Nhận dạng vân tay bằng thuật toán SVM

10 12 0
Nhận dạng vân tay bằng thuật toán SVM

Đang tải... (xem toàn văn)

Thông tin tài liệu

MỤC LỤC A GIỚI THIỆU Nhận dạng vân tay hướng nghiên cứu nhận dạng sinh trắc học Khoa học nhận dạng vân tay hình thành từ lâu, trở thành ứng dụng thiếu đời sống xã hội người Với đời ngân hàng điện tử, thương mại diện tử…các biện pháp bảo mật mang tính riêng tư cần tổ chức lưu trữ sở liệu khác Định danh cá nhân cách tự động ngày trở thành vấn đề quan trọng cấp thiết Các ứng dụng hệ thống định danh cá nhân phát triển rộng lớn đời sống người như: quản lý hộ chiếu, hệ thống rút tiền tự động ATM…Việc định danh cá nhân trước theo phương pháp truyền thống password PIN, phương pháp chứng minh không hiệu Bởi vì, password số khó nhớ, dễ quên dễ bị đánh cắp Bằng cách sử dụng vân tay mật mã, việc xác nhận người thực hệ thống nhận dạng vân tay an toàn thuận tiện Lý thuyết Máy học Vector hỗ trợ (SVM) thập kỷ 1970 Vapnik,Chervonenkis Tuy nhiên, ý thập kỷ 1990 SVM tập phương pháp học có giám sát dùng để phân lớp Tính chất trội SVM đồng thời cực tiểu lỗi phân lớp cực đại khoảng cách lề lớp SVM phương pháp phân lớp đại hiệu quả, nắm phương pháp tạo tảng giúp việc phát triển giải pháp phân loại dự đoán , xây dựng ứng dụng quan trọng thực tế Ưu SVM so với thuật giải học khác Neural Net, định giải tốt toán khớp SVM sử dụng nhiều phân loại nhận dạng (chữ viết tay, mặt người, vân tay, ) SVM chia tập học thành hai lớp {+1,-1} Trang B NỘI DUNG I Tổng quan nhận dạng vân tay Qui trình nhận dạng ảnh Qui trình nhận dạng ảnh tổng quát gồm giai đoạn sau: Thu nhận ảnh giai đoạn nhận ảnh từ máy quét, máy quay… Ảnh thu ảnh màu, ảnh mức xám, ảnh nhị phân Độ phân giải ảnh tùy thuộc vào đối tượng cần thu nhận Chất lượng ảnh thấp cách lấy ảnh chất lượng thiết bị Vì vậy, bước tiền xử lý ảnh đòi hỏi nhằm nâng cao chất lượng ảnh ban đầu Bước trích chọn đặc trưng từ ảnh nâng cao chất lượng, đặc trưng trích chọn phương pháp khác tùy vào đối tượng cần nhận dạng (Ví dụ: hệ thống nhận dạng khn mặt trích đặc trưng như: mắt, mũi, miệng, mày…, hệ thống nhận dạng vân tay trích điểm đặc biệt đường vân như: điểm kết thúc, điểm rẽ nhánh) Sau có đặc trưng, qui trình nhận dạng có hai hướng tiếp chuyển Hướng thứ tiến hành phân lớp xem ảnh thu nhận thuộc lớp sở liệu đối sánh với ảnh thuộc lớp Hướng thứ hai tiến hành đối sánh trực tiếp với ảnh thuộc sở liệu hướng tiến hành đề tài Đặc điểm vân tay Vân tay lớp biểu bì đầu ngón tay phơi bày ấn ngón tay xuống bề mặt phẳng Hầu hết cấu trúc đặc trưng vân tay mẫu xen kẽ đường vân (Ridges) rãnh (Valleys) ảnh vân tay (Hình 2) Những đường vân rãnh thường chạy song song với nhau, có bị rẽ nhánh kết thúc Trang Khi phân tích mức tồn cục, mẫu vân tay thể vùng mà đường vân mang hình dạng đặc biệt Những vùng gọi Singularities Singular Regions, phân chúng vào ba loại: delta, whorl, loop Một vài giải thuật đối sánh canh chỉnh lại ảnh vân tay theo điểm mốc gọi core, điểm gần nằm trung tâm vùng Singular thuộc kiểu loop (Hình 3) Một điều cần lưu ý có vân tay không chứa vùng Singular thuộc kiểu loop whorl khó xác định điểm core (Kiểu Arch) Năm lớp vân tay: Left loop, Right loop, Whorl, Arch, Tented Arch (Hình 4) Ở mức cục bộ, đặc trưng quan trọng khác gọi minutiae Minutiae có Trang nghĩa chi tiết vụn vặt, ngữ cảnh vân tay, đề cập đến cách thức khác mà đường vân bị gián đoạn Ví dụ: đường vân bị kết thúc (Termination), đường