Bài viết trình bày một hệ thống nhận dạng sử dụng mẫu sinh trắc học mống mắt dựa trên các phương pháp Thresholding, biến đổi Hough, cân bằng Histogram ảnh mắt đầu vào để cho ảnh chuẩn hóa đầu ra có kích thước 100x100. Mỗi ảnh sau khi được xử lý sẽ lại được chia thành 4 khối nhỏ với kích thước 50x50.
TRƯỜNG ĐẠI HỌC SÀI GỊN TẠP CHÍ KHOA HỌC ĐẠI HỌC SÀI GÒN Số 61 (01/2019) Email: tcdhsg@sgu.edu.vn ; SAIGON UNIVERSITY SCIENTIFIC JOURNAL OF SAIGON UNIVERSITY No 61 (01/2019) Website: https://tapchikhoahoc.sgu.edu.vn NHẬN DẠNG MỐNG MẮT DÙNG PHƯƠNG PHÁP MẠNG NEURON NHÂN TẠO VÀ PHÂN TÍCH THÀNH PHẦN ĐỘC LẬP Iris recognition by using artificial neural network and independent component analysis GS.TS Lê Tiến Thường(1), Nguyễn Duy Phú(2), Lê Bá Lộc(3), ThS Phan Xuân Hạnh(4) Trường Đại học Bách khoa TP.HCM (1),(2),(3),(4) Tóm Tắt Bài viết trình bày hệ thống nhận dạng sử dụng mẫu sinh trắc học mống mắt dựa phương pháp Thresholding, biến đổi Hough, cân Histogram ảnh mắt đầu vào ảnh chuẩn hóa đầu có kích thước 100x100 Mỗi ảnh sau xử lý lại chia thành khối nhỏ với kích thước 50x50 Sau đó, trích xuất đặc trưng mống mắt sử dụng giải thuật ICA, cuối đưa vào mơ hình mạng neuron nhân tạo (ANN) để huấn luyện kiểm tra Bài viết nghiên cứu so sánh hiệu suất giải thuật ANN kiểm tra với cấu trúc mạng neuron khác để chọn mơ hình cho kết nhận dạng tốt Ngoài ra, nghiên cứu thực so sánh hiệu suất nhận dạng mống mắt mơ hình hệ thống đưa với phương pháp nhận dạng mống mắt nhiều tác giả, cơng trình nghiên cứu trước Từ khóa: biến đổi Hough, mạng neuron nhân tạo (ANN), nhận dạng mống mắt, phân tích thành phần độc lập (ICA), sinh trắc học Abstract This paper will present an iris biometric identification system comprising Threshold method, the Hough transform, Histogram equalization of input eye image in order to create a transformed image with dimensions 100x100 Next, each image is divided into sub-block images (each block has dimensions 50x50) Then, the features of each sub-block are extracted by using Independent Component Analysis (ICA) algorithm Finally, they are included in the Artificial Neural Network (ANN) model for training and testing The paper performs a comparison of the performance of different ANN algorithms, on different neural network structures, in order to select the best performing model for identification In addition, the study also compared the iris recognition performance of the system model with the iris identification methods of many previous authors and studies Keywords: Hough transform, artificial neural network (ANN), iris recognition, independent component analysis (ICA), biometrics Email: thuongle@hcmut.edu.vn SCIENTIFIC JOURNAL OF SAIGON UNIVERSITY No 61 (01/2019) trắc học mống mắt xem hệ thống nhận dạng có hiệu suất cao (các nghiên cứu đạt