(LUẬN VĂN THẠC SĨ) Một số thuật toán cải tiến trong nâng cao chất lượng ảnh vân tay

Giới thiệu

Nhận dạng vân tay, phương pháp sinh trắc học lâu đời nhất, đã có lịch sử từ ít nhất 2200 năm trước công nguyên, được sử dụng bởi người Assyri, Trung Quốc và Nhật Bản để phân biệt cá nhân Năm 1897, phương pháp này bắt đầu được áp dụng trong việc xác minh tội phạm Hiện nay, nhận dạng vân tay không chỉ giới hạn trong lĩnh vực khoa học hình sự mà còn được sử dụng rộng rãi trong đời sống xã hội với nhiều mục đích khác nhau, đặc biệt là trong việc bảo mật hệ thống Nội dung chương này sẽ đề cập đến những vấn đề liên quan đến nhận dạng vân tay.

- Giới thiệu khái quát về lịch sử của vân tay

- Sự hình thành và các đặc điểm của vân tay

- Các vấn đề chung của hệ thống nhận dạng vân tay tự động

- Các ứng dụng của nhận dạng vân tay.

Lịch sử của vân tay

Dấu vân tay trên các đầu ngón tay phản ánh lịch sử lâu đời của loài người, từ thời kỳ săn bắn và hái lượm Chúng giúp con người cầm nắm chắc chắn các vật thể Vân tay, chỉ tay, gồ nổi và đường rãnh trên da được hình thành bởi yếu tố di truyền và môi trường, tạo nên sự độc nhất cho mỗi cá nhân Ngay cả ở các cặp song sinh, vân tay cũng không giống nhau, khẳng định tính duy nhất của dấu vân tay.

Vân tay đã được phát hiện trên nhiều đồ vật của người cổ đại, cho thấy họ nhận thức được sự khác biệt giữa các dấu vân tay, mặc dù chưa có cơ sở khoa học cho nhận thức này (Lee & Gaensslen, 2001; Moenssens, 1971) Kỹ thuật xác định vân tay hiện đại chỉ ra đời vào thế kỷ 16 (Cummins & Midlo, 1961; Galton, 1892; Lee & Gaensslen, 2001) Năm 1684, Nehemiah Grew, nhà hình thái học thực vật người Anh, đã công bố bài báo khoa học đầu tiên về các đường vân, rãnh vân và cấu trúc lỗ chân lông trên vân tay (Lee & Gaensslen, 2001).

Kể từ năm 1788, nghiên cứu về vân tay đã thu hút sự chú ý của nhiều nhà nghiên cứu, trong đó có công trình của Mayer, người đã mô tả chi tiết cấu trúc hình thành của vân tay và xác định một số đặc điểm quan trọng của các đường vân.

Chương 1 Tổng quan về nhận dạng vân tay đăng ký thương mại là một cột mốc quan trọng trong nghiên cứu khoa học về lĩnh vực này Năm 1823, Purkinje lần đầu tiên đề xuất phương pháp phân loại vân tay thành chín loại dựa trên cấu trúc của các đường vân Henry Fauld, vào năm 1980, đã nhấn mạnh tính duy nhất của vân tay qua kinh nghiệm quan sát, trong khi Herschel khẳng định có 20 năm kinh nghiệm trong lĩnh vực nhận dạng vân tay Những nghiên cứu này đã đặt nền tảng cho nhận dạng vân tay hiện đại Vào thế kỷ 19, Francis Galton thực hiện nghiên cứu quy mô về vân tay và vào năm 1888, ông đã giới thiệu các đặc trưng minutiae để so sánh vân tay.

Vào năm 1899, Edward Henry đã phát triển hệ thống phân loại vân tay được gọi là "hệ thống Henry", đánh dấu một bước tiến quan trọng trong nhận dạng vân tay (Lee & Gaensslen, 2001) Đến đầu thế kỷ hai mươi, nghiên cứu về các dạng vân tay đã trở nên sâu rộng và các nguyên lý cơ bản của vân tay đã được tóm tắt một cách rõ ràng (Moenssens, 1971).

1 Các đường vân và rãnh vân có những đặc trưng khác nhau đối với các vân tay khác nhau;

2 Hình dạng vân tay có thể khác nhau với mỗi người, nhưng chỉ trong giới hạn cho phép để có thể phân loại một cách hệ thống;

3 Hình dạng và những chi tiết minutiae của các đường vân và rãnh vân của một người là không bao giờ thay đổi

Nguyên lý đầu tiên là cơ sở cho nhận dạng vân tay, trong khi nguyên lý thứ hai là cơ sở của phân loại vân tay Đầu thế kỷ hai mươi, nhận dạng vân tay đã trở thành phương pháp xác minh cá nhân chính thức và được áp dụng rộng rãi trên toàn cầu Các cơ quan xác định vân tay đã được thành lập, cùng với việc thiết lập cơ sở dữ liệu vân tay tội phạm (Lee & Gaensslen, 2001) Nhiều kỹ thuật nhận dạng vân tay, bao gồm thu nhận, phân loại và khớp vân tay, đã được phát triển Một ví dụ điển hình là cơ quan xác định vân tay của FBI, được thành lập năm 1924, với cơ sở dữ liệu chứa 810,000 thẻ vân tay (Federal Bureau of Investigation, 1984, 1981).

Sự phát triển nhanh chóng của ứng dụng nhận dạng vân tay trong lĩnh vực pháp lý đã dẫn đến việc các cơ sở dữ liệu vân tay trở nên quá lớn, khiến cho việc xác định vân tay thủ công trở nên không khả thi Hiện nay, cơ sở dữ liệu của FBI đã vượt quá 200 triệu vân tay và vẫn tiếp tục gia tăng Với hàng nghìn yêu cầu được gửi đến hàng ngày, ngay cả với đội ngũ hơn 1300 chuyên gia vân tay, việc phản hồi kịp thời các yêu cầu này cũng trở thành một thách thức lớn.

Chương 1 Tổng quan về nhận dạng vân tay thời (Lee & Gaensslen, 2001) Vào đầu những năm 1960, FBI, cùng với Home Office ở Anh và cảnh sát Paris, đã đầu tư mạnh mẽ vào việc phát triển hệ thống nhận dạng vân tay tự động (AFIS) Dựa trên quan sát cách các chuyên gia thực hiện nhận dạng, ba vấn đề chính trong thiết kế AFIS đã được xác định: thu nhận vân tay kỹ thuật số, lấy các đặc trưng của đường vân cục bộ, và khớp các mẫu đặc trưng Nỗ lực này đã thành công, khiến hầu hết các cơ quan thi hành luật pháp toàn cầu hiện nay sử dụng AFIS, cải thiện năng suất và giảm chi phí thuê, đào tạo chuyên gia vân tay.

Công nghệ nhận dạng vân tay tự động đã phát triển mạnh mẽ, không chỉ trong lĩnh vực pháp lý mà còn trong nhiều ứng dụng đời sống hàng ngày Hệ thống sinh trắc học cho nhận dạng vân tay hiện nay đã trở nên phổ biến, đến mức mà khi nhắc đến sinh trắc học, người ta thường nghĩ ngay đến nhận dạng vân tay.

Sự hình thành các vân tay

Vân tay được hình thành hoàn thiện sau bảy tháng phát triển của bào thai và không thay đổi suốt đời, trừ khi có tai nạn làm biến dạng hoặc mất ngón tay Dù tội phạm có dùng đá nhám để xóa dấu vân tay, lớp da mới mọc lên vẫn mang dấu ấn của vân tay cũ Điều này cho thấy vân tay là một đặc điểm nhận dạng sinh trắc học rất hiệu quả.

Cơ cấu sinh học của vân tay hình thành từ sự tương tác giữa gen và môi trường, bắt đầu từ giai đoạn bào thai Sự phát triển của các bộ phận như gan bàn tay, ngón tay, lòng bàn chân và ngón chân, cùng với tác động khác nhau của môi trường trong dạ con, dẫn đến sự khác biệt trong vân tay Do đó, quá trình hình thành vân tay rất đa dạng, khiến cho không có hai vân tay nào hoàn toàn giống nhau.

Tính duy nhất của các vân tay

Mặc dù vân tay được coi là một hình thức nhận diện cá nhân, nhưng tính duy nhất của nó vẫn chủ yếu dựa trên quan sát Sự gia tăng ứng dụng vân tay đã dấy lên lo ngại về cơ sở khoa học của phương pháp này Sai sót trong nhận dạng vân tay có thể dẫn đến hậu quả nghiêm trọng, đặc biệt trong lĩnh vực giám định hình sự Thêm vào đó, các hệ thống nhận dạng vân tay tự động không hoàn hảo và có thể gặp phải những vấn đề trong quá trình xác thực.

Chương 1 cung cấp cái nhìn tổng quan về nhận dạng vân tay, nhấn mạnh rằng quá trình này chỉ sử dụng một phần thông tin từ các vân tay mà không cần sự giám sát của các chuyên gia (Maltoni, et al., 2003) Phần này cũng sẽ trình bày một số quan điểm về tính duy nhất của vân tay.

Vài năm sau khi Galton (1892) và Henry (1900) công bố nghiên cứu đầu tiên về dấu vân tay, báo chí đã xác nhận rằng dấu vân tay là duy nhất, khẳng định tầm quan trọng của nó trong nhận diện cá nhân (Cole, 2001).

Khả năng hai người có cùng dấu vân tay chỉ xảy ra một lần trong toàn bộ lịch sử của hệ mặt trời, theo thông tin từ tờ Harper năm 1910.

“Cứ 10 48 năm mới tìm thấy hai vân tay giống nhau” – Scientific American, 1911

Tính duy nhất của vân tay đã được công nhận từ lâu, nhưng gần đây đã xuất hiện nghi vấn về độ tin cậy của phương pháp này Vụ kiện Daubert năm 1993 với công ty Merrel Dow đã khiến Tòa án Tối cao Mỹ yêu cầu phải thiết lập độ tin cậy cho các chứng cứ khoa học, ảnh hưởng đến việc thừa nhận bằng chứng giám định vân tay Tòa án đã nhấn mạnh rằng trước khi công nhận bất kỳ bằng chứng khoa học nào, cần xem xét các yếu tố quan trọng.

1 Kỹ thuật hoặc phương pháp luận liên quan đến bằng chứng khoa học đó có phụ thuộc vào một giả thiết thống kê nào không?

2 Đã xây dựng một phương pháp đánh giá lỗi cho chứng cớ khoa học chưa?

3 Đã có các tiêu chuẩn để thẩm định các quá trình của kỹ thuật đó hay không và đã được xác nhận chưa?

4 Nó đã được xem xét và công bố chưa?

5 Nó có được chấp nhận rộng rãi không?

Vào năm 1999, lần đầu tiên nhận dạng vân tay đã bị luật sư bào chữa tại một phiên tòa ở Mỹ phản bác, cho rằng giả thuyết về tính duy nhất của vân tay không được kiểm tra khách quan và thiếu phương pháp đánh giá lỗi tiềm tàng Mặc dù lời bào chữa này nhằm bác bỏ chứng cứ vân tay, nhưng đã bị từ chối Vào ngày 7 tháng 1 năm 2002, một thẩm phán của tòa án liên bang đã quyết định rằng, do thiếu đánh giá tin cậy về độ chính xác trong so sánh vân tay, các chuyên gia không thể chứng minh chắc chắn rằng hai dấu vân tay có cùng nguồn gốc.

Chương 1 cung cấp cái nhìn tổng quan về nhận dạng vân tay, nhấn mạnh sự quan trọng của việc xác định xem các vân tay có thuộc về cùng một ngón tay hay không Tuy nhiên, cần lưu ý rằng phán quyết này đã bị ông ta hủy bỏ vào ngày 13-3-2002 (Maltoni, et al., 2003).

Nhận dạng vân tay dựa trên hai giả thuyết cơ bản: các chi tiết vân tay tồn tại vĩnh viễn và tính duy nhất của vân tay mỗi người Giả thuyết đầu tiên đã được xác minh qua quan sát và giải phẫu, trong khi giả thuyết thứ hai gặp phải nhiều nghi ngờ tại các phiên tòa Mặc dù tính duy nhất của vân tay được các chuyên gia chấp nhận dựa trên hàng triệu mẫu kiểm tra, nhưng cơ sở khoa học của nó vẫn chưa được nghiên cứu rõ ràng Tháng 3-2000, bộ tư pháp Mỹ thừa nhận chưa có kiểm tra nào về vấn đề này và nhấn mạnh sự cần thiết của một nghiên cứu Viện tư pháp quốc gia đã xác định hai chủ đề nghiên cứu chính: đo lường số chi tiết có thể so sánh trong một vân tay và đo lường số chi tiết phù hợp giữa hai vân tay.

Với nhu cầu cấp bách về cơ sở khoa học cho vấn đề vân tay, nhiều giải pháp đã được đưa ra, chủ yếu tập trung vào việc đánh giá xác suất khớp sai giữa hai vân tay khác nhau Khi so sánh vân tay tự động, xác suất khớp sai tương đương với tỉ lệ khớp sai (FMR) Nếu tỉ lệ lỗi được đánh giá một cách đáng tin cậy, nó sẽ trở thành cơ sở cho việc nhận dạng vân tay được công nhận trong các tòa án như bằng chứng xác đáng Để giải quyết vấn đề này, cần định nghĩa cách biểu diễn vân tay và phương pháp so sánh độ tương tự giữa các vân tay Vân tay có thể được biểu diễn qua nhiều đặc trưng như hình dáng đường vân, tần số vân, số lượng vùng đặc biệt, kiểu vân, hướng vân, vị trí minutiae, số đường vân giữa các cặp minutiae, và vị trí của các điểm lõi, tất cả đều góp phần tạo nên tính duy nhất của vân tay (Maltoni, et al., 2003).