vân bị rẽ nhánh (Bifurcation) Francis Galton (1822- 1911) người phân loại quan sát minutiae, thấy chúng không thay đổi thời gian sống cá nhân Các kiểu minutiae phổ biến trình bày hình Sự phân loại minutiae dựa điểm kết thúc rẽ nhánh Mỗi minutiae biểu diễn tọa độ (x, y) góc tiếp tuyến đường vân điểm với trục hồnh (Hình 6) Thu nhận biểu diễn ảnh Quá trình thu nhận ảnh bao gồm trình cảm biến (biến đổi lượng quang học thành lượng điện) tổng hợp lượng điện thành ảnh Các thiết bị thu nhận ảnh có hai loại tương ứng với hai loại ảnh thơng dụng Raster Vector Thiết bị thu ảnh Raster camera, thiết bị thu ảnh Vector sensor Ảnh máy tính kết thu nhận từ phương pháp số hóa Chất lượng ảnh phụ thuộc lớn vào độ phân giải Vì vậy, cần lựa chọn độ phân giải phù hợp với nhu cầu sử dụng đặc trưng ảnh cụ thể Trang • Mơ hình Raster: mơ hình phổ biến nhất, ảnh biểu diễn dạng ma trận điểm ảnh Thuận lợi cho việc in ấn hiển thị • Mơ hình Vector: mơ hình giúp tiết kiệm nhớ, thuận lợi cho việc in ấn hiển thị, dễ dàng chép, di chuyển, tìm kiếm Mơ hình sử dụng hướng vector điểm ảnh lân cận để mã hóa tái tạo hình ảnh ban đầu Các công nghệ phần cứng hỗ trợ cho ảnh Raster mà nghiên cứu mơ hình Vector tập trung vào việc chuyển đổi qua lại hai mơ hình Trích chọn đặc trưng Sau thu nhận ảnh đầu vào, bước trình xử lý ảnh tiến hành trích đặc trưng mà từ sử dụng chúng vào mục đích khác Sơ đồ minh họa cho giai đoạn trích đặc trưng, cụ thể trích đặc trưng ảnh vân tay trình bày hình Giai đoạn trích đặc trưng bao gồm xử lý sau: • Phân đoạn (Segmentation) • Tính hướng đường vân cục (Local Orientation) Trang • Tính tần số vân cục (Local Frequency) • Tìm vùng Singularity (Singular Region) • Tăng cường ảnh (Enhancement) • Trích điểm Minutiaes (Minutiae Extraction) a) Phân đoạn Tách ảnh vân tay thành hai vùng phân biệt, sử dụng vùng hữu ích để tránh trích lọc đặc tính vùng ảnh khơng có vân vùng vân khơng thể phục hồi b) Tính hướng đường vân cục Phương pháp tự nhiên đơn giản để trích lọc hướng cục dựa Gradient, phương pháp đơn giản hiệu đề xuất Ratha cộng c) Tính tần số vân cục Tần số vân cục điểm [x, y] số vân đơn vị chiều dài dọc theo đoạn trọng tâm [x, y] trực giao với hướng cục [x, y] Phương pháp tính tần số vân cục trình bày Hong cộng (1998) [3], phương pháp tính tần số cục cách đếm số pixel trung bình hai đường vân d) Tìm vùng Singular Dựa vào trường định hướng ảnh vân tay Phương pháp tốt phương pháp dựa Poincare đưa Kawagoe Tojo e) Tăng cường ảnh Trong ảnh vân tay lý tưởng đường vân rãnh xen kẽ chạy theo hướng cục cố định Trong trường hợp đó, đường vân dễ dàng tìm thấy điểm minutiae định vị xác Tuy nhiên thực tế, điều kiện da (Ví dụ: ẩm, khơ, bị vết nứt, vết thâm …), nhiễu cảm biến chất lượng thiết bị, áp lực tay thu nhận, vốn chất lượng thấp (Ví dụ: người lớn tuổi, cơng nhân làm việc tay…) Tác dụng mà giải thuật tăng cường mang lại làm sáng sủa cấu trúc đường vân vùng phục hồi Đầu vào giải thuật tăng cường ảnh mức xám, đầu ảnh mức xám ảnh nhị phân Một phương pháp hiệu dựa lọc Gabor f) Trích điểm minutiae Hầu hết phương pháp đòi hỏi ảnh đầu vào ảnh mức xám để Trang chuyển đổi sang ảnh nhị phân Các giải thuật tăng cường thường cho trực tiếp ảnh nhị phân nên khác biệt tăng cường nhị phân hóa mờ nhạt Ảnh nhị phân thu từ giai đoạn nhị phân hóa làm mảnh đến độ dày pixel Cuối dị tìm điểm minutiae ảnh thu (Hình 10) II Tìm hiểu Support Vector Machines (SVM) Giới