Nhận dạng vân mạch máu lòng bàn tay dựa vào đặc trưng hướng đường vân cục bộ và đặc trưng sift cải tiến

TRƯỜNG ĐẠI HỌC QUỐC TẾ SÀI GỊN KHOA CƠNG NGHỆ THÔNG TIN  - PHẠM THỊ QUỲNH - TRẦN LÊ HẢI BÌNH NHẬN DẠNG VÂN MẠCH MÁU LỊNG BÀN TAY DỰA VÀO ĐẶC TRƯNG HƯỚNG ĐƯỜNG VÂN CỤC BỘ VÀ ĐẶC TRƯNG SIFT CẢI TIẾN BÁO CÁO NGHIÊN CỨU KHOA HỌC LẦN - 2021 TP HỒ CHÍ MINH - 2021 TRƯỜNG ĐẠI HỌC QUỐC TẾ SÀI GỊN KHOA CƠNG NGHỆ THÔNG TIN  PHẠM THỊ QUỲNH - TRẦN LÊ HẢI BÌNH NHẬN DẠNG VÂN MẠCH MÁU LỊNG BÀN TAY DỰA VÀO ĐẶC TRƯNG HƯỚNG ĐƯỜNG VÂN CỤC BỘ VÀ ĐẶC TRƯNG SIFT CẢI TIẾN BÁO CÁO NGHIÊN CỨU KHOA HỌC LẦN - 2021 NGƯỜI HƯỚNG DẪN TS VĂN THIÊN HỒNG THS VÕ ANH TIẾN TP HỒ CHÍ MINH - 2021 LỜI CAM ĐOAN Tôi xin cam đoan báo cáo nghiên cứu khoa học với đề tài: “Nhận dạng vân mạch máu lòng bàn tay dựa vào đặc trưng hướng đường vân cục đặc trưng sift cải tiến” cơng trình nghiên cứu riêng chúng tơi Các trích dẫn, tham khảo q trình nghiên cứu trích dẫn đầy đủ, ghi rõ nguồn gốc Tơi xin chịu hồn tồn trách nhiệm có chép không hợp lệ, vi phạm quy chế đào tạo Người thực Phạm Thị Quỳnh – Trần Lê Hải Bình LỜI CẢM ƠN Lời em xin gửi lời cảm ơn đến Ban lãnh đạo, toàn thể quý Thầy, Cô giảng viên Trường Đại học Quốc tế Sài Gòn tận tạo điệu kiện hội để chúng em tham dự thi trí tuệ, chuyên nghiệp sáng tạo Em xin gửi lời cảm ơn sâu sắc đến thầy TS Văn Thiên Hồng thầy ThS Võ Anh tiến tận tình hướng dẫn, tạo điều kiện thuận lợi bảo chúng em suốt thời gian làm nghiên cứu khoa học Tuy vậy, thời gian có hạn, cố gắng nghiên cứu khoa học khơng tránh khỏi thiếu sót Chúng em mong nhận thông cảm bảo tận tình q Thầy Cơ bạn Trân trọng cảm ơn Phạm Thị Quỳnh – Trần Lê Hải Bình MỤC LỤC DANH MỤC TỪ VIẾT TẮT DANH MỤC BẢNG DANH MỤC HÌNH ẢNH 10 TÓM TẮT 12 CHƯƠNG TỔNG QUAN 13 1.1 Giới thiệu chung 13 1.2 Hệ thống nhận dạng vân mạch máu lòng bàn tay 17 1.3 Mục tiêu đề tài 26 1.4 Phương pháp nghiên cứu 26 1.5 Đặc trưng phạm vi nghiên cứu 27 1.6 Cấu trúc báo cáo 27 CHƯƠNG CÁC CƠNG TRÌNH NGHIÊN CỨU LIÊN QUAN 29 2.1 Bộ lọc MFRAT 29 2.2 Các đặc trưng mẫu nhị phân cục 30 2.3 Đặc trưng dẫn xuất cục (Local derivative pattern - LDP) 35 2.4 Các đặc trưng cục bất biến 36 CHƯƠNG PHƯƠNG PHÁP ĐỀ XUẤT 62 3.1 Ý tưởng 62 3.2 Thuật toán 62 CHƯƠNG KẾT QUẢ THỰC NGHIỆM 66 4.1 Cơ sở liệu thực nghiệm 66 4.2 Kết thực nghiệm 66 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 69 5.1 Kết luận 69 5.2 Kiến nghị 69 TÀI LIỆU THAM KHẢO 70 DANH MỤC TỪ VIẾT TẮT TỪ NỘI DUNG DIỄN GIẢI NIR Near-infrared Ánh sáng hồng ngoại ATM Automated Teller Machine Máy rút tiền tự động DNA Deoxyribonucleic acid Phân tử mang thông tin di truyền PDA Personal Digital Assistant Thiết bị kỹ thuật số hỗ trợ cá nhân CCD Charge Coupled Device Cảm biến CCD ROI Region of interest Vùng quan tâm LDP Local derivative pattern Đặc trưng dẫn xuất cục LBP Local binary pattern Mẫu nhị phân cục MFRAT Modified Finite Radon Transform Biến đổi radon hữu hạn SIFT Scale-invariant feature transform SURF Speeded up robust feature ASIFT RootSIFT PCA 2D-PCA 2D-FDA Đặc trưng biến đổi bất biến theo tỉ lệ Đặc trưng cải thiện tốc độ Affine scale invariant feature Đặc