Các nguyên lý sinh học của vân tay được tổng kết như sau: Biểu bì vân có các đặc tính khác nhau trên các vân tay khác nhau nguyên lý này là cơ sở cho nhận dạng vân tay; cầu hình vân tay
CHUONG 1: TONG QUAN VE NHAN DANG DAU VAN TAY
1 Lịch sử nhận dạng dấu vân tay Từ xa xưa, con người đã nhận ra tính cá nhân của vân tay nhưng chưa có bất kỳ một cơ sở khoa học nào Đến thế ky 16, các kỹ thuật vân tay khoa học hiện đại mới xuất hiện và từ đó các lí thuyết và chương trình mô tả, nhận dạng vân tay mới phát triển mau chong Nehemiah Grew nha sinh thai hoc thye vật xuat ban những trang sách đầu tiên các nghiên cứu có tính hệ thống của ông về vân tay Năm 1788, Mayer đã mô tả chỉ tiết thông tin giải phẫu của vân tay để đặc tính hóa, nhận đạng các đặc tính vân tay Năm 1809, Thomas Bewick bắt đầu sử dụng vân tay của mình như là biểu tượng đăng kí thương mại
— đã tạo ra một cột mốc quan trọng trong nghiên cứu khoa học về nhận dang van tay
Nam 1880, Henrry Fauld da dua ra giả thuyết khoa hoc khang dinh tính cá nhân của vân tay dựa vào các nhận thức kinh nghiệm Nam 1888, Francis Galton giới thiệu các đặc trưng chỉ tiết phục vụ cho đối sánh vân tay Vân tay trên đèn của người Paléttin (400 A.D)
Con dấu thương mại của Berwick (1809) Chữ kí bằng vân tay của người Trung Quốc khi buôn bán (1839) Đầu thế kí 20, cầu trúc của vân tay mới được mô tả một cách khá đầy đủ Các nguyên lý sinh học của vân tay được tổng kết như sau: Biểu bì vân có các đặc tính khác nhau trên các vân tay khác nhau (nguyên lý này là cơ sở cho nhận dạng vân tay); cầu hình vân tay có sự thay đổi trên từng cá nhân, nhưng sự thay đôi nhỏ này vẫn cho phép phân loại một cách có hệ thông các vân tay (nguyên lý này là cơ sở đề tiễn hành phân loại vân tay); các chỉ tiết và cầu hình của mỗi đường vân là ôn định và không thay đổi Cũng từ đầu thế ki 20, nhận dạng vân tay chính thức được chấp nhận như một phương pháp nhận dạng cá nhân có giá trị và trở thành chuẩn trong pháp luật Ví dụ, năm
1924 FBI đã thiết lập một cơ sở dữ liệu có 810.000 thẻ vân tay
2 Các đặc điểm nhân chủng học của vân tay Những nghiên cứu của giải phâu học cho biết chỉ những phần không có lông của cơ thể như lòng bàn tay và gân bản chân được bao phủ bởi các mẫu vân được hình thành từ những lần nối tạo ma sát Các vân này rất quan trọng vì chúng được hình thành từ bảo thai từ 4 tháng và không thay đổi cho đến khi chết
Các mẫu vân không được cầu tạo từ mặt ngoài da mà được xác định bởi nhiều phần tử khác nhau bên dưới (chẳng hạn các tuyến mô hôi, dây thần kinh, mạch máu ).Các vết cắt sâu có thê nằm chèn lên mẫu vân nhưng phần còn lại của mẫu vân không thay đôi Tóm lại dau van tay có hai đặc điểm cơ bản:
+Phương pháp ấn : Trong phương pháp nảy người ta cho các ngón tay thấm mực rồi sau đó ấn nhẹ trên giấy mà không lăn , chờ cho về mực khô rồi sao chụp ảnh vân tay này bằng máy ảnh hoặc camera Rõ ràng, phương pháp này diện tích vùng ảnh nhỏ hơn, thông tin ảnh cũng ít hơn nhưng độ chính xác cao hơn
+Phương pháp ảnh vân tay ảo :đây là một loại đặc biệt của phương pháp thu nhận ảnh vân tay gián tiếp Các ảnh này thường được thu nhận tại hiện trường Tại đó khi các đầu ngón tay ấn nhẹ trên vật dụng ở hiện trường ,thì mồ hôi ,hoặc chất nhờn do các tuyến bài tiết trên biểu bì sẽ in dâu vân tay tại hiện trường Lúc này người ta sử dụng một loại hóa chất đặc biệt phủ lên vết vân tay đó , làm cho hình ảnh của vết vân tay hiên lên, và sử dụng các thiết bị như camera hay máy ảnh đề thu nhận các ảnh này
- Một ảnh trực tiếp :Là quá trình thu thập ảnh vân tay trực tiếp thông qua các thiết bị cảm nhận mà không cần thông qua bước trung gian là in ảnh vân tay trên giấy