Hệ thống nhận dạng vân tay tự động

Kiến trúc chung của một hệ thống nhận dạng vân tay tự động được mô tả như hình 1.1, bao gồm 4 phần sau (Jain & Pankanti, 2000):

- Giao diện đọc vân tay: cung cấp một cơ cấu để thu nhận ảnh vân tay đầu vào

- Cơ sở dữ liệu hệ thống: lữu trữ thông tin về các dấu vân tay

Chương 1 Tổng quan về nhận dạng vân tay

Mô đun kết nạp vân tay có nhiệm vụ lưu trữ dấu vân tay của các đối tượng vào cơ sở dữ liệu hệ thống Khi một ảnh vân tay được kết nạp, thuật toán trích chọn minutiae sẽ được áp dụng để xác định các mẫu minutiae Tiếp theo, thuật toán kiểm tra chất lượng đảm bảo chỉ những vân tay đạt tiêu chuẩn tốt mới được lưu trữ, yêu cầu phải có một lượng tối thiểu minutiae trong ảnh Đối với ảnh vân tay kém chất lượng, quy trình nâng cao sẽ được thực hiện để cải thiện độ rõ nét của cấu trúc vân và đánh dấu các vùng không thể phục hồi Cuối cùng, ảnh đã được nâng cao sẽ tiếp tục được trích chọn minutiae.

Mô đun xác thực vân tay so sánh vân tay của người dùng với các mẫu trong cơ sở dữ liệu Đầu tiên, ảnh vân tay cần xác thực được thu nhận, sau đó các mẫu minutiae sẽ được trích xuất và so sánh với các mẫu minutiae có sẵn trong hệ thống.

Hình 1.1: Kiến trúc chung của hệ thống nhận dạng vân tay tự động.

Thu nhận và lưu trữ vân tay

Vân tay được phân thành hai loại chính: off-line và live-scan Ảnh vân tay off-line được tạo ra bằng cách bôi mực lên ngón tay và ấn lên giấy, sau đó được số hóa bằng máy scan hoặc máy ảnh chất lượng cao Ngược lại, ảnh live-scan được thu nhận trực tiếp qua bộ cảm biến quét các đầu ngón tay Một loại ảnh vân tay off-line đặc biệt là latent, được thu thập từ hiện trường, nơi chất nhờn trên da để lại dấu vân tay trên bề mặt vật thể Các mẫu vân tay này có thể được lấy bằng các kỹ thuật hóa học (Maltoni, et al., 2003).

Mô đun kết nạp vân tay

Mô đun xác thực vân tay

Các tham số chính tạo nên đặc điểm của ảnh vân tay số bao gồm độ phân giải, vùng cảm biến, số điểm ảnh, độ chính xác hình học, độ tương phản và độ méo hình học Để tăng cường sự tương thích và đảm bảo chất lượng ảnh vân tay, FBI đã phát hành các đặc tả quy định về chất lượng và khuôn dạng cho ảnh vân tay cũng như các máy quét offline và live-scan Mặc dù nhiều thiết bị quét live-scan thương mại không tuân theo các tiêu chuẩn của FBI, nhưng chúng lại có ưu điểm là nhỏ gọn, giá cả phải chăng và dễ sử dụng hơn.

Ngoài máy quét quang học, cảm biến bán dẫn hiện nay cũng được sử dụng để thu nhận vân tay, dễ dàng tích hợp vào laptop và điện thoại di động.

Hình 1.2: Cảm biến vân tay

Lưu trữ ảnh vân tay thô là thách thức lớn cho các hệ thống nhận dạng vân tay tự động Từ năm 1995, FBI đã lưu trữ hơn 200 triệu thẻ vân tay, với số lượng tăng từ 30,000 đến 50,000 thẻ mới mỗi ngày Mặc dù số hóa thẻ vân tay là giải pháp khả thi, nhưng việc lưu trữ trở nên cồng kềnh, với mỗi thẻ số hóa ở độ phân giải 500 dpi cần khoảng 10 Mbytes bộ nhớ, tổng cộng 200 triệu thẻ sẽ yêu cầu khoảng 2000 terabytes Do đó, cần một kỹ thuật nén hiệu quả Các phương pháp nén không mất thông tin và JPEG không giải quyết triệt để vấn đề này Kỹ thuật nén mới gọi là WSQ (Wavelet Scalar Quantization) đã trở thành chuẩn của FBI cho nén ảnh vân tay 500 dpi (Maltoni, et al., 2003).

Biểu diễn vân tay và nhận dạng đặc điểm

Biểu diễn vân tay là yếu tố chính trong việc thiết kế hệ thống nhận dạng vân tay, ảnh hưởng lớn đến các phần tiếp theo của hệ thống Các giá trị cường độ của vân tay đóng vai trò quan trọng trong quá trình này.

Chương 1 Nhận dạng vân tay là một phương pháp quan trọng với những đặc điểm nổi bật của ảnh đầu vào, cho phép phân biệt rõ ràng giữa các vân tay Mỗi vân tay đều có những đặc điểm riêng biệt và bất biến, giúp xác định danh tính cá nhân một cách chính xác.

Một biểu diễn ảnh vân tay hiệu quả cần có hai thuộc tính chính: tính nổi bật và tính tương thích Tính nổi bật đảm bảo rằng biểu diễn chứa thông tin đặc trưng của vân tay, trong khi tính tương thích cho phép việc trích xuất, lưu trữ dưới dạng nén và so sánh vân tay một cách dễ dàng (Maltoni, et al., 2003).

Biểu diễn vân tay bằng ảnh dựa trên thông tin cường độ sáng của các điểm ảnh, là phương pháp phổ biến trong các hệ thống nhận dạng Tuy nhiên, phương pháp này có thể gặp phải một số hạn chế như biến đổi độ sáng, chất lượng ảnh kém, vết bẩn và độ méo trong ảnh vân tay Thêm vào đó, việc lưu trữ ảnh vân tay yêu cầu không gian lưu trữ lớn Mặc dù vậy, biểu diễn bằng ảnh vẫn đảm bảo lưu trữ được nhiều thông tin tối đa và có miền ứng dụng rộng hơn.

Khi phân tích một mẫu vân tay ở các cấp độ khác nhau, nó sẽ thể hiện nhiều đặc điểm khác nhau Ở mức độ tổng quát, sự bố trí của các đường vân tạo ra các điểm đặc biệt như điểm lặp và điểm delta, đóng vai trò quan trọng trong việc phân loại và chỉ mục vân tay Tuy nhiên, những điểm đặc biệt này chưa đủ để nhận dạng chính xác một vân tay Ngoài ra, còn có các đặc điểm khác như hình dạng bên ngoài của vân, hướng vân và tần số vân cũng cần được xem xét.

Các hình dạng của vân tay bao gồm: (a) hình cung, (b) hình lều, (c) lặp trái, (d) lặp phải, (e) hình xoắn, và (f) lặp kép Những vị trí có hình tam giác trên vân tay được gọi là các điểm delta.

Chương 1 Tổng quan về nhận dạng vân tay cho thấy có khoảng 150 đặc điểm vân cục bộ, gọi là minutiae, phụ thuộc vào lực nhấn tay và chất lượng ảnh vân tay Hai đặc điểm dễ nhận thấy nhất là điểm kết thúc vân (ridge ending) và điểm rẽ nhánh của vân (ridge bifurcation) Điểm kết thúc vân là vị trí mà đường vân bị đứt, trong khi điểm rẽ nhánh là nơi đường vân phân tách thành các nhánh Các minutiae có tính ổn định cao và ít bị ảnh hưởng bởi điều kiện nhấn tay Mặc dù việc biểu diễn dựa trên minutiae rất hiệu quả, nhưng việc tự động trích xuất minutiae từ vân tay chất lượng thấp vẫn gặp nhiều khó khăn trong việc đạt độ tin cậy cao.

Hình 1.4 minh họa hai loại minutiae chính trong vân tay: điểm kết thúc và điểm rẽ nhánh, cùng với vị trí của chúng trong ảnh Ở mức độ cao hơn, có thể nhận diện các chi tiết bên trong đường vân, như lỗ chân lông mồ hôi, với sự phân biệt rõ ràng về vị trí và hình dạng Tuy nhiên, việc trích xuất các đặc điểm này chỉ khả thi với ảnh vân tay có độ phân giải cao (1000 dpi), do đó, loại biểu diễn này không phổ biến trong hầu hết các ứng dụng.

Hình 1.5: Các chi tiết lỗ chân lông ở ảnh vân có độ phân giải 1000 dpi

So sánh vân tay

So sánh các ảnh vân tay là một thách thức lớn do sự biến đổi giữa các lần nhấn tay khác nhau Các yếu tố chính ảnh hưởng đến sự thay đổi này bao gồm: sự dịch chuyển, góc xoay, sự chồng lấp của các vân, độ méo không tuyến tính, sự thay đổi trong độ nhấn tay, điều kiện da, nhiễu và lỗi trong việc trích chọn đặc điểm Kết quả là, vân tay từ cùng một ngón có thể trông rất khác nhau, trong khi vân tay từ các ngón khác nhau lại có thể tương tự Để xác định xem hai vân tay có giống nhau hay không, cần đánh giá các yếu tố nêu trên (Maltoni, et al., 2003).

- Sự tương đồng về hình dạng mẫu của toàn bộ vân tay: nghĩa là hai vân tay phải có cùng kiểu giống nhau

- Phù hợp định tính: đòi hỏi các minutiae tương ứng với nhau thì phải giống nhau

- Phù hợp định lượng: nghĩa là phải tìm thấy một số tối thiểu các minutiae tương ứng với nhau (theo quy định luật ở Mỹ, tối thiểu là 12 chi tiết)

- Các chi tiết minutiae tương ứng với nhau phải có sự tương quan giống nhau

Vân tay được so sánh thông qua các giao thức phức tạp, và các chuyên gia vân tay phải tuân theo một biểu đồ tiến trình nhất định để thực hiện việc so sánh này.

So sánh vân tay tự động không nhất thiết phải tuân theo các nguyên tắc giống nhau Mặc dù quy trình khớp vân tay tự động tương tự như khớp vân tay thủ công, nhưng đã có nhiều phương pháp tiếp cận được phát triển trong hơn 40 năm qua, với nhiều hệ thống được thiết kế để hoạt động trên máy tính Các phương pháp so sánh vân tay được phân loại theo nhiều cách khác nhau (Maltoni, et al., 2003).

So sánh dựa trên sự tương quan giữa hai ảnh vân tay được thực hiện bằng cách chồng chúng lên nhau Sự khác biệt trong tương quan của các điểm ảnh tương ứng sẽ được tính toán, bao gồm sự dịch chuyển và góc xoay.

So sánh dựa trên minutiae là quá trình phân tích các điểm đặc trưng từ hai vân tay, được lưu trữ dưới dạng một tập hợp trên mặt phẳng hai chiều Quá trình này bao gồm việc khớp các minutiae tương ứng giữa vân tay mẫu và vân tay đầu vào, từ đó tạo thành một tập hợp tối đa các cặp minutiae tương ứng.

So sánh đặc điểm của đường vân cho thấy việc tìm minutiae trong ảnh vân tay chất lượng kém là rất khó khăn Tuy nhiên, các đặc điểm như hướng và tần số cục bộ, hình dạng vân, cùng thông tin kết cấu có thể cung cấp độ tin cậy cao hơn, mặc dù tính phân biệt của chúng có phần hạn chế.

Phân loại và chỉ mục vân tay

Hàng ngày, hệ thống nhận dạng vân tay phải thu thập và lưu trữ một lượng lớn vân tay, và để tìm kiếm tự động, vân tay đầu vào cần so sánh với nhiều vân tay trong cơ sở dữ liệu Để giảm thời gian tìm kiếm, việc phân loại vân tay một cách chính xác là cần thiết, giúp hệ thống chỉ so sánh với một tập con của cơ sở dữ liệu Phân loại vân tay, được coi là giai đoạn so sánh thô, có thể chia cơ sở dữ liệu thành nhiều lớp, nhưng thực tế cho thấy việc phân loại này không nhất quán, với khoảng 17% vân tay trong cơ sở dữ liệu NIST 4 có hai phân loại khác nhau Điều này chỉ ra rằng ngay cả các chuyên gia cũng không đồng ý về phân loại vân tay Để cải thiện độ chính xác trong phân loại, một số nghiên cứu đã đề xuất phương pháp “phân loại liên tục”, trong đó vân tay được mô tả bằng một vector đặc trưng, giúp tối ưu hóa quá trình chỉ mục và truy xuất vân tay trong các cấu trúc dữ liệu không gian.

Ứng dụng của nhận dạng vân tay

Công nghệ nhận dạng vân tay đã phát triển mạnh mẽ và được áp dụng rộng rãi trong lĩnh vực pháp lý để nhận diện tội phạm và đảm bảo an ninh tại các nhà tù Hiện nay, tiềm năng ứng dụng của nhận dạng vân tay trong các lĩnh vực dân sự là rất lớn Bảng 1.1 trình bày một số ứng dụng của nhận dạng vân tay trong nhiều lĩnh vực khác nhau.

