Để kiểm chứng chính xác của việc phát hiện minutiae của thuật toán trong luận văn, tác giả tiến hành như sau:
- Chọn ra 30 ảnh ngẫu nhiên.Chuyên gia kiểm nghiệm số minutiae thực tế và ghi nhận lại.
- Cho chương trình cài đặt và phát hiện minutiae có quá trình làm mảnh đường vân và sử dụng giá trị Crossing Number.
- Đếm số minutiae chính xác so với chuyên gia (lệch trong ngưỡng cho phép là hình tròn có bán kính 9 điểm ảnh). Đếm số minutiae phát hiện bị sai của thuật toán so với chuyên gia. Quá trình đếm không tính những minutiae ở đường biên của vân tay.
- Cho chương trình cài đặt trích chọn minutiae trực tiếp từ ảnh xám của nhóm Bigun được sử dụng trong luận văn.
- Đếm số minutiae chính xác so với chuyên gia (lệch trong ngưỡng cho phép là hình tròn có bán kính là 9 điểm ảnh). Đếm số minutiae phát hiện bị sai của
thuật toán so với chuyên gia. Quá trình đếm không tính tới những minutiae ở đường biên của ảnh vân tay.
Hình 4-12: Kết quả phát hiện đặc trưng: (a) Ảnh gốc 1_3.tif, (b) Phương pháp làm mảnh, (c) Phương pháp lọc đối xứng xoay.
Hình 4-13: Kết quả phát hiện đặc trưng: (a) Ảnh gốc 2_2.tif, (b) Phương pháp làm mảnh, (c) Phương pháp lọc đối xứng xoay.
Hình 4-14: Kết quả phát hiện đặc trưng: (a) Ảnh gốc 3_2.tif, (b) Phương pháp làm mảnh, (c) Phương pháp lọc đối xứng xoay.
(a) (b) (c)
(a) (b) (c)
(b)
Hình 4-15: Kết quả phát hiện đặc trưng: (a) Ảnh gốc 4_3.tif, (b) Phương pháp làm mảnh, (c) Phương pháp lọc đối xứng xoay.
Hình 4-16: Kết quả phát hiện đặc trưng: (a) Ảnh gốc 5_2.tif, (b) Phương pháp làm mảnh, (c) Phương pháp lọc đối xứng xoay.
Hình 4-17: Kết quả phát hiện đặc trưng: (a) Ảnh gốc 6_2.tif, (b) Phương pháp làm mảnh, (c) Phương pháp lọc đối xứng xoay.
(a) (b) (c)
(a) (b) (c)
Hình 4-18: Kết quả phát hiện đặc trưng: (a) Ảnh gốc 7_3.tif, (b) Phương pháp làm mảnh, (c) Phương pháp lọc đối xứng xoay.
Hình 4-19: Kết quả phát hiện đặc trưng: (a) Ảnh gốc 8_2.tif, (b) Phương pháp làm mảnh, (c) Phương pháp lọc đối xứng xoay.
Hình 4-20: Kết quả phát hiện đặc trưng: (a) Ảnh gốc 9_2.tif, (b) Phương pháp làm mảnh, (c) Phương pháp Phương pháp lọc đối xứng xoay.
(a) (b) (c)
(a) (b) (c)
Hình 4-21: Kết quả phát hiện đặc trưng: (a) Ảnh gốc 10-1.tif, (b) Phương pháp làm mảnh, (c) Phương pháp Phương pháp lọc đối xứng xoay.
Kết quả phát hiện minutiae của phương pháp được sử dụng trong luận văn được so sánh với hướng trích chọn minutiae từ ảnh nhị phân (có thông qua giai đoạn làm mảnh) được thể hiện từ hình 4-2 đến hình 4-9 Kết quả thực nghiệm chi tiết của luận văn được trình bày trong bảng 4-2.
Bảng 4-2: Kết quả thực nghiệm phát hiện minutiae của hai phương pháp dựa vào Crossing Number và phương pháp lọc đối xứng xoay.