hiệu suất 90%) áp dụng nhiều vào thực tế Những cấu trúc đặc biệt mống mắt gần ổn định suốt đời người chí độc lập mắt trái mắt phải người, mẫu sinh trắc hiệu để thực hệ thống nhận dạng [2] Giới thiệu 1.1 Sinh trắc học mống mắt Mỗi người mang điểm sinh trắc học (bao gồm khn mặt, giọng nói, vân tay,…) Trong nhiều trường hợp, đặc điểm, tính chất mẫu sinh trắc sử dụng để phân biệt người với người khác Mỗi mẫu sinh trắc có ưu điểm khuyết điểm riêng, hệ thống nhận diện người dựa mẫu sinh Hình Mống mắt người đoán liệu chưa biết [6] Đây mơ hình có mối quan hệ phức tạp phi tuyến liệu đầu với đầu vào thông qua lượng lớn neuron Trong viết, cấu trúc Feed Forward Back Propagation mạng neuron sử dụng tính đơn giản phổ biến 1.2 Mạng neuron nhân tạo Một cấu trúc mạng neural nhân tạo (ANN) mơ hình máy học hoạt động tương tự chức não người mà đó, hệ thống học hỏi thơng qua q trình huấn luyện từ liệu biết để đưa định, dự Đầu vào Đầu W1,1 W1,2 W1,k W1,k+1 W2,1 W`2,2 W2,k W2,k+1 Wn,1 Wn,2 Wn,k Wn,k+1 Lớp đầu vào Lớp ẩn Hình Cấu trúc mạng neuron nhân tạo Lớp đầu LÊ TIẾN THƯỜNG cộng TẠP CHÍ KHOA HỌC ĐẠI HỌC SÀI GỊN Cấu trúc mạng neuron có nhiều lớp, bao gồm lớp đầu vào, lớp đầu chúng có nhiều lớp ẩn Mơ hình huấn luyện dựa giải thuật Back Propagation (BP) dựa phương trình: 𝑛 𝑈𝑘 (𝑡) = ∑ 𝑤𝑗𝑘 (𝑡) 𝑥𝑗 (𝑡) + 𝑏𝑘 (𝑡) (1) 𝑗=1 𝑌𝑘 (𝑡) = 𝜑(𝑈𝑘 (𝑡)) Trong đó, xj(t) giá trị đầu vào j thời gian t, wjk(t) trọng số neuron k đầu vào neuron thứ j thời điểm t, φ hàm kích hoạt phi tuyến, bk(t) giá trị bias neuron thứ k thời điểm t, yk(t) đầu neuron k thời điểm t (2) Quá trình học lặp lại nhiều lần để điều chỉnh giá trị trọng số mạng neuroncho đến đạt sai số giá trị đầu mong muốn với giá trị đầu tính tốn nhỏ Phương trình điều chỉnh trọng số có dạng: 𝑤𝑗𝑘 (𝑡 + 1) = 𝑤𝑗𝑘 (𝑡) + 𝜂𝛿𝑘 𝑦𝑘 + 𝛼(𝑤𝑗𝑘 (𝑡) − 𝑤𝑗𝑘 (𝑡 − 1)) Trong đó, 𝛿𝑘 sai số lớp đầu ra, 𝜂 tốc độ học, 𝛼 hệ số momentum Hai tham số 𝛿𝑘 𝜂 sử dụng để định đến giải thuật điều chỉnh giá trị trọng số hệ thống mạng neuron Ngồi ra, có nhân tố khác ảnh hưởng đến trình huấn luyện mạng neuron nhân tạo, số lớp ẩn số neuron lớp ẩn mạng neuron nhân tạo Hệ thống đề xuất Hệ thống nhận dạng mống mắt mà viết đưa bao gồm bước chính: phân đoạn mống mắt, trích xuất đặc trưng, hình thành mẫu sinh trắc, huấn luyện mạng neuron kiểm tra kết (được minh họa Hình 4) Đầu vào hệ thống sử dụng sở liệu ảnh mắt CASIA có kích thước 320x280 đơn vị pixel [3] Ảnh đầu (3) vào phân đoạn vùng mống mắt sử dụng giải thuật thresholding để ước lượng vùng pixel ngươi;, dựa vào vùng pixel để xác định tâm thô (ta giả định mắt xem hình tròn); sau xác định tâm bán kính biên biên vùng mống mắt sử dụng biến đổi Hough [13] Từ kết phân đoạn, hệ thống cho hình ảnh chuẩn hóa đầu có kích thước 100x100 đơn vị pixel sau loại bỏ vùng thông tin khơng cần thiết Ảnh chuẩn hóa sử dụng giải thuật