Hình 1.1 Hình ảnh các dấu vân tay Đối với quá trình thu nhận ảnh vân tay sống người ta thường dùng cách đặt các ngón tay trực tiếp vào thiết bị cảm ứng để thu nhận ảnh Công nghệ phô biến nhất đề thu nhận các mẫu ảnh vân tay sống là dựa trên sự phản xạ ánh sáng từ dấu vân tay, khi đặt
2 ngón tay vào cạnh một tắm gương, các đường vân của ảnh vân tay sẽ tiếp xúc với tắm gương, trong khi các rãnh đường vân thì không tiếp xúc, bên cạnh tắm gương người ta đặt một hệ thống các bóng đèn đề phát ra ánh sáng Laser chiều đến mặt dưới của tắm gương, ánh sáng sẽ phản xạ trở lại và người dùng một Camera đề thu các ánh sáng phản xạ đó Kết quả thu được là một ảnh vân tay trong Camera
Các ảnh vân tay , dù trực tiếp hay gián tiếp trong quá trình nhận thì có một số lượng đáng kể (khoảng 10%) có chất lượng kém như bị vết mờ , nhòe hoặc đứt nét đó lăn mực và do nhiều nguyên nhân khác 3 Lưu trữ ảnh và các thông tin đặc trưng của vân tay
Lưu trữ ảnh vân tay trong cơ sở dữ liệu là một vấn đề hết sức quan trọng, có ảnh hưởng sống còn đến hiệu năng tìm kiểm trong các hệ nhận dạng vân tay cỡ lớn Đối với các ảnh vân tay , các thông tin đặc trưng cần được lưu trữ gồm : Véc tơ đặc trưng hướng , tập hợp các điểm đơn , véc tơ mã vân tay , nhãn các lớp và tập điểm đặc trưng cục bộ Ngoài ra hệ thống còn phải lưu trữ các thông tin cá nhân liên quan đến vân tay như : Tên , tuổi , nơi sinh , mảu tóc, thân nhân Để lưu trữ các thông tin khác nhau này một cách có hiệu quả và ít tốn kém , thông thường sử dụng giải pháp đa lưu trũ , nghĩa là phân nhóm thông tin về vân tay được chia thành 4 nhóm: Nhóm dữ liệu bình thường có thể lưu dạng bảng , nhóm dữ liệu dạng véc tơ được lưu trữ tuần tự, nhóm đữ liệu dang véc to cần lưu trữ bằng cây tìm kiếm và đữ liệu ảnh
Nhóm dữ liệu thông thường có thê lưu trữ dạng bảng chính là các thông tin cá nhân như :
Tén ,tudi , noi sinh , dia chi
Nhom dé ligu véc to can luu trir dudi dang bang cay tim kiếm là các véc tơ đặc trưng tong thé duco dùng ở mức tìm kiếm lọc vân tay trước khi d6i sanh 1:1 Qua trinh tim kiểm này dựa trên cơ chế tìm láng giềng gần nên dữ liệu cần được tổ chức dưới dạng R- tree
Nhóm đữ liệu véc tơ được lưu trữ tuần tự các véc tơ đặc trưng cục bộ Các véc tơ này được lưu trữ tuần tự là do tại mức đối sánh trên véc tơ đặc trưng cục bộ , mọi thao tác phải diễm ra tuần tự , tức là tập trung đặc trưng đầu vào phải lần lượt đối sánh hết với tất cả các tập trung đặc trưng trên bộ nhớ ngoài Đường dẫn cụ thể của véc tơ đặc trưng tương đương ứng với một vân tay được lưu trong một bảng
Riêng đối với nhóm duex liệu ảnh , tuy chúng không tham gia vào quá trình tim kiếm vân tay , nhưng ch có thể được sử dụng cho những múc đích kiểm tra lại hoặc trích chọn lại đặc trưng khi cần Do vậy , ảnh vân tay được lưu dạng tệp trên bộ nhớ ngoài va đường dẫn của chúng được lưu vào một bảng , giống các véc to đặc trưng cục bộ
Hinh 1.2 Cac diém don
Cac diém don duoc dinh nghĩa như là nơi mà độ cong đường vân đạt giá trị cực đại , hướng của đường vân thay đối với tốc độ nhanh , bao gồm: điểm cực Core và điểm Delta:
+ Điểm Core: là điểm trung tâm của ảnh vân tay Nó là điểm hội tụ của các đường vân, nó giúp trong việc định hướng ảnh vân tay
+ Điểm Delta: là trung tâm của tam giác nơi 3 đường vân gặp nhau Điểm đơn thường được sử dụng trong việc tách lớp các ảnh vân tay , cũng như tiến hành loại sơ bộ quá trình tìm kiếm vân tay Đối với các đặc trưng tổng thê có nhiều phương pháp đề trích chọn Trên thực tế , mỗi kỹ thuật khác nhau có những ưu điểm khác nhau và thích hợp chó từng loại ảnh ở
5 đầu vào Thông thường với các đặc trưng hướng người ta xử dụng kỹ thuật tính Gradient tồi lấy trung bình đạo hàm trong một số lân cận Đối với các điểm đơn, kỹ thuật trích chọn là tìm kiếm điểm không liên tục trong đặc trưng hướng bằng cách đánh giá chỉ số Poincare Đối với mã vân tay thì thường sử dụng bộ lọc Gabor