Pháp lý Chính phủ Thương mại

Nhận dạng tử thi, Điều tra tội phạm, Tìm trẻ thất lạc,…

Chứng minh thư, Bằng lái xe, Bảo hiểm xã hội,

Hộ chiếu số và đăng nhập an toàn vào mạng là rất quan trọng để bảo mật dữ liệu cá nhân trong thương mại điện tử Việc truy cập Internet an toàn giúp bảo vệ thông tin khi sử dụng ATM, thẻ tín dụng và điện thoại di động Đào tạo từ xa cũng cần có các biện pháp bảo mật, như khóa truy cập, để đảm bảo an toàn cho người dùng.

Khi công nghệ vân tay hoàn thiện, sự tương tác giữa thị trường, công nghệ và ứng dụng sẽ gia tăng nhanh chóng Tương tác này bị ảnh hưởng bởi giá trị gia tăng của công nghệ, sự nhạy bén và tin tưởng của người dùng đối với nhà cung cấp dịch vụ Mặc dù chưa thể dự đoán sự phát triển của công nghệ vân tay trong tương lai, nhưng có thể khẳng định rằng các ứng dụng nhận dạng vân tay sẽ có tác động sâu rộng đến công việc và đời sống hàng ngày của con người.

NÂNG CAO CHẤT LƯỢNG ẢNH VÂN TAY

Giới thiệu

So sánh vân tay tự động dựa vào việc phân tích các đặc điểm và mối quan hệ giữa các đường vân để nhận diện cá nhân Một bước quan trọng trong quá trình này là tự động trích xuất các minutiae từ ảnh vân tay với độ tin cậy cao, tuy nhiên, điều này gặp khó khăn do chất lượng ảnh đầu vào Trong ảnh vân tay lý tưởng, các đường vân và rãnh vân có sự xen kẽ và hướng cục bộ giống nhau, trong khi các minutiae là những điểm dị thường như điểm kết thúc và điểm rẽ nhánh Hình ảnh vân tay chất lượng tốt giúp phát hiện và định vị minutiae chính xác Tuy nhiên, thực tế cho thấy, sự khác biệt trong các lần nhấn ngón tay, hình dạng đường vân, điều kiện da tay, thiết bị thu nhận và thái độ của đối tượng có thể dẫn đến nhiều vân tay chất lượng kém Các cấu trúc vân trong ảnh kém chất lượng không luôn rõ ràng, gây khó khăn trong việc phát hiện chính xác.

- Phát sinh một số lượng đáng kể các minutiae sai,

- Nhiều minutiae đúng không được nhận dạng,

- Phát sinh nhiều lỗi định vị (vị trí và hướng)

Hình 2.1: Các ảnh vân tay có chất lượng kém

Chương 2 Nâng cao chất lượng ảnh vân tay

Để đảm bảo thuật toán trích chọn minutiae hoạt động hiệu quả, việc nâng cao chất lượng ảnh vân tay là rất quan trọng Hình 2.1 minh họa các ảnh vân tay có chất lượng kém, với cấu trúc vân bị sai lệch Giai đoạn cải thiện ảnh giúp tăng cường độ rõ ràng của các cấu trúc vân, từ đó nâng cao độ chính xác trong việc nhận diện.

Hình 2.2: Các loại vùng vân tay; (a) vùng vân tốt; (b) vùng vân xấu có thể khôi phục; (c) vùng vân xấu không thể khôi phục

Một chuyên gia vân tay có khả năng xác định các minutiae thông qua nhiều phương pháp khác nhau như xét hướng cục bộ, tính liên tục và xu hướng đi của đường vân Chỉ cần cấu trúc các đường vân và rãnh vân không bị mất hoàn toàn, chúng ta có thể phát triển thuật toán nâng cao ảnh để cải thiện sự rõ ràng của cấu trúc vân Theo Hong, Wan và Jain (1998), một ảnh vân tay có thể được chia thành ba loại vùng khác nhau.

Vùng vân tốt là khu vực có các đường vân và rãnh vân rõ ràng, dễ phân biệt, giúp thuật toán nhận dạng minutiae hoạt động hiệu quả.

Vùng vân xấu có khả năng khôi phục khi các đường vân và rãnh vân bị lỗi do một số ít vết gấp hoặc vết nhòe Mặc dù có sự sai lệch, nhưng các vùng lân cận vẫn cung cấp thông tin chính xác về cấu trúc vân và rãnh.

Vùng vân xấu không thể khôi phục là khu vực mà các đường vân và rãnh vân bị lỗi nghiêm trọng do nhiễu hoặc méo, khiến cho việc nhận diện các đặc điểm này trở nên khó khăn Các vùng lân cận không đủ thông tin để cung cấp cấu trúc vân và rãnh chính xác, dẫn đến việc không thể phục hồi được vùng vân này.

Thuật toán nâng cao nhằm cải thiện tính rõ ràng của các cấu trúc vân tay trong các vùng có thể khôi phục, đồng thời loại bỏ các vùng vân không thể khôi phục Quá trình này cần đảm bảo không làm sai lệch cấu trúc của đường vân, vì sự sai lệch có thể dẫn đến việc nhận dạng sai người sở hữu vân tay.

Nâng cao ảnh vân tay có thể thực hiện trên hai loại ảnh chính: ảnh vân nhị phân và ảnh cấp xám Ảnh vân nhị phân là loại ảnh trong đó các điểm trên đường vân được gán giá trị 1, trong khi các điểm không thuộc đường vân sẽ có giá trị 0.

Chương 2 Nâng cao chất lượng ảnh vân tay vân thì gán giá trị 0 Ảnh nhị phân thu được bằng cách sử dụng một thuật toán trích chọn vân trên một ảnh đa cấp xám Do các đường vân và rãnh vân trong ảnh vân tay thay đổi và chạy song song với nhau trong một vùng cục bộ, nên một số phương pháp đơn giản có thể được sử dụng để tách các vân sai khỏi cấu trúc vân đúng trong ảnh vân nhị phân Tuy nhiên, sau khi sử dụng thuật toán trích chọn vân trên các ảnh cấp xám gốc, thông tin về cấu trúc vân chính xác thường bị mất phụ thuộc vào độ tin cậy của thuật toán Vì vậy, nâng cao trên ảnh vân nhị phân có nhiều hạn chế

Trong ảnh vân cấp xám, các đường vân và rãnh tạo thành một mặt sóng dạng sin với hướng và tần số xác định Mặc dù nhiều kỹ thuật đã được đề xuất để cải thiện ảnh vân cấp xám bằng cách tận dụng thông tin này, các thuật toán thường giả định rằng hướng vân cục bộ có thể được đánh giá một cách tin cậy Tuy nhiên, giả định này không chính xác đối với các ảnh có chất lượng kém.

Nội dung chương này gồm các phần chính sau:

- Phân tích các đặc điểm của vân tay và ảnh vân tay, biểu diễn ảnh vân tay

- Giới thiệu một số kỹ thuật và thuật toán nâng cao ảnh vân tay thông dụng.

Ảnh vân tay

Một ảnh vân tay được xác định bởi các tham số chính, trong đó độ phân giải là yếu tố quan trọng nhất, được đo bằng chỉ số điểm ảnh trên mỗi inch (dpi) Độ phân giải tối thiểu theo tiêu chuẩn FBI là 500 dpi, và nhiều loại máy quét thương mại cũng tuân thủ mức này, trong khi một số máy có độ phân giải từ 250 dpi trở lên.

Độ phân giải tối thiểu 300 dpi là cần thiết để các thuật toán có thể xác định chính xác các minutiae trong ảnh vân tay Khi giảm độ phân giải, việc nhận diện các đường vân và rãnh vân trở nên khó khăn hơn, làm cho việc tách các điểm minutiae cũng phức tạp hơn Các ảnh có độ phân giải từ 200 đến 300 dpi chỉ phù hợp cho các kỹ thuật tìm độ tương quan (Wilson, Watson, & Paek, 2000).

Hình 2.3: Các ảnh vân tay có độ phân giải khác nhau

Kích thước vùng cảm biến vân tay là một yếu tố quan trọng ảnh hưởng đến độ tin cậy của việc nhận dạng Vùng cảm biến lớn hơn giúp thu nhận nhiều chi tiết hơn từ đường vân và rãnh vân, từ đó nâng cao độ chính xác Theo tiêu chuẩn của FBI, một vùng cảm biến có kích thước từ 1 x 1 inch vuông trở lên là đủ để ghi lại đầy đủ một vân tay trong một lần nhấn.

Số điểm ảnh trong một ảnh vân tay được xác định bởi độ phân giải và kích thước vùng thu nhận Một máy quét vân tay có độ phân giải r dpi trên vùng cảm biến có kích thước chiều cao (h) x chiều rộng (w) inch sẽ tạo ra rh x rw điểm ảnh Nếu kích thước vùng cảm biến được đo bằng mm, số điểm ảnh sẽ được tính là r(h/25.4) x r(w/25.4) Chẳng hạn, một máy quét với độ phân giải 500 dpi trên vùng cảm ứng 20.32 x 15.24 mm sẽ tạo ra ảnh với 500(20.32/25.4) x 500(15.24/25.4) điểm ảnh.

2 Độ sâu bit: là số bit được sử dụng để biểu diễn giá trị cường độ trên mỗi điểm ảnh

Thông tin màu sắc trong vân tay không được coi là yếu tố quan trọng trong nhận dạng, do đó, hầu hết các máy quét ảnh vân tay chỉ thu nhận ảnh ở định dạng cấp xám Theo chuẩn FBI, độ sâu bit yêu cầu là 8 bit, cho phép biểu diễn 256 mức xám Tuy nhiên, một số bộ cảm biến chỉ ghi lại thông tin vân tay ở độ sâu 2 hoặc 3 bit và sau đó chuyển đổi thành ảnh 8 bit.

Chưa có nghiên cứu cụ thể nào chứng minh rằng độ tin cậy của nhận dạng giảm khi độ sâu bit giảm, nhưng rõ ràng rằng độ sâu bit lớn hơn 1 bit là cần thiết cho các thuật toán trích chọn đặc trưng Độ chính xác hình học, thường được hiểu là độ méo hình học của các thiết bị thu nhận, được biểu diễn bằng tỷ lệ phần trăm tương ứng với các hướng x và y.

Chất lượng ảnh vân tay là khái niệm khó định nghĩa chính xác, và việc phân biệt giữa chất lượng ảnh vân tay và chất lượng tổng thể của ảnh càng trở nên phức tạp hơn.

Chương 2 Nâng cao chất lượng ảnh vân tay trạng thái nội tại của ngón tay Trên thực tế, nếu bề mặt nhô lên của các đường vân thấp (đặc biệt ở các công nhân thủ công hay người già), khi các ngón tay quá ẩm ướt hoặc quá khô,…, thì hầu hết các máy quét đều cho ra những ảnh vân có chất lượng kém

Hình 2.4: Ví dụ về chất lượng vân tay; (a) vân tay chất lượng tốt; (b) vân tay của một ngón tay khô; (c) vân tay của một ngón tay ẩm

Tất cả các đặc điểm của hệ thống nhận dạng đều ảnh hưởng đến độ chính xác và sự tin cậy của nó Chẳng hạn, giảm độ phân giải từ 500 dpi xuống 400 dpi có thể làm giảm độ chính xác 1%, trong khi giảm độ sâu bit từ 8 bit xuống 4 bit cũng dẫn đến giảm 1% độ chính xác Khi cả hai yếu tố này được giảm đồng thời, độ chính xác có thể giảm hơn 2%.

Các đặc điểm của vân tay

Vân tay hình thành từ biểu bì đầu ngón tay khi tiếp xúc với bề mặt trơn, với đặc điểm nổi bật là sự xen kẽ giữa các đường vân và rãnh vân Trong ảnh vân tay, đường vân thường có màu tối, trong khi rãnh vân có màu sáng Độ rộng của đường vân dao động từ 100 μm đối với vân mỏng đến 300 μm đối với vân dày, với chu kỳ trung bình khoảng 500 μm (Stosz & Alyea, 1994) Các thương tật như bỏng, trầy xước hay cắt không làm thay đổi cấu trúc vân tay, mà chúng sẽ phục hồi nguyên vẹn khi lớp biểu bì mới phát triển.

Hình 2.5: Đường vân và rãnh vân

Vân tay thường có các vân và rãnh song song, đôi khi xuất hiện các nhánh hoặc điểm kết thúc Khi phân tích, vân tay có thể chứa những vùng hình dạng đặc trưng như độ uốn cong cao và điểm kết thúc thường xuyên Những vùng này được phân loại thành ba loại chính: vòng (loop), delta và xoắn (whorl) Các hình dạng này tương ứng với các ký hiệu đặc trưng Một số thuật toán so sánh ảnh vân tay sử dụng điểm lõi (core) - điểm ở phía bắc nhất của đường vân - để điều chỉnh hướng của các ảnh vân tay, theo định nghĩa của Henry (1900).

Hình 2.6: Các vùng đặc biệt; ô vuông biểu thị vùng đặc biệt, chấm nhỏ biểu thị điểm lõi

Xét ở mức cục bộ, các chi tiết nhỏ trên vân tay, gọi là minutiae, đóng vai trò quan trọng trong việc nhận diện Những minutiae này làm cho các đường vân bị ngắt quãng, như điểm kết thúc đột ngột hoặc điểm rẽ nhánh Francis Galton (1822-1911) là người đầu tiên phân loại các minutiae và phát hiện rằng chúng không thay đổi trong suốt cuộc đời Hình 2.7 minh họa một số minutiae thường gặp.