ICA để trích xuất thơng tin đặc trưng mống mắt, cuối thông tin đặc trưng đưa vào mạng neuron (dưới dạng ma trận) để huấn luyện kiểm tra hiệu suất hệ thống SCIENTIFIC JOURNAL OF SAIGON UNIVERSITY No 61 (01/2019) Ảnh mống mắt Phân đoạn mống mắt Chuẩn hóa Cơ sở liệu Trích xuất đặc trưng ICA YES NO Learning ? Huấn luyện mạng neuron Kiểm tra mạng neuron Vector đầu So sánh với ngưỡng YES Thỏa mãn điều kiện so sánh Cho kết nhận dạng NO Khơng nhận dạng Hình Lưu đồ giải thuật hệ thống để xuất ước lượng vùng pixel dựa giá trị mức xám thấp, từ xác định tâm thơ [4] Kết minh họa Hình 4a,b Dựa vùng vừa xác định được, ước lượng vị trí tâm thơ theo cơng thức [10]: 2.1 Phân đoạn mống mắt 2.1.1 Xác định vùng Trước sử dụng giải thuật dựa biến đổi Hough để xác định tâm bán kính (được xem hình tròn), giải thuật thresholding dùng để 𝑁 𝑁 𝑖=1 𝑖=1 1 𝑥 = ∑ 𝑥𝑖 ; 𝑦 = ∑ 𝑦𝑖 𝑁 𝑁 (4) LÊ TIẾN THƯỜNG cộng TẠP CHÍ KHOA HỌC ĐẠI HỌC SÀI GỊN Trong đó, (xi, yi) thể vị trí giá trị mức xám ảnh nhị phân ảnh kết sau sử dụng thuật toán thresholding lên ảnh mắt để tách pixel thành hai phần: phần thuộc vật thể (màu đen) phần thuộc môi trường (màu trắng) Hình a Ảnh mống mắt; b Kết phân đoạn vùng dùng giải thuật thresholding Kết xác định biên biên vùng mống mắt: c Không sử dụng cân histogram; d Sử dụng cân histogram Sau ước lượng vị trí ngươi, hệ thống sử dụng giải thuật dựa biến đổi Hough để tìm tâm bán kính thực [10] 2.1.2 Xác định biên mống mắt Sau tìm tâm thơ ngươi, tâm đường biên biên vùng mống mắt gần trùng (trùng với tâm ngươi), nên việc ước lượng tâm bán kính hai đường biên tương đối giống nguyên lý thực Mặc dù có số bước tiền xử lý trước xác định biên mống mắt để cải thiện mức độ tương phản pixel vùng mống mắt với pixel không thuộc vùng mống mắt, sau áp dụng biến đổi Hough kết xử lý tốt Khác với biên ngồi, biên mống mắt có thay đổi giá trị mức xám vùng mống mắt dễ dàng nhận nên áp dụng lọc tìm đường biên lọc Canny ta dễ dàng tìm đường biên xác Ngược lại ranh giới đường biên ngồi mống mắt khó nhận biết nên cần phải sử dụng cân histogram trước áp dụng lọc đường biên cho ảnh [4] Kết xử lý so sánh hai trường hợp xác định biên biên mống mắt minh họa Hình 4c,d Tóm tắt bước phân đoạn mống mắt ● Ước lượng vị trí dùng giải thuật thresholding ● Ước lượng tâm bán kính (biên mống mắt) dùng lọc Canny biến đổi Hough ● Cân Histogram, ước lượng tâm, bán kính dùng lọc Canny biến đổi Hough 2.2 Chuẩn hóa Sau xác định vùng mống mắt từ bước phân đoạn, pixel vùng mống mắt chuẩn hóa ảnh pixel đầu Ngồi mục đích đưa pixel vùng mống mắt ma trận pixel có kích thước chuẩn, cơng việc làm giảm đáng kể lượng thơng tin liệu dư thừa, để qua giúp giảm thời gian xử lý hệ thống Thông thường, SCIENTIFIC JOURNAL OF SAIGON UNIVERSITY No 61 (01/2019) trình chuẩn hóa có bước loại bỏ nhiễu chân mày, lông mi