trưng biến đổi bất biến theo tỉ transform Root Scale-invariant lệ affin feature transform Principal component analysis Two-dimensional Phương pháp phân tích thành phần principal Phương pháp phân tích thành component analysis Two-dimensional Bộ mơ tả SIFT nâng cao phần chiều fisher Phân tích phân biệt hai chiều discriminant analysis fisher ECS-LBP EL-SIFT Enhanced centersymmetric local Mẫu nhị phân cục đối xứng binary pattern tâm cải tiến Enhanced centersymmetric local Mẫu nhị phân cục đối xứng binary pattern with SIFT tâm cải tiến với SIFT MLBP Multivariate Local binary pattern Mẫu nhị phân cục đa biến ELBP Enhanced local binary pattern Mẫu nhị phân cục nâng cao LBPV Local binary pattern variance Phương sai mẫu nhị phân cục DoG Difference-of-Gaussian Bộ lọc Gaussian xác định cạnh MSIFT Modified Scale-invariant feature transform Đặc trưng SIFT sửa đổi DANH MỤC BẢNG Bảng 4.1 Cơ sở liệu huấn luyện so khớp thực nghiệm 67 Bảng 4.3 Hiệu suất trung bình từ tay trái PUT 68 Bảng 4.4 Hiệu suất trung bình từ tay phải PUT 68 DANH MỤC HÌNH ẢNH Hình 1.1 Các đặc điểm sinh trắc học thể hành vi 14 Hình 1.2 Sơ đồ khối nhận diện hình ảnh vân mạch máu lịng bàn tay 18 Hình 1.3 Thiết bị chụp ảnh đa phổ lòng bàn tay 19 Hình 1.4 Sáu hình ảnh vân lịng bàn tay điển hình sở liệu 20 Hình 1.5 Lưu đồ phương pháp đường trịn nối tiếp cực đại rút trích ROI 21 Hình 1.6 Hình ảnh mức xám 22 Hình 1.7 Hình ảnh nhị phân sau phép tốn hình thái 22 Hình 1.8 Hình ảnh xoay 23 Hình 1.9 Cắt hình ảnh ROI 24 Hình 1.10 Hình ảnh ROI vân lịng bàn tay 24 Hình 1.11 Hình ảnh ROI vân mạch máu lòng bàn tay 24 Hình 2.3 36 mẫu bất biến xoay tạo phép toán 𝑳𝑩𝑷𝟖, 𝑹𝒓𝒊 32 Hình 2.4 Phép đo kết cấu MLBP mô tả mối quan hệ không gian dải dải 32 Hình 2.5 Sơ đồ phép tốn E – LBP4,4,3 34 Hình 2.6 Mẫu pixel lân cận xung quanh Z0 35 Hình 2.7 Hình ảnh Gaussian liền sau quãng tám 41 Hình 2.8 Cực đại cực tiểu ảnh chênh lệch Gaussian 42 Hình 2.9 Biểu đồ số điểm phát hình ảnh điển hình dạng hàm số lượng mẫu tỉ lệ 43 Hình 2.10 Dịng biểu đồ hiển thị phần trăm vị trí bật phát lặp lại hình ảnh biến đổi dạng hàm làm mịn hình ảnh trước cho mức độ quãng tám Dòng hiển thị phần trăm mơ tả so khớp xác với sở liệu lớn 43 Hình 2.11 Cho thấy giai đoạn lựa chọn điểm 47 Hình 2.12 Dịng biểu đồ hiển thị phần trăm vị trí bật tỉ lệ phát lặp lại hàm nhiễu pixel Dòng thứ hai cho thấy độ lặp lại sau yêu cầu thống hướng Dòng hiển thị phần trăm mô tả so khớp xác với sở liệu lớn 51 Hình 2.13 Mảng mơ tả 2x2 tính tốn từ tập hợp 8x8 mẫu 52 10 Trong ‖∙|| chuẩn Euclide Xác định phù hợp điểm huấn luyện 𝑑𝑖𝑡 𝑞 điểm 𝑑𝑖 hỏi 1.5𝐷𝑑 (𝑖, 𝑗) < 𝑚𝑖𝑛 = {𝐷𝑑 (𝑖, 𝑗)}𝐿𝑛=1 với 𝑛 ≠ 𝑗 Ngưỡng ước tính giai đoạn huấn luyện không nhạy cảm với giá trị khoảng 1,2-1,7 Xác thực so khớp Việc xác nhận điểm phù hợp cho định xác thực phổ biến số phương pháp khai thác đặc trưng sinh trắc học khác Xác nhận dựa khoảng cách tọa độ điểm để cải thiện hiệu suất SIFT sinh trắc học bảng màu không tiếp xúc Giả thuyết tọa độ từ hai điểm so khớp phải giống hiệu chỉnh độ dịch chuyển trung bình từ tất điểm so khớp Gọi 𝑐𝑖𝑡 = 𝐿 𝑞 𝑞 𝑞 {𝑥𝑖𝑡 , 𝑦𝑖𝑡 }𝑀 𝑖=1và 𝑐𝑖 = {𝑥𝑖 , 𝑦𝑖 }𝑖=1lần