báo cáo giữa kỳ nhập môn bảo mật thông tin hệ thống nhận dạng sinh học xác thực khuôn mặt cho chúng ta

TÓM TẮT Hệ thống nhận dạng sinh trắc học xác thực khuôn mặt là công nghệ sử dụng các đặcđiểm khuôn mặt để xác định danh tính của một người.. Thuật ngữ sinh trắc học Biometric được dùng g

Hệ thống sinh trắc học xác định và xác minh danh tính cá nhân dựa trên đặc điểm sinh học riêng biệt Phân chia thành hai loại chính: thẩm định (Verification) xác minh danh tính của người được biết, còn nhận dạng (Identification) xác định danh tính của người chưa biết.

Hệ thống xác thực sinh trắc đảm nhiệm việc đối chiếu trực tiếp mẫu sinh trắc học thu được với mẫu sinh trắc học đã lưu trữ trong hệ thống Nhiệm vụ chính là xác định tính liên quan giữa mẫu sinh trắc học mới và mẫu trong hệ thống Quá trình xác thực thường kết hợp với thông tin định danh để nâng cao độ chính xác khi trả lời câu hỏi: "Mẫu sinh trắc học thu được có phải là của chủ thể đã lưu trong hệ thống hay không?".

Hệ nhận dạng (Identification, Recognition) là hệ thống thực hiện chức năng tìm kiếm (1-n) từ một cơ sở dữ liệu lưu trữ một tập các mẫu sinh trắc học để tìm ra một mẫu sinh trắc cụ thể trong các mẫu khuôn dạng sinh trắc thu thập từ trước và sau đó thực hiện đối sánh xấp xỉ để nhận dạng phân lớp (Classification) hoặc nhận dạng đồng nhất (Identification), ví dụ như việc tìm mẫu vân tay tội phạm trong hồ sơ các vân tay,từ đó xác định danh tính của chủ sở hữu vân tay.

- Thu nhận (Sensor, Capture): là thành phần có chức năng thu nhận mẫu sinh trắc học và biểu diễn chúng dưới dạng số hóa

Xử lý và trích chọn đặc trưng (Feature Extraction) là một thành phần chức năng thực hiện các phép phân tích và trích xuất các đặc điểm riêng biệt từ mẫu sinh trắc học.

- Đối sánh (Matching): là thành phần chức năng thực hiện so sánh các đặc trưng vừa trích chọn với khuôn mẫu sinh trắc đã có trước

Quyết định là thành phần khẳng định danh tính người dùng thông qua đối sánh mẫu sinh trắc học với khuôn mẫu có sẵn Nếu đối sánh thành công, hệ thống sẽ đưa ra câu trả lời đúng; ngược lại, nếu không khớp, hệ thống sẽ trả về câu trả lời sai Quá trình đối sánh này đảm bảo tính chính xác trong việc nhận dạng và thẩm định danh tính người dùng.

Hoạt động của một hệ thống sinh trắc bao gồm 2 giai đoạn cơ bản sau đây:

- Đăng ký (Enrollment): là giai đoạn đăng ký mẫu sinh trắc vào hệ thống.

- Thẩm định hoặc nhận dạng (Verification/ Identification): là giai đoạn thẩm định, nhận dạng mẫu sinh trắc vừa trích chọn với khuôn mẫu sinh trắc đã có trước.

Một hệ sinh trắc học khi hoạt động thường gặp hai vấn đề về lỗi sau đây:

Lỗi loại bỏ sai (false reject) xảy ra khi kết quả so sánh mẫu sinh trắc của hai cá thể khác nhau lại cho thấy chúng giống nhau Đây là một loại lỗi nghiêm trọng trong quá trình xác thực sinh trắc học, có thể dẫn đến hậu quả xác định sai danh tính và gây ra các vấn đề về bảo mật.

Lỗi chấp nhận sai xảy ra khi hệ thống sinh trắc định sai mẫu sinh trắc của cùng một cá nhân là của hai người khác nhau Để đánh giá độ tin cậy của hệ thống, người ta sử dụng các biện pháp định lượng sau:

False Match Rate (FMR), also known as False Accept Ratio (FAR), is a metric that indicates the proportion of correct responses given to incorrect input data In other words, it measures the probability that a system will accept an invalid input as valid FMR is a key factor in evaluating the performance of biometrics systems, as it determines the accuracy of the system in distinguishing between genuine and fraudulent attempts.