đốm sáng phản xạ nằm vùng mống mắt, để không làm ảnh hưởng đến hiệu suất nhận diện hệ thống độ xác việc xử lý Trong viết này, vùng mống mắt phía phía lược bỏ, vùng pixel thường hay có nhiễu lơng mi chân mày Phần lại mống mắt hệ thống lấy mẫu ma trận ảnh đầu có kích thước 100x100 đơn vị pixel Vùng pixel mống mắt để xử lý chuẩn hóa minh họa Hình 5a Bằng cách này, nhiễu chân mày lông mi loại bỏ, ma trận ảnh đầu không cần phải sử dụng phương pháp loại bỏ nhiễu, từ giảm thời gian xử lý hệ thống [14] Tuy nhiên, đánh đổi cho nó, lại việc thơng tin mống mắt nằm phần phần so với phương pháp truyền thống Kết đầu bước chuẩn hóa minh họa Hình 5b,c Hình a Vùng mống mắt dùng để xử lý chuẩn hóa; b Ảnh trước chuẩn hóa; c Ảnh sau chuẩn hóa thành phần (PCA), Kernel PCA [11], phân tích thành phần độc lập (Independent Component Analysis - ICA) [18] Để trích xuất đặc trưng mống mắt, thuật toán ICA áp dụng, ICA áp dụng phép biến đổi tuyến tính Trong viết này, chương trình MATLAB đưa Gävert, Hurri, Särelä, and Hyvärinen [15] nhằm áp dụng để thực thuật toán FastICA Mơ hình tuyến tính khơng nhiễu ICA biểu diễn bằng: 2.3 Trích xuất đặc trưng với ICA Sau q trình chuẩn hóa, ảnh thu có kích thước 100x100 tạo thành khơng gian với số chiều lớn [14] Tuy nhiên, kích thước nội không gian mống mắt nhỏ nhiều Kỹ thuật khơng gian sử dụng nhằm mục đích làm giảm số chiều lớn liệu qt Trong khía cạnh này, cơng cụ phân tích không gian sử dụng rộng rãi Singular Value Decomposition (SVD) [14], phân tích 𝑥 = 𝐴𝑠 (1) LÊ TIẾN THƯỜNG cộng TẠP CHÍ KHOA HỌC ĐẠI HỌC SÀI GỊN Trong đó, 𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑁 )𝑇 vector tín hiệu quan sát với kích thước N, 𝑠 = (𝑠1 , 𝑠2 , … , 𝑠𝑀 )𝑇 với kích thước M số thành phần độc lập A ma trận trộn chưa biết Trong giải thuật ICA áp dụng thuật toán điểm cố định để ước lượng ma trận A thành phần độc lập s dựa vào vector x Giả sử 𝑥 ′ = (𝑥1′ , 𝑥2′ , … , 𝑥𝑁′ )𝑇 ảnh mống mắt sau q trình chuẩn hóa với N biến ngẫu nhiên giả định kết hợp tuyến tính M thành phần độc lập chưa biết ký hiệu 𝑠 ′ = ′ )𝑇 (𝑠1′ , 𝑠2′ , … , 𝑠𝑀 , với tất i, i = 1,2, ,N, ảnh ′ 𝑥𝑖 thành phần độc lập 𝑠𝑖′ chuyển đổi thành 𝑥𝑖 𝑠𝑖 cách nối hàng ký hiệu tương ứng 𝑥 = (𝑥1 , 𝑥2 , … , 𝑥𝑁 )𝑇 𝑠 = (𝑠1 , 𝑠2 , … , 𝑠𝑀 )𝑇 Từ đó, hình ảnh mống mắt đại diện kết hợp tuyến tính 𝑠1 , 𝑠2 , … , 𝑠𝑀 với trọng số 𝑎𝑖1 , 𝑎𝑖2 , … , 𝑎𝑖𝑀 Vì thế, ma trận A đại diện cho không gian tất ảnh mống mắt 2.4 Cấu trúc mạng neuron nhân tạo 2.4.1 Lớp đầu vào Lớp đầu vào đại diện cho hình ảnh mống mắt đầu vào hệ thống Kích thước vector đặc trưng sau áp dụng thuật toán ICA xác định số lượng neuron lớp đầu vào giá trị M ma trận trộn A 2.4.2 Lớp ẩn Lớp ẩn bao gồm nhiều neuron nhận liệu đầu vào từ neuron lớp trước chuyển đổi giá trị đầu vào sang lớp xử lý Trong trình đào tạo, số lượng lớp ẩn số neuron lớp ẩn