Hình 2.7: Một số các minutiae thường gặp

Khi ảnh vân tay được quét với độ phân giải cao 1000 dpi, các lỗ chân lông trở nên rõ ràng với kích thước từ 60 đến 250 μm Mặc dù thông tin về lỗ chân lông như số lượng, vị trí và hình dạng rất đa dạng, nhưng hầu hết các kỹ thuật so sánh vân tay tự động hiện nay vẫn chưa tận dụng được chúng do yêu cầu về chất lượng và độ phân giải cao của ảnh vân tay.

Hình 2.8: Các chi tiết lỗ chân lông ở ảnh vân có độ phân giải cao

Hai đặc điểm quan trọng của vân tay là hướng vân cục bộ và tần số vân cục bộ Trong một vùng nhỏ, các đường vân và rãnh vân song song theo cùng một hướng, tạo nên mặt dạng sóng với tần số xác định Hướng và tần số này thay đổi chậm trong khu vực nhỏ của ảnh vân tay Cả hai đặc điểm này được sử dụng để nâng cao chất lượng ảnh vân tay, tăng cường sự rõ ràng giữa các đường vân và rãnh vân.

Biểu diễn ảnh vân tay

Ảnh vân tay được biểu diễn dưới dạng ma trận hai chiều, trong đó I là ảnh vân tay cấp xám với g mức xám, và I(x,y) thể hiện mức xám tại điểm (x,y) Bề mặt rời rạc tương ứng với ảnh I được ký hiệu là z=S(x,y), với S(x,y)=I(x,y) Trong đó, mức xám của các điểm sáng gần 0 và các điểm tối gần g-1, dẫn đến việc các đường vân tay (màu tối) tương ứng với các đỉnh, trong khi các khoảng giữa các đường vân (màu sáng) tương ứng với các thung lũng (Maltoni, et al., 2003).

Hình 2.9: Bề mặt S ứng với một vùng vân nhỏ.

Các bước trong nâng cao ảnh vân tay

Có nhiều phương pháp nâng cao chất lượng ảnh vân tay, nhưng trong chương này, chúng ta sẽ tập trung vào phương pháp phổ biến nhất, đó là sử dụng bộ lọc theo ngữ cảnh Quá trình nâng cao ảnh vân tay với bộ lọc theo ngữ cảnh bao gồm các bước cụ thể, được trình bày trong hình 2.10 Các phần tiếp theo sẽ giải thích chi tiết về chức năng và các thuật toán liên quan đến từng bước, bắt đầu từ ảnh vân tay gốc và quá trình tiền xử lý ảnh.

Nâng cao ảnh dùng bộ lọc ngữ cảnh Phân vùng

Tìm tần số vân cục bộ

Tìm hướng vân cục bộ ảnh nâng cao Hình 2.10: Các bước trong nâng cao ảnh vân tay

Các bộ lọc theo ngữ cảnh

Kỹ thuật nâng cao ảnh vân tay phổ biến nhất là sử dụng bộ lọc theo ngữ cảnh, cho phép điều chỉnh các đặc điểm của bộ lọc dựa trên ngữ cảnh cục bộ Thay vì sử dụng một bộ lọc đơn cho toàn bộ ảnh, lọc theo ngữ cảnh cho phép lựa chọn bộ lọc cụ thể cho từng vùng ảnh Ngữ cảnh trong nâng cao ảnh vân tay thường được xác định bởi hướng và tần số vân cục bộ, vì các đường vân và rãnh vân tạo thành sóng sin với các đặc điểm thay đổi chậm theo từng khu vực Sử dụng bộ lọc phù hợp với tần số và hướng cục bộ sẽ giúp loại bỏ nhiễu không mong muốn và bảo tồn cấu trúc của đường vân và rãnh vân.

Một số bộ lọc theo ngữ cảnh đã được đề xuất nhằm nâng cao chất lượng ảnh vân tay Mặc dù các bộ lọc này có định nghĩa khác nhau, nhưng chúng đều tuân theo một quy tắc chung.

1 Cung cấp một hiệu ứng thông thấp (low-pass) dọc theo hướng vân, nhằm mục đích liên kết các kẽ hở nhỏ và làm mất các vết do lỗ chân lông hoặc nhiễu tạo ra

2 Thực hiện một hiệu ứng dải thông (band-pass) theo hướng trực giao với các đường vân để làm tăng sự phân biệt giữa các đường vân và rãnh vân và tách các đường vân song song nhau

Phương pháp sử dụng bộ lọc theo ngữ cảnh để nâng cao ảnh vân tay được O’Gorman và Nickerson giới thiệu lần đầu vào năm 1988 và 1989 Họ định nghĩa bộ lọc mẹ dựa trên bốn tham số chính của ảnh vân tay tại một độ phân giải nhất định: độ rộng nhỏ nhất và lớn nhất của đường vân, cùng với độ rộng nhỏ nhất và lớn nhất của rãnh vân Bộ lọc này có hình dạng kéo dài theo hướng vân và dạng sin theo hướng trực giao Tần số vân cục bộ được coi là hằng số, và ngữ cảnh chỉ phụ thuộc vào hướng vân cục bộ, dẫn đến việc bộ lọc mẹ tạo ra 16 bộ lọc tương ứng với các hướng khác nhau Ảnh nâng cao được tạo ra bằng cách áp dụng bộ lọc có hướng phù hợp với từng điểm trong ảnh, và tùy thuộc vào các tham số đầu vào, ảnh đầu ra có thể là ảnh cấp xám hoặc nhị phân.

Hình 2.11: Hình dạng của bộ lọc được đề xuất bởi O’Gorman và Nickerson

Sherlock, Monro, và Millard (1992, 1994) đã thực hiện lọc theo ngữ cảnh trong miền Fourier, nơi phép cuộn trong miền không gian tương ứng với phép nhân điểm-điểm trong miền Fourier (Gonzales & Woods, 1992) Bộ lọc được định nghĩa trong miền tần số thông qua hàm liên quan đến góc bán kính.

H( , ) Hρ θ = ( ).Hρ ( )θ, trong đó Hradial phụ thuộc vào khoảng cách vân cục bộ ρ = 1/f và Hangle phụ thuộc vào hướng vân Cả hai Hradial(ρ) và Hangle(θ) được định nghĩa là các bộ lọc dải thông Một tập hợp n bộ lọc rời rạc được sinh ra từ bộ lọc định nghĩa, nhằm giảm số lượng bộ lọc, giả sử tần số vân cục bộ ổn định trong các vùng, do đó ngữ cảnh của bộ lọc chỉ được xác định dựa trên hướng vân cục bộ Cuối cùng, thực hiện biến đổi Fourier Pi.

(i=1 n) của các bộ lọc được tính toán và lưu trữ Sau đó một ảnh vân tay đầu vào được lọc thông qua các bước sau:

Hình 2.12: Nâng cao ảnh vân tay theo phương pháp của Sherlock, Monro, và Millard

1 Tính FFT (Fast Fourier Transform) F của I;

2 Với mỗi bộ lọc Pi, ta nhân điểm-điểm với F, và thu được n ảnh lọc (ở miền Fourier) là PFi, i=1 n;

3 Thực hiện biến đổi FFT ngược với mỗi PFi, kết quả được n ảnh lọc (ở miền không gian) PIi, i=1 n Ảnh nâng cao Ienh thu được bằng cách: với mỗi điểm (x,y), Ienh(x,y)=PIk(x,y), với k là chỉ số của bộ lọc mà có hướng gần với θ xy nhất

Hong, Wan, và Jain (1998) đề xuất một phương pháp hiệu quả dựa trên bộ lọc Gabor Mục 2.11 sẽ trình bày chi tiết hơn về bộ lọc này.

Tiền xử lý ảnh vân tay

Thuật toán nâng cao thường sử dụng ảnh cấp xám làm đầu vào, nhưng các kỹ thuật nâng cao ảnh thông thường không mang lại kết quả tốt cho ảnh vân tay Một số phương pháp hiệu quả như tăng độ tương phản, thao tác histogram, chuẩn hóa (Hong, Wan, Jain, 1998) và lọc Wiener (Greenberg et al., 2000) có thể được áp dụng như bước tiền xử lý cho ảnh vân tay.

1998, Hong, Wan và Jain đề xuất một cách tiếp cận chuẩn hóa để để xác định giá trị cường độ mới của một điểm ảnh trong ảnh như sau:

(2.1) trong đó M và V tương ứng là trung bình và độ lệch của ảnh I (kích thước m x n), được định nghĩa như sau: m 1 n 1 i 0 j 0

M0 và V0 đại diện cho giá trị trung bình và độ lệch chuẩn mong muốn sau khi thực hiện quá trình chuẩn hóa Quá trình này không ảnh hưởng đến cấu trúc của các đường vân và rãnh vân, như minh họa trong hình 2.13.

Hình 2.13: Ví dụ về phương pháp chuẩn hóa (Hong, Wan, Jain, 1998) với M00 và

V00; (a) ảnh đầu vào; (b) ảnh sau khi chuẩn hóa.

Đánh giá hướng vân cục bộ

Hướng vân cục bộ là một thuộc tính quan trọng của vân tay, đóng vai trò thiết yếu trong việc nâng cao chất lượng ảnh, phân loại và dò tìm đường vân Độ chính xác của hướng vân cục bộ ảnh hưởng trực tiếp đến độ tin cậy của hệ thống nhận dạng Bài viết này sẽ giới thiệu một số kỹ thuật phổ biến trong việc tìm kiếm hướng vân.

Tọa độ (x,y) xác định vị trí một điểm trong ảnh vân tay, trong khi hướng vân cục bộ tại điểm này được xác định bởi góc giữa đường vân gần đó và trục hoành, nằm trong khoảng [θxy, θxy].

Hình 2.14: Hướng vân tương ứng với tọa độ (x,y)

Thay vì tính toán hướng vân cục bộ cho từng điểm ảnh, nhiều phương pháp xử lý vân tay ước lượng hướng vân tại các vị trí rời rạc để tiết kiệm thời gian tính toán Bản đồ hướng, lần đầu tiên được giới thiệu bởi Grasselli, đóng vai trò quan trọng trong quy trình này.

Ma trận O được giới thiệu vào năm 1969, với các phần tử thể hiện các hướng cục bộ của đường vân tay Mỗi phần tử tương ứng với một điểm, biểu thị hướng trung bình của các đường vân nằm trong khu vực lân cận của nó.

2.8.1 Phương pháp dựa trên Gradient

Một phương pháp tự nhiên và đơn giản để xác định hướng vân cục bộ là tính toán các gradient của hình ảnh vân tay Gradient ∇(x i ,y j ) tại điểm I được biểu diễn dưới dạng một vector hai chiều.

Gradient được biểu thị bởi ∇ x i j và ∇ y i j, trong đó ∇ x và ∇ y là các đạo hàm của I theo trục x và y Góc gradient cho thấy hướng có sự thay đổi cường độ cấp xám lớn nhất, điều này giúp xác định các điểm chuyển tiếp trong hình ảnh.

) y , x ( i j θij của các đường vân đi qua lân cận (x i ,y j ) là góc trực giao với ϕ, là góc gradient trung bình trong lân cận

Phương pháp cuộn Sobel hoặc Prewitt (Gonzales & Woods, 1992) là những kỹ thuật đơn giản và hiệu quả để xác định các thành phần trong hình ảnh Tuy nhiên, phương pháp này cũng gặp phải một số trở ngại trong quá trình áp dụng.

Phương pháp tính toán ∇x ∇y của gradient và xác định θij bằng cách sử dụng arctang có những hạn chế đáng kể, bao gồm tính không tuyến tính và không liên tục xung quanh góc 90 độ Nó cũng rất nhạy cảm với nhiễu trong ảnh vân tay, dẫn đến những sai lệch trong kết quả Hơn nữa, phương pháp này không thể đánh giá gradient trung bình do tính tuần hoàn của góc, ví dụ, hướng trung bình giữa 5 và 175 độ không phải là 90 độ mà là 0 độ Điều này cho thấy khái niệm hướng trung bình chưa được định nghĩa rõ ràng, như trong trường hợp hai hướng trực giao 0 và 90 độ, chúng ta không thể xác định chính xác hướng trung bình là 45 độ hay một giá trị khác.

Một vấn đề quan trọng liên quan đến đường vân là sự đối nhau của các vector gradient ở hai bên Khi tính toán ϕ bằng cách lấy trung bình các góc gradient trong một vùng cục bộ, các gradient đối nhau sẽ triệt tiêu lẫn nhau Để khắc phục điều này, Kass và Witkin (1987) đã đề xuất một giải pháp sáng tạo, cho phép tính trung bình các gradient cục bộ bằng cách nhân đôi các góc gradient trước khi tính toán Như vậy, (ϕ + π) sẽ trở thành (2ϕ + 2π), và kết quả cuối cùng là 2ϕ.

Ta dùng vector gradient bình phương [g sx ,g sy ] T , được tính từ vector [∇ x ,∇ y ] theo công thức sau (Bazen & Gerez, 2002):

Vector gradient bình phương trung bình [g sx ,g sy ] trong một khối được xác định

Các phương pháp dựa trên gradient phân chia ảnh vân tay thành các khối có kích thước N x N pixel và tính toán góc trung bình cho mỗi khối một cách độc lập Hướng trong một khối B được xác định theo công thức của Bazen & Gerez (2002).