Ảnh vân tay Số minutiae thực tế (chuyên gia đếm)
Phương pháp nhị phân Phương pháp lọc đối xứng xoay
Số minutiae đúng Số minutiae sai Tỉ lệ % đúng Tỉ lệ % sai Số minutiae đúng Số minutiae đúng Tỉ lệ % đúng Tỉ lệ % sai 1_2.tif 38 35 4 92.11 10.53 35 3 92.11 7.89 2_3tif 58 55 3 94.83 5.17 56 4 96.55 6.90 5_8.tif 47 43 4 91.49 8.51 44 3 93.62 6.38 6_4.tif 42 40 3 95.24 7.14 41 2 97.62 4.76 7_2.tif 29 27 3 93.10 10.34 27 2 93.10 6.90 8_2.tif 64 61 2 95.31 3.13 61 4 95.31 6.25 9_3.tif 42 40 3 95.24 7.14 40 3 95.24 7.14 10_6.tif 28 26 3 92.86 10.71 26 2 94.34 7.14 12_8.tif 42 41 2 97.62 4.76 41 3 97.62 7.14 15_7.tif 41 40 3 97.56 7.32 40 3 97.56 7.32 16_2.tif 42 40 3 95.24 7.14 39 3 92.86 7.14 17_4.tif 28 27 2 96.43 7.14 27 1 96.43 3.57 (a) (b) (c)
19_6.tif 29 27 3 93.10 10.34 28 3 96.43 10.34 20_7.tif 32 30 4 93.75 12.50 31 2 96.88 6.25 22_1.tif 25 24 2 96.00 8.00 24 2 96.00 8.00 25_7.tif 41 39 3 95.12 7.32 40 3 97.56 7.32 26_3.tif 38 36 4 94.74 10.53 36 2 94.74 5.26 28_1.tif 49 45 5 91.84 10.20 47 3 95.92 6.12 29_8.tif 40 37 4 92.50 10.00 38 4 95.00 10.00 30_6.tif 42 38 4 90.48 9.52 39 4 92.86 9.52
Tỉ lệ đúng, sai trung bình trên 20 ảnh 94.23 8.37 Trung bình 20 ảnh 95.32 7.06
Độ lệch chuẩn trung bình ∆ 3.75 4.13 2.66 3.49
4.4 Kết luận
Kết quả thực nghiệm đối với 20 ảnh vân tay của cở sở dữ liệu FVC2004- DB1, tập A trong bảng 4-2 chỉ ra phương pháp của nhóm Bigun được sử dụng trong luận văn có tỉ lệ phát hiện minutiae đúng cao hơn phương pháp nhị phân; đồng thời tỉ lệ phát hiện minutiae sai thấp hơn so với phương pháp phát hiện minutiae có qua giai đoạn làm mảnh đường vân. Độ lệch chuẩn của phép đo số minutiae đúng và số minutiae sai đối với phương pháp lọc đối xứng xoay trong luận văn cũng thấp hơn so với độ lệch chuẩn của phép đo số minutiae đúng và số minutiae sai có qua giai đoạn nhị phân và làm mảnh. Kết quả này cho chúng ta thấy, với 20 ảnh ngẫu nhiên của của cở sở dữ liệu FVC2004-DB1, tập A chỉ ra rằng phương pháp rút trích minutiae của nhóm Bigun được sử dụng trong luận văn tốt hơn so với phương pháp rút trích minutiae có thông qua giai đoạn làm mảnh. Do thời gian không cho phép đề tài chỉ tập trung giải quyết đưa ra phương pháp và tiến hành cài đặt chương trình minh họa việc nâng cao chất lượng ảnh vân tay và trích chọn minutiae từ ảnh xám trên cơ sở dữ liệu vân tay có chất lượng thấp.
KẾT LUẬN
Bài toán nhận dạng vân tay hiện nay được ứng dụng rất rộng rãi trong nhiều lĩnh vực của đời sống xã hội. Song đối với cơ sở dữ liệu lớn việc truy tìm ảnh vân tay gặp nhiều khó khăn và thách thức. Đặc biệt, đối với ảnh vân tay có chất lượng thấp. Vấn đề đặt ra trong bài toán nhận dạng vân tay là việc xác định số lượng minutiae và vị trí của chúng trong ảnh vân tay một cách chính xác. Trong luận văn tác giả đã nêu ra các phương pháp tiến hành giải quyết bài nhận dạng đối với ảnh vân tay có chất lượng thấp, luận văn sử dụng phương pháp nâng cao chất lượng ảnh vân tay bằng tháp phân rã và trích chọn minutiae bằng phép lọc đối xứng xoay của nhóm Bigun. Để có cái nhìn chính xác về kết quả đạt được của luận văn, tác giả đã so sánh phương pháp của nhóm Bigun với một số phương pháp được sử dụng thông dụng trước đây, đó là nâng cao chất lượng ảnh bằng lọc gabor và trích chọn minutiae từ ảnh nhị phân có thông qua giai đoạn làm mảnh. Việc so sánh này được thực nghiệm trên cơ sở dữ liệu ảnh vân tay FVC2004-DB1, tập A. Đây là cơ sở dữ liệu dùng để so sánh trong các cuộc thi về nhận dạng vân tay. Tập cơ sở dữ liệu này gồm 800 ảnh vân tay của 100 người (mỗi vân tay có 8 bản khác nhau). Mỗi cơ sở dữ liệu này có kích thước là 640 x 480 điểm ảnh và có độ phân giải là 500 DPI (dots per inch). Cơ sở dữ liệu này có rất nhiều ảnh vân tay chất lượng thấp có chứa nhiễu như: ảnh bị mờ, vết dơ, vết theo, nét đứt,… Kết quả thực nghiệm đã chứng minh rằng: Phương pháp rút trích minutiae ảnh vân tay được sử dụng trong luận văn có thời gian xử lý nhanh hơn và kết quả rút trích tốt hơn so với phương pháp nhị phân có qua giai đoạn làm mảnh. Do đó, phương pháp được sử dụng trong luận văn là hợp lý và phù hợp với bài toán nhận dạng vân tay trên cơ sở dữ liệu chất lượng thấp. Tuy nhiên, đối với ảnh vân tay có chất lượng thấp cho kết quả vẫn còn có những hạn chế nhất định. Vì vậy, hướng phát triển của đề tài là nghiên cứu kỹ thuật nâng cao chất lượng ảnh thông qua bộ lọc dựa trên mờ (Fuzzy Based Filtering Technique) để loại bỏ nhiễu và cải thiện cường độ sáng của ảnh vân tay, tăng độ tương phản giúp cho chất lượng ảnh được nâng cao[13]; đồng thời nghiên cứu cài đặt thuật toán so khớp minutiae cho ảnh vân tay.
TÀI LIỆU THAM KHẢO
* Tiếng Việt:
[1 ] Văn Thiên Hoàng (2009), Truy tìm ảnh vân tay trên cơ sở dữ liệu gom nhóm, tr. 3-30.
[2 ] Hoàng Quốc Minh (2009), Xây dựng thư viện phần mềm trên họ Arm phục vụ bài toán nhận dạng vân tay, tr. 20-22; 33-37.
[3 ] Phạm Nguyễn Minh Nhựt (2001) “Nghiên cứu việc nâng cấp ảnh vân tay và trích chọn điểm minutiae”, Tr. 13-17; 24-33.
[4 ] Lê Hoàng Thái, Mai Thị Hải (2009) “Phát triển môn hình Artmap cho trích chọn minutiae ảnh vân tay”, Tuyển tập công trình nghiên cứu Công nghệ thông tin và truyền thông, 2009, ITCFIT 2009.
[5 ] Nguyễn Thanh Thuỷ, Ngô Quốc Tạo và nhóm Trung tâm tính toán hiệu năng cao trường ĐHBK Hà nội (2003), Xây dựng hệ thống lưu trữ và nhận dạng vân tay BKAFIS, Khoa CNTT trường ĐHBK Hà nội, viện CNTT
* Tiếng Anh:
[6 ] Chaohong Wu (2007), Advanced Feature Extraction Algorithms For Automatic Fingerprint Recognition Systems, a dissertation submitted to the faculty of the graduate school of state university of new york at buffalo in partial fulfillment of the requirements for the degree of doctor of philosophy , tr. 4- 19.
[7 ] Dario Maio and Davide Maltoni, (1997) “Direct Gray-Scale Minutiae Detection In Fingerprints”, IEEE Transactions on Pattern Analysis and Machine Intelligence, Vol. 19, No. 1, January 1997.
[8 ] Hartwig Fronthaler, Klaus Kollreider, and Josef Bigun (2008), “Local Features for Enhancement and Minutiae Extraction in Fingerprints”, IEEE Transactions on image processing, Vol. 17, No. 3, march 2008.
[9 ] Lin Hong, Yifei Wan, Anil Jain, Fellow, (1998) “FingerPrint images Enhanment: Algorithm performance Evaluation, IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, VOL. 20, NO. 8, AUGUST 1998, tr. 777-784.
[10 ] Manvjeet Kaur, Mukhwinder Singh, Akshay Girdhar, and Parvinder S. Sandhu (2008), “Fingerprint Verification System using Minutiae Extraction Technique”, World Academy of Science, Engineering and Technology 46 2008. tr. 497 – 500.
[11 ] Mayank Agarwal (2006), “Multi-Impression Enhancement of Fingerprint Images”, Thesis Submitted to the College of Engineering and Mineral Resources at West Virginia University in partial fulfillment of the requirements for the degree of Master of Science in Electrical Engineering, tr 79 – 84.
[12 ] Raymond Thai (2003) Fingerprint Image Enhancement and Minutiae Extraction. This report is submitted as partial fulfilment of the requirements for the Honours Programme of the School of Computer Science and Software Engineering,The University of Western Australia, 2003, tr. 7 – 17; 29-39. [13 ] K. Srinivasan, C. Chandrasekar, (2012) “An Efficient Fuzzy Based Filtering
Technique for Fingerprint Image Enhancement”, American Journal of Scientific Research ISSN 1450-223X Issue 43(2012), pp. 125- 140, © EuroJournals Publishing, Inc 2012.
[14 ] F. Zhao, X. Tang, (2007) "Preprocessing and postprocessing for skeleton- basedfingerprint minutiae extraction", Pattern Recognition, cuốn 40, trang 1270–1281.
[15 ] The Future of Biometrics Market Research Report, Acuity Market Intelligence, 40 Mechanic Street, Millburn, NJ 07041 USA, june 10th, 2012
<http://www.acuity-mi.com/FOB_Report.php>
[16 ] International Biometric Group, New York, NY; 1.212.809.9491, may 10th, 2011, <http://multibiometrics.us/BiometricsTheAnatomylesson.aspx>
PHỤ LỤC
1. Cơ sở dữ liệu FVC 2004
Cơ sở dữ liệu của cuộc thi về vân tay quốc tế FVC2004:
http://bias.csr.unibo.it/fvc2004/databases.asp
Cơ sở dữ liệu
Loại cảm biến
(Sensor) Kích thước Số lớp Độ phân giải
DB1 Cảm biến quang học 640 x 480 (307pixels) 100 500dpi DB2 Cảm biến quang học 328 x 364 (119 pixels) 100 500dpi DB3 Cảm biến nhiệt 300 x 480 (108 pixels) 100 512dpi DB4 SfinGe v3.0 288 x 384 (144Kpixels) 100 500dpi
2. Vùng điểm ảnh vân tay có khả năng phục hồi và vùng ành không thể phục hồi:
+ Vùng điểm ảnh có khả năng phục hồi: Là các vân được phân biệt rõ ràng với các vân khác hay các vân bị hư hỏng bởi các đường đứt gãy nhỏ, thâm sẹo… nhưng chúng vẫn có khả năng nhìn được và các vùng xung quanh cung cấp thông tin đủ để khôi phục cấu trúc ban đầu của chúng.
+ Vùng điểm ảnh không thể phục hồi: Vùng không thể được phục hồi là nơi các vân bị hư hại bởi các nhiễu nghiêm trọng, không có vân nào nhìn thấy được và các vùng xung quanh không cho phép chúng được xây dựng lại.
Nhận dạng mặt người
Hệ thống nhận diện khuôn mặt làm việc như thế nào ?