thay đổi để đạt mô hình tối ưu 2.4.3 Lớp đầu Số lượng neuron lớp đầu phụ thuộc vào số lượng người sử dụng để huấn luyện 2.4.4 Các thuật toán huấn luyện Các thuật toán huấn luyện cần điều chỉnh trọng số ANN để giảm thiểu sai số nhiều tốt Ở đây, hàm Mean square error (MSE) sử dụng hàm hiệu suất cho hệ thống nhận dạng mống mắt giảm thiểu trình huấn luyện Feed Forward Back Propagation (FFBPNN) MSE thể khác biệt mơ hình ANN mong muốn mơ hình thực tế theo phương trình sau: 𝑛 𝑀𝑆𝐸 = ∑ 𝑖=1 (𝑇𝑖 − 𝑦𝑖 )2 𝑛 Trong đó, Ti yi giá trị mong muốn thực tế thứ i mơ hình Ở đây, 10 thuật toán ANN tối ưu sử dụng để huấn luyện mơ hình ANN xác định mơ hình tốt cho hệ thống nhận dạng mống mắt: ● Levenberg-Marquardt (TRAINLM) ● Broyden Fletcher Goldfarb Shanno (TRAINBFG) ● Bayesian regularization algorithm (2) (TRAINBR) ● Conjugate gradient backpropagation with Fletcher-Reeves updates (TRAINCGF) ● Gradient descent - (TRAINGD) ● Gradient descent with momentum (TRAINGDM) ● Gradient descent with adaptive learning rate - (TRAINGDA) ● Gradient descent momentum and an adaptive learning rate (TRAINGDX) SCIENTIFIC JOURNAL OF SAIGON UNIVERSITY No 61 (01/2019) khác đánh giá Các kết Bảng Bảng mơ hình có 20 người, người có ảnh (trong ảnh để huấn luyện ảnh để kiểm tra) Mỗi ảnh sau chuẩn hóa có kích thước 100x100 chia thành khối nhỏ, khối có kích thước 50x50 Sau dùng giải thuật ICA với M = 50, mơ hình xây dựng với ba lớp (lớp đầu vào, lớp ẩn lớp đầu ra) Bảng cho thấy kết mơ hình có ba lớp (lớp đầu vào, lớp ẩn lớp đầu ra) huấn luyện với 10 thuật toán khác Bảng cho thấy tỷ lệ nhận dạng xác sử dụng thuật toán GDA (Gradient Descent with Adaptive learning rate) Ngồi ra, thuật tốn hội tụ nhanh Tuy nhiên, thuật toán LM, BFG, BR, CGF cần thời gian hội tụ lớn tỷ lệ nhận dạng thấp Để kiểm tra ảnh hưởng số lớp ẩn đến kết nhận dạng, mơ hình thứ hai thực với lớp (lớp đầu vào, lớp ẩn lớp đầu ra) Kết thể Bảng ● One-step secant - (TRAINOSS) ● Resilient back-propagation (TRAINRP) Các thuật ngữ (LM, BFG, BR, CGF, GD, GDM, GDA, GDX, OSS RP) sử dụng bảng mô tả phần kết đại diện cho 10 thuật toán tương ứng Kết thực Hệ thống thực máy tính có cấu hình Intel Core i3 với tốc độ 2.4 GHz RAM GB với liệu CASIA Iris Interval [3] Các mơ hình ANN khác xây dựng cho hệ thống nhận dạng mống mắt Mỗi mơ hình huấn luyện với 10 thuật tốn nêu Đối với mơ hình, số lớp ẩn thay đổi để đánh giá hiệu MATLAB sử dụng để viết chương trình liên quan đến việc huấn luyện mơ hình ANN khác chương trình để kiểm tra tỷ lệ xác chúng xác định cấu trúc mơ hình ANN tối ưu Để đánh giá hiệu suất mơ hình xây dựng, hai thơng số tính tốn tỷ lệ nhận dạng thời gian hội tụ Hiệu thuật toán huấn luyện Bảng Kết mơ hình ANN có lớp ẩn Hàm huấn luyện Tỷ lệ nhận dạng Thời gian hội tụ LM 7.5 % 1800 s BFG 25 % 1200 s BR 10 % 1500 s CGF 12.5 % 1608 