False Nonmatch Rate (FNMR), also known as False Rejection Ratio (FRR), measures the proportion of true inputs that are incorrectly rejected as non-matching This metric quantifies the system's ability to accurately identify genuine matches, providing insights into the effectiveness of biometric identification systems.

Một vấn đề là hai độ đo lường này có sự ràng buộc với nhau như sau: nếu FAR cao thì FRR sẽ giảm tương đối và ngược lại Mức độ chấp nhận được của FAR và FRR tùy thuộc vào từng hệ xác thực sinh trắc cụ thể Với hệ yêu cầu tính bảo mật cao, và đặt nặng vấn đề an toàn của xác thực hơn sự tiện dụng của người dùng, thì FAR sẽ nhỏ và FRR sẽ cao Ngoài hai độ đo trên, người ta còn sử dụng độ đo FTC (Failure To Capture - thu nhận mẫu thất bại) và FTE (Failure to Enroll - chấp nhận mẫu thất bại) để đánh giá hiệu năng của hệ xác thực sinh trắc học

Hình 1.4: Các giá trị ngưỡng của FAR và FRR

Hệ thống an ninh sinh trắc học sử dụng thông tin sinh học của cá nhân để xác định và xác minh danh tính, qua đó kiểm soát quyền ra vào các khu vực, thiết bị hoặc dịch vụ cụ thể Các ứng dụng của hệ thống sinh trắc học bao gồm:

- Kiểm soát truy cập vật lý: Hệ thống an ninh có thể sử dụng cảm biến vân tay hoặc máy quét mống mắt để xác minh danh tính của người dùng trước khi họ được phép vào các khu vực như tòa nhà văn phòng, kho lưu trữ quan trọng, hoặc phòng máy chủ.

Thay thế mật khẩu bằng sinh trắc học trong quá trình đăng nhập máy tính đảm bảo tính bảo mật cao hơn, chống lại các hành vi xâm nhập trái phép hoặc mạo danh mật khẩu.

Trong lĩnh vực tài chính, các giao dịch trực tuyến quan trọng, chẳng hạn như chuyển khoản hoặc mua sắm trực tuyến, thường được xác minh thông qua các hệ thống bảo mật Những hệ thống này có thể sử dụng các công nghệ như nhận diện khuôn mặt hoặc vân tay để xác minh danh tính của người dùng, đảm bảo an toàn và đáng tin cậy cho các giao dịch tài chính của họ.

Hệ thống bảo mật sử dụng sinh trắc học để quản lý quyền truy cập vào dữ liệu nhạy cảm, như tài liệu bí mật, thông tin khách hàng hay dữ liệu nội bộ trong các tổ chức và doanh nghiệp, giúp kiểm soát chặt chẽ việc tiếp cận thông tin này.

Trong môi trường di động, hệ thống bảo mật uỷ quyền truy cập vào thiết bị theo cơ chế nhận diện khuôn mặt hoặc vân tay để mở khóa điện thoại di động hoặc máy tính bảng, đảm bảo kiểm soát an toàn trước khi tiếp cận các ứng dụng hoặc dịch vụ.

Hệ thống bảo mật dựa trên sinh trắc học cung cấp biện pháp xác thực danh tính người dùng an toàn và hiệu quả, giảm thiểu nguy cơ từ các phương thức xác thực truyền thống như mật khẩu.

Đã có nhiều nỗ lực nghiên cứu để xác định khuôn mặt người, từ hình ảnh xám đến hình ảnh màu ngày nay Các phương pháp xác định khuôn mặt được chia thành bốn hướng tiếp cận chính dựa trên đặc điểm của chúng:

- Hướng tiếp cận dựa trên tri thức: Thực hiện mã hóa các hiểu biết của con ng ời về các loại khuôn mặt người thành các luật Thông thường là các luật mô tảƣ quan hệ của các đặc trưng trên khuôn mặt

Tiếp cận nhận dạng khuôn mặt dựa trên đặc trưng không thay đổi tập trung vào việc tìm ra các đặc điểm vật lý ổn định mô tả cấu trúc mặt người, không bị ảnh hưởng bởi các yếu tố biến đổi như tư thế đầu, vị trí camera hoặc điều kiện ánh sáng.

