xây dựng hệ nhận dạng vân tay dựa trên mã nguồn mở

TÓM TẮT ĐỀ TÀI ---  --- Nhận dạng ảnh vân tay đã được phát triển đến mức nó được sử dụng trong một số lượng lớn các chương trình ứng dụng quan trọng.. Các ứng dụng của nhận dạng vân

THÀNH PHỐ HỒ CHÍ MINH

ĐỀ TÀI NCKH CẤP SINH VIÊN

XÂY DỰNG HỆ NHẬN DẠNG VÂN TAY

DỰA TRÊN MÃ NGUỒN MỞ

MÃ SỐ: SV132-2005

S 0 9

S KC 0 0 1 3 0 7

-  -

ĐỀ TÀI NCKH SINH VIÊN

TÊN ĐỀ TÀI:

XÂY DỰNG HỆ NHẬN DẠNG VÂN TAY

DỰA TRÊN MÃ NGUỒN MỞ

MÃ SỐ: SV132-2005

SVTH : Huỳnh Nguyên Chính

MSSV: 01110008 Phạm Xuân Khánh MSSV: 01110036

GVHD : ThS Trần Tiến Đức ĐƠN VỊ : Khoa Công Nghệ Thông Tin

THÁNG 12-2005

TÓM TẮT ĐỀ TÀI 1

PHẦN 1: ĐẶT VẤN ĐỀ 2

I ĐỐI TƯỢNG NGHIÊN CỨU 2

II TÌNH HÌNH NGHIÊN CỨU TRONG NƯỚC VÀ NƯỚC NGOÀI 3

II.1 Tình hình nghiên cứu ở nước ngoài 3

II.2 Tình hình nghiên cứu ở trong nước 4

III NHỮNG VẤN ĐỀ CÒN TỒN TẠI 4

PHẦN 2: GIẢI QUYẾT VẤN ĐỀ 6

I MỤC ĐÍCH ĐỀ TÀI 6

II PHƯƠNG PHÁP NGHIÊN CỨU 6

III NỘI DUNG 6

III.1 Tổng quan 6

III.1.1 Khái niệm về vân tay 6

III.1.2 Tại sao sử dụng vân tay vào mục đích nhận dạng 6

III.1.3 Các kỹ thuật nhận dạng dựa vào sinh trắc học 7

III.1.4 Các ứng dụng của nhận dạng vân tay 8

III.1.5 Đặc điểm vân tay 8

III.2 Giải thuật về nhận dạng vân tay 9

III.2.1 Nguyên lý chung 9

III.2.2 Trích đặc điểm ảnh 9

III.2.2.1.Tiền xử lý 11

III.2.2.1.1 Chuẩn hóa 12

III.2.2.1.2 Thiết lập sự định hướng 13

III.2.2.1.3 Thiết lập tần số vân 15

III.2.2.1.5 Làm đẹp ảnh sử dụng bộ lọc Gabor 18

III.2.2.2 Trích đặc điểm 24

III.2.2.3 Hậu xử lý ảnh 29

III.2.2.4 Cài đặt chi tiết thuật toán trích đặc điểm 33

III.2.2.4.1 Xác định hướng các đường vân 33

III.2.2.4.2 Xác định tần số các đường vân 36

III.2.2.4.3 Tạo mặt nạ ảnh 40

III.2.2.4.4 Làm đẹp ảnh 41

III.2.2.4.5 Chuyển ảnh qua dạng nhị phân 44

III.2.2.4.6 Làm mỏng đường vân 44

III.2.2.4.7 Dò tìm đặc điểm 48

III.2.3 Mạng nơron 51

III.2.3.1 Cơ sở lý thuyết 51

III.2.3.1.1 Giới thiệu về mạng nơron 51

III.2.3.1.2 Mạng nơron 51

III.2.3.1.3 Cơ sở toán học của mạng lan truyền ngược 58

III.2.3.1.4 Các yếu tố học tập của lan truyền ngược 63

III.2.3.2 Cài đặt mạng nơron trong chương trình 63

III.2.3.3.Chức năng các hàm trong chương trình 73

III.3 Thực nghiệm 77

III.3.1 Tạo bộ dữ liệu cho việc huấn luyện mạng 77

III.3.2 Huấn luyện mạng 77

III.3.3 Nhận dạng 79

III.3 4.Kết quả 81

III.3 4.Kết luận 81

IV.1 Tính khoa học 82

IV.2 Khả năng triển khai ứng dụng vào thực tế 82

IV.3 Hiệu quả kinh tế – xã hội 82

PHẦN 3 : KẾT LUẬN 83

I KẾT LUẬN 83

II ĐỀ NGHỊ 83

TÀI LIỆU THAM KHẢO 84

PHỤ LỤC A :Hệ thống nhận dạng dựa vào sinh trắc học 86

PHỤ LỤC B :Cài đặt chương trình 87

PHỤ LỤC C :Sử dụng cảm biến để lấy mẫu vân tay 87

PHỤ LỤC D :Mô hình nhận dạng ảnh vân tay của NIST 89

Bảng 1 : Các kỹ thuật nhận dạng thường sử dụng 7

Bảng 2 : Các ứng dụng phổ biến của nhận dạng vân tay 8

Bảng 3 : Một số loại đặc điểm phổ biến 9

Bảng 4 : Thuộc tính của CN (Crossing Number) 25

Bảng 5 : Bảng thống kê kết quả nhận dạng vân tay 81

DANH SÁCH CÁC HÌNH

Hình 1 Biểu đồ thông tin thị trường về các phần mền nhận dạng dựa vào

nhân trắc học năm 2002 7

Hình 2 Vân kết thúc và vân rẽ nhánh 8

Hình 3 Sơ đồ khối các bước trích đặc điểm 9

Hình 4 Các đặc điểm của vân rẽ nhánh (bifurcation) được đánh dấu vuông và kết thúc (ridge ending) được đánh dấu tròn 10

Hình 5 Sự định hướng và góc của các đặc điểm 10

Hình 6 Các bước tiền xử lý ảnh vân tay 11

Hình 7 Kết quả của bước chuẩn hóa ảnh 13

Hình 8 Sự định hướng đường vân trong ảnh vân tay 13

Hình 9 Phép chiếu các giá trị cường độ của các pixel dọc theo hướng trực giao tới hướng vân cục bộ 16

Hình 10 Kết quả của sự phân đoạn 18

Hình 11 Bộ lọc Gabor đối xứng trong miền không gian 20

Hình 12 Kết quả tinh chỉnh ảnh sử dụng bộ lọc Gabor với các tham số k x, y k khác nhau 23

Hình 13 Các bước trong bước trích đặc điểm 24

Hình 14 Ví dụ về điểm vân kết thúc và vân rẽ nhánh 26

Hình 15 Kết quả chuyển sang nhị phân và ảnh được làm mảnh 26

Hình 16 Vân kết thúc và vân rẽ nhánh được làm mảnh 27

Hình 17 Kết quả của việc chuyển ảnh sang dạng nhị phân và làm mảnh cho ảnh vân tay không có giai đọan tiền xử lý 27

Hình 18 Kết quả của bước trích đặc điểm 28

Hình 19 Phóng lớn các đặc điểm sai từ hình 18 (a) 29

Hình 21 Kết quả thực thi đánh giá các đặc điểm 29

Hình 22 Một số ví dụ về các cấu trúc đặc điểm sai phổ biến 30

Hình 23 Các hình ảnh minh họa của các bước trích đặc điểm 31-32 Hình 24 Mô hình mạng nơron 51

