham chiếu hình ảnh vân lòng bàn tay cắt sau xoay 16 at rn Hình 1.11 Điểm tham chiếu ảnh Palm trước xoay 16 io Hình 1.12 Điểm tham chiếu ảnh Palm sau xoay 17 lU na Hình 1.13 Hình ảnh vân lịng bàn tay mẫu 19 Hình 1.14 Vùng trích xuất cho hình ảnh vân lòng bàn tay 19 ni Hình 2.1 (a) ảnh vân lịng bàn tay chất lượng thấp, (b) ảnh vân lòng bàn tay chất lượng cao ve 25 rs ity Hình 2.2 (a) Sơ đồ khối GridLDA, (b) Chiến lược lấy mẫu lưới, (c) trình lấy mẫu lưới [25] 26 Hình 2.3 Tổng quan phương pháp đề xuất nhóm tác giả để trích xuất ma trận tính hướng phân biệt [25] 29 Hình 2.4 Một số mẫu thể phương pháp trích xuất tính nhóm tác giả: (a) hình ảnh palmprint với kích thước 100 × 100; (b) - (f) số hình ảnh xây dựng lại hình ảnh gốc GridLDA với d = {1,5, 20, 80, 99} tương ứng; (g) hình ảnh PORIR; (m) hình ảnh NORIR số hình ảnh dựng lại hình ảnh PORIR (h) - (l) hình ảnh NORIR (n) - (r) GridLDA với d = {1,5, 20, 80, 99} [25] 30 vi Hình 2.5 Vị trí đáp ứng cạnh với hướng (bên trái) vị trí bit nhị phân LDP (bên phải) 34 Hình 2.6 13 x 13 MFRAT theo hướng 00, 150, 300, 450,600, 750, 900; 1050, 1200, 1350, 1500 1650; điểm đỏ tâm; điểm đen đỏ tạo thành đường hướng khác 34 Hình 2.7 Các phận thực ba lọc Gabor theo hướng hướng 00, 150, 300, 450,600, 750, 900; 1050, 1200, 1350, 1500 1650 35 Hình 2.8 Một ví dụ mô tả LLDP 35 Hình 2.10 LMDP (a) Hiển thị điểm có hướng vượt trội trình bày kết i Sa xác định theo mười hai hướng (b) mô tả LMBP (a) Đặc biệt, vòng tròn biểu go thị thuộc tính vịng trịn LMBP, vịng tròn đen trắng tương ứng Chuỗi bit 0/1 điểm LMBP Cụ thể, mũi tên biểu thị mẫu bắt đầu n In màu đỏ đại diện cho DP (c) Hiển thị điểm có hai hướng chiếm ưu (d) mô tả te LMBP (c) 37 at rn Hình 2.11 Một số hình ảnh ROI palmprint điển hình (a) (b) từ sở liệu PolyU; (c) (d) từ sở liệu IITD (e) (f) từ sở liệu GPDS 41 io na Hình 2.12 Phân phối DPN hình ảnh palmprint (a), (b) (c) phân lU phối DPN sở liệu PolyU, IITD GPDS 41 ve ni Hình 3.1 Sơ đồ phương pháp đề xuất 44 Hình 3.2 Kết LLDP với chiến lược (2D) 2LDA: (a) hình ảnh palmprint gốc, (b) ity rs hình ảnh LLDP, (d1) - (d5), (e1 - e5) số hình ảnh dựng lại hình ảnh LLDP với (c1) - (c5) d = 10, 15, 20, 25, 50 q = 64, (d1) - (d5) d = 64, q = 10, 15, 20, 25, 50, (e1) (e5) q = d = 10, 15, 20, 25, 50 49 Hình 4.1 Minh họa tư vân lòng bàn tay người sở liệu PolyU 51 Hình 4.2 Hình ảnh minh họa vân lịng bàn tay với thuật tốn liên quan thuật toán đề xuất với sở liệu PolyU 52 Hình 4.3 Các đường cong ROC phương pháp đề xuất (DLLDR) phương thức khác (RDORIC LLDP) với tập liệu (a), tập liệu (b), tương ứng 58 vii n go i Sa ity rs ve ni lU na io at rn te In ii MỞ ĐẦU Tính cấp thiết đề tài Ngày nay, với cải thiện vượt bật kinh tế giới, công mạng đánh cắp thông tin người dùng