Tiếp cận đối chiếu mẫu nhằm sử dụng các mẫu đặc trưng sinh trắc chuẩn đã chọn của khuôn mặt người để mô tả khuôn mặt Các mẫu này được chọn lựa và lưu trữ sao cho tách biệt nhau theo tiêu chuẩn so sánh do tác giả định ra Từ đó, mối tương quan giữa dữ liệu ảnh cung cấp và các mẫu mặt chuẩn được thiết lập, giúp xác định khuôn mặt người.

Phương pháp tiếp cận dựa trên diện mạo trái ngược hoàn toàn với phương pháp so khuôn mẫu Các mô hình (hay các mẫu) được học từ một tập ảnh huấn luyện trước đó Sau đó, hệ thống (mô hình) sẽ xác định khuôn mặt người Một số tác giả còn gọi phương pháp tiếp cận này là phương pháp tiếp cận theo phương pháp học.

Việc xác định khuôn mặt người có những khó khăn nhất định như sau:

Hướng của khuôn mặt trên ảnh, như nhìn thẳng, nhìn chéo hay nhìn từ trên xuống, có thể khác nhau trong một bức ảnh, tạo nên sự đa dạng trong bố cục.

- Sự có mặt của các chi tiết không phải là đặc trưng riêng của khuôn mặt người, như: râu quai nón, mắt kính

- Các nét mặt (facial expression) khác nhau trên khuôn mặt, như: vui, buồn, ngạc nhiên

- Mặt người bị che khuất bởi các đối tượng khác có trong ảnh

- Điều kiện ảnh, đặc biệt là về độ sáng và chất lượng ảnh, chất lượng thiết bị thu hình

- Trục toạ độ của máy ảnh so với ảnh

- Kích thước khác nhau của các khuôn mặt người, và đặc biệt là trong cùng một ảnh

- Màu sắc của môi trường xung quanh, hay màu sắc quần áo của người được chụp lấy ảnh

- Xuất hiện thành phần khuôn mặt hay không

- Nhiều khuôn mặt có vùng da dính lẫn nhau

Những khó khăn kể trên cho thấy bất kỳ phương pháp (thuật toán) nào để giải quyết bài toán nhận dạng khuôn mặt người cũng không thể tránh khỏi một số hạn chế nhất định Để đánh giá và so sánh các phương pháp nhận dạng khuôn mặt người, các tiêu chí thường được sử dụng bao gồm:

Tỷ lệ xác định chính xác đo lường hiệu quả của một phương pháp xây dựng khuôn mặt người từ hệ thống bằng cách so sánh số lượng khuôn mặt người được xác định đúng với tổng số khuôn mặt người có trong các ảnh mẫu.

- Số lượng xác định nhầm là số lượng vùng trong ảnh không phải là khuôn mặt người mà hệ thống xác định nhầm là khuôn mặt người (false positives)

- Thời gian thực hiện là thời gian để máy tính xác định khuôn mặt người trong ảnh (running time).

Trích rút đặc trưng là kỹ thuật sử dụng các thuật toán để lấy ra những thông tin mang những đặc điểm riêng biệt của một người

Các khâu trong quá trình trích chọn đặc trưng:

- Đầu vào: Ảnh đã được chuẩn hóa

- Đầu ra: vector đặc trưng của ảnh đầu vào.

Hình 2.1: Sơ đồ khối trích chọn đặc trưng sử dụng Eigenfaces

Eigenfaces là phương pháp nhận dạng khuôn mặt sử dụng phân tích thành phần chính (PCA) để biểu diễn khuôn mặt như tập hợp các khuôn mặt riêng - thành phần chính của dữ liệu ảnh khuôn mặt Thuật toán trích xuất eigenfaces từ tập huấn luyện gồm nhiều ảnh khuôn mặt đại diện Để đạt được hiệu quả cao nhất, kích thước, hướng và cường độ ánh sáng của ảnh khuôn mặt nên được chuẩn hóa.