Hình 25 Ví dụ về luyện mạng 52

Hình 26 Mạng lan truyền ngược ba tầng 59

Hình 27 Mạng nơron thực nghiệm 78

Hình 28 Giao diện huấn luyện mạng nơron 79

Hình 29 Giao diện chính của chương trình nhận dạng 80

Hình 30 Giao diện minh họa hình ảnh các bước trích đặc điểm 80

Hình 31 Hệ thống nhận dạng sinh trắc học tổng quát 86

Hình 32 Nguyên lý của sự thu ảnh vân tay đối với cảm biến quang học 87

Hình 33 Dấu vân tay qua cảm biến quang học 88

Hình 34 Các bước trích đặc điểm theo NIST 89

Hình 35 Ảnh direction 90

Hình 36 Ảnh nhị phân 90

Hình 37 Các mẫu pixel dùng để trích đặc điểm ảnh 91

Hình 38 Loại bỏ island và lake 91

Hình 39 Hole 91

Hình 40 Xóa bỏ các khối không có giá trị 92

Hình 41 xóa các đặc điểm gần các khối không có giá trị 92

Hình 42 Remove or Adjust Side Minutiae 92

Hình 43 Hook 93

Hình 44 Overlap 93

Hình 45 Too Wide 93

Hình 47 Kết quả của quá trình trích đặc điểm 94 Hình 48 Lưu đồ khối mô tả thuật toán phân lớp ảnh vân tay. 95

TÓM TẮT ĐỀ TÀI

-  -

Nhận dạng ảnh vân tay đã được phát triển đến mức nó được sử dụng trong một

số lượng lớn các chương trình ứng dụng quan trọng Các lĩnh vực chịu ảnh của kỹ

thuật này bao gồm: an ninh mạng, giao dịch ATM, … đề tài sẽ tìm hiểu về các thành

phần chính của kỹ thuật này

Đề tài tìm hiểu về các cơ sở của hệ thống nhận dạng vân tay, các thuật toán

được áp dụng trong nhận dạng, xây dựng hệ nhận dạng vân tay dựa vào mã nguồn

mở

PHẦN 1: ĐẶT VẤN ĐỀ

-  -

Trong thời đại ngày nay, nhu cầu thông tin vào trao đổi thông tin giữa con người

với nhau rất lớn; các phương tiện kỹ thuật hiện đại đặc biệt trong lĩnh vực tin học

viễn thông được sử dụng ngày càng nhiều và không ngừng cải tiến để tối tân hơn,

đơn giản, tiện lợi, đáp ứng cho nhu cầu sử dụng của con người Mạng internet, điện

thoại di động, thẻ ATM, … là những ví dụ điển hình nhất

Bên cạnh đó, một nhu cầu rất lớn của con người nữa là bảo mật thông tin Các kỹ

thuật hiện đại ra đời một mặt có ích nhưng khả năng đánh tráo thông tin cũng rất có

nhiều khả năng xảy ra Ta biết rằng không có gì là hoàn hảo cả, dù tinh vi đến mấy

nhưng nhất định cũng có những kẻ hở

Một trong những kỹ thuật được sử dụng trong lĩnh vực bảo mật là “nhận dạng vân

tay” Với những nghiên cứu về sự duy nhất và không thay đổi của vân tay phân biệt

mỗi con người

Không chỉ trong vấn đề bảo mật thông tin, mà cả bảo mật một hệ thống, bảo mật

một khu nhà, hay một khu vực an ninh nào đó, hay trong điều tra tội phạm, trong các

sinh hoạt bình thường của con người như trong giấy chứng minh thư, … áp dụng kỹ

thuật nhận dạng vân tay là rất hiệu quả Trên một số nước, như Mỹ có cục điều tra

liên bang (FBI), Anh, Nhật, … nhận dạng vân tay được sử dụng rất nhiều

Từ lợi ích và sự tiện lợi nhằm mang lại cho mỗi người, cho xã hội và tiến bước

phát triển theo công nghệ của các nước phát triển trên thế giới Chúng tôi chọn “nhận

dạng vân tay” là một đề tài nhằm tìm hiểu về kỹ thuật này

I ĐỐI TƯỢNG NGHIÊN CỨU

Tìm hiểu về cơ chế nhận dạng và các thuật toán về nhận dạng vân tay

Tìm hiểu về thuật toán trích đặc điểm và sử dụng mạng nơron để phân lớp ảnh

vân tay

II TÌNH HÌNH NGHIÊN CỨU TRONG VÀ NGOÀI NƯỚC

II.1 Nghiên cứu nhận dạng vân tay trên thế giới:

Trong suốt một thời gian dài, khoảng vào những năm 1750 trước công nguyên

Con người ở Babylon sử dụng vân tay (dấu lăn ngón tay) để làm dấu trên đất sét Lần

đầu tiên mực in được sử dụng ở Trung Quốc khoảng vào năm 220 và rồi dấu lăn tay

trở nên bị xem nhẹ

Vân tay không ai giống ai, đặc sắc nhất là vân ngón cái và ngón trỏ Nghiên

cứu các vết vân tay có thể nhận ra người Người châu Aâu ngày xưa đã sớm nhận ra

điều đó Có những ông vua đã áp cả lòng bàn tay (thay cho việc đóng dấu) và ký vào

các sắc cụ cơ mật, để không ai đánh tráo được Những thợ gốm bậc thầy, những nhà

nặn tượng trứ danh cũng in dấu hoa tay tài nghệ làm chứng chỉ cho tác phẩm chính

hiệu của mình

Lần đầu tiên người ta viết lại về nó là vào năm 1686, đó là Malpighius Ông ta

mô tả các vân (lằn) rất chi tiết Vào năm 1823 J.E Purkynje khám phá ra rằng vân tay

(dấu lăn tay) có thể được phân lớp Và rồi rất lâu sau đó vân tay mới được bắt đầu sử

dụng:

 1858 William Herchel ở Ấn Độ được yêu cầu nghiên cứu về vân tay

 1882 Gilbert Thompson ở Mỹ sử dụng dấu ấn ngón tay cái trong tờ séc để

tránh gian lận Cũng vào năm 1882, theo sáng kiến của A Bertion, lần đầu

tiên cảnh sát Pari đã áp dụng lăn ngón tay trên các hồ sơ căn cước 1892

Francis galton công bố rằng vân tay mang tính chất là duy nhất và không đổi

trong cuốn sách “Finger print” Đây là những lý luận cơ bản cho khoa học về

vân tay hiện đại

 1897 Edward Henry giới thiệu hệ thống phân lớp vân tay nổi tiếng mang tên

Henry-Henry

 1901-1910 rất nhiều nước bắt đầu sự dụng dấu lăn tay

 1924 FBI bắt đầu sử dụng hệ thống nhận dạng vân tay Năm 2003, trong cở sở

dữ liệu ảnh của FBI lên đến con số 70 tỉ vân tay

 Nước Anh chũng sớm sử dụng phương pháp này Năm 1944 họ đã lưu trữ tới 90

triệu dấu vân tay của tất cả binh lính và những người dân lo xa Trong những

trường hợp chết đột ngột, mất thẻ căn cước hoặc mắc bệnh tâm thần lú lẫn, các

dấu vân tay sẽ giúp cảnh sát truy tìm tung tích họ

Các nghiên cứu về lĩnh vực nhận dạng vân tay bắt đầu phát triển mạnh từ

những năm 60 của thế kỷ 20 Đến này, nó đã được phát triển rất nhiều và áp dụng rất

nhiều vào các lĩnh vực, …

II.2 Nghiên cứu nhận dạng vân tay ở Việt Nam:

Ở Việt Nam, lĩnh vực nhận dạng cũng đã được nghiên cứu tuy nhiên nhu cầu

sử dụng trong các lĩnh vực còn rất hạn chế, chưa phổ biến Có thể nói, đây là một lĩnh

vực nghiên cứu rất khó

III NHỮNG VẤN ĐỀ CÒN TỒN TẠI

Mặc dù các thuật toán về nhận dạng đã phát triển đến mức rất tốt trong nhận

dạng vân tay Tuy nhiên vẫn còn có một số vấn đề cần quan tâm để tạo ra được một

hệ thống nhận dạng vân tay tự động một cách hiệu quả và chính xác hơn trong việc

áp dụng vào thế giới thực Một số vấn đề có thể cải tiến để phát triển giải thuật.[2]