Để đánh giá độ tin cậy của góc θ, Kass và Witkin đã giới thiệu khái niệm coherence, nhằm đo lường "độ mạnh" của gradient trung bình trong phân bố các vector gradient cục bộ Coherence của khối B được ước lượng thông qua công thức do Kass và Witkin (1987) đề xuất.

2.8.2 Phương pháp dựa trên Gradient cải tiến (Wang, Hu, Han, 2007)

Wang, Hu và Han đã phát triển một thuật toán dựa trên gradient cải tiến, sử dụng các cửa sổ chồng nhau Các mẫu vân từ bốn láng giềng chồng lên nhau của cửa sổ vân trung tâm có tính tương quan cao nhờ vào đặc tính song song và không đẳng hướng Khi kích thước của cửa sổ nhỏ, các đường vân trong cửa sổ và các khối láng giềng sẽ song song và thay đổi chậm.

Hình 2.15: Minh họa site gồm 3 x 3 khối kề nhau

Các phương pháp này tận dụng đặc điểm song song của các đường vân, từ đó cải thiện phương pháp dựa trên gradient truyền thống Thuật toán được mô tả bằng cách nhóm các khối 2 x 2 kề nhau thành một láng giềng D, và nhóm các khối 3 x 3 kề nhau thành một vùng gọi là site, có 4 láng giềng chồng lên nhau như trong hình 2.15.

Ta xem xét khối trung tâm V trong hình, nơi mà hướng vân cục bộ sẽ được đánh giá Các khối {I,II,IV,V} tạo thành láng giềng D1, trong khi {II,III,V,IV} tạo thành D2, {IV,V,VII,VIII} là D3, và {V,VI,VIII,IX} là D4 (hình 2.16) Từ các phương trình (2.6) và (2.7), ta sẽ tính toán các gradient bình phương trung bình và coherence tương ứng cho từng láng giềng D1, D2, D3, D4 Kết quả cho ra hai vector θ = {θ1, θ2, θ3, θ4} và Coh = {Coh1, Coh2, Coh3, Coh4} Chúng ta sẽ tìm phần tử lớn nhất trong Coh và gán góc tương ứng trong θ vào khối trung tâm V Ví dụ, nếu Coh = {Coh1, Coh2, Coh3, Coh4}, góc được chọn sẽ là θ2.

Hình 2.16: Các láng giềng D1, D2, D3, D4 trong một site

2.8.3 Phương pháp của Stock và Swonger (1969)

Năm 1969, Stock và Swonger đã nghiên cứu hướng vân cục bộ bằng cách phân tích sự thay đổi cấp xám của các điểm ảnh theo các hướng khác nhau Họ nhận thấy rằng sự thay đổi cấp xám thường nhỏ nhất khi hướng đi theo đường vân và lớn nhất khi hướng vuông góc với các đường vân.

Đánh giá tần số vân cục bộ

Trong một vùng cục bộ của ảnh vân tay, sự thiếu hụt minutiae và các điểm đặc biệt dẫn đến các đường vân và rãnh vân song song, có thể được mô hình hóa như sóng sin Do đó, tần số vân cục bộ trở thành một thuộc tính nội tại quan trọng của ảnh vân tay.

Tần số vân cục bộ f tại điểm (x,y) là nghịch đảo của số đường vân trong một

Chương 2 Nâng cao chất lượng ảnh vân tay θxy Một bản đồ tần số F là một ma trận mà các phần tử của nó là các tần số cục bộ của các đường vân tay Mỗi phần tử , tương ứng với pixel , biểu thị tần số trung bình của các đường vân nằm trong vùng lân cận của fij (x i ,y j )

) y , x ( i j x-signature cửa sổ 32 x 16 khối 16 x 16 hướng vân cục bộ

Hình 2.17: Cửa sổ hướng và x-signature

2.9.1 Phương pháp của Hong, Wan, Jain (1998)

Tần số vân cục bộ có sự khác biệt giữa các vân tay khác nhau và có thể thay đổi ở các vùng khác nhau trong cùng một vân tay Hong, Wan, Jain (1998) đã đánh giá tần số vân cục bộ bằng cách đếm số pixel trung bình giữa hai đỉnh cấp xám của hai đường vân liên tiếp Tần số tại f ij (x i ,y j) được tính theo phương pháp này.

1 Chia ảnh vân tay thành các khối w x w (16 x 16)

2 Với mỗi khối có tâm là , ta định nghĩa một cửa sổ l x w (32x16) có hướng, cũng có tâm là , được đặt sao cho hướng chiều rộng trùng với hướng của đường vân tại vùng lân cận của (xoay hệ tọa độ sao cho trục y trùng với hướng vân cục bộ)

3 Với mỗi khối có tâm là (x i ,y j ), tính x-signature={X0,X1,…,Xl-1}, là tổng các cấp xám được tích lũy theo trục x trong cửa sổ Cách làm này có tác dụng loại bỏ ảnh hưởng của các nhiễu nhỏ, giúp sự tích lũy cấp xám được làm trơn hơn

Chương 2 Nâng cao chất lượng ảnh vân tay w 1 k d 0 i i j j i j

∑ i j i j với O là bản đồ hướng, và O(xi,yj) là hướng tại điểm (xi,yj)

4 được tính bằng nghịch đảo của khoảng cách trung bình giữa hai đỉnh liên tiếp của x-signature fij

Nếu không có các chi tiết nhỏ và điểm đặc biệt trong cửa sổ hướng, x-signature sẽ tạo ra một sóng sin rời rạc với tần số tương ứng với các đường vân và rãnh vân trong cửa sổ Khoảng cách trung bình giữa hai đỉnh liên tiếp của x-signature được ký hiệu là Tij, và tần số fij được tính theo công thức: fij = 1/Tij.

Nếu không có đỉnh nào được tìm thấy trong x-signature, thì tần số được gán giá trị -1 để phân biệt với các tần số đúng khác

Phương pháp này đơn giản và nhanh chóng, nhưng gặp khó khăn khi tìm hai đỉnh cấp xám liên tiếp trong ảnh vân tay có nhiễu Để khắc phục vấn đề này, tác giả đề xuất sử dụng nội suy kết hợp với bộ lọc thông thấp.

Năm 2000, Jiang đã phát triển phương pháp tính toán tần số vân cục bộ bằng cách sử dụng x-signatures, áp dụng kĩ thuật phổ bậc cao gọi là mix-spectrum thay vì tính khoảng cách trong miền không gian Các mẫu vân trong ảnh vân tay là tín hiệu tuần hoàn có nhiễu, và khi bị sai lệch khỏi hình dạng sin ban đầu, năng lượng của chúng được phân bổ thành các hàm điều hòa và tần số cơ bản Kĩ thuật mix-spectrum giúp nâng cao tần số cơ bản của tín hiệu bằng cách khai thác thông tin từ hàm điều hòa thứ hai và thứ ba.

2.9.3 Phương pháp của Maio và Maltoni (1998)

Theo phương pháp của Maio và Maltoni (1998), mẫu vân cục bộ được mô hình hóa thành một bề mặt dạng sin, và tần số được đánh giá bằng định lý biến thiên Biến thiên V của hàm h trong khoảng [x1,x2] thể hiện sự thay đổi theo trục tung của hàm h.

Nếu hàm h là tuần hoàn trong khoảng [x1,x2] hoặc biên độ thay đổi nhỏ trong đoạn [x1,x2], sự biến thiên có thể được biểu diễn dưới dạng hàm của biên độ trung bình α m và tần số trung bình f.

Hình 2.18: Biến thiên của hàm h trong khoảng [x1,x2] là tổng các biên độ α α 1 , 2 , ,α 8 Như vậy, tần số cần tìm có thể được đánh giá bằng công thức:

Maio và Maltoni đã giới thiệu một phương pháp thực nghiệm dựa trên lý thuyết, trong đó sự biến thiên và biên độ trung bình của mẫu vân hai chiều được đánh giá thông qua các đạo hàm bậc nhất và bậc hai Tần số vân cục bộ được tính toán theo phương trình (2.12).

Phân vùng

Trong chương này, chúng ta đã thảo luận về việc phân loại điểm trong ảnh vân tay thành vùng có thể khôi phục và không thể khôi phục Mục tiêu của việc phân vùng ảnh vân tay là để tránh việc trích chọn các đặc trưng không thuộc về vùng nhiễu hoặc nền Do ảnh vân tay có cấu trúc dạng sóng, việc áp dụng các kỹ thuật phân ngưỡng cục bộ hoặc toàn cục sẽ không mang lại hiệu quả tốt Thực tế, cường độ ảnh trung bình không phải là yếu tố quyết định để phân biệt giữa nền và vân; mà chính là sự hiện diện của các mẫu có hướng và dạng sóng trong vùng vân, cùng với mẫu đẳng hướng ở vùng nền Nếu nền ảnh luôn đồng nhất và sáng hơn các vùng vân, việc phân tích sẽ dễ dàng hơn.

Chương 2 Nâng cao chất lượng ảnh vân tay thì cách tiếp cận dựa trên cường độ cục bộ để tách vùng nền và vùng vân có thể hiệu quả; tuy nhiên trong thực tế, sự có mặt của nhiễu (do bụi hoặc các vết dầu mỡ trên máy quét ảnh vân tay) đòi hỏi phải có các kỹ thuật phân vùng mạnh hơn

2.10.1 Phương pháp của Mehtre, et al (1987)

Mehtre và cộng sự (1987) đã phát triển phương pháp tách vùng vân tay bằng cách sử dụng histogram cục bộ của các hướng vân, trong đó hướng vân được đánh giá tại mỗi điểm và histogram được tính cho các khối 16 x 16 Nếu histogram có đỉnh đáng kể, điều này cho thấy sự tồn tại của mẫu có hướng, trong khi histogram phẳng biểu thị tín hiệu đẳng hướng Tuy nhiên, phương pháp này gặp lỗi khi khối có cường độ đồng nhất, như khối trắng trong vùng nền, do không tìm thấy hướng vân cục bộ Để khắc phục, Mehtre và Chatterjee (1989) đã đề xuất phương pháp kết hợp, sử dụng cả histogram hướng và độ lệch cấp xám của mỗi khối, xác định các khối có thông tin histogram không đáng tin cậy và độ lệch cấp xám thấp là vùng nền.

2.10.2 Phương pháp của Ratha, Chen, và Jain (1995)

Ratha, Chen và Jain (1995) phân loại mỗi khối 16 x 16 thành vùng vân hoặc vùng nền dựa trên độ lệch mức xám theo hướng trực giao với hướng vân Họ đánh giá chất lượng bằng cách xem xét độ lệch cường độ trong khối Thuật toán giả định rằng các vùng nhiễu có tính đẳng hướng, trong khi các vùng vân thể hiện độ lệch cường độ cao theo hướng trực giao với hướng vân và độ lệch thấp dọc theo hướng vân.

Nghiên cứu cho thấy phương pháp này không đạt hiệu quả cao, đặc biệt khi các đường vân tay bị đứt nét hoặc khi hình ảnh có độ tương phản thấp.

2.10.3 Phương pháp của Maio và Maltoni (1997)

Maio và Maltoni (1997) đã phân loại các vùng vân và nền dựa trên biên độ trung bình của gradient trong từng khối ảnh Cụ thể, vùng vân thường có biên độ gradient cao do sự biến đổi cường độ mức xám, trong khi vùng nền lại có biên độ gradient thấp hơn.

2.10.4 Phương pháp của Shen, Kot, và Koo (2001)

Phương pháp do Shen, Kot, và Koo (2001) đề xuất sử dụng tám bộ lọc Gabor để xử lý các khối ảnh Độ lệch của phản hồi từ các bộ lọc này được áp dụng để phân vùng vân tay và phân loại các khối ảnh dựa trên chất lượng, như tốt, tồi, nhòe, hoặc khô.

2.10.5 Phương pháp của Bazen và Gerez (2001)

Bazen và Gerez (2001) đã phát triển một kỹ thuật phân vùng dựa trên từng điểm ảnh, sử dụng ba đặc điểm chính: độ gắn kết gradient, trung bình cường độ và độ lệch cường độ, để phân loại điểm ảnh thành vùng nền hoặc vùng vân thông qua phân loại tuyến tính Kỹ thuật giám sát được áp dụng để xác định các tham số tối ưu cho bộ phân loại tuyến tính phù hợp với từng loại cảm biến Cuối cùng, bước hậu xử lý hình thái (Gonzales và Woods, 1992) được thực hiện để loại bỏ các lỗ hổng trong các vùng vân và vùng nền Kết quả thực nghiệm cho thấy phương pháp này đạt độ chính xác cao, tuy nhiên, độ phức tạp tính toán của nó cao hơn nhiều so với các phương pháp theo khối trước đó.

Bộ lọc Gabor

Việc xác định chính xác hướng và tần số của các đường vân tay là rất quan trọng để loại bỏ nhiễu trên ảnh vân tay Các sóng sin của vân tay thay đổi chậm trong một vùng nhỏ, vì vậy việc sử dụng bộ lọc có hướng và tần số phù hợp sẽ giúp loại bỏ hiệu quả các nhiễu không mong muốn mà không làm hỏng cấu trúc của các đường và rãnh vân Bộ lọc Gabor, với cả hai thuộc tính hướng và tần số, là công cụ lý tưởng để thực hiện việc này, giúp bảo toàn cấu trúc của đường vân tay (Hong, Wan, và Jain, 1998).