s GD 87.5 % 240 s GDM 87.5 % 233 s GDA 92.5 % 10 s GDX 90 % 10 s OSS 40 % 18 s 87.5 % 10 s RP 10 LÊ TIẾN THƯỜNG cộng TẠP CHÍ KHOA HỌC ĐẠI HỌC SÀI GỊN Bảng Kết mơ hình ANN có lớp ẩn Hàm huấn luyện Tỷ lệ nhận dạng Thời gian hội tụ LM 7.5 % 2375 s BFG 25 % 1620 s BR 10 % 1724 s CGF 12.5 % 1801 s GD 87.5 % 320 s GDM 87.5 % 286 s GDA 97.5 % 18 s GDX 90 % 25 s OSS 47.5 % 37 s 90 % 16 s RP Dễ thấy rằng, với mơ hình có lớp ẩn, thời gian hội tụ tương đối lớn hiệu suất cải thiện, thuật toán cho hiệu tốt GDA (97,5%) Việc cần thêm thời gian cho thuật toán hội tụ điều dễ hiểu nhiều lớp ẩn đòi hỏi phải thực nhiều phép tính tốn Nhưng với cơng nghệ phát triển máy tính ngày nay, vấn đề khắc phục Dựa vào kết trên, mơ hình ANN tối ưu lựa chọn cho hệ thống nhận dạng mống mắt mơ hình ANN với lớp (lớp đầu vào, lớp ẩn lớp đầu ra) sử dụng thuật toán GDA Bảng Kết ảnh không chia khối Không Giá trị M ma trân A chia khối 10 30 50 100 10 Số người 20 40 60 90 Không chia khối 432 20 366 246 14 238 249 258 28 15 251 261 273 247 37 28 268 257 261 242 46 29 405 458 523 298 49 51 27 17 31 41 16 40 26 Số người Giá trị M ma trân A 10 30 50 100 100% 10 100% 100% 20 90% (9/10) 100% 90% (9/10) 40 95% (19/20) 100% 100% 100% 60 100% 100% 100% 100% 90 11 10.56% 96.11% 98.89% 97.22% (19/180) (173/180) (178/180) (175 /180) SCIENTIFIC JOURNAL OF SAIGON UNIVERSITY No 61 (01/2019) Bảng Kết ảnh chia thành khối Chia khối 10 20 Số người 40 60 Số dimension 10 30 50 100 4 16 5 5 25 17 14 6 61 27 26 15 8 11 17 78 76 51 12 15 13 20 22 178 149 120 19 19 19 23 Chia khối Số người 90 34 24 273 10 30 50 100% 100% 90% (8/10) 10 100% 100% 95% (19/20) 87.5% (16/20) 20 92.5% (37/40) 95% (38/40) 97.5% (39/40) 87.5% (35/40) 40 15% (12/80) 93.75% (75/80) 91.25% (73/80) 88.75% (71/80) 60 12.5% 93.33% 92.5% 89.16% (15/120) (112/120) (111/120) (107/120) 90 6.67% 8.33% 89.44% 83.89% (12/180) (15/180) (161/180) (151/180) 248 Theo kết Bảng Bảng 4, ảnh không chia thành khối nhỏ hiệu suất nhận dạng cao thời gian tính tốn giải thuật ICA thời gian thuật toán huấn luyện mạng ANN lớn, không phù hợp cho ứng dụng thời gian thực Khi ảnh chia thành khối, khối có kích thước 50x50 hiệu suất nhận dạng không tốt không chia khối, thời gian Số dimension 100 tính tốn ICA thời gian thuật toán huấn luyện hội tụ giảm đáng kể Kết nhận dạng đạt tốt giải thuật ICA với số chiều 50 Bảng cho thấy so sánh ngắn gọn hiệu dựa tỷ lệ nhận dạng phương pháp đề xuất số phương pháp khác báo công bố Các phương pháp bao gồm Daugman [9], Tisse [5], Li Ma [12] Chirchi [18] Bảng Bảng so sánh với phương pháp khác Phương pháp Tỷ lệ nhận dạng (%) Daugman [9] 99.37 Tisse [5] 96.61 Li Ma [12] 94.33 Chirchi [18] 99.75 Phương pháp đề xuất 97.5 12 LÊ TIẾN THƯỜNG cộng TẠP CHÍ KHOA HỌC ĐẠI HỌC SÀI GÒN Từ kết quả, phương pháp Daugman có hiệu suất tốt nhất, hệ thống đề xuất cho kết tốt so sánh với phương pháp Tisse, Li Ma Vì vậy, hệ thống đề xuất chứng minh hiệu so sánh phương pháp tiếp cận khác Trong nghiên cứu gần [18], khơng có đề cập đến thời gian xử lý phương pháp số lượng người nhận diện để so sánh thời gian xử lý hai phương pháp Mặc dù hiệu nhận dạng không cao so với phương pháp tài liệu [18] hiệu suất phương pháp nhận dạng mống mắt dùng ANN ICA chấp nhận với thời gian xử lý nhanh kết hợp vào ứng dụng thời gian thực Kết luận Bài nghiên cứu đưa phương pháp hiệu cho hệ thống nhận dạng mống mắt Sau q trình chuẩn hóa, hình ảnh với kích thước 100x100 chia thành khối hình ảnh nhỏ trước trích xuất đặc trưng Mỗi khối nhỏ trích xuất đặc trưng cách sử dụng thuật toán ICA Bằng cách chia hình ảnh thành khối nhỏ, thời gian tính tốn ICA giảm xuống đáng kể Các thành phần độc lập phản ánh thông tin chi tiết mống mắt (như tàn nhang, dải, rãnh,…) thay đổi, phân bố cho thấy khác biệt cá nhân mống mắt người Sau đó, đặc trưng mống mắt phân loại nhận dạng theo mơ hình mạng neuron nhân tạo (ANN) Các mơ hình ANN khác xây dựng huấn luyện với 10 thuật toán khác để đạt mơ hình ANN tối ưu Kết đạt thực với sở liệu CASIA Tỷ lệ nhận dạng phương pháp 97,5% Đặc biệt, so sánh hệ thống đề xuất phương pháp Tisse, Li Ma, Boles làm để chứng minh hiệu phương pháp nhận dạng mống mắt dùng ANN ICA đề xuất Trong tương lai, hệ thống nhận dạng mống mắt cần phải phát triển để thực phần cứng thời gian thực để trở thành ứng dụng phổ biến LỜI CẢM ƠN Các tác giả cảm ơn khoa Điện-Điện tử trường Đại học Bách Khoa TP.Hồ Chí Minh hỗ trợ tài hướng dẫn để hồn thành thành cơng nghiên cứu TÀI LIỆU THAM KHẢO A Albadarneh, J Alquatawna, Iris recognition System for Secure Authentication Based on Texture and Shape Features Pro.IEEE Jordan Conf Applied Electrical Engineering and Computer Technologies (2015) Anil K.Jain, R Bolle, S.Pankanti, Biometrics Personal Identification in Networked Society, Kluwer Academic Publishers (2002), New York, Boston, Dordrecht, London, Moscow, ISBN 0-30647044-6.G CASIA Iris database http://biometrics.idealtest.org/dbDetailForU ser.do?id= Cherabit, F.Z.Chelali, A.Djeradi, Circular Hough Transform for Iris localization, Science and Technology (2012), 2(5): 114121, DOI: 10.5923/j.scit.20120205.02 Christel-Loic Tisse, Lionel Torres, Michel Robert Personal Identification Technique Using Human Iris Recognition, Proceeding of the 15th International Conference on Vision interface (2002) Ethem Alpaydin, Introduction to Machine Learning, The MIT Press, Cambridge, Massachusetts, London, England (2004), ISBN 0-262-01211-1 13 SCIENTIFIC JOURNAL OF SAIGON UNIVERSITY No 61 (01/2019) G Supriya, S Halvi, N T Deshpande, Efficient Iris Recognition by Fusion of Matching Scores obtained by Lifting DWT and Log-Gabor methods of