 Chất lượng ảnh vân tay có ảnh hưởng rất lớn đến vấn đề nhận dạng vân

tay Nếu như hệ thống nhận dạng có thể từ chối các ảnh có chất lượng kém trước khi xử lý chúng, quá trình nhận dạng sẽ được cải tiến đáng kể Cho đến ngày nay, chưa có một phương pháp tốt nào để đánh giá chất lượng của một ảnh vân tay

 Tất cả các điểm đặc trưng trong các ảnh vân tay, bao gồm những chi tiết

vụn vặt và những nét vô danh đều được xem như nhau trong khi nhận dạng Mặc dù một số nhà nghiên cứu cố gắng kết hợp các phương pháp nhận dạng khác nhau, chưa ai trong số họ dùng các trọng số khác nhau cho các chi tiết khác nhau trong các miền khác nhau

 Trong hầu hết các hệ thống nhận dạng vân tay, quá trình trích đặc điểm

và nhận dạng được thiết kế và cài đặc riêng biệt Sự thi hành của quá trình nhận dạng luôn được sử dụng để đánh giá sự thực thi của quá trình trích đặc điểm Có thể phát triển một phương pháp để kết hợp hai thủ tục để đạt được một quá trình nhận dạng tốt hơn

 Trong hầu hết các hệ thống nhận dạng vân tay, sự méo mó của lớp da

con người được đơn giản hóa bằng một đường thẳng, một lý do quan

trọng trong sự đơn giản hóa này là vì không dễ trong việc mô tả sự vặn vẹo thực sự bởi các phương trình toán học đơn giản

 Các nhà chuyên môn có thể làm tốt hơn máy tính trong vấn đề nhận

dạng Trong hầu hết các trường hợp các nhà chuyên môn có thể nhận ra sự khác biệt của các vân tay ở cái nhìn đầu tiên Thậm chí cho hai ảnh tương tự nhau, các nhà chuyên môn có thể nhận ra chúng mà không cần phải cố gắng nhiều Con mắt và bộ não của các nhà chuyên môn đã dùng phương pháp gì để là việc này? Để trả lời câu hỏi này, cần có sự phối hợp của nhà nhà nghiên cứu từ các lĩnh vực khác nhau như : khoa học máy tính, điện tử, khoa học thống kê, khoa học xã hội, …

PHẦN 2: GIẢI QUYẾT VẤN ĐỀ

-  -

I MỤC ĐÍCH ĐỀ TÀI

Tìm hiểu lý thuyết và cơ chế nhận dạng vân tay, thuật toán trích đặc điểm và sử

dụng mạng nơron để phân lớp ảnh vân tay Ứng dụng cơ sở lý thuyết này xây dựng

hệ nhận dạng vân tay dựa vào mã nguồn mở

II PHƯƠNG PHÁP NGHIÊN CỨU

Thu thập, phân tích tài liệu, xây dựng chương trình bằng ngôn ngữ C/C++ trên hệ

điều hành Linux

III NỘI DUNG

III.1 Tổng quan:

III.1.1 Khái niệm về vân tay:

Dấu vân tay (fingerprint) là một nhóm các đường vân kết hợp với nhau Mỗi

đường vân tay (ridge) được là một đoạn đường cong và rãnh (valley) là phần giữa hai

đường vân kề nhau

III.1.2 Tại sao sử dụng vây tay vào mục đích nhận dạng

Vân tay là do các gai da đội lớp biểu bì lên mà thành Đó là nơi tập kết miệng các

tuyến mồ hôi, tuyến bã nhờn, … Nó đã định hình khi con người còn là cái thai 4 tháng

trong bụng mẹ Khi đứa bé ra đời, lớn lên, vân tay được phóng đại nhưng vẫn giữ

nguyên dạng cho đến khi về già Nếu tay có bị bỏng, bị thương, bị bệnh thì khi lành,

vân tay lại tái lập y hệt như cũ Chỉ khi có tổn thương sâu hủy hoại hoàn toàn, sẹo

chằng chịt mới xóa mất vân tay [15]

Qua hàng thế kỉ nghiên cứu các nhà khoa học đã đưa ra 2 kết luận như sau về vân

tay của con người:

 Tính vĩnh cửu: vân tay của một người không thay đổi theo thời gian

 Tính duy nhất: vân tay của mỗi người là khác nhau

III.1.3 Các kỹ thuật nhận dạng dựa vào sinh trắc học:

Ngoài kỹ thuật nhận dạng dựa vào vân tay còn có các kỹ thuật khác dựa vào

sinh trắc học như: ADN, gương mặt, võng mạc, chữ ký, giọng nói,…[1]

Nhận dạng

sinh trắc

học

Mức độ phổ biến

Mức độ chính xác

Mức độ bền vững

Mức độ tập trung

Mức độ khả thi

Mức độ chấp nhận

Mức độ hư hỏng

AND Cao Cao cao Thấp Cao Thấp Thấp

Gương mặt Cao Thấp TB Cao Thấp Cao Cao

Võng mạc Cao Cao TB Thấp Cao Thấp Thấp

Chữ ký thấp Thấp thấp Cao Thấp Cao Cao

Giọng nói TB Thấp Thấp TB Thấp Cao Cao

Tròng đen

mắt Cao Cao Cao TB Cao Thấp Thấp

Bảng 1: Các kỹ thuật nhận dạng thường sử dụng

Voice Signature Iris Face Hand Middleware Fingerprint

Hình 1: Biểu đồ Thông tin thị trường về các phần mền nhận dạng dựa vào

nhân trắc học năm 2002

Tùy thuộc vào mục tiêu áp dụng, hệ thống nhân trắc học có thể được gọi là :

hệ thống kiểm tra (verification) hoặc hệ thống nhận dạng (recognition).[1]

 Hệ thống kiểm tra: xác nhận một người bằng cách so sánh các đặc tính nhân

trắc học của thu nhận được với các mẫu nhân trắc học của bản thân người ấy

Nó so sánh 1-1 để đưa ra quyết định

 Hệ thống nhận dạng: xác nhận bằng cách tìm kiếm trong toàn bộ các mẫu

chứa trong cơ sở dự liệu Nó so sánh 1-n để đưa ra quyết định

Giọng nói 4.4% Chữ ký 2.1%

Tròng đen mắt 5.8%

Gương mặt 12.4%

Các loại khác13.2%

Bàn tay 10.0%

Vân tay 52.1%

III.1.4 Các ứng dụng của nhận dạng vân tay:

Ở một số nước phát triển trên thế giới như Mỹ, Anh, … nhận dạng vân tay được

áp dụng vào các lịnh vực trong đời sống rất mạnh mẽ Chúng không những được áp

dụng vào các lĩnh vực bảo mật, các lĩnh vực thuộc về điều tra, mà còn được sử dụng

trong các hoạt động công cộng thường ngày như giấy phép lái xe, hộ chiếu, …

Pháp lý Chính quyền Thương mại Nhận dạng tử thi

Điều tra tội phạm

Bảng 2: Các ứng dụng phổ biến của nhận dạng vân tay [1]

III.1.5 Đặc điểm vân tay:

Galton định nghĩa một tập các đặc điểm cho việc nhận dạng vân tay, sau đó nó

được tinh chế lại để thêm vào các loại của đặc điểm vân tay Hơn nữa, hầu hết các

đặc điểm này không được sử dụng phổ biến trong các hệ thống nhận dạng vân tay

Thay vì một tập các đặc điểm, đã được giới hạn lại chỉ trong hai loại, đó là đặc điểm

vân kết thúc (ridge ending) và đặc điểm vân rẽ nhánh (bifurcation)