thiệu SVM thuộc họ giải thuật học (Learning Algorithm) nhằm phân lớp đối tượng vào hai lớp khác (Binary Classification) Phương pháp SVM Vapnik đề xuất năm 1995, dựa lý thuyết học thống kê (Statistical Learning Theory) nên có tảng tốn học chặt chẽ đảm bảo kết đạt tối ưu Ý tưởng phương pháp chuyển tập liệu mẫu từ khơng gian chiều R n sang khơng gian nhiều chiều Rd, sau tìm siêu phẳng (Hyperplane) tối ưu R d để phân chia tập mẫu theo phân lớp chúng Dữ liệu đầu vào: cho tập huấn luyện S={(x1,y1),….,(xN,yN)} đối tượng xi ∈ X phân lớp biết chúng yi ∈ {-1,+1} Dữ liệu đầu ra: phân lớp f : X → {-1,+1}, dự báo lớp f(x) đối tượng x ∈ X Bài toán SVM phân chia tuyến tính (Linear SVM) Bài tốn SVM đơn giản toán phân chia tập huấn luyện cách tuyến tính  Đối tượng SVM vector hữu hạn chiều: x =(x1,x2,…,xm) biểu diễn đặc trưng đối tượng giới thực Ví dụ: xét đối tượng  người ta hình dung chiều vector thơng tin người đó, x =(HoTen,NamSinh,ChieuCao,MauDa ) Cơng thức tích vơ hướng hai vector: Tải FULL (File DOC 16 trang): bit.ly/2Ywib4t Dự phòng: fb.com/KhoTaiLieuAZ Trang Hàm định cho việc phân lớp: Minh họa cho phân lớp tuyến tính trình bày hình 2.1 hình 2.2 Hình 2.1 : Bộ phân lớp tuyến tính Hình 2.2 : Phân chia tuyến tính tập huấn luyện Như nói trên, việc giải tốn SVM tìm siêu phẳng tối ưu để phân chia tập huấn luyện Vậy câu hỏi đặt “siêu phẳng cho tối ưu?” Và câu trả lời cho câu hỏi người đề xuất SVM – Vapnik trả lời rằng: “Largest margin”, có nghĩa “lề rộng nhất” Chúng ta xem minh họa hình 2.3 để hiểu lề Hình 2.3 : Siêu phẳng tối ưu với lề rộng Như vậy, độ rộng lề siêu phẳng khoảng cách ngắn từ điểm tập huấn luyện đến siêu phẳng, điểm nằm gần lề gọi vector hỗ trợ (Support Vector) Công việc cần làm để tìm siêu phẳng tối ưu Tải FULL (File DOC 16 trang): bit.ly/2Ywib4t Dự phòng: fb.com/KhoTaiLieuAZ Trang Chúng ta nhìn lại phân chia tập huấn luyện hình 2.4 Gọi: x1 điểm nằm siêu phẳng x2 điểm nằm lề với giá trị phân lớp +1 Ta có: Trừ hai vế ta được: Do đó: Những mẫu thuộc lớp Positive (yi = +1): Những mẫu thuộc lớp Negative (yi = -1): Tổng hợp hai trường hợp, ta có: Để tìm siêu phẳng tối ưu với lề rộng nhất, ta cần tìm cặp cho → Min với ràng buộc Hình 2.4 : Bộ phân lớp tuyến tính với hai giá trị hàm định (-1, +1) Đây tốn qui hoạch tồn phương (Quadratic Programming) Trong qui hoạch toán học, khái niệm quan trọng giúp ích nhiều việc giải tốn khái niệm tốn đối ngẫu Thay giải tốn gốc cách khó khăn, ta giải tốn đối ngẫu cách dễ dàng mà việc giải toán đối ngẫu tương đương với giải toán gốc Đó ý nghĩa tốn đối ngẫu Trở lại tốn qui hoạch tồn phương trên, ta chuyển dạng đối ngẫu sau: Gọi αi biến đối ngẫu cho ràng buộc Biểu thức Lagrangian 2852945 Trang 10 ... tài Đặc điểm vân tay Vân tay lớp biểu bì đầu ngón tay phơi bày ấn ngón tay xuống bề mặt phẳng Hầu hết cấu trúc đặc trưng vân tay mẫu xen kẽ đường vân (Ridges) rãnh (Valleys) ảnh vân tay (Hình 2)... dụng quan trọng thực tế Ưu SVM so với thuật giải học khác Neural Net, định giải tốt toán khớp SVM sử dụng nhiều phân loại nhận dạng (chữ viết tay, mặt người, vân tay, ) SVM chia tập học thành hai... {+1,-1} Trang B NỘI DUNG I Tổng quan nhận dạng vân tay Qui trình nhận dạng ảnh Qui trình nhận dạng ảnh tổng quát gồm giai đoạn sau: Thu nhận ảnh giai đoạn nhận ảnh từ máy quét, máy quay… Ảnh thu

Ngày đăng: 06/09/2021, 16:35

Từ khóa liên quan

Tài liệu cùng người dùng

  • Đang cập nhật ...

Tài liệu liên quan