diễn ngày tăng Dẫn đến tầm quan trọng việc bảo mật thông tin quan tâm hàng đầu Nhiều phương thức bảo mật đưa sử dụng mật khẩu, thẻ từ, … để bảo vệ hồ sơ cá nhân liệu cá nhân Có trường hợp mật khẩu, thẻ từ bị người dùng bị tổ chức, cá nhân đánh cắp Việc nhận dạng sinh trắc học có độ bảo mật cao, ln liền với người dùng Phương pháp nhận dạng ngày ưa i Sa chuộng dần thay phương pháp bảo mật truyền thống mật tin n go nhắn In Sinh trắc học công nghệ dựa việc nhận dạng cá nhân cách sử dụng te phương thức nhận dạng khác người (vân tay, mống mắt, khuôn mặt, rn vân lòng bàn tay) cử chỉ, hành vi (giọng nói, chữ ký) Sinh trắc học io at ứng dụng hai lĩnh vực quan trọng sống ngày giúp na xác định danh tính người nhận dạng cá nhân lU Việc nhận dạng sinh trắc học phải đáp ứng độ xác, tốc độ bảo mật tuyệt ni đối, an toàn cho người dùng hạn chế tối đa việc công từ bên ngồi vào hệ thống ve nhận dạng Tính sinh trắc học sử dụng rộng rãi dấu vân tay ity rs mống mắt Tuy nhiên, khó để trích xuất chi tiết nhỏ có tính phân biệt cao Mặt khác thiết bị để nhận diện tính sinh trắc học đắt tiền Các đặc điểm sinh trắc học khác khuôn mặt giọng nói xác chúng dễ dàng bị đánh lừa Vân lịng bàn tay tính sinh trắc học tương đối mới, có số lợi với phương pháp sinh trắc học khác có [1] Với yếu tố độ ổn định cao, nhiều đặc điểm nhận diện, tính vĩnh cửu, đặc biệt độ tin cậy tuyệt đối (a) (b) (c1) (c2) (c3) (d1) (d2) (d3) (c5) (c4) (d5) (d4) go i Sa (e2) (e1) (e5) (e4) (e3) n Hình 3.2 Kết LLDP với chiến lược (2D) 2LDA: (a) hình ảnh palmprint gốc, (b) In hình ảnh LLDP, (d1) - (d5), (e1 - e5) số hình ảnh dựng lại hình ảnh LLDP với (c1) = 10, 15, 20, 25, 50 (a) na io at rn te - (c5) d = 10, 15, 20, 25, 50 q = 64, (d1) - (d5) d = 64, q = 10, 15, 20, 25, 50, (e1) - (e5) q = d (b) (d1) (d2) (d3) (e1) (e2) (e3) (c4) (c5) ity (c3) rs (c2) ve ni lU (c1) (d4) (e4) (d5) (e5) Fig Kết LLDP với chiến lược (2D) 2LDA: (a) hình ảnh palmprint gốc, (b) hình ảnh LLDP, (d1) - (d5), (e1 - e5) số hình ảnh dựng lại hình ảnh LLDP với (c1) (c5) q = 10, 15, 20, 25, 50 d = 64, (d1) - (d5) d = 64, q = 10, 15, 20, 25, 50, (e1) - (e5) q = d = 10, 15, 20, 25, 50, tương ứng 49 3.6 Kết luận - Ưu điểm: với thuật tốn đề xuất này, nhờ chúng tơi thử nghiệm nhiều chiều không gian khác Nên hình ảnh khơng bị ảnh hưởng nhiễu ánh sáng Điều thể việc nhận viên vân lòng bàn tay có độ xác thời gian nhận diện tốt - Nhược điểm: Khi tăng số chiều lên cao vài điểm gây nhiều ảnh Nhưng điều khơng gây khó khăn cho việc nhận diện vân lòng bàn tay n go i Sa ity rs ve ni lU na io at rn te In 50 CHƯƠNG KẾT QUẢ THỰC NGHIỆM 4.1 Môi trường sở liệu Chúng đánh giá phương pháp đề xuất so sánh số phương pháp (LLDP [21], RDORIC [10]) sở liệu PolyU 3D Đại học Bách khoa Hồng Kông [30] Các phương pháp triển khai C# PC với CPU Intel (R) Core (TM) i5-8265U Windows 10 Professional Cơ sở liệu palmprint PolyU [4]: Bộ liệu xây dựng Đại học Hồng Kơng Polytechnic, năm 2003 với mục đích nghiên cứu sinh trắc học vân lòng bàn i Sa tay Hình ảnh vân lịng bàn tay thu thập từ 250 tình nguyện viên, bao gồm 195 nam 55 nữ Độ tuổi từ 20 đến 60 tuổi Các mẫu thu thập hai phiên khác go Trong phiên cung cấp hình ảnh cho lòng bàn tay Tổng cộng, sở n liệu bao gồm 6000 hình ảnh từ 500 lịng bàn tay khác In te Trong sở liệu PolyU 3D, có 400 lịng bàn tay khác Hai mươi hình ảnh at rn từ lịng bàn tay chụp phiên Khoảng thời gian hai phiên khoảng 30 ngày Mỗi mẫu chứa ROI 3D (vùng quan tâm) ROI 2D độ phân ity rs ve ni lU na io giải 128 × 128 pixel Hình 4.1 Minh họa tư vân lịng bàn tay người sở liệu PolyU Hình ảnh minh họa sở liệu PolyU [29] sử dụng để kiểm chứng đặc trưng thông qua thuật toán tác giả trình nghiên cứu thuật tốn DLLDR đề xuất nghiên cứu Ở sử dụng ảnh mẫu lấy từ ảnh ngẫu nhiên CSDL PolyU, kết hình ảnh đặc trưng vân lịng bàn tay tương ứng với thuật tốn minh họa hình 4.2 51 Ảnh mẫu RDORIC 10 DLLDR 10 LLDP 50 RDORIC 50 DLLDR 50 RDORIC 90 DLLDR 90 n go i Sa LLDP 10 at rn te In LLDP 90 Hình 4.2 Hình ảnh minh họa vân lịng bàn tay với thuật tốn liên quan thuật toán na io đề xuất với sở liệu PolyU lU Trong hình 4.2, Thuật tốn DLLRT xử dụng để rút trích đặt trưng so với ni thuật toán liên quan LLDP, RDORIC Trên hình ảnh thấy thuật tốn sau ve giảm số chiều (10,50,90) thuật tốn DLLDR thể rõ đặc trưng ity rs đường vân so với hai phương pháp liên quan lại Để kiểm chứng kết đạt sau rút trích đặc trưng phương pháp Chúng tơi tiền hành thử nghiệm sở liệu PolyU, chúng tơi sử dụng sở liệu 2D-ROI độ phân giải hình ảnh ROI 64 × 64 pixel Trong nhận dạng, truy vấn so sánh với tất mẫu tập huấn luyện để chọn mẫu tương tự làm kết Trong xác minh, hình ảnh truy vấn so sánh với tất tem đăng ký để tạo điểm khơng xác điểm xác Điểm xác số điểm tối đa tạo truy vấn mẫu từ lòng bàn tay đăng ký Tương tự, điểm khơng xác điểm tối đa điểm tạo truy 52 vấn tất mẫu lòng bàn tay đăng ký khác Nếu truy vấn khơng có hình ảnh đăng ký nào, chúng tơi có điểm kết hợp Nếu có N truy vấn lòng bàn tay đăng ký truy vấn M lòng bàn tay chưa đăng ký, nhận N điểm xác N + M điểm khơng xác Chúng tơi nhận kết xác thực: đường cong đặc tính vận hành máy thu (ROC) Tương tự số lượng nhân viên công ty vừa nhỏ, thiết lập hai tình cũ với tập liệu tập liệu với N = 100 200 Trong tập liệu 1, sở liệu đào tạo chứa 500 mẫu từ 100 lòng bàn tay khác nhau, bàn tay có năm mẫu Cơ sở liệu thử nghiệm chứa 1000 tem từ 200 lòng i Sa bàn tay khác đăng ký Trong tập liệu 2, sở liệu đào tạo chứa 1000 mẫu từ 200 lòng bàn tay đăng ký Cơ sở liệu thử nghiệm chứa 