Hình 2.2: Tập hình ảnh được sử dụng để huấn luyện - Chuẩn hóa ma trận ảnh

Chuẩn hóa vector là khâu đầu tiên cần thực hiện khi sử dụng thuật toán PCA.

Sự phân bố của một vector trong không gian được thể hiện qua trung bình (mean) và chuẩn (standard) của vector đó

Cho vector X = {x1, x2, …, xN}, trung bình và chuẩn X được tính như sau:

Theo từ một ảnh ban dầu, ta có trung bình và chuẩn std (  ) của Phép chuẩn hóa ma trận ảnh được thực hiện theo công thức sau:

Hình 2.3: (a) Ảnh đầu vào, (b) ảnh sau khi chuẩn hóa - Tính trung bình tập ảnh đầu vào

Bước xác định gốc tọa độ không gian vector biểu diễn các ảnh Ảnh trung bình được tính là trung bình cộng của các ảnh Ảnh này thể hiện nét tương đồng nhất giữa các khuôn mặt.

Gọi số ảnh học là M, mỗi ảnh có kích thước RxC.

Trung bình ảnh M trên được tính theo công thức:

Hình 2.4: Trung bình ảnh của tập dữ liệu ảnh Theo lý thuyết, eigenface chính là các vector riêng tương ứng với các giá trị riêng v có giá trị lớn nhất của ma trận hiệp phương sai - covariance: Để tính nhanh các eigenface này, người ta chuyển sang tính toán với ma trận L = A A Ma trận C có kích thước N^2 xN^2 , vấn  đề tìm vector riêng ui của ma trận C khó thực hiện vì kích thước quá lớn Để tìm vector riêng ui của C ta thực hiện như sau:

+ Giả sử vi là vector riêng của ATA, tức là:

Nhân 2 vế với ma trận A ta được

Vậy Avi là vector riêng của C Bây giờ ta cần tim vector riêng vi của ma trận L = A^TA, ma trận L có kích thước MxM Giả sử vi là vector riêng tìm được của L Lúc đó, vector riêng ui của ma trận C cần tìm là:

Hình 2.5: Ảnh eigenfaces tìm được Ưu điểm

Thuật toán PCA nổi bật với sự đơn giản và dễ cài đặt, cho phép bạn triển khai nhanh chóng vào hệ thống của mình Ngoài ra, thuật toán này còn được đánh giá cao về hiệu suất lưu trữ và xử lý Một trong những ưu điểm chính của PCA là khả năng giảm đáng kể kích thước của một bức ảnh chỉ trong thời gian ngắn Điều này giúp tiết kiệm đáng kể không gian lưu trữ và thời gian truyền tải, đồng thời vẫn đảm bảo chất lượng hình ảnh chấp nhận được.

- Tính chính xác trên 90% với khuôn mặt phía trước

- Nhạy cảm với điều kiện ánh sáng và vị trí chụp - Có mối tương quan cao giữa dữ liệu training và dữ liệu nhận dạng

Tìm eigenvectors và eigenvalues tốn nhiều thời gian trên PPC, vì kích thước và vị trí của mỗi ảnh khuôn mặt phải được giữ nguyên Do đó, PCA (Eigenface) tiếp cận các đặc trưng bản đồ không gian con theo nguyên tắc chứa phần lớn năng lượng.

Fisherfaces là phiên bản cải tiến của Eigenfaces do Belhumeur, Hespanha và Kriegman đề xuất năm 1997, tập trung tối ưu hóa khả năng phân biệt các lớp trong nhận dạng khuôn mặt Tương tự Eigenfaces, Fisherfaces bắt đầu bằng cách chuyển đổi từng mảng hình ảnh thành vector một chiều để tạo ma trận dữ liệu.