 Đặc điểm vân kết thúc (ridge ending): là điểm mà ở đó đường cong vân dừng

đột ngột

 Đặc điểm vân rẽ nhánh (bifurcation): một vân chia ra hai nhánh như chữ Y

Hình 1.1 minh họa về đặc điểm vân kết thúc (ridge ending) và đặc điểm vân

rẽ nhánh (bifurcation) Pixel màu đen là vân (ridge) và pixel màu trắng là rãnh

(valley)

Hình 2: Vân kết thúc (ending) và vân rẽ nhánh (bifurcation)

Một số loại đặc điểm phổ biến [1]:

vân kết thúc (ridge ending) vân rẽ nhánh (bifurcation) Lỗ hổng (lake)

Vân độc lập (independent ridge) Điểm độc lập (point or island) Gai vân (spur)

vân cắt ngang (crossover) Bảng 3: Một số loại đặc điểm phổ biến

III.2 Giải thuật về nhận dạng vân tay

III.2.1 Nguyên lý chung:

Ảnh vân tay  Trích đặc điểm  Mạng nơron  Kết quả nhận dạng

III.2.2 Trích đặc điểm ảnh:

Hình 3: Sơ đồ khối các bước trích đặc điểm

1 Ảnh đầu vào

2 Chuẩn hóa ảnh

3 Thiết lập sự định hướng

4 Thiết lập tần số vân

5 Thiết lập mặt nạ

6 Làm đẹp ảnh

7 Chuển sang dạng nhị phân

8 Làm mảnh ảnh

9 Trích đặc điểm

Thông thường, hai ảnh vân tay để so sánh với nhau người ta dùng những nét

đặc trưng riêng biệt gọi là các đặc điểm Các nét đặc trưng này là các vân kết thúc

(được gọi là ridge ending) hoặc là các vân bị chia cắt ( được gọi là bifurcation) Điển

hình, có khoảng từ 100 đến 200 các đặc điểm trên vân tay Để tìm kiếm và so khớp

ảnh, cần phải định vị tọa độ và hướng của mỗi vân ở mỗi đặc điểm Các đặc điểm

được đánh dấu trên hình bên phải, và phần đuôi của chúng chỉ ra hướng của đặc

điểm

Hình 4: Các đặc điểm của vân rẽ nhánh (bifurcation) được đánh dấu vuông và kết

thúc (ridge ending) được đánh dấu tròn

Hình 5: Sự định hướng và góc của các đặc điểm

Các điểm đặc điểm là những nét đặc trưng của các đường vân cục bộ, đó có

thể là một đặc điểm kết thúc (ridge ending ) hoặc là một đặc điểm rẽ nhánh (ridge

bifurcation) Một vân kết thúc được định nghĩa là một điểm mà các vân đột ngột kết

thúc; và vân rẽ nhánh là điểm mà ở đó vân bị chia cắt ra thành hai hay nhiều nhánh

Dò tìm các đặc điểm tự động là một tác vụ rất khó trong các ảnh vân tay có chất

lượng thấp

Tổng quan về phương pháp trích đặc điểm:

Có thể tổng quát hóa toàn bộ phần trích đặc điểm ảnh vân tay được phân ra

thành 3 bước như sau:

1 Xử lý trước khi trích đặc điểm ( tiền xử lý )

2 Trích đặc điểm

3 Xử lý ảnh sau khi trích đặc điểm (hậu xử lý)

Chi tiết cài đặt cũng như những thuật toán áp dụng cho các phần có thể khác

nhau để tạo ra chất lượng tốt hay chưa tốt trong vấn đề trích đặc điểm Ở đây, chúng

tôi trình bày phần trích đặc điểm của giải thuật mà chúng tôi cài đặt Còn có những

giải thuật trích đặc điểm khác sẽ được giới thiệu trong phần phụ lục

III.2.2.1 Tiền xử lý:

Tiền xử lý bao gồm các bước: chuẩn hóa, thiết lập sự định hướng vân, thiết lập

tần số vân, thiết lập vùng mặt nạ, làm đẹp ảnh bằng bộ lọc Gabor

Hình 6: Các bước tiền xử lý ảnh vân tay

III.2.2.1.1 Chuẩn hóa (normalization)

Ảnh đầu vào được chia thành các khối với kích thước 16x16 và tính toán

phương sai cho mỗi khối Giá trị phương sai (variance) được so sánh với một giá trị

ngưỡng Nếu phương sai của một khối nhỏ hơn giá trị ngưỡng thì nó bị xóa khỏi ảnh

gốc Sự xử lý này sẽ áp dụng cho toàn bộ ảnh Ảnh thu được của bước này được

chuẩn hóa để lấy phương sai (variance) của ảnh được cho

Chuẩn hóa ảnh được cho bởi công thức:

nếu )),((

),( )),(()

,

(

2 0

0

2 0

0

VAR

M j i I VAR M

M j i I VAR

M j i I VAR M

j

i

G

Trong đó I ( j i, ) biểu thị cho giá trị tỉ lệ xám (gray-scale) ở pixel(i,j) M và VAR

biểu thị giá trị mean và variance của I G ( j i, ) biểu thị giá trị chuẩn hóa gray-scale ở

pixel(i,j) M0 và VAR0 là giá trị trung bình (mean) và phương sai (variance) mong

muốn

 Kết quả: Chuẩn hóa ảnh (Normalisation)

Hình 7 trình bày kết quả của việc chuẩn hóa một ảnh vân tay với giá trị trung

bình mong muốn (desired mean) là 0 và phương sai (variance) là 1 Biểu đồ ảnh gốc

(hình 7(c)) biểu diễn tất cả các giá trị cường độ nằm bên phải, co dãn trong khoảng từ

0-255 Kết quả trong ảnh này có một sự tương phản rất ít (hình 7 (a)) Biểu đồ của

ảnh chuẩn hóa (hình 7(d)) biễu diễn dãy các giá trị cường độ được điều chỉnh mà có

sự phân bố rõ hơn giữa các điểm ảnh tối và sáng Do đó việc chuẩn hóa ảnh sẽ cải

thiện được độ tương phản giữa các vân và các rãnh (hình 7(b)) Biểu đồ hình 7(c) và

7(d) thể hiện quá trình chuẩn hóa, nó không làm thay đổi ảnh gốc mà chỉ làm cân đối

lại các vị trí dọc theo trục x, nghĩa là cấu trúc các vân và các rãnh không đổi

(c) (d)

Hình 7: Kết quả của bước chuẩn hóa ảnh

III.2.2.1.2 Thiết lập sự định hướng:

Hình 8: Sự định hướng đường vân trong ảnh vân tay

Thiết lập sự định hướng của ảnh là mục tiêu của bước kế tiếp Toàn bộ ảnh

được chia ra thành các khối có kích thước 15x15 và hướng cục bộ trong mỗi khối được

tính toán theo công thức:

),),(

),((tan2

1),(

)),,(),(()

,(

),,(),(2)

,(

1

2

2 2

2

2 2

2

2 2

2

j i V

j i V j

i

v u v

u j

i V

v u v u j

i V

x y

w i

w i u

w j

w j v

y x

y

w i

w i u

w j

w j v

y x

Trường định hướng của ảnh vân tay chỉ rõ khu vực định hướng cục bộ của

đường vân trong ảnh vân tay Việc thiết lập sự định hướng là bước chủ yếu trong tiến

trình tinh chỉnh ảnh trong giai đọan lọc Gabor dựa vào sự định hướng cục bộ để mà

tinh chỉnh ảnh vân tay thực sự có hiệu quả Hong et al dùng phương pháp ước lượng

trung bình bình phương để tính sự định hướng ảnh Thay vì thiết lập sư định hướng

từng khối (block-wise) Từng bước tính toán sự định hướng tại pixel (i,j) được mô tả

dưới đây:

a) Kích thước một khối W x W tại pixel trung tâm (i,j) trong ảnh vân tay chuẩn

hóa

b) Ở mỗi pixel trong khối tính gradient x ( j i, )và y ( j i, ) mà độ lớn gradient

của nó lần lượt là x và y Toán tử Sobel ngang (horizonal Sobel) dùng để

202

101

Tóan tử Sobel dọc (vertical Sobel) dùng để tính y ( j i, ) là:

00 0

12 1

c) Việc thiết lập sự định hướng cục bộ tại pixel (i,j) được tính như sau:

),),(

),((tan2

1),(

)),,(),(()

,(

),,(),(2)

,(

1

2

2 2

2

2 2

2

2 2

2

j i V

j i V j

i

v u v

u j

i V

v u v u j

i V

x y

w i

w i u

w j

w j v

y x

y

w i

w i u

w j

w j v

y x

Trong đó  i, j là sự đánh giá đúng nhất của hướng cục bộ tại pixel trung

tâm (i,j) của khối

d) Trường định hướng của khu vực lân cận thì dùng bộ lọc Gauss Ảnh định

hướng được chuyển đổi liên tục bên trong trường vectơ, nó được định nghĩa

như sau:

     

 i j   i j 

j i j

i

, 2 sin ,

, 2 cos ,

Trong đó x và ylần lượt là các thành phần x và y của trường vectơ

Làm phẳng Gauss được tính như sau:

2 '

2

2 2

2 '

), ,

( ) , ( )

, (

), ,

( ) , ( )

, (

w

w u

w

w v

y y

w

w u

w

w v

x x

vw j uw i v u G j

i

vw j uw i v u G j

),(tan2

1),

' 1

j i

j i j

i O

 Kết quả: Thiết lập sự định hướng (Orientation estimation)

Giai đoạn lọc Gabor của tiến trình tinh chỉnh ảnh dựa vào việc lọc dọc theo sự

định hướng các vân cục bộ để mà tinh chỉnh cấu trúc vân và giảm bớt tạp nhiễu Vì

thế nó rất quan trọng trong việc thiết lập chính xác trường định hướng Giai đoạn thiết

lập định hướng đóng vai trò trọng tâm trong tiến trình tinh chỉnh ảnh

III.2.2.1.3 Thiết lập tần số vân

Phương pháp sau được chấp nhận cho sự tính toán tần số của mỗi khối Theo

trục x của mỗi khối (block) được tính toán dọc theo hướng trực giao với hướng góc

trong mỗi khối Cửa sổ được sử dụng cho mục đích này có kích thước 16x32 tần số

được tính toán bằng khoảng cách giữa các đỉnh vân thu được theo trục x Cửa sổ cho

điều này được cho bởi công thức:

),,(cos)2(),(sin)2(

),,(sin)2(),(cos)2(

,1, ,1,0),

,(

1][

1

0

j i O k

l j i O

w d j v

j i O

l k j i O

w d i u

l k

v u G w k X

Tổng quát, tần số của ảnh được cấu thành có một tần số chắc chắn cho ảnh

lủng lổ (hole) và do đó bước trên có thể bỏ qua nếu tần số toàn cục (global

frequency) của ảnh được biết

Tham số quan trọng mà được dùng trong cấu trúc lọc Gabor là tần số đường

vân cục bộ được thêm vào ảnh định hướng Tần số ảnh miêu tả tần số cục bộ của

vân trong ảnh vân tay Bước đầu tiên trong việc thiết lập tần số là chia nhỏ ảnh bên

trong các khối có kích thước w x w Bước kế tiếp là chiếu các giá trị độ xám

(grey-level) của tất cả các pixel định vị bên trong mỗi khối dọc theo hướng trực giao tới

hướng đường vân cục bộ Hình dạng này giống như là một sóng hình sin (sinusoidal –

shape ware) với các điểm rất nhỏ tương ứng với vân trong ảnh vân tay Ví dụ về hình

dạng này được thấy trong hình 9

Giai đọan thiết lập tần số ban đầu được dùng bởi Hong et al [9], bao gồm việc

thêm vào phép chiếu phẳng (projection smoothing) trước tiên để tính khỏang cách

vân Sử dụng bộ lọc thông thấp Gauss kích thước w x w nhằm giảm bớt độ nhiễu

trong phép chiếu (projection) Khoảng cách vân S(i,j) được tính bằng cách đếm số

trung bình của các pixels giữa các điểm liên tiếp trong phép chiếu Do vậy tần số

vân F(i,j) cho từng khối tại pixel (i,j) được tính như sau:

),(

1),(

j i S j i

Trường hợp mà khi ảnh vân tay được quét vào với độ phân giải cố định thì các

giá trị tần số vân phải nằm bên trong một dãy đích xác Tuy nhiên có một vài trường

hợp mà ở đó giá trị tần số vân không chính xác từ phép chiếu Ví dụ như là khi mà

các điểm không liên tục từ phép chiếu cũng như là các đặc điểm xuất hiện trong

khối mà ở đó phép chiếu không có dạng hình sóng sin tốt Do vậy các giá trị tần số

này có thể kế thừa bằng cách sử dụng các giá trị từ các khối lân cận mà có tần số tốt

Hình 9 : Phép chiếu các giá trị cường độ của các pixel dọc theo hướng trực giao tới

hướng vân cục bộ (a) Một khối 32 x 32 của ảnh vân tay (b) Dạng sóng của khối

(block) qua phép chiếu

 Kết quả: Thiết lập tần số vân:

Cùng với sự định hướng vân thì tần số vân là một tham số quan trọng khác

được dùng trong việc xây dựng bộ lọc Gabor Kết quả các giá trị tần số vân sẽ được

trình bày trong các điều kiện chiều dài sóng vân nhằm giải thích kết quả của nó một

cách dễ dàng hơn Ví dụ nếu giá trị tần số vân là 1/8 pixel thì kết quả sẽ hiển thị cho

chiều dài sóng vân này là 8

III.2.2.1.4 Thiết lập mặt nạ cho vùng vân tay

Bởi vì ảnh vân tay luôn bao gồm phần nền và phần này không chứa thông tin

cần thiết nên loại bỏ nó Chúng ta chia ảnh vân tay ra làm 16x16 khối (block) và tính

toán điều kiện scủa giá trị tỉ lệ xám (gray-scale) của các pixel của mỗi khối (block)

Chúng ta cho rằng, nếu điều kiện slớn hơn một ngưỡng (threshold) thì khối đó thuộc

nền

Ảnh vân tay có thể dễ dàng được chia thành từng khối (segmented) dựa vào bề

mặt mẫu sóng không có giá trị trong vùng không có các vân Trong các miền của nền

(background) và các vùng nhiễu, có rất ít cấu trúc và do đó rất ít năng lượng trong

chuỗi phân bố fourier Chúng ta định nghĩa một năng lượng ảnh E(x,y), ở đó mỗi giá

trị chỉ ra năng lượng của mỗi khối Vùng vân tay có thể được phân biệt với nền thông

qua một ngưỡng năng lượng vân tay Chúng ta lấy logarithm của năng lượng

 Kết quả của quá trình phân đoạn

Hình 10 mô tả kết quả của phân đoạn của một ảnh vân tay dựa trên ngưỡng

phương sai (thresholding variance) Ảnh variance trong hình 10(b) cho thấy một giá

trị phương sai cao (high variance) trong vùng ảnh vân trung tâm, trong khi các vùng

bên ngoài khu vực này thì có giá trị phương sai thấp (low variance) Do vậy một

ngững phương sai (variance) được dùng để phân đọan khu vực chứa ảnh vân

(fingerprint foreground area) từ các vùng nền (background regions) Ảnh phân đọan

sau cùng được tạo thành bằng cách gán với một giá trị ngưỡng thấp tới một giá trị độ

xám (grey-level) là 0 được trình bày trong hình 10(c) Kết quả phân đoạn các vùng

ảnh vân (foreground regions) bằng cách áp dụng phương pháp này sẽ thu được duy

nhất chỉ khu vực chứa cấu trúc vân Do vậy phương pháp ngưỡng phương sai

(variance) thì rất có hiệu quả trong việc phân biệt khu vực chứa ảnh (foreground) từ

các vùng hình nền (background) Có một chút rắc rối khi xác định giá trị ngưỡng khi

mà phân đọan ảnh là nếu mà giá trị ngưỡng quá lớn thì kết quả của vùng ảnh

(foreground regions) có thể sẽ gán không chính xác với vùng nền (background

regions) Ngược lại nếu mà giá trị ngưỡng quá nhỏ thì vùng hình nền (background

regions) có thể bị sai khi gán vùng chứa ảnh vân tay Do đó ngưỡng chênh lệch nhau

khoảng 100 là điều kiện tốt nhất để phân biệt giữa vùng ảnh (foreground regions) và

vùng nền (background regions)