- Đặc trưng cục bộ : là các điểm đặc biệt trên đường vân của ảnh vân tay Nó chỉ đại diện cho đường vân trong lân cận cục bộ với nó mà thôi Chính vì vậy, tập hợp các điểm đặc trưng cục bộ, tức là mỗi tập các đặc trưng cục bộ chỉ xuất hiện trong một vân tay duy nhất Có nhiều kiều điểm đặc trưng cục bộ, nhưng có thê biêu diễm thành hai loại : Điểm kết thúc đường vân(Ridge Ending) , điểm rẻ nhánh (Ridge Bifurcation)
Hình 1.3 Các điểm đặc trưng cục bộ Điêm đặc trưng Ví dụ Điêm đặc trưng Ví dụ Điêm móc (hook) sa Cau (Bridge) aah s2 6 ô ` A ey ~ , `:
Diem kết thúc đường vân >>" Rẽ nhánh đôi `"
Ridge Crossing > Ré nhanh ba —
Người ta dựa vào các đặc điểm đặc trưng cục bộ này để đối sánh trong hệ thống nhận dạng vân tay Hiện nay trên thế giới đang có hai hướng giải quyết bài toán trích chọn đặc trưng của vân tay :
+ #Jướng thứ nhất là tiếp tục phát triển và cải tiễn phương pháp cấu trúc Phương pháp cầu trúc dựa trên quan điển ảnh vân tay thuộc vào loại ảnh đường nét, do đó dựa vào thông tin cầu trúc và đặc điểm hình học của đường vân (như tính liên tục của đường vân hoặc tính song song của chúng ) có thể trích ra những đặc tính của nó Theo phương pháp này trước khi trích chon đặc điểm , ảnh vân tay được chuyên về dạng nhị phân đã được làm mảnh , có thê trích chọn các điểm kết thúc (ridge ending) và các điểm rẻ nhánh (bifucation) theo các đặc điểm hình học của chúng một cách dễ dàng.phương pháp này có ưu điểm là nhanh , cho kết quả chính xác nêu trong ảnh nhị phân, thông tin về các điểm đặc trưng không bị suy giảm nhiều
Kho khăn chính của cách tiếp cận cấu trúc là chất lượng ảnh vân tay thường quá thấp , khi quá trình nhị phân hóa được áp dụng cho ảnh nhiễu và có độ tương phản thấp sẽ đem lại những kết quả không như mong muốn
+ Một hưởng nghiên cứu khác mới được xuất hiện là trích chọn thông tin trực tiếp từ ảnh đa mức xám Tư tương của phương pháp này là xác dinh ra cac ridge points Day là các cực đại địa phương dọc theo hướng của một trong những chỗ uốn cong chính của lằn vân là 0 Đường vân được coi như một chuỗi tuần tự các ride pomt, và do vậy có thé xây dựng lại được đường vân từ các tidge point nay dựa vào các thuật toán khôi phục
6 Vai trò của điểm đặc trưng cục bộ và hướng điểm đặc trưng cục bộ trong nhận dang anh van tay
Nhu da noi 6 phan 1.6 diém dac trưng cục bộ được chia thành hai loại điểm chính : điểm kết thúc (điểm cuối ) và điểm rẽ nhánh Trong quá trình tim kiếm vân tay tự động , hệ thống không coi các vân tay như là các ảnh Hệ thông chỉ quan tâm đến các điểm đặc trưng cùng với hướng của nó Khi đồ một ảnh vân tay sẽ giống như là một đám mây các điểm đặc trưng và hướng của nó tương ứng
Khi dối sánh hai mẫu vân tay có đồng nhây hay không, đám mây các điểm đặc trưng và hướng điểm đặc trưng của ảnh vân tay tìm kiếm sẽ được so sánh với các đám mây điểm đặc trưng cùng với hướng của nó đã được lưu trữ trong cơ sở dữ liệu
Hình 1.4 Đối sánh hai ảnh vân tay dựa trên các điểm đặc trưng của nó
Mỗi điểm đặc trưng , ta gắn một véc tơ có điểm đầu là điểm đặc trưng và hướng trùng với hướng của điểm đặc trưng , bước tiếp theo của việc đối sánh hai đường vân có phải là một hay không, thực chất là so sánh cặp các điểm đặc trưng cục bộ của hai đường vân lại với nhau Ha điểm đặc trưng được cặp hoặc đối sánh nêu như chúng:
+ Cùng loại điểm đặc trưng : Cùng là điểm rẽ nhánh hay điểm kết thúc + Thành phần các đặc điểm của chính (như tọa độ x,y) là như nhau Tuy nhiên, nêu hướng của hai điểm được cặp khác nhau thì hai điểm đặc trưng ấy có thể sẽ khác nhau và hai điểm đặc trưng được gọi là điểm đồng nhất khi chúng là cặp đôi sánh và có cùng hướng.