Thuật toán - Cho X là một véc tơ ngẫu nhiên với các mẫu được rút ra từ các lớp c:

X = {X1, X2, …, Xc} trong đó Xi = {x1, x2, …, xn}

- Các ma trận phân tán SB và SW đƣợc tính như sau: trong đó là tổng bình quân:

Và i là bình quân của lớp i {1, …, c}: 

Thuật toán cổ điển Fisher hiện nay sẽ cho một phép chiếu W, nhằm tối đa hóa các tiêu chí phân chia lớp:

Một giải pháp cho vấn đề tối ƣu hóa này được đưa ra bằng cách giải quyết các vấn đề giá trị riêng:

Fisherface tương tự như Eigenface nhưng với những cải tiến trong phân loại tốt hơn về hình ảnh các lớp khác nhau Có Fisher’s

Sử dụng Phân biệt tuyến tính Fisher (FLD), chúng ta có thể phân loại dữ liệu huấn luyện thành các đối tượng khác nhau dựa trên biểu hiện trên khuôn mặt khác nhau Phương pháp này cung cấp độ chính xác cao hơn trong phân loại biểu hiện trên khuôn mặt so với phương pháp tiếp cận Eigenface Ngoài ra, FLD loại bỏ ba thành phần chính ban đầu chịu trách nhiệm cho những thay đổi về cường độ ánh sáng, giúp nó không bị thay đổi bởi các biến đổi về cường độ ánh sáng.

Fisherface phức tạp hơn Eigenface trong việc tìm kiếm các dự báo về không gian mặt Tính tỷ lệ giữa các lớp phân tán đến phân tán trong lớp đòi hỏi rất nhiều thời gian xử lý Bên cạnh đó, do nhu cầu của phân loại tốt hơn, kích thước của chiếu trong không gian khuôn mặt là không nhỏ gọn như Eigenface, kết quả trong lưu trữ khuôn mặt lớn hơn và nhiều thời gian xử lý hơn trong nhận dạng

Phân biệt tuyến tính Fisher (FLD, Fisherface) tiếp cận bản đồ các đặc trưng không gian con hai lớp riêng biệt nhất.

Hình 2.6: So sánh PCA và FLD trong bài toán hai lớp, nơi dữ liệu cho mỗi lớp nằm gần một không gian con tuyến tính Ưu điểm

- FLD đạt đ ợc sự phân bố giữa các lớp tốt hơn PCA ƣ - Sử dụng ít bộ nhớ

- Chính xác hơn phương pháp tiếp cận eigenface

2.3.3 Biểu đồ Local Binary Pattern

Biểu đồ LBP là một phương thức mạnh mẽ và đơn giản giúp mô tả những cấu trúc khu vực trong hình ảnh số Phương thức này đã được sử dụng rộng rãi trong việc phát hiện đối tượng, nhận diện khuôn mặt và nhận dạng vật liệu.

Quá trình xây dựng biểu đồ LBP (Local Binary Patterns) bao gồm việc sử dụng một cửa sổ trượt để duyệt qua từng điểm ảnh trên ảnh Tại mỗi điểm ảnh, cửa sổ sẽ xem xét các điểm xung quanh và so sánh giá trị của chúng với giá trị của điểm ảnh đang xét Kết quả thu được là một chuỗi nhị phân (0 hoặc 1), phản ánh mô hình của các giá trị được so sánh này.

Chuỗi nhị phân được chuyển đổi thành số nguyên không dấu, thường là hệ cơ số 10 hoặc 16 Số này được xem là biểu đồ LBP tại vị trí tương ứng.

Mô tả tính năng: Biểu đồ LBP tại mỗi điểm ảnh là một đại diện cho các cấu trúc cục bộ trong vùng lân cận của điểm ảnh đó Bằng cách tính toán LBP cho tất cả các điểm ảnh trên ảnh, ta có thể thu được một biểu đồ LBP hoàn chỉnh, mô tả toàn bộ ảnh. Ứng dụng:

Biểu đồ Biến đổi Mô hình Địa phương (LBP) được ứng dụng phổ biến trong lĩnh vực nhận diện khuôn mặt Cấu trúc cục bộ của khuôn mặt có thể được mô tả bằng biểu đồ LBP, từ đó giúp phát hiện và nhận diện các đặc điểm trên khuôn mặt một cách hiệu quả.

Phân loại ảnh: Biểu đồ LBP cũng có thể được sử dụng để phân loại các loại ảnh, như phân loại vật liệu hoặc phân loại đối tượng.

Phát hiện đối tượng: Trong nhận dạng đối tượng, biểu đồ LBP có thể được sử dụng để phát hiện các đối tượng trong các bức ảnh.

Biểu đồ Local Binary Pattern là phương pháp mô tả cấu trúc cục bộ hiệu quả trong hình ảnh số Đặc điểm này rất hữu ích cho các ứng dụng nhận diện và phân loại hình ảnh.

Một chương trình bảo vệ mẫu sinh trắc học lý tưởng nên có bốn thuộc tính sau:

- Đa dạng: Các mẫu sinh trắc an toàn không cho phép đối sánh chéo mẫu trên cơ sở dữ liệu, do đó đảm bảo của người sử dụng riêng tư

Hủy bỏ mẫu là chức năng cho phép dễ dàng thu hồi mẫu bị hư hỏng Sau đó, dựa trên cùng dữ liệu sinh trắc, có thể tái tạo lại mẫu mới, đảm bảo tính nhất quán và chính xác trong quá trình sinh trắc học.

Tính năng bảo mật là một phương pháp tính toán phức tạp, được thiết kế để tổng hợp dữ liệu sinh trắc học ban đầu từ một mẫu an toàn Thuộc tính này đảm bảo rằng các đặc điểm sinh trắc học không thể bị làm giả vật lý dựa trên một mẫu bị đánh cắp.

- Hiệu suất: Các chương trình bảo vệ mẫu sinh trắc học không nên làm giảm hiệu suất công nhận (FAR và FRR) của hệ thống sinh trắc học.

Hình 3.1 Phân loại các phương pháp bảo mật mẫu sinh trắc

Hình 3.2 Cơ chế xác thực với mẫu sinh trắc học được bảo vệ bằng cách sử dụng phương pháp chuyển đổi đặc trưng(Feature transformation)

Salting hay Biohashing là phương pháp bảo vệ mẫu bằng cách chuyển đổi đặc điểm sinh trắc học sử dụng hàm được xác định bởi khóa hay mật khẩu cụ thể của người dùng Do chuyển đổi có thể đảo ngược ở mức độ lớn, khóa cần được lưu trữ an toàn hoặc ghi nhớ và nhập trong quá trình xác thực Điều này yêu cầu thêm thông tin vào quá trình tạo khóa, tăng entropy của mẫu sinh trắc học giúp đối thủ khó đoán hơn (Entropy của mẫu sinh trắc học là phép đo số lượng nhận dạng riêng biệt mà hệ thống sinh trắc học có thể phân biệt được.)

Với khả năng tạo khóa do người dùng quy định, nhiều mẫu sinh trắc học tương tự có thể được tạo ra bằng cách sử dụng các khóa khác nhau, đảm bảo tính đa dạng Trong trường hợp một mẫu bị hư hỏng, có thể dễ dàng thu hồi mẫu hỏng và thay thế bằng mẫu mới được tạo bằng một khóa do người dùng quy định khác, cho phép dễ dàng thu hồi.

Nếu khóa mẫu bị hư hại sẽ làm mẫu chuyển đổi không còn an toàn Bởi vì quá trình chuyển đổi này có thể đảo ngược, do đó nếu kẻ tấn công có quyền truy cập vào khóa và mẫu chuyển đổi, hắn có thể khôi phục lại mẫu sinh trắc học ban đầu.

Từ khi đối chiếu vùng chuyển đổi, cơ chế satling phải được thiết kế sao cho hiệu suất nhận dạng vẫn được duy trì, nhất là khi có nhiều thay đổi lớn trong người dùng Việc sử dụng phương pháp tiếp cận satling đã được Teoh và cộng sự khuyến cáo là kỹ thuật lượng tử hóa nhiều vùng trống ngẫu nhiên.

Trong kỹ thuật chuyển đổi không đảo ngược, dữ liệu sinh trắc được bảo mật bằng các hàm một chiều khó đảo ngược, ký hiệu F Các hàm này dễ tính nhưng khó đảo ngược, làm cho việc tìm ra dữ liệu sinh trắc gốc từ dữ liệu đã chuyển đổi trở nên phức tạp về mặt tính toán Đặc điểm quan trọng của phương pháp này là ngay cả khi kẻ tấn công biết khóa và/hoặc mẫu chuyển đổi, họ vẫn khó khôi phục được dữ liệu sinh trắc ban đầu.