Hình 10: Kết quả của sự phân đoạn

III.2.2.1.5 Làm đẹp ảnh sử dụng bộ lọc Gabor:

Sự hoạt động của các thuật toán trích đặc điểm và các thuật toán nhận dạng

vân tay dựa vào chủ yếu vào chất lượng của ảnh vân tay đầu vào Trong một ảnh vân

tay chuẩn (lý tưởng) các vân và các rãnh xen kẽ với nhau và xuất phát theo một

hướng cục bộ cố định

Trong một vị trí, các vân dễ được dò và các đặc điểm có thể được định vị chính

xác trong ảnh

Trong một ảnh vân tay có thể chứa các vùng có chất lượng tốt, trung bình và

xấu Chất lượng xấu của ảnh là do nhiễu và bị hư (corrupt) Nói chung, có nhiều loại

khác nhau của sự giảm phẩm chất của ảnh vân tay:

1 Các vân không liên tục hoàn toàn, đó là các vân có các chỗ nứt nhỏ (kẽ hở,

lỗ trống)

2 Các vân song song không được phân biệt rõ ràng, vì có sự hiện diện của

nhiễu làm nối kết các vân song song

3 Các vết đứt, vết gấp, vết thâm

Đó là 3 loại của sự làm giảm chất lượng làm cho việc trích vân tay vô cùng

khó khăn trong các vùng bị hư hỏng cao Vấn đền này tạo ra các vấn đề theo sau

trong việc trích đặc điểm:

1 Một số đáng kể các đặc điểm không xác thực được trích

2 Một số lượng lớn các đặc điểm chính xác bị bỏ quên

3 Số lỗi lớn trong việc định vị (vị trí và sự định hướng) của các đặc điểm

Để đảm bảo sự thực thi chính xác của vân và của các thuật toán trích đặc điểm

đối với các ảnh vân tay có chất lượng thấp, thuật toán tinh chỉnh (enhancement

algorithm) để cải tiến của cấu trúc vân tay là cần thiết

Một chuyên gia về vân tay thông thường có thể nhận dạng chính xác các đặc

điểm bằng cách sử dụng các manh mối quan sát khác nhau như là dựa vào các hướng

vân cục bộ (local ridge orientation), tính liên tục (ridge continuity) và xu hướng của

vân (ridge tendency) Theo lý thuyết có thể phát triển một thuật toán tinh chỉnh

(enhancement algorithm) dựa vào các manh mối quan sát đó để cải tiến chất lượng

của ảnh Tổng quát, cho một ảnh vân tay, các vùng vân tay thu được qua bước phân

chia ảnh thành các khối (segmentation) có thể được chia thành 3 loại:

 Miền hoàn toàn xác định: các vân được phân biệt rõ ràng

 Miền có thể sửa chữa: các vân bị sai lệch (corrupt) do một số lượng nhỏ

lỗ trống, nếp gấp, vết bẩn, vết nối, … nhưng chúng vẫn có thể được nhận

ra và các miền lân cận có thể cung cấp những thông tin chính xác về cấu

trúc đúng của chúng

 Miền không thể sửa chữa: các vân bị hư, với một số lượng nhiễu lớn và

sự méo mó (không rõ ràng), không có vân nào nhận ra được và các miền

lân cận không thể tái cấu trúc lại chúng

Các miền chất lượng tốt, các miền có thể sửa chữa và không thể sữa chữa có

thể được nhận biết dựa theo một số điều kiện Thông thường, nghịch đảo ảnh (image

contrast), sự định hướng đúng đắn(orientation consistency), tần số vân, và những đặc

tính cục bộ khác có thể được kết hợp để xác định một chỉ số chất lượng Mục tiêu của

thuật toán tinh chỉnh là để cải tiến sự rõ ràng cho các cấu trúc vân trong các vùng có

thể sửa chữa và đánh dấu các miền không thể sữa chữa cho sự xử lý tiếp theo

Thông thường, đầu vào của thuật toán tinh chỉnh là một ảnh tỉ lệ xám

(gray-scale) Đầu ra có thể là một ảnh tỉ lệ xám (gray-scale) hoặc là ảnh nhị phân, phụ

thuộc vào thuật toán

Ở bước tiếp theo, mỗi khối được lọc dọc theo hướng của góc định hướng sử

dụng giá trị của tần số thu được cho mỗi khối Phép lọc Gabol được sử dụng cho việc

xử lý này và một giá trị thích hợp của các phương sai cục bộ được lấy thông qua sự xử

lý của bộ lọc

Phép lọc Gabor quan tâm đến cả hai thành phần tần số theo cả hai hướng tọa

độ Yêu cầu đầu vào để tạo một mặt nạ Gabol là tần số, góc định hướng và các

phương sai dọc theo trục x và y Sự lọc được thực hiện ở mỗi khối sử dụng góc định

hướng cục bộ và tần số

Tiền xử lý của ảnh được hoàn thành sau các bước đã được đề cập và ta thu

được một ảnh được tinh chỉnh ban đầu (enhanced image)

Một khi mà sự định hướng vân và thông tin tần số vân được xác định thì các

tham số này được dùng để xây dựng bộ lọc Gabor đối xứng chẵn (even-symmetric

Gabor filter)

,cossin

,sincos

),2cos(

2

1exp),

;,

2 2 2

y

y x

x

fx y

x f

y x G

y x

 và y lần lượt là độ lệch chuẩn của Gauss dọc theo trục x và y, x0 và y0 lần lượt là

tọa độ ban đầu

Hình 11 : Bộ lọc Gabor đối xứng chẵn trong miền không gian

Bộ lọc Gabor áp dụng cho ảnh vân tay bằng cách co lại không gian ảnh Sự co

lại ở pixel(i,j) trong ảnh đòi hỏi một giá trị định hướng tương ứng O(i,j) và một giá trị

tần số vân F(i,j) của pixel Sau đây việc áp dụng bộ lọc Gabor G tinh chỉnh ảnh E

được thể hiện bên dưới:

( )) , ( ), , (

; , ( )

, (

y

y

w

w v

wx

wx u

v j u i N j i F j i O v u G j

i E

Trong đó O là sự định hướng ảnh, F là tần số ảnh, N là ảnh vân tay chuẩn hóa,

x

w và w y lần lượt là chiều rộng và chiều cao của mặt nạ bộ lọc Gabor

Băng thông bộ lọc là dãy tần số bộ lọc phản hồi lại, mà nó được xác định bằng

các tham số lệch chuẩn x và y Khi mà băng thông của bộ lọc được so khớp với

tần số vân cục bộ thì có nghĩa là việc lựa chọn tham số xvà y phải có quan hệ với

tần số vân Tuy nhiên, theo kinh nghiệm trong thuật toán của Hong et al thì x và y

được thiết lập các giá trị cố định lần lượt là 4.0 và 4.0

Một mặt hạn chế khi dùng các giá trị cố định là việc áp đặt cho băng thông là

hằng số, do vậy nó không làm thay đổi các giá trị của tần số vân Các giá trị tham số

tần số vân x và yđược định nghĩa như sau:

),,(

),,(

j i F k

j i F k

y y

x x

 Các giá trị x và y có thể thích ứng với tần số vân cục bộ của ảnh vân tay

Vả lại trong thuật toán gốc thì chiều rộng và chiều cao của mặt nạ bộ lọc được

thiết lập hai giá trị cố định là 11 Tuy nhiên một kích thước cố định thì không tối ưu vì

nó không cho phép điều chỉnh các sóng của bộ lọc Gabor với những kích thước băng

thông khác nhau Do đó để cho phép kích thước bộ lọc thay đổi theo băng thông của

dạng sóng Gabor thì cần thiết lập kích thước bộ lọc với hàm các tham số lệch chuẩn:

y y

x x

Trong đó w x và w y lần lượt là chiều rộng và chiều cao của mặt nạ bộ lọc

Gabor, x và ylần lược là độ lệch chuẩn của Gauss dọc theo trục x và y Theo công

thức bên trên thì chiều rộng và chiều cao của mặt nạ bộ lọc theo lý thuyết là 6x, vì

thế hầu hết thông tin về sóng Gabor được chứa trong miền 3,3 theo trục y

 Kết quả: Lựa chọn tham số cho bộ lọc Gabor:

Các tham số x và y của điều khiển băng thông (bandwidth) của bộ lọc

Gabor và phải được chọn cẩn thận vì chúng có ảnh hưởng đáng kể trong kết quả của

việc tinh chỉnh (enhancement) Giá trị x quyết định độ tương phản của các vân và

các rãnh, và y xác định độ làm nhẵn áp đặt vào các vân dọc theo hướng cục bộ

Hình 12 minh họa kết quả của việc sữ dụng các giá trị x và y khác nhau vào bộ

lọc Gabor dùng cho ảnh vân tay

Theo như phần trước ta có:

) ,

( j i F

k x

x 



),

( j i F

k y

y 



Với Flà tần số vân; k x,k y là hằng số

Hình 12(f) chỉ ra rằng, với giá trị x và y lớn làm ảnh hưởng rất lớn đến việc

tinh chỉnh và tạo ra nhiều vết mờ trong các cấu trúc vân Sự mờ xảy ra bởi vì qua sự

làm nhẵn ảnh của bộ lọc Mặt khác, nếu giá trị này quá nhỏ, bộ lọc sẽ không hiệu

quả trong việc loại bỏ nhiễu trong ảnh và kết quả ảnh thu được chỉ được làm nhẵn

đơn giản từ ảnh ban đầu (hình 12(b)) Việc làm nhẵn xảy ra thực sự khi bộ lọc Gabol

tạo ra vào trong khuôn mẫu của một bộ lọc thông thấp hoàn toàn (hình 12(c))

Do vậy, có thể nhận thấy rằng việc lựa chọn giá trị của x và yđòi hỏi phải

không được quá lớn cũng không được quá nhỏ Theo kinh nghiệm thực tế người ta

hay sử dụng k x 0 5 và k y  0 5 Một ví dụ cho việc sử dụng các tham số này trong

hình 12(d) với sự đáp ứng của bộ lọc Gabor trong hình 12(e) kết quả này chỉ ra rằng

các vân được tinh chỉnh tốt và cải tiến sự tương phản giữa các cấu trúc vân và rãnh

Hình 12: Kết quả tinh chỉnh ảnh sử dụng bộ lọc Gabor với các tham số k x, k y khác

nhau

II.2.2.2 Trích đặc điểm (minutiae Extraction):

Bước trích đặc điểm bao gồm 3 bước:

Hình 13: các bước trong bước trích đặc điểm

Bước kế tiếp sau khi tinh chỉnh ảnh là trích các đặc điểm ảnh Aûnh tinh chỉnh đầu

tiên được chuyển sang dạng nhị phân

Ảnh vân tay được chia thành các khối 16x16 với 8 pixel dọc theo mỗi chiều Mỗi

khối (block), chúng ta thực hiện :

nếu ,

Ib

,0

),(1

),

Trong đó: I h là giá trị của pixel(i,j) trong khối cân bằng biểu đồ Ib là giá trị nhị

phân của pixel (i,j) trong ảnh nhị phân, và b là một ngưỡng của quá trình tạo ảnh nhị

phân

Ảnh nhị phân được làm mỏng (thin) mỗi vân có bề rộng chỉ 1 pixel, thuật toán làm

mảng đường vân (thinning) được trình bày trong phần sau

Phần cốt lõi của ảnh được tạo dáng Các điểm đặc điểm sẽ được trích bởi phương

thức sau Các điểm đặc điểm do đó có 1 giá trị pixel (vân kết thúc) như là láng giềng

của nó hoặc là lớn hơn 2 (vân rẽ nhánh)

Hầu hết các kỹ thuật phổ biến của trích đặc điểm đều sử dụng khái niệm CN(

Crossing Number) Phương pháp này đòi hỏi phải sửng dụng ảnh xương (skeleton

image) Các đặc điêm được trích bằng cách quét vùng lân cận của mỗi pixel trên vân

trong ảnh sử dụng cửa sổ 3x3 Giá trị CN sau đó được tính toán, nó được định nghĩa là

Chuyển ảnh sang dạng nhị phân

Làm mảnh các đường vân

Trích đặc điểm

bằng một nửa tổng của sự khác nhau giữa các cặp của các pixel lân cận trong 8 pixel

lân cận (eigh-neighbourhood) Sử dụng các thuộc tính của CN được chỉ ra ở bảng 4,

pixel vân có thể được phân lớp thành đặc điểm vân kết thúc (ridge ending), đặc điểm

vân rẽ nhánh (birfucation), hoặc không phải là đặc điểm (non-minutiae point) Ví dụ

1 pixel vân có giá trị CN=1 là vân kết thúc, CN=3 là vân rẽ nhánh

Bảng 4: Thuộc tính CN (Crossing Number)

Các tác giả khác như Jain et al và Ratha et al, cũng thực hiện việc trích đặc

điểm sửng dụng ảnh xương Các phương pháp đòi hỏi phải sử dụng cửa sổ 3x3 để

khảo sát vùng lân cận của mỗi pixel vân (ridge pixel) trong ảnh Một pixel được phân

lớp là một vân kết thúc (ridge ending) nếu như chỉ có duy nhất một pixel vân bên

cạnh (láng giềng) trong cửa sổ, và được phân lớp là một điểm rẽ nhánh (birfucation)

nếu có 3 pixel bên cạnh Do đó, có thể coi rằng phương pháp này tương tự với phương

pháp giao nhau (Crossing Number)

Phương pháp CN được sử dụng để trích đặc điểm Phương pháp này trích các

đặc điểm vân kết thúc (ridge ending) và đặc điểm vân rẽ nhánh (bifurcation) từ ảnh

xương (skeleton) bằng cách kiểm tra các pixel bên cạnh thông qua cửa sổ 3x3 CN

cho pixrl P được cho bởi:

1 9 8

1

1 , 5

.