THUC VE DEEP LEARNING
Ưu điểm và nhược điểm của Deep Learning 1 Ưu điểm
Deep Learning là một bước ngoặt to lớn trong lĩnh vực trí tuệ nhân tạo, cho phép các nhà khoa học dữ liệu xây dựng nhiều mô hình có độ chính xác rất cao trong lĩnh vực nhận dạng ảnh, xử lý ngôn ngữ tự nhiên, xử lý giọng nói, nhận diện dấu vân tay, Một số ưu điểm vượt trội của Deep Learning gồm có:
Kiến trúc mạng nơ-ron linh hoạt, có thể dễ dàng thay đôi để phù hợp cới nhiều vẫn đề khác nhau
Có khả năng giải quyết nhiều bài toán phức tạp với độ chính xác rất cao
Tính tự động hóa cao, có khả năng tự điều chỉnh và tự tối ưu
Có khả năng thực hiện tính toán song song, hiệu năng tốt, xử ly được lượng đữ liệu lớn
3.2 Nhược điểm Bên cạnh những ưu điểm, mặt khác, hiện nay Deep Learning vẫn còn nhiều khó khăn và hạn ché, chăng hạn như:
Cần có khối lượng dữ liệu rất lớn đề tận dụng tối đa khả năng của Deep Learing
Chi phí tính toán cao vì phải xử lý nhiều mô hình phức tạp
Chưa có nền tảng lý thuyết mạnh mẽ đề lựa chọn các công cụ tôi ưu cho Deep Learning
4 Deep Learning được sử dụng ra sao trong đời sống Deep Learninng ngoài việc được sử dụng rộng rãi trong thời đại công nghệ 4.0 hiện nay thì Deep Learning còn được ứng dụng trong lĩnh vực nông nghiệp, trong các lĩnh vưc không gian vũ trụ và quốc phòng, trong lĩnh vực y tế và chăm sóc sức khỏe cho con người, trong lĩnh vực công nghiệp và còn nhiều các lĩnh vực khác nữa
5 Những câu hỏi thường gặp về Deep Learning Deep Learning và AI có giống nhau không? : Trí tuệ nhân tạo là khái niệm tạo ra những cỗ máy thông minh Mặt khác, Deep Learning là một tập hợp con của trí tuệ nhân tạo giúp bạn xây dựng các ứng dụng dựa trên AI Deep Learnmg là một tập hợp con của
Machine Learning sử dụng khối lượng lớn dữ liệu và các thuật toán phức tạp đề phát triển một mô hình
Deep Learning duoc sử dụng như thế nào trong thê giới thực? :Ngày nay, phương pháp Deep Learning cũng đang được sử dụng trong các chương trình dịch tự động, chuyển đổi văn bản từ ngôn ngữ này sang ngôn ngữ khác mà không yêu cầu người dùng nhập các từ hoặc cụm từ đã dịch trước đó theo cách thủ công
6 Khi nào nên sử dụng Deep Learning Tién si Scott Clark, đồng sáng lập và CEO của SigOpt cho rằng Deep Learning hiệu quả nhất đối với các dữ liệu không tuân theo một cầu trúc cụ thê Một số ví dụ phô biến gồm có văn bản, video, hình ảnh hay dữ liệu dạng thời gian Các thuật toán Deep Learning có khả năng tự động xây dựng và khai thác các mẫu có trong dữ liệu để đưa ra được quyết định tối ưu Tuy nhiên, việc này cần rất nhiều dữ liệu và tải nguyên tính toán để có được độ chính xác tốt nhất
Mỗi mô hình mạng nơ-ron nhân tạo có thê bao gồm hàng trăm, thậm chí hàng triệu tham số khác nhau Vì vậy việc tối ưu các tham số này đòi hỏi người xây dựng mô hình phải có kiến thức chuyên sâu và nhiều kinh nghiệm Bên cạnh đó, các mạng nơ-ron nhân tạo sử dụng nhiều hàm phi tuyến có độ phức tạp cao nên việc hiểu và diễn giải các kết quả từ mô hình cũng là một thách thức lớn với các chuyên gia Vì vậy, với những dự án yêu cầu nhiều tương tác và phản hồi từ con người thì Deep Learning không hắn là một lựa chọn lý tưởng lãi
NEURON
Cách nhìn về mạng Neural 1.Học có giám sát