Hình 2.19: Bộ lọc Gabor đối xứng chẵn: (a) bộ lọc Gabor với tần số 0.1 và hướng 0 ; (b)

Bộ lọc Gabor đối xứng chẵn có dạng chung như sau:

Trong đó là hướng của bộ lọc, và θ (xθ,yθ ) là tọa độ của (x,y) sau khi xoay trục tọa độ theo chiều kim đồng hồ một góc θ

Chương 2 Nâng cao chất lượng ảnh vân tay x cos sin x y sin cos θ θ θ θ

Trong bộ lọc Gabor, tần số sóng sin (f) và các hằng số độ lệch chuẩn của vỏ bọc Gaussian (δx, δy) là những tham số quan trọng Để áp dụng bộ lọc Gabor cho ảnh, cần xác định ba tham số: tần số sóng sin, hướng bộ lọc và độ lệch chuẩn của vỏ bọc Gaussian Tần số f của bộ lọc phụ thuộc vào tần số vân cục bộ, trong khi hướng của bộ lọc được xác định bởi hướng vân cục bộ Việc lựa chọn giá trị δx và δy cần được cân nhắc kỹ lưỡng; giá trị lớn sẽ tăng cường khả năng khử nhiễu nhưng đồng thời tạo ra nhiều vân và rãnh ảo, trong khi giá trị nhỏ sẽ giảm thiểu các vân và rãnh ảo nhưng lại kém hiệu quả trong khử nhiễu Theo kinh nghiệm, các giá trị này thường được lấy bằng 4 (Hong, Wan, và Jain, 1998).

Giả sử G là ảnh vân tay đã được chuẩn hóa, O là bản đồ hướng, F là bản đồ tần số, và R là bản đồ vùng có thể khôi phục Ảnh nâng cao E sẽ được thu nhận thông qua các bước xử lý dựa trên các bản đồ này.

Trong bài viết này, chúng ta đề cập đến kích thước của bộ lọc Gabor (wg) và quy trình nâng cao hiệu quả hơn bằng cách tính toán và lưu trữ trước một tập hợp các bộ lọc {gij(x,y) | i=1 no, j=1 nf} Ở đây, no đại diện cho số hướng rời rạc {θ i | i=1 no} và nf là số tần số rời rạc {fj | j=1 nf} Mỗi điểm ảnh (x,y) sẽ được cuộn với bộ lọc gij(x,y) phù hợp nhất với góc θ i gần nhất và tần số fj gần nhất với fxy Hình ảnh dưới đây minh họa một ví dụ về tập bộ lọc với no=8 và nf=3 (Maltoni, et al., 2003).

Hình 2.20: Minh họa tập bộ lọc với no=8 và nf=3

2.11.1 Phương pháp lọc Gabor nhanh (Areekul, et al., 2004)

Areekul, Watchareeruetai và Tantaratana (2004) đã phát triển một phương pháp mới nhằm tăng tốc độ tính toán của bộ lọc Gabor bằng cách phân tách bộ lọc Gabor hai chiều thành hai bộ lọc một chiều Phương pháp này giúp cải thiện hiệu suất xử lý và giảm thiểu thời gian tính toán trong các ứng dụng liên quan đến xử lý hình ảnh.

Xét bộ lọc Gabor hai chiều trong phương trình (2.13), nếu , phương trình (2.13) sẽ trở thành: θ = °90

= ° = ⎨⎪⎩− ⎜⎜⎝σ +σ ⎟⎟⎠⎬⎪⎭ π 0 (2.16) Phương trình này có thể được tách thành hai phương trình độc lập sau:

Trong phương trình (2.17), GBP được xác định là hàm dải thông Gaussian theo trục x, trong khi GLP là hàm thông thấp Gaussian theo trục y Tần số f0, có thể xác định từ tần số vân cục bộ, được coi là hằng số, cho phép tách phương trình (2.17) thành các hàm một biến, hay các bộ lọc Gabor một chiều (1-D) Khi θ = 90°, bộ lọc Gabor có thể được thực hiện thông qua hai phép cuộn một chiều độc lập Đối với mỗi khối trong ảnh vân tay, trước tiên, ta cuộn bộ lọc Gabor dải thông 1-D (GBP) theo hàng, sau đó cuộn bộ lọc Gabor thông thấp 1-D (GLP) dọc theo cột.

Sử dụng bộ lọc Gabor 2-D có độ phức tạp tính toán cao, nhưng việc áp dụng bộ lọc dải thông Gabor 1-D theo hướng θ cho tất cả các điểm trong khối sẽ giúp giảm đáng kể độ phức tạp Tuy nhiên, một thách thức là các điểm ảnh theo hướng θ không liên tục do việc lấy mẫu vuông, yêu cầu phải tính toán lại vị trí các điểm ảnh, làm cho phương pháp này trở nên phức tạp hơn.

Trong thực nghiệm, bộ lọc Gabor được áp dụng với 8 hướng là 0°, 22.5°, 45°, 67.5°, 90°, 112.5°, 135° và 157.5° Đối với bộ lọc Gabor 1-D, các hướng được chọn sao cho đi qua vị trí chính xác của các điểm ảnh, dẫn đến 8 hướng xấp xỉ là 0°, 26.6°, 45°, 63.4°, 90°, 116.6°, 135° và 153.4° Việc xác định vị trí các điểm ảnh trên 8 hướng này giúp giảm độ phức tạp tính toán trong phép cuộn các bộ lọc với các khối Tuy nhiên, khoảng cách giữa các mẫu theo các góc khác nhau có thể không đồng đều do cách lấy mẫu này.

0 và 90° là 1 đơn vị, thì khoảng cách các mẫu đối với các hướng 45° và 135 là ° ° ° ° ° ° ° ° ° ° ° °

2 và đối với các hướng 26.6 , 63.4 , 116.6° ° °, và 153.4° là 1.25 Vì vậy, phương trình (2.17) sẽ được chỉnh lại bằng cách thêm một tham số khoảng cách a như sau:

Trong công thức (2.18), n đại diện cho thứ tự rời rạc của điểm ảnh theo hướng một chiều (1-D), trong khi a biểu thị khoảng cách giữa hai điểm ảnh ở các hướng cụ thể Cụ thể, khi a=1, khoảng cách này áp dụng cho các hướng 0° và 90° Đối với hướng 45° và 135°, a có giá trị là 2°, trong khi a=1.25° tương ứng với các hướng 26.6°, 63.4°, 116.6° và 153.4°.

Hình 2.21: Các mẫu vuông của ảnh với 8 hướng khác nhau

Phương pháp này có độ phức tạp tính toán thấp, tuy nhiên độ chính xác kém hơn so với phương pháp sử dụng bộ lọc Gabor hai chiều

Chương 3 Cải tiến và thực nghiệm

CHƯƠNG 3 CẢI TIẾN VÀ THỰC NGHIỆM

Giới thiệu

Trong chương hai, chúng ta đã tìm hiểu về chức năng nâng cao chất lượng ảnh vân tay, bao gồm việc xác định các vùng khôi phục, khử nhiễu và tăng cường độ rõ nét giữa các đường vân Chương này cũng mô tả chi tiết từng bước trong quy trình nâng cao, giới thiệu các thuật toán tương ứng và phân tích ưu nhược điểm của chúng Kết quả đạt được trong việc nâng cao chất lượng ảnh vân tay sẽ được trình bày trong chương này.

- Trình bày những nghiên cứu và nhận xét trong mỗi bước của kỹ thuật nâng cao ảnh vân tay

- Đề xuất một số thuật toán cải tiến trong mỗi bước đó

- Trình bày và đánh giá kết quả cài đặt thực nghiệm của các thuật toán cải tiến.

Trình tự các bước trong mô hình thực nghiệm

Trong nghiên cứu này, mô hình nâng cao chất lượng ảnh vân tay được thực hiện qua các bước: điều chỉnh độ tương phản, xác định hướng vân cục bộ, tìm tần số vân cục bộ, xác định vùng vân và cuối cùng là nâng cao ảnh bằng bộ lọc Gabor Quá trình bắt đầu với một ảnh vân tay gốc và kết thúc với ảnh đã được nâng cao, bao gồm bản đồ hướng O, bản đồ tần số F, bản đồ vùng R, ảnh gốc I và ảnh nâng cao E.

Tính hướng vân cục bộ

Tính tần số vân cục bộ

Hình 3.1: Trình tự các bước trong giai đoạn nâng cao ảnh vân tay

Tiêu chuẩn của ảnh đầu vào

Thuật toán nhận dạng hoạt động hiệu quả nhất với ảnh vân tay có độ phân giải 500 dpi và độ sâu bit 8 bit, theo tiêu chuẩn của FBI Do đó, trong giai đoạn nâng cao ảnh vân tay, ảnh đầu vào cần phải là ảnh cấp xám 8 bit với độ phân giải 500 dpi Nếu ảnh không phải ở định dạng cấp xám, hệ thống sẽ tự động chuyển đổi ảnh về dạng cấp xám.

Hình 3.2: Minh họa chuyển từ ảnh màu (a) sang ảnh cấp xám (b).

Điều chỉnh độ tương phản

Với đầu vào một ảnh vân cấp xám, cấu trúc vân trong ảnh đôi khi không rõ ràng

Trong quá trình nâng cao ảnh, việc thực hiện bước tiền xử lý là cần thiết để làm rõ cấu trúc vân, cụ thể là tăng độ tương phản của ảnh gốc Kỹ thuật cân bằng histogram được áp dụng để đạt được mục tiêu này.

Để đánh giá chất lượng độ tương phản của ảnh, ta cần nhận diện sự khác biệt giữa ảnh có độ tương phản thấp và cao Ảnh có độ tương phản thấp thường có histogram chỉ với một đỉnh hoặc các đỉnh gần nhau, trong khi ảnh có độ tương phản cao sẽ có hai đỉnh cách xa nhau, một ở phía tối và một ở phía sáng Điều này cho thấy mật độ cường độ cấp xám trong ảnh có độ tương phản cao thường tập trung chủ yếu ở hai đầu cực trị.

Chương 3 Cải tiến và thực nghiệm hẳn Từ nhận xét này, tôi đề xuất một phương pháp đơn giản để đánh giá độ tương phản như sau:

Hình 3.3 minh họa sự khác biệt về độ tương phản trong ảnh (a) Ảnh có độ tương phản thấp thể hiện mật độ cấp xám tập trung chủ yếu ở cường độ sáng, trong khi (b) ảnh có độ tương phản cao cho thấy histogram với hai đỉnh rõ rệt ở cường độ tối và sáng.

Thuật toán đề xuất Đầu vào: ảnh vân tay cấp xám I

1 Tính histogram H của I, H(i) là mật độ của cấm xám i trong I, i [ , trong đó N là số cấp xám của I

2 Chia histogram H thành ba khoảng bằng nhau (hình 3.4), khoảng tối có cường độ điểm ảnh thuộc [0,N/3-1], khoảng giữa thuộc [N/3,2N/3-1], và khoảng sáng thuộc [2N/3,N-1]

Hình 3.4: Histogram được chia làm 3 khoảng bằng nhau

3 Tính mật độ tổng của các cường độ cấp xám nằm trong mỗi khoảng Giả sử m1, m2, m3 tương ứng là mật độ các cấp xám nằm trong khoảng tối, khoảng giữa, và khoảng sáng:

4 Nếu ảnh có độ tương phản tốt thì: m1>m, m2m, với m là ngưỡng cân bằng Trong thực nghiệm, ta chọn N 1 i 0 m 1 H

Nếu không đáp ứng các điều kiện cần thiết, độ tương phản của ảnh sẽ giảm Trong trường hợp này, kỹ thuật cân bằng histogram sẽ được áp dụng để cải thiện độ tương phản của ảnh.

Kỹ thuật cân bằng histogram có thể được tham khảo trong phần phụ lục Kết quả đầu ra là hình ảnh G với độ tương phản được nâng cao, đặc biệt trong các trường hợp có độ tương phản thấp.

Hình 3.5: Minh họa cân bằng histogram; (a) ảnh gốc DB2_B/104_8; (b) kết quả.

Đánh giá hướng vân cục bộ

Để xác định hướng vân cục bộ, chúng ta áp dụng phương pháp dựa trên gradient Tuy nhiên, thực nghiệm cho thấy phương pháp này thường nhạy cảm với nhiễu Do đó, chúng ta kết hợp giữa phương pháp thông thường và phương pháp nâng cao để cải thiện độ chính xác.

Nhận xét và cải tiến

Phương pháp này dựa trên việc chia ảnh thành các khối vuông có kích thước đồng nhất là w x w (16 x 16) Đối với mỗi khối B, chúng ta sẽ tính toán hướng vân cục bộ và độ tin cậy coh θB.

Nếu hướng vân cục bộ B θ B đủ tin cậy với cohB cao, nó sẽ được chọn làm hướng chính trong khối B Ngược lại, nếu θB không đủ tin cậy với cohB thấp, ta sẽ xem xét các hướng cục bộ khác trên các cửa sổ Dk (k=1 8) có kích thước 24 x 24, nằm chồng một phần với B Các cửa sổ này có tọa độ tâm tương ứng là (i 3w/4, j 3w/4)± ±, với wD = 3w/2.

(i 3w/4,j)± (i,j 3w/4)± k đều giao một phần với khối B (không chứa hoàn toàn khối

B như phương pháp của Wang, Hu và Han) Điều này nhằm hai mục đích:

1 Lấy thêm thông tin hướng từ các vùng lân cận của khối B

2 Chỉ lấy một phần thông tin hướng của khối B do độ tin cậy hướng của B thấp, như vậy độ tin cậy hướng của các cửa sổ Dk không bị ảnh hưởng nếu khối B có nhiễu

Hình 3.6: Minh họa khối B nằm ở trung tâm, và các cửa sổ D1, D2,…, D8 Để hiểu rõ hơn về mục đích thứ hai, ta xem một ví dụ minh họa ở hình 3.7

Hình 3.7: Minh họa trường hợp khi hướng cục bộ ở khối B không đủ độ tin cậy

Hình ảnh cho thấy thông tin đường vân ở khối B gần như đã mất hoàn toàn, chỉ còn lại một phần nhỏ ở góc trên trái, dẫn đến độ tin cậy của hướng trong khối B thấp Ngược lại, thông tin vân trong khối D1 vẫn được bảo toàn, do đó độ tin cậy hướng của khối D1 cao.

Thuật toán đánh giá hướng vân cục bộ của ảnh vân tay được xây dựng dựa trên ý tưởng nâng cao độ tương phản của ảnh G Các bước thực hiện bao gồm việc xử lý và phân tích hình ảnh để xác định các đặc điểm quan trọng trong vân tay.

1 Tính các gradient của ảnh G theo trục x và trục y, thu được gx và gy tương ứng Các gradient này được tính theo phương pháp Sobel (tham khảo phần phụ lục)

2 Chia ảnh thành các khối w x w (16 x 16)

3 Với mỗi khối B có tâm là điểm (i,j), đánh giá hướng cục bộ theo phương trình sau: w w i j

(3.4) Đánh giá coherence của B theo phương trình sau: w w i j

Miền giá trị của cohB nằm trong khoảng [0 1], và thực nghiệm cho thấy rằng hướng cục bộ đáng tin cậy khi cohB lớn hơn 0.6 Ngược lại, nếu cohB nhỏ hơn 0.6, độ tin cậy của hướng sẽ thấp Do đó, ngưỡng cho độ đồng nhất (coherence) được lựa chọn là th.

4 Đối với các khối B có coherence thấp hơn thcoh, hướng được tính lại bằng phương pháp dựa trên gradient nâng cao Ta tính hướng và coherence cho các cửa sổ Dk (k=1 8), bằng cách sử dụng các công thức (3.4) và (3.5) nhưng với kích thước cửa sổ là wD Ta thu được 2 vector coh={cohk} và (k=1 8) Tìm coh

Để xác định hướng của khối B, ta chọn hướng θ B tương ứng với cohmax, trong đó θ max là giá trị lớn nhất của coh k Kết quả đầu ra là bản đồ hướng O của ảnh vân tay G, với mỗi điểm (i,j) có giá trị O(i,j) = θ ij.

Hình 3.8 minh họa kết quả của ba thuật toán khác nhau Thuật toán dựa trên gradient thông thường cho thấy các hướng tìm kiếm bị sai lệch trong vùng hình chữ nhật (hình 3.8b) Trong khi đó, thuật toán của Wang-Hu-Han và thuật toán cải tiến đều đạt kết quả tốt hơn trong trường hợp này (hình 3.8c và 3.8d).

Hình 3.8 minh họa thuật toán đánh giá hướng với bốn phần: (a) ảnh gốc 105_4; (b) ảnh hướng sử dụng thuật toán dựa trên gradient bình thường; (c) ảnh hướng áp dụng thuật toán gradient nâng cao của Wang-Hu-Han; và (d) ảnh hướng sử dụng thuật toán gradient nâng cao đề xuất.

Đánh giá tần số vân cục bộ

Việc xác định tần số cục bộ dựa trên đặc điểm của vân tay, cụ thể là các đường vân và rãnh vân song song, tạo ra sóng dạng sin Hong-Wan-Jain đã phát triển thuật toán HWJ, sử dụng x-signature để đánh giá tần số cục bộ của đường vân Thuật toán này tìm các đỉnh của x-signature và tính khoảng cách trung bình giữa chúng, từ đó xác định tần số cục bộ dưới dạng nghịch đảo của khoảng cách trung bình Mặc dù phương pháp này đơn giản và có độ phức tạp tính toán thấp, việc tìm các đỉnh của x-signature gặp khó khăn khi có nhiễu Sau quá trình nghiên cứu, tôi đã đề xuất một phương pháp mới cũng sử dụng x-signature, nhằm giảm thiểu ảnh hưởng của nhiễu.

Để hiểu rõ hơn về nhược điểm của thuật toán đánh giá tần số cục bộ HWJ, chúng ta sẽ xem xét một ví dụ đơn giản về x-signature.

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 position x- si gn at ur e

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 position x- si gna tu re

Hình 3.9 minh họa ví dụ về x-signature, bao gồm hai dạng: (a) dạng rời rạc và (b) dạng liên tục X-signature có dạng hình sin với chu kỳ 6 và xuất hiện một điểm nhiễu tại vị trí 13 Theo thuật toán HWJ, chúng ta có thể xác định 4 đỉnh tại các vị trí 4.

Khoảng cách trung bình giữa hai đỉnh liên tiếp là 4, cho thấy chu kỳ của x-signature từ HWJ là 4, tuy nhiên không phản ánh đúng chu kỳ thực tế.

Hình 3.10: Minh họa cửa sổ K

Để cải thiện độ chính xác của tần số tìm được trong thuật toán HWJ khi có nhiễu, tôi đề xuất một thuật toán mới Thuật toán này giả định rằng f(x) có dạng hình sin và đặt f=x-signature Chúng ta sử dụng một cửa sổ K có độ rộng b, trượt trên f(x) với vị trí x0, sao cho mọi x trong khoảng [x0−b / 2, x0+b / 2] đều thuộc K Tại mỗi vị trí x0 của K, gb(x0) được định nghĩa là tổng tất cả các giá trị f(x) với x thuộc K.

Nếu f(x) có dạng hình sin và với b nhỏ hơn chu kỳ của f(x), ta có một số nhận xét về gb(x) như sau:

- Hàm gb(x) cũng có dạng sin

- Tần số của gb(x) giống tần số của hàm f(x)

- Với mọi x0, nếu gb(x ) đạt giá trị cực đại, thì f(x ) cũng đạt giá trị cực đại 0 0

- gb(x) có hình dạng trơn hơn f(x), nghĩa là gb(x) ít bị ảnh hưởng bởi nhiễu hơn so với f(x)

Với b = T/2, trong đó T là chu kỳ của hàm f(x), biên độ của gb(x) đạt giá trị cực đại Để chứng minh điều này, giả sử hàm f(x) là liên tục và f(i) = x-signature(i) Hàm f(x) có dạng: f(x) = a(sin(x) + 1) + n(x) = ω + (3.8).

Chương 3 Cải tiến và thực nghiệm a: biên độ của f(x), a 0≥ ω: tần số góc của f(x) và 2

T ω = π, trong đó T là chu kỳ của f(x) n(x): nhân tố nhiễu Khi đó tại mỗi vị trí x0, gb(x0) được tính bằng công thức sau:

Như vậy, hàm gb(x) cũng có dạng sin, có cùng tần số góc ω và cùng pha với f(x)

Do đó tần số của gb(x) giống tần số của hàm f(x), và với mọi x0, nếu gb(x0) đạt giá trị cực đại, thì f(x ) cũng đạt giá trị cực đại0

Theo phương trình (3.10), N(x) là nhân tố nhiễu của gb(x) Tại mỗi điểm x0, gb(x0) được xác định bằng cách tích lũy các giá trị f(x) trong khoảng [x0−b / 2, x0+b / 2] Các nhiễu trong vùng lân cận thường triệt tiêu lẫn nhau khi tổng hợp, do đó N(x0) trở nên nhỏ hơn so với gb(x0) Điều này có nghĩa là gb(x) có hình dạng mượt mà hơn f(x).

Ta thấy gb(x) có biên độ là A b 2asin b

= ω ω , để biên độ đạt cực đại thì sin b 1

Do b0, do vậy chỉ k=0 là thỏa mãn Ta thu được kết quả: b T

= 2, gb(x) sẽ đạt biên độ cực đại

Để tìm chu kỳ cần thiết, chúng ta chỉ cần xác định giá trị b trong khoảng [bmin, bmax] sao cho biên độ của gb(x) đạt giá trị tối đa, sau đó nhân đôi kết quả Đối với ảnh có độ phân giải 500 dpi, khoảng cách giữa các vân nằm trong khoảng từ 3 đến 25.

1998) Do vậy ta chỉ cần cho b chạy trong khoảng [1.5,12.5]

Trong thực tế, x-signature bao gồm các giá trị rời rạc, dẫn đến việc f(x) và g(x) cũng trở thành các hàm rời rạc Vì vậy, tại mỗi điểm x0, chúng ta định nghĩa lại gb(x0) với công thức gb(x0) = 0 nếu b=k.

− − + − + + ∑ nếu b=k+0.5 trong đó q=[b/2] (phần nguyên) và k N∈ *

Sở dĩ ta định nghĩa gb(x0) với hai trường hợp b=k và b=k+0.5 là để chu kỳ T tìm được có thể nhận giá trị chẵn hoặc lẻ (vì T+)

Biên độ của gb(x) được đánh giá như sau:

Gọi {pb} là tập np đỉnh và thung lũng liên tiếp nhau của gb(x), khi đó biên độ trung bình của gb(x) được tính bằng công thức sau: n p b b p i 2

Gọi posb(i) là vị trí của đỉnh pb(i) trên gb(x), nghĩa là gb(posb(i))= pb(i) Độ lệch bình phương của b được định nghĩa là: n p

Khi b = T/2 (với T là chu kỳ cần xác định), khoảng cách giữa các đỉnh trở nên đều hơn và xấp xỉ bằng b, dẫn đến Vb nhỏ Gọi Vmax là giới hạn trên của Vb, tức là chỉ xem xét những giá trị của b sao cho V ≤ Vmax Dựa trên thực nghiệm, chúng ta chọn Vmax = 3.

Trở lại ví dụ đầu, xét các trường hợp với b=2 và với b=3,b=4 (hình 3.11)

Hình 3.11: Đồ thị của g(x) trong các trường hợp b=2,3 và 4

Chương 3 Cải tiến và thực nghiệm b n p A b V b

Bảng 3.1 Nhìn bảng 3.1, ta thấy với b=3, g(x) đạt biên độ cao nhất và có độ lệch giữa các đỉnh là thấp nhất

Từ những nhận xét trên, ta có thuật toán tìm tần số như sau: Đầu vào: ảnh G, bản đồ hướng O

1 Chia ảnh G thành các khối wf x wf (11 x 11)

2 Với mỗi khối B có tâm là , ta định nghĩa một cửa sổ l x w (48 x 16) có hướng, cũng có tâm là , được đặt sao cho hướng chiều rộng trùng với hướng của đường vân tại vùng lân cận của (xoay hệ tọa độ sao cho trục y trùng với hướng vân cục bộ)

3 Với mỗi khối B có tâm là (x i ,y j ), tính x-signature={X0,X1,…,Xl-1}, là tổng các cấp xám được tích lũy theo trục x trong cửa sổ Cụ thể ta có: w 1 k d 0 i i j j i j

4 Với mỗi x-signature, ta tính chu kỳ theo thuật toán sau:

Chương 3 Cải tiến và thực nghiệm b r =0 // lưu giá trị tốt nhất của b b=b min

A max =0 while b≤b max { Tính g b (x) theo b Tìm {p b } theo g b

Tính A b và V b if A max 0 f B =1/(2b r ) else f B =0 // không phải vùng vân, hoặc là vùng không thể khôi phục Đầu ra: Bản đồ tần số F của ảnh vân tay G, tại mỗi điểm (i,j) ta có F(i,j)=fij

Bản đồ tần số F được mô tả trong Hình 3.12, với ảnh đầu vào (a) và kết quả từ thuật toán tìm tần số cục bộ HWJ ở hình (b) Thuật toán đề xuất cho kết quả ở hình (c) Các lỗ hổng màu đen trên bản đồ tần số chỉ ra những vị trí mà thuật toán không xác định được tần số So với bản đồ tần số (b), bản đồ tần số (c) cho thấy ít tần số lỗi hơn và có độ trơn mượt cao hơn, với độ lệch giữa các tần số thấp hơn.

Hình 3.12 minh họa thuật toán đánh giá tần số với ba phần: (a) ảnh gốc từ DB2_B/107_3, (b) bản đồ tần số sử dụng phương pháp của HWJ, và (c) bản đồ tần số áp dụng phương pháp cải tiến.

Sửa tần số lỗi

Tần số vân cục bộ có thể biến đổi chậm trong một khu vực nhỏ của vân tay, và sau khi đánh giá, tần số này có thể không chính xác do nhiễu từ một số vùng, dẫn đến sự thay đổi đột ngột so với các vùng lân cận Để khắc phục tình trạng này, cần thực hiện bước làm "trơn" bản đồ tần số bằng một thuật toán phù hợp.