Feature Extraction, International Journal of Applied Research (2015) 14 Roman Swiniarski, Experiment on human iris recoginition using error backpropagation artificial neural network, San Diego State University, April 2004M Young, The Technical Writer’s Handbook Mill Valley, CA: University Science, (1989) H Zang, V M Patel, M E Fathy and R Chellapa, Touch Gesture Based Active User Authentication Using Dictionaries, Proc IEEE Winter Conf Applications of Computer Vision, (2015, pp 207-214) 15 R Swiniarski, Independent Component Analysis, CS553 Class Notes, San Diego State University, (2004) 16 Shinyoung Lim, Kwanyong Lee, Okhwan Byeon, and Taiyun Kim, Efficient Iris Recognition through Improvement of Feature Vector and Classifier, ETRI Journal, Volume 23, Number 2, June 2001 J.Daugman, Statistical richness of visual phase information: Update on recognizing persons by iris patterns, International Journal of Computer Vision, (Vol 45, No 1, pp 25-38, 2001) 17 Sushikumar S.Salve, S.P.Narote, Iris Recognition Using SVM and ANN, (IEEE WISPNET 2016 conference), ISBN 978-14673-9338-6/16/S31.00 10 J.Yang, L.Nanni, State of the Art in Biometrics, Published by InTech (2011), ISBN 978-953-307-307-489-4 18 V.R.E Chirchi, L.M Waghmare, Enhanced Isocentric Segmentor and Wavelet Rectangular Coder to Iris Segmentation and Recognition, International Journal of Intelligent Engineering and Systems, (Vol 10, No 3, pp 1-10, 2017) 11 K.I.Kim, K.Jung, H.J.Kim, Face recognition using kernel principal component analysis IEEE Signal Process Letters, (Vol 9, No 2, pp 40-42, Feb 2002) 12 L.Ma, Y.H.Wang, T.N.Tan, Iris recognition based on multichannel Gabor filtering Proceedings of the Fifth Asian Conference on Computer Vision (ACCV2002), Australia (pp 279-283, Jan 2002) 19 Yong Wang, Jiu-Qiang Han, Iris Recognition Using Independent Component Analysis, Proceedings of the Fourth International Conference on Machine Learning and Cybernetics, Guangzhou, (18-21 August 2005) 13 P.Daniel Rana, G Neelima Image Segmentation by using Histogram Thresholding, IJSET (|January 2012| Vol 2, Issue 1, 776- 779), ISSN: 2231-0711 Ngày nhận bài: 01/08/2018 Biên tập xong: 15/12/2018 14 Duyệt đăng: 20/01/2019 ... thống mạng neuron Ngồi ra, có nhân tố khác ảnh hưởng đến trình huấn luyện mạng neuron nhân tạo, số lớp ẩn số neuron lớp ẩn mạng neuron nhân tạo Hệ thống đề xuất Hệ thống nhận dạng mống mắt mà... xử lý hai phương pháp Mặc dù hiệu nhận dạng không cao so với phương pháp tài liệu [18] hiệu suất phương pháp nhận dạng mống mắt dùng ANN ICA chấp nhận với thời gian xử lý nhanh kết hợp vào ứng... với sở liệu CASIA Tỷ lệ nhận dạng phương pháp 97,5% Đặc biệt, so sánh hệ thống đề xuất phương pháp Tisse, Li Ma, Boles làm để chứng minh hiệu phương pháp nhận dạng mống mắt dùng ANN ICA đề xuất