Chương trình cung cấp mức bảo mật cao hơn so với phương pháp salting, ngay cả khi khóa bị xâm phạm, vì các sinh mẫu trắc học ban đầu không thể phục hồi dễ dàng.

Tính đa dạng và tính khả hủy bỏ đạt được bằng cách sử dụng các ứng dụng chuyên dụng và các hàm đồng thời do người dùng quy định, tương ứng.

Hàm chuyển đổi trong phương pháp bảo vệ quyền riêng tư cần đảm bảo khả năng phân biệt (discriminability) và tính không thể đảo ngược (noninvertibility) Discriminability giúp các đặc trưng từ cùng một đối tượng người dùng có độ tương đồng cao, còn tính không thể đảo ngược ngăn chặn kẻ tấn công truy ngược được tập đặc trưng ban đầu từ tập đặc trưng đã được chuyển đổi Việc thiết kế hàm chuyển đổi đáp ứng đồng thời cả hai điều kiện này là một thách thức lớn.

Hơn nữa, hàm chuyển đổi cũng phụ thuộc vào các đặc trưng sinh trắc học được sử dụng trong một ứng dụng cụ thể.

Trong hệ thống tiền điện tử sinh trắc khóa liên kết, các mẫu sinh trắc được bảo vệ bằng cách liên kết hoàn toàn với khóa trong khuôn khổ mã hóa Một thực thể duy nhất nhúng cả khóa và mẫu được lưu trữ trong cơ sở dữ liệu như "dữ liệu trợ giúp" tiết lộ ít thông tin về khóa hoặc mẫu sinh trắc, tức là khó tính toán để giải mã khóa hoặc mẫu mà không có kiến thức về dữ liệu sinh trắc của người dùng.

Cách tiếp cận này có thể áp dụng cho các biến intrauser trong dữ liệu sinh trắc học Khả năng áp dụng này bắt nguồn từ khả năng sửa lỗi của mã liên quan.

Việc so sánh được thực hiện thông qua các chương trình xử lý lỗi, loại bỏ khả năng sử dụng các kỹ thuật so sánh tiên tiến, vốn được thiết kế để đạt độ chính xác cao so với mẫu sinh trắc ban đầu Hạn chế này có thể dẫn đến độ chính xác giảm sau khi so sánh.

Nhìn chung, các hệ mật sinh trắc học không được thiết kế để cung cấp tính đa dạng và khả năng hủy bỏ Tuy nhiên, các nỗ lực đang được thực hiện để giới thiệu hai đặc tính này vào các hệ mật sinh trắc học, chủ yếu bằng cách kết hợp các phương pháp như salting.

Đoạn mã này thực hiện việc huấn luyện một mô hình nhận diện khuôn mặt bằng cách sử dụng OpenCV và thuật toán Local Binary Patterns Histograms (LBPH).

Đoạn mã chạy liên tục, sử dụng camera để phát hiện và nhận diện khuôn mặt trong thời gian thực Các kết quả nhận diện bao gồm tên và độ tin cậy được hiển thị trực tiếp lên khung hình Người dùng có thể nhấn phím 'ESC' để thoát khỏi chương trình.

Nhận diện khuôn mặt trong thời gian thực sử dụng webcam và mô hình nhận diện khuôn mặt đã huấn luyện.

Khi bấm chạy chương trình đâu tiên sẽ yêu cầu nhập ID người dùng đầu tiên rồi bấm Enter

Sau khi nhập “1” sẽ hiện ra dòng lệnh đợi camera mở

Hệ thống sẽ chụp 30 bức ảnh và lưu vào trong file dataset

Tiêu đề	Hệ Thống Nhận Dạng Sinh Học: Xác Thực Khuôn Mặt Cho Chúng Ta
Tác giả	Lê Minh Trung, Phan Quang Hiển, Đống Thạc Nhân
Người hướng dẫn	ThS Huỳnh Ngọc Tú
Trường học	Trường Đại học Tôn Đức Thắng
Chuyên ngành	Nhập Môn Bảo Mật Thông Tin
Thể loại	Báo Cáo Giữa Kỳ
Năm xuất bản	2024
Thành phố	Thành Phố Hồ Chí Minh

Định dạng
Số trang	37
Dung lượng	6,59 MB