Mạng được huấn luyện bằng cách cung cấp cho nÓ Các cặp mẫu đầu vào và các đầu ra mong muốn (target values) Các cặp được cung cấp bởi "thay giao”, hay boi hé thong trên đó mạng hoạt động Sự khác biệt giữa các đầu ra thực tế so với các đầu ra mong muốn được thuật toán sử dụng đê thích ứng các trọng số trong mạng Điều này thường được đưa ra như một bài toán xấp xi hàm số - cho dữ liệu huấn luyện bao gồm các cặp mầu đầu vào x, và một đích tương ứng t, mục đích là tìm ra hàm f{x) thoả mãn tất ca các mẫu học đầu vào
Tín hiệu sai | Bétao tin +
; hiệu sai số 3(Iẽgð ra raong muốn)
Hình 3.7 Mô hình học có giám sát
4.2.3.2.Học không có giám sát Với cách học không có giám sát, không có phản hồi từ môi trường dé chi ra rang đầu ra của mạng là đúng Mạng sẽ phải khám phá các đặc trưng, các điều chỉnh, các mỗi tương quan, hay các lớp trong đữ liệu vào một cách tự động Trong thực tế, đôi với phần lớn các biến thể của học không có giám sát, các đích trùng với đầu vào Nói một cách khác, học không có giám sát luôn thực hiện một công việc tương tự như một mạng tự liên hợp, cô đọng thông tin từ đữ liệu vào
Hình 3.3 Mô hình học không có giảm sát
4.2.3.3.Học tăng cường (Remforced learning):
Dữ liệu X thường không được tạo trước mà được tạo ra trong quá trình một agent tương tác với môi trường Tại mỗi thời điểm t, agent thực hiện hành động y, và môi trường tạo một quan sát x¡ với một chi phí tức thời c, theo một quy trình động nào đó ( thường là không được biết) Mục tiêu là một sách lược lựa chọn hành động đê cứ tiêu hóa một chi phí dài hạn nào đó, nghĩa là chỉ phí tích lũy mong đợi Quy trình hoạt động của môi trường và chỉ phí dài hạn cho mỗi sách lược thường không được biết, nhưng có thê ước lượng được Mạng Neural nhân tạo thường được dùng trong học tang cường như một phần của thuật toán toàn cực Các bài toán thường được giải quyết bằng học tăng cường là các bài toán điều khiến, trò chơi và các nhiệm vụ quyết định tuần tự (Sequential Decision Making) khac ¥ Ngõ Ta)
BỘ tạo tín hiệu hiệu chinh tăng cường
Hình 3.9 Mô hình học tăng CƯỜNG
5 Một số mô hình mạng Neuron 5.1 Mạng truyền thắng một lớp
Hình 3.10 Cấu trúc mạng neural 1 lớp 5.1.2 Mang Perceptron một lớp
| WW] X = Si w+? is Saf “ N ; b a vys ——ằ afy) k đ
Hinh 3.11 Mang Perceptron một lớp 5.1.3 Luat hoc hoi Perceptron
Là một thủ tục để thay đôi các trọng số và bias của mang Neural (giải thuật huấn luyện mạng) Mục đích của luật học là huấn luyện mạng đề thực hiện một số nhiệm vụ
Có nhiều loại luật học huấn luyện mạng Neural đó là:
- Hoc cd giam sát - Hoc khéng giam sat - Hoe gia tang
Trong luật học có giám sát, luật học đưa ra một tập hợp các mẫu có quy tắc và tương thích với mạng:
{pit}.{Ps.ts} {Po.fo? Pạ là một đầu vào mạng và tụ tương ứng với đầu ra chính xác (mục tiêu) Khi các đầu vào được áp dụng vào mạng, các kết quả đầu ra mạng được so sánh với các mục tiêu Luật học sau đó được sử dụng để điều chỉnh trọng số và hệ số hiệu chỉnh của mạng dé dịch chuyển đầu ra gần với các mục tiêu hơn Luật học Perceptron được xếp vào loại luật học có giảm sát
5.1.3.2 Hoc gia tang Luat hoc gia tang tương tự luật học có giảm sát, ngoại trừ việc thay vì đưa ra các đầu ra chính xác cho mỗi đầu vào mạng, thuật toán chỉ cho một lớp Lớp là thước đo cho sự hoạt động của mạng trên một chuỗi đầu vào Đây là loại luật học hiện nay ít phô biến hơn so với luật học có giám sát Nó dường như là phù hợp nhất để kiểm soát các ứng dụng hệ thống