0 P P P P CN

Trong đó P i là giá trị pixel trong lân cận của P, có 8 pixel lân cận được quét

theo chiều ngược chiều kim đồng hồ như sau:

Sau khi giá trị CN cho một pixel vân (ridge pixel) được tính, pixel có thể được

phân lớp theo thuộc tính của giá trị CN Trên hình Hình 3.2, 1 điểm vân (ridge pixel)

CN Thuộc tính

0 điểm biệt lập

1 điểm của vân kết thúc

2 điểm của vân liên tục

3 điểm của vân rẽ nhánh

4 điểm của vân giao nhau

với CN=1 là 1 vân kết thúc (ridge ending) và CN=3 là 1 vân rẽ nhánh (bifurcation)

Cho mỗi điểm đặc điểm được trích, những thông tin sau đây được ghi nhận:

 Tọa tộ x,y

 Hướng của phân đoạn vân

 Loại đặc điểm (kết thúc hay là rẽ nhánh)

Hình 14: Ví dụ về điểm vân kết thúc (pixel ridge ending) và vân rẽ nhánh

(bifurcation) (a) CN=1: điểm vân kết thúc (b) CN=3: điểm vân rẽ nhánh

 Kết quả: bước chuyển sang nhị phân (binarisation) và làm mảnh (thinning):

Sau khi ảnh vân tay được tinh chỉnh, nó sẽ được chuyển sang dạng nhị phân và

dùng thuật toán làm mảnh (thinning) để giảm bớt độ dày của vân và làm cho kích

thước các điểm ảnh rộng ra Hình 15(b) giải thích bằng cách dùng kỹ thuật ngưỡng

toàn cục hiệu quả trong việc phân cách các vân (hay các pixel đen) từ các các điểm

trắng Kết quả của quá trình làm mảnh làm cho việc ghép nối cấu trúc vân được duy

trì tốt và bộ khung là 8 pixel xung quanh (hình 15(c)) Đặc biệt hình 16 trình bày là

thuật toán làm mảnh đường vân có thể trích chính xác các điểm ảnh không bị đứt

khúc đối với các vân liên tục

Hình 15: Kết quả chuyển sang nhị phân và ảnh được làm mảnh

Hình 16: Vân kết thúc và vân rẽ nhánh được làm mảnh

Hình 17 mô tả kết quả của việc chuyển ảnh sang dạng nhị phân và làm mảnh

cho ảnh vân tay không có giai đọan tiền xử lý Độ tương phản trong hình 15(b), ảnh

nhị phân trong hình 17(b) thì không có liên quan tốt và chứa đựng số lượng tạp nhiễu

đáng kể và các phần tử bẩn Do đó khi áp dụng làm mảnh cho ảnh nhị phân này thì

kết quả trong hình 17(c) thể hiện việc trích đặc điểm chính xác từ ảnh này sẽ không

có thể thực hiện được bởi vì số tính năng sai lớn

Hình 17 : Kết quả của việc chuyển ảnh sang dạng nhị phân và làm mảnh cho ảnh vân

tay không có giai đoạn tiền xử lý

 Minh họa kết quả trích đặc điểm:

Hình 18 minh họa kết quả trích đặc điểm từ một ảnh vân tay có chất lượng

trung bình Từ ảnh xương (skeleton), có thể suy ra tất cả các pixel vân (ridge pixel)

để đáp ứng cho việc tính CN là 1 hay 3 được dò thành công Thêm vào đó, kết quả

còn chỉ ra rằng, không một đặc điểm ứng viên nào bị bỏ sót, và không pixel nào được

đánh dấu như là tạo thành một đặc điểm sai Do đó có thể chỉ ra rằng kỹ thuật CN có

thể dò tìm khá chính xác các giá trị vân rẽ nhánh và vân kết thúc từ ảnh xương

(skeletion)

Hình 18(b) mô tả các điểm đặc điểm được trích đặt chồng lên ảnh ban đầu

Qua quan sát chỉ ra rằng phần lớn các điểm, đặc điểm được đánh dấu từ ảnh xương

tương ứng với các điẩm đặc điểm có giá trị trong ảnh ban đầu, tuy nhiên còn có một

số chỗ các đặc điểm được trích không phù hợp với các đặc điểm chính xác trong ảnh

ban đầu

Thêm vào đó, nên chú ý rằng trong một số trường hợp các điểm vân rẽ nhánh

và điểm vân kết thúc có thể khó phân biệt với nhau Đối tượng tạo ra ở giai đọan tinh

chỉnh và xử lý làm mảnh (thinning) có thể đôi khi kết quả của điểm vân rẽ nhánh lại

được dò thành kết quả là điểm vân kết thúc và các khuyết tật Do đó trong thực tế,

hầu hết các hệ thống nhận dạng vân tay không tạo sự khác biệt giữa điểm vân rẽ

nhánh và điểm vân kết thúc khi so khớp các đặc điểm

Hai ví dụ về các đặc điểm sai được đánh dấu trong hộp trên hình 18, và 1 sự

phóng lớn các đặc điểm sai được chỉ ra trên hình 19 hình 19(a) mô tả 1 điểm đặc

điểm sai được gọi là một cấu trúc lủng lỗ (hole structure), nó được đánh dấu trong

hộp ở phần trên trái của ảnh 18(a) và (b) hình 19(b) mô tả một đặc điểm sai được gọi

là một cấu trúc gai vân hay phần nhô ra (spur), nó được đóng trong hộp ở phía dưới

phải của hình 18(a) và (b) Có thể thấy rằng cấu trúc lỗ thủng (hole) sinh ra 2 điểm rẽ

nhánh; tuy nhiên trong ảnh ban đầu (hình 18(b)) có thể thấy rằng hai điểm đặc điểm

này không tồn tại Tương tự như vậy, cấu trúc gai vân hay phần nhô ra (spur) sinh ra 2

vân kết thúc, nó không có trong ảnh ban đầu Do đó, giai đoạn hậu xử lý là cần thiết

để làm cho chính xác các đặc điểm

Hình 18: kết quả của bước trích đặc điểm Chú ý rằng các điẩm đặc điểm gần bìa

(khoảng 10 pixel) được bỏ qua để tránh việc trích đặc điểm, nó có thể được thực hiện

(artefact) trong khi xử lý làm mảnh (thinning) Các điểm vân kết thúc (ridge ending)

được đánh dấu tròn, các điểm vân rẽ nhánh (bifurcation) đươc đánh dấu vuông

Hình 19: Phóng lớn các đặc điểm sai từ hình 18 (a)

III.2.2.3 Hậu xử lý ảnh (post-processing):

Hình 20: Bước hậu xử lý ảnh

Hình 21: kết quả thực thi đánh giá các đặc điểm Các đặc điểm sai được biểu

thị bằng các dấu hoa thị (asterisk), các điểm vân kết thúc (ridge ending) được đánh

dấu tròn, các điểm vân rẽ nhánh (bifurcation) được đánh dấu vuông

Các đặc điểm thu được ở bước trên có thể bao gồm những đặc điểm không

chính xác Điều này có thể xảy ra bởi vì sự hiện diện của các vân bị ngắt trong ảnh

Trích đặc điểm

Loại bỏ đặc điểm sai

Ảnh đầu ra

thu được mà nó không được tinh chỉnh sau khi qua bước làm đẹp ảnh (enhancement)

Những đặc điểm sai cần phải được loại bỏ Loại bỏ những đặc điểm không mong

muốn này trong bước hậu xử lý

Các đặc điểm sai có thể được đưa vào trong ảnh vì các nhân tố như nhiễu ảnh,

và ảnh được tạo ra bởi sự xử lý làm mảnh Do đó, sau khi đặc điểm được trích, nó cần

thiết phải được sử dụng qua giai đoạn hậu xử lý để xác định các đặc điểm chính xác

Hình 21 minh họa một số ví dụ về cấu trúc các đặc điểm sai, nó bao gồm các cấu trúc

phần nhô ra – gai vân (spur), lỗ thủng, tam giác và điểm độc lập Cấu trúc vân nhô ra

– gai vân (spur) có thể sinh ra các điểm vân kết thúc sai (ridge ending); cả hai cấu

trúc lổ thủng (hole) và tam giác (triangle) sinh ra các điểm vân rẽ nhánh sai

(birfucation); điểm nhô ra (Spike) sẽ sinh ra điểm vân kết thúc và rẽ nhánh sai

Hình 22: Một số ví dụ về các cấu trúc đặc điểm sai phổ biến

Phần lớn các phương pháp đưa ra cho việc hậu xử lý ảnh đều dựa vào một hệ

thống tập cấu trúc luật được sử dụng để loại bỏ các đặc điểm không xác thực

Trong phần cài đặt chương trình minh họa sử dụng 2 luật sau đây;

 Luật 1:hai đặc điểm giống nhau nằm gần sát nhau thì xóa đi một

 Luật 2: hai đặc điểm nằm sát nhau và hướng của chúng đối nghịch nhau

thì xóa cả hai đặc điểm này

 Minh họa kết quả thu được qua các bước xử lý: