Nghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắt

Nghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắtNghiên cứu công nghệ nhận diện khuôn mặt dựa trên kỹ thuật phân tích mống mắt

-

TÔN LONG TRIỂN

NGHIÊN CỨU CÔNG NGHỆ NHẬN DIỆN KHUÔN MẶT DỰA TRÊN KỸ THUẬT PHÂN TÍCH MỐNG MẮT

LUẬN VĂN THẠC SĨ KỸ THUẬT

THÀNH PHỐ HỒ CHÍ MINH – NĂM 2016

-

TÔN LONG TRIỂN

NGHIÊN CỨU CÔNG NGHỆ NHẬN DIỆN KHUÔN MẶT DỰA TRÊN KỸ THUẬT PHÂN TÍCH

MỐNG MẮT

Chuyên ngành: KỸ THUẬT VIỄN THÔNG

Mã số: 60.52.02.08

LUẬN VĂN THẠC SỸ KỸ THUẬT

NGƯỜI HƯỚNG DẪN KHOA HỌC

TS NGUYỄN THANH BÌNH

THÀNH PHỐ HỒ CHÍ MINH – NĂM 2016

Tôi cam đoan đây là công trình nghiên cứu của riêng tôi

Các số liệu, kết quả nêu trong luận văn là trung thực và chưa từng được ai công bố trong bất kỳ công trình nào khác

TP.HCM, ngày 20 tháng 6 năm 2016 Học viên thực hiện luận văn

Tôn Long Triển

LỜI CẢM ƠN

Lời đầu tiên em xin chân thành gửi lời cảm ơn sâu sắc đến Thầy T.S Nguyễn Thanh Bình đã định hướng cho em đề tài này để tìm hiểu sâu về lĩnh vực máy học Đồng thời thầy cũng đã hướng dẫn tận tình, chỉ bảo em về các vấn đề khác liên quan mật thiết cho việc thực hiện luận văn của em Xin chân thành cảm ơn các Thầy

Cô đã tận tình hướng dẫn, giảng dạy trong suốt quá trình học tập, nghiên cứu và rèn

luyện ở Học Viện Công Nghệ Bưu Chính Viễn Thông cơ sở thành phố Hô chí Minh

Dù đã cố gắng để hoàn thành tốt nhất bài luận văn có thể nhưng vẫn không thể tránh khỏi những thiếu sót Rất mong nhận được sự đánh giá và đóng góp chỉ dẫn từ các Thầy Cô, bạn bè để làm tốt hơn cho luận văn cao học của em

Em xin chân thành cảm ơn

Học viên thực hiện luận văn

Tôn Long Triển

MỤC LỤC

LỜI CAM ĐOAN i

LỜI CẢM ƠN ii

MỤC LỤC iii

DANH MỤC CÁC KÝ HIỆU, CÁC CHỮ VIẾT TẮT v

DANH MỤC CÁC BẢNG vi

DANH MỤC CÁC HÌNH vii

MỞ ĐẦU 1

Chương 1 - TỔNG QUAN 2

1.1 Giới thiệu chung đặc điểm sinh trắc học của mắt 2

1.1.1 Hệ xác thực 3

1.1.2 Nhận dạng 3

1.1.3 Các thành phần chức năng chủ yếu 3

1.1.4 Đánh giá hiệu năng và chất lượng hoạt động của hệ sinh trắc học 4

1.2 Các phương pháp tiền xử lý trích đặc trưng của mống mắt 5

1.2.1 Phân đoạn ảnh 5

1.2.2 Chuẩn hóa ảnh 6

1.3 Các nghiên cứu liên quan 12

1.4 Lý do chọn đề tài 13

Chương 2 - NGHIÊN CỨU GIẢI THUẬT PHÂN LOẠI VÀ NHẬN DẠNG MỐNG MẮT 16

2.1 Kỹ thuật phân loại dựa vào khoảng cách Hamming 16

2.2 Kỹ thuật phân loại dựa vào mạng nơron 16

2.3.1 Đặc điểm không gian ánh xạ 19

2.3.2 Kernel và những loại kernel khác nhau 20

2.4 Kỹ thuật phân loại dựa vào kernel của SVM 21

2.4.1 Optimal Hyperplane (tối ưu siêu phẳng) cho các phân chia tuyến tính 21

2.4.2 Tối ưu hóa siêu phằng bằng phương pháp toàn phương 24

2.4.2 Mô hình nhiều lớp SVM 27

Chương 3 - KẾT QUẢ MÔ PHỎNG 28

3.1 Mô phỏng và đánh giá kết quả 28

3.1.1 Mô phỏng phương pháp phân loại dựa vào khoảng cánh hamming 28

3.1.2 Mô phỏng phương pháp phân loại dựa vào SVM 39

3.2 Kết luận chung 46

3.3 Hướng phát triển của đề tài 46

DANH MỤC TÀI LIỆU THAM KHẢO 47

PHỤ LỤC 49

Viết tắt Tiếng Anh Tiếng Việt

CNN Convolutional neural network Mạng nơ-ron tích chập

SVM Support vector machine Máy vectơ hỗ trợ

Bảng 2.1 Các loại hàm kernel khác nhau 20

Bảng 3.1 Đánh giá kết quả của quá trình nhận dạng dựa vào khoảng cách hamming

37Bảng 3.2 Thời gian thực hiện nhận dạng dựa vào khoảng cách hamming 37

Bảng 3.4 Đánh giá kết quả quá trình nhận dạng dựa vào SVM 45

Hình 1.1 Biểu đồ minh họa của FAR, FRR và ERR 5

Hình 1.2 Quá trình chuẩn hóa từ tọa độ đề cát sang tọa độ cực 7

Hình 1.3 Quá trình chuẩn hóa mô hình Daugman’s Rubber Sheet 8

Hình 1.4 Cặp bộ lọc Gabor 2D trực giao 11

Hình 2.1 Mô hình Mạng nơ tron 17

Hình 2.2 Hình ảnh về không gian ánh xạ 20

Hình 2.3 Hình ảnh về siêu phẳng cho các phân chia tuyến tính 22

Hình 2.4 Hình ảnh về các siêu phẳng có thể có của một tập dữ liệu 23

Hình 3.1 Mô hình nghiên cứu tổng quan 31

Hình 3.2 Xác định các đường cong bằng thuật toán daugman 32

Hình 3.3 Hình ảnh của mắt sau khi xác định các thành phần nhiễu 32

Hình 3.4 Hình ảnh của mẫu mắt sau khi chuẩn hóa sang tọa độ cực 33

Hình 3.5 Hình ảnh sau khi loại bỏ thành phần nhiễu và chuẩn hóa sang tọa đô cực 33

Hình 3.6 Hình ảnh cơ sở dữ liệu Casia iris sau quá trình tiền xử lý 34

Hình 3 7 Quá trình xử lý với hình ảnh thực tế 35

Hình 3.8 Lưu đồ giải thuật của quá trình nhận dạng dựa vào khoảng cách hamming 36

Hình 3.9 So sánh tỷ lệ FRR và FAR 37

Hình 3.10 Mật độ phân bộ của khoảng cách Hamming 38

Hình 3.11 Sơ đồ khối của quá trình phân loại dựa vào SVM 39

MỞ ĐẦU

Công nghệ sinh trắc học là công nghệ sử dụng những thuộc tính vật lý, đặc điểm sinh học riêng của mỗi cá thể như vân tay, mống mắt, khuôn mặt để nhận diện Bởi đặc tính ổn định và độc nhất của vân tay và mống mắt nên cho đến nay, các đặc điểm này vẫn được sử dụng trong các phương pháp nhận dạng dựa vào sinh trắc tin cậy nhất để đáp ứng nhu cầu bảo mật, độ chính xác, tốc độ và độ lớn của cơ

sở dữ liệu để nhận dạng sinh trắc Hiện nay rất nhiều công nghệ với sự kết hợp của nhiều thuật toán khác nhau để đem lại hiệu quả cao nhất và ngày càng cải tiến các phương pháp nhận dạng sinh trắc

Trong đề tài này sẻ tập trung nghiên cứu công nghệ sinh trắc hoc và phương pháp nhận dạng các cá thể dựa vào đặc điểm riêng biệt của mống mắt, đề tài có xử nhiều thuật toán để xử lý ảnh và trích những đặc trưng từ các mống mắt và từ đó xây dựng các mô hình cụ thể để thực hiện quá trình huấn luyện các mẫu mống mắ

có sẳn và lưu trữ vào cơ sở dữ liệu, và qua đó để kiếm tra tính đúng đắn và chính xác của quá trình ta còn thực hiện quá trình kiểm thử các mẫu mắt từ tập kiểm tra để qua đó nhận xét tốc độ, độ chính xác của kết quả và tính tối ưu của từng thuật toán

Chương 1 - TỔNG QUAN

1.1 Giới thiệu chung đặc điểm sinh trắc học của mắt

Sinh trắc học hay công nghệ sinh trắc học (thuật ngữ khoa học là Biometric)

là công nghệ sử dụng những thuộc tính vật lý, đặc điểm sinh học riêng của mỗi cá nhân như vân tay, mống mắt, khuôn mặt để nhận diện Thuật ngữ sinh trắc học (Biometric) đựoc dùng ghép theo tiếng Hy Lạp từ 2 từ: Bio (thuộc về thực thể sinh vật sống) và metriko (kỹ thuật độ đo, đo lường), thuật ngữ này đã được hình thành trong quá trình phát triển loài người và được biết đến từ lâu để thể hiện các đặc trưng về thể chất hay về hành vi của từng cá thể con người Có nhiều loại đặc trưng sinh trắc học: vân tay (Fingerprint), lòng bàn tay (Palm print), dạng hình học bàn tay (Hand geometry), chữ ký viết tay (Hand written Signature), khuôn mặt (Face), tiếng nói (Voice), con ngươi mắt (Iris), võng mạc (Retina), ADN Những đặc trưng này đã được phát hiện từ rất sớm để nhận dạng, xác thực chủ thể con người và hiện nay đang được quan tâm nghiên cứu triển ứng dụng trong các lĩnh vực an ninh, quốc phòng, thương mại Các đặc trưng sinh trắc học của cơ thể người được sử dụng phải đảm bảo các tiêu chuẩn sau đây [18]:

- Tính rộng rãi: là tính chất cho biết khả năng sử dụng hệ thống an ninh sinh trắc học cho một số lượng người lớn

- Tính phân biệt: là tính chất phân biệt đặc trưng sinh trắc học giữa hai người bất kỳ phải khác nhau, đảm bảo sự duy nhất của chủ thể sinh trắc

- Tính ổn định: là tính chất về sự ổn định theo thời gian của các đặc trưng sinh trắc

- Tính dễ thu thập: đặc trưng sinh trắc học phải dễ dàng thu nhận mẫu khi đăng ký, kiểm tra xác thực, nâng cao tính khả thi trong sử dụng

- Tính hiệu quả: là tính chất mà việc xác thực sinh trắc phải chính xác, nhanh chóng và tài nguyên cần sử dụng được chấp nhận

- Tính chấp nhận được: là tính chất mà quá trình thu thập mẫu sinh trắc phải được sự đồng ý của người người dùng

Chống giả mạo: là tính chất ưu việt của việc sử dụng đặc trưng sinh trắc

-khả năng mẫu sinh trắc khó bị giả mạo cao,

1.1.1 Hệ xác thực

Hệ xác thực hay Hệ thẩm định (Verification) là hệ thống thực hiện nhiệm vụ đối sánh 1-1 giữa mẫu sinh trắc học thu nhận được (biometric sample) với mẫu dạng sinh trắc học (biometric template) đã có trong hệ thống từ trước Kết quả trả lời câu hỏi mẫu sinh trắc thu nhận có liên quan tới mẫu dạng sinh trắc hay không? Thông thường trong hệ thẩm định có kết hợp với thông tin định danh chủ thể để thực hiện chức năng xác thực thẩm định sinh trắc (Authentication) Trong hệ xác thưc thẩm định đòi hỏi cao về độ chính xác để kết quả trả lời câu hỏi “Sinh trắc học sống thu nhận được (biometric sample) có phải là sinh trắc của chủ thể đã lưu

sơ các vân tay, từ đó xác định danh tính của chủ sở hữu vân tay

1.1.3 Các thành phần chức năng chủ yếu

Thu nhận là thành phần có chức năng thu nhận mẫu sinh trắc học và biểu diễn chúng dưới dạng số

- Xử lý và trích chọn đặc trưng : là thành phần chức năng thực hiện các phép

xử lý phân tích và trích chọn các đặc trưng từ mẫu sinh trắc học

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

- Ra quyết định: là thành phần chức năng khẳng định danh tính người dùng (với hệ nhận dạng) dựa trên kết quả đối sánh của chức năng đối sánh có thể là một câu trả lời đúng hoặc một câu trả lời sai về mẫu sinh trắc học so với khuôn mẫu sinh

trăc có từ trước (với hệ thẩm định)

1.1.4 Đánh giá hiệu năng và chất lượng hoạt động của hệ sinh trắc học

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

- Lỗi phát sinh khi đối sánh mẫu sinh trắc của hai người khác nhau nhưng cho kết quả là của cùng một người Lỗi này được gọi là loại bỏ sai (false reject hay false match)

- Lỗi phát sinh khi đối sánh hai mẫu sinh trắc của cùng một người nhưng cho kết quả sai, vì cho rằng là của hai người khác nhau Lỗi này được gọi là chấp nhận sai (false accept hay false nonmatch) Để đo lường mức độ lỗi của hệ thống sinh trắc, các độ đo lường thường dùng được định nghĩa như sau:

- FMR (False Match Rate): còn gọi là FAR (False Accept Ratio) - Tỷ số chấp nhận sai: cho biết tỉ lệ trả lời là đúng đối với dữ liệu vào là sai

- FNMR (False Nonmatch Rate): còn gọi là FRR (False Rejection Ratio) - Tỷ

số từ chối sai: cho biết tỉ lệ trả lời là sai đối với dữ liệu vào là đúng

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 thống 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 1.1: Biểu đồ minh họa của FAR, FRR và ERR

1.2 Các phương pháp tiền xử lý trích đặc trưng của mống mắt

1.2.1 Phân đoạn ảnh

Giai đoạn đầu tiên của nhận dạng mống mắt là cô lập khu vực mống mắt thực tế ở hình ảnh mắt được biểu diễn dưới dạng số Các khu vực mống mắt, thể hiện trong hình 1.1, có thể xấp xỉ bằng hai vòng, một cho mống mắt/ màng cứng và ranh giới khác, cho iris / ranh giới con ngươi Mí mắt và lông mi thường hấp thụ các phần trên và dưới của mống mắt khu vực Và chúng ta cần kỹ thuật cần thiết để cô lập và loại trừ những điểm không rõ ràng và cũng như là định vị các khu vực mống

mắt

1.2.1.1 Biến đổi Daugman

Biến đổi Daugman sử dụng một toán tử vi tích phân với mục đích định vị

cho vòng tròn của mống mắt và vòng tròn của con ngươi, và cũng là vòng cung của

mí mắt trên và dưới Các toán tử vi tích phân được định nghĩa là:

Các phép tính vi tích phân có thể được xem như là một biến thể của Hough biến đổi, vì nó sử dụng các dẫn xuất đầu tiên của hình ảnh và thực hiện tìm kiếm để tìm thông số hình học Do nó có thể hoạt động với thông tin gốc, nó không bị các vấn đề ngưỡng của Hough biến đổi Tuy nhiên, thuật toán có thể cho kết quả không chính xác khi có nhiễu trong các hình ảnh của mắt, chẳng hạn như từ sự phản xạ

ánh sáng bên ngoài v.v

1.2.2 Chuẩn hóa ảnh

Khi một vùng mống mắt được xác định từ các mẫu mắt đầu vào, bước tiếp theo cần biến đổi vùng mống mắt thành một số đặc trưng cố định được sắp xếp theo trình tự nhất định để thực hiện quá trình so sánh và tìm kiếm sau này Các đặc trưng của vùng mống mắt có thể thay đổi bởi nguyên nhân chính là sự co giãn của con người khi ánh sáng thay đổi cũng như các khác biệt khác, bao gồm khoảng cách

trong ảnh và góc quay của máy chụp ành, và góc quay của mắt Quá trình chuẩn hóa các hỉnh ảnh của mống mắt được thực hiện tại vùng xác định mống mắt mà ở đó có các chiều được cố định sao cho hai ảnh của cùng một mắt dưới điều kiện ánh sáng khác nhau sẽ có đặc tính giống nhau trong sự phân tập của vị trí

Một điểm khác cần được chú ý là con ngươi thường không nằm ở vị trí trung tâm của mống mắt, và nó thường nằm lệch đi một ít Điều này phải được tính toán

cụ thể để việc chuẩn hóa các vòng đệm được chính xác hơn và phải có một bán kính

xác định rõ ràng

1.2.2.1 Mô hình Daugman’s Rubber Sheet (DHRS)

Mô hình đồng nhất được phát minh bởi Daugman [1] để thực hiện ánh xạ lại mỗi điểm trong mống mắt, để một cặp tọa độ cực (r, θ) trong đó r là trong khoảng [0, 1] và θ là góc [0,2π] như Hình 1.2

Hình 1.2: Quá trình chuẩn hóa từ tọa độ đề cát sang tọa độ cực

Thực hiện ánh xạ các vùng của mống mắt từ tọa độ đề cát sang hệ tọa độ cực chuẩn để biễu diễn ảnh mống mắt theo như mô hình bên dưới:

I(x(r, ),y(r, ))   I r( , ) (1.2) với

Ở đây (x, y) là tọa độ hình ảnh của mống mắt, (x, y) là tọa độ Đề cát , (r, θ)

là tọa độ cực tương ứng, và tọa độ của con ngươi và mống mắt được ranh giới theo hướng θ Các vùng ảnh trong mô hình Daugman’s Rubber Sheet sẽ chứa thông tin

về các vùng cong của con ngươi với kích thước không đồng nhất để cung cấp một các mẫu chuẩn với kích thước không đổi Bằng cách này, các vùng mống mất được

mô hình hóa như một tấm "cao su" linh hoạt tại ranh giới với trung tâm con ngươi là điểm tham chiếu

Mặc dù mô hình Daugman’s Rubber Sheet cho phép loại bỏ ảnh hưởng của

sự co giãn của con ngươi, khoảng cách chụp ảnh và sự dịch chuyển không đồng tâm của con ngươi, nó không bù đắp cho sự khác biệt giữa góc dịch chuyển xoay Trong

hệ thống Daugman, dịch chuyển xoay được xác định trong suốt quá trình so sánh bởi quá trình dịch chuyển các mẫu mống mắt theo hướng θ cho đến khi hai tròng mắt mẫu được liên kết với nhau

Hình 1.3: Quá trình chuẩn hóa mô hình Daugman’s Rubber Sheet

Một số lượng điểm không đổi được lấy mẫu dọc theo mỗi bán kính r' (hình 1.2), vì vậy số điểm dữ liệu được tách ra sẽ không đổi, bất chấp kích thước dài hoặc ngắn của bán kính r' tại phần góc Quá trình lấy mẫu được thực hiện bằng cách truy tìm lại nhưng những tọa độ đề cát của điểm dữ liệu từ bán kính và góc pha của các mẫu được chuẩn hóa Từ vành của vùng mống mắt, quá trình chuẩn hóa được lưu lại dưới dạng ma trận 2D với trục nằm ngang đại diện cho góc pha, và trục nằm dọc đại diện cho bán kính Một ma trân 2D khác được tạo ra để đánh giấu sự tương phản, lông mi, mi mắt được nhận ra trong quá trình phân đoạn Cuối cùng, để loại

bỏ các vùng dữ liệu không thuộc mống mắt từ sự sai sót của quá trình chuẩn hóa, các điểm dữ liệu nằm trong vùng giao nhau của con ngươi và vùng giao của mống mắt được loại bỏ Như vậy ở mô hình DHRS giúp loại bỏ những khác biệt do dịch chuyển gây ra để tạo ra các đặc trưng chuẩn nhằm thực hiện quá trình so sánh một

cách chính xác nhất

Trên hình trên Hình 1.3, kết quả của quá trình chuẩn hóa sẽ là ảnh 2D với độ phân giải bán kính mống mắt (r) tương ứng 10 điểm ảnh và độ phân giải của góc () tương ứng với 40 điểm ảnh

1.2.3 Quá trình mã hóa đặc trưng

Để quá trình nhận dạng các cá thể được thực hiện chính xác, cần thực hiện trích trọn các đặc trưng quan trọng nhất từ các mẫu mống mắt Các đặc trưng quan trọng của mống mắt được mã hóa sao cho việc so sánh giữa các mẫu có thể thực hiện nhanh chóng và chính xác

Những mẫu được tạo ra trong tiến trình mã hóa đặc trưng sẽ được so sánh theo một phương pháp được lựa chọn trước cho phép "đo lường" mức độ khác biệt

giữa 2 mẫu mống mắt

1.2.3.1 Mã hóa Wavelet

Biến đổi wavelet có thể sử dụng để phân tích những dữ liệu trong mống mắt thành 2 phần với các mức độ phân giải khác nhau Wavelet có nhiều ưu điểm so với

biến đổi Fourier (mô tả dữ liệu trong miền tần số) vì các đặc trưng được mô tả trong miền tần số và miền không gian nên quá trình so sánh các mẫu sẽ chính xác hơn Các bộ lọc wavelet còn được gọi là các dải wavelets được sử dụng để phân tích hình ảnh mống mắt Kết quả phân tích là các wavelets sẽ được mã hóa theo thứ tự tạo

nên các đặc trưng mô tả hình ảnh mẫu mống mắt

1.2.3.2 Bộ lọc Gabor

Bộ lọc Gabor được dùng để cung cấp tối ưu các đại diện của tín hiệu trong không gian và tần số phân tập Một bộ lọc gabor được xây dựng bằng các điều chế sóng sin/cosin với một hàm Gaussian Kết quả có thể cung cấp tối ưu định vị kết hợp trong cả không gian và thời gian (sóng sin cho phép xác định chính xác vị trí trong miền tần số nhưng không xác định vị trí trong miền không gian) Quá trình phân tích tín hiệu được hoàn thành bằng việc sử dụng các cặp trực giao của bộ lọc Gabor, với phần thực bằng những điều chế cosin với hàm Gaussian, và phần ảo bởi hàm sin điều chế với Gaussian Phần thực và ảo của bộ lọc cũng được biết như phần đối xứng chẵn và lẻ của các thành phần cấu tạo thành Tấn số trung tâm của bộ lọc được định danh bởi tần số của sóng sin và cosin và băng thông của bộ lọc được xác định bằng độ rộng của hàm Gaussian Daugman sử dụng phiên bản 2D của bộ lọc Gabor theo thứ tự để mã hóa các mẫu mống mắt và bộ lọc Gabor 2D qua những điểm (x,y) được biểu diễn như sau [1]:

Giải điều chế đầu ra của các bộ lọc Gabor để nén dữ liệu

Điều này được thực hiện bằng lượng tử thông tin giai đoạn thành bốn cấp độ, cho mỗi góc phần tư trong mặt phẳng phức Oppenheim và Lim đã chứng minh rằng thông tin về pha, chứ không phải là thông tin biên độ cung cấp là quan trọng nhất trong việc nhận dạng một hình ảnh [19] Dựa trên thông tin về pha của ảnh sẽ cho phép mã hóa phân biệt thông tin trong mống mắt, đồng thời loại bỏ các thông tin dư thừa như mức độ chiếu sáng, được đại diện bởi các thành phần biên độ

Bốn cấp độ được biểu diễn bằng hai bit dữ liệu, vì vậy mỗi điểm ảnh trong mẫu mống mắt chuẩn hóa tương ứng với hai bit dữ liệu trong mống mắt mẫu Tổng cộng có 2.048 bit được tính cho các mẫu, và một số lượng tương đương của các bit tạo mặt nạ là để tạo ra mặt nạ ra vùng bị lỗi trong vòng mống mắt Điều này tạo ra một mẫu nhỏ 256-byte, cho phép lưu trữ hiệu quả và so sánh mống mắt một các nhanh chóng Hệ thống Daugman sử dụng các tọa độ cực cho việc chuẩn hóa, do đó các bộ lọc được mô tả như sau:

Một điểm bất thuận lợi của bộ lọc Gabor là những điểm đối xứng chẵn của

bộ lọc sẽ có thành phần DC khi băng thông lớn hơn một octave Tuy nhiên thành phần DC sẽ có giá trị bằng 0 khi sử dụng bộ lọc Gabor với hàm Gaussian trên không gian logarithmic, đây chính là bộ lọc Log-Garbor Đặc tuyến tần số tương ứng của bộ lọc Log Gabor được đưa ra bởi công thức sau:

2 0 2 0

(log(f/ f ))( ) exp

Trong đó f0 đại diện cho tần số trung tâm, và σ cho băng thông của bộ lọc

1.3 Các nghiên cứu liên quan

Hệ thống nhận dạng sinh trắc học là một hệ thống được sử dụng rộng rãi trong lĩnh vực khác nhau Hệ thống nhận dạng dựa trên đặc điểm mống mắt được nghiên cứu và sử dụng trong nhiều thập kỷ qua Các hệ thống này vẫn đang được cải tiến

và phát triển hướng tới việc hỗ trợ truy xuất khối lượng lớn dữ liệu nhanh chóng và

dễ dàng Các kết cấu độc đáo của mống mắt có tất cả các đặc điểm sinh trắc học

như độ chính xác, năng thu hồi, xáo trộn, tuổi thọ, tính phổ biến, đảm bảo an ninh hơn và không khả thi để mạo danh Và có rất nhiều hướng nghiên cứu nhằm đạt được hiệu năng cao hơn và độ bảo mật tốt hơn trong quá trình nhận diện khuôn mặt dựa vào mống mắt

Một số đề tài, bài báo được liệt kê dưới đây để đánh giá về thực trạng nghiên cứu thực tại:

[1] Cơ sở dữ liệu ảnh đen trắng, để xác thực và đo hiệu năng của thuật toán nhận dạng:

- Thuật toán phân đoạn, sẽ phân biệt mắt và mí mắt Tự động hóa phân đoạn được đề cập thông qua sử dụng vòng tròn biến đổi

- Các vùng mống mắt được phân đoạn (mảnh) được chuẩn hóa để loại bỏ

sự mâu thuẫn các chiều giữa các vùng trong mống mắt, nó được thực thi bởi một số model như model Daugmam' rubber (đã phân tích ở trên)

- Các đặc trưng của mống mắt được mã hóa bằng lọc vùng mống mắt được chuẩn hóa với bộ lọc 1D Log-Gabor và lượng tử pha ở đầu ra theo thứ tự để xuất ra một mẫu sinh trắc học theo từng phân tử bits

[2] Tài liệu đánh giá về phương pháp phân loại dựa vào kernel (kernel-based classifer)

[3],[4] Tài liệu nghiên cứu đánh giá về phương pháp nhận dạng mống mắt kết hợp với kỹ thuật máy vector hổ trợ và kỹ thuật chuỗi markov ẩn

[5] Tài liệu đề cập về cách sử dụng bộ lọc Gabor để trích xuất đặc trưng và

để đánh giá khả năng nhận dạng qua việc trích xuất đặc trưng của 1/2 mống mắt và kết hợp với kiểu phân loại SVM

[11] Tài Liệu nghiên cứu về nhận dạng mống mắt thông qua mạng nơ tron

1.4 Lý do chọn đề tài

Hiện nay các hệ thống sinh trắc học đã cung cấp việc nhận dạng cá thể một cách tự động dựa trên một số đặc tính đặc biệt sở hữu bởi cá thể đó Các hệ thống sinh trắc học đã được nghiên cứu và phát triển dựa trên vân tay, khuôn mặt, giọng nói, chữ viết tay, võng mạc, và một trong những đặc tính sử dụng để nhận dạng được trình bày trong đề tài này là nhận dạng mống mắt.

Các hệ thống sinh trắc học sẽ thu nhận một mẫu chứa các đặc tính nói trên, chẳng hạn như ghi lại tín hiệu âm thanh số cho nhận dạng giọng nói, hoặc dùng một ảnh màu kỹ thuật số cho nhận dạng khuôn mặt Các mẫu sau đó được chuyển đổi bằng cách sử dụng một số công cụ toán học Hầu hết các hệ thống sinh trắc học cho phép hai chế độ hoạt động Một chế độ phân loại các mẫu để lưu vào cơ sở dữ liệu,

và một chế độ nhận dạng, nơi mà một mẫu được tạo ra cho một cá nhân và sau đó được tìm kiếm trong cơ sở dữ liệu của các mẫu đã học

Đặc điểm sinh trắc học mống mắt là một trong những phương pháp sinh trắc học hiệu quả nhất và đáng tin cậy trong việc chứng thực các cá thể khác nhau, do đặc điểm bất biến với độ tuổi của cá thể nhận dạng Kỹ thuật xử lý hình ảnh có thể được sử dụng để trích xuất các mẫu mống mắt từ hình ảnh số của mắt và mã hóa nó thành một bản mẫu sinh trắc học, có thể được lưu trữ trong cơ sở dữ liệu Các mẫu trắc học được đại diện bởi đại lượng toán học để lưu trữ thông tin duy nhất từ mẫu mống mắt, và cho phép thực hiện phép so sánh các mẫu sinh trắc

Kỹ thuật nhận dạng mống mắt được phân loại theo ba nhóm: giai đoạn, kết cấu

và phương pháp dựa vào kernel Các phương pháp dựa vào kernel được chứng minh

là tốt nhất cho IRIS Trong đề tài này sử dụng kỹ thuật phân loại dựa trên khoảng cách Hamming và kernel của SVM Khi một hình ảnh được nhóm lại như là một trong các nhóm bằng SVM, nó có thể được phân loại để được nhận dạng bởi một số

mô hình như mô hình Markov ẩn (HMM)

Với sự gia tăng của bảo mật dữ liệu, các mẫu sinh trắc được giới thiệu trong rất nhiều ứng dụng bảo mật, bao gồm mẫu giọng nói, mẫu mống mắt, mẫu vân tay, và

tất cả những khía cạnh khác nhau của mống mắt được xem xét để được tin tưởng, riêng biệt nhất của từng cá thể Việc nâng cao tốc độ và hiệu quả trong quá trình nhận dạng là điều rất quan trọng Hầu hết phương thức được chấp nhận và sử dụng rộng rãi cho kỹ thuật nhận dạng sinh trắc là phương thức dựa vào kernel Phương thức dựa vào kernel là phương thức lọc ở cấp độ cao Ảnh, dữ liệu theo thời gian, được biểu diễn tại điểm trong không gian chiều thứ n, và mỗi điểm được phân loại đến một vài tiền phân loại chi tiết bằng cách sử dụng tính năng phân biệt ứng xử Phương pháp dựa vào Kernel là phương thức nhận dạng mẫu cơ bản mà ở đó tính năng phân biệt ứng xử dược cấu trúc lại bởi các hàm hổ trợ từ hạt nhật của kernel

đó

Phương thức nhận dạng mẫu chiều thấp dựa trên một số kỹ thuật nổi tiếng như Phân tích thành phần nguyên tắc PCA, phân tích biệt tuyến tính (LDA), phân tích thành phần độc lập… không thể thỏa mãn hiệu năng nhận dạng các mẫu, mô hình mới trong nhận dạng mẫu chẳng hạn như phương pháp hạt nhân kernel thúc đẩy bởi những lý thuyết học thống kê, nhấn mạnh các ánh xạ phi tuyến từ một không gian

dữ liệu vào không gian đặc trưng

Chương 2 - NGHIÊN CỨU GIẢI THUẬT PHÂN LOẠI VÀ

NHẬN DẠNG MỐNG MẮT

2.1 Kỹ thuật phân loại dựa vào khoảng cách Hamming

Khoảng cách Hamming là một thước đo sự gống nhau giữa hai mẫu tín hiệu

số Sử dụng khoảng cách Hamming của hai mẫu bit, so sánh với ngưỡng, có thể đưa

ra quyết định về mức độ giống nhau giữa hai hình ảnh (mống mắt) vì thế khoảng cách Hamminh có thể được sử dụng trong các hệ thống nhận dạng

Khoảng cách Hamming giữa các mẫu bit X và Y là HD, được định nghĩa như

là tổng bit không hợp lệ (tổng của các XOR giữa X và Y) chia cho N (tổng số bit trong mẫu bit)

0 là 0,5 Do đó, một nửa trong số các bit sẽ đồng ý và một nửa sẽ không đồng ý giữa hai mẫu Nếu hai mẫu có nguồn gốc từ cùng một mống mắt, khoảng cách Hamming giữa chúng sẽ được gần 0.0, vì chúng liên quan chặt chẽ và các bit giống nhau giữa hai mã mống mắt

Khoảng cách Hamming là thước đo phù hợp để kết hợp với thuật toán Daugman, và tính toán khoảng cách Hamming được thực hiện chỉ với các bit được

tạo ra từ vùng mắt đã được phân biệt

2.2 Kỹ thuật phân loại dựa vào mạng nơron

Mô hình mạng thần kinh nhân tạo mạng nơ-ron trong não đã được chứng minh hiệu quả của họ trong một số ứng dụng như phân loại, dự đoán, nhận dạng

mẫu và kiểm soát Một mạng lưới thần kinh nhân tạo bao gồm một nhóm kết nối

của các tế bào thần kinh nhân tạo một mạng lưới này thực hiện tính toán và thay

đổi thông tin dựa trên các phương pháp kết nối trong một thời trang tương tự nhưng

đơn giản hơn so với não bộ sẽ thực hiện Nhiều loại mạng thần kinh nhân tạo

(Fausett, 1994) tồn tại bao gồm mạng feedforward thần kinh, hàm (RBF), mạng tự

tổ chức Kohonen, mạng tái phát, mạng nơron ngẫu nhiên, mạng nơron modular,

mạng nơron năng động, tầng mạng lưới thần kinh, và mạng neuro-fuzzy

Multi-layer Perceptron (Haykin, 1998; Rumelhart & McClelland, 1996) (MLP) có lẽ là

phổ biến nhất, nơi tế bào thần kinh trong một mạng loại feedforward thực hiện trung

bình có trọng số sai lệch về đầu vào của họ và sau đó số tiền này là đối tượng của

một chức năng chuyển giao

Như mô tả trong hình 2.1, một tế bào thần kinh được làm bằng một tế bào cơ

thể bao bọc bởi màng, bên trong đó là một hạt nhân, qua đó mang đến tín hiệu điện

(hoặc hóa chất) gồm có ion phân cực đến qua đầu vào tế bào thần kinh được gọi là

sợi nhánh

Hình 2.1: Mô hình Mạng nơ tron

Số lượng nơ tron hoặc tín hiệu ngõ ra trên một kết nối hoặc thiết bị đầu cuối được gọi là sợi trục- nơi cư trú dẫn truyền thần kinh - và kết nối với các sợi nhánh nơron khác thông qua các khớp thần kinh Mười ngàn loại tế bào thần kinh được biết là tồn tại trong não của các hình dạng khác nhau và mật độ thiết bị đầu cuối Một tế bào thần kinh có thể có hàng ngàn nhánh cây nhưng chỉ có một sợi trục Một nơron đầu ra sợi trục - kết nối với một nơron đầu vào dendrite - trong một khu vực được gọi là một khớp thần kinh, nơi các sợi trục chấm dứt Khi đủ các ion dương thu thập bên trong màng của tế bào thần kinh cháy nơron, tức là một tín hiệu điện lớn được tạo ra và đi ra trên sợi thần kinh để đạt được các thiết bị đầu cuối sợi trục Tại các khớp thần kinh điện, đầu ra là tín hiệu điện truyền qua các sợi thần kinh trong khi ở các khớp thần kinh hóa học, đầu ra là một neurotransmitter Tế bào thần kinh là một trong hai động cơ cảm giác hoặc liên tế bào thần kinh Các loại đầu tiên truyền tải thông tin cảm giác Loại thứ hai chuyển tải thông tin động cơ Loại thứ ba truyền đạt thông tin giữa các tế bào thần kinh

2.3 Đặc điểm của phương pháp phân loại dựa vào kernel

Kỹ thuật SVM ban đầu chỉ giải quyết được các bài toán với dữ liệu phân tách tuyến tính Nhưng trong thực tế, dữ liệu thường không phân tách tuyến tính Bằng việc sử dụng hàm kernel, dữ liệu đầu vào sẽ được ánh xạ vào một không gian đặc trưng có số chiều cao hơn mà ở đó dữ liệu có thể phân tách tuyến tính và sau đó

kỹ thuật SVM được áp dụng

Trong các thuật toán máy học, khái niệm kernel trick là một cách ánh xạ các quan sát từ một tập S thông thường vào một không gian F gọi là Inner Products Space mà không phải xác định ánh xạ đó một cách tường minh Mục đích của nó là

để các quan sát đó sẽ đạt được cấu trúc phân tách tuyến tính có ý nghĩa trong không gian F Sự phân lớp tuyến tính trong không gian F tương đương với việc phân lớp thông thường trong S Thủ thuật (trick) để tránh việc xác định ánh xạ một cách tường minh bởi vì các thuật toán này chỉ yêu cầu một phép tích vô hướng (dot product) giữa các véctơ trong không gian F và chọn ánh xạ sao cho các tích vô

hướng trong không gian nhiều chiều này có thể được tính toán trong không gian dữ liệu ban đầu bằng các hàm kernel Với x, y trên S, các hàm xác định K(x,y) có thể được biểu diễn như một tích vô hướng (thường trong một không gian khác) K

thường được gọi là kernel hay hàm kernel [18]

2.3.1 Đặc điểm không gian ánh xạ

Chúng ta ví dụ về để xem xét hàm ánh xạ không tuyến tính Φ : I = R2 → F =

R3 từ không gian đầu vào I 2 chiều và trờ thành không gian đặc trưng F với số chiều

là 3

Giả sử chúng ta xem xét một kernel đa thức bậc 2 được định nghĩa như sau

2( , ) (x y)T

Ở đây x,y thuộc tính R2

Giả sử x = (x1,x2) và y = (y1, y2) Vậy hàm kernel được viết lại như sau:

Biểu thức 2.6 là một hàm elip khi thiết lập một hằng số c và đánh giá trong

R2 Do đó, với chức năng ánh xạ thích hợp chúng ta có thể sử dụng phân loại tuyến tính qua F trên một phiên bản chuyển đổi của dữ liệu từ không gian phi tuyến tính I

Hình 2.2: Hình ảnh về không gian ánh xạ

2.3.2 Kernel và những loại kernel khác nhau

Mục trên ta đã đề cập tới các chức năng của hàm kernel và sử dụng chúng với các SVM Một hàm kernel có thể được suy diễn như phương pháp đo mức độ giống nhau giữa các đối tượng đầu vào Trong thực tế một vài kernel được nêu trong Bảng 2.1 có thể thích hợp cho hầu hết các thiết lập chung

Bảng 2.1: Các Loại hàm kernel khác nhau

1 x2( ,x ) x i

i

K x e   2 được lựa chọn bởi

người sử dụng Sigmoid Kernel K x( ,x ) tanh(i  x x T i)

1 1

N N

Vì mỗi kernel có mức độ biến đổi trong thực tế, để thử nghiệm với hạt nhân khác nhau và điều chỉnh thông số của nó thông qua việc tìm kiếm mô hình để hạn chế tối đa các lỗi trên một tập kiểm tra được Nói chung, một kernel đa thức bậc thấp hoặc một kernel Gaussian đã thể hiện là một khởi đầu tốt thử và để làm tốt hơn phân loại thông thường

2.4 Kỹ thuật phân loại dựa vào kernel của SVM

Việc phân loại của SVM có thể được sử dụng các hàm kernel và do đó, tùy thuộc vào mục đích, vùng phân loại, và sự phân chia các không gian đặc trưng tại khối huấn luyện đầu vào mà chúng được sử dụng theo các cách khác nhau Có những ví dụ về độ lớn tối đa của dải biên phân lớp cho quá trình tách tuyến tính dữ liệu, dải biên phân lớp định danh cho phép một số nhiễu trong dữ liệu huấn luyện hoặc lập trình tuyến tính SVM cho mục đích phân loại, những mô hình khác nhau tồn tại cho việc áp dụng các phương pháp SVM để hồi quy được phương pháp tốt nhất

Mục đích của SVM là đưa ra một cách tính toán hiệu quả của việc huấn luyện tách dữ liệu thành các hyperplanes trong một không gian đặc trưng có chiều cao hơn Trong việc xây dựng một hyperplane được mô tả bằng cách sử dụng Maximum Margin Classifier (MMC) như một ví dụ của một máy tuyến tính Lưu ý rằng, vì lợi ích và sự đơn giản, một tập huấn luyện tuyến tính được tách giả định và

0 1

T i





    (2.9) yi: Đây là các lớp (bản lề) chứa các điểm dữ liệu xi

xi: Là một vector thực nhiều chiều (p chiều)

w: Là một vectơ pháp tuyến của siêu phẳng (hình 2.3)