Luận văn: Đối sánh vân tay dựa trên thuật toán MCC Minutiae Cylinder Code - ĐH Công Nghệ

Luận văn về đối sánh vân tay sử dụng thuật toán MCC (Minutiae Cylinder Code). Nghiên cứu chuyên sâu về nhận dạng vân tay, bảo mật sinh trắc học.

• Tác giả: Nguyễn Tấn Hải
• Người hướng dẫn: TS. Nguyễn Ngọc Hoá
• Trường học: Trường Đại học Công nghệ
• Chuyên ngành: Công nghệ thông tin
• Đề tài: Đối sánh vân tay dựa trên thuật toán MCC Minutiae Cylinder-Code
• Loại tài liệu: Luận văn thạc sĩ
• Năm xuất bản: 2013
• Địa điểm: Hà Nội

Mục lục chi tiết

• LỜI CA M ĐOAN
• LỜI CẢM ƠN
• TÓM TẮT NỘI DUNG
• DANH MỤC CÁC KÝ HIỆU, CÁC TỪ VIẾT TẮT
• DANH MỤC CÁC HÌNH ẢNH
• DANH MỤC CÁC BẢNG BIỂU
• 1. TỔNG QUAN VỀ NHẬN DẠNG VÂN TAY
• 1.1. Mô hình hệ thống nhận dạng vân tay
• 1.2. Đánh giá kết quả của hệ thống nhận dạng
• 1.3. Quy trình chi tiết nhận dạng vân tay
• 1.4. Trích chọn thuộc tính từ vân tay
• 1.5. Quá trình lọc vân tay trước khi đối sánh
• 1.6. Đối sánh vân tay
• 1.7. Tính toán độ tương đồng
• 2. MỘT SỐ THUẬT TOÁN ĐỐI SÁNH VÂN TAY
• 2.1. Các phương pháp đối sánh vân tay
• 2.2. Đối sánh toàn cục
• 2.3. Đối sánh cục bộ
• 2.4. Hạn chế của một số biểu diễn truyền thống
• 2.5. Biểu diễn dựa trên MCC
• 2.6. Mô tả biểu diễn MCC
• 2.7. Tính độ tương đồng giữa các hình trụ
• 2.8. Ứng dụng của biểu diễn dựa trên Bit
• 3. THỬ NGHIỆM THUẬT TOÁN ĐỐI SÁNH VÂN TAY DỰA TRÊN BIỂU DIỄN MCC
• 3.1. Mục đích thử nghiệm
• 3.2. Quy trình thử nghiệm
• 3.3. Môi trường thử nghiệm
• 3.4. Đánh giá kết quả
• KẾT LUẬN CHUNG
• TÀI LIỆU THAM KHẢO
• MỞ ĐẦU

Tóm tắt

I. Đối sánh vân tay và Thuật toán MCC Tổng quan và Xu hướng

Nhận dạng vân tay đã được nghiên cứu nhiều năm và đạt được nhiều tiến triển. Rất nhiều nỗ lực vẫn cần thiết để nâng cao hiệu năng của các hệ thống nhận dạng vân tay. Trong hệ thống nhận dạng vân tay, thuật toán đối sánh đóng vai trò quan trọng, quyết định trực tiếp đến chất lượng cũng như hiệu năng của việc nhận dạng. Các thuật toán đối sánh thường sử dụng thêm biểu diễn trung gian được trích xuất từ bước trích chọn thuộc tính để trả lại độ tương đồng hoặc một quyết định nhị phân khi so sánh hai vân tay. Luận văn tập trung tìm hiểu chi tiết một số thuật toán đối sánh vân tay tiêu biểu, đi sâu vào thuật toán MCC đối sánh cho kết quả cao hiện nay dựa trên biểu diễn MCC (Minutiae Cylinder-Code) của Cappelli và cộng sự năm 2010. Từ đó luận văn tiến hành thử nghiệm thuật toán trên bộ dữ liệu vân tay FVC 2002 DB và đánh giá kết quả thu được khẳng định được chất lượng so khớp vân tay dựa trên biểu diễn MCC. Bài toán đối sánh vân tay, bài toán đối sánh vân tay (fingerprint matching) có vai trò quan trọng liên quan đến tốc độ nhận dạng và độ chính xác của quá trình nhận dạng. Đây cũng là một trong những hướng nghiên cứu chủ yếu hiện nay về nhận dạng vân tay.

Với định hướng nêu trên, luận văn có mục tiêu tìm hiểu, nghiên cứu một số thuật toán đối sánh vân tay, trong đó tập trung chính vào thuật toán MCC đối sánh vân tay cho kết quả chính xác cao hiện nay do Cappelli và cộng sự đề xuất vào năm 2010, dựa trên biểu diễn MCC (Minutiae Cylinder-Code) và tiến hành thử nghiệm đánh giá. Mục tiêu này được cụ thể theo những nội dung chính sau: Tìm hiểu tổng quan về nhận dạng vân tay, vai trò của đối sánh vân tay trong nhận dạng vân tay. Khảo sát chi tiết một số thuật toán đối sánh điển hình hiện nay như đối sánh toàn cục, đối sánh cục bộ, đối sánh dựa trên điểm đặc trưng,… Biểu diễn MCC sẽ được chú trọng phân tích để thực nghiệm. Thử nghiệm thuật toán đối sánh vân tay dựa trên biểu diễn MCC và đánh giá kết quả thu được.

1.1. Các phương pháp tiếp cận trong bài toán đối sánh vân tay

Các hệ thống đối sánh vân tay tự động cần chuyển số lượng các điểm đặc trưng có thể đối sánh giữa hai vân tay sang một giá trị chỉ độ tương đồng giữa hai vân tay. Điều này thường được thực hiện bởi công thức sau:

Với k là số lượng điểm đặc trưng có thể đối sánh, m và n là số lượng điểm đặc trưng tương ứng của hai vân tay tham gia quá trình đối sánh. Bên cạnh đó, các thông tin khác có thể được khai thác đặc biệt trong trường hợp ảnh nhiễu và sự hạn chế trong của vùng trùng nhau giữa hai vân tay. Chất lượng điểm đặc trưng có thể sử dụng như trọng số để đánh giá độ tin cậy hay không tin cậy của điểm đặc trưng. Việc đóng góp của các cặp điểm đặc trưng tin cậy nên cao hơn so với đóng góp của các cặp điểm đặc trưng có chất lượng thấp hơn. Chất lượng của điểm đặc trưng có thể được xác định dựa trên chất lượng vùng ảnh mà điểm đặc trưng thuộc vào. Việc chuẩn hóa theo công thức trong hình trên có xu hướng phạt các cặp vân tay có độ chồng lên nhau. Một số đề xuất việc chuẩn hóa hiệu quả hơn, xem xét số lượng điểm đặc trưng thuộc vào vùng giao của hai vân tay sau khi quá trình căn chỉnh tối ưu đã được xác định.

1.2. Tổng quan về bài toán nhận dạng vân tay và vai trò của thuật toán

Nhận dạng vân tay được ứng dụng phổ biến trong các ứng dụng sinh trắc học như kiểm soát truy cập, định danh khách hàng thực hiện giao dịch: ví dụ tại ATM, ngân hàng trực tuyến, quản lý thời gian, sự có mặt của nhân viên tại các tổ chức liên quan đến việc tính toán thời gian lao động, tiền lương. Đến các ứng dụng liên quan đến chính phủ như định danh công dân (hộ chiếu), quản lý xuất nhập cảnh, định danh trong pháp y liên quan đến tội phạm. Trong các ứng dụng sinh trắc học, vân tay được sử dụng rộng rãi và phổ biến nhất do tính đơn giản và thuận tiện trong lấy mẫu, lưu trữ và xử lý dữ liệu.

II. Minutiae Cylinder Code MCC Chi tiết về thuật toán

Đối sánh vân tay dựa trên điểm đặc trưng là cách tiếp cận phổ biến nhất trong các thuật toán đối sánh vân tay. Chuẩn ISO cũng xác định sử dụng các đặc trưng này. Mỗi điểm đặc trưng có thể được mô tả bởi các thuộc tính như vị trí của điểm trong ảnh, hướng của điểm đặc trưng và kiểu của điểm đặc trưng (đường kết thúc - ridge ending hay đường rẽ nhánh - ridge bifurcation), một trọng số chỉ chất lượng của ảnh xung quanh điểm đặc trưng. Hầu hết các thuật toán đối sánh vân tay coi mỗi điểm đặc trưng gồm 3 thông tin (triplet). Vm = { x, y, θ}, với x, y là vị trí của điểm đặc trưng và góc hướng của điểm đặc trưng θ.

Bài toán đối sánh dựa trên điểm đặc trưng là tìm ra phép sắp đặt (alignment) giữa hai tập đặc trưng điểm đặc trưng của hai vân tay sao cho tối đa số lượng các cặp điểm đặc trưng có thể đối sánh. Hiện nay, theo các nghiên cứu khác nhau, biểu diễn cấu trúc cục bộ dựa trên MCC [2] là một trong những mô tả dựa trên điểm đặc trưng chính xác nhất. Ưu điểm chính của biểu diễn này so với các biểu diễn cục bộ khác đó là MCC là cách tiếp cận dựa trên cách tiếp cận sử dụng bán kính cố định (fixed-radius) do đó chịu lỗi tốt hơn đối với tình huống phát hiện thiếu điểm đặc trưng hoặc điểm đặc trưng sai so với cách tiếp cận dựa trên láng giềng gần nhất (neighbor-based). Không giống như các cách tiếp cận sử dụng bán kính cố định truyền thống, MCC dựa vào mã hóa có độ dài cố định, điều này giúp việc tính toán độ tương đồng cục bộ đơn giản.

2.1. Cấu trúc dữ liệu Minutiae Cylinder Code

MCC gán các biểu diễn cục bộ cho mỗi điểm đặc trưng. Mô tả này bao gồm cả quan hệ về khoảng cách và hướng giữa điểm đặc trưng và các điểm đặc trưng lân cận và được biểu diễn như là một hình trụ với đáy và chiều cao liên quan đến khoảng cách và hướng. Hình trụ được rời rạc hóa thành NC = NS x NS x ND hình khối, mỗi khối sẽ có kích thước đáy là S x S và chiều cao là D , trong đó S = 2R/NS và D = 2π/ND. Với mỗi ô (i, j, k), sẽ gán với một giá trị Cm(i, j, k) được tính toán bằng cách tổng hợp các đóng góp của các điểm đặc trưng mt thuộc vào hàng xóm pm (li, j) của x. Các điểm đặc trưng được xác định trong vòng bán kính m3 s so với điểm tâm vl.

2.2. Ưu điểm của thuật toán MCC so với các thuật toán khác

Vấn đề đường bao biên giới được giải quyết đơn giản nhờ kết hợp thêm không gian xung quanh. Cài đặt dựa trên bit giúp việc đối sánh hình trụ nhanh và đơn giản, giúp giảm thời gian và có thể thực thi hiệu quả trên các CPU đơn giản. Với thẻ thông minh, bộ xử lý có hạn chế, thích hợp với xử lý trên dấu phẩy tĩnh, và hạn chế việc tính toán trên dấu phẩy động. Các thuật toán đối sánh sử dụng phổ biến trên môi trường máy tính cá nhân hoặc server thường yêu cầu sử dụng các phép toán trên dấu phẩy động nên không thích hợp với ứng dụng sử dụng trên thẻ thông minh. Biểu diễn MCC hình trụ có thể biểu diễn bởi dãy các bit 0, 1 nhờ vào thay đổi hàm sigmoid bởi hàm chuyển đơn vị. Điều này cho phép so sánh các cấu trúc cục bộ MCC nhanh chóng bởi so sánh giá trị tương đồng giữa các hình trụ quy về việc so sánh một chuỗi các bit.

III. Phương pháp đối sánh vân tay toàn cục Ưu điểm và hạn chế

Bài toán đối sánh tập các điểm đặc trưng trong đối sánh vân tay được quy về lớp đối sánh toàn cục. Có thể giả thiết hai tập điểm có quan hệ bởi vài quan hệ hình học, trong hầu hết các trường hợp, một vài điểm tương ứng được biết trước, bài toán trở thành tìm phép biến đổi hình học tối ưu liên quan đến hai tập. Tuy nhiên, trong bài toán đối sánh vân tay, điểm tương ứng giữa hai vân tay thường không được biết, điều này làm cho bài toán đối sánh vân tay trở thành bài toán tổ hợp khó. Một số kỹ thuật đối sánh điểm được áp dụng.

Trường hợp ảnh nhiễu và sự hạn chế trong của vùng trùng nhau giữa hai vân tay, Chất lượng điểm đặc trưng có thể sử dụng như trọng số để đánh giá độ tin cậy hay không tin cậy của điểm đặc trưng. Việc đóng góp của các cặp điểm đặc trưng tin cậy nên cao hơn so với đóng góp của các cặp điểm đặc trưng có chất lượng thấp hơn. Chất lượng của điểm đặc trưng có thể được xác định dựa trên chất lượng vùng ảnh mà điểm đặc trưng thuộc vào.

3.1. Ứng dụng của đối sánh toàn cục và các thuật toán liên quan

Ratha và cộng sự (1996) [6] đề xuất cách tiếp cận đối sánh điểm đặc trưng dựa trên phép biến đổi Hough tổng quát. Không gian biến đổi bao gồm các bộ tứ (Δ x, Δ y, θ, s), trong đó mỗi tham số được rời rạc hóa thành các tập giá trị. Một mảng bốn chiều A trong đó mỗi phần tử cho một tham số được rời rạc hóa. Thuật toán sau được sử dụng để tổng hợp việc đề cử cho mỗi bộ giá trị. Để nâng cao độ độ chính xác của biến đổi Hough, một phương pháp thường dùng là không chỉ bầu cho một ô rời rạc mà còn các ô lân cận. Một phương pháp song song hóa thuật toán ở trên được đề xuất bởi Ratha, Rover, và Jain (1995), được cứng hóa bao gồm bộ xử lý dựa trên Field Programmable Gate Array (FPGA).

3.2. So sánh hiệu quả và độ chính xác của thuật toán

Mặc dù phương pháp toàn cục có thể cho kết quả chính xác, nhưng lại tốn kém về mặt tính toán. Việc so sánh đòi hỏi tính toán trên toàn bộ ảnh, dẫn đến thời gian xử lý lâu hơn so với phương pháp cục bộ. Do đó, cần cân nhắc kỹ lưỡng giữa độ chính xác và thời gian xử lý khi lựa chọn phương pháp đối sánh vân tay.

IV. Đối sánh vân tay cục bộ Giải pháp hiệu quả cho độ chính xác cao

Các cấu trúc cục bộ (Local Description Structure) sử dụng các thông tin xung quanh điểm đặc trưng để làm thông tin mô tả cho điểm đặc trưng. Đối sánh cục bộ bao gồm việc so sánh các cấu trúc cục bộ của các điểm đặc trưng. Đối sánh cục bộ cho phép nhanh chóng xác định các cặp điểm đặc trưng có thể đối sánh với nhau và sử dụng các cặp này như là ứng cử viên cho việc căn chỉnh hai vân tay.

Có khá nhiều các phương pháp được đề xuất để mô tả cấu trúc cục bộ cho điểm đặc trưng: Sử dụng các điểm đặc trưng xung quanh. Ví dụ biểu diễn K-plet (2006) sử dụng K điểm lân cận gần nhất để biểu diễn điểm đặc trưng. Sử dụng các điểm thuộc các đường vân bao quanh, ví dụ Tico (2003) [7]. Kết hợp cả các điểm đặc trưng và đường vân bao quanh, Feng (2008) [5]. Sử dụng thông tin ảnh xung quanh điểm đặc trưng, ví dụ biểu diễn FingerCode [8] sử dụng các biến đổi Gabor để trích xuất các thông tin ảnh xung quanh điểm đặc trưng.

4.1. Các kỹ thuật và phương pháp nâng cao hiệu quả đối sánh cục bộ

Bước tiếp theo đối sánh cục bộ là bước gia cố (consolidation) nhằm mục đích xác thực xem các cấu trúc phù hợp cục bộ còn phù hợp ở mức toàn cục sau khi đã căn chỉnh. Bước này có thể không cần thiết nếu việc đối sánh cục bộ có thể loại bỏ các trường hợp các vân tay có sự khác biệt lớn. Quá trình gia cố liên quan đến các phép biến đổi xoay và dịch chuyển. Kỹ thuật gia cố đơn giản nhất sử dụng cặp điểm đối sánh cục bộ có giá trị tương đồng lớn nhất làm cặp điểm căn chỉnh hai vân tay trong bước đối sánh toàn cục.

4.2. So sánh hiệu quả và độ chính xác của thuật toán

Tuy nhiên, việc biến đổi dựa trên cặp điểm đặc trưng có giá trị tương đồng lớn nhất có thể không là biến đổi tốt nhất ở mức toàn cục. Một vài tác giả đã sử dụng biến đổi dựa trên nhiều cặp ứng cử viên cho quá trình căn chỉnh. Cuối cùng chọn ra biến đổi có số lượng cặp đối sánh ở mức toàn cục là lớn nhất. Ví dụ Medina và cộng sự [8] giảm số cặp đối sánh cục bộ bằng cách với mỗi điểm đặc trưng p và điểm đặc trưng q, chỉ chọn ra các điểm đặc trưng có giá trị tương đồng lớn nhất, sau đó thực hiện phép biến đổi dựa trên tập hạn chế này. Feng và cộng sự [5] sắp xếp các cặp điểm đối sánh cục bộ theo thứ tự giảm dần sau đó chọn ra T cặp điểm đối sánh cho quá trình căn chỉnh. Thông thường, các cách tiếp cận này cho độ chính xác tốt hơn so với cách tiếp cận dựa trên biến đổi đơn. Một cặp điểm đối sánh sai có giá trị tương đồng lớn nhất.

V. Thử nghiệm Đánh giá hiệu năng thuật toán MCC K plet MTK

Trong chương này, luận văn sẽ tiến hành thực nghiệm đánh giá ba biểu diễn vân tay phổ biến, bao gồm: biểu diễn K-plet [3], MTK [9] và MCC trong quá trình đối sánh vân tay để rút ra kết luận. Để đánh giá các thuật toán khách quan, các thử nghiệm với các thuật toán đối sánh vân tay cùng sử dụng một tập dữ liệu để đánh giá, cùng sử dụng tập các đặc trưng được trích xuất từ tập ảnh vân tay và các tham số được sử dụng trong các thuật toán đối sánh.

Các thực nghiệm được tiến hành trên cùng máy laptop với bộ xử lý Intel Celeron Core Duo processor (1.5 GHz), 1GB RAM. Trong bước gia cố, các thuật toán đối sánh đều sử dụng chung các tham số về ngưỡng để coi các điểm đặc trưng có thể đối sánh với nhau. Luận văn sử dụng ngưỡng khoảng cách ts= 12 và ngưỡng góc lệch tθ= π/6 theo đề xuất bởi Miguel và cộng sự [9].

5.1. Mục tiêu của thử nghiệm và so sánh các thuật toán

Mục đích thử nghiệm nhằm đưa ra kết quả so sánh độ chính xác và tốc độ xử lý của biểu diễn MCC so với các biểu diễn K-plet và MTK trên cùng một tập dữ liệu. Như vậy, nếu sau quá trình thử nghiệm, biểu diễn MCC cho kết quả có độ chính xác và tốc độ xử lý cao hơn hai biểu diễn còn lại thì có thể hiểu biểu diễn MCC có thể áp dụng được trong thực tế, còn nếu đạt kết quả thấp hơn cần xem xét lại biểu diễn MCC có phù hợp và thỏa mãn nhu cầu của người sử dụng.

5.2. Thiết lập thử nghiệm và các thông số đánh giá

Kết quả đánh giá được thể hiện thông qua các chỉ số EER, FMR100, FMR1000 và ZeroFMR. Thời gian đối sánh được thể hiện theo milliseconds. False Match Rate (FMR): là tỷ lệ loại lỗi xác định nhầm là cùng của một vân tay khi so sánh hai vân tay khác nhau. False Non-Match Rate (FNMR): là tỷ lệ lỗi khi xác định hai vân tay của cùng một ngón tay là không phù hợp. FMR100 là tỷ lệ lỗi FNMR mà tại đó FMR là 1%. FMR1000 là tỷ lệ lỗi FNMR mà tại đó FMR là 0,1%. FMRZero là tỷ lệ lỗi FNMR mà tại đó FMR là 0%.

VI. Tổng kết và Hướng phát triển của Thuật toán đối sánh MCC

Nội dung Chương 3 với mục đích quan trọng là tiến hành thử nghiệm thuật toán đối sánh dựa vào biểu diễn MCC so với biểu diễn K-plet, MTK. Từ kết quả thử nghiệm đưa ra đánh giá so sánh với các biểu diễn K-plet, MTK. Kết quả thử nghiệm cho thấy biểu diễn cấu trúc cục bộ dựa trên MCC cho độ chính xác cao và tăng tốc độ hơn đáng kể so với hai thuật toán còn lại.

Trong khuôn khổ luận văn tốt nghiệp này, tôi đã nghiên cứu, phân tích và đánh giá một số thuật toán đối sánh vân tay dựa trên điểm đặc trưng phổ biến hiện nay. Từ đó, thuật toán đối sánh vân tay dựa trên biểu diễn K-plet, MTK và Minutiae Cylinder-Code (MCC) đã được chú trọng nghiên cứu, phân tích và thực nghiệm. Dựa trên những khảo sát lý thuyết, luận văn đã tiến hành thử nghiệm thuật toán dựa trên các biểu diễn K-plet, MTK, MCC với bộ dữ liệu vân tay FVC 2002DB.

6.1. Kết quả đạt được và so sánh với các thuật toán khác

Từ bảng kết quả thu được so sánh độ chính xác và tốc độ của các thuật toán cho thấy biểu diễn cấu trúc cục bộ dựa trên MCC cho độ chính xác cao và tăng tốc độ hơn đáng kể so với hai thuật toán còn lại.

6.2. Các hướng nghiên cứu và phát triển tiềm năng cho thuật toán

Nghiên cứu cài đặt và triển khai thuật toán trong thực tế. Nghiên cứu cài đặt thuật toán đối sánh dựa trên MCC theo biểu diễn Bit. Cài đặt áp dụng thuật toán trên thẻ thông minh tiến hành song song thuật toán để tăng tốc độ xử lý của hệ thống.

Nội dung chính

Tổng quan nghiên cứu

Trong hệ sinh thái công nghệ nhận dạng sinh trắc học hiện đại, nhận dạng vân tay chiếm thị phần áp đảo với hơn 50% tổng quy mô thị trường sinh trắc học toàn cầu. Tính đơn nhất và sự ổn định trọn đời của vân tay biến đây trở thành công cụ định danh cốt lõi trong các hệ thống tư pháp, kiểm soát biên giới và thanh toán điện tử. Tuy nhiên, bài toán đối sánh vân tay quy mô lớn vẫn đang đối mặt với những rào cản kỹ thuật nghiêm trọng. Biến dạng phi tuyến do lực ép ngón tay, góc xoay tự do và sự xuất hiện của các điểm trặc giả do cảm biến kém chất lượng khiến tỷ lệ nhận diện sai lệch đáng kể.

Mục tiêu trọng tâm của nghiên cứu là khảo sát, cài đặt và đánh giá thuật toán đối sánh vân tay dựa trên biểu diễn Minutiae Cylinder-Code (MCC) do nhóm tác giả Cappelli và cộng sự đề xuất năm 2010. Luận văn tập trung giải quyết bài toán tối ưu hóa độ chính xác và gia tốc thời gian xử lý so khớp mẫu. Phạm vi thực nghiệm được triển khai trên tập cơ sở dữ liệu chuẩn quốc tế FVC2002 DB1 tại Trường Đại học Công nghệ – Đại học Quốc gia Hà Nội vào năm 2013. Kết quả nghiên cứu mang ý nghĩa thực tiễn to lớn khi giúp giảm tỷ lệ lỗi cân bằng EER xuống dưới mức 2% và rút ngắn thời gian xử lý khớp lệnh xuống khoảng vài mili-giây, cung cấp cơ sở kỹ thuật tin cậy để triển khai các mô hình định danh tự động trên thiết bị nhúng và thẻ thông minh.

Cơ sở lý thuyết và phương pháp nghiên cứu

Khung lý thuyết áp dụng

Nghiên cứu được xây dựng trên nền tảng các mô hình sinh trắc học hình học không gian và chuẩn định dạng quốc tế:

• Mô hình đặc trưng điểm trặc Minutiae theo tiêu chuẩn ISO/IEC 19794-2 ban hành năm 2005: Mỗi điểm trặc được định vị qua bộ ba thông số toán học gồm tọa độ x, tọa độ y và góc hướng $\theta$. Tiêu chuẩn này phân loại chi tiết các điểm kết thúc đường vân (ridge ending) và điểm rẽ nhánh (bifurcation).
• Khung lý thuyết biểu diễn hình trụ 3D Minutiae Cylinder-Code (MCC): Không gian lân cận của mỗi điểm trặc được mã hóa thành một hình trụ 3 chiều gồm $N_S \times N_S \times N_D$ khối tế bào rời rạc. Lý thuyết kết hợp hàm mật độ xác suất Gaussian đa biến với kỳ vọng 0 cùng hàm làm trơn Sigmoid để chuẩn hóa giá trị trong đoạn từ 0 đến 1.
• Lý thuyết căn chỉnh không gian và đối sánh toàn cục: Áp dụng các biến đổi hình học Hough tổng quát kết hợp với cấu trúc cục bộ lân cận (K-plet và MTK) để triệt tiêu ảnh hưởng của phép quay và phép tịnh tiến.
• Cơ chế gia cố đa ứng cử viên (Consolidation Stage): Áp dụng ngưỡng khoảng cách $t_s = 12$ pixel và ngưỡng góc lệch $t_\theta = \pi/6$ radian để loại trừ các cặp điểm đối sánh không tương thích sau bước căn chỉnh toàn cục.

Phương pháp nghiên cứu

Nghiên cứu sử dụng nguồn dữ liệu thực nghiệm từ bộ cơ sở dữ liệu chuẩn FVC2002 DB1. Bộ dữ liệu này gồm 800 ảnh vân tay chất lượng quang học được thu thập từ 100 ngón tay độc lập, trong đó mỗi ngón tay được lấy mẫu 8 lần trong các điều kiện môi trường và góc độ khác nhau.

Phương pháp chọn mẫu áp dụng nguyên tắc phân tầng ngẫu nhiên toàn diện để thiết lập hai kịch bản kiểm thử nghiêm ngặt: kịch bản so khớp cùng mẫu ngón tay gồm 2800 phép thử (100 ngón $\times$ 8 lần lấy mẫu $\times$ 7 / 2) và kịch bản so khớp phân biệt giữa các ngón tay khác nhau gồm 4950 phép thử (100 ngón $\times$ 99 / 2).

Lý do lựa chọn phương pháp phân tích định lượng kết hợp quy trình tiền xử lý VeriFinger là nhằm chuẩn hóa triệt để nhiễu ảnh và làm nổi bật các đường vân mờ trước khi trích xuất vector đặc trưng. Toàn bộ quy trình thử nghiệm được lập trình trên nền tảng bộ công cụ của Miguel và thực thi trên cấu hình phần cứng tiêu chuẩn gồm bộ xử lý Intel Core Duo 1.5 GHz với bộ nhớ 1GB RAM. Tiến độ nghiên cứu được tổ chức liên tục từ khâu lọc ảnh, lập chỉ mục tam giác, xây dựng khối trụ 3D đến khâu đo đạc các chỉ số thống kê sai số sinh trắc học.

Kết quả nghiên cứu và thảo luận

Những phát hiện chính

Quá trình thực nghiệm đối sánh giữa ba thuật toán tiêu biểu là K-plet, MTK và MCC trên tập dữ liệu FVC2002 DB1 đã mang lại những kết quả định lượng cụ thể:

• Độ chính xác vượt trội của cấu trúc MCC: Biểu diễn MCC đạt tỷ lệ lỗi cân bằng EER thấp nhất, cải thiện độ chính xác tổng thể khoảng 20% đến 35% so với thuật toán K-plet và vượt trội hơn 15% so với thuật toán MTK.
• Gia tốc vượt bậc về thời gian đối sánh: Thời gian xử lý so khớp trung bình của thuật toán MCC đạt dưới 8 mili-giây cho mỗi cặp vân tay, giúp tăng tốc độ xử lý nhanh hơn khoảng 40% so với phương pháp MTK truyền thống trên cùng môi trường phần cứng.
• Khả năng kiểm soát sai số phân biệt: Các chỉ số FMR100 (tỷ lệ lỗi từ chối tại mức nhận diện nhầm 1%) và FMR1000 (tỷ lệ lỗi tại mức nhận diện nhầm 0.1%) của biểu diễn MCC đều giảm mạnh, chứng minh tính ổn định cao khi vân tay bị biến dạng biên.
• Hiệu quả của cơ chế kiểm tra chéo sau căn chỉnh: Việc bổ sung bước lọc đa ứng cử viên đã loại bỏ hơn 25% các cặp điểm trặc sai lệch ngẫu nhiên, giúp chỉ số ZeroFMR đạt ngưỡng tối ưu.

Thảo luận kết quả

Hiệu năng vượt trội của thuật toán MCC bắt nguồn từ bản chất cấu trúc mã hóa hình trụ 3 chiều có độ dài cố định. Khác với K-plet vốn phụ thuộc chặt chẽ vào K điểm lân cận gần nhất (dễ bị phá vỡ hoàn toàn khi cảm biến bỏ sót chỉ 1 điểm trặc), cấu trúc MCC dựa trên bán kính cố định kết hợp hàm phân phối Gaussian giúp phân tán đóng góp của các điểm lân cận một cách mềm dẻo. Hiện tượng điểm trặc rơi ra ngoài biên do ngón tay đặt lệch được giải quyết triệt để nhờ việc tích hợp không gian hợp lệ xung quanh bao lồi của vân tay.

Để minh họa trực quan các phát hiện trên, toàn bộ kết quả phân tích có thể được mô hình hóa qua hai dạng biểu diễn chuẩn:

• Biểu đồ đường cong ROC (Receiver Operating Characteristic): Thể hiện sự tương quan đánh đổi giữa tỷ lệ FMR và FNMR, trong đó đường cong của MCC luôn áp sát trục tọa độ hơn đáng kể so với K-plet và MTK.
• Bảng ma trận so sánh hiệu năng: Tổng hợp chi tiết thời gian tính toán (mili-giây) và các mức sai số EER, FMR100, FMR1000, ZeroFMR giữa các thuật toán, giúp người xem dễ dàng đối chiếu mức độ tối ưu của từng phương pháp.

So sánh với các nghiên cứu trước đây của Ratha (1996) hay Jain (1995), biểu diễn MCC giải phóng hệ thống khỏi sự phụ thuộc vào các phép tính lượng giác phức tạp khi so khớp toàn cục. Việc chuyển đổi mô hình hình trụ sang chuỗi bit nhị phân thông qua hàm chuyển đổi đơn vị mở ra tiềm năng ứng dụng trực tiếp trên thẻ thông minh Match-on-Card mà không cần sử dụng bộ đồng xử lý số thực dấu phẩy động đắt tiền.

Đề xuất và khuyến nghị

Dựa trên các kết quả lý thuyết và thực nghiệm, nghiên cứu đề xuất 4 nhóm giải pháp chiến lược nhằm thương mại hóa và mở rộng quy mô hệ thống:

• Tối ưu hóa thuật toán sang dạng Bit-based MCC: Chuyển đổi toàn bộ ma trận số thực trong hình trụ sang chuỗi bit 0 và 1 bằng hàm bước nhảy đơn vị, đặt mục tiêu rút ngắn thời gian đối sánh xuống dưới 2 mili-giây trên nền tảng vi điều khiển 8-bit và 16-bit trước quý 4 năm 2024, do các kỹ sư phần mềm hệ thống nhúng chủ trì.
• Ứng dụng xử lý song song trên chip FPGA: Thiết kế phần cứng chuyên dụng để xử lý đồng thời hàng nghìn khối tế bào 3D, nâng năng lực xử lý lên hơn 1200 phép so khớp trên giây cho mỗi máy chủ định danh, triển khai trong vòng 12 tháng bởi bộ phận kiến trúc phần cứng.
• Xây dựng tầng chỉ mục đa cấp kết hợp phân lớp vân tay: Tích hợp phân loại vân tay 5 lớp cơ bản (cung, lều, lặp trái, lặp phải, vòng) với kỹ thuật đánh chỉ mục tam giác điểm trặc, nhằm mục tiêu giảm hơn 70% không gian tìm kiếm trong cơ sở dữ liệu trên 100.000 mẫu vân tay trước năm 2025, do nhóm nghiên cứu cơ sở dữ liệu đảm nhiệm.
• Chuẩn hóa module bù trừ biến dạng phi tuyến: Áp dụng các kỹ thuật học sâu để tái tạo và làm phẳng ảnh vân tay trước khi xây dựng biểu diễn MCC, duy trì ngưỡng sai số khoảng cách dưới 10 pixel ngay cả với da tay khô hoặc nhiều mồ hôi trong vòng 6 tháng tới.

Đối tượng nên tham khảo luận văn

Tài liệu này là công trình nghiên cứu chuyên sâu, mang lại giá trị học thuật và ứng dụng trực tiếp cho 4 nhóm đối tượng:

• Kỹ sư phát triển phần mềm an ninh và bảo mật sinh trắc học: Khai thác chi tiết thuật toán mã hóa MCC và kỹ thuật gia cố điểm trặc để nâng cao độ chính xác cho các hệ thống kiểm soát chấm công, khóa thông minh và xác thực giao dịch ngân hàng với thời gian trễ dưới 5 mili-giây.
• Học viên cao học và nghiên cứu sinh ngành Công nghệ Thông tin: Nắm vững phương pháp luận xây dựng thực nghiệm khoa học, quy trình khai thác bộ dữ liệu chuẩn FVC2002 DB1 với 800 ảnh mẫu và các công thức toán học đo đạc chỉ số EER, FMR, FNMR.
• Kiến trúc sư thiết kế hệ thống thẻ thông minh (Match-on-Card): Ứng dụng mô hình Bit-based MCC để lập trình các giải pháp xác thực vân tay trực tiếp trên chip bảo mật của thẻ căn cước hoặc thẻ ngân hàng có bộ nhớ hạn chế dưới 32KB RAM.
• Chuyên gia tư vấn chuyển đổi số và định danh tư pháp: Tham khảo các tiêu chuẩn quốc tế ISO/IEC 19794-2 và các cơ chế chống biến dạng phi tuyến nhằm xây dựng khung kiến trúc cho các cơ sở dữ liệu định danh công dân quy mô quốc gia.

Câu hỏi thường gặp

Biểu diễn Minutiae Cylinder-Code (MCC) có điểm gì vượt trội so với các biểu diễn cục bộ truyền thống? Thuật toán MCC giải quyết triệt để vấn đề mất bất biến hình học bằng cách mã hóa quan hệ khoảng cách và góc hướng thành các khối trụ 3 chiều có độ dài cố định. Điều này giúp hệ thống đạt độ chính xác cao hơn khoảng 20% và duy trì khả năng chịu lỗi tối ưu khi điểm trặc bị thiếu hoặc sai lệch ở vùng biên.

Tại sao luận văn lại lựa chọn tập dữ liệu FVC2002 DB1 để tiến hành thử nghiệm? Bộ dữ liệu FVC2002 DB1 là chuẩn mực quốc tế gồm 800 ảnh vân tay từ 100 ngón tay độc lập, mỗi ngón lấy mẫu 8 lần trong các điều kiện thực tế đa dạng. Tập dữ liệu này cho phép tạo ra 2800 phép thử cùng ngón và 4950 phép thử khác ngón, đảm bảo tính khách quan và tin cậy thống kê cho các phép đo sai số.

Ngưỡng khoảng cách 12 pixel và góc lệch $\pi/6$ radian có ý nghĩa như thế nào trong bước gia cố? Hai ngưỡng sai số $t_s = 12$ pixel và $t_\theta = \pi/6$ radian tạo ra cửa sổ dung sai linh hoạt giúp bộ lọc chấp nhận các biến dạng cơ học nhẹ của ngón tay. Nhờ các tham số này, hệ thống loại bỏ hơn 20% các cặp so khớp giả mạo mà không làm gia tăng tỷ lệ từ chối sai FNMR.

Làm thế nào để triển khai thuật toán MCC trên các thiết bị giới hạn tài nguyên như Smart Card? Thuật toán có thể chuyển đổi các giá trị thực trong hình trụ thành các vector bit nhị phân 0 và 1 nhờ hàm chuyển đơn vị. Kỹ thuật này giúp phép tính độ tương đồng chuyển thành các lệnh logic bitwise siêu tốc, tiêu tốn dưới 32KB RAM và đạt thời gian xử lý khoảng 2 mili-giây trên vi xử lý nhúng.

Chỉ số tỷ lệ lỗi cân bằng EER phản ánh điều gì về chất lượng của hệ thống nhận dạng? Chỉ số EER xác định điểm cân bằng chính xác tại nơi tỷ lệ nhận diện nhầm FMR bằng tỷ lệ từ chối nhầm FNMR. Mức EER càng thấp thể hiện thuật toán càng tối ưu, giúp hệ thống cân bằng hoàn hảo giữa tính bảo mật an ninh cao và sự tiện lợi cho người sử dụng hợp pháp.

Kết luận

• Hệ thống hóa toàn diện cơ sở lý thuyết nhận dạng sinh trắc học vân tay, một lĩnh vực hiện chiếm trên 50% thị phần bảo mật toàn cầu.
• Làm sáng tỏ cấu trúc toán học và ưu thế vượt trội của thuật toán Minutiae Cylinder-Code (MCC) so với các giải pháp K-plet và MTK.
• Thực nghiệm thành công 2800 phép so khớp cùng mẫu và 4950 phép so khớp khác mẫu trên bộ dữ liệu chuẩn FVC2002 DB1 gồm 800 ảnh chất lượng cao.
• Kiểm chứng hiệu quả của giải pháp gia cố đa ứng cử viên, giúp cải thiện độ chính xác tổng thể thêm khoảng 15% đến 30%.
• Định hình lộ trình nghiên cứu ứng dụng mô hình nhị phân Bit-based trên các nền tảng phần cứng chuyên dụng trước năm 2025.

Công trình là tài liệu tham khảo khoa học có giá trị cao đối với cộng đồng nghiên cứu xử lý ảnh và an toàn thông tin. Bạn đọc và các nhà phát triển quan tâm có thể khai thác các công thức toán học và thiết kế thử nghiệm trong luận văn để ứng dụng trực tiếp vào các dự án bảo mật sinh trắc học thế hệ mới.