1000 mẫu từ 200 go lòng bàn tay đăng ký Do đó, có 500, 1000 khoảng cách nhận dạng xác n 1000, 2000 điểm nhận dạng khơng xác cho N = 100, 200, tương ứng Không In te có mẫu liệu thử nghiệm chứa liệu huấn luyện rn Bảng trình bày thơng số thí nghiệm chúng tơi Bảng 4.8 io at thể độ xác nhận dạng phương pháp so với phương pháp khác Đường cong ROC minh họa hiệu suất xác minh phương pháp na phương pháp khác hiển thị Hình 4.3 Từ nhóm số liệu lU bảng này, thấy tỷ lệ xác nhận dạng phương pháp ni Tất ảnh Số lớp rs ve cao phương pháp RDORIC (RDORIC [25], LLDP [18]) ity ảnh so sánh Dataset Ảnh huấn luyện Số ảnh nhận dạng Ảnh đăng ký Ảnh chưa đăng ký Ảnh huấn luyện Ảnh so sánh Khoảng cách xác Khoảng cách khơng xác 5 500 500 + 500=1000 500 500+500 =1000 5 1000 1000 + 1000=2000 1000 1000+1000 =2000 53 Bảng 4.1 Các thông số sở liệu thí nghiệm 4.2 Kết thực nghiệm sở liệu PolyU Đầu tiên, thực nghiệm phương pháp DLLDR trên hai sở liệu PolyU ảnh có kích thước khác Với thực nghiệm này, tiến hành giảm kích thước số chiều cịn 10 với chiến lược chiến lược Kết thể bảng 4.1 4.2 Kích Dataset Dataset thước ảnh Tỷ lệ xác Thời gian thực Tỷ lệ lỗi Tỷ lệ Thời gian thực Tỷ i Sa (%) nghiệm (ms) 2x2 45.51 4x4 74.12 8x8 85.32 282 16x16 90.54 292 (%) 11.732 39.89 141 11.084 5.421 47.12 154 5.072 278 4.653 75.87 160 4.174 io 256 nghiệm (ms) 85.97 162 3.085 2.852 91.65 171 2.185 n 36.76 xác (%) lỗi In go 1x1 (%) lệ 264 at rn te 3.731 lU na Dataset ity thước ảnh Dataset rs Kích ve ni Bảng 4.2 DLLDR chiến lược thực nghiệm hai sở liệu PolyU Tỷ lệ xác Thời gian thực Tỷ lệ lỗi Tỷ lệ Thời gian thực Tỷ (%) nghiệm (ms) (%) xác (%) nghiệm (ms) lệ (%) 1x1 38.43 254 10.235 40.72 138 9.034 2x2 48.21 260 5.376 50.16 142 4.874 4x4 75.82 277 4.387 77.91 150 4.054 54 lỗi 8x8 86.15 281 3.287 87.67 155 2.843 16x16 93.97 290 2.212 95.17 163 1.425 Bảng 4.3 DLLDR chiến lược thực nghiệm hai sở liệu PolyU Tiếp theo chúng tơi tiến hành giảm kích thước số chiều 50 với chiến lược chiến lược Kết thể bảng 4.3 4.4 Kích Dataset Dataset thước Tỷ lệ xác Thời gian thực Tỷ lệ lỗi Tỷ lệ Thời gian thực Tỷ (%) i Sa ảnh nghiệm (ms) 2x2 73.15 4x4 86.17 8x8 92.78 279 16x16 94.32 285 (%) 8.524 43.26 121 8.123 2.138 75.13 129 2.059 268 1.854 87.47 132 1.731 io 247 nghiệm (ms) lỗi 94.01 143 1.003 0.987 96.15 157 0.243 n 41.46 xác (%) In go 1x1 (%) lệ 252 at rn te 1.212 lU na Dataset ity thước ảnh Dataset rs Kích ve ni Bảng 4.4 DLLDR chiến lược thực nghiệm hai sở liệu PolyU Tỷ lệ xác Thời gian thực Tỷ lệ lỗi Tỷ lệ Thời gian thực Tỷ (%) nghiệm (ms) (%) xác (%) nghiệm (ms) lệ (%) 1x1 42.91 243 8.312 44.12 119 8.123 2x2 75.65 249 2.032 75.91 128 2.059 4x4 87.12 265 1.687 88.47 130 1.731 55 lỗi 8x8 93.21 272 1.164 94.98 141 1.003 16x16 94.98 281 0.912 95.02 155 0.243 Bảng 4.5 DLLDR chiến lược thực nghiệm hai sở liệu PolyU Cuối chúng tơi tiến hành giảm kích thước số chiều cịn 90 với chiến lược chiến lược Kết thể bảng 4.5 4.6 Kích Dataset Dataset thước Tỷ lệ xác Thời gian thực Tỷ lệ lỗi Tỷ lệ Thời gian thực Tỷ (%) i Sa ảnh nghiệm (ms) 2x2 87.95 4x4 94.78 8x8 98.29 268 16x16 99.59 273 (%) 8.748 44.26 114 8.123 2.276 88.76 120 2.059 255 1.974 96.15 123 1.731 io 240 nghiệm (ms) lỗi 98.99 137 1.003 0.387 99.60 153 0.243 n 51.85 xác (%) In go 1x1 (%) lệ 247 at rn te 1.212 lU na Dataset ity thước ảnh Dataset rs Kích ve ni Bảng 4.6 DLLDR chiến lược thực nghiệm hai sở liệu PolyU Tỷ lệ xác Thời gian thực Tỷ lệ lỗi Tỷ lệ Thời gian thực Tỷ (%) nghiệm (ms) (%) xác (%) nghiệm (ms) lệ (%) 1x1 44.96 236 7.421 47.13 102 7.015 2x2 89.90 242 2.022 91.21 110 1.799 4x4 96.02 249 1.712 98.76 119 1.553 56 lỗi 8x8 98.99 256 1.021 99.16 126 0.938 16x16 99.58 263 0.302 99.66 143 0.227 Bảng 4.7 DLLDR chiến lược thực nghiệm hai sở liệu PolyU Sau thực nghiệm sở PolyU với phương pháp DLLDR chiến lược chiến lược Cho thấy phương pháp chúng tơi đề xuất có tỷ lệ xác cao sau thử nghiệm cách kích thước ảnh khác Cuối cùng, tiến hành kết hợp DLLDR chiến lược chiến lược với i Sa Sau tiến hành so sánh với hai phương pháp liên quan LLDP RDORIC Kết thực nghiệm thể bảng 4.7 hình 4.3 go Dataset n Phương pháp In Thời gian thực nghiệm (ms) at rn te Tỷ lệ xác (%) 97.80 98.80 Our method (DLLDR) 99.60 Tỷ lệ xác (%) Thời gian thực nghiệm (ms) 147 97.67 204 352 98.70 526 99.30 275 lU LLDP [18] na io RDORIC [25] Dataset 153 ni ity rs ve Bảng 4.8 Xếp hạng phương pháp nhận dạng liên quan so với phương pháp đề xuất (b) (a) 57 Hình 4.3 Các đường cong ROC phương pháp đề xuất (DLLDR) phương thức khác (RDORIC LLDP) với tập liệu (a), tập liệu (b), tương ứng 4.3 Nhận xét Sau thử nghiệm phương pháp đề xuất chiến lược chiến lược với hai sở liệu kích thước ảnh khác Chúng nhận thấy phương pháp đề xuất đạt kết cao ảnh 8x8 16x16 Tuy nhiên kích thước ảnh 1x1, 2x2, 4x4 đạt kết cao so với kích thước ảnh cịn lại Sau kết hai chiến lược với kích cỡ ảnh 16x16 so với phương pháp i Sa liên quan khác Chúng nhận thấy phương pháp đề xuất cho độ n go xác cao so với phương pháp lại ity rs ve ni lU na io at rn te In 58 CHƯƠNG KẾT LUẬN VÀ KIẾN NGHỊ 5.1 Kết luận Nhận dạng vân lịng bàn tay tốn đặt với nhiều thách thức cho nhiều nhà nghiên cứu nhiều năm, hình ảnh vân lịng bàn tay thu nhận theo nhiều điều kiện nhiều góc độ khác nên chịu ảnh hưởng nhiều tác động ánh sáng, tư để đặt, chất lượng ảnh Chính mà nhiều nhà nghiên cứu đưa nhiều phương pháp khác nhằm để giải vấn phức tạp thách thức cho vân lòng bàn tay i Sa Trong viết đề xuất kỹ thuật tên gọi đặc trưng mã hướng cục cho việc nhận dạng palmprint kết hợp LLDP (2D)2LDA Đầu go tiên, thuật tốn tính tốn tính với hai chiến lược mã hóa Sau đó, (2D)2LDA n áp dụng để trích xuất đặc trưng DLLDR với kích thước thấp độ In te phân biệt cao Kết thử nghiệm hai liệu palmprint sở liệu rn PolyU cho thấy ảnh có kích thước 8x8, 16x16 thuật toán cho kết tối ưu với io at độ trễ đội sai thấp Sau chúng tơi tiến hành so sánh với nghiên cứu liên quan cho thấy phương pháp đề xuất đạt kết tốt lU na 5.2 Hướng phát triển ni Mục tiêu phát triển nghiên cứu nghiên cứu cải thiện rs ve số vấn đề sau ity - Thuật toán để tối ưu hóa nhận dạng cho hình ảnh có kích thước nhỏ 1x1, 2x2, 4x4 - Vấn đề thu nhận ảnh vấn đề lớn nhà nghiên cứu, ví dụ ảnh dễ bị ảnh hưởng ánh sáng xung quanh, vị trí đặt bàn tay khơng xác khiến cho việc lấy ảnh không chuẩn Nên phát triển phương pháp thu nhận ảnh dựa vào thiết bị có sẵn để ứng dụng rộng rãi việc nhận diện vân lịng bàn tay, chúng tơi thử nghiệm thu nhận ảnh thiết bị di động 59 - Sau chúng tơi áp dụng AI vào thuật tốn nhằm để việc trích xuất đặc trưng vân lòng bàn tay tốt nâng cao độ xác nhận dạng vân lịng bàn tay để đạt kết xác tốt n go i Sa ity rs ve ni lU na io at rn te In 60 TÀI LIỆU THAM KHẢO [1] A Jain, R Bolle and S Pankanti Biometrics: personal identification in networked society eds Boston: Kluwer Academic, 1999 [2] A Kong, D Zhang, M Kamel, “A survey of palmprint recognition”, Pattern Recognition, vol 42, pp 1408-1418, 2009 [3] Y Xu, L Fei, D Zhang, Combining Left and Right Palmprint Images for More Accurate Personal Identification, IEEE Trans on Image Processing, Vol 24, pp.549- i Sa 559, 2015 Poly U go [4] 3D Palmprint Databse [Online], n http://www.comp.polyu.edu.hk/~biometrics/2D_3D_Palmprint.htm In rn te [5] The CASIA palm print database: http://biometrics.idealtest.org/ [6] IITD Database:http://web.iitd.ac.in/~ajaykr/Database_Palm.htm at io [7] X Wu, D Zhang and K Wang Palm line extraction and matching for personal na authentication IEEE Transactions on Systems, Man, and Cybernetics - Part A: lU Systems and Humans, vol 36, no 5, pages 978–987, Sept 2006 ve ni [8] B.G Srinivas and P Gupta Palmprint Based Verification System Using SURF Features Communications in Computer and Information Science, vol 40, pages 250– rs 262, 2009 ity [9] X Wu and Q Zhao Deformed Palmprint Matching Based on Stable Regions IEEE Transactions on Image Processing, vol 24, no 12, pages 4978–4989, 2015 [10] W Zuo, Z Lin, Z Guo and D Zhang The multiscale competitive code via sparse representation for palmprint verification In IEEE Conference on Computer Vision and Pattern Recognition (CVPR), pages 2265–2272, 2010 61 [11] X Wang, L Lei and M Wang Palmprint verification based on 2D– Gabor wavelet and pulse-coupled neural network Knowledge-Based Systems, vol 27, pages 451–455, 2012 [12] X Guo, W Zhou and Y Wang Palmprint recognition algorithm with horizontally expanded blanket dimension Neurocomputing, vol 127, pages 152 – 160, 2014 [13] D Hong, W Liu, X Wu, Z Pan and J Su Robust palmprint recognition based on the fast variation Vese-Osher model Neurocomputing, vol 174, Part B, pages 999–1012, 2016 i Sa [14] G Amayeh, G Bebis, A Erol and M Nicolescu Peg-Free Hand Shape go Verification Using High Order Zernike Moments In Proceedings of the 2006 n Conference on Computer Vision and Pattern Recognition Workshop, pages 40–47, te In 2006 rn [15] N Pavesic, S Ribaric and D Ribaric Personal authentication using hand- na 2004 io at geometry and Palmprint features Workshop on Biometrics at ICPR’04, Cambridge, lU [16] T Ojala, M Pietikainen, T Maenpaa, Multiresolution Gray-Scale and ni Rotation Invariant Texture Classification with Local Binary Patterns, IEEE Trans on rs ve Pattern Analysis and Machine Intelligence, Vol.24, pp.971-987, 2002 [17] G Park and S Kim Hand Biometric Recognition Based on Fused Hand ity Geometry and Vascular Patterns Sensors, vol 13, no 3, pages 2895– 2910, 2013 [18] Y Luo, L Zhao, B Zhang, W Jia, Local line directional pattern for palmprint recognition, Pattern Recognition, Vol.50, pp.26-44, 2016 [19] F Zhong, J Zhang, Face recognition with enhanced local directional patterns, Neurocomputing, Vol.119, pp.375-384, 2013 62 [20] A Rivera, J Castillo, O Chae, Local directional number pattern for face analysis: face and expression recognition, IEEE Trans Image Process, Vol.22, pp.1740-1752, 2013 [21] E Yoruk, E Konukoglu, B Sankur and J Darbon Shape-based hand recognition Image Processing, IEEE Transactions on, vol 15, no 7, pages 1803– 1815, 2006 [22] N Pavesic, S Ribaric and D Ribaric Personal authentication using handgeometry and Palmprint features Workshop on Biometrics at ICPR’04, Cambridge, 2004 i Sa [23] J.M Guo, C.H Hsia, Y.F Liu, J.C Yu, M.H Chu and T.N Le Contact-free go Hand Geometry-based Identification System Expert Systemswith Applications, vol n 39, no 14, pages 11728–11736, October 2012 In te [24] M.A Ferrer, F Vargas and A Morales BiSpectral contactless hand based on, pages 1–6, May 2011 io at rn biometric system Telecommunications (CONATEL), 2011 2nd National Conference na [25] H T Van, T H Le, “GridLDA of Gabor Wavelet Features for Palmprint lU Identification”, SoICT '12 Proceedings of the Third Symposium on Information and ni Communication Technology, pp 125-134, 2012 ve [26] Z Qu, Z-y Wang, “Research on Preprocessing of Palmprint Image Based on Natural Computation (ICNC 2010), pp 4238-4241, 2010 63 ity rs Adaptive Threshold and Euclidian Distance”, Sixth International Conference on