lượt tập tọa độ trọng tâm huấn luyện nghi vấn Khoảng cách tọa độ tính sau: 𝑞 𝐷𝑐 (𝑖, 𝑗) = ‖𝑐𝑖𝑡 − 𝑐𝑖 ||2 Trong ‖∙|| chuẩn Euclide Xác định phù hợp điểm huấn 𝑞 luyện 𝑐𝑖𝑡 điểm 𝑐𝑖 hỏi 𝑀 1.5 𝑞 𝐷𝑐 (𝑖, 𝑗) = ∑‖𝑐𝑖𝑡 − 𝑐𝑗 ‖ 𝑀 𝑖=1 Do phương sai hình dáng cao chụp ảnh không tiếp xúc, sử dụng hệ số trọng số 1,5 để điều chỉnh lỗi chỉnh nhỏ lòng bàn tay Số so khớp tối đa câu hỏi tập huấn luyện điểm tương đồng Nếu điểm tương đồng lớn ngưỡng, hình ảnh hỏi xác thực 61 CHƯƠNG PHƯƠNG PHÁP ĐỀ XUẤT 3.1 Ý tưởng Phương pháp đề xuất bao gồm ba bước: (1) trích xuất đường đặc trưng lọc MFRAT, (2) áp dụng phương pháp ECS-LBP để phát đường vân mạch máu lòng bàn tay ổn định rõ ràng; (3) rút trích đặc trưng cục bất biến SIFT hình ảnh đường vân mạch máu lịng bàn tay (Hình 3.1) Palm vein image MFRAT ECS-LBP MFRATEL-SIFT fearture SIFT Hình 3.1 Sơ đồ phương pháp đề xuất 3.2 Thuật toán 3.2.1 Bộ lọc dựa vào phép biến đổi radon sửa đổi (MFRAT) MFRAT đề xuất để kết nối vân đứt gãy với Hơn nữa, lọc sử dụng để tăng tính đối xứng tuyến tính đường gờ để lọc đối xứng tuyến tính sử dụng để xác định chi tiết nhỏ khu vực thiếu đối xứng tuyến tính Đề xuất sử dụng lọc giúp loại bỏ bớt nhiễu, làm tăng độ xác, tính ổn định nhận dạng vân mạch máu lòng bàn tay 3.2.2 Thuật toán mẫu nhị phân cục đối xứng (CS-LBP) CS-LBP so sánh cặp pixel đối xứng tâm (Hình 3.2a) Độ mạnh vùng ảnh phẳng thu cách lập ngưỡng chênh lệch mức xám với giá trị nhỏ T đề xuất [18]: (𝑁⁄2)−1 𝐶𝑆 − 𝐿𝐵𝑃𝑅,𝑁,𝑇 (𝑥, 𝑦) = ∑ 𝑠 (𝑝𝑖 − 𝑝𝑖+(𝑁⁄ ) ) 2𝑖 , 𝑖=0 𝑠(𝑥) = { 𝑥>𝑇 (2) 𝑜𝑡ℎ𝑒𝑟𝑤𝑖𝑠𝑒 62 Trong 𝑝𝑖 𝑝𝑖+(𝑁⁄ ) tương ứng với giá trị màu xám cặp pixel đối xứng tâm N pixel cách vòng trịn bán kính R CS-LBP có liên quan chặt chẽ với tốn tử gradient, giống số tốn tử gradient, coi khác biệt mức xám cặp pixel đối diện vùng lân cận 3.2.3 Phương pháp ECS-LBP để cải thiện mẫu vân mạch máu lịng bàn tay Hình 3.2 (a) Đặc trưng CS-LBP với điểm lân cận (b) Đặc trưng ECS-LBP với 16 khối lân cận (các khối bao gồm điểm) Tương tự phương pháp tăng cường LBP [38], tăng cường CS-LBP (ECSLBP), sửa đổi phiên CS-LBP, tính tốn giá trị đặc trưng từ khối (tập hợp điểm) thay điểm lập Đặc trưng ECS-LBP tạo theo cách tương tự thuật toán CS-LBP sau: Tham số điểm giá trị màu xám trung bình cường độ pixel lân cận (Hình 3.2b) Tương tự với CS-LBP, tương ứng với cặp pixel đối xứng tâm N pixel cách vịng trịn bán kính R Lưu ý xem xét số cấu trúc liên kết tập hợp điểm có kích thước khác để nắm bắt thông tin kết cấu khác Trong phương pháp này, hình vng có kích thước × 2, sử dụng 63 3.2.4 Phương pháp EL-SIFT để phát đặc trưng vân mạch máu lòng bàn tay so khớp Đặc trưng SIFT mô tả tiếng sử dụng gradient làm đặc trưng cục SIFT phương pháp mạnh mẽ để phát đặc điểm hình ảnh cục bất biến tỉ lệ hình ảnh, dịch xoay [40] Các đặc trưng có cách chọn vị trí cực đại cục cực tiểu khác biệt hàm Gaussian áp dụng không gian tỉ lệ Cực đại cực tiểu hàm không gian tỉ lệ xác định cách so sánh pixel với điểm ảnh lân cận [41] SIFT áp dụng thành công để nhận dạng bảng in [41] Tuy nhiên, SIFT không hoạt động tốt với hình ảnh vân mạch máu lịng bàn tay đường vân mạch máu lịng bàn tay khơng lập với hình ảnh có độ tương phản thấp (Hình 3.3a) Để tạo mẫu vân mạch máu lòng bàn tay với độ dốc cao, ECS-LBP trước tiên áp dụng để có hình ảnh mẫu vân mạch máu lịng bàn tay rõ ràng Hình ảnh đầu vào thuật tốn SIFT để có đặc trưng điểm vân mạch máu lịng bàn tay CL-SIFT (Hình 3.3b) Hình 3.3 (a), (e) Hình ảnh gốc người, (b), (f) CS-LBP, (c), g) ECS-LBP, (d) Khớp (b) (f ), (h) So khớp (c) (g) 64 Hình 3.4 (a), (e) Hình ảnh gốc hai người khác nhau, (b), (f) CS-LBP, (c), (g) ECSLBP, (d) So khớp (b) ( f), (h) So khớp (c) (g) Sau điểm rút trích, hình ảnh truy vấn khớp so sánh với đặc trưng rút trích với hình ảnh tương ứng sở liệu đăng ký (từ đặc trưng đào tạo) Việc tạo điểm số từ trận đấu ứng viên dựa khoảng cách Euclidean vectơ đặc trưng 65 CHƯƠNG KẾT QUẢ THỰC NGHIỆM 4.1 Cơ sở liệu thực nghiệm Thuật toán đề xuất thử nghiệm sở liệu vân mạch máu lòng bàn tay không tiếp xúc công khai PUT để so sánh với phương pháp trước LBP [21], CS-LBP-SIFT [18] , Gabor-SIFT [37] Cơ sở liệu hình ảnh vân mạch máu lòng bàn tay đa phổ thu thập từ hình ảnh lịng bàn tay khơng tiếp xúc 100 người dùng ba phiên thu thập liệu (bốn mẫu phiên) với khoảng thời gian tối thiểu tháng Trong sở liệu khu vực quan tâm (ROI) phân đoạn cách sử dụng hệ tọa độ, thiết lập hai điểm (điểm ngón trỏ ngón điểm ngón út ngón thứ ba) [1] Hình ảnh có kích thước 150 x 150 cắt bỏ tiếp tục thay đổi kích thước thành 100 x 100 Dưới số hình ảnh vân mạch máu người sở liệu PUT Hình 4.1 Ảnh vân mạch máu từ bàn tay trái sở liệu PUT_left_100 Hình 4.2 Ảnh vân mạch máu từ bàn tay phải sở liệu PUT_right_100 4.2 Kết thực nghiệm Cơ sở liệu chứa 100 người dùng ba phiên thu thập liệu (bốn mẫu phiên) Hình ảnh vân mạch máu lịng bàn tay có kích thước 150 x 150 cắt tiếp tục thay đổi kích thước thành 100 x 100 Từ sở liệu PUT 66 bên trái PUT bên phải, năm mẫu sử dụng để đào tạo bảy mẫu sử dụng để thử nghiệm Bảng 4.1 Cơ sở liệu huấn luyện so khớp thực nghiệm Mỗi lớp Cơ sở liệu đăng ký Tất lớp Ảnh huấn Ảnh kiểm Ảnh huấn Ảnh kiểm luyện tra luyện tra 500 700 500 700 (N=100) PUT_left (N=100) PUT_right Nhận dạng(Identification) thực so sánh - nhiều trả lời câu hỏi người hình ảnh đầu vào? Tỉ lệ nhận dạng xếp hạng sử dụng để tính tốn độ xác nhận dạng, hình ảnh thử nghiệm so khớp với tất mẫu tập huấn luyện tên(label) mẫu tương tự gán cho hình ảnh thử nghiệm Xác thực(Verification) thực so sánh 1-1 trả lời câu hỏi liệu người có phải người mà yêu cầu hay không Trong thực nghiệm, cặp thống kê Tỉ lệ từ chối sai (FRR) Tỉ lệ chấp nhận sai (FAR) sử dụng để tính tốn EER [34] Tỉ lệ nhận dạng xếp hạng trung bình từ sở liệu PUT tay trái PUT tay phải minh họa Bảng 4.3 4.4 Trong thực nghiệm, có 500 (100 × 5) điểm thật (genuine scores) 29.700 (100 × × 99) điểm mạo danh sở liệu lòng bàn tay trái CASIA sở liệu lịng bàn tay phải PUT Hình 4.1 4.2 trình bày đặc điểm hoạt động thu từ sở liệu lòng bàn tay trái phải PUT Kết (xem Bảng 4.3 4.4) đề xuất cải thiện hiệu suất cho tất phương pháp tiếp cận Tất thuật tốn triển khai sử dụng ngơn ngữ java thực nghiệm mô tả khác VPS có CPU Intel (R) Xeon (R) 2,4 GHz 2,4 GHz (2 xử lý) RAM GB Thời gian mơ rút trích đặc trưng liệt kê Bảng 67 4.3 4.4 Có thể thấy thời gian rút trích đặc trưng phương pháp đề xuất lớn mô tả CS-LBP nhỏ Gabor-SIFT Bảng 4.2 Hiệu suất trung bình từ tay trái PUT Recognition rate Time of feature (%) extraction(s) LBP 78.33 0.015 Gabor SIFT 93.67 1.3 CS-LBP-SIFT 91.33 1.023 CL-SIFT 96.33 1.312 Our method: MFRAT EL-SIFT 97.01 1.368 Matcher Bảng 4.3 Hiệu suất trung bình từ tay phải PUT Recognition rate Time of feature (%) extraction(s) LBP 77.67 0.016 Gabor SIFT 91.67 1.287 CS-LBP-SIFT 90.33 1.015 CL-SIFT 95 1.295 Our method: MFRAT EL-SIFT 96.24 1.31 Matcher 68 CHƯƠNG KẾT LUẬN VÀ HƯỚNG PHÁT TRIỂN 5.1 Kết luận Trong nghiên cứu này, trình bày phương pháp SIFT cải tiến cách đề xuất kết hợp lọc MFRAT mẫu nhị phân cục đối xứng tâm nâng cao (ECS-LBP) với SIFT, gọi MFRAT- EL-SIFT Trong đó, MFRAT làm rõ tính đối xứng tuyến tính đường vân mạch máu, giúp loại bỏ bớt nhiễu hình ảnh ECSLBP, phiên sửa đổi CS-LBP, tính tốn giá trị đặc trưng từ khối (tập hợp điểm) thay điểm lập Ưu điểm ECS-LBP phát kết cấu vân mạch máu ổn định Kết thử nghiệm sở liệu vân mạch máu lòng bàn tay không tiếp xúc công khai PUT cho thấy phương pháp đề xuất đạt độ xác phương pháp SIFT truyền thống Các nỗ lực nghiên cứu sâu tập trung để khai thác thông tin định hướng, thông tin rút trích đồng thời q trình chụp ảnh vân lịng bàn tay khơng tiếp xúc phát triển mơ hình kết hợp để áp dụng hiệu việc nhận dạng vân mạch máu lịng bàn tay khơng tiếp xúc đáng tin cậy 5.2 Kiến nghị - Kiểm tra loại tập liệu khác hình ảnh vân mạch máu chịu tác động tỉ lệ cao - Chất lượng liệu hình ảnh quan trọng ứng dụng Vì vậy, phương pháp nâng cao hình ảnh cải thiện để mang lại kết nâng cao tốt với độ phức tạp thấp - Hệ thống đề xuất áp dụng cho phận thể người có vân mạch máu vân mạch máu ngón tay vân mạch máu cổ tay - Có thể sử dụng phương pháp kết hợp khác, chẳng hạn mạng nơ-ron - Trong số trường hợp hình ảnh đầu vào, cần xoay thời điểm giới thiệu (In some cases of the input image, need rotation in that moment of introduction) 69 TÀI LIỆU THAM KHẢO [1] VISA Consumers ready to switch from passwords to biometrics, study shows Research conducted by AYTM Market Research, among adult consumers who use at least one credit card, debit card, and/or mobile pay., 2018 Accessed May 2018 [2] S Prabhakar, S Pankanti, and A K Jain Biometric Recognition: Security and Privacy Concerns IEEE Security & Privacy, 1(2):33–42, 2003 [3] S Furnell From Passwords to Biometrics - In Pursuit of a Panacea In O Camp, E Weippl, C Bidan, and E Aïmeur, editors, Information Systems Security and Privacy, pages 3–15 Springer International Publishing, 2015 [4] ISO 2017 ISO/IEC 2382-37/2017, Information Technology - Vocabulary - Part 37: Biometrics, 2017 [5] L Vasiu Biometric Recognition - Security and Privacy Concerns In ICETE 2004, 1st International Conference on E-Business and Telecommunication Networks, Setúbal, Portugal, August 24-28, 2004, Proceedings, page 3, 2004 [6] A Abaza, A Ross, C Hebert, M A F Harrison, and M S Nixon A Survey on Ear Biometrics ACM Comput Surv., 45(2):22:1–22:35, 2013 [7] M J Burge and K W Bowyer, editors Handbook of Iris Recognition Advances in Computer Vision and Pattern Recognition Springer, 2013 [33] Rahul, R.C., Cherian, M., Manu Mohan, C.M.: ‘A novel Mf-ldtp approach for contactless palm vein recognition’ 2015 Int Conf on Computing and Network Communications (CoCoNet), Trivandrum, India, December 2015, pp 793–798 [34] Mirmohamadsadeghi, L., Drygajlo, A.: ‘Palm vein recognition with local texture patterns’, IET Biometrics, 2014, 3, (4), pp 198–206 [35] Akbar, A.F., Wirayudha, T.A.B., Sulistiyo, M.D.: ‘Palm vein biometric identification system using local derivative pattern’ 2016 4th Int Conf on Information and Communication Technology (ICoICT), Bandung, Indonesia, May 2016, pp 1–6 70 [36] Tome, P., Marcel, S.: ‘Palm vein database and experimental framework for reproducible research’ 2015 Int Conf of the Biometrics Special Interest Group (BIOSIG), Darmstadt, Germany, October 2015, pp 1–7 [37] Piciucco, E., Maiorana, E., Campisi, P.: ‘Palm vein recognition using a high dynamic range approach’, IET Biometrics, 2018, 7, (5), pp 439–446 [38] Srinithi, A., Goplalakrishnana, B.: ‘Personal identification based on dorsal palm blood vessel pattern by texture feature’ 2017 IEEE Int Conf on Electrical, Instrumentation and Communication Engineering (ICEICE), Karur, Tamilnadu, India, April 2017, pp 1–5 [39] Kang, W., Wu, Q.: ‘Contactless palm vein recognition using a mutual foreground-based local binary pattern’, IEEE Trans Inf Forensics Secur., 2014, 9, (11), pp 1974–1985, 49–52 [40] Pratiwi, A.Y., Budi, W.T.A., Ramadhani, K.N.: ‘Identity recognition with palm vein feature using local binary pattern rotation invariant’ Int Conf on Information and Communication Technology, Bandung, Indonesia, May 2016, pp 1–6 [41] ManMohan Saxena, J., Teckchandani, K., et al.: ‘Palm vein recognition using local tetra patterns’ 2015 4th Int Work Conf on Bioinspired Intelligence (IWOBI), San Sebastian, Spain, June 2015, pp 151–156 [42] Fronitasari, D., Gunawan, D.: ‘Palm vein recognition by using modified of local binary pattern (LBP) for extraction feature’ 2017 15th Int Conf on Quality in Research (QiR): Int Symp on Electrical and Computer Engineering, Nusa Dua, Bali, Indonesia, July 2017, pp 18–22 [43] Aglio-Caballero, A., Ríos-Sánchez, B., Sánchez-Ávila, C., et al.: ‘Analysis of local binary patterns and uniform local binary patterns for palm vein biometric recognition’ 2017 Int Carnahan Conf on Security Technology (ICCST), Madrid, Spain, October 2017, pp 1–6 [44] Han, W.-Y., Lee, J.-C.: ‘Palm vein recognition using adaptive gabor filter’, Expert Syst Appl., 2012, 39, (18), pp 13225–13234 71 [45] Cancian, P., Donato, G.W.D., Rana, V., et al.: ‘An embedded gabor-based palm vein recognition system’ IEEE Embs Int Conf on Biomedical & Health Informatics, Orlando, FL, United States, April 2017, pp 405–408, 53–58 [46] Savitha, A.P., Ramegowda, : ‘A comparative study of palm vein feature extraction and classification’, Mater Today: Proc., 2017, 4, (11), pp 11882– 11887 [47] Ma, X., Jing, X., Huang, H., et al.: ‘A novel palm vein recognition scheme based on an adaptive gabor filter’, IET Biometrics, 2017, 6, (5), pp 325–333 [48] Raut, S.D., Humbe, V.T., Mane, A.V.: ‘Development of biometrie palm vein trait based person recognition system: palm vein biometrics system’ 2017 1st Int Conf on Intelligent Systems and Information Management (ICISIM), Aurangabad, India, October 2017, pp 18–21 [49] Boubchir, L., Aberni, Y., Daachi, B.: ‘Competitive coding scheme based on 2d log-gabor filter for palm vein recognition’ 2018 NASA/ESA Conf on Adaptive Hardware and Systems (AHS), Edinburgh, UK, August 2018, pp 152–155 [50] Xu, Y., Fei, L., Wen, J., et al.: ‘Discriminative and robust competitive code for palmprint recognition’, IEEE Trans Syst Man Cybernet., Syst., 2018, 48, (2), pp 232–241 [51] Fei, L., Xu, Y., Tang, W., et al.: ‘Double-orientation code and nonlinear matching scheme for palmprint recognition’, Pattern Recognit., 2016, 49, pp 89–101 [52] Ladoux, P.O., Rosenberger, C., Dorizzi, B.: ‘Palm vein verification system based on sift matching’ 3rd Int Conf on Advances in Biometrics, ICB 2009, Alghero, Italy, June 2009, pp 1290–1298 [53] ManMohan Saxena, J., Teckchandani, K., et al.: ‘Palm vein recognition using local tetra patterns’ 2015 4th Int Work Conf on Bioinspired Intelligence (IWOBI), San Sebastian, Spain, June 2015, pp 151–156 [54] Gurunathan, V., Sathiyapriya, T., Sudhakar, R.: ‘Multimodal biometric recognition system using surf algorithm’ Int Conf on Intelligent Systems and Control, Coimbatore, India, January 2016, pp 1–5 72 [55] Kang, W., Liu, Y., Wu, Q., et al.: ‘Contact-free palm-vein recognition based on local invariant features’, PLoS One, 2014, 9, (5), pp e97548 [56] Pan, M., Kang, W.: ‘Palm vein recognition based on three local invariant feature extraction algorithms’, Biometric Recogn., 2011, 7098, pp 116–124 [57] Wu, K.-S., Lee, J.-C., Lo, T.-M., et al.: ‘A secure palm vein recognition system’, J Syst Software, 2013, 86, (11), pp 2870–2876 [58] Kang, W., Liu, Y., Wu, Q., et al.: ‘Contact-free palm-vein recognition based on local invariant features’, PLoS One, 2014, 9, (5), pp e97548 [59] Watanabe, M.: ‘Palm vein authentication’, in ‘Advances in biometrics’ (Springer, London, 2008), pp 75–88 [60] Kang, W., Wu, Q.: ‘Contactless palm vein recognition using a mutual foreground-based local binary pattern’, IEEE Trans Inf Forensics Secur., 2014, 9, (11), pp 1974–1985 [61] Micheletto, M., Orrù, G., Rida, I., et al.: ‘A multiple classifiers-based approach to palmvein identification’ 2018 Eighth Int Conf on Image Processing Theory, Tools and Applications (IPTA), Xi'an, China, November 2018, pp 1–6 [62] Rida, I., Al-Maadeed, S., Mahmood, A., et al.: ‘Palmprint identification using an ensemble of sparse representations’, IEEE Access., 2018, 6, pp 3241– 3248 [63] Rizki, F., Wirayuda, T.A.B., Ramadhani, K.N.: ‘Identity recognition based on palm vein feature using two-dimensional linear discriminant analysis’ 2016 1st Int Conf on Information Technology, Information Systems and Electrical Engineering (ICITISEE), Yogyakarta, Indonesia, August 2016, pp 21–25 [64] Elnasir, S., Shamsuddin, S.M.: ‘Proposed scheme for palm vein recognition based on linear discrimination analysis and nearest neighbour classifier’ 2014 Int Symp on Biometrics and Security Technologies (ISBAST), Kuala Lumpur, Malaysia, August 2014, pp 67–72 73 [65] Xu, J.: ‘An online biometric identification system based on two dimensional fisher linear discriminant’ 2015 8th Int Congress on Image and Signal Processing (CISP), Shenyang, China, October 2015, pp 894–898 [66] Lajevardi S.M and Lech M.,”Averaged Gabor Filter Features for Facial Expression Recognition”, DICTA08, Canberra, Australia, 2008 [67] Ali Mohsin Al-juboori, Wei Bu Xiangqian Wu, and Qiushi Zhao1 , Palm Vein Verification Using Multiple Features and Isometric Projection,2014, International Journal of Signal Processing, Image Processing and Pattern Recognition [68] Ran Wang, Guoyou Wang, Zhong Chen, Zhigang Zeng, Yong Wang, A palm vein identification system based on Gabor wavelet features , 2014, Neural Comput & Applic [69] Timo Ahonen, Abdenour Hadid, Matti Pietikäinen, "Face Recognition with Local Binary Patterns", 2004, Computer Vision - ECCV, pp 469-481 [70] T Ojala, M Pietikainen, T Maenpaa, "Multiresolution gray-scale and rotation invariant texture classification with local binary patterns", 2002, IEEE Transactions on Pattern Analysis and Machine Intelligence, pp 971-987 [71] Arko Lucieer, Alfred Stein and Peter Fisher ,” Multivariate Texturebased Segmentation of Remotely Sensed Imagery for Extraction of Objects and Their Uncertainty” [72] M Heikkila, M Pietikainen, "A texture-based method for modeling the background and detecting moving objects", IEEE Transactions on Pattern Analysis and Machine Intelligence, 2006, pp.657-662 [73] Zhenhua Guo,Lei Zhang,David Zhang,”Rotation Invariant texture classification using LBP variance (LBPV) with global matching” Pattern Recognition 43 (2010) 706–719 [74] Lee, J.C.: ‘A novel biometric system based on palm vein image’, Pattern Recognit Lett., 2012, 33, (12), pp 1520–1528 74 [75] Lowe, D.G.: ‘Distinctive image features from scale-invariant keypoints’, Int J Comput Vis., 2004, 2, (60), pp 91–110 [76] Badrinath, G.S., Gupta, P.: ‘Palmprint verification using sift features’ Proc First Workshops on Image Processing Theory, Tools and Application, IPTA 2008, 2008, pp –8 [77] Zuiderveld, K.: ‘Contrast limited adaptive histogram equalization’, Graphic Gems IV (Academic Press Professional, San Diego, 1994), pp 474–485 75 ... suất nhận dạng đề tài nghiên cứu theo hướng nhận dạng vân mạch máu lòng bàn tay dựa vào đặc trưng hướng đường vân cục đặc trưng sift cải tiến 1.3 Mục tiêu đề tài Phát triển thuật toán nhận diện vân. .. BÌNH NHẬN DẠNG VÂN MẠCH MÁU LỊNG BÀN TAY DỰA VÀO ĐẶC TRƯNG HƯỚNG ĐƯỜNG VÂN CỤC BỘ VÀ ĐẶC TRƯNG SIFT CẢI TIẾN BÁO CÁO NGHIÊN CỨU KHOA HỌC LẦN - 2021 NGƯỜI HƯỚNG DẪN TS VĂN THIÊN HỒNG THS VÕ ANH TIẾN... đặc trưng thu đặc trưng hiệu từ vân mạch máu lòng bàn tay xử lý trước So khớp đặc trưng so sánh hai đặc trưng vân mạch máu lòng bàn tay sở liệu lưu trữ mẫu đăng ký Thu nhận ảnh vân mạch máu lòng