Thuật toán đề xuất Đầu vào: Bản đồ tần số F

1 Khi đánh giá tần số vân cục bộ, ảnh vân tay được chia thành các khối có kích thước wf x wf (11 x 11), và các giá trị tần số trong mỗi khối là như nhau Gọi

Bf(u,v) là giá trị tần số của khối B có tâm là (i,j), trong đó u=i/wf, v=j/wf

2 Với mỗi Bf(u,v), giá trị tần số mới Bfnew(u,v) được tính lại như sau: s=0 c=0 for (k=u-1; k u+1; k=k+1) ≤ for (l=v-1; l v+1; l=l+1) ≤ if B f (k,l)>0 { s=s+ B B f (k,l) c=c+1

} if c>c min // c min là ngưỡng tối thiểu của c, trong thực nghiệm c min =4

3 Gán lại Bf=Bfnew Đầu ra: Bản đồ tần số F đã được sửa lỗi

Hình 3.13a là bản đồ tần số gốc, và hình 3.13b là bản đồ tần số sau khi sửa

(a) (b) Hình 3.13: Minh họa thuật toán sửa tần số; (a) bản đồ tần số; (b) bản đồ tần số sau khi sửa

Đánh giá vùng bất thường

Vùng bất thường được xác định là những khu vực có thuộc tính hướng hoặc tần số không ổn định, bao gồm các vùng delta, nơi có các đường vân bị uốn cong đột ngột, và những khu vực có nhiều nhiễu.

Trong quá trình thực nghiệm, chúng tôi nhận thấy rằng thuật toán nâng cao không hiệu quả khi áp dụng trên các vùng bất thường do độ tin cậy của hướng và tần số cục bộ thấp Việc sử dụng bộ lọc Gabor để nâng cao ảnh càng gặp khó khăn hơn vì hướng và tần số là hai thuộc tính quan trọng Nếu không xác định chính xác hướng và tần số, bộ lọc Gabor có thể tạo ra những đường vân ảo, làm mất thông tin của ảnh gốc Do đó, cần có phương pháp xác định các vùng bất thường để nâng cao hiệu quả xử lý cho các vùng này.

Các hướng vân cục bộ tại các vùng bất thường thường không ổn định, dẫn đến độ tin cậy của coherence trong những khu vực này rất thấp Để xác định các vùng bất thường, chúng ta sẽ tính toán coherence cho từng khu vực, và những vùng có coherence thấp sẽ được xác định là vùng bất thường.

Thuật toán đề xuất Đầu vào: ảnh G

1 Chia ảnh thành các khối w x w (16 x 16)

2 Với mỗi khối B có tâm (i,j), xét cửa sổ U có kích thước wU x wU (48 x 48) và cũng có tâm là (i,j) Tính độ tin cậy cohU của U (tương tự như tính coherence trong phần đánh giá hướng cục bộ) Nếu cohU rất nhỏ thì U là vùng bất thường Dựa trên thực nghiệm, ta chọn ngưỡng trên của cohU là 0.2 Đầu ra: các vùng bất thường

Hình 3.14a là ảnh gốc, kết quả tìm được hai vùng bất thường được khoanh bởi các ô vuông (hình 3.14b) vùng bất thường

Hình 3.14: Minh họa thuật toán tìm vùng bất thường; (a) ảnh gốc DB4_B/107_2; (b) hai vùng bất thường tìm được.

Phân vùng

Trong chương này, chúng ta phân loại các vùng trong ảnh vân tay thành hai loại: vùng có thể khôi phục và vùng không thể khôi phục, dựa trên hình dạng của các sóng do đường vân và rãnh vân tạo ra Để thực hiện điều này, chúng ta sử dụng bản đồ tần số F để phân vùng ảnh Cụ thể, tại mỗi điểm (i,j), nếu F(i,j) lớn hơn 0, điểm đó thuộc vùng vân tay có thể khôi phục; ngược lại, nếu F(i,j) bằng 0, điểm đó thuộc vùng nền hoặc vùng vân không thể khôi phục.

Gọi R là bản đồ vùng của ảnh vân tay G Tại mỗi điểm (i,j):

R(i,j) = 0 nếu điểm (i,j) thuộc vùng không thể khôi phục;

1 nếu điểm (i,j) thuộc vùng có thể khôi phục;

2 nếu điểm (i,j) thuộc vùng bất thường

Nâng cao ảnh

Ta sử dụng bộ lọc Gabor để nâng cao chất lượng của ảnh vân tay Với mỗi hướng là và tần số f, bộ lọc Gabor h được tính như sau: θ

⎪ ⎪ θ δ δ = ⎨⎪⎩− ⎢⎢⎣δ +δ ⎥⎥⎦⎬⎪⎭ π với x cos sin x y sin cos θ θ θ θ

Bộ lọc Gabor có khả năng khử nhiễu hiệu quả nhờ vào thuộc tính hướng và tần số, giúp làm nổi bật thông tin của các đường vân và rãnh vân khi các tham số được lựa chọn phù hợp Tuy nhiên, trong các vùng bất thường với hướng và tần số vân cục bộ không ổn định, bộ lọc Gabor có thể tạo ra thông tin không chính xác Để khắc phục điều này, cần điều chỉnh các tham số của bộ lọc nhằm giảm thiểu sai lệch thông tin Bộ lọc Gabor có hai tham số chính là δx và δy; khi các tham số này lớn, khả năng khử nhiễu mạnh nhưng có thể bỏ sót chi tiết vân, trong khi nếu chúng nhỏ, khả năng khử nhiễu giảm nhưng bảo toàn chi tiết vân tốt hơn.

Dựa trên kinh nghiệm của Hong, Wan và Jain (1998), họ đã chọn tham số δ = x^4 và nhận thấy rằng các tham số này hoạt động hiệu quả trong vùng vân ổn định Đối với các vùng bất thường, qua nhận xét và thực nghiệm, họ đã điều chỉnh tham số thành y^4 δ x^3 δ = và δ = y^2 Đầu vào cho quá trình này bao gồm ảnh G, bản đồ vùng R, bản đồ hướng O và bản đồ tần số F, giúp cải thiện chất lượng ảnh.

E thu được bằng cách sau:

E(xi,yj) = 255 nếu R(xi,yj) = 0, g g g g w / 2 w / 2 u =− w / 2 v =− w / 2h(u, v : O(i, j), F(i, j), 4, 4)G(i u, j v)− −

Hình 3.15: Minh họa thuật toán nâng cao; (a) ảnh gốc DB1_B/101_3; (b) ảnh sau khi nâng cao và nhị phân hóa.

Đánh giá thực nghiệm

Để đánh giá hiệu quả của các thuật toán đề xuất trong giai đoạn nâng cao ảnh, chúng tôi sử dụng cơ sở dữ liệu ảnh vân tay FVC2002, được cung cấp bởi 11 tổ chức với nhiều mẫu ảnh quét từ các loại cảm biến khác nhau Cơ sở dữ liệu này thường được sử dụng trong nhiều nghiên cứu về nhận dạng vân tay để kiểm tra và so sánh hiệu suất của các thuật toán Các ảnh vân tay được chọn có chứa nhiều loại nhiễu khác nhau, như nếp gấp, vết nhòe, và độ ẩm của vân tay Các thuật toán đề xuất sẽ được thử nghiệm trên những ảnh này và so sánh với các thuật toán phổ biến khác.

Trong nghiên cứu này, chúng tôi tập trung vào các thuật toán nâng cao ảnh vân tay, bao gồm đánh giá hướng vân cục bộ, tần số vân cục bộ và sử dụng bộ lọc Gabor Để đánh giá hiệu quả của các kỹ thuật này, việc xác định tỉ lệ trích chọn minutiae đúng là rất quan trọng Tuy nhiên, luận văn này không thực nghiệm giai đoạn trích chọn minutiae Hiện tại, chưa có tiêu chuẩn rõ ràng để đánh giá hướng và tần số vân cục bộ của vân tay (Ratha, 1995; Zhou, 2004), do đó, chúng tôi sẽ dựa vào quan sát các kết quả thực nghiệm để đánh giá các thuật toán cải tiến.

3.11.1 Đánh giá thuật toán tìm hướng vân cục bộ

Bài viết này sẽ so sánh kết quả của ba thuật toán tìm hướng dựa trên gradient thông qua việc thực hiện trên ba loại ảnh vân tay khác nhau: ảnh với nhiều nếp gấp, ảnh vân tay bị ẩm, và ảnh vân tay khô kém chất lượng Mỗi hình ảnh được trình bày với bốn phần: (a) ảnh gốc, (b) ảnh hướng sử dụng thuật toán gradient thông thường, (c) ảnh hướng sử dụng thuật toán của Wang, Hu, và Han (2007), và (d) ảnh hướng sử dụng thuật toán cải tiến.

(c) (d) Hình 3.16: Đánh giá thuật toán tìm hướng vân trên ảnh có nhiều nếp gấp (DB1_B/105_6)

(c) (d) Hình 3.17: Đánh giá thuật toán tìm hướng vân trên ảnh có vân tay ẩm (DB3_B/103_5)

(c) (d) Hình 3.18: Đánh giá thuật toán tìm hướng vân trên ảnh có vân tay khô (DB4_B/108_2)

Thuật toán cải tiến mang lại kết quả ổn định và vượt trội hơn so với thuật toán tìm hướng dựa trên gradient thông thường, đồng thời cũng nhỉnh hơn một chút so với thuật toán tìm hướng của Wang, Hu và Han.

3.11.2 Đánh giá thuật toán tìm tần số vân cục bộ Để đánh giá thuật toán tìm tần số vân cục bộ, ta so sánh kết quả giữa thuật toán của Hong, Wan, Jain (1998) và thuật toán cải tiến Kết quả được đánh giá trên nhiều loại ảnh vân tay khác nhau Dưới đây là minh họa kết quả đánh giá trên hai loại ảnh: ảnh trong hình 3.19 có nhiều nếp gấp (sử dụng ảnh gốc DB1_B/105_6 ở hình 3.16a), hình 3.20 là ảnh của vân tay bị ẩm (sử dụng ảnh gốc DB3_B/103_5 ở hình 3.17a) Trong mỗi hình, (a) là ảnh tần số dùng thuật toán của Hong, Wan, Jain (1998), (b) là ảnh tần số dùng thuật toán cải tiến Trong hai ví dụ này, ta đều thấy ảnh tần số của thuật toán cải tiến trơn hơn so với ảnh tần số của thuật toán Hong, Wan, Jain (1998) Đối với hình 3.20, ta nhận thấy tần số vân cục bộ ở vùng giữa của ảnh tần số 3.20a rất không ổn định và không tin cậy Đó là do ảnh vân tay gốc có các đường vân nằm quá sít nhau, thậm trí không phân biệt được ranh rới giữa chúng Trong khi đó, ảnh tần số được đánh giá bởi thuật toán cải tiến (hình 3.20b) có vùng giữa với tần số được đánh giấu là lỗi (các ô đen), chứng tỏ thuật toán cải tiến có độ tin cậy cao hơn

(a) (b) Hình 3.19: Đánh giá thuật toán tìm tần số vân trên ảnh có nhiều nếp gấp (DB1_B/105_6)

(a) (b) Hình 3.20: Đánh giá thuật toán tìm hướng vân trên ảnh có vân tay ẩm (DB3_B/103_5)

3.11.3 Đánh giá thuật toán nâng cao ảnh

Thuật toán nâng cao được áp dụng trên ba loại ảnh: ảnh có nếp gấp, ảnh vân tay ẩm và ảnh vân tay khô Mỗi loại ảnh bao gồm ảnh gốc, ảnh nâng cao bằng bộ lọc Gabor và ảnh nâng cao sau nhị phân hóa Kết quả cho thấy các đường vân trong ảnh nâng cao trở nên rõ nét và mượt mà hơn, với các nét đứt được nối lại Tuy nhiên, bộ lọc Gabor vẫn gặp khó khăn tại một số vùng nhiễu, đặc biệt khi các đường vân quá sít nhau hoặc khi hướng và tần số vân cục bộ biến đổi đột ngột Ảnh hưởng của việc đánh giá vùng bất thường cũng được thể hiện rõ trong các hình ảnh minh họa.

(a) (b) (c) Hình 3.21: Đánh giá thuật toán nâng cao trên ảnh có nếp gấp (DB2_B/103_2)

(a) (b) (c)Hình 3.22: Đánh giá thuật toán nâng cao trên ảnh có vân tay ẩm (DB1_B/103_5)

(a) (b) (c) Hình 3.23: Đánh giá thuật toán nâng cao trên ảnh có vân tay khô (DB1_B/101_4)

Hình 3.24 minh họa hiệu quả của việc đánh giá vùng bất thường trong ảnh Cụ thể, (a) là ảnh gốc DB1_B/102_7, (b) là ảnh nâng cao không có đánh giá vùng bất thường, và (c) là ảnh nâng cao có đánh giá vùng bất thường Việc áp dụng đánh giá này giúp cải thiện chất lượng hình ảnh một cách rõ rệt.

3.11.4 Đánh giá thời gian của các thuật toán

Thực nghiệm chạy trên máy có cấu hình CPU 1.6 Ghz, RAM 512 Mb Với ảnh

350 x 350, thời gian trung bình của các thuật toán như sau:

Thuật toán Thời gian (s) Đánh giá hướng 0.43 Đánh giá tần số 0.21 Nâng cao ảnh 1.47

Một số thuật toán cải tiến trong nâng cao chất lượng ảnh vân tay

Định dạng
Số trang	84
Dung lượng	4,64 MB