5.1.3.3 Luật học không giám sát Trọng số và hệ số "hiệu chỉnh được sửa dối đề đắp ứng với đầu vào mạng Có mục tiêu không là đầu ra có sẵn Điều này dượng như không thực tế Làm thế nào bạn có thê huấn luyện một mạng néu ban không biết nó phải làm gì? Hầu hết các thuật toán thực hiện sự hoạt động phân cụm Chúng được luyện dé phân loại các mô hình đầu vào thành một số hữu hạn các lớp Điều này đặc biệt hữu ích trong các ứng dụng như là lượng tử hóa Vector
5.1.3.4 Adaline Mạng với các neural có quan hệ vào ra là tuyến tính gọi là Adaline (Adaptive Linear Element)
5.2 Mạng truyền thắng nhiều lớp
5.2.1 Thuật toán lan truyền ngược ˆ -
Hình 3.12 Mạng lan truyền ngược Bước 0 ( khởi động):Chọn rỊ >0 và Emax (sai số tối ủa) khởi ủộng trọng số với những giỏ trị ngẫu nhiờn ủủ nhỏ cho E = 0 và k = l
Bước 1 (lặp vòng huấn luyện):Đưa mẫu nhập thứ ¡ vào ngõ vào (q = 1)
Bước 2 (lan truyền tiến):Lan truyền tiền tín hiệu qua mạng sử dụng
Bước 3 (ủo sai số ngừ ra): Tớnh giỏ trị sai sụ và tớn hiệu sai sụ của lớp ra:
%8, = (d,°'—9y, )q(9s net, ) Bước 4 (lan truyền ngược sai số): Lan truyền ngược sai số ủờ cập nhật cỏc trọng số và tính tín hiệu sai sô q- Lỗi cho các lớp trước:
A‘w, = ¡lễ TIẾN y,và”w, ”” a W, old + Af Wi,
Bước 5: Kiểm tra xem tập hợp huấn luyện ủó lặp ủ ủủ một vũng chưa Nếu k < p thỡ k=k + 1 và nhảy ủến bước l , ngugc lai nhảy ủ fen bước 6
Bước 6: Kiểm tra sai số tong: Kiộm tra sai số tụng hiện tại chấp nhận ủược khụng Nếu E
< Emax thì kết thúc quá trình huấn luyện và xuất các trọng số cuối cùng, ngược lại E = 0, k=I và nhảy ủ ủến bước I ủễ lặp lại chu kỳ mới Kết thỳc
5.2.2 Các hệ số học hỏi của mạng lan truyền ngược Hằng số học hỏi
Hàm sai số Động lượng (Momentary) Luật cập nhật
Dữ liệu huấn ' luyện và sự tổng quát hóa 5.2.3 Một số biến thể của thuật toán lan truyền ngược Sử dụng tham số bước đà (Momentum)
Sử dụng hệ số học biến đôi Sử dụng phương pháp Gradient kết hợp
CHƯƠNG 4: THỰC HIỆN NHẬN DẠNG VÂN TAY DÙNG MẠNG
1 Ý tưởng Xây dựng tập mẫu ngõ vào Ngõ vào của mạng là VỊ trÍ của các điểm đặc trưng Đề xác định vị trí của một điểm ta cần có một điểm gốc “tương đối “ có định Ở đây , tôi chọn điểm core làm gốc bởi vì điểm core luôn tổn tại và tương đối có định trong ảnh vân tay Việc đối sánh văng mạng neural có một nhược điểm đó là thứ tự các điểm đặc trưng khi đưa vào mạng phải chính xác , chỉ cần sai lệch một vị trí sẽ làm sai toàn bộ mạng Để làm tốt điều nay, t6i dé nghị một phương pháp đó là :không đưa trực tiếp vị trí của các điểm minutiae vào mạng mà sử dụng vị trí trung bình cộng của các điểm minutiae Cụ thê như sau :
Chọn điểm core làm gốc tọa độ , dựa vào điểm core tôi chia mặt phẳng ảnh thành tám phần giống nhau,
Trong mỗi phần của mặt phẳng ảnh ta tim vị trí trung bình các điểm minutiae trong phan d6 Tám vị trí trung bình của các điểm minutiae ở tám phần của mặt phăng ảnh sẽ được đưa vào l6 ngõ vào của mạng (sử dụng tọa độ decac)
Lựa chọn mạng Vi cac mạng có hơn hai lớp â ân có thê thể hiện các hàm với dáng điệu bat ky, nên về mặt lý thuyết, không sử dụng các mạng có nhiều hơn hai lớp ân Người ta đã xác định rằng đổi với phần lớn các bài toán cụ thể „chỉ cần sử dụng một hoặc hai lớp â ân cho mạng là đủ Các vải toán sử dụng hơn hai lớp an hiém khi xay ra trong thực tế Việc huấn luyện mạng thường rất chậm khi mà số lớp ấn sử dụng càng nhiều
Theo các lý luận như vậy , tôi chọn thủ nghiệm trên mạng Perceptron một lớp và hai lớp với một ngõ ra, mỗi mạng tương ứng với một mâu ,sở dĩ chọn như vật là vì việc so một mầu qua các mạng đơn giản và nhanh hơn thời gian huân luyện một mạng lớn
Hình 4.1 Mô hình mạng Perceptron một lớp Thuật toán huấn luyện một lớp:
Bước I: Tạo W(0), chọn hằng số học 1|
Bước 2: lan truyền thuận Tinh : Y(k) = net(k) = W' X(k) Bước 3: lan truyền ngược
Với ặ) là hàm kích hoạt oo Bước 4: Lap lại bước 3 K lân (cho một epoch), K là số mẫu dữ liệu vào
Bước 6: Kiểm tra nếu J(K) đủ bé kết thúc (lưu W), nếu chưa: lặp lại bước l với các giá trị khởi động W(0) được cập nhật từ bước 4
Hình 4.2 M6 hinh mang perceptron hai lop
Thuật toán huấn luyện mạng hai lớp Bước I: Khởi động trị W(0), Va(0) , Chọn hằng số học Tị Bước 2: lan truyền thuận:
Tinh: Z,(k) = sigmoid(net,) = sigmoid (V,'.X(k)) Y(k) = net,=W'z(k)
Buoc 4: Lap lai bude 3 K lần (cho một epoch), với K là số mẫu đữ liệu vào
Bước 6: Kiểm tra nếu J(K) đủ bé kết thúc (lưu W, Vụ) Nêu chưa: lặp lại bước l với các giá trị khởi động W(0), Vạ(0) được cập nhật từ bước 4
2 Thuật toán Hough Thuật toan Hough là thuật toán tìm ra các gia tn tinh tiến theo trục x, trục y, goc quay ngược chiều kim đồng hồ và đỗ nở của vân (Ax, Ay,0,s) sao cho khi thực hiện các phép biến đổi đó thực hiện trên tập chỉ tiết của vân tay này sẽ thu được tập chỉ tiết mới mà có số lượng chỉ tiết trùng khớp với tập chỉ tiết của vân tay kia là lớn nhất
Thuật toán dựa trên các tập giới hạn của Ax là{Axi”, Ax;¿”, Ax¿ }, của Ay là{Ayt, Ayz”, Ayu }, của ỉ là { A0;”, A0;”, A0,”}, và của s là {sị”, S¿”, Sa }
Thuật toán phát biểu như sau:
Với mỗi mị, i=l m Với mỗi m”,, j=l n Với mỗi 0°€ƒ A0;', A0;", A6,'}
Nếu khoảng cách trực tiếp (0’;+ 0°, 01)< Oo Với mỗi s” €ƒSi”, s;`, Sa}
Các bước của chương trình Bước I: Cửa sô chính của chương trình Thực hiện chức năng so sánh giữa “ vân tay l” và “vân tay 2” Cửa số chương trình hiển thị như sau:
Vio tay 22253 Y.67 xưởng Cục bộ ©
Hình 4.3 Cứa số chương trình so sảnh vân tay
Bước 2: Ta chọn chức năng “thực nghiệm —> thông tin so sánh” sẽ hiện ra cửa số hiện thị thông tin so sánh, kết quả của thuật toán Houph Tuy nhiên việc thực hiện này chỉ thành công khi đã thực hiện xong đôi sánh
Góc quay0 SỐ lượng Chi tiết trùng khớp 21
Wan tay 1X-91 Y-4 Hướng cạc bộ-0 or: Reference source not found
Hình 4.4 Cửa sô hiển thị thông tin so sánh 3 Phương pháp đối sánh vân tay
Phương pháp này sẽ tiến hành đối sánh hai tap chi tiết của hai ảnh vân tay Nếu số lượng ảnh trùng khớp lớn hơn một giá trị giới hạn nào đấy thì hai vân tay là trùng khớp
Trước hết chúng ta tiễn hành tịnh tiễn và quay tập chi tiết của ảnh hai theo các đại lượng chúng ta thu được từ thuật toan Hough Tiến hành đối sánh lần lượt từng chi tiết của tập ảnh vân tay với tập chỉ tiết thu được
Các bước hoạt động của quá trình:
Bước I: Thực hiện chức năng lấy và “mở vân tay l” và “mở vân tay 2”
Với 2 vân tay l_lJpg và vân tay 2_l.Jpg Chọn chức năng “Thực nghiệm — So sánh dấu vân tay” sẽ đưa ra thông báo như sau: ib
Ha van tay không trừng kháo
'Văn tay 1X 118 Y 3 tướng cục bệ ©
Hình 4.5 Cửa số chương trình so sánh hai dấu vân tay không trùng nhau Bước 2: chọn chức năng “thực nghiệm => hiện chỉ tiết” sẽ hiện thị chỉ tiết các đặc điêm đặc trưng của 2 ảnh vân tay vừa so sánh
` SS AA ZW Paes NS WS SS SS Viên tay 1-X-248 Y 254 Hung cục bộ Ô
Hình 4.6 Cửa sô hiện chỉ tiết 2 ảnh vân tay vừa so sánh
Bước 3: thực hiện chức năng “mở vân tay 1” và “mở vân tay 2”
Với 2 vân tay L_l.Jpg và vân tay l_3.Jpg Chọn chức năng “Thực nghiệm
—> So sánh vân tay” sẽ đưa ra thông báo như sau:
Hình 4.7 Cửa số hiển thị so sánh 2 dấu vân tay trùng khóp
Bước 4: Chọn chức năng “Thực nghiệm —> Hiện chỉ tiết” sẽ hiển thị chỉ tiết các điêm đặc trưng của 2 ảnh vân tay vừa so sánh:
Văn tay 2X 169 Y 160 tông cục bỡ 108 722174294213
Hình 4.8 Cửa số hiển thị chỉ tiết hai ảnh vân tay vừa so sánh
Ngoài những chức năng chính trên, chương trình thực nghiệm còn có một số chức năng phục vụ cho việc đối sánh vân tay
+ Chức năng “Vùng chọn đặc trưng” thực hiện loại bỏ các độ rộng của khung ảnh nhằm lấy đường biên của ảnh vân tay đề xử lý
+ Chức năng “Thông số xử lý ảnh” thực hiện thiết đặt các thông số chuân hóa ảnh, thông số nhị phân hóa ảnh và thông số tăng cường ảnh; giá trị kỳ vọng, giá trị phương sai, các giá trị ngưỡng, tần suất vân cục bộ
+ Chức năng “Thông số đối sánh vân tay” thiết đặt các điều kiện chi tiết trùng khớp với điều kiện hai vân tay trùng khớp Vì chương trình thực nghiệm tìm các điểm đặc trưng của vân tay và đặc trưng hướng đường vân tay nên thông thường ta thiết đặt điều kiện lượng chỉ tiết trùng khớp tối thiểu là 15 thậm chí là lớn hơn
4.Thực nghiệm và kết quả 4.1.Chương trình
Nguyen Hoand Huy (1) 1978 NV khoa Dien Tu Ty Je giong nhau la 60% © Lay mau
Hình 4.9 Giao điện của chương trình thu thập, lưu trũ và đổi sánh vân tay
- Ban đầu khi chưa có dữ liệu trong database, chọn “Lấy mẫu” Sau đó, click vào nút “mẫu” và chọn lần lượt ba ảnh vân tay của cùng một ngón tay để làm mẫu đối sánh
Tiếp theo, nhập các thông tin cá nhân của người có mẫu vân tay d6 va click “Ok”
- Sau đó, khi cần đối sánh mot dau van tay nao do chon “Đối sánh” và click vào nút “Mẫu” đề chọn ảnh vân tay cần đối sánh Nếu mẫu này giống với mẫu nào có trong database thì thông tin cá nhân người có dấu vân tay đó sẽ được thông báo
4.2 Lưu đồ giải thuật 4.2.1 Lưu đồ
Xác định trường định hướng
Tìm các điểm core và delta
Xác định vị trí của các điểm delta và minutiae dựa nc syne dl a vào điểm géc core
Lưu vào cơ sở dữ liệu
Hình 4.10 Lưu đồ giải thuật các điểm đặc trưng
Trích các điểm đặc trưng Xây dựng tập | mẫu ngõ vào Huấn luyện | mang neural Lưu mạng | neural vào cơ sở đữ liệu
Tình 4.11 Lưu đồ giải thuật quá trình lấy mẫu
Trích các điểm đặc trưng
Xây dựng tập mẫu ngõ vào Đối sánh qua tất cả các mạng trong cơ sở dữ liệu
FART FRRT Hình 4.12 Lưu đô giải thuật quá trình đối sánh
Việc đối sánh được thự hiện bằng cách cho mẫu cần đối sánh qua các mạng đã được huấn luyện trong cơ sở dữ liệu và so sánh ngõ ra Y với ngưỡng T:
- YTT: hai mẫu khác nhau 4.2.2 Ví dụ minh họa
KÉT LUẬN VÀ KIÊN NGHỊ
Sau khoáng thời gian nghiên cứu và thực hiện đề tài, cùng với sự giúp đỡ, hướng dẫn và định hướng của các thầy, chúng em đã hoàn thành báo cáo cơ sở và đạt kết quả nhất định
Báo cáo cơ sở đã trình bày lý thuyết về mạng Neural nhân tạo và tổng quan lý thuyết về nhận đạng vân tay, các chương trình và ví dụ về việc thực hiện nhận dạng vân tay dùng mạng Perceptron một lớp và hai lớp Kết quả nhận dạng thê hiện được ưu điểm giữa mạng Perccptron một lớp và mạng Perceptron hai lớp với nhận dạng không dùng mạng Neural
Tuy nhiên, do thời gian còn hạn chế nên chúng em chỉ nghiên cứu và thử nghiệm trên mạng Perceptron Trong tương lai có thê nghiên cứu và thử nghiệm trên mạng Neural mở, nhận dạng thực hiện trên nên FPGA
Có thê nghiên cứu kết hợp thêm các đặc điểm khác của ảnh vân tay ngoài các đặc điểm đặc trưng như: trường định hướng, mật độ bảng đồ, dựa vào bảng đồ tự tổ chức SOM để gia tăng hiệu quả đối sánh
Lựa chọn các thông số phù hợp T, ổx, 6 y để cải thiện hiệu quả của việc lọc